论文笔记:Localizing Cell Towers fromCrowdsourced Measurements

2015

1 Intro

1.1 motivation

  • opensignal.comcellmapper.netopencellid.org 都是提供天线(antenna)位置的网站
    • 他们提供的天线位置相当准确,但至少在大多数情况下不完全正确
    • 这个目标难以实现的原因是蜂窝网络供应商没有义务提供有关天线位置的数据,只有在少数特定国家才知道一些正确的蜂窝网络天线位置
    • 那么这些网站如何知道其余的天线在哪里呢?答案是众包(crowdsourcing)
      • 众包涉及使用大量人群来完成任务或解决问题
      • 将某事外包给一个未定义的人群。
      • 这样的人群通常彼此不认识,就像在线社区或一般公众一样。
      • 当众包过程启动时,发起者向目标人群提出请求。
        • App收集手机连接的天线、接收信号的强度和智能手机的位置等数据
        • 这种数据收集,也称为测量
  • 这篇论文进行的研究是:我们如何基于众包数据估计蜂窝网络天线的位置?

1.2 OpencellID的方法

  • OpenCellID 用来计算蜂窝网络天线位置的算法非常简单。
    • 基于为天线收集的测量数据,将天线的经纬度坐标设置为这些测量的经纬度的平均值
  • 不是一个好方法,因为天线以通常水平方向120度的披萨片形状广播信号。全向天线非常罕见
    • 这意味着 OpenCellID 中的大多数天线被估计位于披萨片形扇区的大约中间,而正确的位置应该是每次测量都在天线120度范围内的某个方向

1.3 了解天线位置的好处

  • 最直接的应用是作为GPS的替代品
    • GPS 为接收到四个以上 GPS 卫星信号的设备提供不到 1 米的定位误差,但需要特殊的硬件技术,这既昂贵又耗能
    • 假设我们知道每个蜂窝网络天线的正确位置,以及每个天线正在向哪些移动设备广播。那么我们可以使用这些信息来定位和跟踪个别设备
    • GPS 的一种经济有效的替代方案
    • 特别是在 GPS 不可用的地方,通过蜂窝网络进行定位可以是一项宝贵的资产
  • 对于个人用户来说,了解蜂窝网络天线位置可以帮助他们在居住地区找到最佳网络提供商
    • 如果用户担心无线电波的辐射,他可以根据追踪蜂窝网络天线位置收集到的无线电发射数据来选择居住区域
  • 社会也可以从移动设备的蜂窝网络天线定位中受益
    • 通过收集连接到数十个移动设备的天线数据,例如在一天或一年中的特定时间,或在下雨或阳光明媚时,可以帮助发展基础设施或文化游览地点。
    • 例如,这样的数据可以证明在许多人经过的路径沿线建新路,或在夏天阳光明媚时许多人经过的地方建游乐园的决策是合理的

1.4 Preliminary

  • 一个"小区"(cell)是由蜂窝网络天线(antenna)覆盖的地理区域。
    • 来自这个天线的信号有潜力到达小区内的每个移动设备
  • 天线位于一个小区塔(cell tower)上,或更一般地说是一个基站(base station)
  • 一个小区的覆盖区域为"小区扇区"(cell sector),小区扇区的角度为"小区扇区角度"(cell sector angle),小区扇区的边缘为"小区边缘"(cell edges)。这些组件,连同测量数据,构成了一个小区
    • 小区扇区角度在大多数情况下总是120°。一些蜂窝网络提供商也使用小区扇区角度更小的小区,例如60°。这在例如城市地区可能是有益的。
    • 通常,三个或更多小区共享一个小区塔以覆盖小区塔周围360°角度内的所有内容。
    • 小区塔将有几个指向不同方向的天线
  • 为了避免断开连接并支持高需求,小区和小区塔理论上如下图组织
    • 将小区想象为一个六边形系统
    • 每个六边形至少由三个不同的小区塔覆盖
    • 小区塔或天线的强度可能覆盖超过自己的六边形
      • 这确保了对用户的有效重叠和蜂窝网络的持续连接
  • 实际上,维护六边形系统是困难的
    • 小区塔需要放置在一定高度,且在试图覆盖特定区域时必须考虑建筑物、山脉或其他障碍物
    • 城市地区可能需要多个天线来覆盖有许多障碍物的小区域,而农村地区可能比理论上需要的少

2 方法1:Cell Tower Localization based on Distance (D-CTL)

2.1 小cell angle

  • 假设小区在狭窄的扇区内广播,比如10°而不是120°,来简化我们的问题定义。
    • ------>意味着小区覆盖的区域更集中
  • 还假设接收信号强度(RSS)不可用,并且从小区塔到测量点的最大距离为113。
    • ------>利用小区内测量点之间的距离来估算小区塔的位置

2.2 子步骤1: D-DL(基于距离的方向线)子程序

2.2.1 问题举例

  • 在图4.1a中,显示了一个具有10°小区扇区和20个随机分布的测量点的生成小区
  • 现在假设我们不知道小区塔的位置或小区边缘的角度,如图4.1b所示
  • 我们提出以下问题:当我们只知道测量点的位置时,小区塔位于测量点的哪个方向?
    • 通过观察图形我们可以轻松猜测答案,但我们需要以算法的方式得出答案。

2.2.2 D-DL 算法

2.3 子步骤2 & 子步骤3 :计算扇区 & 查找扇区

  • 我们现在假设我们已经使用了D-DL来计算 l_direction,其端点为 ep1 和 ep2
    • l_direction 提供了关于我们估计小区塔位于测量点的哪个方向的信息。
  • 由于我们对测量点没有比它们的位置更多的信息,因此我们无法知道正确的小区塔是位于 ep1 还是 ep2。
    • 因此,我们为两个端点各自计算估计的小区扇区
  • D-CTL算法的第二和第三个子程序:计算扇区(CS)和查找扇区(FS)
    • CS和FS的目的是计算由 l_direction 的一个端点生成的小区扇区 ,以便每个测量点 m ∈ M 都适合其中
    • FS通过进行多次迭代来计算。对于每次迭代,如果每个 m 不适合当前计算的小区扇区,FS 将对 CS 进行新的调用,延长 l_direction,从而计算出新的小区扇区
  • 下边对于CS和FS的介绍,都以小区塔在ep1为例,ep2同理

2.3.1 计算扇区

  • CS以 l_direction 和 α 为输入,其中 α 是小区扇区角度。
  • 它首先围绕 ep1 向两个方向各旋转 l_direction,角度为 α/2
  • 然后,它返回,ep1 作为小区塔位置,以及从旋转 l_direction 得到的两条线作为小区边缘

2.3.2 查找扇区

  • FS 以 M、l_direction、和 α 为输入,其中是一个常数
  • 它首先声明变量
  • 然后它调用 CS 来计算初始估计的小区扇区,原始的 ep1 作为小区塔位置,并将其存储在
  • 然后它进行多次迭代。
    • 对于每次迭代:如果 m 不适合,它将 l_direction 沿着 ep1 以常数长度 扩展
    • 对 CS 进行新的调用,将新的 l_direction 作为输入
  • 当每个 m 都适合时,迭代停止

2.4 步骤4:根据距离选择方向(D-CD)

  • 现在假设我们已经使用了D-DL来计算 l_direction,其端点为 ep1 和 ep2,并且使用了FS来计算两个估计的小区扇区解决方案 Cheuristic1 和 Cheuristic2。
  • 现在我们想选择其中一个作为最终估计的小区扇区解决方案和相应的小区塔位置

2.4.1 假设

  • 在一个小区扇区中,我们离小区塔越远,形成小区边缘的两条线 l1 和 l2 之间的距离就越大
  • 一个完美代表小区指向的线 l 应该与小区塔相交,并在 l1 和 l2 之间,使得从 l 到 l1 的距离和从 l 到 l2 的距离始终相等
  • 这意味着离小区塔较远的测量点可能比靠近它的测量点离 l 更远。
  • 现在考虑 l 的两个端点 lep1 和 lep2,以及我们随机分布的测量点。
    • 设 S1 为更接近 lep1 的测量点子集,S2 为 更接近 lep2 的测量点子集。
    • 我们计算 S1 中测量点到 l 的最小可能距离的平均值 mean1,以及 S2 中测量点到 l 的最小可能距离的平均值 mean2。
    • 如果 mean1 < mean2,则 lep1 是 l 在正确的小区塔位置的端点。
    • 如果 mean2 < mean1,则 lep2 是 l 在正确的小区塔位置的端点。
  • 这个假设对于每个 10 <= α <= 120 都适用。

2.4.2 D-CD 算法

  • 我们没有这样一个完美的方向线 l,所以我们改用 l_direction,其端点为 ep1 和 ep2

2.5 方法1 对应的实验

2.5.1 d_extend(子步骤3每次l_direction增加长度)对于结果的影响

2.5.2 max_distance(每个信号站的最远波及范围)的影响

2.5.3 小区夹角的影响

3 方法2:Cell Tower Localization based on Received Signal Strength (RSS-CTL)

  • 基于属于小区的测量数据中的接收信号强度(RSS)值来估算小区塔的位置

3.1 大cell angle------基于接收信号强度估计基站位置

  • 这一章假设α=120°
  • 假设每个测量都配备了 RSS。我们现在将利用 RSS 而不是测量点之间的距离来估算小区塔位置

3.2 基于RSS 计算direction LIne(RSS-DL)

RSS-DL与D-DL子程序的唯一区别在于,RSS-DL比较的是两个测量点之间的RSS值,而不是距离

3.3 基于RSS 计算扇区& 查找扇区

CS和FS不做修改

3.4 基于RSS 选择方向

和前面的D-CD类似,区别是这里计算S1和S2 RSS的平均值,而不是距离的平均值

3.5 方法2对应的实验

3.5.1 d_extend

3.5.2 max_distance

4 OpenCellId上进行测试

(这里研究的主要是挪威的数据)

4.1 数据结构

  • OpenCellID 数据的结构如下所述。其中包含小区(cell)和测量(measurement)对象
    • 当收集到的测量数据是之前未见过的小区时,会创建一个新的小区对象
    • 每次为小区添加新测量时,小区对象的几个数据字段都会更新

论文给出的opencellId 数据结构我并没有在官网上 找到。。。

4.2 数据梗概

4.2.1 Identification

一个小区通过四个不同的值来识别;mcc(移动国家码)、net(网络运营商码)、area(区域码)和cell(小区码)。这些分别告诉我们哪个国家、哪个蜂窝网络提供商、该国内的哪个区域以及哪个ID属于该小区。

4.2.2 基站的实际位置是否已知

  • OpenCellID通过计算小区测量点的经度和纬度的平均值来估算该小区的小区塔位置
  • 但也有一些例外情况
  • changeable字段告诉我们小区塔位置是否已经使用可用测量数据计算过
    • 为0,则该小区塔的位置是正确的
    • 在这种情况下,OpenCellID已经从某些国家的某些蜂窝网络提供商那里获得了关于正确小区塔位置的数据。这涉及的国家包括俄罗斯、德国和波兰
  • 论文代数据库中的每个小区,检查每个小区的changeable值,并存储changeable值为0的每个小区的mcc值

4.3 过滤数据

4.3.1 GSM

论文选择GSM小区作为测试算法的数据集合

4.3.2 changeable

只考虑changeable为0,也即运营商提供数据的部分

4.4 清洗数据

4.4.1 r_include 验证测量到小区塔的距离

  • 小区塔的广播范围不是无限远的,有些测量距离其所属小区塔太远,不能视为有效
    • 如果测量距离正确的小区塔位置超过 rinclude 的值,我们在运行 D-CTL 和 RSS-CTL 算法时不会包括这个测量
    • 当我们不知道正确的小区塔位置时,我们计算测量的经度和纬度的平均值,并使用这个测量的几何中心作为r_include的原点
  • Macro-cell 是具有最强广播能力的小区类型
    • 标准理论范围是35公里
    • 使用这个距离作为验证测量到其小区塔距离的最大 r_include 值

4.4.2 接收信号强度(RSS)验证

  • 测量的 RSS 要么是 dBm 值,要么是 0 到 31(包含)之间的数字
    • 蜂窝信号的 dBm 值总是负数
      • ------>定义了从负 dBm 值到正数的映射

\

  • RSS 值大于 31 的测量将不被视为有效。当在包含 0 到 31 的 RSS 值的测量的小区上运行 D-CTL 和 RSS-CTL 算法时,论文将这些转换为 dBm 值(2x-113)

4.4.3 小区测量中的接收信号强度值

  • 需要考虑一个小区的所有测量中不同 RSS 值的总数
    • ------阈值设置为3

4.4.4 m_max,m_min

  • 每个小区的测量数量

4.4.5 有效测量标准

  • 与正确的小区塔位置的距离小于或等于 rinclude。
  • RSS 值小于或等于 31

4.4.6 有效小区标准

  • 测量中不同 RSS 值的总数大于或等于 3。
  • 测量总数不少于 mmin 且不超过 mmax。

5 在挪威卑尔根的实验结果

5.1 和OpenCellID相比的结果

其实没有OpenCellID能打。。。

5.2 运行时间

相关推荐
何大春9 小时前
【弱监督语义分割】Self-supervised Image-specific Prototype Exploration for WSSS 论文阅读
论文阅读·人工智能·python·深度学习·论文笔记·原型模式
Bearnaise2 天前
GaussianDreamer: Fast Generation from Text to 3D Gaussians——点云论文阅读(11)
论文阅读·人工智能·python·深度学习·opencv·计算机视觉·3d
PD我是你的真爱粉2 天前
Quality minus junk论文阅读
论文阅读
regret~3 天前
【论文笔记】LoFLAT: Local Feature Matching using Focused Linear Attention Transformer
论文阅读·深度学习·transformer
Maker~3 天前
23、论文阅读:基于多分辨率特征学习的层次注意力聚合GAN水下图像增强
论文阅读·学习·生成对抗网络
Q_yt3 天前
【图像压缩感知】论文阅读:Content-Aware Scalable Deep Compressed Sensing
论文阅读
江海寄3 天前
[论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review(三)总结梳理-疑点记录
论文阅读·人工智能·深度学习·机器学习·计算机视觉·语言模型·视觉检测
江海寄3 天前
[论文阅读] 异常检测 Deep Learning for Anomaly Detection: A Review (四)三种分类方法对比
论文阅读·人工智能·深度学习·机器学习·计算机视觉·分类
代码太难敲啊喂3 天前
【Anomaly Detection论文阅读记录】Resnet网络与WideResNet网络
论文阅读·人工智能
YunTM3 天前
革新预测领域:频域融合时间序列预测,深度学习新篇章,科研涨点利器
论文阅读·人工智能·深度学习