[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

说明书

本发明的技术方案是提供了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。本发明在提供位置预测的同时，可以对当前范围内的信号强度、信号质量进行预测，有利于优化网络资源管理。预测输入基于真实的实测数据，将历史轨迹与相应的RSRP和RSRQ相结合，丰富定位特征，提高精度。与隐马尔可夫模型和卡尔曼滤波等基线方法相比，该模型在定位和信号功率预测任务中均具有较高的预测精度。此外，本发明基于局部均值对原始数据进行预处理，以增加下一个位置预测的范围。在不同尺度上仔细评估预测精度和预测范围之间的权衡，便于多任务预测模型在实际交通场景中的应用。

技术领域

本发明涉及一种蜂窝网无线信号与用户轨迹联合预测方法。

背景技术

移动设备产生的轨迹数据为运营商提供了大量关于移动用户驾驶行为和不断变化的城市网络运营的信息，这为定制以人为中心的服务奠定了基础。目前，轨迹数据挖掘的研究主要集中在智能路由规划、网络流量预测等方面，它是基于历史用户位置预测未来轨迹的时间序列生成任务，时空环境信息对预测下一个位置起着关键作用。

目前，利用轨迹数据进行下一个位置预测已经得到了广泛的研究。例如基于传统的基于马尔可夫模型和隐马尔可夫模型预测移动用户的位置，但人类运动并非总是满足马尔可夫假设，因为它涉及复杂的时空相互作用，数据的爆炸式增长也影响着模型的实际应用能力。此外，基于贝叶斯模型、k近邻和决策树等传统机器学习技术对移动用户的位置进行预测也有文献报道。然而，这些方法不适用于由短采样时间间隔的连续坐标组成的轨迹，因为它们所需要的采样点是离散的。近年来，深度学习的出现提高了捕获大规模轨迹数据的时空依赖性的能力。例如基于时空的卷积神经网络(RNN)方法，通过建模局部时空环境信息来预测下一个位置，但当时间序列较长时，容易出现梯度爆炸或梯度消失的问题。为了解决RNN的长期依赖问题，提出了长短期记忆(LSTM)神经网络用于轨迹预测。尽管基于LSTM的轨迹预测技术取得了良好的效果，但仍有几个因素被忽略：

1)目前的研究主要单独集中在位置轨迹的预测或是单独关注到信号强度的预测，两者之间强相关性可以进一步挖掘。

2)充分利用时空环境信息对位置预测至关重要。对一个模型中的多个任务进行联合建模，可以增强模型的丰富度和泛化能力。在城市交通场景中收集的各种蜂窝网指标捕捉了无线网络和交通状况的信息，能够指示移动用户的行为模式。

3)预测范围受单步预测的限制。在城市交通场景下的轨迹预测中，单步预测比多步预测更准确但更不及时，不利于用户或基站的及时响应。要有效地扩大预测范围是很困难的，特别是在紧急情况下，可以有效避免一些事故。

发明内容

本发明的目的是：对下一时间段的用户轨迹位置和蜂窝网无线信号强度进行并行预测。

为了达到上述目的，本发明的技术方案是提供了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。