[发明专利]一种基于深度学习的室内外用户区分方法

权利要求书

1.一种基于深度学习的室内外用户区分方法，其特征在于，具体包括如下步骤：

(1)从MR数据中抽取出主区对应的MR采样点；

(2)遍历上述MR采样点，根据包括比较电平值、采样点TA、路损、邻区个数、主区邻区电平差异的参数，利用室内外属性赋值模型对各采样点的室内属性和室外属性进行赋值；

根据赋值对各MR采样点进行判定，确定MR采样点是室内采样点还是室外采样点；并由这些MR采样点与对应的室内外属性值、以及每个采样点的参数值相对于样本整体而言出现的概率，构成基础特征库；

所述步骤(2)包括如下子步骤：

(2.1)若采样点对应的主区为室分站，判定该主区对应的采样点为室内信号采样点，若采样点对应的主区为宏站则进入步骤(2.2)；

(2.2)获取主区的服务小区电平、主服务小区与邻区电平差值、采样点TA、邻区个数、用户运动属性、主服务小区经纬度，并根据这些参数，利用室内外属性赋值模型对主区的室内属性值和室外属性值进行赋值；

其中，利用室内外属性赋值模型对主区的室内属性值和室外属性值进行赋值的方法具体如下：

(a)当主区电平位于电平区间(MinRsrp，A)，将室内属性值i赋值为0.5+0.5/(A-MaxRsrp)*(A-ScRsrp)；将室外属性值j赋值为(1-i)，其中，ScRsrp为主区电平值；

当主区电平位于电平区间(A，MaxRsrp)将室内属性值i赋值为0.5/(MaxRsrp+85)*(MaxRsrp-ScRsrp)；将室外属性值j赋值为＝(1-i)；

其中，MinRsrp是指最小接收电平，MaxRsrp是指最大接受电平；

(b)若TA＞B，将室内属性值赋值i为1，将室外属性值j赋值为0；

若TA≤B，则将室内属性值i赋值为0.5，将室外属性值j赋值为0.5；

(c)结合路损和发射功率计算样点的理论主区电平，用该理论主区电平与采样点实际主区电平取差值获得衰减差ScRsrpDiff；

若衰减差C，则将室内属性值i赋值为1；将室外属性值j赋值为0；

若衰减差≤C，则将室内属性值i赋值为0.05*ScRsrpDiff，将室外属性值j赋值为(1-i)；

(d)若主区的邻区数为0，则将室内属性值i赋值为1，将室外属性值j赋值为0；

若主区的邻区数不为0，则将室内属性值i赋值为0.5，将室外属性值j赋值为0.5；

(e)若主邻区电平差ScNcRsrpDiff≥D，则将室内属性值i赋值为0.8，将室外属性值j赋值为0.2；

主邻区电平差ScNcRsrpDiffD，则将室内属性值i赋值为(0.2+0.6/12*ScNcRsrpDiff)，将室外属性值j赋值为(1-i)；

其中，A是指主区电平阈值，B是指TA阈值，C是指衰减差阈值，D是指主邻区电平差阈值；

将上述(a)、(b)、(c)、(d)、(e)部分所获得的室外属性值进行平均、室内属性值也进行平均，获得室内属性值与室外属性值的最终赋值结果；

(2.3)根据所述最终赋值结果，将室内属性值不低于预设阈值的采样点判定为室内采样点，室内属性值低于预设阈值的采样点判定为室外采样点；

(3)对新增的MR采样点，根据各MR采样点的RSRP值在基础特征库内所占的概率进行加权平均，获得对应采样点精确RSRP值；通过将该精确RSRP值与预设门限进行比较，获得新增采样点位的室内外属性。

2.如权利要求1所述的基于深度学习的室内外用户区分方法，其特征在于，还包括如下步骤：

(4)将新增采样点位的室内外属性与基础特征库数据进行比较，修正新增采样点室内外属性并将新增点位加入所述基础特征库，以增大基础特征库的采样点数量。