[发明专利]基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法

权利要求书

1.一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，包括以下步骤：

步骤1、数据采集：

使用测试移动系统进行外场测试，从一个由商业蜂窝网络服务的城市区域收集测量数据；

步骤2、基于测量数据获取轨迹数据，轨迹数据包括各采样点的位置信息、相应的参考信号接收功率以及相应的参考信号接收质量；

步骤3、建立多任务LSTM模型，采用多任务LSTM模型实现蜂窝网无线信号与用户轨迹的联合预测，其中，该多任务LSTM模型包括用于处理位置信息中的经纬度序列从而实现位置预测的两层LSTM网络、用于进行参考信号接收功率预测的单个LSTM网络和用于进行参考信号接收质量预测的单个LSTM网络。

2.如权利要求1所述的一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，步骤2中，所述轨迹数据表示为T_r＝{p₁,p₂,…,p_n}，由n个采样点组成，其中，p_t表示移动用户在时间步长t处的位置，包含其位置信息x_t、相应的参考信号接收功率P_t和相应的参考信号接收质量Q_t。

3.如权利要求1所述的一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，步骤3中，在每个LSTM网络中：通过输入门i_t决定哪些数据可以添加到记忆单元；然后，将前一时刻记忆单元的状态C_t-1与遗忘门f_t点乘确定所保留的信息；最后，将前一时刻记忆单元的状态C_t-1与获得的所保留的信息合并得到当前时刻的记忆单元的状态C_t，基于当前时刻的记忆单元的状态C_t获得最终的输出h_t。

4.如权利要求3所述的一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，步骤3中，每个LSTM网络表示为：

f_t＝σ(W_f·[h_t-1,X_t]+b_f)

i_t＝σ(W_i·[h_t-1,X_t]+b_i)

o_t＝σ(W_o·[h_t-1,X_t]+b₀)

h_t＝o_t*tanh(C_t)

式中，f_t表示遗忘门，i_t表示输入门，o_t表示输出门，W_f和b_f表示相关权重矩阵和偏置量，X_t表示当前时刻的输入，h_t-1表示前一个时刻LSTM网络的输出，σ()是sigmoid函数，是tanh函数创建的一个新的候选向量，W_C和b_C表示新候选变量的权重和偏置，C_t表示当前时刻的记忆单元状态，W_o和b₀表示当前时刻的权重和偏置。

5.如权利要求1所述的一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，步骤3中，对所述多任务LSTM模型进行训练时，用均方误差作为损失函数来描述预测任务的损失。

6.如权利要求1所述的一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，步骤3中，对所述多任务LSTM模型进行评估时，采用哈弗辛公式计算预期位置与实际位置之间的距离误差，基于距离误差对所述多任务LSTM模型进行评估。

7.如权利要求1所述的一种基于多任务学习蜂窝网无线信号与用户轨迹联合预测方法，其特征在于，步骤3中，采用多任务LSTM模型实现蜂窝网无线信号与用户轨迹的联合预测时，采用局部均值法扩大预测范围：设定固定大小的局部窗口和滑动步长，利用该固定大小的局部窗口和滑动步长处理原始轨迹数据，对用户下一时刻的位置进行预测，并对用户在一定滑动步长内移动到下一个位置的平均参考信号接收功率以及平均参考信号接收质量进行预测。