python 笔记 根据用户轨迹+基站位置，估计基站轨迹+RSRP

于 2023-11-26 15:01:36 发布
阅读量1.3k 收藏 23
点赞数 27
分类专栏： python库整理 文章标签： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40206371/article/details/134617179
版权
本文介绍了如何利用用户实际轨迹和基站位置信息，结合Okumura-Hata公式及基站和手机的标准参数，通过构建KD树和WebMercator坐标系统来估算每个用户连接基站的信号强度RSRP。作者使用Python实现了一个模拟过程，包括基站轨迹处理、用户轨迹转换、基站选取以及RSRP的计算。
摘要由CSDN通过智能技术生成

1 问题描述

已知用户实际的轨迹，和基站的位置，能不能得到用户所连接的基站，以及基站的信号强度RSRP？

1.1 几个假设

这里我们做几个假设：

  • 每个用户有80%的概率连接最近的基站，有20%的概率选择其他的基站连接
    • 其他的基站不会太远离用户的位置，用户300m内的某个基站
  • 至于计算RSRP:
    • 而路径距离，这里我们采用‘Urban Area Path loss Propagation Prediction and Optimisation Using Hata Model at 800MHz’论文里面提及的Okumura-Hata公式
      • L=A+B\log_{10}(f)-13.82\log_{10}(h_{BS})-a(h_{MS})+[44.9-6.55\log_{10}(h_{BS})]\log_{10}d
        • A,B是根据功率强度f决定的
        • L是路径损耗（dB）
        • F是频率（MHz）
        • hBS是基站天线高度（m)
        • hMS是手机高度(m)
        • d是手机和基站的距离（km）
  • 为了进行计算，我们需要知道基站的发射功率、天线增益以及使用的频率。
    • 由于这些信息通常不会公开，我们将假设一些标准值：
      • 基站的发射功率为35瓦
      • 天线增益为10dBi
      • 用户设备的天线增益为0dBi
      • 使用的频率为2.1GHz（2100MHz）
      • 天线高度 30m
      • 手机高度 1.6m
      • 这些都是典型的值，但在实际情况中可能会有所不同。

2  找寻基站轨迹

from scipy.spatial.distance import cdist
from sklearn.neighbors import KDTree
import numpy as np
import pandas as pd

2.1 读取基站轨迹数据

  • 公开的数据，可以通过OpenCellID的数据处理而得

一下是一个人为伪造模型的数据

2.1.1 读取数据


cell=pd.read_csv('celltable.csv')
 
cell

 2.1.2 筛选基站+Cell ID去重

cell=cell[cell['Network System']=='LTE']
cell

cell=cell.drop_duplicates(subset='Cell ID',keep='first')
cell

 

2.2 将经纬度转化成Web Mercator坐标

2.2.1 经纬度至Web墨卡托 转化方法

地理知识：墨卡托坐标系-CSDN博客

def lonlat_to_Mercator_(lon,lon_y):
    x=lon*20037508.34/180
    y=math.log(math.tan((90 + lon_y) * math.pi / 360)) / (math.pi / 180)
    y=y*20037508.34/180    
    return x,y
def Webmercater2latlon(mer_x,mer_y):
    lon_x=mer_x/20037508.34*180
    lon_y=mer_y/20037508.34*180
    
    lon_y=180/math.pi*(2*math.atan(math.exp(lon_y*math.pi/180))-math.pi/2)
    
    return(lon_x,lon_y)

2.2.2 cell中的经纬度转化成Web墨卡托

cell['mer_x'],cell['mer_y']=zip(*cell.apply(lambda row:lonlat_to_Mercator_(row['Longitude'],row['Latitude']),axis=1))
cell=cell[['Cell ID','mer_x','mer_y','Site Name','Site Address']]
cell

2.2.3 去除重复位置

cell=cell.drop_duplicates(['mer_x','mer_y'])
cell

2.2.4 根据基站的墨卡托坐标创建KD树

# Extract the relevant data for the KD Tree (Web Mercator X and Y coordinates)
lte_cells_mercator = cell[['mer_x','mer_y']].values
lte_cells_mercator
'''
array([[11562113.25547015,   145284.49757409],
       [11547895.59195217,   148544.54957278],
       [11560513.65623184,   153805.87319286],
       ...,
       [11543354.99361167,   149843.63229047],
       [11557325.28048347,   144718.47725593],
       [11557490.7136156 ,   139442.78908455]])
'''

tree_mercator = KDTree(lte_cells_mercator)

3  读取用户轨迹

人为给定一条

user_points = np.array([
    [1.342520, 103.681236],
    [1.342196, 103.679179],
    [1.340511, 103.682740],
    [1.343717, 103.686724],
    [1.346773, 103.690370],
    [1.343203, 103.692289],
    [1.338421, 103.695795],
    [1.337798, 103.696571],
    [1.340250, 103.705373],
    [1.338572, 103.704885],
    [1.339684, 103.705642],
    [1.338408, 103.706127],
    [1.344021, 103.720346],
    [1.344426, 103.722062],
    [1.341786, 103.722293],
    [1.341259, 103.725101],
    [1.339582, 103.727067],
    [1.338587, 103.725448]
])

3.1 用户轨迹转化为Web墨卡托轨迹

user_locations_mercator =[lonlat_to_Mercator_(lon,lat) for lat,lon in user_points]
user_locations_mercator
'''
[(11541742.394730601, 149462.31994029254),
 (11541513.410538072, 149426.24252432864),
 (11541909.819244731, 149238.61776834572),
 (11542353.31609599, 149595.60599074847),
 (11542759.186959365, 149935.8921435887),
 (11542972.809062168, 149538.372039615),
 (11543363.095196836, 149005.89644030613),
 (11543449.47912168, 148936.52547995208),
 (11544429.313279504, 149209.55542897113),
 (11544374.989368005, 149022.71027123014),
 (11544459.258222522, 149146.5313626564),
 (11544513.24817555, 149004.44889199687),
 (11546096.100014921, 149629.456426657),
 (11546287.124261094, 149674.5532310448),
 (11546312.839063464, 149380.58901097745),
 (11546625.424193569, 149321.90755505234),
 (11546844.278312437, 149135.1736702744),
 (11546664.05205687, 149024.38051939345)]
'''

4 找到用户连接的基站

connected_cells_mercator= pd.DataFrame()
#用户对应的基站 DataFrame
probability_nearest=0.8
#多少比例的数据
radius=300
#距离用户多近的基站可以被考虑

for location_mercator in user_locations_mercator:
    #对于用户轨迹的每一个点
    
    dist_mercator, ind_mercator = tree_mercator.query([location_mercator], k=1)
    #通过基站的KD树找到距离用户最近的基站的id

    nearest_cell_mercator = cell.iloc[ind_mercator[0]]
    #id对应的那一行基站

    
    if np.random.random() <= probability_nearest:
        #比0.8小——就是最近的基站，比0.8大——从300m内的基站中选一个
        
        if(len(connected_cells_mercator)==0):
            connected_cells_mercator=nearest_cell_mercator
        else:
            connected_cells_mercator=pd.concat([connected_cells_mercator,nearest_cell_mercator])
        #基站对应的那一行加入返回的DataFrame中
    
    else:
        indices_mercator = tree_mercator.query_radius([location_mercator], r=radius)[0]
        #找到距离用户300m内的所有基站，按照从近到远排序
        
        indices_mercator = indices_mercator[indices_mercator != ind_mercator[0]]
        #剔除最近的基站
        
        if len(indices_mercator) == 0:
            #len(indices_mercator) == 0，表示300m内只有最近的基站这一个基站
            if(len(connected_cells_mercator)==0):
                connected_cells_mercator=nearest_cell_mercator
            else:
                connected_cells_mercator=pd.concat([connected_cells_mercator,nearest_cell_mercator])
        
        else:
            random_cell_index_mercator = np.random.choice(indices_mercator)
            #随机地选择一个其他基站
            random_cell_mercator = cell.iloc[np.array([random_cell_index_mercator])]
            if(len(connected_cells_mercator)==0):
                connected_cells_mercator=random_cell_mercator
            else:
                connected_cells_mercator=pd.concat([connected_cells_mercator,random_cell_mercator])
            #connected_cells_mercator.append(random_cell_mercator)
connected_cells_mercator

4.1 基站轨迹从墨卡托坐标转化为经纬度

connected_cells_mercator['lon'],connected_cells_mercator['lat']=zip(*connected_cells_mercator.apply(lambda row:Webmercater2latlon(row['mer_x'],row['mer_y']),axis=1))
connected_cells_mercator

5 可视化用户轨迹和对应的基站轨迹 

connected_cells=connected_cells_mercator[['lat','lon']].values
import folium

m=folium.Map(location=[1.341505, 103.682498],
            zoom_start=14)

for i in range(len(connected_cells)):
    folium.Marker(connected_cells[i],
              icon=folium.Icon(icon='wifi',
                               prefix='fa',
                              color='red',
                              icon_color='yellow')).add_to(m)
    
for i in range(len(user_points)):
    folium.Marker(user_points[i],
              icon=folium.Icon(icon='phone',
                               prefix='fa',
                              color='green',
                              icon_color='blue')).add_to(m)
folium.PolyLine(user_points,color='green').add_to(m)
folium.PolyLine(connected_cells,color='red').add_to(m)
m

 6 估算RSRP

6.1 假设和原理（回顾）

  •  计算RSRP:
    • 而路径距离，这里我们采用‘Urban Area Path loss Propagation Prediction and Optimisation Using Hata Model at 800MHz’论文里面提及的Okumura-Hata公式
      • L=A+B\log_{10}(f)-13.82\log_{10}(h_{BS})-a(h_{MS})+[44.9-6.55\log_{10}(h_{BS})]\log_{10}d
        • A,B是根据功率强度f决定的
        • L是路径损耗（dB）
        • F是频率（MHz）
        • hBS是基站天线高度（m)
        • hMS是手机高度(m)
        • d是手机和基站的距离（km）
  • 为了进行计算，我们需要知道基站的发射功率、天线增益以及使用的频率。
    • 由于这些信息通常不会公开，我们将假设一些标准值：
      • 基站的发射功率为35瓦
      • 天线增益为10dBi
      • 用户设备的天线增益为0dBi
      • 使用的频率为2.1GHz（2100MHz）
      • 天线高度 30m
      • 手机高度 1.6m
      • 这些都是典型的值，但在实际情况中可能会有所不同。

6.2 参数设置


transmit_power_dbm = 35  # 基站的发射功率
antenna_gain_dbi = 10    # 天线增益
device_gain_dbi = 0      # 用户设备的天线增益
frequency_hz = 2100      # 使用的频率
speed_of_light = 3e8     # 光速
antenna_h=30             #基站天线高度
antenna_u=1.6            #手机高度

6.3 计算路径损失的函数

def calclate_pl(distance_m,freq_mhz):
    path_loss=46.3+39.9*math.log10(freq_mhz)
    path_loss-=13.82*math.log10(antenna_h)
    path_loss-=(3.2*((math.log10(11.75*antenna_u))**2)-4.97)
    path_loss+=(44.5-6.55*math.log10(antenna_h))*math.log10(distance_m/1000)
    return path_loss

 6.4 计算rsrp的函数

def calculate_rsrp(fspl_db, transmit_power_dbm, antenna_gain_dbi, device_gain_dbi):
    rsrp_dbm = transmit_power_dbm + antenna_gain_dbi + device_gain_dbi - fspl_db
    return rsrp_dbm

6.5 计算每一个用户点的RSRP

 

connected_cells_mercator_value=connected_cells_mercator[['mer_x','mer_y']].values
rsrp_values = []

for user_location_mercator, connected_cell in zip(user_locations_mercator, connected_cells_mercator_value):
    #迭代每一个用户位置，和对应的基站位置

    distance_x = user_location_mercator[0] - connected_cell[0]
    distance_y = user_location_mercator[1] - connected_cell[1]
    distance_m = np.sqrt(distance_x**2 + distance_y**2)
    #计算每一个用户位置和基站位置的距离
    
    
    fspl_db = calclate_pl(distance_m, frequency_hz)
    #计算相应的路径损失
    
    
    rsrp_dbm = calculate_rsrp(fspl_db, transmit_power_dbm, antenna_gain_dbi, device_gain_dbi)
    #计算相应的RSRP
    
    
    rsrp_values.append(rsrp_dbm)
connected_cells_mercator['rsrp']=rsrp_values
connected_cells_mercator

 一般来说RSRP的取值为：

  • Excellent Signal: -44 dBm to -80 dBm
  • Good Signal: -81 dBm to -90 dBm
  • Fair Signal: -91 dBm to -100 dBm
  • Poor Signal: -101 dBm to -110 dBm
  • Very Poor Signal: -111 dBm to -120 dBm
  • No Signal: -121 dBm to -140 dBm

可以看到大部分信号都在excellent 和good 之间

UQI-LIUWJ
关注
  • 27
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
python出行轨迹记录_Python中的自动路径绘制,python,轨迹
weixin_39910824的博客
12-02 681
python自动轨迹绘制1 含义根据脚本绘制图形，通过编制数据的方式绘制图形，不同于利用turtle库编写代码的方式绘制图形。2 过程①写程序读取数据②根据数据绘制图形3 实例步骤①定义数据文件格式(接口)②编写程序，根据文件格式(接口)解析参数绘制图形。③编制数据文件(运行脚本得到图形)4 实例演示给定一个数据文本，每一行都是如下格式的数据，每个数据项有对应的含义。文件数据：300,0,...
chatgpt赋能python：Python画地图轨迹图教程
xuhss_com的博客
06-24 1083
本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲下图是AI职场汇报智能办公文案写作效率提升教程中用到的ai工具。
【5G RRC】RSRP、RSRQ以及SINR含义、计算过程详细介绍
从善若水的博客
04-30 2万+
UE对SS-RSRP进行测量，并将其用于小区选择、小区重选、功率控制、移动性和波束管理流程。L1（Phy）和L3（RRC）会产生和上报RSRP测量值。例如，UE在向gNB发送CSI时可以在L1测量SS-RSRP，当发送测量报告时向L3提供测量结果。在生成SS-RSRP结果时，允许UE使用PBCH-DMRS的测量结果。DMRS和SS-Signal以相同的功率传输，因此结果可以直接平均。当UE向L1报告测量SS-RSRP时，可以配置UE使用CSI-RS测量作为额外的输入。
Lte/5G中的RSRP、RSRQ、SINR、MCS介绍
热门推荐
qq_44390640的博客
08-20 5万+
RSRP（Reference Signal Receiving Power参考信号接收功率）是在某个Symbol内承载Reference Signal的所有RE上接收到的信号功率的平均值； RSSI（Received Signal Strength Indicator接收信号的强度指标）则是在这个Symbol内接收到的所有信号（包括导频信号和数据信号，邻区干扰信号，噪音信号等）功率的平均值...
LTE中的算术题
专注无线
01-13 9644
1.RSRP及RSRQ计算 RSRP=-140+RsrpResult（dBm）； -44<=RSRP<-140dbm 0<= RsrpResult<=97 下行解调门限：18.2dBm来计算的话，下行支持的最小RSRP为18.2-130.8= -112.6 下行解调门限：上行支持的最小RSRP为23-126.44= -103.44dBm RSRQ=-20...
LTE-R学习笔记（一）
01-20
2.RSRP（Reference signal receive power），即参考信号接收功率，用以表征LTE-R小区的信号覆盖强度，在小区选择中起决定作用。 RRC 连接建立成功率反映小区接纳 UE 的能力，RRC 连 接建立成功意味着 UE 与网络建立...
4G+5G无线直放站站点测试报告.pdf
12-28
测试数据显示，4+5G设备开启后，4G和5G的RSRP信号强度显著增强，解决了之前存在的信号盲区问题。汽车电子-环境实验室、汽车电子-电学实验室和汽车电子-车载实验室在开启4+5G设备前后的对比显示，信号覆盖得到了明显...
一种判定LTE小区用户位置的新方法
01-20
现有的区分方法——RSRP单门限上报机制有诸多弊端，会导致用户位置信息在“小区内部”和“小区边缘”来回切换而形成“乒乓效应”，产生大量不必要的空口信令开销，并对终端的功耗形成很大的负担。鉴于此，提出了一种...
安卓手机基站数据采集
12-05
3. 用户行为分析：通过收集基站数据，可以了解用户的活动区域和移动轨迹，为市场分析和广告投放提供依据。 4. 定位服务：结合多个基站的数据，可以实现室内定位，提高导航和紧急救援服务的精度。 总结，安卓手机...
利用MDT数据核查LTE基站工参案例.pdf
08-07
1. RSRP采样点近点分布预测：根据用户上报的RSRP采样点信息，选取RSRP较强且分布最密集的扇区作为预测方位角。 2. 采样点强度均值分布预测：计算各扇区RSRP值的加权平均，选择平均RSRP值最大的方位角。 3. 分类...
LTE覆盖距离与天线下倾角分析优化案例
wenjianzhiqin的博客
09-20 2万+
摘要：本文利用LTE室外传播模型及链路预算总结出不同位置终端接收的RSRP公式,结合路测分析验证公式，分析天线下倾角的设置与LTE覆盖距离的关系，并制成经验表格。最后分场景估算天线下角最优设置，并通过实际优化进行对比验证。 关键字：垂直波瓣角；3dB远点；覆盖距离 一、LTE室外传播公式的推导 1、路径损耗的计算 LTE链路预算采用HATA自由空间损耗传播模型。模型公式如下
python Cartopy 船舶轨迹数据可视化 【GPS AIS VMS】
JM1307hhh的博客
10-28 4681
python的Cartopy库实现，船舶、车辆轨迹数据可视化，地图底图的展示，海洋、陆地、湖泊、海岸线……
通信笔记：RSRP、RSRQ、RSNNR
最新发布
qq_40206371的博客
08-31 1万+
从一个LTE或5G小区或物理资源块（Physical Resource Block, PRB）收到的所有参考信号的线性平均值。RSRP 是评估网络覆盖范围的关键指标。高的 RSRP 值通常意味着更好的网络覆盖。
LTE Drop的场景分析
sundaygeek的专栏
11-22 2510
有多种原因可以使LTE drop。然而，会话是否被丢弃依赖于特定的供应商的实现。也就是说，下降可能会由UE消息或由eNodeB进行的测量所引起的。两个UE和eNodeB可检查无线电链路是否in-syn。在该博客，我们将描述该UE执行，以确定是否所述无线电链路是in-syn及其后果的活动。这个博客的第2部分，将展示该eNodeB可进行以确定无线电链路是，同步或不活动。什么时候无线链路in-syn？UE
LTE 报告值与RSRP质量换算关系！
时九博客
10-27 1万+
在LTE中，RSRP测量报告值都是正的，如何换算成负数？在协议中规定如下 Reported value Measured quantity value Unit RSRP_00 RSRP > -140 dBm RSRP_01 -140 < RSRP dBm RSRP_02 -139 < RSRP dBm … …
RSRP/RSRQ/RSSI/RS-SINR/RS-CINR/RSCP
Sylviahai的博客
01-12 1万+
RSRP RSRQ RSSI SINR 区别与联系 CoMP分簇算法中门限的选用，暂定选择RSRP，与其相似的有许多概念，本文分别做以介绍。 RSRP/RSRQ/RSSI/RS-SINR/RS-CINR/RSCP
获取咕咚运动移动应用中的数据——Python实现
问天鼓的技术博客
07-18 4544
Author : iascchen(at)gmail(dot)com Date : 2013-07-18 新浪微博 : @问天鼓 利用Python实现了咕咚 Codoon 运动的 API。对应API详细说明参见 获取咕咚运动移动应用中的数据——非官方API 代码地址 https://github.com/iascchen/VisHealth/ 使用 devices/codoon
python 动画 轨迹_一看就懂的动态轨迹图实现示例
weixin_39770226的博客
02-03 2551
前言数据可视化API(Web)，是基于腾讯位置服务JavaScript API GL实现的专业地理空间数据可视化渲染引擎。通过这套API，可以实现轨迹数据、坐标点数据、热力、迁徙、航线等空间数据的可视化展现。使用步骤1、注册成为腾讯位置服务开发者，并进入控制台 -> key管理界面创建key；image2、数据可视化API(以下简称可视化API)，所提供的可视化效果是以图层的方式叠加在Jav...
python包介绍：GeoPandas（初识）
qq_40206371的博客
09-25 2万+
1 GeoPandas介绍 GeoPandas是一个开源项目，可以更轻松地使用python处理地理空间数据。 GeoPandas扩展了Pandas中使用的数据类型DataFrame，允许对几何类型进行空间操作。 GeoPandas的目标是使在python中使用地理空间数据更容易。它结合了Pandas和Shapely的能力，提供了Pandas的地理空间操作和多种Shapely的高级接口。GeoPandas可以让您轻松地在python中进行操作，否则将需要...
"基站功率符号介绍及5G网络优化
在基站部署方面，需要考虑基站的数量、位置和覆盖范围，以确保网络覆盖足够的区域，并且能够满足用户的需求。在信号传输方面，需要优化信号的传输速度和稳定性，以提高用户的体验和满足高速数据传输的需求。功率控制...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值