python 笔记根据用户轨迹+基站位置，估计基站轨迹+RSRP

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
  - - 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*20037508.34/180y=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*180lon_y=mer_y/20037508.34*180lon_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idnearest_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_mercatorelse: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_mercatorelse: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_mercatorelse: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 foliumm=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
  - - 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_dbreturn 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RSRPrsrp_values.append(rsrp_dbm)
connected_cells_mercator['rsrp']=rsrp_values
connected_cells_mercator

一般来说RSRP的取值为：