張海永，方賢進*，張恩皖，李寶玉，彭超，穆健翔

基于測量報告信號聚類的指紋定位方法

張海永1，2，方賢進1*，張恩皖3，李寶玉2，彭超4，穆健翔2

（1.安徽理工大學 計算機科學與工程學院，安徽 淮南 232001； 2.科大國創(chuàng)云網(wǎng)科技有限公司，合肥 230088； 3.中國移動通信集團安徽有限公司，合肥 230088； 4.國防科技大學 電子對抗學院，合肥 230037）（?通信作者電子郵箱xjfang@aust.edu.cn）

針對基于加權(quán)最近鄰（WKNN）和機器學習算法的指紋庫定位方法存在精度和定位效率較低的問題，提出一種基于測量報告（MR）信號聚類的指紋定位方法。首先，把MR信號分為室內(nèi)、道路和室外這3種屬性；其次，利用地理信息系統(tǒng)（GIS）信息將柵格分為建筑物、道路和室外子區(qū)域，并將不同屬性的MR數(shù)據(jù)落入對應的屬性子區(qū)域；最后，借助均值（-Means）聚類算法對柵格內(nèi)的MR信號進行聚類分析，以創(chuàng)建子區(qū)域下的虛擬子區(qū)域，并采用WKNN算法對MR測試樣本進行匹配。此外，利用歐氏距離計算平均定位精度，并通過生產(chǎn)環(huán)境的一些MR數(shù)據(jù)測試了所提方法的定位性能。實驗結(jié)果表明，所提方法的50 m定位誤差占比為71.21%，相較于WKNN算法提升了2.64個百分點；平均定位定位誤差為44.73 m，相較于WKNN算法降低了7.60 m。所提方法具備良好的定位精度和效率，可滿足生產(chǎn)環(huán)境中MR數(shù)據(jù)的定位需求。

測量報告；定位；信號聚類；加權(quán)K最近鄰算法；歐氏距離

0 引言

位置能力是運營商數(shù)據(jù)核心能力之一［1］，在對內(nèi)運維優(yōu)化、精準營銷，對外數(shù)據(jù)變現(xiàn)、行業(yè)應用支撐等［2-3］方面起著至關(guān)重要的作用。室外定位方法中，雖然已有基站定位［4］、到達時間（Time Of Arrival， TOA）定位［5］、到達時間差（Time Difference Of Arrival， TDOA）定位［6-7］、到達角度（Angle of Arrival，AOA）定位［8-9］、無線網(wǎng)絡(luò)技術(shù)（Wireless Fidelity，Wi-Fi）定位［10-11］等定位方法，但是在實際應用中，基站定位精度一般在200 m以上，無法滿足高精度定位的業(yè)務需求；而基于TOA、TDOA定位方法至少需要3個基站才能估算目標位置，AOA定位方法至少需要2個基站才能估算目標位置，且該類方法對數(shù)據(jù)質(zhì)量、時間同步要求較高，定位精度較差。Wi-Fi定位方法，需要建設(shè)大量的無線接入點（Access Point， AP），投入成本較大，不適合當前室外定位的場景。當前，運營商主流且能夠提供較為準確位置能力的技術(shù)是基于測量報告（Measurement Report， MR）的指紋定位技術(shù)［12］。MR數(shù)據(jù)可通過無線管理平臺進行周期性配置或者事件觸發(fā)式配置，使手機終端上報毫秒級MR。MR記錄了用戶手機在業(yè)務過程中的主服務小區(qū)ID、鄰服務小區(qū)ID、信號強度、時間提前量和方位角等一系列無線信息，具有更全面、更完整、更易取得的優(yōu)點。

本文的主要工作如下：

1）提出一種基于MR信號聚類的指紋定位方法，通過對柵格中的信號聚類分析，提升在復雜的地理環(huán)境下MR定位的精度。

2）在數(shù)據(jù)處理過程中，基于信號傳播特征，對MR樣本數(shù)據(jù)進行了有效清洗和缺失值處理；并通過對柵格的劃分和聚類分析，可以將位置定位至柵格內(nèi)的任意聚類中心。

3）通過實驗證明，將柵格劃分更小，僅空間聚類而不考慮信號間特性，并不能提升定位精度；通過柵格中基于信號聚類分析，可以有效提升定位精度，并且保證了定位的性能。

1 相關(guān)工作

在運營商位置應用場景中，對MR定位的精度和效率有著明確的要求。為此，眾多學者在此方面進行了探索。相較于基于加權(quán)最近鄰（Weighted-Nearest Neighbor， WKNN）算法［13］實現(xiàn)的MR指紋庫定位方式，當前前沿的是利用機器學習算法實現(xiàn)MR指紋庫定位精度的提升，Zhang等［14-15］提出了一種上下文感知的定位技術(shù)RLoc（context-awaRe telco Localization），該技術(shù)引入兩階段自適應隱馬爾可夫模型，以計算MR樣本序列的置信度，找出有缺陷的MR樣本，并計算位置轉(zhuǎn)移的可能性，再通過動態(tài)路徑規(guī)劃的方法修復路徑缺陷序列，從而提升電信定位精度；然而該技術(shù)面對運營商TB級別的MR數(shù)據(jù)時，計算性能存在著極大的考驗。王寧等［16］提出一種基于機器學習算法設(shè)計高精度混合定位算法的思想，采用AdaBoost算法對同區(qū)域具備定位信息標簽的MR數(shù)據(jù)進行模型訓練，該模型可對定位信息缺失的MR數(shù)據(jù)進行較高精度的定位信息重構(gòu)，并且具有較好的性能和定位精度；但是該方法基于基站扇區(qū)維度的指紋庫構(gòu)建，而一個基站扇區(qū)覆蓋范圍較大，在運營商大數(shù)據(jù)下，計算復雜度將成倍增長。周志超等［17］提出基于移動蜂窩網(wǎng)的機器學習室外指紋定位方案，通過柵格化和非柵格化兩種方式，利用機器學習實現(xiàn)對MR的定位；然而其中基于柵格化的方式只能將定位位置定位于單點位置，存在較大的性能折損，基于非柵格化的方式雖然沒有性能折損，但是定位精度較低。

Toril等［18］研究了長期演進（Long Term Evolution， LTE）技術(shù)網(wǎng)絡(luò)道路場景中無線電信號強度波動情況，顯示同一地理位置信號電平最高偏差23 dBm。Micheli等［19］分析了手機報告的最小化路測數(shù)據(jù)，發(fā)現(xiàn)陰雨天氣會對LTE車載電磁傳播產(chǎn)生較大影響。上述研究成果表明，真實環(huán)境會對MR定位產(chǎn)生了較大的影響。此外，指紋庫建設(shè)龐大，針對一個城市需要完成千萬數(shù)據(jù)集的訓練，并實現(xiàn)每日百億次的數(shù)據(jù)定位能力，對硬件設(shè)備和定位性能有著嚴峻的考驗；因此需要在保障定位精度的情況下，實現(xiàn)高效的定位能力，以滿足業(yè)務需求。

針對上述的需求與挑戰(zhàn)，受柵格化的MR指紋庫啟發(fā)，本文設(shè)計了一種基于MR信號聚類的指紋定位方法。該方法在原有柵格化的基礎(chǔ)上，創(chuàng)新性地引入了建筑物、道路的地理信息系統(tǒng)（Geographic Information System，GIS）數(shù)據(jù)，將柵格細分為建筑物、道路和室外子區(qū)域?？紤]不同區(qū)域內(nèi)信號的差異，利用均值（-Means）聚類算法對各個子區(qū)域進行聚類計算，各個聚類中心作為定位點。該方法一方面豐富了定位區(qū)域，降低了性能折損，提升了定位精度；另一方面具有較高的定位性能，可以滿足定位業(yè)務性能的需求。

2 MR信號聚類總體框架

MR信號聚類的總體框架如圖1所示，主要包含5個模塊：MR樣本數(shù)據(jù)集構(gòu)建模塊、MR數(shù)據(jù)預處理模塊、柵格劃分模塊、MR指紋庫構(gòu)建模塊、MR指紋庫定位和評估模塊。

圖1　MR信號聚類的總體框架

2.1　MR樣本數(shù)據(jù)集構(gòu)建模塊

由于MR數(shù)據(jù)沒有用戶號碼和位置信息，需要與S1接口移動管理實體（Mobility Management Entity， MME）信令數(shù)據(jù)通過三元組（MME碼，MME組標碼，應用程序標識）進行關(guān)聯(lián)，獲取用戶號碼信息，再通過與S1-U用戶上網(wǎng)話單數(shù)據(jù)中的用戶號碼進行關(guān)聯(lián)，從而回填部分MR數(shù)據(jù)的位置信息；然而S1-U上網(wǎng)話單中的位置信息是通過解析用戶上網(wǎng)請求過程中上報的位置獲得，具有經(jīng)緯度的S1-U數(shù)據(jù)不足1%。因此，通過3種數(shù)據(jù)源的關(guān)聯(lián)，可以構(gòu)建一定量含有經(jīng)緯度的MR樣本集，樣本集包含主、鄰全球小區(qū)識別碼（Cell Global Identifier， CGI）、參考信號接收功率（Reference Signal Receiving Power， RSRP）、時間提前量（Time Advanced， TA）和關(guān)聯(lián)的經(jīng)度、緯度，用于MR指紋庫建庫。

本文所用符號說明如表1所示。

2.2　MR數(shù)據(jù)預處理模塊

1）MR樣本數(shù)據(jù)分類。

MR樣本點在不同環(huán)境下具有不同的地理屬性，可以通過位置移動、信號變化和基站類型等進行判斷，從而劃分MR樣本點的地理屬性。MR樣本點根據(jù)地理屬性可劃分為室內(nèi)樣本點、道路樣本點、室外樣本點這3種類型。基站類型一般劃分為室分基站和室外基站，其中室分基站一般部署在大型寫字樓內(nèi)，覆蓋范圍較小。MR室內(nèi)樣本點通過判斷上報的基站是否為室分基站，確定MR樣本點是否為室內(nèi)樣本點。如果沒有使用室分基站，由于室內(nèi)信號在無室分情況下存在信號大幅衰減現(xiàn)象，因此可以通過MR連續(xù)信號變化模擬用戶進出室內(nèi)的過程，從而提取MR室內(nèi)樣本點。MR道路樣本點則通過用戶速度、基站切換、基站的場景和信號穩(wěn)定性進行判斷：通過速度可以識別高速行駛用戶；通過基站切換相似度匹配可以獲取相似軌跡的用戶；通過基站工參部署的場景為地鐵，則可以提取地鐵線路上的MR樣本等。識別以上兩種MR室內(nèi)樣本點、MR道路樣本點后，其余數(shù)據(jù)歸為MR室外樣本點。最終，模型輸出為CGI、TA、RSRP、LON、LAT、MR屬性（室外樣本點、室內(nèi)樣本點、道路樣本點）。

2）異常值處理。

基站在城區(qū)一般覆蓋范圍為200～500 m，由于存在過覆蓋和信號漂移現(xiàn)象，導致定位點樣本經(jīng)緯度不準確。對此，通過計算基站位置和終端位置計算基站和采集終端的水平位置；再根據(jù)基站參數(shù)站高，通過勾股定理計算基站到終端的歐氏距離，如圖2所示。

圖2　信號傳播距離模型

Fig.2　Signal propagation distance model

MR中TA可以表示為基站與終端的距離范圍。表2為TA值與最大和最小采樣時間的關(guān)系表［20］。

表2　TA關(guān)系

表2中，Ts是LTE中正交頻分復用（Orthogonal Frequency Division Multiplexing， OFDM）技術(shù)符號快速傅里葉變換（Fast Fourier Transform， FFT）大小為2 048點的采樣時間（分辨率），即OFDM時域符號持續(xù)時間為2 048 Ts=1 s/15 kHz。由于無線端口與終端的傳播速度約為光速，則1 Ts可表示距離（單位：m）為：

因此可計算出：

此處定義合理率，即

2.3　柵格劃分模塊

柵格劃分的一般方式是將地理區(qū)域劃分成50 m×50 m的柵格，然后對柵格內(nèi)所有的數(shù)據(jù)點根據(jù)主鄰小區(qū)進行統(tǒng)計、分組和建模計算，并以柵格的中心點作為定位結(jié)果的位置；然而此種方式很容易造成特征失真，定位點單一，且性能折損較大。因此通過引入城市建筑物和道路的GIS信息，并對該GIS數(shù)據(jù)進行處理和劃分，使得柵格具有建筑物、道路和室外屬性的子區(qū)域，極大豐富了定位位置［21］。

對GIS數(shù)據(jù)處理步驟如下：

步驟1 獲取GIS建筑物和道路數(shù)據(jù)進行預處理，生成格式化道路和建筑物數(shù)據(jù)。

步驟2 原始道路數(shù)據(jù)是一條直線，根據(jù)道路的屬性進行橫向擴展，并形成封閉道路區(qū)域。

步驟3 計算柵格與封閉區(qū)域交叉點。

步驟4 對柵格邊界點數(shù)據(jù)進行插值填充。

步驟5 判斷道路和建筑物與柵格之間是否生成封閉區(qū)域：如是，則生成子區(qū)域，并遍歷該子區(qū)域封閉區(qū)間點；否則，繼續(xù)判斷是否生成封閉區(qū)域。

步驟6 輸出所有子區(qū)域，柵格劃分完成。

最終劃分結(jié)果如圖3所示。模型輸出為GRID_ID、GRID_SUB_ID、GRID_SUB_TYPE（室內(nèi)、室外、道路）、GRID_SUB_ORDER，利用以上輸出的GIS信息可以計算MR樣本數(shù)據(jù)所屬的柵格子區(qū)域。

圖3　柵格劃分結(jié)果

2.4　MR指紋庫構(gòu)建模塊

1）填充子柵格特征信息。

根據(jù)以上的步驟，將MR數(shù)據(jù)點分成建筑物、道路和室外這3種類型，并且將柵格內(nèi)的區(qū)域分成了建筑物子區(qū)域、道路子區(qū)域和室外子區(qū)域這3種類型。為了將各數(shù)據(jù)點匹配到相應區(qū)域，需要將MR數(shù)據(jù)落入對應子區(qū)域。首先，針對MR屬性和位置屬性完全匹配的MR樣本點，采用直接落入對應子區(qū)域的處理方式；其次，對于MR屬性和位置屬性不匹配的情況，拓展建筑物和道路區(qū)域，計算具有屬性的MR樣本點距離對應屬性子區(qū)域的最近距離，并設(shè)置對應閾值，保留在閾值內(nèi)的數(shù)據(jù)；最后，舍棄落入建筑物和道路子區(qū)域但是屬性不匹配的MR樣本點，保留室外情況的MR樣本點，并歸為室外數(shù)據(jù)。最終模型輸出為CGI、TA、RSRP、LON、LAT和GRID_SUB_ID。

2）MR信號聚類預處理。

為了滿足聚類算法要求，保證數(shù)據(jù)準確性，需要對缺失值進行處理，應當考慮以下兩個準則：

采集準則 MR采集過程中，手機終端上報測量主鄰服務小區(qū)信號時，采集信號主要來自周邊信號較好的小區(qū)，如果該信號缺失，可能是由于該CGI信號較弱，因此可以用已有該CGI電平的均值替代缺失值。

聚類算法分類準則 缺失值處理最主要的目的就是統(tǒng)一特征，利用聚類算法實現(xiàn)聚類，所以理論上添加的值與正常的值應該存在明顯差異，所以添補值應當與真實值存在差異。

具體處理步驟如下：

步驟1 計算子柵格內(nèi)MR樣本點缺失的CGI、缺失CGI占比和平均電平值_。

表3　w與p的對應關(guān)系

3）MR信號聚類。

通過對50 m×50 m的MR柵格中的數(shù)據(jù)觀察，當MR柵格中存在建筑物、高架等復雜環(huán)境時，MR信號存在明顯的變化和差異。一般MR指紋庫建庫方法是通過對柵格內(nèi)的MR數(shù)據(jù)進行數(shù)據(jù)匯總統(tǒng)計，或者對區(qū)域整體進行機器學習算法分析，忽略了MR柵格中主、鄰小區(qū)的信號強度的差別，從而提取的MR柵格特征容易存在特征失真，導致定位精度不足或者計算難度較大。為了解決MR柵格中未考慮柵格內(nèi)復雜環(huán)境導致的特征失真、定位位置單一和不適用于實際應用生產(chǎn)中的問題，本文利用-Means聚類算法對子柵格內(nèi)的MR信號進行聚類分析。

MR信號聚類的算法步驟如下：

步驟1 根據(jù)確定子柵格內(nèi)聚類的簇數(shù)。

步驟2 根據(jù)子柵格內(nèi)聚類的簇數(shù)，任選其中個點作為起始點，分別計算每行信號的歐氏距離。令某個起始點為第行，則有：

步驟3 根據(jù)以上聚類結(jié)果，計算每個簇的新的聚類中心。

步驟4 重復步驟2～3，直至小于指定閾值，停止迭代。

計算整個數(shù)據(jù)集的誤差平方和（Sum of Squared Errors，SSE）評價聚類效果，則有：

當聚類結(jié)果的SSE的變化小于事先設(shè)定閾值時，迭代停止。

-Means的聚類結(jié)果受參數(shù)的初始設(shè)置影響較大，因此有必要對-Means聚類結(jié)果進行量化評價。雖然已有了蘭德指數(shù)、互信息、同質(zhì)化等聚類量化評價方法，但是針對本模型主要是區(qū)分MR柵格內(nèi)的不同區(qū)域的信號差異，避免特征失真，因此度量標準采用將柵格特征建庫與MR信號聚類建庫結(jié)果，通過MR測試數(shù)據(jù)定位方式，對定位誤差進行統(tǒng)計度量，以此說明MR信號聚類的方法的建庫有效性。

最終，輸出CGI、TA、RSRP、LON、LAT、GRID_SUB_ID和GROUP_ID。

2.5　MR指紋庫定位和評估模塊

1）MR指紋庫定位。

MR樣本數(shù)據(jù)中，存在大量數(shù)據(jù)缺失經(jīng)緯度信息，利用MR指紋庫對該缺失位置的MR數(shù)據(jù)進行位置修復。首先，通過粗匹配方法，取出能夠匹配上主基站CGI和時間提前量TA的指紋記錄；然后，統(tǒng)計匹配鄰區(qū)數(shù)量和計算各個匹配指紋的信號強度方差，進行排序計算；最后，取出排名前3的指紋庫記錄所在的虛擬子區(qū)域（子區(qū)域內(nèi)的簇），通過對3個聚類中心進行加權(quán)計算，最終輸出最終的MR定位位置。

2）MR指紋庫評估。

MR樣本數(shù)據(jù)集中，取出包含經(jīng)緯度非建庫MR數(shù)據(jù)，進行MR定位，定位結(jié)束后，計算原坐標位置與定位位置之間的距離，從而估算定位誤差，并計算相關(guān)分析指標。

3 實驗與結(jié)果分析

3.1　實驗環(huán)境與數(shù)據(jù)集

本文實驗數(shù)據(jù)來源于安徽移動大數(shù)據(jù)平臺，MR數(shù)據(jù)由網(wǎng)管平臺進行統(tǒng)一管理，通過周期上報或者事件觸發(fā)方式使用戶手機終端上報MR數(shù)據(jù)，如圖4所示。采集到的MR原始文件為壓縮文件包，通過對文件的解壓、可擴展標記語言（eXtensible Markup Language， XML）文件解析等操作，將格式化的MR文件上傳至安徽移動大數(shù)據(jù)平臺，并構(gòu)建以小時為分區(qū)的Hive表，每15 min解析文件6萬余個，生成MR數(shù)據(jù)文件約180 GB。

圖4　MR原始數(shù)據(jù)

本文實驗采用安徽移動MR數(shù)據(jù)進行建模分析，為保障模型的通用性，如圖5所示，在城區(qū)選取了連續(xù)片區(qū)7 km2的范圍（經(jīng)度范圍117.263°E—117.294°E，緯度范圍31.855°N—31.876°N），總柵格數(shù)量2 576。通過3個月的數(shù)據(jù)采集積累，經(jīng)過數(shù)據(jù)關(guān)聯(lián)、預處理后共采集MR記錄數(shù)62 401條。本模型按照5∶1劃分訓練集和測試集。為保證每個柵格中驗證集和測試集的均勻分布，通過柵格ID對柵格內(nèi)MR數(shù)據(jù)進行序列排序，采用6次6折交叉驗證，整體評估定位精度。雖然MR上報存在隨機性，可能會存在柵格內(nèi)樣本點分布不均的情況，但由于模型可根據(jù)子柵格內(nèi)樣本點數(shù)調(diào)整分群數(shù)量，因此對模型的整體水平影響可忽略。

圖5　測試區(qū)域

3.2　評價指標

本文采用位置指紋法中主流的算法——WKNN算法［13］，選取與當前MR信號最鄰近的個指紋的位置，利用加權(quán)平均的方法估計當前位置，簡單直觀有效。

因此：

3.3　實驗結(jié)果與分析

由于Spark對大數(shù)據(jù)處理具有良好的性能，本文使用Hadoop大數(shù)據(jù)平臺，利用分布式計算框架Spark完成聚類、MR指紋庫建庫及定位測試實驗，使用總內(nèi)存64 GB，CPU核心數(shù)4個，單核線程4個。

為了測試-Means分群算法和柵格劃分的大小對定位精度的影響，本文設(shè)計了4個方案構(gòu)建MR指紋庫，并統(tǒng)計了4個指紋庫的定位誤差。方案A使用WKNN方法進行定位；方案B使用柵格子區(qū)域+WKNN方法進行定位；方案C使用-Means分群+WKNN方法進行定位；方案D使用柵格子區(qū)域+-Means分群+WKNN方法進行定位。

通過6次6折交叉驗證法，分別統(tǒng)計兩種方式下的定位精度，并對相關(guān)指標進行了統(tǒng)計，統(tǒng)計結(jié)果如表4所示，平均定位誤差（Average Positioning Error， APE）為重要的衡量指標。

表4平均定位誤差統(tǒng)計 單位：m

Tab.4　Statistics of APE unit：m

實驗結(jié)果表明，方案A使用WKNN的平均定位誤差均值52.33 m，方案D的平均定位誤差均值44.73 m，方案D的平均定位誤差比方案A使用WKNN建庫方法低7.60 m。方案D定位方法定位精度明顯提升。

表5不同方案的誤差結(jié)果分析

Tab.5　Analysis of error results of different schemes

圖6　不同方案的聚類定位結(jié)果比較

表6不同方案的MR定位結(jié)果比較 單位：m

Tab.6　MR positioning results of different schemes unit：m

3.4　定位效率測試

基于以上單機總內(nèi)存64 GB，CPU核心數(shù)為4，單核線程數(shù)為4的服務器通過Spark1.6進行定位測試，多次測試完成62 401條記錄的時間約為51 s。

為了充分檢驗本文方法的定位效率，利用安徽移動大數(shù)據(jù)平臺（內(nèi)存資源約5 TB，Spark任務提交執(zhí)行器數(shù)為250，執(zhí)行器內(nèi)存為20 GB，單個執(zhí)行器核數(shù)為2）連續(xù)測試7 d的合肥市（每日約15億條）MR數(shù)據(jù)定位效率，如表7所示，完成15億條MR數(shù)據(jù)的平均定位時間約47.14 min，可以滿足安徽移動全省MR定位的業(yè)務需求。

表7　MR定位效率分析

3.5　實踐與應用

本文方法可以實現(xiàn)對人員位置的精準定位，滿足運營商對人員位置、交通流量、弱覆蓋、城市熱力分析等多方面的應用要求［22］。該方法當前已經(jīng)應用于安徽移動生產(chǎn)環(huán)境，完成每日百億次定位，精度較高且性能良好，在人員定位、弱覆蓋分析、精準營銷和職住分析等位置類分析應用中發(fā)揮了重大作用。如圖7所示，該定位能力可以精準刻畫用戶軌跡，挖掘用戶通勤線路，實現(xiàn)對城市道路交通熱力的評估。此外，基于MR中的信號強度、定位位置和GIS信息，可以實現(xiàn)對道路、建筑物信號的分場景評估，實現(xiàn)對城市道路弱覆蓋、樓宇弱覆蓋的分析，從而協(xié)助網(wǎng)優(yōu)部門實現(xiàn)對特定場景的無線覆蓋優(yōu)化。最后，基于海量的用戶位置信息，可以分析城市熱力分布，從而為城市規(guī)劃、智慧城市的建設(shè)提供數(shù)據(jù)支撐。

圖7　MR定位應用示例

4 結(jié)語

本文提出了基于MR信號聚類的指紋定位方法。首先，創(chuàng)新性地引入了GIS數(shù)據(jù)，并將MR數(shù)據(jù)點賦予了室內(nèi)、道路、室外的屬性；其次，對MR數(shù)據(jù)進行了有效清洗，將MR數(shù)據(jù)點落入對應屬性的子區(qū)域，通過-Means聚類算法在復雜的地理環(huán)境下實現(xiàn)MR柵格信號特征聚類，從而擴充了MR指紋庫定位位置；最后，構(gòu)建MR指紋庫，利用WKNN方法實現(xiàn)MR指紋定位，通過交叉驗證法進行對比實驗。實驗結(jié)果表明，基于MR信號聚類的指紋定位方法能夠有效地提升MR柵格的定位精度，定位誤差50 m內(nèi)占比71.21%，中值誤差22 m，平均定位誤差44.73 m，并且具備良好的定位性能。MR高精度定位在人員追蹤、交通規(guī)劃和網(wǎng)絡(luò)優(yōu)化等方面發(fā)揮著巨大的作用，隨著5G建設(shè)，5G基站頻率高，覆蓋范圍更小［23］，且4G和5G長期協(xié)同工作，實現(xiàn)4G、5G協(xié)同超高精度定位［24-25］將是下一步的研究方向。

[1] DEL PERAL-ROSADO J D， RAULEFS R， LóPEZ-SALCEDO J A， et al. Survey of cellular mobile radio localization methods： from 1G to 5G［J］. IEEE Communications Surveys and Tutorials， 2018， 20（2）：1124-1148.

[2] 武青. 基于指紋庫和無線測量報告的用戶定位系統(tǒng)［D］. 北京：北京郵電大學， 2021：1-2.（WU Q. User localization system based on fingerprint database and measurement report［D］. Beijing： Beijing University of Posts and Telecommunications， 2021：1-2.）

[3] 康軍，黃山，段宗濤，等.時空軌跡序列模式挖掘方法綜述［J］. 計算機應用， 2021， 41（8）： 2379-2385.（KANG J， HUANG S， DUAN Z T， et al. Review of spatio-temporal trajectory sequence pattern mining methods［J］. Journal of Computer Applications， 2021， 41（8）： 2379-2385.）

[4] 元廣杰，李小東，江照意，等.路測數(shù)據(jù)驅(qū)動的移動終端定位方法［J］. 計算機應用， 2016， 36（12）： 3515-3520.（YUAN G J， LI X D， JIANG Z Y， et al. Mobile terminal positioning method driven by road test data［J］. Journal of Computer Applications， 2016， 36（12）： 3515-3520.）

[5] 張齊林，李方偉，王明月.基于時間反演的到達時間定位［J］. 計算機應用， 2021， 41（3）： 820-824.（ZHANG Q L， LI F W， WANG M Y. Time of arrival positioning based on time reversal［J］. Journal of Computer Applications， 2021， 41（3）： 820-824.）

[6] LIU Y， GUO F. Performance analysis of TDOA and FDOA estimation for pulse signals［J］. International Journal of Antennas and Propagation， 2022， 2022： No.7672417.

[7] DíEZ-GONZáLEZ J， áVAREZ R， VERDE P， et al. Analysis of reliable deployment of TDOA local positioning architectures［J］. Neurocomputing， 2022， 484： 149-160.

[8] CHANG A C， CHANG J C. Robust mobile location estimation using hybrid TOA/AOA measurements in cellular systems［J］. Wireless Personal Communications， 2012， 65（1）： 1-13.

[9] LI Y Y， QI G Q， SHENG A D. Performance metric on the best achievable accuracy for hybrid TOA/AOA target localization［J］. IEEE Communications Letters， 2018， 22（7）： 1474-1477.

[10] ZHOU M， LI Y， TAHIR M J， et al. Integrated statistical test of signal distributions and access point contributions for Wi-Fi indoor localization［J］. IEEE Transactions on Vehicular Technology， 2021， 70（5）： 5057-5070.

[11] WANG B， GAN X， LIU X， et al. A novel weighted KNN algorithm based on RSS similarity and position distance for Wi-Fi fingerprint positioning ［J］. IEEE Access， 2020，8： 30591-30602.

[12] VO Q D， DE P. A survey of fingerprint-based outdoor localization［J］. IEEE Communications Surveys and Tutorials， 2016， 18（1）： 491-506.

[13] ZHANG L， CHU X， ZHAI M. Machine learning-based integrated wireless sensing and positioning for cellular network［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： No.5501011.

[14] ZHANG Y， RAO W， YUAN M， et al. Context-aware telco outdoor localization ［J］. IEEE Transactions on Mobile Computing， 2022， 21（4）： 1211-1225.

[15] ZHANG Y， DING A Y， OTT J， et al. Transfer learning-based outdoor position recovery with cellular data ［J］. IEEE Transactions on Mobile Computing， 2021， 20（5）： 2094-2110.

[16] 王寧，劉旭峰，賈元啟，等. 基于機器學習的LTE-MR定位算法研究與應用范例［J］. 北京交通大學學報， 2021， 45（2）： 87-94， 110.（WANG N，LIU X F， JIA Y Q， et al. Algorithm design and application example of machine learning-based LTE-MR positioning technique ［J］. Journal of Beijing Jiaotong University， 2021， 45（2）： 87-94， 110.）

[17] 周志超，馮毅，夏小涵，等.基于移動蜂窩網(wǎng)的機器學習室外指紋定位方案［J］. 電信科學， 2021， 37（8）： 85-95.（ZHOU Z C， FENG Y， XIA X H， et al. Outdoor location scheme with fingerprinting based on machine learning of mobile cellular network［J］. Telecommunications Science， 2021， 37（8）： 85-95.）

[18] TORIL M， WILLE V， LUNA-RAMíREZ S， et al. Characterization of radio signal strength fluctuations in road scenarios for cellular vehicular network planning in LTE ［J］. IEEE Access， 2021， 9： 33120-33131.

[19] MICHELI D， MURATORE G， VANNELLI A， et al. Rain effect on 4G LTE in-car electromagnetic propagation analyzed through MDT radio data measurement reported by mobile phones［J］. IEEE Transactions on Antennas and Propagation， 2021， 69（12）： 8641-8651.

[20] 中國通信標準化協(xié)會. TD-LTE數(shù)字蜂窩移動通信網(wǎng)無線操作維護中心（OMC-R）測量報告技術(shù)要求： YD/T 2824—2015［S］. 北京：中國標準出版社， 2015：7-8.（China Communications Standards Association. TD-LTE digital cell mobile communications network OMC-R measurement report technical specification： YD/T 2824—2015 ［S］. Beijing： Standards Press of China， 2015：7-8.）

[21] 科大國創(chuàng)軟件股份有限公司. 一種基于GIS數(shù)據(jù)進行柵格子區(qū)域劃分的方法及裝置： 201811625700.4［P］. 2019-05-17.（GuoChuang Cloud Technology Company Limited. A method and equipment for dividing grid areas based on GIS data set： 201811625700.4 ［P］. 2019-05-17.）

[22] 劉大有，陳慧靈，齊紅，等.時空數(shù)據(jù)挖掘研究進展［J］. 計算機研究與發(fā)展， 2013， 50（2）： 225-239.（LIU D Y， CHEN H L， QI H， et al. Advances in spatiotemporal data mining［J］. Journal of Computer Research and Development， 2013， 50（2）： 225-239.）

[23] 張平，陳昊.面向5G的定位技術(shù)研究綜述［J］. 北京郵電大學學報， 2018， 41（5）： 1-12.（ZHANG P， CHEN H. A survey of positioning technology for 5G ［J］. Journal of Beijing University of Posts and Telecommunications， 2018， 41（5）： 1-12.）

[24] DWIVEDI S， SHREEVASTAV R， MUNIER F， et al. Positioning in 5G networks［J］. IEEE Communications Magazine， 2021， 59（11）： 38-44.

[25] KANHERE O， RAPPAPORT T S. Position location for futuristic cellular communications： 5G and beyond［J］. IEEE Communications Magazine， 2021， 59（1）： 70-75.

Fingerprint positioning method based on measurement report signal clustering

ZHANG Haiyong1，2， FANG Xianjin1*， ZHANG Enwan3， LI Baoyu2， PENG Chao4， MU Jianxiang2

（1，，232001，；2，230088，；3，230088，；4，，230037，）

Aiming at the problems of low positioning precision and efficiency of fingerprint positioning methods based on Weighted-Nearest Neighbor （WKNN） and machine learning algorithms， a fingerprint positioning method based on Measurement Report （MR） signal clustering was proposed. Firstly， MR signals were divided into three attributes： indoor， road and outdoor. Then， by using the Geographic Information System （GIS） information， the grids were divided into building， road and outdoor sub-regions， and MR data with different attributes were placed in the sub-regions with corresponding attributes. Finally， with the help of-Means clustering algorithm， MR signals in the grid were clustered and analyzed to create virtual sub-regions under the sub-region， and WKNN algorithm was used to match MR test samples. Besides， the average positioning accuracy was calculated by using the Euclidean distance， and the positioning performance of the proposed method was tested by some MR data in the production environment. Experimental results show that the proportion of 50 m positioning error of the proposed method is 71.21%， which is 2.64 percentage points higher than that of WKNN algorithm， and the average positioning error of the proposed method is 44.73 m， which is 7.60 m lower than that of WKNN algorithm. It can be seen that the proposed method has good positioning precision and efficiency， and can meet the positioning requirements of MR data in the production environment.

Measurement Report (MR); positioning; signal clustering; Weighted K-Nearest Neighbor (WKNN) algorithm; Euclidean distance

This work is partially supported by Anhui University of Science and Technology Innovation Fund （2022CX2129）， Research and Development Special Fund of Institute of Environment-friendly Materials and Occupational Health （Wuhu） of Anhui University of Science and Technology （ALW2021YF08）.

ZHANG Haiyong， born in 1992， M. S. candidate. His research interests include operator big data， machine learning.

FANG Xianjin， born in 1970， Ph. D.， professor. His research interests include privacy protection， artificial intelligence security.

ZHANG Enwan， born in 1982， M. S. His research interests include artificial intelligence， operator big data.

LI Baoyu， born in 1982， M. S. His research interests include artificial intelligence， operator big data.

PENG Chao， born in 1994， M. S. His research interests include complex network， artificial intelligence.

MU Jianxiang， born in 1993. His research interests include operator big data.

TP391.9

A

1001-9081（2023）12-3947-08

10.11772/j.issn.1001-9081.2023010005

2023?01?04；

2023?04?23；

2023?04?24。

安徽理工大學創(chuàng)新基金資助項目（2022CX2129）；安徽理工大學環(huán)境友好材料與職業(yè)健康研究院（蕪湖）研發(fā)專項基金資助項目（ALW2021YF08）。

張海永（1992—），男，安徽合肥人，碩士研究生，主要研究方向：運營商大數(shù)據(jù)、機器學習；方賢進（1970—），男，安徽六安人，教授，博士生導師，博士，高級CCF會員，主要研究方向：隱私保護、人工智能安全；張恩皖（1982—），男，安徽合肥人，碩士，主要研究方向：人工智能、運營商大數(shù)據(jù)；李寶玉（1982—），男，安徽安慶人，碩士，主要研究方向：人工智能、運營商大數(shù)據(jù)；彭超（1994—），男，安徽合肥人，碩士，主要研究方向：復雜網(wǎng)絡(luò)、人工智能；穆健翔（1993—），男，安徽阜陽人，主要研究方向：運營商大數(shù)據(jù)。