论文笔记：Accurate Localization using LTE Signaling Data

1 intro

• 论文提出LTELoc，仅使用信令数据实现精准定位
  • 信令数据已经包含在已在LTE系统中，因此这种方法几乎不需要数据获取成本
  • 仅使用TA（时序提前）和RSRP【这里单位是瓦】（参考信号接收功率）
    • TA值对应于信号从手机到达基站所需的时间长度
      • ——>考虑到光速，它相当于用户设备与基站之间的距离
      • 在4G LTE网络中，TA值介于0到63之间，每个步骤代表一个比特周期（大约0.5208μs）的提前。
      • 以大约3×10^8米/秒的速度传播的无线电波，一个TA步长则代表大约156.24米的往返距离变化。
      • 这意味着，每当移动设备与基站之间的距离变化78.12米，TA值就会变化。
    • RSRP定义为在考虑的测量频带宽度内，特定参考信号的功率贡献的平均值
• 与传统的基于蜂窝的方法（如使用RSSI（接收信号强度指示））相比，LTELoc更准确
• LTE小区通常具有具有120度扇区化天线的定向基站发射器
  • 给定一个服务小区的TA值，用户可以位于阴影区域的任何位置。
  • 特别是当TA较大时（这意味着用户距离基站较远），这个区域会很大。
  • 
• 为了提供高精度的基于蜂窝的定位，论文将TA和RSRP的组合作为一个指纹（fingerprint）
  • TA作为距离指示器，而RSRP作为角度信息
  • 可以预期在一个小区域内只能看到一个独特的指纹
  • 考虑(TA, RSRP)签名序列，并执行地图匹配过程来提高定位精度

2 Preliminary

2.1 TA和RSRP

2.1.1 TA和RSRP的稳定性

• 论文首先展示TA和RSRP相对稳定，因此是定位的良好签名
• 为了验证这一点，论文检查相同位置收集相同cell信号的TA和RSRP是否相同
  • 
  • 图2（a）显示了TA误差分布的累积分布函数（CDF），可以看到超过99%是正确的。
  • 图2（b）显示了RSRP误差分布的CDF，可以看到几乎所有的误差都小于1 dBm。

2.1.2 一个指纹数据

• 使用和分别表示时间t时来自小区k的TA/RSRP。一个指纹是。与LTELoc相关的数据有两种：
  • 训练数据：
    • 从道路网络中的一组位置收集的带有地理标签的数据。
    • 给定了n个位置，以及每个位置服务小区k的和。
  • 观测数据：
    • 这些数据没有地理标签，但带有时间戳。
    • 确切地说，对于每个移动设备，给定时间实例ti，i = 1, 2, ..., T，对于每个ti，我们给定和。

2.2 问题定义

• 考虑一个有K个小区的LTE网络。一个移动设备在由图G = (V,E)表示的道路网络中行驶，其中V表示由纬度-经度元组特征化的节点，E表示两个节点之间的有向边。
• 给定一系列(, )观测值，估计用户位置。

3 模型

3.0 模型整体架构

3.1 地图匹配

3.1.1 HMM模型

• λ = (X, F, A, B, π)
  • X = (x1, x2, ..., xN) 是隐藏状态的集合，N = |X|
    • 每个可能的状态代表道路段上的一个点（纬度-经度）
  • F = (F1, F2, ..., FM) 是观测集合，M = |F|
    • 每个观测是
  • A = [aij] 是转移概率矩阵
    • aij = p(xi → xj)，1 ≤ i, j ≤ N
  • B = [bij] 是观测概率矩阵
    • bij = p(Fj |xi)，1 ≤ i ≤ N, 1 ≤ j ≤ M
  • π = {πi} 是初始状态分布
    • πi = p(xi)

3.1.2 获取某一个fingerprint的候选点

• 给定一个fingerprint ，选择如下的点作为候选点：
  • 连接着小区k的点
  • TA ∈ [T Ak(t) - 1, T Ak(t) + 1]
  • RSRP ∈ [RSRPk(t) - 1dB, RSRPk(t) + 1dB]

3.1.3 获取观测概率p(Fj |xi)

• 计算
  • 在某个TAk值附近，可能存在多个候选位置。
  • 在缺乏其他信息的情况下，论文做了一个均等可能性的假设：这个TAk值附近的所有位置是等可能的
    • 也即每个候选点位置xi产生观测值T Ak的概率是相同的
    • 记TAk的候选点数量为N，则
• 计算p(RSRPk∣TAk,xi)
  • 为了计算在给定TA值和位置的情况下观测到特定RSRP值的概率，采用了SVM
    • 数据收集：
      • 首先，从每个小区收集数据，这些数据应包括在不同位置测得的TA和RSRP值。
    • SVM模型训练：
      • 使用这些数据来训练一个SVM模型。
      • 在这个模型中，TA值和位置信息（纬度和经度）被用作特征，而RSRP值的统计数据（平均值）是模型的输出。
      • SVM模型能够对新的输入数据（即TA值和位置）预测RSRP值。
    • 概率估计：
      • 使用SVM模型【支持向量回归SVR】来预测在给定TA值时，在某一特定位置xi的RSRP的平均值。
      • 然后假设RSRP值在这一位置呈正态分布，其中SVM预测的RSRP值是均值，标准差σk​ 是从数据中得到的。
      • 

3.1.4 获取转移概率p(xi → xj)

• 
  • 表示修正后的距离
  • 假设在从位置xi到xj的过渡过程中，有c次道路切换，那么修正后的距离为
    • δ是道路切换的惩罚

3.1.5 维特比算法

获得输出概率和转移概率后，目标就是最大化：

类似于HMM ，使用维特比算法

4 实验

4.1 多少比例用作training？