python 笔记 根据用户轨迹+基站位置，估计基站轨迹+RSRP

news2024/11/27 7:29:00

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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1254779.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【SAS Planet 下载地图瓦片】

【SAS Planet 下载地图瓦片】

SAS Planet是一位俄罗斯爱好者创建的的开源应用&#xff0c;该应用可以浏览与下载主流网络地图&#xff0c;包括Google地图、Google地球、Bing地图、Esri 地图、Yandex地图等&#xff0c;支持100多图源。 安装包下载地址&#xff1a;https://www.sasgis.org/download/ github…
阅读更多...
用队列和栈分别实现栈和队列

用队列和栈分别实现栈和队列

用队列实现栈 题目解读 本题的要求是要用两个队列来实现一个先进后出的栈&#xff0c;并且要有以下功能&#xff1a; 1.将元素压入栈中 2.移除栈顶元素并且返回他 3.返回栈顶元素 4.判断栈是否为空 题目构思和代码实现 我们首先要做的就是将实现队列的代码导入该题&#xff…
阅读更多...
【深度学习】如何找到最优学习率

【深度学习】如何找到最优学习率

经过了大量炼丹的同学都知道&#xff0c;超参数是一个非常玄乎的东西&#xff0c;比如batch size&#xff0c;学习率等&#xff0c;这些东西的设定并没有什么规律和原因&#xff0c;论文中设定的超参数一般都是靠经验决定的。但是超参数往往又特别重要&#xff0c;比如学习率&a…
阅读更多...
扩散模型实战（十二）：使用调度器DDIM反转来优化图像编辑

扩散模型实战（十二）：使用调度器DDIM反转来优化图像编辑

推荐阅读列表&#xff1a; 扩散模型实战&#xff08;一&#xff09;&#xff1a;基本原理介绍 扩散模型实战&#xff08;二&#xff09;&#xff1a;扩散模型的发展 扩散模型实战&#xff08;三&#xff09;&#xff1a;扩散模型的应用 扩散模型实战&#xff08;四&#xff…
阅读更多...
python之pyqt专栏4-代码控制部件

python之pyqt专栏4-代码控制部件

通过前面的学习&#xff0c;我们已经回创建新的pyqt项目、对项目结构有了了解、也了解Qt Designer设计UI界面并 把"xx.ui"转换为“xxx.py”。 pyqt模块与类 pyqt6 由模块组成&#xff0c;而模块里面又有很多的类 在pyqt官网Modules — PyQt Documentation v6.6.0页面…
阅读更多...
函数的防抖与节流

函数的防抖与节流

一、函数防抖 &#xff08;一&#xff09;防抖的理解 防抖就是将所有的触发都取消&#xff0c;在规定的时间结束过后才会执行最后一次&#xff0c;也就是说连续快速的触发只会执行最后一次结果。 也可以理解为游戏里的回城按钮&#xff0c;每点一下就会重新刷新回城进度&…
阅读更多...
SSM 框架整合

SSM 框架整合

1 整合配置 1.1 流程 1.2 Spring 整合 MyBatis 1.3 Spring 整合 SpringMVC 1.4 配置代码 JdbcConfig.java public class JdbcConfig {Value("${jdbc.driver}")private String driver;Value("${jdbc.url}")private String url;Value("${jdbc.usern…
阅读更多...
【挑战业余一周拿证】CSDN官方课程目录

【挑战业余一周拿证】CSDN官方课程目录

一、亚马逊云科技简介 二、在云中计算 三、全球基础设施和可靠性 四、联网 五、存储和数据库 六、安全性 七、监控和分析 八、定价和支持 九、迁移和创新 十、云之旅 关注订阅号 CSDN 官方中文视频&#xff08;免费&#xff09;&#xff1a;点击进入 一、亚马逊云科…
阅读更多...
Apache POI（处理Miscrosoft Office各种文件格式）

Apache POI（处理Miscrosoft Office各种文件格式）

文章目录 一、Apache POI介绍二、应用场景三、使用步骤1.导入maven坐标2.写入代码讲解3.读取代码讲解 总结 一、Apache POI介绍 Apache POI 是一个处理Miscrosoft Office各种文件格式的开源项目。简单来说就是&#xff0c;我们可以使用 POI 在 Java 程序中对Miscrosoft Office…
阅读更多...
N7 LUP.2.3 DRC如何解决？

N7 LUP.2.3 DRC如何解决？

这个问题在Design Rule中的介绍如下图&#xff1a; 解决办法是od 15 um的范围要加LUP_GR* cell&#xff0c;需要提高密度(加的位置需要符合tcic)去fix。
阅读更多...
ubuntu 安装 jetbrains-toolbox

ubuntu 安装 jetbrains-toolbox

ubuntu 安装 jetbrains-toolbox 官网下载 jetbrains-toolbox jetbrains 官网 jetbrains 官网&#xff1a;https://www.jetbrains.com/ jetbrains-toolbox 官网下载页面 在下载页面点击 Download 安装 jetbrains-toolbox 解压 jetbrains-toolbox 安装包 到指定目录 本案例将…
阅读更多...
【Dockerfile】将自己的项目构建成镜像部署运行

【Dockerfile】将自己的项目构建成镜像部署运行

目录 1.Dockerfile 2.镜像结构 3.Dockerfile语法 4.构建Java项目 5.基于Java8构建项目 1.Dockerfile 常见的镜像在DockerHub就能找到&#xff0c;但是我们自己写的项目就必须自己构建镜像了。 而要自定义镜像&#xff0c;就必须先了解镜像的结构才行。 2.镜像结构 镜…
阅读更多...
Python——常见内置模块

Python——常见内置模块

Python 模块&#xff08;Modules&#xff09;1、概念模块函数类变量2、分类3、模块导入的方法&#xff1a;五种4、使用import 导入模块5、使用from……import部分导入6、使用as关键字为导入模块或功能命名别名7、模块的搜索目录8、自定义模块 常见内置模块一、math模块二、rand…
阅读更多...
[pyqt5]PyQt5之如何设置QWidget窗口背景图片问题

[pyqt5]PyQt5之如何设置QWidget窗口背景图片问题

目录 PyQt5设置QWidget窗口背景图片 QWidget 添加背景图片问题QSS 背景图样式区别PyQt设置窗口背景图像&#xff0c;以及图像自适应窗口大小变化 总结 PyQt5设置QWidget窗口背景图片 QWidget 添加背景图片问题 QWidget 创建的窗口有时并不能直接用 setStyleSheet 设置窗口部分…
阅读更多...
手机技巧：安卓微信8.0.44测试版功能介绍

手机技巧：安卓微信8.0.44测试版功能介绍

目录 一、更新介绍 二、功能更新介绍 拍一拍撤回功能 聊天设置界面文案优化 关怀模式新增了非常实用的安静模式 微信设置中新增翻译设置选项 近期腾讯官方终于发布了安卓微信8.0.44测试版&#xff0c;今天小编继续给大家介绍一个本次安卓微信8.0.44测试版本更新的内容&am…
阅读更多...
网络运维与网络安全 学习笔记2023.11.26

网络运维与网络安全 学习笔记2023.11.26

网络运维与网络安全 学习笔记 第二十七天 今日目标 NAT场景与原理、静态NAT、动态NAT PAT原理与配置、动态PAT之EasyIP、静态PAT之NAT Server NAT场景与原理 项目背景 为节省IP地址和费用&#xff0c;企业内网使用的都是“私有IP地址” Internet网络的组成设备&#xff0c…
阅读更多...
3 时间序列预测入门：TCN

3 时间序列预测入门：TCN

0 引言 TCN&#xff08;全称Temporal Convolutional Network&#xff09;&#xff0c;时序卷积网络&#xff0c;是在2018年提出的一个卷积模型&#xff0c;但是可以用来处理时间序列。 论文&#xff1a;https://arxiv.org/pdf/1803.01271.pdf 一维卷积&#xff1a;在时间步长方…
阅读更多...
轻量应用服务器推荐，入门首选

轻量应用服务器推荐，入门首选

轻量应用服务器: 配置高&#xff0c;价格低&#xff0c;高性价比&#xff0c;已经成为开发者和中小企业首选服务器。 轻量-爆款 腾讯云轻量应用服务器 2核2G 3M带宽 40G SSD盘 月流量200G 一月45元。 推荐理由&#xff1a; 腾讯云这次活动预备了多款轻量应用服务器。如果做小…
阅读更多...
【Java基础系列】文件上传功能

【Java基础系列】文件上传功能

&#x1f49d;&#x1f49d;&#x1f49d;欢迎来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…
阅读更多...
BUUCTF刷题之路-web-[GXYCTF2019]Ping Ping Ping1

BUUCTF刷题之路-web-[GXYCTF2019]Ping Ping Ping1

启动环境后&#xff0c;是一个简简单单的页面&#xff1a; 看样子是能够触发远程执行漏洞的。尝试下ping 127.0.0.1&#xff0c;如果有回显说明我们的想法是对的。 最近才学习的nc反弹shell。想着是否能用nc反弹shell的办法。控制服务器然后输出flag呢&#xff1f;于是我测试下…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023