[發明專利]一種采用深度學習融合網絡模型確定手機用戶位置的方法

有效

• 申請號: 201811468582.0
• 申請日: 2018-12-03
• 公開（公告）號: CN109743683B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 王靜遠;李旭橋;李劍鋒;李超
• 申請（專利權）人: 北京航空航天大學
• 主分類號: H04W4/029
• 分類號: H04W4/029;H04W64/00;G06N3/08;G06N3/04
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 冀學軍

1.一種采用深度學習融合網絡模型確定手機用戶位置的方法，其特征在于有下列處理步驟：

步驟一，對用戶手機記錄數據和工參數據利用深度學習中的棧式自編碼器和卷積神經網絡分別提取出小區BS的工參特征SAE_Features和地形高度特征Cen_Area；而后將其輸入到全連接神經網絡進行特征融合，使兩種不同的特征能夠進行共享并預測出用戶的經緯度位置，從而實現高精度定位；

所述小區BS是指每個移動通信基站都存在有自已的覆蓋區域，對所述覆蓋區域采用信號強弱劃分為多個小區；

步驟二，采用深度學習中的棧式自編碼器方法對用戶手機能夠接收到多個小區BS的信號、經緯度特征、手機位置的室內標簽或者外標簽進行處理，得到棧式自編碼器模型的輸入特征，記為Model_Features；然后將Model_Features在棧式自編碼器模型中進行訓練，得到手機用戶所在位置是屬于室內還是室外；若為室內，則執行步驟一；若為室外，則執行步驟三；

步驟三，采用深度學習中的棧式自編碼器對用戶手機記錄數據和工參數據進行處理，得到連續時段內手機用戶的位置軌跡；然后采用深度學習中的長短時記憶網絡對所述手機用戶的位置軌跡進行糾偏，得到糾偏后位置軌跡；最后采用卡爾曼濾波對糾偏后位置軌跡進行平滑處理，得到優化后的手機用戶的位置軌跡。

2.根據權利要求1所述的采用深度學習融合網絡模型確定手機用戶位置的方法，其特征在于：在步驟一的具體步驟為：

步驟11：將手機記錄數據和工參數據作為棧式自編碼器的輸入信息，通過過濾、清洗及歸一化等處理得到棧式自編碼器的輸入特征；

手機周邊小區的工參數據格式：

[CRS_RSRP,M_Lon,M_Lat,

M_Azimuth,M_Tilt,M_Height,M_Power，

N1_RSRP,N1_Lon,N1_Lat,

N1_Azimuth,N1_Tilt,N1_Height,N1_Power,

N2_RSRP,N2_Lon,N2_Lat,

N2_Azimuth,N2_Tilt,N2_Height,N2_Power,

N3_RSRP,N3_Lon,N3_Lat,

N3_Azimuth,N3_Tilt,N3_Height,N3_Power]

其中，工參數據屬于主小區M，剩余的工參數據屬于選出的最有代表性的3個鄰區Ni(i＝1,2,3)，即模型中棧式自編碼器部分所需的輸入為28個元素；

而后要對以上28個元素按照不同的參數類別進行歸一化，其中歸一化的公式分別為：

對于經緯度坐標，包括手機用戶當前的經緯度坐標(U_Lon,U_Lat)和所有小區的經緯度坐標(BS_Lon,BS_Lat)，由于不同地區的經緯度范圍不同，因此采用了相對經緯度，即首先求出每條手機記錄中4個小區的質心經緯度(Cen_Lon,Cen_Lat)，計算公式為：

而后對每個經緯度坐標首先計算與質心經緯度的差值(Lon_Offset,Lat_Offset)，再對該差值進行歸一化，計算公式如下：

Lon_相對值＝Lon_原始值-Cen_Lon，

Lat_相對值＝Lat_原始值-Cen_Lat；

因此，模型中棧式自編碼器部分所需的歸一化后的輸入格式SAE_Features如下：

[CRS_RSRP_歸一化,M_Lon_{相對值歸一化},M_Lat_{相對值歸一化},

M_Azimuth_歸一化,M_Tilt_歸一化,M_Height_歸一化,M_Power_歸一化，

N1_RSRP_歸一化,N1_Lon_{相對值歸一化},N1_Lat_{相對值歸一化},

N1_Azimuth_歸一化,N1_Tilt_歸一化,N1_Height_歸一化,N1_Power_歸一化,

N2_RSRP_歸一化,N2_Lon_{相對值歸一化},N2_Lat_{相對值歸一化},

N2_Azimuth_歸一化,N2_Tilt_歸一化,N2_Height_歸一化,N2_Power_歸一化,

N3_RSRP_歸一化,N3_Lon_{相對值歸一化},N3_Lat_{相對值歸一化},

N3_Azimuth_歸一化,N3_Tilt_歸一化,N3_Height_歸一化,N3_Power_歸一化]

共28個輸入特征；而融合模型的輸出，即歸一化后的相對經緯度的格式為：

(U_Lon_{相對值歸一化},U_Lat_{相對值歸一化})；

步驟12：將小區周邊的地圖高度數據作為卷積神經網絡的輸入信息，柵格化地形數據為二維矩陣，并對矩陣中的元素進行歸一化，從而提取出每條手機記錄對應的小塊地圖數據作為模型中卷積神經網絡的輸入層；

以遍歷的順序記錄下每個柵格的中心點和柵格外圍四個點的經緯度坐標，以及該柵格所代表的地形高度，具體格式如下：

[Grid_Lon_中心點,Grid_Lat_中心點,Grid_Lon_左上角,Grid_Lat_左上角,

Grid_Lon_右上角,Grid_Lat_右上角,Grid_Lon_右下角,Grid_Lat_右下角,

Grid_Lon_左下角,Grid_Lat_左下角,Grid_Height]

將地圖的shapefile文件中的高度數據提取出來后，用每個柵格的中心點(Grid_Lon_中心點,Grid_Lat_中心點)作為該柵格位置的代表，從而將整張地圖的柵格化數據轉換為一個二維矩陣其中R和C分別是地圖柵格化得到的二維矩陣Heights的行數和列數；該矩陣Heights以整張地圖中柵格中心點經緯度的最小值(Grid_Lon_{中心點最小值},Grid_Lat_{中心點最小值})為基準原點，同時利用求出每個柵格在該矩陣中的位置(r,c)，并將該柵格的地形高度Grid_Height放入二維矩陣第(r,c)個元素中去，從而將整張地圖柵格化后的地形高度數據存入二維矩陣Heights中；而后對該二維矩陣Heights中的每個元素進行歸一化，計算公式如下：從而將高度的二維矩陣轉變為歸一化的高度矩陣Heights_歸一化；

對于工參數據中的每條記錄，在求出了4個小區的質心經緯度(Cen_Lon,Cen_Lat)后，首先利用公式求出該質心在地圖高度的二維矩陣中的坐標(r,c)，而后從二維矩陣Heights_歸一化中獲取坐標為[r-100:r+100,c-100:c+100]的矩陣切片Cen_Area，共200×200個元素，即4個小區質心周圍1km×1km范圍內的歸一化地形高度數據作為模型中卷積神經網絡部分的輸入，共40000個元素；實踐過程中為每條工參數據的記錄提供其對應的Cen_Area二維矩陣，通過從小區周邊的地形高度中提取出傳播過程中可能加入的噪聲信息，并利用訓練降低噪聲的權重，從而達到減輕噪聲影響的效果；

步驟13：將工參特征和地形特征引入到深度學習融合網絡模型中，得到確定手機用戶所在位置的深度學習融合網絡的拓撲結構；

輸入數據如步驟11中所獲取得到的SAE_Features所示包含了28個元素，各層的神經元個數依次設置為[256,512,1024,1024,512,256,64]，激活函數設置為sigmoid函數其中x為每層神經網絡中所有神經元輸入的加權多項式的和，S(x)為對該加權多項式的和x的一種S型非線性映射，輸出的特征個數為64；

對于地形特征的提取，構建了一個以Lenet-5為基本結構的卷積神經網絡(CNN)，將每個數據樣本周圍1km×1km范圍的地圖高度矩陣Cen_Area當作圖像進行處理：首先通過卷積層對地形高度矩陣進行分塊和平移處理以提取特征，而后利用池化層對卷積后的矩陣進行池化，最后使用全連接層連接局部特征以形成全局感知，從而將展平后的全連接層提取出的特征作為融合模型中地圖數據的輸入；在CNN模型部分，共采用了2個卷積濾波器不同的卷積層，其中濾波器的大小相同，均為5×5尺寸的卷積核，但濾波器個數不同，分別是6和16，激活函數設置為relu函數其中x為每層神經網絡中所有神經元輸入的加權多項式的和，ReLu(x)為對該加權多項式的和x的一種分段線性映射；池化層部分均采用了尺寸為2×2的最大池采樣；而展平后的特征經由全連接層部分進行特征壓縮后的輸出個數為512；

最后將兩個模型提取出的特征連接起來，利用共享表達的融合網絡將提取出的特征輸入到3層的全連接神經網絡(FCN)中，最后對手機的經緯度進行預測；其中，全連接層的神經元個數依次為[512,256,128]，激活函數設置為sigmoid函數其中x為每層神經網絡中所有神經元輸入的加權多項式的和，S(x)為對該加權多項式的和x的S型非線性映射；輸出層的結果有2個，分別是預測得到的經緯度(U_Lon_{相對值預測結果},U_Lat_{相對值預測結果})；

步驟14：依據步驟13設計的深度學習融合網絡模型對步驟11和12中獲得的數據進行訓練，從而得到手機定位的目標模型；

手機定位的目標模型為下述函數的最小化：

；其中，第一項用于衡量整個融合模型對每個樣本的預測經緯度和真實的相對經緯度之間的誤差和，D為訓練集中所有數據樣本的個數，j為每個樣本的數據標號，即j＝1,...,D；

步驟15：利用測試集數據對步驟14中得到的手機定位目標模型進行數據驗證，并將預測結果反歸一化回手機用戶實際的經緯度值；

由于步驟14中獲得的目標模型是用于預測手機的經緯度，因此模型的輸出分別為經度和緯度；

因為融合模型中棧式自編碼器和卷積神經網絡兩部分的輸入均經過了歸一化，所以融合模型預測得到的經度和緯度也是歸一化后的預測結果，需要進行反歸一化，即：U_Lon_{相對值預測結果}＝U_Lon_{相對值預測結果}×(Lon_{相對值最大值}-Lon_{相對值最小值})+Lon_{相對值最小值}和U_Lat_{相對值預測結果}＝U_Lat_{相對值預測結果}×(Lat_{相對值最大值}-Lat_{相對值最小值})+Lat_{相對值最小值}；又由融合模型中的經緯度都是相對值，因此反歸一化后的結果還要還原回預測的實際經緯度值：U_Lon_預測結果＝U_Lon_{相對值預測結果}+Cen_Lon和U_Lat_預測結果＝U_Lat_{相對值預測結果}+Cen_Lat；

將預測得到的歸一化后的手機經緯度還原為實際的經緯度后，通過比較預測的經緯度和用戶的實際經緯度之間的距離對步驟D中得到的手機定位目標模型進行驗證，距離公式為

分別計算整個數據集中誤差距離小于50m和100m的數據比例，并畫出相應的累積分布函數(CDF)曲線，從而獲得模型的預測精度。