Ortam Tahminine Dayalı Yeni Bir Mobil Konumlama Algoritması

A Mobile Positioning Algorithm Based on Environment Estimation

Özgün Bayrak1, Çağrı Temizyürek1, Metin Barut1, Onur Turkyılmaz2, Gürkan Gür2 1Oksijen/Vodafone IT., İstanbul, TÜRKİYE

{ozgun.bayrak, cagri.temizyurek, metin.barut}@oksijen.com 2SATLAB, Bilgisayar Müh. Böl., Boğaziçi Üniversitesi, İstanbul, TÜRKİYE

{onur.turkyilmaz, gurgurka}@boun.edu.tr

Özetçe Bu çalışmada, hücresel ağlarda radyo yayılım ortamı tahmini temelli yeni bir mobil konumlama algoritması önerilmiştir. Başarılı lokasyon bazlı servisler (LBS) için doğru ve etkin bir mobil konumlama zorunludur. Radyo yayılım karakteristiği değişik ortamlarda farklılık gösterdiği için mobil kullanıcının içinde bulunduğu ortamı bilmek doğru konum tahmini için gereklidir. Geliştirilen yeni algoritmanın en önemli özelliği mobil kullanıcının içinde bulunduğu ortamı doğru bir şekilde tahmin edebilmesi ve bu bilgiyi kullanarak Received Signal Strength (RSS) temelli uzaklık hesaplama yöntemini geliştirmektir. Önerilen algoritma farklı coğrafi koşullar barındıran çeşitli bölgelerde çok sayıda ağ ve GPS verisi toplanarak tipik örnekler ve ölçüm istatistikleri ile değerlendirilmiştir. Önerilen algoritma ile doğru tahmin (kırsal ortamda %95) ve yüksek performanslı konum belirleme başarısı elde edilmiştir.

Abstract In this paper, we propose a novel mobile positioning algorithm based on estimation of radio propagation environment in cellular networks. Accurate and effective mobile positioning is imperative for successful location based services (LBS). Since radio propagation characteristics vary in different environments, knowing the environment of the mobile user is essential for accurate location estimation. The key feature of our algorithm is its capability to estimate the environment of the mobile user and utilize this information for enhancing Received Signal Strength (RSS) based distance calculations. The proposed algorithm has been evaluated using field measurements collected from a GSM network in diverse geographic locations. Typical examples and measurements statistics are provided. The proposed algorithm turns out to be significantly successful, achieving high estimation accuracy, and thereby enabling high-performance mobile positioning.

1. Giriş Lokasyon Bazlı Servisler (LBS) mobil kullanıcıların o anki konumlarını temel alarak kullanıcılara özel servisler sunar. Konum tabanlı ücretlendirme, akıllı ulaşım sistemleri ve kablosuz acil servisler gibi lokasyon bazlı servisler sağlayan kablosuz sistemlerde mobil konumlama hem akademi hem de endüstride son yıllarda önem kazanmıştır [1, 2].

Hücresel ağlarda pek çok konum belirleme yöntemi önerilmiştir: RSS (Received Signal Strength - Alınan Sinyal Gücü), ToA (Time of Arrival - Varış Zamanı), AOA (Angel of Arrival - Varış Açısı Yöntemi) ve E-OTD (Enhanced Observed Time Difference - Gelişmiş Gözlemlenen Zaman Farkı) yöntemleri ile A-GPS (Assisted GPS - GPS Yardımlı Sistem) gibi GPS (Global Positioning System - Global Konum Belirleme Sistemi) yöntemleri [3-8].

RSS yöntemi mobil cihazın koordinatlarını CI (Cell Identity - Hücre Kimliği), TA (Timing Advance - Zaman İlerlemesi) ve Rx Seviyesi bilgilerini birleştirerek tahmin eder. TA parametresi, mobil cihazın ana baz istasyonundan uzaklığı konusunda bilgi sağlar. TA değerleri 64 dilime (0-63) ayrılmıştır ve bu dilimlerin her biri diğerine yaklaşık olarak 550 metre uzaklıktadır. Örneğin ana baz istasyonundan 600 metre uzakta bulunan bir mobil cihazın TA değeri 1’dir. Rx Seviyesi mobil cihazın ana hücre ve en güçlü sinyal aldığı altı komşu hücreden aldığı sinyallerin güç ölçümleridir. Mobil cihaz ile ana hücre ve komşu hücreler arasındaki sinyal zayıflaması Okumura-Hata, Longley-Rice, Walfisch-Ikegami, vd. gibi tahmin modelleri kullanılarak CI + TA + Rx yöntemi ile hesaplanır.

Ortamlar dört grupta sınıflandırılır: Yoğun yerleşim bölgesi çevresine göre binaları yoğun olarak barındıran bölgedir. Az-yoğun yerleşim bölgesi yoğun yerleşim bölgesinin dışında kalan ve binaları daha az yoğun olarak içeren bölgedir. Kırsal bölge şehrin tamamen dışında kalan ve çok az bina içeren ya da hiç içermeyen bölgedir. Çok-yoğun yerleşim bölgesi yoğun yerleşim bölgesine göre daha yoğun bina barındıran bölgedir.

Bu çalışmada, hücresel ağlarda radyo yayılım ortam tahmini temelli yeni bir mobil konumlama algoritması geliştirilmiş ve bir GSM ağından toplanan saha ölçümleri ile oluşturulmuş deneysel veri kümesi ile test edilmiştir. Türkiye’nin iki büyük şehri olan İstanbul ve İzmir’in farklı coğrafi ortamlarında gerçek saha çalışması yapılmıştır.

Çalışmanın geri kalan kısmı şu şekilde organize edilmiştir: Bölüm 2’de önerilen algoritma ana hatlarıyla sunulmakta ve geleneksel algoritmalardan farklılıkları gösterilmektedir. Deneysel sonuçlar, başarım analizi ve karşılaştırmalar Bölüm 3’te sunulmaktadır ve son olarak Bölüm 4 ile çalışma sonuçlandırılmaktadır.

2. Ortam Tahmini Tabanlı Mobil Konumlama Algoritması

Deney ve analizler sonucunda oluşturulmuş deneysel formüller kümesini temel alan Okumura-Hata (OH) modeli günümüzde en yaygın kullanılan tahmin modellerinden birisidir [9-10]. Ana formül yoğun yerleşim alanlarını temel alır, fakat az-yoğun yerleşim alanları ile kırsal alanlar için düzeltme faktörüne sahiptir. Eşitlik (1) yoğun yerleşim alanlarındaki yol kaybını (Lu) gösterir:

( )( ) Rloghlog6.5544.9

hahlog13.82flog26.1669.55L

10b10

mb10c10u

××−+−×−×+= (1)

Bu eşitlikte Lu (dB) yol kaybını, fc (MHz) taşıyıcı frekansını, hb (m) baz istasyonunun yerden yüksekliğini, hm (m) mobil antenin yerden yüksekliğini, R (km) verici ve alıcı arasındaki uzaklığını ve a(hm) farklı ortamlar için OH düzeltme faktörünü gösterir. Yoğun yerleşim bölgesi için a(hm) eşitlik (2) ile ifade edilir.

)8.010log56.1(h0.7)flog1.1()a(h mc10m −×−×−×= fc (2)

Az-yoğun yerleşim bölgesi için eşitlik (2) aşağıdaki gibi düzenlenebilir:

4.5/28))(flog(2)a(h 2c10m +×= (3)

Yapılan çalışma 900 MHz frekans bandında ve hm 1.5m alınarak gerçekleştirildi.

Az-yoğun yerleşim alanları için Okumura-Hata modeli eşitlik (4)’teki gibi formüle edilir:

( ) 97.40log33.18log78.4 2 −×+×−= ffLL usu (4)

Burada Lsu az-yoğun yerleşim alanlarındaki yol kaybını, Lu yoğun yerleşim alanlarındaki yol kaybını ve f yayılım frekansını gösterir. Sinyal gücündeki değişimler konum tahmininin temelini oluşturur. Uzaklık ve sinyal zayıflaması arasındaki ilişki belirlenebilirse mobil kullanıcı konumu tahmin edilebilir. Bu nedenlerden dolayı, ortam tahmini doğru yayılım modelini seçmek ve BTS ile mobil istasyon arasındaki uzaklığı hesaplayabilmek için çok önemlidir.

Yoğun ve az-yoğun yerleşim Okumura-Hata model denklemleri kullanılarak dört farklı ortam (çok-yoğun, yoğun, az-yoğun ve kırsal) için karar parametreleri elde edilir. Tahmini ortam seçimi alınan ana hücre Rx Seviyesi (ReceivedRx) kullanılarak oluşturulmuş Tablo I’e göre gerçekleşir.

Tablo 1: Ortam seçimi sınıflandırması

Şart Ortam ReceivedRx > maxRxforSubUrban Kırsal

maxRxforSubUrban≥ReceivedRx≥maxRxforUrban Az-yoğun minRxforSubUrban ≥ReceivedRx≥minRxforUrban Yoğun

ReceivedRx < minRxforUrban Çok yoğun Okumura-Hata denklemini ters çevirme işlemi eşitlik (5) ve (6)’daki yoğun ve az-yoğun yerleşim alan model eşitlikleri için minimum ve maksimum TA değerlerini bularak başlar.

Burada Pout BTS’in çıkış gücünü ifade eder, yoğun ve az-yoğun yerleşim bölgeleri için distTA= TA550 × ’dır. Pout ve hb değerleri her hücre için veritabanından dinamik olarak alınır.

( )( )( )

( )( )

×−×+×−×−

−+×+×−−×

=

b10

10c10

outc10

b10c10

hlog6.5544.9log20.7flog1.1

P69.55flog26.19hlog13.820.8flog1.56

UrbanRxLevTAdist

(5)

( )

( ) ( )( )

( )

×−×+×

×−−+−

×+×−

=

b10

10

c10c10

c10b10

hlog6.5544.9log2

/28flog/28flog69.555.4

flog26.19hlog13.82

LevSubUrbanRx

TA

out

dist

P (6)

TA için minimum ve maksimum uzaklıklar TA550 × ve ( )1TA550 +× ile bulunur. Tablo II’de bazı TA değerleri

için minimum ve maksimum uzaklıklar verilmiştir.

Tablo 2: TA için minimum ve maksimum uzaklıklar

TA Minimum Uzaklık (m) Maksimum Uzaklık (m) 0 0 550 1 550 1100 2 1100 1650 3 1650 2200 ..

9 4950 5500 10 5500 6050 11 6050 6600

.. 63 34650 35200

Rx Seviyesi değer aralığı minTA ve maxTA ile hesaplanır. Geleneksel Okumura-Hata modelinde uzaklık Rx Seviyesi yardımı ile hesaplanır. Önerilen algoritmada Rx Seviyesi’ni iki Okumura-Hata Modeli’ne koyarak Tablo III’deki farklı uzaklıklar elde edilir. Bu tablodaki uzaklıklar elde edilirken hb ve Pout değerleri belirli bir hücre için veritabanından alınır.

Her Rx Seviyesi için minimum ve maksimum TA uzaklıkları alınır. Eğer uzaklık minimum TA’dan küçük ya da maksimum TA’dan büyük ise ortam sırası ile çok-yoğun ya da kırsal ortam olarak seçilir. Örneğin, normalde, TA = 4 için, Rx Seviyesi yoğun yerleşim için -84 ile -95 dBm ve az-yoğun yerleşim için -63 ile -87 dBm arasındadır. Rx Seviyesi TA = 4 için -60 dBm ve -110 dBm ise, ortam sırası ile kırsal ve çok-yoğun yerleşim alanı olarak tahmin edilir. Bu örnek Şekil 1’de görsel olarak ifade edilmiştir. Yoğun ve az-yoğun yerleşim alanları için minimum ve maksimum Rx Seviyesi değerlerini hesaplayabilmek için TA, anten yüksekliği, çıkış gücü ve fc taşıyıcı frekansı kullanılır. TA değerleri minimum ve maksimum Rx Seviyeleri’nin ayrı ayrı işlenmesi sonucu elde edilir.

Tablo 3: Farklı ortamlarda farklı rx seviyesi için uzaklıklar

Rx Seviyesi Az-yoğun (m) Yoğun (m) -30 25 14 -35 36 20 -40 50 28 -45 70 40 -50 99 57 -60 195 114 -70 384 226 -80 755 451 -90 1485 897

-100 2920 1783 -110 5739 3547

Şekil 1: TA = 4 için Rx Seviyesi değerlerine göre ortam sınıflandırılması

3. Deneysel Sonuçlar Önerilen algoritmayı değerlendirebilmek için İstanbul ve İzmir’in farklı coğrafi koşullar barındıran çeşitli bölgelerinde Ericsson TEMS TM cihazı ile çok sayıda ağ ve GPS verisi toplanmıştır. [11]. Bu iki şehir sahip oldukları yüksek nüfus ve özel coğrafi bölgeler ile diğer şehirlerden farklılık gösterir. Özellikle İstanbul ortam tahmini için sayısız tepeler ve çukurlar, şehri iki ana parçaya ayıran Boğaz, şehrin güneyindeki Adalar, şehrin kuzeyindeki az-yoğun yerleşim ve kırsal alanları ile oldukça karmaşık bir coğrafyaya sahiptir. Bununla birlikte, İzmir yoğun yerleşim, az-yoğun yerleşim ve kırsal alanları ile daha düzenli bir coğrafi yapıya sahiptir.

Çalışma için kullanılan ölçüm veri kümesi periyodik olarak alınan ölçümlerini içerir. Ortam doğrulaması saha ölçümleri süresince takip edilen rotanın ve her periyodik ölçümün Google EarthTM üzerinde gösterilmesi ile etkin bir şekilde gerçekleşmiştir [12]. Ölçüm sonuçlarını hızlı bir şekilde analiz edebilmek için her ölçüm için Cell ID, TA, ana hücre Rx Seviyesi, azimut, komşu Rx Seviyeleri, GPS konumu ve ölçüm zamanını içeren Google Earth KML (Keyhole Markup Language) dosyaları oluşturulmuştur. Böylece, ölçüm alınan ortamın görselleştirilmesi ile baz istasyonlarının, tahmin edilen ve o anki konumların (GPS verisi) birlikte gösterilmesi ile deneysel sonuçların daha kolay yorumlanması sağlanmıştır.

Şekil 2-5’te dört farklı ortam için dört tipik örnek gösterilmiştir. Bu örneklerde kullanılan parametreler Tablo IV’de listelenmiştir.

Tablo 4: Örneklerde kullanılan algoritma parametreleri

Çok-yoğun Yoğun Az-

yoğun Kırsal

TA 0 0 2 5 RX Seviyesi (dBm) -75 -72 -79 -70 Urban Min Rx (dBm) -43 -43 -84 -104 Urban Max Rx (dBm) -72 -75 -91 -107 Sub-urban Min Rx (dBm) -43 -43 -76 -95 Sub-urban Max Rx (dBm) -63 -67 -82 -98 Hesaplanan az-yoğun ortam uzaklığı (m) 1168 747 1322 576

Hesaplanan yoğun ortam uzaklığı (m) 724 501 859 407

Hata (m) 117 57 150 351

Şekil 2: Az-yoğun ortamda örnek mobil konumlaması (Ana Hücre: Baz istasyonu, Tahmin: Tahmin edilen

konum, GPS: Gps ile alınan o anki konum)

Şekil 3: Kırsal ortamda örnek mobil konumlaması

Şekil 4: Çok-yoğun ortamda örnek mobil konumlaması

Şekil 5: Yoğun ortamda örnek mobil konumlaması

1780 ölçümden oluşan ölçüm veri kümesi istatistiği ve tahmin başarı yüzdesi Tablo V’de listelenmiştir. En kötü tahmin başarı yüzdesi kabul edilebilir bir oranda olan %76’dır. Kırsal ortamlar için başarı yüzdesi %95’e kadar çıkmıştır ki bunun başlıca sebebi kırsal alanların sahip olduğu, mobil istasyon ile baz istasyonu arasındaki görüş çizgisinin daha uygun olması ile büyük hücre boyutları gibi belirgin karakteristiklerdir. Böylece daha uygun ve tahmin edilebilir bir radyo yayılım ortamı ile daha iyi bir tahmin performansı elde edilir.

Tablo 5: Ölçüm veri kümesi istatistiği

Ortam Veri Sayısı TA Aralığı Tahmin Başarısı

(%)

Çok-yoğun 201 TA0 - TA1 87

Yoğun 645 TA0 - TA1 93

Az-yoğun 223 TA1 - TA2 76 Kırsal 711 TA0 - TA13 95

Az-yoğun ortamdaki kötü tahmin başarı yüzdesinin sebebi az-yoğun ortam ile yoğun ortam arasında kesin ayırt edici farkların olmayışıdır. Bununla birlikte, tüm ortamlar için elde edilen sonuçlar Tablo V’ten de görüleceği gibi yeterince başarılıdır. Tablo V’teki genel performans sonuçları ve Tablo IV’te listelenen örnekler dikkate alındığında önerilen sistem ile yüksek doğruluklu ortam tahmini ve böylece daha doğru mobil konumlama elde edilmektedir.

4. Sonuç Bu çalışmada, hücresel ağlarda radyo yayılım ortam tahmini temelli yeni bir mobil konumlama algoritması önerilmiştir. Geliştirilen algoritmanın en önemli özelliği en doğru konumlama için kullanılan yayılım modelinden mobil kullanıcının içinde bulunduğu ortamı tahmin etmesidir. Literatürde, ortamların yayılım karakteristikleri daha önce modellenmiştir ama yayılım modelinden ortamı tahmin eden ve bu ortamı RSS temelli uzaklık hesaplamalarını iyileştirmek

ve geliştirmek için kullanan hiçbir çalışma yoktur. Geliştirilen algoritmanın performansı farklı coğrafi bölgelerde bir GSM ağından toplanan saha ölçümleri ile oluşturulmuş veri kümesi kullanılarak değerlendirilmiştir. Elde edilen deneysel sonuçlar önerilen algoritmanın farklı ortamlarda mobil konumlama için çok etkili ve güvenilir olduğunu göstermektedir. Üstelik, önerilen algoritma hücresel ağ yapısında ve mobil cihazda herhangi bir değişiklik gerektirmemektedir.

5. Teşekkür Bu çalışma Oksijen/Vodafone IT Türkiye tarafından desteklenmiştir.

6. Kaynakça [1] I.K. Adusei, K. Kyamakya, F. Erbas, "Location-Based

Services: Advances and Challenges," in Proc. Canadian Conf. on Electrical and Computer Engineering, Mayıs 2004, vol. 1, s. 1-7.

[2] Drane, C., Macnaughtan, M., Scott, C., "Positioning GSM Telephones," IEEE Communications Magazine, vol. 36, Issue 4, Nisan 1998, s. 46-54, 59.

[3] I. Jami, M. Ali, R.F. Ormondroyd, "Comparison of Methods of Locating and Tracking Cellular Mobiles," in Proc. IEEE Colloquium on Novel Methods of Location and Tracking of Cellular Mobiles and Their System Applications, Mayıs 1999, s. 1/1 - 1/6.

[4] Zhao, "Mobile Phone Location Determination and Its Impact on Intelligent Transportation Systems," IEEE Transactions on Intelligent Transportation Systems, vol. 1, Issue 1, Mart 2000, s. 55-64.

[5] M.A. Spirito, S. Poykko, O. Knuuttila, "Experimental Performance of Methods to Estimate the Location of Legacy Handsets in GSM," in Proc. IEEE Vehicular Technology Conference, vol. 4, Ekim 2001, s. 2716-2720.

[6] Chin-Der Wann, Yi-Ming Chen, "Position Tracking and Velocity Estimation for Mobile Positioning Systems," in Proc. The 5th International Symposium on Wireless Personal Multimedia Communications, 2002, vol. 1, Ekim 2002, s. 310–314.

[7] M.A Spirito, S. Poykko, and O. Knuuttila, "Experimental performance of methods to estimate the location oflegacy handsets in GSM," in Proc. 54th Proc. IEEE Vehicular Technology Conference, vol. 4, 2001, s. 2716-2720.

[8] Y. Okumura, E. Ohmori, T. Kawano, and K. Fukuda, “Field strength and its variability in VHF und UHF land-mobile radio service,” Rev. Electr. Commun. Lab., vol. 16, no. 9, Eylül / Ekim 1968, s. 825.

[9] A. Medeisis, A. Kajackas, "On the Use of the Universal Okumura-Hata Propagation Prediction Model in Rural Areas," in Proc. IEEE Vehicular Technology Conference Proceedings, Tokyo, Mayıs 2000, s. 1815-1818.

[10] Ericsson TEMS Optimization Solutions [Online]. http://www.ericsson.com/solutions/tems/index.shtml

[11] Google Earth [Online]. http://earth.google.com