基于移動(dòng)蜂窩網(wǎng)的機(jī)器學(xué)習(xí)室外指紋定位方案

周志超，馮毅，夏小涵，馮瑜瑤，蔡超，邱佳慧，楊立輝，烏云霄

（中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司智網(wǎng)創(chuàng)新中心，北京 100048）

1 引言

隨著5G移動(dòng)通信技術(shù)的商用，基于無(wú)線通信的位置服務(wù)（location base2 service，LBS）越來(lái)越受關(guān)注。運(yùn)營(yíng)商根據(jù)投訴用戶的位置，可以準(zhǔn)確地查找到相應(yīng)基站的覆蓋情況，從而有針對(duì)性地優(yōu)化網(wǎng)絡(luò)性能，并且能夠?yàn)樘囟ㄓ脩籼峁└泳珳?zhǔn)的服務(wù)推送[1]。在基礎(chǔ)設(shè)施遭到破壞的災(zāi)區(qū)，利用定位能力可以實(shí)施及時(shí)、精準(zhǔn)的救援。

基于全球衛(wèi)星導(dǎo)航系統(tǒng)（global navigation satellite system，GNSS）的定位精度較高，但是在遮擋嚴(yán)重的區(qū)域信號(hào)較弱，無(wú)法實(shí)現(xiàn)定位測(cè)算。因此，基于覆蓋效果好的移動(dòng)蜂窩網(wǎng)絡(luò)的定位方案被不斷深入研究，作為重要的GNSS補(bǔ)充定位方案。目前，基于無(wú)線移動(dòng)通信網(wǎng)絡(luò)的室外定位技術(shù)主要分為兩類，分別為基于測(cè)距模型的定位技術(shù)與基于位置指紋的定位技術(shù)[2]。測(cè)距定位技術(shù)包括基于信號(hào)到達(dá)時(shí)間（time o+ arrival，TOA）、基于到達(dá)時(shí)間差（time 2i++erence o+ arrival，TDOA）、基于到達(dá)角度（angle o+ arrival，AOA）和基于信號(hào)離開(kāi)角度（angle o+ 2eparture，AOD）的三角定位方案以及基于cellID的定位方案。TOA和TDOA需要已知至少3個(gè)確定的位置信息，才能夠計(jì)算待測(cè)用戶的位置，而且對(duì)時(shí)間同步要求高?；?AOA的定位方案對(duì)信號(hào)角度的要求較高，需在接收機(jī)配置較大的天線陣列，極大地增加了硬件成本[3]。陣列中天線數(shù)量越大計(jì)算復(fù)雜度就越高。并且，這類基于移動(dòng)通信信號(hào)測(cè)距的定位方案，定位精度稍差，無(wú)法滿足特定場(chǎng)景的定位精度需求。

基于指紋的定位技術(shù)不依賴信號(hào)到達(dá)時(shí)間和經(jīng)驗(yàn)公式推算，通過(guò)終端上報(bào)的最小化路測(cè)（minimize2 2riving test，MDT）信息訓(xùn)練指紋定位模型，通過(guò)訓(xùn)練模型預(yù)測(cè)待測(cè)終端的位置。此方案相比于信號(hào)和公式推算的方案具有更高的定位精度和可實(shí)施性[4]。指紋定位方案完全復(fù)用移動(dòng)蜂窩網(wǎng)絡(luò)通信過(guò)程中的信號(hào)強(qiáng)度和終端接入小區(qū)屬性特征，對(duì)網(wǎng)絡(luò)和終端設(shè)備沒(méi)有特定的額外需求，相比于基于測(cè)距的方案，節(jié)省硬件成本且易于推廣應(yīng)用?；谥讣y的定位方案可以根據(jù)不同的定位需求，差異化地劃分指紋柵格尺寸，能夠動(dòng)態(tài)地適配不同需求場(chǎng)景的定位精度，因此，基于指紋信息的定位方案成為研究熱點(diǎn)。隨著機(jī)器學(xué)習(xí)算法的不斷深入優(yōu)化，模型訓(xùn)練階段的耗時(shí)也不斷得到優(yōu)化，指紋定位與機(jī)器學(xué)習(xí)算法結(jié)合，以期降低位置測(cè)算的復(fù)雜度。基于機(jī)器學(xué)習(xí)的指紋定位方案分為模型訓(xùn)練階段和位置預(yù)測(cè)階段。其中階段一是離線的，只在階段二對(duì)終端位置預(yù)測(cè)時(shí)，是在線的過(guò)程。所以，此類定位方案的預(yù)測(cè)運(yùn)算復(fù)雜度低、定位實(shí)時(shí)性高?；谝苿?dòng)蜂窩網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)指紋定位方案具有精度高、成本低、實(shí)時(shí)性強(qiáng)、與當(dāng)前網(wǎng)絡(luò)兼容性好的特點(diǎn)，因此成為當(dāng)前的研究熱點(diǎn)。

本文提出兩種基于機(jī)器學(xué)習(xí)的指紋定位方案，通過(guò)利用機(jī)器學(xué)習(xí)框架極大地簡(jiǎn)化了定位過(guò)程，并結(jié)合貝葉斯算法以及歐幾里得算法準(zhǔn)則，根據(jù)網(wǎng)絡(luò)側(cè)大量用戶上報(bào)的終端場(chǎng)強(qiáng)數(shù)據(jù)，通過(guò)訓(xùn)練成熟的模型可以準(zhǔn)確、快速地獲取用戶的位置信息，不僅能夠滿足災(zāi)區(qū)探測(cè)、緊急救援、公安巡警等場(chǎng)景較高精度定位的需求，還可以為網(wǎng)絡(luò)優(yōu)化和管理提供更具有針對(duì)性的指導(dǎo)建議。并且在保證精度的前提下能夠降低實(shí)現(xiàn)成本，提高了算法的魯棒性[5]。

2 室外定位業(yè)務(wù)需求

我國(guó)位置服務(wù)的市場(chǎng)規(guī)模增長(zhǎng)迅速，截至2019年已經(jīng)達(dá)到萬(wàn)億元量級(jí)。目前，國(guó)內(nèi)市場(chǎng)日定位請(qǐng)求次數(shù)達(dá)到千億，全球定位服務(wù)及設(shè)備市場(chǎng)規(guī)模已達(dá)到萬(wàn)億級(jí)別，定位服務(wù)已成為各類線上、線下應(yīng)用的底層能力，預(yù)期仍將快速發(fā)展[6]。

隨著社會(huì)的進(jìn)步和科技的發(fā)展，室外定位在技術(shù)手段、定位精度、可用性等方面均取得了質(zhì)的飛躍，并且逐步從航天、交通、水利、測(cè)繪、軍事、農(nóng)業(yè)、自然災(zāi)害預(yù)防等領(lǐng)域滲透到社會(huì)生活的方方面面，成為人們?nèi)粘Ｖ胁豢苫蛉钡闹匾獞?yīng)用，比如人員搜尋、位置查找、交通管理、車輛導(dǎo)航與路線規(guī)劃等。用戶期望得到的定位服務(wù)功能如圖1所示。

圖1 用戶期望得到的定位服務(wù)功能

室外指紋定位技術(shù)對(duì)三打一查、醫(yī)療救援、消防安全及物流運(yùn)輸?shù)刃袠I(yè)做出了很大貢獻(xiàn)。僅110全國(guó)接警量約為3.4億次/年，潛在市場(chǎng)規(guī)模約3 400萬(wàn)元/年，并且在第一批推進(jìn)20個(gè)較大城市110報(bào)警定位試點(diǎn)中，預(yù)期短時(shí)間內(nèi)實(shí)現(xiàn)收入約220萬(wàn)元/年，需求規(guī)模約9 000萬(wàn)次/年[7]。北京紅十字會(huì)999緊急救援中心曾迫切提出，要求在車輛熄火并無(wú)主動(dòng)打開(kāi)終端定位功能時(shí)，仍能迅速找到救援點(diǎn)；兒童和老人走丟、走失事件時(shí)有發(fā)生，因此亟須精準(zhǔn)主動(dòng)定位技術(shù)；對(duì)于110、120等，移動(dòng)通信技術(shù)的定位方案顯得尤為突出，根據(jù)通信終端的信號(hào)信息可以快速地鉚定關(guān)注對(duì)象的位置，從而可以快速制定合理的精準(zhǔn)施救方案。典型行業(yè)的室外指紋定位應(yīng)用需求見(jiàn)表1。

表1 室外指紋定位不同應(yīng)用場(chǎng)景下需求指標(biāo)

3 基于機(jī)器學(xué)習(xí)的指紋定位關(guān)鍵技術(shù)

基于指紋的定位方案是在基于小區(qū)cellID粗定位基礎(chǔ)上對(duì)定位進(jìn)行精細(xì)化的結(jié)果，在基于小區(qū)cellID的定位方案中，終端的接入小區(qū)基站的位置近似為終端的位置，但是LTE中基站的覆蓋范圍在幾百米，所以以基站的位置作為終端位置的替代方案，無(wú)法滿足部分需求的定位精度要求。因此，在小區(qū)cellID粗定位的基礎(chǔ)上，通過(guò)指紋定位的方案獲取終端位置較為準(zhǔn)確的結(jié)果。本節(jié)將對(duì)基于指紋的3種定位算法方案進(jìn)行詳細(xì)說(shuō)明。

機(jī)器學(xué)習(xí)由來(lái)已久，但是因?yàn)闄C(jī)器性能不能實(shí)現(xiàn)大數(shù)據(jù)量的處理，所以一直沒(méi)能得到充分的發(fā)展和應(yīng)用。近年來(lái)隨著機(jī)器計(jì)算和處理性能的大幅提升，機(jī)器學(xué)習(xí)成為模型化處理大數(shù)據(jù)的主要方案。本文在深入研究機(jī)器學(xué)習(xí)算法框架的基礎(chǔ)上，將模型訓(xùn)練的優(yōu)勢(shì)與指紋定位場(chǎng)景相結(jié)合，為指紋定位方案提供強(qiáng)有力的算法支撐。

3.1 基于柵格的指紋定位方案

本節(jié)對(duì)基于地圖柵格的指紋定位方案進(jìn)行詳細(xì)的分析和說(shuō)明。在該定位方案中分為區(qū)域劃定、數(shù)據(jù)清洗、區(qū)域柵格化處理、指紋數(shù)據(jù)庫(kù)構(gòu)建、分類模型訓(xùn)練、對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)、模型參數(shù)優(yōu)化7個(gè)功能子模塊，各個(gè)子模塊之間緊密聯(lián)系，對(duì)應(yīng)的邏輯關(guān)系如圖2所示。

圖2 基于柵格的定位方案流程

（1）區(qū)域劃定

區(qū)域劃定是基于柵格的指紋定位的前提，劃定的區(qū)域一般以1～2 km為邊長(zhǎng)的方形區(qū)域，因?yàn)榛靖采w的范圍是不規(guī)則的扇形區(qū)域，所以劃定的多個(gè)方形研究區(qū)域會(huì)存在邊緣重疊的現(xiàn)象，即方形區(qū)域A與相鄰的方形區(qū)域B之間會(huì)有邊緣的重疊部分。

（2）數(shù)據(jù)清洗

訓(xùn)練模型的準(zhǔn)確性依賴于數(shù)據(jù)質(zhì)量，所以數(shù)據(jù)的清洗和分析是至關(guān)重要的子模塊。對(duì)數(shù)據(jù)的清洗分為3部分：源數(shù)據(jù)應(yīng)有明確的經(jīng)度、緯度信息；每條源數(shù)據(jù)應(yīng)有大于3個(gè)小區(qū)的信號(hào)強(qiáng)度信息；每條源數(shù)據(jù)的位置信息漂移可控。上述為3個(gè)必要條件。經(jīng)過(guò)數(shù)據(jù)處理得到滿足上述條件的源數(shù)據(jù)后，將其進(jìn)行隨機(jī)分類，80%數(shù)據(jù)源用來(lái)訓(xùn)練模型，20%數(shù)據(jù)源用來(lái)測(cè)試模型。

（3）區(qū)域柵格化處理

根據(jù)劃定區(qū)域的相對(duì)距離，將其轉(zhuǎn)化為全球絕對(duì)的經(jīng)度、緯度信息，從而將劃定的區(qū)域按Xm×Xm的規(guī)格進(jìn)行柵格的劃分，根據(jù)方形區(qū)域的面積把整個(gè)區(qū)域均勻地劃分為均大小柵格，并對(duì)柵格進(jìn)行編號(hào)。將轉(zhuǎn)化的全球絕對(duì)經(jīng)度、緯度信息與柵格的編號(hào)進(jìn)行對(duì)應(yīng)，從而使每個(gè)柵格都有獨(dú)一無(wú)二的經(jīng)度、緯度屬性和編號(hào)屬性。

（4）指紋數(shù)據(jù)庫(kù)構(gòu)建

根據(jù)訓(xùn)練集終端數(shù)據(jù)的經(jīng)度、緯度信息將其與柵格的經(jīng)度、緯度信息對(duì)應(yīng)，在柵格的編號(hào)屬性與經(jīng)度、緯度屬性對(duì)應(yīng)的基礎(chǔ)上，將對(duì)應(yīng)的源數(shù)據(jù)點(diǎn)按位置信息映射到相應(yīng)的柵格內(nèi)。形成指紋數(shù)據(jù)庫(kù)，后續(xù)將根據(jù)該數(shù)據(jù)庫(kù)的對(duì)應(yīng)關(guān)系進(jìn)行模型的訓(xùn)練。終端與柵格的映射關(guān)系如圖3所示。

圖3 柵格與終端點(diǎn)的對(duì)應(yīng)映射關(guān)系

（5）分類模型訓(xùn)練

根據(jù)步驟（4）中構(gòu)建的指紋數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)中每條數(shù)據(jù)的屬性如＜cellID, RSRP1, RSRP2,…,gri2ID，+eature1, +eature2…＞，其中cellID為接收服務(wù)小區(qū)的ID，RSRP表示該終端接入小區(qū)的信號(hào)強(qiáng)度，gri2ID表示為柵格的編號(hào)，+eature1和+eature2表示其他類型的屬性特征。通過(guò)調(diào)用機(jī)器學(xué)習(xí)算法模型框架實(shí)現(xiàn)模型的訓(xùn)練，在本文中采用機(jī)器學(xué)習(xí)中自回歸算法，采用KNN（K-nearest neighbor）和BKNN（weight-K-nearest neighbor）訓(xùn)練原則[8-9]，可分別表示如下。

其中，N表示同一個(gè)終端接收到信號(hào)的小區(qū)個(gè)數(shù)，RSRPgri2ID表示柵格編號(hào)為 gri2ID對(duì)應(yīng)的信號(hào)強(qiáng)度，wi表示第i個(gè)信號(hào)強(qiáng)度的加權(quán)值。通過(guò)上述優(yōu)化問(wèn)題的求解，獲得的最優(yōu)解即模型預(yù)測(cè)的結(jié)果，并輸出。

（6）對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)

應(yīng)用訓(xùn)練的預(yù)測(cè)模型對(duì) 20%的測(cè)試數(shù)據(jù)進(jìn)行終端位置預(yù)測(cè)，然后將終端所落在的柵格 gri2ID轉(zhuǎn)換為地理經(jīng)度、緯度信息，因?yàn)闇y(cè)試集中每個(gè)終端的信息中包括信號(hào)強(qiáng)度和經(jīng)度、緯度位置信息，所以可以將預(yù)測(cè)的結(jié)果與實(shí)際的終端位置信息進(jìn)行比較，得到模型預(yù)測(cè)準(zhǔn)確度的量化結(jié)果。

（7）模型參數(shù)優(yōu)化

根據(jù)對(duì)終端位置預(yù)測(cè)的位置結(jié)果，閉環(huán)修正訓(xùn)練模型，調(diào)整模型的訓(xùn)練參數(shù)，從而強(qiáng)化模型的預(yù)測(cè)能力。因?yàn)樾抻喌哪Ｐ团c預(yù)測(cè)的結(jié)果是閉環(huán)反饋的關(guān)系，所以在該閉環(huán)中能夠有效地完成模型的校正，提升模型的預(yù)測(cè)準(zhǔn)確度。

3.2 基于非柵格的指紋定位方案

非柵格化方案的模型訓(xùn)練也需要目標(biāo)區(qū)域終端的位置與信號(hào)強(qiáng)度信息，并通過(guò)這些信息構(gòu)建位置-信號(hào)強(qiáng)度的關(guān)系。通過(guò)對(duì)于位置-信號(hào)強(qiáng)度庫(kù)的直接訓(xùn)練來(lái)形成指紋庫(kù)，并通過(guò)此模型直接預(yù)測(cè)輸出待定位目標(biāo)的實(shí)際位置。與柵格化方案不同之處在于非柵格的方案中不需要對(duì)區(qū)域進(jìn)行柵格化處理，也不需要柵格與終端經(jīng)度、緯度的對(duì)應(yīng)轉(zhuǎn)換關(guān)系。

非柵格方案數(shù)據(jù)集與 3.1節(jié)中基于柵格的指紋定位方案的數(shù)據(jù)集是一致的。

非柵格的指紋庫(kù)生成：創(chuàng)建一個(gè)完整的 RSRP與經(jīng)度、緯度對(duì)應(yīng)的指紋庫(kù)。在實(shí)際的環(huán)境中，特定位置的RSRP指紋會(huì)不斷受到周圍環(huán)境變化的影響。為了保持定位精度，非柵格指紋庫(kù)要以更高的頻率維護(hù)與更新，以保護(hù)模型的魯棒性和精確度。

非柵格指紋數(shù)據(jù)庫(kù)有多個(gè)不規(guī)則點(diǎn)n。指紋庫(kù)的坐標(biāo)標(biāo)記為：

其中，第i個(gè)訓(xùn)練點(diǎn)的簽名可記為：

其中，c表示小區(qū)信息，用于提高指紋定位精度。不考慮c時(shí)指紋庫(kù)則完全由RSRP分量訓(xùn)練。

簽名集合會(huì)和各個(gè)點(diǎn)的位置聯(lián)合，然后采用卡爾曼濾波進(jìn)行清洗。建立的聯(lián)合簽名集合為：

本文采用簽名相似性比較作為位置估計(jì)，選擇對(duì)比了K近鄰法和加權(quán)K近鄰算法。大致描述如下：KNN的思想為通過(guò)計(jì)算測(cè)試簽名和所有訓(xùn)練簽名的相似度距離，獲得相似度距離最小的k個(gè)訓(xùn)練簽名，并以k個(gè)訓(xùn)練簽名的坐標(biāo)平均值作為估計(jì)位置。相似度度量采用歐氏距離和曼哈頓距離。加權(quán)K近鄰算法則是考慮到KNN算法簽名的可靠性和優(yōu)先級(jí)，增加了KNN的分量權(quán)重。

將所有訓(xùn)練簽名記為Ri={ri,Pi}，測(cè)試點(diǎn)簽名為RE={rE,pE}，取最近鄰點(diǎn)k個(gè)，則KNN的相似度距離對(duì)比為：

獲得的k個(gè)距離記為ak={R1,R2,… ,Rk}，對(duì)應(yīng)的位置則為L(zhǎng)={L1,L2,… ,Lk}，于是測(cè)試估計(jì)位置為：

考慮到小區(qū)RSRP權(quán)重不同，在BKNN算法中，本文在指紋庫(kù)中加入權(quán)重，設(shè)定加權(quán)系數(shù)為w=f(P1,P2, … ,Pc)。同時(shí)在位置估算中為了減少數(shù)值影響，將距離加權(quán)系數(shù)歸一化，由此，計(jì)算BKNN的測(cè)試估算距離為：

3.3 基于柵格和非柵格的指紋定位方案對(duì)比

基于柵格的指紋定位方案在模型訓(xùn)練前要對(duì)劃定區(qū)域的柵格進(jìn)行劃分，將位置的相對(duì)距離信息轉(zhuǎn)化為地球表面絕對(duì)的經(jīng)度、緯度信息，在該轉(zhuǎn)換過(guò)程中會(huì)有精度的折損。另外，在用模型預(yù)測(cè)終端過(guò)程中，是將終端所在柵格的編號(hào)信息返回來(lái)，然后根據(jù)編號(hào)再轉(zhuǎn)換成經(jīng)度、緯度信息，在此轉(zhuǎn)換中也折損了預(yù)測(cè)精度，所以基于柵格的指紋定位方案比基于非柵格的方案在精度上有部分的精度折損。但是以柵格為依托標(biāo)準(zhǔn)，可以減少終端位置漂移帶來(lái)的影響，在非柵格的指紋定位方案中，可能會(huì)存在較大的位置預(yù)測(cè)偏移。

比較上述兩種方案的運(yùn)算復(fù)雜度，在方案一中基于柵格的指紋定位方案，需要將區(qū)域柵格化處理，另外在劃定的區(qū)域內(nèi)劃分完?yáng)鸥窈?，需要?gòu)建指紋數(shù)據(jù)庫(kù)，即將終端的信號(hào)強(qiáng)度、位置信息與柵格的屬性對(duì)應(yīng)的過(guò)程。如果源數(shù)據(jù)量比較大，構(gòu)建指紋數(shù)據(jù)庫(kù)的過(guò)程需要的算力較高。在方案二基于非柵格的指紋定位方案中，模型訓(xùn)練的數(shù)據(jù)源就是終端的信號(hào)強(qiáng)度，模型的輸出即是終端的位置經(jīng)度、緯度信息，整個(gè)處理過(guò)程單純、直接。所以，方案二的運(yùn)算復(fù)雜度遠(yuǎn)小于方案一的運(yùn)算復(fù)雜度。從大規(guī)模可實(shí)現(xiàn)角度分析，僅以計(jì)算復(fù)雜度為判斷標(biāo)準(zhǔn)，方案二更具有大規(guī)模實(shí)施的可能性。但是基于指紋的定位方案和基于cellID定位的方案相比，在實(shí)現(xiàn)上會(huì)對(duì)移動(dòng)網(wǎng)絡(luò)現(xiàn)網(wǎng)的網(wǎng)元功能有新的需求定義[10-11]，在實(shí)施過(guò)程中，根據(jù)實(shí)際場(chǎng)景的需要調(diào)整網(wǎng)絡(luò)組成。兩種指紋定位方案見(jiàn)表2。

表2 方案一和方案二指紋定位方案的比較

3.4 用KNN方法進(jìn)行定位結(jié)果選取的分析

基于機(jī)器學(xué)習(xí)框架的指紋定位以項(xiàng)目實(shí)現(xiàn)為主，理論分析文獻(xiàn)較少。而不同公司使用的機(jī)器學(xué)習(xí)框架多不相同，原始的機(jī)器學(xué)習(xí)算法應(yīng)用到指紋定位場(chǎng)景中，都需要一系列的參數(shù)調(diào)優(yōu)，尋找到最優(yōu)的模型參數(shù)集后，才能取得較好的定位效果。

但是模型調(diào)參的過(guò)程沒(méi)有明確的行業(yè)標(biāo)準(zhǔn)，通過(guò)不斷地嘗試直到輸出結(jié)果滿足需求為止。在仿真實(shí)驗(yàn)中，嘗試了XGBoost方案和深度學(xué)習(xí)方案，前者需要不斷地調(diào)整模型參數(shù)，但是一直沒(méi)有取得超過(guò)KNN算法的模型。深度學(xué)習(xí)方法存在復(fù)雜度和結(jié)果精度之間的折中，當(dāng)神經(jīng)網(wǎng)絡(luò)層數(shù)少時(shí)，性能較差；當(dāng)通過(guò)增加層數(shù)提高定位精度時(shí)，復(fù)雜度會(huì)極速上升，不能保證結(jié)果的實(shí)時(shí)輸出。

基于上述原因，本文仿真中取KNN算法作為定位預(yù)測(cè)的標(biāo)準(zhǔn)，采用定位精度和運(yùn)算復(fù)雜度的折中方案。

4 實(shí)驗(yàn)結(jié)果與分析

對(duì)方案一和方案二指紋定位算法進(jìn)行仿真比對(duì)，仿真參數(shù)說(shuō)明見(jiàn)表3。

表3 仿真實(shí)現(xiàn)參數(shù)

實(shí)驗(yàn)中使用的數(shù)據(jù)集來(lái)自中國(guó)聯(lián)通數(shù)據(jù)中臺(tái)累積的實(shí)時(shí)手機(jī)終端上報(bào)的MR/MDT數(shù)據(jù)信息，因此，所有應(yīng)用數(shù)據(jù)都是真實(shí)且隨機(jī)分布在道路、公園等室外真實(shí)場(chǎng)景中的，所以數(shù)據(jù)具有普適性。

方案一基于柵格的指紋定位算法的模型在訓(xùn)練集上的預(yù)測(cè)結(jié)果如圖4和圖5所示。圖4為隨機(jī)取2 000個(gè)數(shù)據(jù)源用于測(cè)試模型的預(yù)測(cè)準(zhǔn)確度，其中方框點(diǎn)表示訓(xùn)練模型對(duì)隨機(jī)手機(jī)終端預(yù)測(cè)的位置結(jié)果，“×”點(diǎn)表示被預(yù)測(cè)終端實(shí)際的位置，由圖4可知模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相合度是比較高的，結(jié)果的符合度高達(dá)95.75%＜1 916,2 000＞。圖5為預(yù)測(cè)值與實(shí)際值的CDF曲線，由該曲線也可以看出訓(xùn)練模型的預(yù)測(cè)結(jié)果在訓(xùn)練集上的準(zhǔn)確度是比較高的。

圖4 方案一模型在訓(xùn)練集上的預(yù)測(cè)與實(shí)際結(jié)果比對(duì)

圖5 方案一模型在訓(xùn)練集上的預(yù)測(cè)與實(shí)際結(jié)果CDF曲線

方案一基于柵格的指紋定位算法模型在測(cè)試集上的預(yù)測(cè)結(jié)果如圖6和圖7所示。圖6為隨機(jī)取600個(gè)數(shù)據(jù)源用于測(cè)試模型的預(yù)測(cè)準(zhǔn)確度，其中方框點(diǎn)為訓(xùn)練模型預(yù)測(cè)的結(jié)果，“×”點(diǎn)是終端實(shí)際的位置所在的柵格gri2ID，由圖6可知模型的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相合度在數(shù)據(jù)點(diǎn)密度比較大的位置準(zhǔn)確度是比較高的，但是在數(shù)據(jù)源本身比較散的情況下，預(yù)測(cè)的結(jié)果比較差。因?yàn)槟Ｐ偷挠?xùn)練依賴于已知數(shù)據(jù)源點(diǎn)數(shù)，在只有1個(gè)或者2個(gè)散點(diǎn)的情況下，是無(wú)法訓(xùn)練成熟的預(yù)測(cè)模型的，此結(jié)論從圖6中可以明顯地顯示。

圖6 方案一模型在測(cè)試集上的預(yù)測(cè)與實(shí)際結(jié)果比對(duì)

圖7 方案一模型在測(cè)試集上的預(yù)測(cè)與實(shí)際結(jié)果CDF曲線

圖7為方案一的訓(xùn)練模型在同一個(gè)600點(diǎn)的測(cè)試集上的預(yù)測(cè)結(jié)果與實(shí)際終端位置的 CDF曲線。從趨勢(shì)上來(lái)看，預(yù)測(cè)值和實(shí)際值是有比較一致的趨勢(shì)的，預(yù)測(cè)結(jié)果的符合度可高于 51%。因?yàn)閿?shù)據(jù)源的獲取是在高樓林立的城區(qū)，據(jù)統(tǒng)計(jì)終端在室內(nèi)與在室外的比例為8:2，所以，測(cè)試數(shù)據(jù)大部分在室內(nèi)的環(huán)境，所以預(yù)測(cè)結(jié)果準(zhǔn)確度與空曠區(qū)域的數(shù)據(jù)源相比有較大的下降。另外，由于實(shí)際終端的分布規(guī)律無(wú)法把握，所以源數(shù)據(jù)本身也存在位置漂移的現(xiàn)象，此現(xiàn)象將極大地弱化位置預(yù)測(cè)的準(zhǔn)確度。劃定一塊空曠的區(qū)域并獲得高質(zhì)量的數(shù)據(jù)源是比較困難的，但是為了驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確性，后續(xù)將努力劃定一塊空曠的區(qū)域，并獲取在此區(qū)域的通信源數(shù)據(jù)，進(jìn)一步驗(yàn)證、提升基于機(jī)器學(xué)習(xí)的模型定位精度。

非柵格模式下考慮粗定位和不考慮粗定位的預(yù)測(cè)結(jié)果分別如圖8和圖9所示，從兩圖中可以看出，在考慮到利用cellID的粗定位結(jié)果之后，圖8出現(xiàn)了很好的聚集性，對(duì)應(yīng)左上角的點(diǎn)簇。而不考慮粗定位情況下，如圖9所示，離散點(diǎn)很容易出現(xiàn)誤判的情形，甚至預(yù)測(cè)誤差比較大。

圖8 考慮粗定位耦合的非柵格KNN方案預(yù)測(cè)結(jié)果

圖9 不考慮粗定位耦合的非柵格KNN方案預(yù)測(cè)結(jié)果

考慮粗定位耦合情況下，對(duì)BKNN的歸一化參數(shù)進(jìn)行了調(diào)整，即在不同的權(quán)值情況下的位置預(yù)測(cè)準(zhǔn)確性，結(jié)果如圖10所示。w是鄰小區(qū)RSRP相對(duì)主小區(qū)RSRP的權(quán)重。在實(shí)際測(cè)量中，鄰小區(qū)的RSRP值比主服務(wù)小區(qū)的RSRP值低5～6 2B，根據(jù)主服務(wù)小區(qū)與相鄰小區(qū)內(nèi)信號(hào)強(qiáng)度 RSRP的關(guān)系，設(shè)置與之對(duì)應(yīng)的加權(quán)系數(shù)w，實(shí)驗(yàn)結(jié)果表明當(dāng)w在0.2～0.3時(shí)，定位的精度結(jié)果最優(yōu)。

圖10 考慮粗定位耦合的BKNN算法不同權(quán)重預(yù)測(cè)準(zhǔn)確率結(jié)果

通過(guò)上述兩種方案的仿真分析可以得出如下結(jié)論：基于非柵格的指紋定位方案比基于柵格化的指紋定位方案的運(yùn)算復(fù)雜度要小，方案二在實(shí)施中對(duì)服務(wù)器集群的要求遠(yuǎn)低于方案一基于柵格的指紋定位方案。在相同數(shù)據(jù)集的前提下，方案一和方案二的模型預(yù)測(cè)準(zhǔn)確度相當(dāng)。但是方案二相較于方案一，可能存在預(yù)測(cè)位置漂移的現(xiàn)象，魯棒性低于方案一基于柵格的指紋定位方案。在實(shí)際的應(yīng)用過(guò)程中，依據(jù)不同場(chǎng)景的實(shí)際需求可以選用不同的方案算法。

上述兩種方案的性能比較見(jiàn)表4，在數(shù)據(jù)集數(shù)據(jù)有限的情況下，方案能夠達(dá)到57%@50 m的定位精度，方案二的定位精度為46%@50 m，結(jié)合圖10可知，方案二在終端密度較高的區(qū)域性能會(huì)有較大的改善，在50 m時(shí)性能出現(xiàn)明顯的轉(zhuǎn)折。因?yàn)樵诜桨敢恢杏?50 m 指紋柵格的框定，當(dāng)預(yù)測(cè)終端在某個(gè)柵格內(nèi)時(shí)，位置結(jié)果基本不會(huì)有太大的漂移，而方案二中預(yù)測(cè)的結(jié)果是針對(duì)單個(gè)終端的位置預(yù)測(cè)，會(huì)存在位置的漂移。當(dāng)定位的精度目標(biāo)定得較大時(shí)，位置的漂移將被包含在預(yù)測(cè)結(jié)果內(nèi)，所以大于50 m標(biāo)準(zhǔn)時(shí)，方案二表現(xiàn)出較大的優(yōu)勢(shì)，而方案一仍然是50 m的柵格折損，性能提升不如方案二明顯。

表4 方案一和方案二指紋定位方案的性能比對(duì)

方案一中將柵格的中心位置作為此終端的位置預(yù)測(cè)，精度折損在50 m，當(dāng)終端密度較大時(shí)，一個(gè)柵格中可能有多個(gè)終端分布的情況，此時(shí)多個(gè)終端的預(yù)測(cè)位置將是一個(gè)值，所以方案一更適用于終端密度較小的場(chǎng)景。另外，方案一有柵格的框定，在柵格預(yù)測(cè)正確的情況下最大位置漂移不會(huì)超過(guò)柵格折損值，所以魯棒性更強(qiáng)。方案二預(yù)測(cè)的目標(biāo)就是每個(gè)終端，所以在終端密度較大的場(chǎng)景中更加適用，當(dāng)位置漂移較大的情況出現(xiàn)時(shí)，預(yù)測(cè)的魯棒性較低。

MLP神經(jīng)網(wǎng)絡(luò)算法、分類預(yù)測(cè)算法、回歸算法和 SVM 算法在測(cè)試集上對(duì)待測(cè)點(diǎn)位置的預(yù)測(cè)結(jié)果如圖11所示，圖11中顯示利用回歸算法模型和分類算法模型得到的結(jié)果是最優(yōu)的，而且相差較小，分類的方案略優(yōu)于回歸的方法。本文重點(diǎn)采用的是分類的算法方案，SVM算法的預(yù)測(cè)準(zhǔn)確率相比于前兩者較差，而且預(yù)測(cè)正確率堆積在20%以下，因此SVM方案不適合本文的定位場(chǎng)景預(yù)測(cè)。在MLP方案中，第一隱含層神經(jīng)元數(shù)量設(shè)定為100， 第二隱含層設(shè)定神經(jīng)元數(shù)量為50，用此方案訓(xùn)練模型后對(duì)測(cè)試數(shù)據(jù)進(jìn)行結(jié)果預(yù)測(cè)時(shí)出現(xiàn)兩點(diǎn)震蕩的現(xiàn)象，調(diào)整參數(shù)后震蕩的位置有所變化，但是仍然得不到預(yù)期的結(jié)果，所以MLP方案也不能很好地適應(yīng)本文的應(yīng)用場(chǎng)景。

圖11 文獻(xiàn)中經(jīng)典的機(jī)器學(xué)習(xí)算法測(cè)試結(jié)果的CDF曲線

5 基于指紋定位的典型應(yīng)用場(chǎng)景

根據(jù)被定位的終端設(shè)備在定位過(guò)程中是否主動(dòng)尋求定位，把定位方案分為主動(dòng)定位和被動(dòng)定位方案。其中，如果設(shè)備主動(dòng)請(qǐng)求自己的位置信息并上報(bào)，稱之為主動(dòng)定位，比如GPS定位；如果設(shè)備提前約定或者在規(guī)則認(rèn)可的情況下，不經(jīng)過(guò)設(shè)備請(qǐng)求操作而被直接定位，稱之為被動(dòng)定位。

主動(dòng)定位適用于商業(yè)場(chǎng)景，比如地圖、導(dǎo)航、社交、游戲等；但有些場(chǎng)景因?yàn)橹苯佑绊懭松砑柏?cái)產(chǎn)安全，并且不具備主動(dòng)定位條件，這種場(chǎng)景需要被動(dòng)定位的支持，比如接警中心對(duì)報(bào)警人的定位、地震等自然災(zāi)害中對(duì)受災(zāi)群眾的定位、公安機(jī)關(guān)在抓捕行動(dòng)中對(duì)嫌疑人的定位等。

（1）應(yīng)用場(chǎng)景：110、122、12122等接警中心

目前，一般由報(bào)警人自行提供，這個(gè)過(guò)程中存在多種問(wèn)題：警情發(fā)生時(shí)，一般情況比較緊急，報(bào)警人提供位置信息耽誤寶貴時(shí)間；警情發(fā)生時(shí)，報(bào)警人處于緊張狀態(tài)，可能無(wú)法清晰描述自己的位置；在陌生環(huán)境下，報(bào)警人不知道自己的位置；有報(bào)假警的情況存在；突發(fā)狀況中斷報(bào)警電話，導(dǎo)致報(bào)警人處于危險(xiǎn)之中。

通過(guò)指紋定位系統(tǒng)，可以與接警中心聯(lián)動(dòng)，在受理接警電話的過(guò)程中，對(duì)報(bào)警人進(jìn)行定位。根據(jù)警情，接警的工作人員可以通過(guò)問(wèn)答等方式，快速對(duì)報(bào)警人定位，或者直接出警。

（2）應(yīng)用場(chǎng)景：嫌疑人的精準(zhǔn)鎖定及抓捕

公安機(jī)關(guān)對(duì)嫌疑人進(jìn)行抓捕的過(guò)程中，需要獲知嫌疑人的位置，由于嫌疑人不可能主動(dòng)上報(bào)位置，所以這個(gè)過(guò)程只能通過(guò)被動(dòng)定位來(lái)實(shí)現(xiàn)。指紋定位技術(shù)能夠相對(duì)精確地提供嫌疑人的位置區(qū)域，方便警方監(jiān)視、布控、抓捕。

（3）其他特殊場(chǎng)景

在地震等自然災(zāi)害中，可以通過(guò)指紋定位技術(shù)，反向查找受困群眾；在礦井等地下作業(yè)場(chǎng)景中，由于沒(méi)有GPS信號(hào)，通過(guò)指紋定位技術(shù)定位井下作業(yè)工人位置，提高生產(chǎn)安全水平；對(duì)社區(qū)矯正人員進(jìn)行實(shí)時(shí)監(jiān)控等。

6 結(jié)束語(yǔ)

本文提出了兩種基于機(jī)器學(xué)習(xí)算法的指紋定位方案，并從理論和仿真角度比較了兩種定位方案的復(fù)雜性和定位精確性。通過(guò)深入分析基于移動(dòng)通信網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)室外指紋定位方案，優(yōu)化了指紋定位算法方案的運(yùn)算效率和定位精度。通過(guò)仿真結(jié)果分析，比較了兩種基于機(jī)器學(xué)習(xí)的室外指紋定位算法方案的性能。目前采用的數(shù)據(jù)集為城區(qū)高樓環(huán)境，包括大量的室內(nèi)用戶終端，所以數(shù)據(jù)源本身的位置信息存在較嚴(yán)重的漂移現(xiàn)象，未來(lái)的工作將集中在對(duì)源數(shù)據(jù)的修復(fù)處理，提高數(shù)據(jù)源的質(zhì)量，并通過(guò)大量的數(shù)據(jù)訓(xùn)練、優(yōu)化機(jī)器學(xué)習(xí)的算法模型，提高指紋定位的精度。