[发明专利]一种MR室内外区分方法

说明书

本发明公开了一种MR室内外区分方法，包括：通过离线阶段设置编码规则并形成分类器；通过在线阶段对MR数据进行室内外区分。本发明的有益效果是：相比于监督学习，该算法只使用了一种标签，另一种标签未知，具有更低的使用成本；相比于无监督学习，该算法使用了一种原始数据中已知的标签，具有更高的精度。

技术领域

本发明属于移动通信大数据领域，涉及对4G和5G全网无线MR(测量报告)数据进行室内或室外的区分，更具体地说，涉及一种MR室内外区分方法。

背景技术

基于MR数据的室内外定位，一方面能够帮助运营商进行网络优化和数据变现，另一方面也可用于垂直行业，例如公用安全、疫情防控等领域发挥更大的价值。当前业界主流的MR室内外定位算法均采用了两级架构，即首先对MR进行室内外区分，其次对室内和室外的MR分别采用不同的算法进行位置估计。这么做的原因，主要是因为室外具有丰富的GNSS数据，这些数据会写入MR并一同上报到基站被采集到，可以帮助定位算法学习到室外信号特征与室外位置之间的映射关系。但是，受限于室内环境中卫星信号的剧烈衰减，GNSS定位难以在室内进行，导致室内MR缺少足够的GNSS数据学习室内信号特征与位置间的映射关系，进而需要使用其他算法进行室内定位结果的优化，因此分化出了与室外不同的定位算法来对室内定位结果进行针对性的优化。

综上，在定位算法之前，需要有室内外区分模块，将待定位的MR区分为室内或室外，指导后续流程使用相应的室内或室外定位算法，完成MR数据的高精度定位。并且，室内外区分算法需要有极高的精度，来保证不会将相应的MR错分到其他场景对应的定位算法中。

室内外区分的场景主要涉及两个实体：基站和终端。终端可以分布在室内或室外，基站的分布也同理。位于室内的基站一般称为室分站，这些站主要用于解决室内信号的覆盖问题，且覆盖范围小(一般约为20m)，因此接入室分站的终端绝大多数都位于室内，只有极少数位于室外的终端会接入室分站，且由于室分站覆盖范围小，因此这些室外终端距离建筑物也非常近，以此默认接入室分站的终端均位于室内。

位于室外的基站称为室外宏站，这些站可同时解决室内和室外信号的覆盖问题，覆盖范围大(一般为400m)，且在全网上报的全量MR中占比高。接入这些基站的终端可能位于室内，也可能位于室外，需要借助室内外区分算法进行区分。

传统室内外区分算法可分为有监督和无监督两种。有监督室内外区分算法通过众包测试的方式，收集人工标记的室内和室外MR数据，作为训练样本输入到有监督的AI算法中，得到一个二分类模型，用于在线阶段全网数据的室内外区分。这种方式在某些场景下具有很高的室内外区分精度，但缺点也很明显。一方面人工进行室内外MR标记的成本很高，由于无线网络环境是时刻变化的，因此需要定期进行数据标记，否则借助以往数据训练得到的模型精度会急剧降低，这带来了极大的成本；另一方面，人工采样难以覆盖所有场景，并且采样到的数据受终端类型、手机位姿等因素影响，得到的只是全网MR数据的一个采样，由此训练的模型不够稳定，在某些场景下精度高，在某些场景下可能无法使用。

无监督室内外区分算法基于业务特征，自动学习出室内和室外信号在这些特征下的分布特性，并基于这些分布特性，完成室内和室外的估计。相比于有监督算法，该算法不需要人工对MR标记，因此有效降低了商用成本。但是，无监督算法的精度受限，其使用的业务特征属于专家经验，考虑到无线环境的多变，这些专家经验并不能覆盖所有场景，因此在某些场景下的精度很差。

发明内容

本发明提供了一种MR室内外区分方法，解决传统监督学习的成本问题及无监督学习的精度问题。

为解决上述问题，一方面，本发明提供一种MR室内外区分方法，包括：

通过离线阶段设置编码规则并形成分类器；

通过在线阶段对MR数据进行室内外区分。

所述通过离线阶段设置编码规则并形成分类器，包括：

自动标注室外的MR数据；