[go: up one dir, main page]

CN113141570A - 地下场景定位方法、装置、计算设备及计算机存储介质 - Google Patents

地下场景定位方法、装置、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN113141570A
CN113141570A CN202010052897.8A CN202010052897A CN113141570A CN 113141570 A CN113141570 A CN 113141570A CN 202010052897 A CN202010052897 A CN 202010052897A CN 113141570 A CN113141570 A CN 113141570A
Authority
CN
China
Prior art keywords
sampling point
grid
sampling
point
points
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010052897.8A
Other languages
English (en)
Other versions
CN113141570B (zh
Inventor
李逸龙
王万宁
胡博
贾磊
田原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Shaanxi Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Shaanxi Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Shaanxi Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010052897.8A priority Critical patent/CN113141570B/zh
Publication of CN113141570A publication Critical patent/CN113141570A/zh
Application granted granted Critical
Publication of CN113141570B publication Critical patent/CN113141570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例涉及无线通信技术领域，公开了一种地下场景定位方法、装置、计算设备及计算机存储介质，该方法包括：获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。通过上述方式，本发明实施例能够提高定位精度，促进对地下室的网络规划。

Description

地下场景定位方法、装置、计算设备及计算机存储介质
技术领域
本发明实施例涉及无线通信技术领域，具体涉及一种地下场景定位方法、装置、计算设备及计算机存储介质。
背景技术
经济的快速发展，城市地下空间建设和维护成为保障城市和谐稳定的关键要素。现有的地下室定位技术主要有基于全球定位系统(Global Positioning System，GPS)的定位方式、利用基站测量报告(Measurement Report，MR)数据进行定位计算的技术、以及外部数据表示法(External Data Representation，XDR)数据和MR关联定位的方式。其中，利用全球定位系统(Global Positioning System，GPS)定位技术对手机进行定位的一种常见的定位技术。基于GPS的定位方式是利用手机上的GPS定位模块将自己的位置信号发送到定位后台来实现手机定位的。利用基站MR数据进行定位计算的技术是对定位数据进行栅格化处理，进行覆盖及建筑物渲染分析。利用XDR数据和MR关联定位的方式与基站定位方式类似，都需要采集XDR接入点的位置信息。将XDR中的时间信息等和MR时间点匹配(S1APID)，进行MR位置信息写入，完成位置获取。
现有定位技术定位精度有限。传统通用GPS技术在室内场景因搜星进度慢及卫星定位难度大，误差极高。基站MR数据定位(指纹库)精度很大程度依赖于基站的密度，有时误差会超过一公里，定位精度较差。对于XDR数据和MR关联定位的方式，由于是通过时间等信息模糊匹配，所以采样点会存在偏差匹配情况，而匹配度不高导致定位精度比较低。
发明内容
鉴于上述问题，本发明实施例提供了一种地下场景定位方法、装置、计算设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种地下场景定位方法，所述方法包括：获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
在一种可选的方式中，所述根据用户轨迹惯性创建地下室虚拟栅格图层，包括：根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点；应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
在一种可选的方式中，所述应用所述第一采样点对所述第二采样点进行迭代定位，包括：根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息；将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位；应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
在一种可选的方式中，所述根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息，包括：以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。
在一种可选的方式中，所述应用传播模型和数据极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正，包括：根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。
在一种可选的方式中，所述根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域以进行网络规划，包括：将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格；应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
在一种可选的方式中，所述应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域，包括：以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域；计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点；对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
根据本发明实施例的另一个方面，提供了一种地下场景定位装置，所述装置包括：栅格创建单元，用于获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；迭代定位单元，用于应用所述第一采样点对所述第二采样点进行迭代定位；3D建模单元，用于根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；栅格聚类单元，用于根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述地下场景定位方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述地下场景定位方法的步骤。
本发明实施例通过获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划，能够提高定位精度，促进对地下室的网络规划。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的地下场景定位方法的流程示意图；
图2示出了本发明实施例提供的地下场景定位方法的虚拟栅格图层创建流程示意图；
图3示出了本发明实施例提供的地下场景定位方法的单个用户轨迹示意图；
图4示出了本发明实施例提供的地下场景定位方法的虚拟栅格图层示意图；
图5示出了本发明实施例提供的地下场景定位方法的迭代定位流程示意图；
图6示出了本发明实施例提供的地下场景定位方法的多点定位示意图；
图7示出了本发明实施例提供的地下场景定位方法的极限模拟算法示意图；
图8示出了本发明实施例提供的地下场景定位方法的栅格聚类流程示意图；
图9示出了本发明实施例提供的地下场景定位方法的核心点示意图；
图10示出了本发明实施例提供的地下场景定位装置的结构示意图；
图11示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的地下场景定位方法的流程示意图。如图1所示，该地下场景定位方法应用在基站或服务器上，具体包括：
步骤S11：获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点。
在本发明实施例中，接收终端发送的最小化路测(Minimization of Drive-Test，MDT)数据，根据MDT中高度信息轨迹判断出用户进入地下室中，并关联对应时间的MR数据信息。基于前期抽样调研数据统计来看，用户驱车或步行进入地下场景或地下室时，在地下室停留平均时长为5分钟。5分钟后，会通过电梯、楼梯方式离开地下室进入其他楼层。因此，依据客户轨迹惯性的特性，标记用户在地下室中5分钟内的所有采样点信息(后续作为地下室栅格化的主要采样点数据)。选取大量用户进入地下场景5分钟内的采样点数据建立用户轨迹惯性模型，以此模型清洗后的数据进行地下室场景建模，创建地下室虚拟栅格图层。本发明实施例应用智能管控系统，拥有较高的自动运行机制，可在设置采集时间、基站列表、采集服务器等信息后，自动进行数据处理工作。在本发明实施例中，MDT数据的获取可以为基站或服务器，而后续对MDT数据的处理以及各算法的应用可以为物理机(基站或服务器)，或能够与物理机进行通信的云计算平台。
在步骤S11中，如图2所示，包括：
步骤S111：根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点。
MDT数据包含用户位置信息，利用MDT数据记录用户每次的位置信息轨迹，一条轨迹通常由一系列带有时间戳的坐标点组成。每个坐标点包含了经度、纬度等基本信息，在一条轨迹中，检测出一些用户停留过的地方。停留点并不是指速度为零的点，而是在任一区域内用户滞留时间超过预设时间范围的点的集合，由一组实际的GPS点构成。如图3为一个用户的轨迹示意图，图中P3、P4、P5、P6构成了一个停留点S，表示用户在虚线框所示的区域内滞留的时间超过了预设的时间范围。区域的大小以及预设时间范围都可以根据需要进行设置，在此不作限制。
步骤S112：应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
如图4所示，从每个用户的每条线路中提取出停留点(在图中表示为黑色小点)，并放在一个集合中。利用具有噪声的基于密度的聚类(Density-Based Spatial Clusteringof Applications with Noise，DBSCAN)算法对个停留点集合进行层次化聚类，在不同的地理尺度上，将相近的停留点划分到同一个聚类(图中白色节点)，如此可以得到如图右半部分所示的一个层次树。树中的节点代表不同的停留点聚类，而不同层次表示不同的地理空间尺度。层次越深，粒度越细，代表的地理空间也越小，将不同用户的轨迹映射到该树的各个层次，并将不同的聚类连接起来，得到不同的图模型(参见图4左半部分)。
步骤S12：应用所述第一采样点对所述第二采样点进行迭代定位。
在本发明实施例中，采用“基于RSSI测距多点定位算法”和“神经元网络定位技术”相结合方式，建立多维数据关联补充和迭代矫正模型，利用现有指纹库进行智能多点定位计算，利用传播模型训练算法对新指纹库进行智能矫正训练，提升采样点定位精准度。具体地，如图5所示，包括：
步骤S121：根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息。
RSSI定位算法的原理如下：通过大量工程实践可以发现，无线信号传播服从概率分布，并可归纳出无线信号传播的概率模型：Shadowing模型，其一般形式为Pr(d)＝pr(d0)-10nlg(d/d0)+XdBm，其中，pr(d)为收发节点距离为d时的接收信号强度(单位为dBm)，d0为收发节点的参考距离，n为由环境决定的路径损耗指数。
在实际应用中，可采用简化的Shadowing模型为：PRSSI＝P0–10nlg(d/d0)，式中，d0＝1m，PRSSI为接收节点接收到的RSSI值(单位为dBm)，P0为信号传输1m远处接收信号的功率。
为了便于表达和计算，通常取d0为1m。于是可得：RSSI＝A–10nlg(d)，其中，A为收发节点相距1m时接收节点接收到的无线信号强度RSSI值，d即为所要求的节点间的距离。A和n都是经验值，和具体使用的硬件节点、无线信号传播的环境密切相关。因此在不同的实际环境下A和n参数不同，其测距模型也不同。但在充分研究环境因素的影响后，RSSI可以用来进行室内和室外的测距及定位。
在步骤S121中，以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。首先确定以上RSSI定位计算公式中的A和n的值，建立室内测距模型，根据该室内测距模型将第二采样点的接收信号强度转化为距离，分别计算第二采样点与多个不同所述参考点的距离。应用最小二乘法对计算得到的距离进行修正，然后根据第二采样点与多个不同的参考点的距离以及参考点的经纬度信息获取第二采样点的经纬度信息。如图6所示，根据第二采样点MS分别与参考点D1、D2、D3、D4、D5的距离以及参考点D1、D2、D3、D4、D5的坐标得到第二采样点MS的坐标(经纬度信息)。
步骤S122：将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位。
在本发明实施例中，从地下场景的外围向里进行迭代定位，即地下场景最外围的采样点的经纬度信息是已知的，以这些采样点为第一采样点，对位于内侧的靠近这些采样点的第二采样点进行定位，如此逐步向里迭代，直至完成无经纬度信息的所有第二采样点的定位。
步骤S123：应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
在本发明实施例中，利用现有的指纹库数据进行神经网络和场强定位，同时结合用户的特点，切换关系对定位结果进行粗大误差剔除以及空间聚合，从而更加提高用户的定位精度。在步骤S123中，根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。具体地，应用数据处理技术(Data technology，DT)和自动路测工具(Auxiliary Test Unit，ATU)将第二采样点MS的经纬度信息调整成传播模型的输入数据格式，经传播模型处理后结合MR数据应用神经网络算法进行MR定位，实现对第二采样点的经纬度信息进行训练矫正。其中，传播模型和神经网络算法需要预先应用准备好的训练数据集进行训练，配置合适的模型参数，并保存训练结果。
然后根据用户轨迹的连续性采用数据逼近原则利用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。由于信号的波动或邻区缺失等等数据异常可能会导致结果偏差，考虑到同一个用户在同一个小区，在某段时间内其位置具有连续性，同时还可以通过切换关系等预知信息对定位结果进行更细致的纠正，从而使得定位误差最小。如图7所示，左图为调整前的第二采样点的样本定位结果，右图为调整后的第二采样点的样本定位结果。
本发明实施例采用“RSSI多点定位算法”和“神经元网络定位算法”相结合方式，同时对现有定位数据进行传播模型训练矫正和传播极限模拟算法的双重矫正，提高定位精度。
步骤S13：根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库。
在本发明实施例中，利用射线跟踪法，基于三维地图、网络工参、天线特性、发射功率等实际网络数据，建立全网的立体覆盖指纹库。计算出三维空间中每一个地理采样点(bin)中，所有基站到达的接收信号强度，每个采样点，包括第一采样点和第二采样点，接收到的小区及其接收信号强度的集合都是独一无二的，相当于每个采样点都有独特的“指纹”。
步骤S14：根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
具体地，引入栅格化定位，降低“点”级定位复杂度。将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格。具体根据栅格内采样点的接收信号强度确定该栅格为深度覆盖栅格、弱覆盖栅格、或者盲覆盖栅格。最后应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
在本发明实施例中，应用基于密度的栅格聚类DBSCAN算法对弱覆盖栅格和盲覆盖栅格进行聚类。DBSCAN算法通常用于对带有噪声的空间数据进行聚类。基于密度的聚类是根据样本的密度分布来进行聚类。通常情况下，密度聚类从样本密度的角度出来，来考查样本之间的可连接性，并基于可连接样本不断扩展聚类簇，以获得最终的聚类结果。DBSCAN算法有两个参数：半径eps和密度阈值MinPts。具体步骤如图8所示，包括：
步骤S141：以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域。
以每个栅格点
Figure BDA0002371828130000091
为圆心，eps为预设半径画一个圆圈。该圆圈被称为栅格点
Figure BDA0002371828130000092
的eps邻域。
步骤S142：计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点。
对圆圈内包含的栅格点进行计数。如图9所示，如果圆圈内的栅格点的数量超过了密度阈值MinPts，则将该圆圈的圆心记为核心点，又称核心对象。如果某个栅格点的eps邻域内点的数量小于密度阈值MinPts，但是落在该核心点的邻域内，则该栅格点称为边缘点。既不是核心点也不是边缘点的栅格点称为噪声点。
步骤S143：对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
具体地，例如，核心点
Figure BDA0002371828130000101
的eps邻域内的所有的栅格点，都是核心点
Figure BDA0002371828130000102
的密度直达。如果栅格点
Figure BDA0002371828130000103
由核心点
Figure BDA0002371828130000104
密度直达，栅格点
Figure BDA00023718281300001015
由栅格点
Figure BDA0002371828130000105
密度直达，栅格点
Figure BDA0002371828130000106
由栅格点
Figure BDA0002371828130000107
密度直达，那么栅格点
Figure BDA0002371828130000108
由栅格点
Figure BDA0002371828130000109
密度可达。这个性质说明了由密度直达的传递性，可以推导出密度可达。如果对于栅格点
Figure BDA00023718281300001010
使核心点
Figure BDA00023718281300001011
和栅格点
Figure BDA00023718281300001012
都可以由栅格点
Figure BDA00023718281300001016
密度可达，那么，就称核心点
Figure BDA00023718281300001013
和栅格点
Figure BDA00023718281300001014
密度相连。将密度相连的栅格点连接在一起，就形成了聚类簇，聚类簇中所有栅格点对应的区域就形了成弱覆盖区域和盲覆盖区域。
在本发明实施例中，还可以应用物理机(基站或服务器)或与物理机连接的显示器以栅格化方式呈现覆盖渲染聚类簇，对MR数据完成定位后的结果，根据MR中的信息，如参考信号接收功率(Reference Signal Receiving Power，RSRP)\参考信号接收质量(Reference Signal Receiving Quality，RSRQ)\SAMPLES\上行信噪比(SINRUL)\弱覆盖率\重叠度等，根据颜色分段设置进行渲染显示，地理信息系统(Geographic InformationSystem，GIS)渲染效果有利于直观显示网络规划优化工作中识别网络弱覆盖、室内深度覆盖、用户感知差区域。识别出弱覆盖区域和盲覆盖区域后，可以根据弱覆盖区域和盲覆盖区域的分布对地下室进行网络规划，例如，布置无线接入点等。
本发明实施例通过获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划，能够提高定位精度，促进对地下室的网络规划。
图10示出了本发明实施例的地下场景定位装置的结构示意图。如图10所示，该地下场景定位装置应用在基站或服务器上，包括：栅格创建单元101、迭代定位单元102、3D建模单元103以及栅格聚类单元104。其中：
栅格创建单元101用于获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；迭代定位单元102用于应用所述第一采样点对所述第二采样点进行迭代定位；3D建模单元103用于根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；栅格聚类单元104用于根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
在一种可选的方式中，栅格创建单元101用于：根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点；应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
在一种可选的方式中，迭代定位单元102用于：根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息；将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位；应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
在一种可选的方式中，迭代定位单元102用于：以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。
在一种可选的方式中，迭代定位单元102用于：根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。
在一种可选的方式中，栅格聚类单元104用于：将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格；应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
在一种可选的方式中，栅格聚类单元104用于：以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域；计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点；对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
本发明实施例通过获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划，能够提高定位精度，促进对地下室的网络规划。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的地下场景定位方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；
应用所述第一采样点对所述第二采样点进行迭代定位；
根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；
根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点；
应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息；
将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位；
应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；
根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；
根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；
应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格；
应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域；
计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点；
对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
本发明实施例通过获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划，能够提高定位精度，促进对地下室的网络规划。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的地下场景定位方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；
应用所述第一采样点对所述第二采样点进行迭代定位；
根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；
根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点；
应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息；
将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位；
应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；
根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；
根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；
应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格；
应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域；
计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点；
对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
本发明实施例通过获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划，能够提高定位精度，促进对地下室的网络规划。
图11示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图11所示，该计算设备可以包括：处理器(processor)1102、通信接口(Communications Interface)1104、存储器(memory)1106、以及通信总线1108。
其中：处理器1102、通信接口1104、以及存储器1106通过通信总线1108完成相互间的通信。通信接口1104，用于与其它设备比如客户端或其它服务器等的网元通信。处理器1102，用于执行程序1110，具体可以执行上述地下场景定位方法实施例中的相关步骤。
具体地，程序1110可以包括程序代码，该程序代码包括计算机操作指令。
处理器1102可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个ASIC。
存储器1106，用于存放程序1110。存储器1106可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序1110具体可以用于使得处理器1102执行以下操作：
获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；
应用所述第一采样点对所述第二采样点进行迭代定位；
根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；
根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
在一种可选的方式中，所述程序1110使所述处理器执行以下操作：
根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点；
应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
在一种可选的方式中，所述程序1110使所述处理器执行以下操作：
根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息；
将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位；
应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
在一种可选的方式中，所述程序1110使所述处理器执行以下操作：
以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；
根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。
在一种可选的方式中，所述程序1110使所述处理器执行以下操作：
根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；
根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。
在一种可选的方式中，所述程序1110使所述处理器执行以下操作：
将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；
应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格；
应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
在一种可选的方式中，所述程序1110使所述处理器执行以下操作：
以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域；
计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点；
对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
本发明实施例通过获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；应用所述第一采样点对所述第二采样点进行迭代定位；根据定位后的所述第一采样点以所述第二采样点进行3D建模，获取每个采样点的接收信号强度，构造指纹库；根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划，能够提高定位精度，促进对地下室的网络规划。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种地下场景定位方法，其特征在于，所述方法包括：
获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；
应用所述第一采样点对所述第二采样点进行迭代定位；
根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；
根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
2.根据权利要求1所述的方法，其特征在于，所述根据用户轨迹惯性创建地下室虚拟栅格图层，包括：
根据所述最小化路测数据基于用户轨迹惯性获取每个用户的停留点；
应用密度聚类算法对不同用户轨迹的所述停留点进行层次化聚类，形成地下室虚拟栅格图层。
3.根据权利要求1所述的方法，其特征在于，所述应用所述第一采样点对所述第二采样点进行迭代定位，包括：
根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息；
将已定位的所述第二采样点作为新的第一采样点，对其他的所述第二采样点进行定位，直至完成所有的所述第二采样点的定位；
应用传播模型和极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二采样点的接收信号强度以及所述第一采样点的经纬度信息应用RSSI定位算法对所述第二采样点进行定位，获取所述第二采样点的经纬度信息，包括：
以所述第一采样点为参考点，根据所述第二采样点的接收信号强度应用RSSI定位算法获取所述第二采样点与多个所述参考点的距离；
根据所述第二采样点与多个所述参考点的距离以及所述参考点的经纬度信息获取所述第二采样点的经纬度信息。
5.根据权利要求3所述的方法，其特征在于，所述应用传播模型和数据极限模拟算法对获取的所述第二采样点的经纬度信息进行矫正，包括：
根据测量报告数据应用训练后的所述传播模型和神经网络算法对所述第二采样点的经纬度信息进行训练矫正；
根据用户轨迹的连续性应用极限模拟算法对所述第二采样点的经纬度信息进行纠偏。
6.根据权利要求1所述的方法，其特征在于，所述根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域以进行网络规划，包括：
将所述指纹库中的所述采样点撒入到所述地下室虚拟栅格图层内；
应用密度聚类算法对栅格内的采样点进行聚簇，输出栅格化的覆盖结果，包括弱覆盖栅格及盲覆盖栅格；
应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域。
7.根据权利要求6所述的方法，其特征在于，所述应用栅格聚类算法对所述弱覆盖栅格和所述盲覆盖栅格进行聚类，输出所述弱覆盖区域和所述盲覆盖区域，包括：
以每个栅格点为圆心，画一个预设半径的圆圈，作为所述栅格点的邻域；
计算所述圆圈内栅格点的数量，如果所述数量超过预设密度阈值，则确定圆心对应的所述栅格点为核心点；
对不同的核心点以及对应的邻域根据密度连接的传递性进行连接聚类，形成所述弱覆盖区域和所述盲覆盖区域，其中，所述密度连接的传递性包括：所述核心点与对应的邻域中的栅格点密度直达，所述核心点对应的邻域中不同的两个栅格点密度可达，与同一个栅格点密度可达的两个不同栅格点密度相连。
8.一种地下场景定位装置，其特征在于，所述装置包括：
栅格创建单元，用于获取最小化路测数据，并根据用户轨迹惯性创建地下室虚拟栅格图层，其中，所述最小化路测数据中的采样点包括带经纬度信息的第一采样点和无经纬度信息的第二采样点；
迭代定位单元，用于应用所述第一采样点对所述第二采样点进行迭代定位；
3D建模单元，用于根据定位后的所述第一采样点以所述第二采样点进行3D建模，构造指纹库；
栅格聚类单元，用于根据所述地下室虚拟栅格图层对所述指纹库中的所述采样点进行场景栅格化聚类，识别出弱覆盖区域和盲覆盖区域以进行网络规划。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-7任一项所述地下场景定位方法的步骤。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-7任一项所述地下场景定位方法的步骤。
CN202010052897.8A 2020-01-17 2020-01-17 地下场景定位方法、装置、计算设备及计算机存储介质 Active CN113141570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010052897.8A CN113141570B (zh) 2020-01-17 2020-01-17 地下场景定位方法、装置、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010052897.8A CN113141570B (zh) 2020-01-17 2020-01-17 地下场景定位方法、装置、计算设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113141570A true CN113141570A (zh) 2021-07-20
CN113141570B CN113141570B (zh) 2023-04-28

Family

ID=76808609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010052897.8A Active CN113141570B (zh) 2020-01-17 2020-01-17 地下场景定位方法、装置、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113141570B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114257957A (zh) * 2021-12-09 2022-03-29 北京东土拓明科技有限公司 网络规划方法及装置、计算设备和计算机可读存储介质
CN114786199A (zh) * 2022-04-21 2022-07-22 中国联合网络通信集团有限公司 一种网络问题点的确定方法、装置、设备及存储介质
US12078509B1 (en) 2023-04-25 2024-09-03 T-Mobile Usa, Inc. Location clustering and routing for 5G drive testing

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019037683A1 (zh) * 2017-08-23 2019-02-28 中兴通讯股份有限公司 一种基站的部署方法及装置
CN109548041A (zh) * 2017-09-22 2019-03-29 中国移动通信集团浙江有限公司 一种无线覆盖分析方法及系统
CN109996186A (zh) * 2017-12-29 2019-07-09 中国移动通信集团陕西有限公司 一种网络覆盖问题识别方法及装置、可读取存储介质
CN110266412A (zh) * 2019-07-01 2019-09-20 中国电信股份有限公司 预测地铁通信网络sinr的方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019037683A1 (zh) * 2017-08-23 2019-02-28 中兴通讯股份有限公司 一种基站的部署方法及装置
CN109548041A (zh) * 2017-09-22 2019-03-29 中国移动通信集团浙江有限公司 一种无线覆盖分析方法及系统
CN109996186A (zh) * 2017-12-29 2019-07-09 中国移动通信集团陕西有限公司 一种网络覆盖问题识别方法及装置、可读取存储介质
CN110266412A (zh) * 2019-07-01 2019-09-20 中国电信股份有限公司 预测地铁通信网络sinr的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李逸龙等: "基于MDT数据的地下场景覆盖问题识别系统设计", 《电信工程技术与标准化》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114257957A (zh) * 2021-12-09 2022-03-29 北京东土拓明科技有限公司 网络规划方法及装置、计算设备和计算机可读存储介质
CN114257957B (zh) * 2021-12-09 2023-07-04 北京东土拓明科技有限公司 网络规划方法及装置、计算设备和计算机可读存储介质
CN114786199A (zh) * 2022-04-21 2022-07-22 中国联合网络通信集团有限公司 一种网络问题点的确定方法、装置、设备及存储介质
US12078509B1 (en) 2023-04-25 2024-09-03 T-Mobile Usa, Inc. Location clustering and routing for 5G drive testing

Also Published As

Publication number Publication date
CN113141570B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
KR102126724B1 (ko) 포인트 클라우드 데이터를 복구하기 위한 방법 및 장치
CN112418245B (zh) 基于城市环境物理模型的电磁发射点定位方法
CN107977992A (zh) 一种基于无人机激光雷达的建筑物变化检测方法及装置
CN108271165A (zh) 一种基站网络信号覆盖状态的预测方法及系统
CN113723715B (zh) 公交线网自动匹配道路网络方法、系统、设备及存储介质
CN112469066B (zh) 5g网络覆盖评估方法及装置
CN113141570B (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
CN112305559A (zh) 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备
CN111464938A (zh) 定位方法、装置、电子设备和计算机可读存储介质
US20230131579A1 (en) Wireless signal propagation prediction method and apparatus
CN108242962B (zh) 一种基于测量报告的室内信号传播损耗计算方法及装置
CN111311748B (zh) 室内立体图构建方法及装置、终端设备和存储介质
CN116664062A (zh) 基于bim和gis的变电站建设管理方法、系统及设备
CN107850656A (zh) 用于定位目的的模型参数的确定
CN110139359A (zh) 一种干扰源定位处理方法及装置
CN110992366A (zh) 一种图像语义分割方法、装置及存储介质
CN114445565A (zh) 数据处理方法、装置、电子设备和计算机可读介质
CN117036634A (zh) 智慧城市三维场景自动构建方法
Hosseini et al. NSGA-II based optimal Wi-Fi access point placement for indoor positioning: A BIM-based RSS prediction
CN106658538B (zh) 一种基于泰森多边形的手机基站信号覆盖范围模拟方法
CN112580428A (zh) 一种配电网设计方法及装置
CN115942231A (zh) 一种基于rss的5g室外定位方法
CN114554503B (zh) 一种组网信息确认方法、装置及用户设备
CN117848303B (zh) 一种建筑工程的测绘智能规划方法及系统
CN112802191A (zh) 一种城市规划实时模拟展示系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant