[论文解读] Exploring a New Model for Mobile Positioning Based on CDR Data of The Cellular Networks

Amnir Hadachi, Artjom Lind|arXiv (Cornell University)|Feb 8, 2019

Human Mobility and Location-Based Analysis参考文献 33被引用 7

一句话总结

本文提出了一种新颖的移动定位模型，仅使用CDR数据和蜂窝网络覆盖区域来估计用户位置，显著提升了定位精度。该模型采用切换卡尔曼滤波器对移动类型（移动/停留）进行分类，同步估计位置，并应用地图匹配技术将结果与道路或建筑物对齐，使移动位置的误差最高降低58%，停留位置的误差降低14%（在优化并结合地图匹配后）。

ABSTRACT

The emerging technologies related to mobile data especially CDR data has great potential for mobility and transportation applications. However, it presents some challenges due to its spatio-temporal characteristics and sparseness. Therefore, in this article, we introduced a new model to refine the positioning accuracy of mobile devices using only CDR data and coverage areas locations. The adopted method has three steps: first, we discovered which model of movement (Move, Stay) is associated with the coverage areas where the mobile device was connected using a Kalman filter. Then, simultaneously we estimated the location or the position of the device. Finally, we applied map-matching to bring the positioning to the right road segment. The results are very encouraging; nevertheless, there is some enhancement that can be done at the level of movement models and map matching. For example by introducing more sophisticated movement model based on data-driven modeling and a map matching that uses the movement model type detected by matching "Stay" location to buildings and "Move" model to roads.

研究动机与目标

• 解决CDR数据在空间和时间分辨率较低的情况下对移动用户精确定位的挑战。
• 开发一种仅依赖CDR数据和覆盖区几何结构的定位模型，无需GPS或其他传感器。
• 通过整合移动建模（移动/停留）与地图匹配，将估计位置与真实世界基础设施对齐，提升定位精度。
• 评估覆盖区优化与地图匹配对移动和停留行为定位误差降低的影响。

提出的方法

• 使用切换卡尔曼滤波器，基于CDR事件和覆盖区转换，将用户行为分类为“移动”或“停留”状态。
• 执行同步状态估计，以推断移动设备在覆盖区多边形内的最可能地理位置。
• 应用覆盖区优化，以改进天线覆盖多边形的中心点和形状，从而提升定位精度。
• 在估计后应用地图匹配：对于“移动”模型，将位置匹配到最近的道路段；对于“停留”模型，将位置匹配到最近的建筑物。
• 该模型利用历史CDR数据和已知的基站位置，重建出类似GPS轨迹的移动轨迹。
• 通过GPS真实值进行误差评估，使用RMSE和误差分布分析比较估计位置与实际位置。

实验结果

研究问题

• RQ1 仅使用CDR数据和覆盖区几何结构，能否实现可接受精度的移动用户位置估计？
• RQ2 与统一模型相比，将用户行为建模为“移动”或“停留”如何提升定位精度？
• RQ3 覆盖区优化对降低CDR定位中的定位误差有何影响？
• RQ4 地图匹配在将估计位置与真实世界基础设施对齐方面（移动对应道路，停留对应建筑物）有多有效？
• RQ5 不同移动模式下，哪种优化与地图匹配组合能实现最低误差？

主要发现

• 覆盖区优化将“移动”位置的平均误差从4912.9米降低至4937米，标准差从6510.4米降至6083.2米，表明误差更集中于零附近。
• 对于“停留”位置，覆盖区优化将平均误差从2106.8米降至1803.3米，标准差从2008.1米降至1739.2米。
• 地图匹配将“移动”位置的RMSE从8156.1米（未优化）降低至3344.4米（同时应用优化与地图匹配），降幅达58.7%。
• 地图匹配对“停留”位置产生负面影响，使RMSE从1803.3米（仅优化）上升至2402.6米（应用地图匹配），表明其对这类情况无益处。
• “移动”位置的最佳性能来自同时采用覆盖区优化与地图匹配，而“停留”位置的最佳结果仅通过覆盖区优化即可实现。
• 优化后，“移动”和“停留”位置的误差分布均更集中于零附近，证实其在精炼位置估计方面的有效性。