基于4G信令大数据的楼宇用户定位方案探讨

许盛宏　宫云平　安劲伟

【摘 要】为了解决楼宇用户定位不准确的问题，通过采用多种可行方案对比论证的方法，分析4G用户测量报告以及用户通话行为等方面数据，提出了基于通话行为的楼宇用户定位方案，經过试验验证了该楼宇定位方案的有效性，将会在楼宇网络优化、客户感知提升等方面发挥重要作用。

【关键词】大数据 楼宇用户 定位

1 引言

随着移动通信市场竞争的不断加剧，面向用户感知的网络质量成为增强运营商竞争力的关键因素，同时大部分移动业务发生在室内，因此室内用户感知的提升是各运营商当前工作的重点。但是，现有的室内用户定位方法无法准确地将用户定位到某个楼宇，更妄谈高效、及时提升室内用户感知，尤其是重点商住楼宇用户的感知，这将严重影响各运营商4G用户的感知和品牌形象。基于此，本文探索一种楼宇用户的准确定位方法，将有限的资源精准投放到重要商住楼宇的网络优化中，以更好地提升4G用户的感知和满意度。

2 现有楼宇用户定位方案

运营商对楼宇用户的定义包括两部分：一是在室内基站下使用移动网络的用户；二是对于大部分没有4G室内覆盖的楼宇，则通过室外三角定位方法进行粗糙定位，定位结果落在楼宇建筑物内的用户也属于楼宇用户。

目前楼宇用户定位技术实现流程图如图1所示。

通过对4G用户上网时无线侧周期性的MR（Measurement Report，测量报告）分析，提取MR中的用户主服务小区的参数，如果此时用户的主服务小区是室内小区的，则以该小区经纬度作为用户当前位置的经纬度；如果此时用户的主服务小区是室外小区的，则通过室外三角定位算法计算该用户当前位置的经纬度。然后根据用户位置经纬度判断是否落在楼宇建筑物范围内（建筑物外墙在地图上的投影多边形，以下简称楼宇多边形），来判断该用户当前归属某个楼宇。

目前楼宇用户定位技术存在如下问题，将会导致无法快速、高效地提升室内用户的感知。

（1）室内基站仅覆盖少部分楼宇，大部分楼宇用户使用室外基站，而室外三角定位算法对于室内用户的定位误差很大，平均定位误差为150 m至300 m，远超出了一般楼宇建筑物的覆盖范围，定位准确率仅有20%左右。

（2）运营商缺乏类似于微信、导航等用户量较大的手机应用，无法效仿移动互联网巨头通过自己运营的APP、浏览器直接获取用户上报的GPS定位信息，同时由于这些携带位置信息的主流APP、浏览器信息流进行了加密，运营商也无法通过信令解析等方式获得用户在APP应用中上报的位置信息，因此不能对楼宇用户进行精准定位。

3 可行解决方案对比分析

为了解决目前运营商楼宇用户定位不准确的问题，结合相关业务系统数据，通过移动网络大数据挖掘建模，提出以下三种解决方案：

方案一：基于测试APP（运营商开发的用于内部装维或者用户业务办理的APP，用户规模较少）的大数据分析方案

首先基于用户无线MR数据的无线特征对经纬度进行聚合分析，找出这些位置对应的用户无线信号特征RSRP（RS Received Power，RS接收功率）、RSRQ（RS Received Quality，RS接收质量）等，构建出用户物理位置和用户无线特征向量的模型；然后将测试APP上报的无线信号特征和实际位置作为正样本，对模型进行训练并不断修正优化；最后根据模型输出的用户位置点结合楼宇位置信息进行判断，确定用户归属的具体楼宇。

方案二：基于无线工参仿真系统的大数据分析方案

首先将楼宇外墙多边形进行一定范围扩展后（市区为300 m、郊区为1 000 m），确定可能为该楼宇用户提供服务的所有基站小区；然后通过仿真系统对这些基站小区的工参进行提取，并找出楼宇的无线特征；最后根据现网用户MR的无线特征向量和楼宇无线特征向量的相似度来判断用户归属的具体楼宇。

方案三：基于通话行为的大数据分析方案

首先根据用户通信行为特征判断出小区覆盖范围内楼宇的室内稳定用户；然后进一步结合通话集中度特征、楼宇的固网号码关系建立分析模型，从而得到每个小区室内稳定用户所归属某个楼宇，提取一定周期的已明确归属楼宇的用户特征进行模型建立和训练；最后根据用户当前使用业务特征和模型输出的楼宇用户特征匹配分析实时判断用户归属某个楼宇。

对上述三种方案在实现方式、所需数据源、数据源获取、技术实现情况、模型自动优化、定位准确性等方面进行评估分析，具体如表1所示。

综上所述，方案三（基于通话行为的大数据分析方案）的模型自动优化较好、定位准确性较高，因此方案三为优化的解决方案。下面将详细阐述方案三的具体实现方法。

4 基于通话行为的大数据分析方案

4.1 关键实现流程设计

方案三（基于通话行为的大数据分析方案）的关键实现流程包括两部分：大数据训练模型生成和根据模型进行现网用户实时计算归属哪个楼宇，具体如图2所示。

目前通过初步试验分析，定位准确率已达80%，通过模型的自动优化还会进一步提升成功率，比目前楼宇定位技术有着大幅度的提升。主要步骤如下：

（1）从信令监测网管系统获取用户的通信行为特征，通过用户周期性MR数据分析用户的移动性，具备如下某个或者多个条件的，则判断这些用户为某个小区的室内稳定用户。

某个时间段（工作日或者非工作日）在同一个主服务小区或者邻区停留时间超过M min；

用户在一段时间内具有弱移动性，其移动距离小于N m、移动速度小于S m/h；

同一个主服务小区或者邻区内连续监测到具有通信业务（通话、上网、短信）时长超过W min；

用户在一段时间内没有MR测量信息的之前和之后的所在主服务小区为同一个小区或者邻区的。endprint

（2）从网络资源系统获取小区地理位置的参数，根据小区所在地理位置类型确定覆盖半径（如市区小区为300 m、郊区小区为1 000 m），以小区经纬度为圆心以及所确定的半径找出在此小区覆盖范围内的楼宇。一般情况下，一个小区可能覆盖多个楼宇，一个楼宇也可能在多个小区覆盖下，根据步骤（1）确定用户为某个小区下的室内稳定用户，因此就得到用户可能归属的该小区覆盖下的多个楼宇。同时，也可以计算出楼宇和所有覆盖小区之间的距离，从而得到楼宇和所有小区之间的距离特征。

（3）从网络资源系统获取楼宇的固定电话号码分布情况，得到每个小区覆盖下的楼宇的固话或者固话号段分布特征。

（4）提取小区覆盖下的室内稳定用户的固话通话集中度特征，主要包括主叫集中度高（即相同号段固话用户高频次呼叫该用户）以及被叫集中度也高（即该用户所呼叫的固话被叫用户相对集中），再根据步骤（3）得到的楼宇固网电话分布情况，可以得出用户所在某个小区下可能覆盖的多个楼宇中的某个楼宇，比如一个用户在工作时间经常拨打38639906或者接到38639906的呼叫，此号码为某研究院楼宇的固网号码，而这个室内稳定用户所在小区又覆蓋某研究院的楼宇，则说明用户归属某研究院的楼宇。同时，还可以根据用户和服务小区的距离、邻区距离，从而得到用户的距离特征。

（5）提取一定周期的已明确归属楼宇的用户数据，通过回归、决策树等方法进行大数据建模和训练，从而得到每个小区室内稳定用户所归属某个指定楼宇的具体特征，主要包括时间、位置、无线参数、距离特征等。

（6）根据上述确定的模型进行用户实时定位。当用户在使用上网等业务时，获取用户使用业务的具体特征，包括时间、位置、无线参数、距离特征等，结合已训练好的模型输出的楼宇用户特征进行匹配分析，即可实时判断用户归属某个楼宇，并将通过这些数据收集进一步自动优化完善模型。

4.2 系统框架构建

方案三的系统框架实现如图3所示，包括信令接口处理模块、楼宇数据处理模块、大数据分析模块、楼宇用户特征管理模块、归属楼宇的定位模块五部分。

具体如下：

（1）信令接口处理模块与信令监测网管系统、4G DPI（Deep Packet Inspection，深度包检测）系统对接，通过信令监测网管系统提供用户通话、短信业务信令流程，用于提取用户通信特征计算用户通话集中度，并通过4G DPI系统提供用户上网业务流程。

（2）楼宇数据处理模块从网络资源系统获取小区的覆盖半径、楼宇的固定电话号码分布等信息，用于计算小区半径所能覆盖的楼宇、楼宇归属的固定电话号码分布以及楼宇与各个小区之间的距离。

（3）大数据分析模块用于根据一定周期的大数据通过回归、决策树进行建模分析。

（4）楼宇用户特征管理模块用于管理和存储楼宇得到的时间、位置、无线参数、距离等方面的特征参数。

（5）归属楼宇的定位模块负责室内稳定用户归属某个楼宇的判断，从而得到用户归属某个指定楼宇的具体特征。

5 结束语

针对楼宇用户定位不准确的问题，本文提出了三种可行解决方案，并通过评估分析和现网试点验证了基于通话行为的楼宇用户定位方案，该方案可大大提高楼宇用户定位的准确性。后续将进一步自动收集楼宇用户特征不断优化模型，为区域性用户定位提供参考，将会在楼宇网络优化、客户感知提升、区域性精准营销等方面发挥重要作用，从而有效提升运营商4G业务产品的核心竞争力。

参考文献：

[1] 徐日明. 基于RSSI的室内无线定位方案研究[D]. 南京： 南京航空航天大学， 2010.

[2] 张懿瑶. 基于WLAN的室内定位方案研究[D]. 广州： 暨南大学， 2012.

[3] 李峻洋，赵占强，郭省力. LTE无线网络优化关键性能指标研究[J]. 邮电设计技术， 2014（4）： 83-86.

[4] 李舒楠，张亚楠. LTE无线网络优化指标应用探讨[J]. 通讯世界， 2016（12）： 115-116.

[5] 郜周军，崔雁松. LTE无线网络优化关键性能指标的分析与研究[J]. 中国新通信， 2015（21）： 89-91.

[6] 牛建伟，刘洋，卢邦辉，等. 一种基于Wi-Fi信号指纹的楼宇内定位算法[J]. 计算机研究与发展， 2013（3）： 568-577.

[7] 孙林洁. 基于MR的位置指纹定位算法研究[J]. 互联网天地， 2016（4）： 43-46.

[8] 琚波. 基于电平信号的LTE MR定位方法研究[D]. 杭州： 浙江工业大学， 2015.

[9] 赵锐，钟榜，朱祖礼，等. 室内定位技术及应用综述[J]. 电子科技， 2014（3）： 154-157.

[10] 曾光. 室内精确定位算法研究[D]. 上海： 华东理工大学， 2014.

[11] 潘立波. 基于WIFI技术的无线定位算法研究与实现[D]. 杭州： 浙江大学， 2013.endprint