CN101536591A - 用于改善定位的扩展聚类 - Google Patents

Abstract

使用对位置确定进行聚类的方法以在蜂窝通信网络中提供位置确定辅助数据。该方法包括以下步骤：获得(209)作为高精度位置确定的结果的点的一个主类。该方法进一步包括以下步骤：分出(220)至少两个子类。这些子类的点所具有的点的局部密度高于预定局部密度阈值。还提出了一种包括对位置确定进行聚类的步骤的用于在蜂窝通信网络中提供位置确定辅助数据的方法，并公开了一种用于在蜂窝通信网络中提供位置确定辅助数据的装置、一种蜂窝通信网络的节点、一种蜂窝通信网络和一种包括位置确定辅助数据的计算机可读介质。

Description

用于改善定位的扩展聚类

技术领域

本发明总体上涉及用于蜂窝通信网络中移动终端的位置确定的方法和系统，具体地说，涉及与小区区域有关的位置确定。

背景技术

将全部蜂窝通信系统划分为小区，其中用户设备(UE)由一个基站提供服务或者在多个(更)软切换时由多个基站提供服务。各基站可以服务于一个以上小区中的UE。从定位和导航的观点来看，重要的是在蜂窝系统中特定UE所在的小区是已知的。因此，在确定了由特定小区覆盖的地理区域之后，就可以说该UE位于所述地理区域内的某个地方，只要它保持连接并且所报告的服务小区的小区标识(cell identity)等于与该特定地理区域相对应的小区标识。

在宽带码分多址接入(WCDMA)蜂窝系统内进行定位的一个示例简要地说如下工作，假设该定位通过无线接入网应用部分(RANAP)接口而工作。然而，对于例如全球移动通信系统(GSM)和码分多址接入2000(CDMA 2000)而言该过程是类似的。

在服务无线网络控制器(SRNC)中通过RANAP接口而接收请求了位置估计的消息。假设该消息的服务参数质量是使得无线网络控制器(RNC)选择小区标识定位方法。SRNC确定待定位UE的服务小区标识，并获取(retrieve)表示该服务小区的范围的预先存储的多边形。SRNC在位置报告消息中使用小区多边形格式通过RANAP接口将所得到的小区多边形发送回核心网。

然而，应当注意的是，由于无线传播的复杂性，小区多边形格式仅仅是真实小区范围的近似。多边形格式的选择是出于具有合理灵活性的地理表示格式的需要，并考虑了例如计算复杂度和报告带宽。

由于多边形格式是对小区范围的近似，因此该多边形通常是在小区规划工具中预先确定从而以特定的置信度来表示小区范围。该置信度意在表示在该UE连接到由小区多边形表示的小区的条件下该UE位于该多边形内的概率。例如可以基于对各种复杂程度的覆盖模拟对小区多边形进行基本离线计算。然而，当考虑到计算出的小区范围的置信度时，最终结果通常不是非常可靠。

一项特别艰难的任务是在UE位置的概率具有复杂分布模式的小区中进行小区ID定位。所限定的小区范围通常也包括如下区域，在该区域中找到UE的概率很低。这显然会降低定位准确度的总体水平。

小区标识定位方法的准确度主要受到小区大小的限制，该因素妨碍了其被用于更复杂的导航应用中。其主要优点包括非常短的响应时间以及它被广泛应用并且在有蜂窝覆盖的地方总是可用。小区标识方法还实现起来简单并且没有UE影响。这些优点引起了开发致力于保留该方法的优点的同时增强基本小区标识方法的准确度的增强小区标识(E-cell ID)定位方法的兴趣。

E-cell ID定位的一个原则是为了将小区范围模型与距离测度(measure)结合起来。实现这一目的的两种可能方法是往返时间(RTT)测量和路径损耗测量。这两种备选方案中最准确的是RTT测量。路径损耗测量受到阴影衰落效应的影响，阴影衰落效应导致准确度的量级为到UE距离的一半。在RTT测量原理中，对无线电波从无线基站(RBS)到达UE并返回的行进时间进行测量。RTT方法单独地限定了围绕RBS的一个圆。通过将该信息与小区多边形结合起来，可以计算出该圆的左角和右角。

增强小区标识定位的另一构想是利用UE与一个或几个小区(更)软切换时预先计算出的所处区域的地图。这种区域远小于开放的整个小区，以获得所确定位置的更高准确度。通常，在规划工具中预先计算出这些地图，确切地说，作为普通小区多边形。

在某些情况下要求高精度定位。在本公开中，“高精度定位方法”定义为表示有可能满足北美E-911紧急定位要求的定位方法。满足这些要求的方法能够获得以下定位准确度：

(以终端为基础)50米(67％)和150米(95％)，

或者(以网络为基础)100米(67％)和300米(95％)。

辅助全球定位系统(A-GPS)定位是对全球定位系统(GPS)的增强。附接到例如蜂窝通信系统的GPS基准接收器收集在发送到与蜂窝通信系统连接的终端中的GPS接收器时增强了GPS终端接收器的性能的帮助数据(assistance data)。通常，A-GPS准确度会变好达10米。直接从蜂窝通信系统收集附加帮助数据，通常是要获得该终端位置的粗略初始估计以及该初始估计的相应不确定度。该位置通常由小区标识定位步骤给出。

上行链路到达时间差(UTDOA)定位方法基于在几个RBS中对来自UE的发送执行的到达时间测量。信号强度比在A-GPS中更高，其增强了在室内执行定位的能力。预计UTDOA的准确度比A-GPS的准确度要稍差一些，这主要是因为无线传播条件沿着地球表面比以高仰角从卫星接收到GPS无线信号时要差。

基于小区ID的现有定位方法的普遍问题是所确定的位置的准确度低，在针对具有复杂形状的小区进行UE定位时尤其如此。相对于计算出的小区区域，通常不能以最佳的可能准确度来确定置信度值。

发明内容

因此，本发明的总的目的是提供能够改善位置确定准确度的方法、装置和系统。进一步的目的是提供能够提供可以实现更高准确度的位置确定的方法和装置(特别是对于具有复杂形状的小区)，以用于UE定位。然而，本发明的又一个目的是提供能够以更小的可区分区域工作的方法、装置和系统。本发明的另一目的还在于提供能够提供具有良好地建立的置信度值的限定区域的方法、装置和系统。

上述目的通过根据所附专利权利要求的方法、装置和系统来实现。总的来说，在第一方面中，使用一种对位置确定进行聚类的方法以在蜂窝通信网络中提供位置确定辅助数据。该方法包括以下步骤：获得作为高精度位置确定的结果的点的一个主类。该方法还包括以下步骤：分出至少两个子类。这些子类的点所具有的点的局部密度高于预定局部密度阈值。

在第二方面中，提供了一种用于在蜂窝通信网络中提供位置确定辅助数据的方法，该方法包括以下步骤：针对用户设备建立小区关系配置。所述小区关系配置至少包括小区的小区标识，其中去往/来自所述用户设备的信号在被接收到时至少满足特定无线状况准则。该方法进一步包括以下步骤：针对所述用户设备执行高精度位置确定。将所述建立和执行步骤重复多次。该方法进一步包括以下步骤：将作为属于同一小区关系配置的所述高精度位置确定的结果的点聚类到点的独立的主类中，以及根据第一方面，将所述点的独立的主类中的至少一个主类分解成子类。该方法还包括以下步骤：将区域限定与所述点的主类中的至少一个主类相关联，并创建包括所述小区关系配置与所述关联的区域限定之间的关系的位置确定辅助数据。

在第三方面中，提供了一种用于在蜂窝通信网络中提供位置确定辅助数据的装置，该装置包括用于针对用户设备建立小区关系配置的单元。所述小区关系配置至少包括小区的小区标识，其中去往/来自所述用户设备的信号在被接收到时至少满足特定无线状况准则。该装置进一步包括用于针对所述用户设备执行高精度位置确定的单元，以及用于将作为属于同一小区关系配置的所述高精度位置确定的结果聚类到点的独立的主类中的单元。所述用于对结果进行聚类的单元进一步被设置成从所述点的独立的主类中的至少一个主类中分出至少两个子类。这些子类中的点所具有的点的局部密度大于预定局部密度阈值。该装置进一步包括用于将区域限定与所述点的主类中的所述子类中至少两个子类相关联并创建包括所述小区关系配置与所述关联的区域限定之间的关系的位置确定辅助数据的单元。

在第四方面中，提供了一种蜂窝通信网络的节点，该节点包括根据第三方面的装置。

在第五方面中，提供了一种蜂窝通信网络，该蜂窝通信网络包括根据第三方面的装置。

在第六方面中，提供了一种计算机可读介质，该计算机可读介质包括由根据第一或第二方面的方法提供的位置确定辅助数据。

本发明的大量优点可以描述如下：自适应地并且自动地建立了用于小区关系配置的小区限定的数据库。将类分解成子类提高了可获得的定位准确度。可以通过由本发明获得的初步定位数据来改善UTDOA和A-GPS定位方法的性能。自动地对区域限定信息进行细化，一个事实是例如当重新规划无线网络(RAN)的部件时是有用的。

附图说明

通过参考与附图一起作出的以下描述可以最佳地理解本发明及其进一步的目的和优点，在附图中：

图1例示了一种蜂窝通信系统；

图2A-E例示了根据相邻小区信号的覆盖而将一个小区划分为更小的区域的示例；

图3A-C例示了小区关系配置的示例；

图4是根据本发明的方法的一个实施方式的步骤的流程图；

图5是根据本发明的方法的一个实施方式的步骤的流程图；

图6是图5的步骤230的一个实施方式的步骤的流程图；

图7例示了在点的主类中点的分布的一个示例；

图8是图5的步骤230的另一个实施方式的步骤的流程图；

图9例示了被分解为子类的点的一个主类中点的分布的一个示例；

图10是图4的步骤212的一个实施方式的步骤的流程图；

图11是小区多边形的一个示例；以及

图12是根据本发明的节点的一个实施方式的主要部件的框图。

具体实施方式

在本公开中，“位置确定辅助数据(position determination assistingdata)”用于定义蜂窝通信系统中在小区相关的活动(例如基于小区ID的无线网络规划或者定位)中使用的数据。具体地说，它可以指本公开中使用的小区关系配置和相关的区域限定。这不应当被误认为“帮助数据(assistance data)”，在本公开中“帮助数据”只是在讨论A-GPS时才使用。

在本公开中，WCDMA系统被用作模型系统。然而，本领域中的技术人员会认识到，本发明的基本原理还适用于其他蜂窝通信系统，例如GSM。因此，本发明不限于如此例示的实施方式。

图1例示了一个普通的WCDMA系统100。无线基站30(RBS)分布在该系统的覆盖区域上，并且服务于天线20，在本实施方式中该天线是扇形天线。小区15(作为优选地通过特定扇区而与通信系统相连接的区域)与天线20的各扇区相关联。RBS 30连接到无线网络控制器(RNC)节点40，该无线网络控制器(RNC)节点40通常情况下包括定位节点45。UE 10和RNC 40通过对RBS 30透明的所谓RRC(无线资源控制)接口37进行通信。RBS 30和RNC 40是包含在UTRAN(全球移动通信系统无线接入网)35中的节点。RNC 40通过RANAP(无线接入网应用部分)接口47进一步连接到通信系统100的核心网(CN)50。

用户设备(UE)10位于蜂窝通信系统100所覆盖的区域中。用户设备通过信号25与自身的无线基站30通信。然而，也可以检测来自和去往相邻RBS 30的信号26。如果相邻信号26足够强从而支持实际的通信，则相应小区可以包含在所谓小区有效集之中，该小区有效集参与了(更)软切换。(软切换是指使用两个不同的非共位(non-colocated)RBS的情况，而更软切换是指具有几个扇区的一个RBS。)一种特殊情况是UE连接到同一RBS的两个扇区，即更软切换。然而，出于本发明的目的，在软切换和更软切换之间没有本质区别，并且可以类似地对这两种情况进行处理。信号26在一些情况下可能过于微弱以至不能包含在有效集之中，但是足够强从而能够识别发送RBS。这种信号例如可以用于定位的目的。最后，相邻信号26也可能过于微弱，以至根本不能够起任何作用。

当UE 10通过特定无线链路连接到特定RBS时，UE 10可能位于相关联的小区内。相对于真实的小区范围，通常不能以最佳的可能准确度来确定在WCDMA中由描述小区范围的多边形所限定的小区区域。近似小区区域通常是结合小区规划而确定，并且可能不完全对应于真实情形。通常，没有规定实际的置信度水平，即UE确实位于特定区域内的概率。此外，在执行小区规划之后还可能改变无线电状况。因此，有利的是利用现场数据针对各小区来调节置信度和预先计算出的小区多边形。然而在正常情况下这是无法承受的，特别是由于无线电状况会随时间而变化。本发明公开揭示了自动获得这种调节的方法(还针对复杂形状)。

图2A例示了连接有UE 10的小区15。在以下解释中出于简明的目的，在这种情况下假设RBS置于小区的中央，即所谓全向小区配置。当UE 10连接到RBS时，能够以特定概率确定它位于小区15内。

然而，如上面简要提到的，UE还可能在其他RBS的无线电范围内。在图2B中，指出了如下区域的边界12，在该区域中去往/来自相邻RBS的信号足够强从而能够进行(更)软切换。在该过于简化的模型中，边界12画作圆，这些圆的圆心位于相邻RBS处。容易看出，边界12将小区15划分为更小的区域11、11A、11B和11Z。在区域11Z中，仅来自自身RBS 30的信号是有用的。然而，在例如区域11A中，去往/来自一个相邻RBS的信号对于(更)软切换的目的也是有用的，并因此而被包含在所谓小区的有效集之中。在区域11B中，去往/来自相邻小区的信号足够强，那么有效集包括两个相邻小区。现在容易理解的是，有效集的内容可以用于定位的目的。通过查询有效集列表，可以确定UE10有可能位于部分区域11、11A、11B和11Z中的哪一个区域中。

然而，最常见的是，(更)软切换信息不是用于定位的目的，这可能是因为也许难于以足够的准确度进行计算。根据本发明，描述了任何(更)软切换区域的区域限定都是有用的。在WCDMA中，方便的是，这种区域限定可以为多边形限定。然而，相对于任何(更)软切换区域的真实范围，利用现有技术的小区规划原理通常不能提供以最佳的可能准确度而确定的区域限定。此外，相对于任何计算出的(更)软切换区域，利用现有技术方法，通常不能以最佳的可能准确度确定任何(更)软切换区域的置信度值。因此，有利的是利用现场数据针对各小区来调节置信度和预先计算出的小区多边形。然而在正常情况下这是无法承受的，特别是由于无线电状况会随时间而变化，甚至超过了针对基本小区的情况。然而，本发明揭示了一种自动获得这种调节的方式。

可以进一步利用来自相邻RBS的信号。如上所述，即使去往/来自相邻RBS的信号不是足够强到能够进行(更)软切换，它们可能仍足够强到能够确定发送RBS/UE的标识。

相应的小区集通常称为检测到的小区集。该信息也可以用于定位的目的。在图2C中，再次例示了小区15。现在，不仅例示了用于(更)软切换的边界12(其中用参考编号仅表示出了其中的一个)，而且还例示了例如对应于检测到的小区集的如下区域的边界13，在该区域中能够在下行链路或上行链路中分别获得发送RBS或UE的标识。因此，小区15被进一步划分为甚至更小的部分区域11、11C-G、11Z。例如，在区域11E中，除来自自身RBS的信号之外，来自一个相邻RBS的信号也用于(更)软切换，而来自另一个相邻RBS的信号仅用于对发送RBS进行识别。

如果不仅考虑到存在特定强度的信号，而且还考虑到与其他信号相比的相对强度，则可以实现对初始小区的更精细的划分。在图2D中，根据哪个信号最强来划分涉及来自多于一个相邻RBS的信号的部分区域。因此，可以限定区域11H-K。

然而，如上所述，实际情形并非如图2A-D的示例所表明的那样理想。相反，边界12、13并不容易确定，并且通常是非圆形的。图2E例示了可能对应于实际情形的一种情形。因而，本领域技术人员认识到，实际上完全不可能在理论上预先确定区域11、11A-H、11Z。

在本发明中，两种类型信息彼此联系以实现定位的优点：小区关系配置和高精度定位数据。

第一种类型的信息是小区关系配置。该小区关系配置对应于前面的图2A-E的示例中的划分。在一个基本实施方式中，小区关系配置包括表示“自身”小区以及任何相邻小区的数据，其中，所对应的RBS向/从所讨论的用户设备发送/接收满足特定准则的可检测信号。通常看来，小区关系配置可以看作与相对于特定UE而满足特定无线状况准则的信号对应的小区标识的列表。图3A例示了这种列表的一个实施方式。第一行对应于自身小区。该小区ID是“ID1”。在该示例中，UE还可以与小区“ID2”、“ID3”、“ID4”、“ID5”通信。在该实施方式中小区的各组合将限定特定的小区关系配置。

图3B例示了小区关系配置的另一个实施方式。这里，考虑了相对信号强度，由此这些小区按强度顺序排序。因此，去往/来自小区“ID3”的信号比去往/来自例如小区“ID5”的信号更强。这意味着在该实施方式中小区关系配置不仅取决于哪些小区被包含在该列表中，而且取决于以什么顺序包含在该列表中。在上行链路和下行链路之间甚至在强度顺序上也可以有差别，在对区域进行限定时也可以利用该差别。

而且还可以利用其他信号强度相关的量来限定小区关系配置，例如，路径损耗和信干比。

图3C例示了小区关系配置的另一个实施方式。这里，还对信号强度进行了分类。可以看出，小区“ID1”被分类为“自身小区”，而小区“ID3”和“ID5”被分类为包含在小区的有效集中，即它们用于(更)软切换的目的。这意味着在该实施方式中小区关系配置不仅取决于哪些小区被包含在该列表中以及以什么顺序包含在该列表中，而且取决于小区的类别。

鉴于上述示例，本领域技术人员认识到，对于位于蜂窝通信网络的覆盖区域内的任何UE，很容易获得小区关系配置。

第二类型的必要数据是在上文中也提到的高精度定位数据。这可以通过任何可能的方式而得到。先前在背景技术中提到了UTDOA和A-GPS，但其他方法也是有用的。构想是在定位时针对相应UE来收集高精度定位数据与小区关系配置之间的关系。这优选地通过利用时机(opportunity)测量(即总会由于某种其他原因而执行的高精度测量)来执行。或者，可以有意地安排测量。例如，出于改善无线网络规划的目的，可以按规划的方式在特定区域上分布高精度位置测量设备。对位置以及小区关系配置进行确定。另一备选方案可以是定期地命令能够进行高精度定位的用户设备提供这种测量。随后对于各可能的小区关系配置(即，简单地说，经过排序的小区标识的集合)而建立测量列表。然后在高精度测量的一个特定列表中收集与特定小区关系配置有关的所有高精度测量。换句话说，根据主要(prevailing)小区关系配置来对高精度定位数据进行聚类，从而得到点的多个主类(main cluster)。这些点对应于由高精度测量所确定的位置，并且依据执行该高精度测量的终端的主要小区关系配置来限定这些类。因此，一个这种列表的测量形成了预计位于特定地理区域中的测量点的一个主类。因此，对高精度位置确定的结果进行聚类得到了点的大量独立的主类。当将适当数量的高精度定位数据点聚类到点的其中一个独立的主类中时，可以限定包含预定比率高精度定位数据点的一个区域。然后，可以得出结论，具有特定小区关系配置的UE以对应于该预定比率的置信度水平而位于所限定的区域内。

换句话说，本身不具有任何高精度定位能力的UE可以借助于与主要小区关系配置的关联利用其他UE的先前高精度定位而实现改善的位置确定准确度。

可以注意到，所实现的区域限定与实际无线电覆盖可能有很大差别。原因是具有良好的无线电状况但从未驻留任何用户设备的区域会从所确定的区域中排除出去。而关联区域将会是基于无线电覆盖属性和用户设备出现的概率二者的组合的区域。

由于与用户设备出现的概率相关，理想的关联区域会变得非常复杂。具体地说，例如可能存在被点的局部密度极低的区域分开的点的局部密度高的区域。然后，单个关联区域必须还包含点的局部密度相对低的区域。这进而导致的情况是，关联区域变得比所必需的更大，以便覆盖预定比率的点。更大的区域意味着更低的定位准确度。然而，可以解决这一问题。根据本发明，基于点的局部密度将点的主类划分为子类。各子类与一个子区域相关联。然后，与主类相关联的区域变成了子区域的聚合体(aggregate)。换句话说，理想的关联区域可能是由两个或更多个独立的子区域构成的区域。这在下面进行了更加详细的描述。

聚类方法的总的构思还可以通过用于在蜂窝通信网络中提供位置确定辅助数据的方法的一个实施方式的主要步骤的流程图来例示，如图4A中所示。该过程从步骤200开始。该过程首先进入用于提供位置确定辅助数据的区段202。该区段从步骤204开始，其中，确定特定UE的小区关系配置。信号通常是根据标准蜂窝通信系统规程而被记录和报告，并被编译为小区关系配置。在步骤206中，利用任何适当的高精度定位方法对UE执行高精度定位。在步骤208中，根据所确定的小区关系配置将高精度定位数据聚类到点的独立主类中。下面更详细地描述了该操作的示例。点的独立主类可以进而划分为子类。下面进一步给出了将点的主类分成子类的优选实施方式的细节。将步骤204到208重复多次，如箭头210所示。

当适当数量的测量点可供特定小区关系配置使用时，该过程可以继续进行到模拟(resemble)高精度定位数据的空间分布的步骤212，在该步骤中确定了一个区域。优选地，计算出尽可能小的一个区域，该区域仍然包含预定比率的高精度定位数据。下面进一步给出优选实施方式的细节。由此实现了特定小区关系配置与区域限定之间的联系。如果步骤204-208添加了其他数据，则也可能要重复步骤212，如箭头214所示。具体地说，如果无线电状况永久变化或者变化更长的时段，则区域限定必须重新计算并适应于新的情况。随后，还优选的是对各高精度位置测量打上时间戳，以便能够丢弃太旧的高精度位置测量，并相继执行新的区域优化。

可以针对一个特定小区关系配置、一组小区关系配置或者全部小区关系配置以及针对不同的聚类选择准则而执行步骤212。

如果低(更详细的)层测量的数量不足以可靠地计算小区多边形，则优选地对测量列表进行分级组织，从而能够从低层来构建高层列表。

本发明背后的驱动力并非主要在于现有技术的麻烦问题，而是洞察到例如自适应增强小区标识(AECID)算法的性能可以借助于本发明公开中所公开的发明而得到进一步改善。

本发明的中心在于改善AECID中的与图4的步骤208相联系的现有技术的聚类算法。这些改善还会在某种程度上影响步骤212。正常AECID中的基本算法如附录A中所示地工作。

因此，该算法针对各标签而生成测量的一个独立的主类，或者等效地换言之，针对各小区关系配置而生成点的一个独立的主类。在一个主类中的点分布成它们相对频繁地位于一个连接良好的区域内的情形下，该过程可以前进到关联步骤。

然而，在一个主类中的大多数点位于几个不同位置的情形下，根据本发明，在准确度方面可以有进一步的改善。一个重要特征是使得能够生成多个更小的类或者子类，从而形成一个大的主类。然后，优选地对针对各子类而优化的区域集中地执行区域关联。

很可能发生聚类到几个不同位置中的典型情形可能是当一个小区包含以非常高概率出现UE并被UE几乎从未进入的区域所分开的几个不同位置时的情形。由禁止未授权人员进入的库房区域所分开的两个大型购物中心可以作为一个示例。另一个示例是由未使用区域分开的多个使用率很高的高速公路。

根据本发明，提供了一种用于在蜂窝通信网络中对位置确定进行聚类以提供位置确定辅助数据的方法，其能够生成子类。本方法要求点的主类可用，这些点是高精度位置确定的结果，优先地针对特定小区关系配置。点的主类可以从外部获得或者可以通过例如根据以上描述的聚类而获得。该方法包括按如下方式将主类分为至少两个子类，即子类中的点所具有的点的局部密度高于预定局部密度阈值。优选地，本方法还包括针对点的主类中的各点而确定点的局部密度。

用于将高精度位置测量的一个类分解成多个更小类的本新颖算法使得能够提高AECID定位方法的准确度。AECID可以对每个标签创建多个多边形。更精细的划分使得能够更好地优化相应的区域，这意味着与对应于该初始类的单个多边形覆盖的区域相比，针对每个标签的多个多边形在一起覆盖了更小的总面积。

后处理算法优选地包括使得能够检测并抑制劣化的情况，并得到大小很小的类。因此，仅在大多数高精度位置测量位于地理上不同的区域中的情形下才进行对初始类的分解(split)。这使得整个算法能够以自动模式工作。

上面已经给出了AECID聚类能够对主类进行分解的一些示例。其他示例有例如山地的情形，其中蜂窝覆盖范围可能位于朝向特定小区的天线的斜坡上，而在位于斜坡之间的低谷中覆盖范围减小。在根据适当的小区关系配置对高精度测量打标签时失败的情况下这会影响到聚类。因此，这可能导致在特定区域中缺少正确地打了标签的高精度位置测量。

在特定区域(例如当小区覆盖范围延伸到较宽的河上或者群岛中的几个岛上时)中妨碍了对用户进行定位的地形是本构思特别有利的另一示例。该地形的属性会直接影响高精度的聚类，这是因为在无法对用户进行定位的区域中基本不会发起任何高精度定位尝试。在这种情况下子类可以排除这种区域呈现为可能的AECID位置。

在特定情况下，在天线前面和后面存在一个小区的独立覆盖区域。因而覆盖了各区域的子类会给出更好的AECID定位。

将主类分为具有相同小区关系配置标签的几个更小子类的实际效果是排除了初始的未分解的类的区域中不感兴趣的部分。然后，将通过AECID计算出的这些子类的区域求和所覆盖的区域比根据初始的未分解主类计算出的区域更小。关键点在于当通过服务接口向回报告时区域减小导致准确度提高。

要描述的算法的目的在于试图并且如果可能的话找到初始主类到一组更小子类(该组组更小子类覆盖了初始主类的不同区域)的一个划分，同时这些子类包含了初始主类中足够高比率的点。

在本优选实施方式中，基于逐渐形成子类的初始点的初始选择而分解成子类。图5例示了用于在蜂窝通信网络中对位置确定进行聚类以提供位置确定辅助数据的方法的一个实施方式的步骤的流程图。该方法从步骤201开始。在步骤209中，获得点的主类。在步骤220中分出至少两个子类。子类的点所具有的点的局部密度高于预定局部密度阈值。在本实施方式中，步骤220包括多个分步骤。在步骤221中，针对点的主类中的各点确定点的局部密度。这种确定可以按不同方式执行。所使用的典型过程是定义“局部”区域的一个测度(例如围绕该点的半径)，并确定该局部区域内的点的平均密度。附录B中以数学语言给出了一个实施方式。

在步骤220内，在步骤222中，在点的主类中选择一个点包含在一个子类中。该点所具有的点的局部密度大于预定局部密度阈值。在步骤230中，将点的主类中的那些点包含在第一子类中。这些所包含的点所具有的点的局部密度大于预定局部密度阈值。在下面进一步描述的一个实施方式中，要包含的点与该子类中所包含的任何其他点的距离还应当小于预定距离阈值。下面进一步给出步骤230的实施方式的细节。

在步骤240中，检查是否存在待形成的更多的子类。如果是这样，则过程再次返回到步骤222。被选择为包含于一个子类中的点不会包含在随后形成的子类中。换句话说，在步骤222中针对后续的第n个子类(其中n>1)选择的点所具有的点的局部密度大于预定局部密度阈值，并且该点不包含前n-1个子类中的任何一个子类中。同样，在步骤230中，对于后续的第n个子类，包含点的主类中的那些点。所包含的点所具有的点的局部密度大于预定局部密度阈值，并且不包含前n-1个子类中的任何一个子类中。在下面进一步描述的一个实施方式中，要包括的点与第n个子类中所包含的任何点的距离还应当小于预定距离阈值。预定局部密度阈值和/或预定距离阈值在一个实施方式中对于所有子类都是相同的。然而，在其他实施方式中，预定局部密度阈值和/或预定距离阈值在不同子类之间可以不同。

创建更多子类的准则在不同实施方式之间可以不同。一种方法是令允许的子类的最大数量为N，由此重复步骤222和230，直到形成N个子类为止。如果利用预定局部密度阈值和预定距离阈值准则不再能够形成子类，则可以选择降低用于获得最终子类的要求。通常将主类中没被包含的剩余点丢弃。另一方法是一直继续到利用预定局部密度阈值和预定距离阈值准则不再能够形成子类。还可以将这两种方法组合起来，即根据初始准则来形成子类但对子类设定最大允许数量。

该过程在步骤298结束。

将其他点包含到一个子类中可以按不同方式来执行。图6中例示了将其他点包含到一个子类中的一种方法。该过程从步骤231开始。这里将步骤222(图5)中选择的点表示为第一参考点。在步骤232中，将点的主类中尚未包含在该子类中的一个点选择为候选点。在步骤233中，检查候选点所具有的点的局部密度是否大于预定局部密度阈值并且检查候选点与该参考点的距离是否小于预定距离阈值。如果是这样，则该过程继续进行到步骤234。否则，该过程继续进行到步骤235。在步骤234中，该候选点被包含在该子类中。在步骤235中，确定是否存在尚未尝试作为候选点的任何剩余点。在这种情况下，该过程返回到步骤232。换句话说，对候选点进行检查，直到不再有未被包含在该子类中并且所具有的点的局部密度大于预定局部密度阈值且与参考点的距离小于预定距离阈值的其他点。

如果所有的点都已经被尝试作为候选点，则该过程继续进行到步骤236，在该步骤中确定被包含在该子类中的所有点是否都已经被用作参考点。如果是这样，则该过程继续进行到步骤239，否则，如果还存在包含在该子类中的剩余点尚未被用作参考点，则该过程继续进行到步骤237。在步骤237中，在该子类中的点中选择先前未被选择作为参考点的一个新参考点，并且该过程整体再次从步骤232开始。该过程在步骤239结束。

子类选择过程的另一个实施方式的数学描述也在附录C中给出。该实施方式对，i＝1，...，N^p进行操作，其表示对具有标签p的初始类的高精度测量。假设这些点以局部笛卡儿地球-切线坐标系表示，即不象WGS84纬度和经度那样。

类分解算法试图通过对初始主类的点应用重复子聚类尝试来解决高异质(heterogeneous)区域的问题。使用特定准则来停止各子聚类尝试。点的局部密度作为停止准则是有用的。图7是例示了高精度位置测量的初始带标签主类110(即具有同一小区关系配置的高精度位置测量)的图。

在图7中，对于本领域技术人员来说显而易见的是，存在至少两个、可能3个具有相当高的点的局部密度的独立区域。这些区域都是成为独立子类的候选区域。高局部密度区域由点的局部密度远低于高局部密度区域的区域分隔开。附录C的算法通过在所选择的高局部密度区域中开始创建子类而利用这一事实。然后该算法继续将地理上最近的相邻点添加到该子类中。该算法继续对下一个最近的相邻点重复该步骤，直到最近的相邻点的局部密度变得过低。然后该算法回到已经添加到子类中的那些点中的一个，并对最近的相邻点开始新的搜索。这一次将已经添加到该子类中的最近相邻点排除。该算法继续重复对最近的相邻点的搜索，直到添加到该子类中的所有当前点都已经被用作最近相邻点搜索的起点为止。当不再有点被添加到该子类中时或者当初始主类中的所有点都已经被添加到该子类中时，该算法停止。

清楚的是，为了使该过程有效地工作，优选地根据附录B针对初始类的各点需要计算点的局部密度。显然，在建立子类时位于高局部密度区域之间的低局部密度区域起到“停止区域”的作用。该建立过程确保作出大量的不同尝试来跨过“停止区域”，由此防止产生不必要的小的子类。

当已经结束一个子类的建立时，该算法使用尚未被上次建立子类用完的初始主类中的那些点，重复创建子类的尝试。

在图8中作为流程图而例示了该方法。该过程从步骤251开始。这里，在步骤222(图5)中选择的点是尚未包含在任何子类中且点的局部密度最高的点，并且将其表示为第一起点。在步骤252中，该起点被选择为第一参考点。在步骤253中，找到尚未包含在任何子类中的离该参考点最近的相邻点。在步骤254中，检查该最近的相邻点是否满足局部密度要求。如果满足局部密度要求，则在步骤255中该最近的相邻点被包含在子类中，并且在步骤256中被选择为新的参考点。然后该过程返回到步骤253，以重复搜索最近的相邻点。

如果在步骤254中该最近的相邻点所具有的点的局部密度过低，则该过程继续进行到步骤257，在该步骤中确定是否存在包含在子类中的尚未用作起点的任何点。如果存在包含在子类中的尚未用作起点的任何点，则在步骤258中选择这些点中的一个作为新的起点，并且该过程返回到步骤252。否则，在步骤259中结束该过程。

在一个另选实施方式中，与图6的实施方式类似，对最近相邻点的搜索还可以与最大距离联系在一起。

上述后处理算法优选地包括在特定实施方式中或者用于特定应用。其原因可以参考图9来理解。这里，已经根据附录C的原理将图7的点的主类110分解为四个子类101-104。可以针对图9而进行以下观察。子类101和102是正确的。围绕子类101的子类103是错误的。然而，容易理解的是，这种子类可能来源于高局部密度区域的仍然密集到足以形成一个子类的“外部残留”。

也可以得到具有仅仅几个点的非常小的子类(例如子类104)，这显然对定位准确度不起任何实质作用。此外，还存在初始主类中没有包含在任何子类中的孤立点。这在规定了由该算法生成的子类的最大数量时经常发生。通常将这种孤立点丢弃。

在这种情况下，因此需要通过进一步分解或通过丢弃子类而抑制了太小的子类并抑制了将其他正确获得的子类包围(circumvent)(即移除环绕(encircling)的子类)的那些子类的后处理过程。在附录D中包含了这种测试的实施方式的细节。用于抑制太小子类的过程优选地基于将所包含的点数量少于预定数量的那些子类丢弃。在一个实施方式中，移除环绕子类的过程包括将点的局部密度的平均值与该环绕子类所包含的点的总数和该环绕子类内的点所跨过的面积之间的比率进行比较的步骤。在另一个实施方式中，移除环绕子类的过程包括将该环绕子类中包含的点和该环绕子类中包含的点的重心之间的平均距离与该环绕子类所包含的点中的任何点和该环绕子类所包含的点的重心之间的最小距离进行比较的步骤。

作为最终的正确性(sanity)检查，还应当检查：与初始主类p中的点的数量相比，通过上述后处理过程的子类中的点的总数足够高。在该正确性检查揭示出子类中点的总数太低的情况下，可以修正该算法中使用的阈值。

在图9的示例中，对于各类中点的数量、附录D中的比率(15)的值和所提出的算法的最终判决而得到了以下值：

 

子类	点的数量	均值/最小值	有效子类
				1	956	108.0212	是
2	263	68.3836	是
				3	160	5.3286	否
4	3	1.8219	否

表1.后处理的数值示例

以上，对主类的聚类主要是基于基站的有效集。然而，小区关系配置可以包括其他附加属性。因此也可以对其他参数来选择聚类的准则。无线接入承载(RAB)例如可以是一种选择参数。不同的RAB的覆盖范围可以有很大不同，因此不同部分区域之间的边界会显著改变它们的位置。例如，由64k bps链路发送的流量可以具有与由384k bps链路发送的流量完全不同的覆盖区域。还通过例如针对所使用的RAB对测量进行聚类来实现改进的定位。

关于RAB的信息是使得选择准则更有区域选择性的一种关于信令环境的补充信息。在一般方法中，还可以按类似方式利用其他补充信息。类似地，还存在可以执行并用作选择准则的一部分的对信令属性的补充测量。一个示例是例如补充RTT测量，下面将进一步讨论。选择准则可以认为是对小区关系配置的扩充。

现在返回到图4的在蜂窝通信网络中提供位置确定辅助数据的方法。当对UE进行定位时，该过程进入区段216以进行位置确定。该区段从步骤218开始，其中，针对待定位的UE确定小区关系配置。这通常以与步骤204中类似的方式执行。在步骤221中，使用特定小区关系配置与区域限定之间的关系来提供待定位UE以特定置信度位于其中的区域。该置信度水平对应于在区域优化期间使用的预定比率。该过程在步骤299结束。在最佳情况下，定位的准确度足以满足例如北美E-911紧急定位要求。然而，根据区段202以这种方式实现的定位不应当用来改善区域限定。

在不同实施方式中，不同步骤的定时可以略有不同。例如，两个区段202和216可以彼此交织。对区域进行优化的步骤212随后可以由确定小区关系配置的步骤218来触发。随后，优化步骤212优选地仅针对在步骤218中确定的小区关系配置来执行，以节省时间。如果该关系是预先确定的，则能够以更短的延迟来执行定位。根据定位的需要而触发优化的后一实施方式确保了总是利用最终的可用数据。

在步骤221中确定的位置可以构成最终的定位，或者它可以构成用于精细定位的帮助数据。然后，需要加入额外的步骤，在该步骤中，从步骤221的关系而获得的位置被用于进一步定位的方法中，以便对定位进行进一步细化。这种进一步定位的方法例如可以是RTT定位或者A-GPS定位。

在用户设备的分布可能在不同时间之间显著不同的系统中也可以利用时间戳。例如，如果所包含的办公综合楼和住宅区域彼此很近，例如夜晚在住宅区更有可能发现用户设备。可以通过丢弃按天、星期或者年的记录时间与当前时间相差很多的高精度定位数据来应对这种变化。换句话说，可以通过仅选择满足特定附加准则的测量来执行聚类。由此可以使区域限定与时间相关。

优选地以最优方式将区域与类相关联的步骤212是定位过程中的最重要的部分之一。可以按多种方式来执行该区域关联，但实际的实现对本发明的主要构思并无很大影响。然而，需要考虑一些因素。在图10中，更详细地描述了用于确定与点的一个类(主类或子类)相关联的区域的当前优选的实施方式。在步骤260中，所讨论的类的全部高精度测量点n_TOT由区域边界包围。n_TOT随后在下一步骤的第一次迭代中用作高精度测量点的输入值。在步骤262中，检查比值(nk-n)/n_TOT是否大于或者等于预定比率R，其中，n是在例程的下一次迭代期间要移除的高精度测量点的数量。如果该比值足够大，则区域缩减能够至少再进行一步，并且该过程继续进行到步骤264。在步骤264中，根据特定的预定动作计划来减小该区域，以排除所输入的高精度测量点中的n个，留下nk-n个剩余点，并将nk-n设定为用于下一次迭代的新的输入高精度测量点的数量。优选地，按照使得该区域最小化或者至少被减小的方式来执行步骤264。该过程再返回到步骤262，这由箭头266示出。如果步骤262中的比值变得比R小，则中断该过程，这是因为再一次迭代将会导致该比值下降到低于R，并且该区域随后用作与所讨论的小区关系配置相关联的区域。

在所谈论的类是未分解的主类的情况下，再执行一次图10的过程。如果该主类被分解为子类，如上所述，则优选地针对各子类分别执行该过程。然后，与初始主类相关联的总区域是针对至少两个子类并且优选地是针对所有未丢弃子类而确定的子区域的集合。

在几个系统中，在这些WCDMA(宽带码分多址)系统当中，通过小区多边形格式给出小区的地理延伸的优选表示。小区的延伸通过闭合的多边形的本身不相交的3-15个角来描述。该格式是二维的，并且这些角被确定为WGS84地理参考系统中的经度和纬度对。图11中例示了一个示例。这里，例示了带有角90的小区多边形89的一个示例。RBS(无线基站)通常位于靠近所述RBS服务的小区多边形89的角90中的一个角处。3GPP系统提供了小区多边形的消息发送格式。在本发明中，当已经执行了子类分解时，对应于特定小区关系配置的一个区域包括多于一个多边形。

此外，当本发明用作小区ID定位方法时，通过RANAP或者Iupc(UTRAN内RNC与SAS之间的逻辑接口)来报告与小区的特定标识相对应的多个重新计算的多边形而不是预先计算出的多边形。

如果本发明用作增强的小区标识定位，则利用(更)软切换有效集或可检测小区集，可以进行类似的报告。当存在针对所确定的小区关系配置而存储的重新计算出的多边形时，选择并通过RANAP或Iupc报告该重新计算出的多边形。同样地，本发明直接适用于现有的定位接口。

区域限定数据应当组织成使得能够利用小区关系配置信息来有效地寻址。这样，每当尚未计算出特定区域的面积时都能够发现覆盖了替换区域的回落区(fall area)。注意到，例如可能会因为没有足够的测量统计而出现这种情形。

例如，在没有计算出用于特定小区关系配置的多边形的情况下，按某种方式来利用所存储的小区关系和区域限定的分级结构。一种备选方案是不考虑小区关系配置的最后一个小区标识，并且针对如此缩减的小区关系配置而寻找重新计算出的多边形。如果存在针对该缩减的小区关系配置的重新计算出的多边形，则通过RANAP或Iupc报告该多边形。如果仍然不存在已经计算出的多边形，则移除小区关系配置的倒数第二个小区标识，并重复该过程。该过程可以继续向上进行到顶层，其中小区关系配置对应于服务小区。如果依然不存在重新计算出的多边形，则可以使用预先计算出的多边形。应当注意的是，这里存在很多在此处可行的备选策略。

通过上述过程获得的位置确定辅助数据还可以以存储于计算机可读介质上的形式提供而用于定位的目的。

图12是根据本发明的定位节点45和相关功能的一个实施方式的框图。在本实施方式中，假设其包括在WCDMA系统中，这种功能优选地被包含在RNC 40中。另一种可能是在Iupc接口47的另一侧上的SAS节点(例如爱立信SMLC)中实现本发明。还有一种可能是在OSS-RC中或者甚至完全位于外部的节点中对测量进行记录并执行该算法。那么，在使得能够交换检测到的小区集和测得的高精度位置确定结果的现有接口中新的接口和/或信息元件可能是必需的。

如果位置确定辅助数据(即小区关系配置与相关联的区域之间的关系)是在外部节点中产生，则需要将该信息提供给定位节点，以便辅助位置确定过程。然后位置确定辅助数据优选地可以存在在计算机可读介质中，并以适当方式(例如通过在通信链路上下载该内容或者简单地通过提供其中存储有该数据的数据存储器设备)而提供给定位节点。

RNC 40利用RRC接口37通过RBS与UE透明地通信。在本上下文中，对至少两种信息类型感兴趣：定位测量38(特别是高精度定位测量)以及相邻小区信号测量39(例如切换测量)。相邻小区信号测量39被提供给用于确定小区关系配置的小区关系配置确定部41。在一个特定实施方式中，小区关系配置确定部41可以基于现有技术的有效集功能(active set functionality)。将特定用户设备的所确定的小区关系配置提供给聚类部42。

将定位测量38提供给定位节点45。将高精度定位测量提供给高精度定位部46，该高精度定位部46例如可以包括基于UTDOA或A-GPS的定位。在本实施方式中，将其他定位测量(例如小区ID或者RTT定位测量)提供给中等精度定位部48。将对高精度定位测量进行分析的结果(即，高精度位置)提供给聚类部42，在聚类部42中将高精度位置与相应的小区关系配置关联起来。根据小区关系配置，在特定实施方式中还根据其他选择准则(例如补充信息和/或补充测量，特别是记录时间、使用的RAB和/或RTT测量)而对测量进行聚类。然后例如可以通过中等精度定位部48来提供RTT测量，如虚线箭头53所示。可以由补充信息部54来提供补充信息(例如时间或者所使用的RAB)以及其他补充测量。该补充信息部54可以配置成在节点内部提供该信息和/或配置成从外部获取该信息。

在主类受益于被分解成子类的情况下，聚类部42被配置用来执行上述过程。将针对特定小区关系配置的并且在一些实施方式中在特定时间间隔内选择的或者利用特定RAB选择的位置的(一个或几个)类提供给算法模块43。在算法模块43中，计算区域限定。在算法模块43中执行本发明的一个重要目的，即，以指定置信度水平来计算描述了测量的各个类的区域。在WCDMA的情况下，优选的区域限定是通过3至15个角坐标限定的多边形。在分解的子类的情况下，区域限定成为一组多边形，优选地总共具有最大15个角坐标。在一个特定实施方式中，算法模块43以一个类的给定比率的高精度测量处于多边形内部的概率来提供多边形。针对具有足够数量的新近高精度测量的全部测量类，算法模块43优选地重复地重新计算多边形。将区域限定提供给区域存储部44，其中存储有表示以分级形式组织起来的一组小区关系配置的多边形。所存储的多边形随后由系统的定位算法使用。所存储的多边形的数据结构优选地包含覆盖各相关小区关系配置的指针列表。每个这种指针指向如上所述重复计算出的相应的3-15角多边形或者一组相应的多边形。该数据结构优选地还包含各多边形的或者各组多边形的时间标签，该时间标签限定了计算出该多边形或者该组多边形时的时间。

当请求根据本发明的原理的位置确定时，照常在小区关系配置确定部41中确定小区关系配置。将结果转递给定位节点45中的控制部49。当通过RANAP接口47接收到例如所谓位置报告控制消息之类的定位请求51时，控制部49可以基于服务参数的质量和UE能力，通过从区域存储部44中获取区域限定而请求位置确定，该区域限定对应于UE的当前小区关系配置。所获得的区域限定(优选地为一个多边形限定或者一组多边形限定)被包含在定位报告消息52中，该定位报告消息52通常利用例如所谓位置报告消息通过RANAP接口47而发送回去。与创建位置确定辅助数据的阶段中一样，补充信息(例如时间或所使用的RAB)和其他补充测量也可以用于细化对区域限定的选择。由补充信息部54获取这种数据。

如果区域限定与任何附加定位方法一起使用，则根据要使用的方法将从区域存储部44获取的区域提供给高精度定位部46或者中等精度定位部48。然后将最终确定的位置提供给控制部49，以用于进一步的报告。

小区关系配置确定部41、高精度定位部46、中等精度定位部48以及控制部49的大部分功能通常可以在现有技术系统中获得。然而，位于一侧的小区关系配置确定部41和位于另一侧的高精度定位部46、中等精度定位部48以及控制部49之间的连接创建关系先前是未知的。此外，聚类部42、算法模块43、区域存储部44以及它们的连接完全是新颖的。与这些新颖的功能通信所需的小区关系配置确定部41、高精度定位部46、中等精度定位部48以及控制部49中的功能也同样是新颖的。

本发明优选的实施方式可以总结如下。提供了用于将高精度位置测量的一个主类分解为在一起覆盖了比初始类更小的区域的多个子类的算法。由此提高了AECID定位算法的准确度。

上述实施方式应当理解为本发明的一些示例性的实施例。本领域技术人员可以理解的是，在不偏离本发明的范围的情况下可以对这些实施方式作出各种修改、组合和改变。具体地说，只要在技术上可行，不同实施方式中的不同部分的解决方案可以在其他配置中组合起来。然而，本发明的范围由所附权利要求书限定。

附录A

聚类

在本特定实施方式中，假设小区关系配置是基于有效(active)的小区(即在软切换中有效的小区)列表。对于其他的类选择规则也可以进行相应的建模。

典型地在所描述的WGS 84地理参考系统中获得高精度位置测量。在时刻t处可用的测量表示为：

(lat_j(t_j)long_j(t_j))^T，j＝1，...，N(t)，(1)

其中，lat_j(t_j)和long_j(t_j)分别表示在时刻t_j测得的纬度和经度。N(t)表示在时刻t可用测量的总数。()^T表示矩阵/矢量的转置。

在同一时刻t_j(在某种合理的时间精度内)，针对小区标识对小区关系配置进行采样。结果为行矢量(或者指针)：

$\mathrm{Configuration}\left(t_j\right)=\left(\begin{array}{cccc}{\mathrm{cID}}_1\left(t_j\right)& {\mathrm{cID}}_2\left(t_j\right)& ...& {\mathrm{cID}}_{N\left(t_j\right)}\left(t_j\right)\end{array}\right),---\left(2\right)$

其中，cIDl(tj)为对于在时刻tj执行高精度定位的UE，在例如更软切换时第l强的小区的小区标识。N(tj)为在时刻tj小区关系配置中的小区数量。

用于对根据(2)定义的测量进行聚类的任意可能的指针(或者等价地是标签)现在表示为：

Pointer_k＝(Index_l(k)...Index_N(k)(k))，k＝1，...，K，(3)

其中，Index_l(k)为(固定)指针k的第l分量。N(k)为指针k的维数，而K为计数器的数量。相应的高精度位置测量的列表由List_k表示。在时刻t：

${\mathrm{List}}_k\left(t\right)=\left(\begin{array}{cccc}{\mathrm{lat}}_{k,1}\left(t_{k,1}\right)& {\mathrm{lat}}_{k,2}\left(t_{k,2}\right)& \·\·\·& {\mathrm{lat}}_{k,M(k,t)}\left(t_{k,M(k,t)}\right)\\ {\mathrm{long}}_{k,1}\left(t_{k,1}\right)& {\mathrm{long}}_{k,2}\left(t_{k,2}\right)& \·\·\·& {\mathrm{long}}_{k,M(k,t)}\left(t_{k,M(k,t)}\right)\\ t_{k,1}& t_{k,2}& \·\·\·& t_{k,M(k,t)}\end{array}\right),---\left(4\right)$

其中，M(k，t)表示在时刻t时列表k的高精度测量的数量。如上所述，从各列表中丢弃比预先指定的阈值更早的测量。还可以预先指定列表的最大大小，在这种情况下，当新的测量到达时丢弃最早的测量而不考虑其存在的时间。

当在时刻t_N(t)+1获得新的高精度测量和相应的小区关系配置时，聚类算法工作如下：

For k＝1 to K

If   ${\mathrm{Pointer}}_k=\mathrm{Configuration}\left(t_{N\left(k\right)+1}\right)$

${\mathrm{List}}_k\left(t_{N\left(k\right)+1}\right)=\left({\mathrm{List}}_k\left(t\right)\left(\begin{array}{c}{\mathrm{lat}}_{N\left(t\right)+1}\left(t_{N\left(t\right)+1}\right)\\ {\mathrm{long}}_{N\left(t\right)+1}\left(t_{N\left(t\right)+1}\right)\\ t_{N\left(t\right)+1}\end{array}\right)\right)$

   end

   else

      do nothing

   end

end

附录B

点的局部密度的计算

该步骤引入了用于对限制圆进行限定的算法参数λ^P-主类p的总扩展的比率，在该限制圆内针对各点 $\left(x_i^p{y}_i^p\right),i=1,...,N^p$ 而计算点的局部密度。注意，对于不同的类p该比率可以是不同的。

类p的总扩展如下：

$R^p=\underset{i,j}{\max }{\left|\right|\left(x_i^p{y}_i^p\right)-\left(x_j^p{y}_j^p\right)\left|\right|}_2=\underset{i,j}{\max }\sqrt{{(x_i^p-x_j^p)}^2+{(y_i^p-y_j^p)}^2}.---\left(5\right)$

用于评估点的局部密度的圆的半径变成：

r^P＝λ^PR^P。        (6)

对于类p中的各点，点的局部密度为：

${\mathrm{\ρ}}_i^p=\frac{1}{\mathrm{\π}{\left(r^P\right)}^2}\underset{j\left|\right|\left(x_i^p{y}_j^p\right)\left|\right|\≤r^p}{\mathrm{\Σ}}1.---\left(7\right)$

λ^P的典型值可以为0.02至0.10。

附录C

停止密度阈值的选择

首先，需要确定阈值ρ^p.threshold，在该阈值以下时停止步进至下一最近的相邻点。然后，一个具体问题是，一个类中的点数Np以及类的最大扩展可能变化显著。为此，不能够或者至少不可取的是设定阈值的全局有效值，它需要考虑各类中的点来设置。

相反，在“停止区域”中，

应当接近初始类的最低观察值。由于在“停止区域”中局部密度

低，初始类中的大多数点的密度比停止区域中的点要高。利用这两点，优选地采用下面的阈值设定方法。首先将密度

按降序排序，其中i＝1，...，NP，得到密度递减的序列：

${\left\{{\mathrm{\ρ}}_{i\left(j\right)}^p\right\}}_{i=1}^{N_P}.---\left(8\right)$

映射i(j)反映了按降序对密度的排序。然后引入相对百分比类型的参数γ^p(其可能取决于类p)，以便指出式(8)的下标，使得：

其中，表示对自变量的取整。通常，可以将γ^p选择为处于区间0.8-0.95内，这意味着20％至5％的点的局部密度值比对应于所选择的γ^p的点的局部密度值更低。然后将绝对停止阈值选择为：

${\mathrm{\ρ}}^{p.\mathrm{threshold}}={\mathrm{\ρ}}_{i\left(j^{*}\right)}^p.---\left(10\right)$

该方法的优点在于，相对于各初始类中的点的数量和各地理类的地理扩展这两者，它是归一化的或者是自适应的。这是在具有数千个初始AECID类(各类对应于一个特定小区或者一个小区的子区域)的系统中进行自动操作的优选的必要条件。

分解类的形成

为了描述用于形成分解类(即形成子类)的算法，下面将使用以下符号和变量：

SCP—子类的编号。

Np.SC—子类的最大编号。

cp(i)，i＝1，...，Np-点

所属子类的数量。cp(i)＝0意味着该点还不属于一个子类。

usedForStart(i)，i＝1，...，Np-表示哪个点已经用作新的“最近相邻点步进”搜索的起点的布尔值(Boolean)。

对于一个初始类p，现在可以用伪码如下地编写该算法，“％”符号用于注释：

SC＝1    ％-从第一子类开始

ClusterSplittingNotReady＝′True’

While(ClusterSplittingNotReady)

usedForStart(i)＝0，i＝1，...，NP    ％-初始化未使用的起点指示符

  

  ％-找出具有最大局部密度的未使用点的下标

  c^p(i^max)＝SC         ％-利用子类编号对起点作标记

  ClosestNeighbourStepping＝′True′

  while(ClosestNeighbourStepping)

       

       ％-找出可能起点用于最近相邻点步进

   if(M>0)       ％-如果存在至少一个，则取第一个并开始

       usedForStart(i^{SteppingStart}(1))＝1  ％-作标记

       

                 ％-利用起点进行初始化

       endOfThisStepping＝′False′

       while(Not endOfThisStepping)

              ％-向局部密度阈值步进一个相邻点

            

              ％-找出最近相邻点的下标

         

              ％-局部密度足够大从而将点添加到当前子类中？

              C^p(i^Closest)＝SC

              

           else        ％局部密度太小-尝试另一轮步进

              endOfThisStepping＝1

           end

        end    ％-至while循环

    

          ％-尝试找到新起点以用于最近相邻点步进

    end                     ％-至if M>0语句

    if(M＝0)                ％-如果没有起点-该子类完成

        ClosestNeighbourStepping＝′False′

   end

end

                    ％-仍要检查是否完成了所有的子类？

    

          ClusterSplittingNotReady＝′False′

     end

     if(SC<N^p.SC)

           SC＝SC+1

     end

end

附录D

小子类的测试

为了用公式表示对小子类的测试，注意到其可以用公式表示为：

N^p(SC)>υ^pN^p。(11)

这里，N^P(SC)是编号为SC的子类中的点的数量。N^p表示初始主类中的点的总数，而υ^p为阈值。υ^p的典型值为0.05。将不满足(11)的子类丢弃。

小的环绕子类的测试I

所提出的一个实施方式是基于如下观察，与正确分解的类相反，包围子类或者环绕子类中的所有点与该子类的重心的最小距离较大。利用到重心的平均距离与到重心的最小距离之商(quotient)的测度应当是成功的。为了用公式表示该测试，将所有子类的重心计算为：

${\left(\begin{array}{cc}{x}_{\mathrm{CG}}^p\left(\mathrm{SC}\right)& y_{\mathrm{CG}}^p\left(\mathrm{SC}\right)\end{array}\right)}^T=\frac{1}{N^p\left(\mathrm{SC}\right)}\underset{c\left(j\right)=\mathrm{SC}}{\overset{N^p}{\underset{j=1}{\mathrm{\&Sigma;}}}}{\left(\begin{array}{cc}{x}_j^p& y_j^p\end{array}\right)}^T,\mathrm{SC}=1,...,N^{p.\mathrm{SC}}.---\left(12\right)$

然后，计算出该子类中的点与该子类的重心之间的平均距离和最小距离：

$r_{\mathrm{mean}}^p\left(\mathrm{SC}\right)=\frac{1}{N^p\left(\mathrm{SC}\right)}\underset{c\left(j\right)=\mathrm{SC}}{\overset{N^p}{\underset{j=1}{\mathrm{\&Sigma;}}}}{\left|\right|\left(\begin{array}{cc}{x}_j^p& y_j^p\end{array}\right)-\left(\begin{array}{cc}{x}_{\mathrm{CG}}^p\left(\mathrm{CG}\right)& y_{\mathrm{CG}}^p\left(\mathrm{SC}\right)\end{array}\right)\left|\right|}_2,---\left(13\right)$

$r_{\min }^p\left(\mathrm{SC}\right)=\underset{j}{\min }\left|\right|\left(\begin{array}{cc}{x}_i^p& y_i^p\end{array}\right)-\left(\begin{array}{cc}{x}_{\mathrm{CG}}^p& y_{\mathrm{CG}}^p\end{array}\right)\left|\right|.---\left(14\right)$

然后计算出测试量：

$\mathrm{\&xi;}\left(\mathrm{SC}\right)=\frac{r_{\mathrm{mean}}\left(\mathrm{SC}\right)}{r_{\min }\left(\mathrm{SC}\right)},\mathrm{SC}=1,...,N^{p.\mathrm{SC}}.---\left(15\right)$

由于所形成的第一子类通常不能成为包围子类，随后就可以将剩下的子类与该第一子类进行比较。将满足下式的子类丢弃：

$\frac{\mathrm{\&xi;}\left(\mathrm{SC}\right)}{\mathrm{\&xi;}\left(\mathrm{SC}\right)}>{\mathrm{\&tau;}}^p,---\left(16\right)$

其中，阈值τ^p通常为5至10。

小的环绕子类的测量II

所提出的另一个实施方式是基于如下观察，与正确分解的类相反，与子类中包含的点的总数和该子类中的点跨过的面积之比值相比，点的局部密度的平均值显著不同。利用这两个量之商的这一测度应该是成功的。子类SC的点的局部密度的平均值由下式给出：

$\widehat{\mathrm{\&rho;}}\left(\mathrm{SC}\right)=\frac{1}{N^p\left(\mathrm{SC}\right)}\underset{c\left(j\right)=\mathrm{SC}}{\overset{N^p}{\underset{j=1}{\mathrm{\&Sigma;}}}}{\mathrm{\&rho;}}_j^p,\mathrm{SC}=1,...,N^{p.\mathrm{SC}}.---\left(17\right)$

子类中的点跨过的面积计算起来可能更为复杂。然而，该子类中的任何两个点之间的最大距离的平方将给出对该面积的估计。这种量可以通过下式获得：

A^p(SC)＝(R^p(SC))²，SC＝1，...，N^p.SC，(18)

其中，R^p由式(5)给出。将满足下式的子类丢弃：

$\frac{\widehat{\mathrm{\&rho;}}\left(\mathrm{SC}\right)}{N^p\left(\mathrm{SC}\right)/A^p\left(\mathrm{SC}\right)}>{\mathrm{\&tau;}}^p,---\left(19\right)$

其中，阈值τ^p通常为2至5。

Claims (23)

1.一种在蜂窝通信网络中对位置确定进行聚类以提供位置确定辅助数据的方法，该方法包括以下步骤：

获得步骤，其用于获得作为高精度位置确定的结果的点的一个主类；以及

分出步骤，其用于分出至少两个子类，所述至少两个子类的点所具有的点的局部密度高于预定局部密度阈值。

2.根据权利要求1所述的方法，其特征在于所述分出步骤包括以下步骤：

针对所述点的主类中的各点而确定点的局部密度。

3.根据权利要求2所述的方法，其特征在于所述分出步骤进一步包括以下步骤：

1a)在所述点的主类中选择所具有的点的局部密度大于所述预定局部密度阈值的点，以将其包含在第一子类中；

1b)将所述点的主类中的点包含在所述第一子类中，包含在所述第一子类中的所述点所具有的点的局部密度大于所述预定局部密度阈值。

4.根据权利要求3所述的方法，其特征在于，包含在所述第一子类中的所述点到包含在所述第一子类中的任何其他点的距离小于预定距离阈值。

5.根据权利要求4所述的方法，其特征在于：

所述步骤1a)包括以下步骤：选择所述点作为第一参考点；以及

所述步骤1b)包括以下步骤：

i)选择所述点的主类中不包含在所述第一子类中的候选点；

ii)检查所述候选点所具有的点的局部密度是否大于所述预定局部密度阈值以及所述候选点到所述参考点的距离是否小于预定距离阈值；

iii)如果所述候选点所具有的点的局部密度大于所述预定局部密度阈值并且如果所述候选点到所述参考点的距离小于所述预定距离阈值，则将所述候选点包含在所述第一子类中；以及

iv)重复步骤i)至iii)，直到不再剩余未被包含在所述第一子类中并且所具有的点的局部密度大于所述预定局部密度阈值且到所述参考点的距离小于所述预定距离阈值的其他点为止。

6.根据权利要求5所述的方法，其特征在于所述步骤1b)进一步包括以下步骤：

v)在所述第一子类的点中选择先前没有被选择作为参考点的一个新的参考点；

vi)重复步骤i)至v)，直到所述第一子类中的所有点都已经被用作参考点为止。

7.根据权利要求3所述的方法，其特征在于：

所述步骤1a)包括以下步骤：选择所述点的主类中所具有的点的局部密度最高的点包含在第一子类中并将其选择为起点；以及

所述步骤1b)包括以下步骤：

i)选择所述起点作为参考点；

ii)找出所述点的主类中没有被包含在所述第一子类且没有被用作起点的最近邻居点；

iii)检查所述最近邻居点所具有的点的局部密度是否大于所述预定局部密度阈值；

iv)如果所述候选点所具有的点的局部密度大于所述预定局部密度阈值，则将所述最近邻居点包含在所述第一子类中并选择所述最近邻居点作为新的参考点；以及

v)重复步骤ii)至iv)，直到所述最近邻居点所具有的点的局部密度小于所述预定局部密度阈值为止；

vi)选择包含在所述第一子类中且先前未用作起点的一个点作为新的起点；以及

vii)重复步骤i)至vi)，直到包含在所述第一子类中的所有点都已经被用作起点为止。

8.根据权利要求3到7中任意一项所述的方法，其特征在于

所述分出步骤进一步包括以下步骤：

2a)选择所述点的主类中所具有的点的局部密度大于所述预定局部密度阈值并且没有被包含在前n-1个子类中的任何一个之中的一个点并将其包含在第n个子类中，其中n是大于1的整数；

2b)将所述点的主类中的点包含在所述第n个子类中，包含在所述第n个子类中的所述点所具有的点的局部密度大于所述预定局部密度阈值且没有被包含在前n-1个子类中的任何一个之中。

9.根据权利要求8所述的方法，其特征在于

从n等于2开始重复步骤2a)和2b)，并且当n等于N时结束，其中N是所允许的子类的最大数量。

10.根据权利要求1到8中任意一项所述的方法，其特征在于进一步包括以下步骤：将所包含的点的数量少于预定数量的子类丢弃。

11.根据权利要求1到10中任意一项所述的方法，其特征在于进一步包括以下步骤：移除环绕子类。

12.根据权利要求11所述的方法，其特征在于移除环绕子类的步骤包括以下步骤：将所述环绕子类丢弃。

13.根据权利要求11所述的方法，其特征在于移除环绕子类的步骤包括以下步骤：将所述环绕子类进一步分解为子类。

14.根据权利要求11到13中任意一项所述的方法，其特征在于，移除环绕子类的步骤包括以下步骤：将所述点的局部密度的平均值与所述环绕子类中所包含的点的总数和所述环绕子类内的所述点所跨过的面积之比值进行比较。

15.根据权利要求11到13中任意一项所述的方法，其特征在于移除环绕子类的步骤包括以下步骤：将所述环绕子类中所包含的点和所述环绕子类中所包含的所述点的重心之间的平均距离与所述环绕子类中所包含的所述点中的任何点和所述环绕子类中所包含的所述点的所述重心之间的最小距离进行比较。

16.一种用于在蜂窝通信网络中提供位置确定辅助数据的方法，该方法包括以下步骤：

针对用户设备建立小区关系配置；

所述小区关系配置至少包括小区的小区标识，其中去往/来自所述用户设备的信号在被接收到时至少满足特定无线状况准则；

针对所述用户设备执行高精度位置确定；

将所述建立和执行步骤重复多次；

将作为属于同一小区关系配置的所述高精度位置确定的结果的点聚类到点的独立的主类中；

根据权利要求1到15中任意一项，将所述点的独立的主类中的至少一个主类分解成子类；

将区域限定与所述点的主类中的至少一个主类相关联；

创建包括所述小区关系配置与所述关联的区域限定之间的关系的位置确定辅助数据。

17.根据权利要求16所述的方法，其特征在于将区域限定与所述点的主类中的至少一个主类相关联的步骤包括以下步骤：

将子区域限定与所述点的主类中的至少一个主类的所述子类中的至少两个子类相关联；以及

将所述区域限定定义为所述子区域限定的聚合体。

18.一种用于在蜂窝通信网络中提供位置确定辅助数据的装置，该装置包括：

用于针对用户设备建立小区关系配置的单元；

所述小区关系配置至少包括小区的小区标识，其中去往/来自所述用户设备的信号在被接收到时至少满足特定无线状况准则；

用于针对所述用户设备执行高精度位置确定的单元；

用于将作为属于同一小区关系配置的所述高精度位置确定的结果聚类到点的独立的主类中的单元；

所述用于对结果进行聚类的单元进一步被设置成从所述点的独立的主类中的至少一个主类中分出至少两个子类，所述至少两个子类中的点所具有的点的局部密度大于预定局部密度阈值；以及

用于将区域限定与所述点的主类中的所述子类中至少两个子类相关联并创建包括所述小区关系配置与所述关联的区域限定之间的关系的位置确定辅助数据的单元。

19.根据权利要求18所述的装置，其特征在于，所述用于对结果进行聚类的单元进一步被设置成针对所述点的主类中的各点而确定点的局部密度。

20.根据权利要求19所述的装置，其特征在于，所述用于对结果进行聚类的单元进一步被设置成：

1a)在所述点的主类中选择所具有的点的局部密度大于所述预定局部密度阈值的一个点并将其包含在第一子类中；

1b)将所述点的主类中的点包含在所述第一子类中，所述包含点所具有的点的局部密度大于所述预定局部密度阈值。

21.一种蜂窝通信网络的节点，该节点包括根据权利要求18到20中任意一项所述的装置。

22.一种蜂窝通信网络，该蜂窝通信网络包括根据权利要求18到20中任意一项所述的装置。

23.一种计算机可读介质，该计算机可读介质包括由根据权利要求1到16中任意一项所述的方法提供的位置确定辅助数据。

Images