CN104469676A - 一种移动终端的定位方法及系统 - Google Patents

Abstract

本发明公开了一种移动终端定位方法及系统，属于涉及移动通信领域中的无线业务支撑领域。该方法通过结合支持向量机和K近邻算法各自的优点，通过离线路测采样和模型训练阶段，构建了两层SVM定位模型和KNN定位模型，在在线定位阶段，通过两层SVM定位模型和KNN定位模型的结合，大大提高了移动终端的定位精度，该方法在算法复杂度和定位精度之间得到了很好的折中和平衡，与传统定位方法相比，有效提高了定位精度，且大大降低了计算量，提高了定位速度。

Description

一种移动终端的定位方法及系统

技术领域

本发明涉及移动通信领域中的无线业务支撑领域，具体涉及一种基于支持向量机与K近邻算法的移动终端的定位方法及系统。

背景技术

移动通信网络中移动台的定位方法是近年来的新兴技术，随着移动通信用户数量的增加和用户需求的不断扩大，快速、精准、有效实用的定位方法已成为通信领域急需解决的关键技术之一。移动通信蜂窝网络中的移动终端的定位技术有着广阔的应用前景，如紧急救援、智能运输、动态资源管理等等。移动通信网络通过扇区向移动台收发信息以及移动台在各个扇区间进行切换占用不同的扇区来实现移动通信，如何有效、准确的利用移动通信网络的相关数据进行可操作性强、精确度高的定位是移动通信网络定位技术的关键。

现有的移动终端定位方法主要有以下几种：

(1)通过卫星定位(以GPS为代表)。

(2)通过信号到达时间(TOA)、到达时间差、信号到达角度(AOA)或者以上几种指标综合使用的混合定位方法。

(3)使用小区ID+时间提前量(CellID+TA)定位方法，即利用移动台所占用的服务小区位置信息以及服务小区的TA进行定位。

现有移动终端定位方案存在以下问题：

(1)通过卫星定位(以GPS为代表)，在室外可以获得较高的定位精度(误差在10-50米)。然而，GPS定位需要手机终端具有GPS定位功能，一般只有智能手机满足，普通的手机无法满足；GPS无法在室内进行定位，且GPS定位是基于智能手机第三方的软件的，网络侧很难获得用户的定位信息，即使获得第三方软件的数据，也涉及到数据解密等步骤而难以应用。

(2)通过信号到达时间(TOA)、到达时间差、信号到达角度(AOA)或者混合定位方法，定位误差一般都在200米以上，无法满足高精度的定位要求。

(3)使用小区ID+时间提前量(CellID+TA)定位方法，即利用移动台所占用的服务小区位置信息以及服务小区的TA进行定位，这种方式对通信网络增加的负担较小，但是定位精度较低。另外也有通过测量信号强度，然后用传播模型计算距离的方法来定位的技术，但由于无线传播环境的不同，这种方法也存在误差比较大的问题。

总的来说，现有的定位方法不能在定位精度以及定位效率等方面取得很好的均衡。如何利用现有网络资源，巧妙设计，实现一种在上述两方面达到均衡的方法就是本发明的目的。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种移动终端定位方法及系统，通过该方法及系统能够有效提高定位精度和速度。

为实现上述目的，本发明采用的技术方案为：一种移动终端定位方法，包括以下步骤：

第一步，离线路测采样和模型训练阶段，具体包括：

(1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；

(2)模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型，包括：

(2-1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；

(2-2)将所述方形小区无重叠的划分边长为L₁的方形大栅格，并将方形大栅格编号，其中，L＝nL₁，n≥2；

确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；

(2-3)将所述方形大栅格无重叠的划分为边长为L₂的方形小栅格，并将方形小栅格编号，其中，L₁＝mL₂，m≥2；

确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；

(2-4)将所述方形小栅格无重叠的划分为边长为L₃的方形微栅格，并将方形微栅格编号，其中，L₂＝pL₃，p≥1；

确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型，包括：

(2-4-1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；

(2-4-2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；

(2-4-3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；

(2-5)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；

第二步，在线定位阶段，具体包括：

①获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；

②根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；

③通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L₁的方形大栅格中；

④通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L₁的方形大栅格中的边长为L₂的方形小栅格中；

⑤通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置。

可选的，如上所述的一种移动终端定位方法，步骤(1)中，所述扇区的标识信息包括扇区所覆盖区域的位置区码和小区识别码。

可选的，如上所述的一种移动终端定位方法，步骤(2)中，构建训练数据库之前，将测量报告进行预处理，将处理后的测量报告作为训练数据，构建训练数据库。

可选的，如上所述的一种移动终端定位方法，步骤(2-1)中，将所述移动网络覆盖区域有重叠的划分为边长为L的方形小区，相邻小区的重叠长度为L_overlap，L_overlap＜L。

可选的，如上所述的一种移动终端定位方法，L与L_overlap的差值大于或等于基站的覆盖直径。

可选的，如上所述的一种移动终端定位方法，步骤(2-4-1)中，所述计算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为：

设位于某一方形微栅格的训练数据的个数为m1,该方形微栅格所接收到的来自第i个扇区的平均接收电平为：

$\stackrel{\‾}{{\mathrm{Rxlev}}_i}=\underset{j=1}{\overset{m1}{\mathrm{\Σ}}}{\mathrm{Rxlev}}_{\mathrm{ji}}/m1$

其中，Rxlev_ji表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。

可选的，如上所述的一种移动终端定位方法，步骤⑤中，通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置的具体方式为：

1)以所述边长为L₂的方形小栅格的中心位置为中心向外扩散，得到一个边长为L₄的方形区域，并确定出位于所述边长为L₄的方形区域中的合并后的数据；

2)计算待定位移动终端的测量报告与步骤1)中确定出的合并后的数据中的每条数据的相似度；计算方式为：

设位于所述边长为L₄的方形区域中的训练数据在合并后的数据有N条，记为x₁,x₂,...,x_i,x_N，将待定位移动终端的测量报告记为x，则待定位移动终端的测量报告数据x与位于边长为L₄的方形区域中的合并后的数据中的第i个数据x_i的相似度d_i为：

$d_i=\frac{x\·x_i}{\left|x\right|\left|x_i\right|}$

其中，x·x_i表示x与x_i两向量的数量积，|x|为向量x的模，|x_i|为向量x_i的模，相似度d_i的值越小相似度越高；

3)选取与待定位移动终端的测量报告相似度最高的k个合并后的数据，并将k个合并后的数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置，k为设定个数，k≥1。

一种移动终端定位系统，包括：

定位模型构建装置，用于离线路测采样和定位模型训练；该装置包括：

数据采集单元，用于通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；

定位模型构建单元，用于将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型；该单元包括：

初步定位模型构建模块，用于将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；

第一层SVM定位模型构建模块，用于将所述方形小区无重叠的划分为n个边长为L₁的方形大栅格，并将方形大栅格编号，确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；n≥2；

第二层SVM定位模型构建模块，用于将所述方形大栅格无重叠的划分为m个边长为L₂的方形小栅格，并将方形小栅格编号，确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；m≥2；

KNN算法定位模型构建模块，用于将所述方形小栅格无重叠的划分为p个边长为L₃的方形微栅格，并将方形微栅格编号，确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型，p≥2；该模块包括：

扇区接收电平计算子模块，用于统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；

位置坐标计算子模块，用于将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；

模型构建子模块，用于将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；

模型存储模块，用于将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；

在线定位装置，用于待定位移动终端的定位；该装置包括：

测量报告获取单元，用于获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；

初步定位单元，用于根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；

第一层定位单元，用于通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L₁的方形大栅格中；

第二层定位单元，用于通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L₁的方形大栅格中的边长为L₂的方形小栅格中；

最终定位单元，用于通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置。

可选的，如上所述的一种移动终端定位系统，所述扇区接收电平计算子模块计算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为：

设位于某一方形微栅格的训练数据的个数为m1,该方形微栅格所接收到的来自第i个扇区的平均接收电平为：

$\stackrel{\‾}{{\mathrm{Rxlev}}_i}=\underset{j=1}{\overset{m1}{\mathrm{\Σ}}}{\mathrm{Rxlev}}_{\mathrm{ji}}/m1$

其中，Rxlev_ji表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。

可选的，如上所述的一种移动终端定位系统，所述最终定位单元包括：

定位区域确定模块，用于以所述边长为L₂的方形小栅格的中心位置为中心向外扩散，得到一个边长为L₄的方形区域，并确定出位于所述边长为L₄的方形区域中的合并后的数据；

相似度计算模块，用于计算待定位移动终端的测量报告与定位区域确定模块中确定出的合并后的数据中的每条数据的相似度；计算方式为：

设位于所述边长为L₄的方形区域中的训练数据在合并后的数据有N条，记为x₁,x₂,...,x_i,x_N，将待定位移动终端的测量报告记为x，则待定位移动终端的测量报告数据x与位于边长为L₄的方形区域中的合并后的数据中的第i个数据x_i的相似度d_i为：

$d_i=\frac{x\·x_i}{\left|x\right|\left|x_i\right|}$

其中，x·x_i表示x与x_i两向量的数量积，|x|为向量x的模，|x_i|为向量x_i的模，相似度d_i的值越小相似度越高；

最终位置确认模块，用于选取与待定位移动终端的测量报告相似度最高的k个合并后的数据，并将k个合并后的数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置，k为设定个数，k≥1。

本发明的有益效果在于：本发明所述的方法及系统，采用的是基于支持向量机与K近邻算法相结合的移动网络终端定位方式，在定位精度与速度(算法复杂度)两者之间得到了很好的折中和平衡，通过结合支持向量机与K近邻算法各自的优点，本发明在较低复杂度的前提下，获得了比传统方法较高的定位精度。

附图说明

图1为本发明具体实施方式中一种移动终端定位系统的结构框图；

图2为本发明具体实施方式中一种移动终端定位方法的流程图；

图3为本发明具体实施方式中将移动网络覆盖区域划分为方形小区的示意图；

图4为本发明具体实施方式中GSM基站的覆盖范围示意图。

具体实施方式

下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。

图1示出了本发明具体实施方式中一种移动终端定位系统的结构框图，该系统主要包括定位模型构建装置100和在线定位装置200。

定位模型构建装置100，用于离线路测采样和定位模型训练；该装置包括：

数据采集单元101，用于通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；

定位模型构建单元102，用于将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型；该单元包括：

初步定位模型构建模块，用于将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；

第一层SVM定位模型构建模块，用于将所述方形小区无重叠的划分为n个边长为L₁的方形大栅格，并将方形大栅格编号，确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；n≥2；

第二层SVM定位模型构建模块，用于将所述方形大栅格无重叠的划分为m个边长为L₂的方形小栅格，并将方形小栅格编号，确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；m≥2；

KNN算法定位模型构建模块，用于将所述方形小栅格无重叠的划分为p个边长为L₃的方形微栅格，并将方形微栅格编号，确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型，p≥2；该模块包括：

扇区接收电平计算子模块，用于统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；

位置坐标计算子模块，用于将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；

模型构建子模块，用于将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；

模型存储模块，用于将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；

在线定位装置200，用于待定位移动终端的定位；该装置包括：

测量报告获取单元201，用于获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；

初步定位单元202，用于根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；

第一层定位单元203，用于通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L₁的方形大栅格中；

第二层定位单元204，用于通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L₁的方形大栅格中的边长为L₂的方形小栅格中；

最终定位单元205，用于通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置。

其中，本实施方式中，所述扇区接收电平计算子模块计算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为：

设位于某一方形微栅格的训练数据的个数为m1,该方形微栅格所接收到的来自第i个扇区的平均接收电平为：

$\stackrel{\‾}{{\mathrm{Rxlev}}_i}=\underset{j=1}{\overset{m1}{\mathrm{\Σ}}}{\mathrm{Rxlev}}_{\mathrm{ji}}/m1$

其中，Rxlev_ji表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。

本实施方式中，所述最终定位单元250包括：

定位区域确定模块，用于以所述边长为L₂的方形小栅格的中心位置为中心向外扩散，得到一个边长为L₄的方形区域，并确定出位于所述边长为L₄的方形区域中的合并后的数据；

相似度计算模块，用于计算待定位移动终端的测量报告与定位区域确定模块中确定出的合并后的数据中的每条数据的相似度；计算方式为：

设位于所述边长为L₄的方形区域中的训练数据在合并后的数据有N条，记为x₁,x₂,...,x_i,x_N，将待定位移动终端的测量报告记为x，则待定位移动终端的测量报告数据x与位于边长为L₄的方形区域中的合并后的数据中的第i个数据x_i的相似度d_i为：

$d_i=\frac{x\·x_i}{\left|x\right|\left|x_i\right|}$

其中，x·x_i表示x与x_i两向量的数量积，|x|为向量x的模，|x_i|为向量x_i的模，相似度d_i的值越小相似度越高；

最终位置确认模块，用于选取与待定位移动终端的测量报告相似度最高的k个合并后的数据，并将k个合并后的数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置，k为设定个数，k≥1。

图2示出了本发明具体实施方式中一种移动终端定位方法的流程图，该方法可以包括以下两大步骤：

第一步，离线路测采样和模型训练阶段，该阶段的具体过程如下：

1.离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；

其中，所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；

本实施方式中，利用带有GPS的移动终端在移动网络中进行充分密度的路测，采集扇区的标识信息、信号强度信息以及路测终端的位置坐标(采用经纬度表示)，得到测量报告。所述扇区的标识信息包括扇区所覆盖区域的位置区码LAC和小区识别码CI。

2.模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型，该阶段的具体过程如下：

本实施方式中，在将测量报告数据作为训练数据构建训练数据库之前，首先将测量报告进行预处理(主要是指删除接收电平明显过大或过小的数据)，再将处理后的测量报告作为有效地训练数据，构建定位模型训练数据库。

本实施方式中一条有效的训练数据中包含了下表中所示的信息：

其中，Longitude和Latitude为所述路测终端的位置坐标，分别对应路测终端的经度和维度，LAC_CI_i(1≤i≤n)表示扇区的标识信息，LAC_CI_i＝LAC_i<<16+CI_i，“LAC_i<<”表示将LAC左移十六为，Rxlevi对应第i个扇区的接收电平，n为每个测试报告中所涉及到的扇区数目。

本实施方式中，根据定位模型训练数据库生成在线定位模型的步骤可以包括：

(1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；

本实施方式中，在划分时，将所述移动网络覆盖区域有重叠的划分为边长为L的方形小区，相邻小区的重叠长度为L_overlap，L_overlap＜L。本实施方式中，小区划分如图3所示，小区划分以及定位模型选择是基于测量报告主服务小区经纬度的，一般要求L与L_overlap的差值要不小于大部分基站的覆盖直径，采用上述区域划分方式，可以使得小区规模较小并保证基本100％能够选择正确的边长为L的小区模型进行定位。此种划分方式是由GSM基站的覆盖范围决定的，如图4所示，GSM基站的服务范围一般在500米左右。

将数据库中的训练数据按照位置分配到各小区中。因为区域是有重叠的，所以一条训练数据可能会被分配到多个不同的小区中。

(2)将所述方形小区无重叠的划分边长为L₁的方形大栅格，并将方形大栅格编号，其中，L＝nL₁，n≥2；

确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；

(3)将所述方形大栅格无重叠的划分为边长为L₂的方形小栅格，并将方形小栅格编号，其中，L₁＝mL₂，m≥2；

确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；

为了实现定位精度与速度的可灵活配置，对每一个边长为L的方形小区内的数据进行两层的定位模型训练。

第一层模型用于将定位结果定位在边长为L₁的方形大栅格内，具体的：在步骤(1)中完成边长为L的方形小区的划分后，将边长为L的方形小区无重叠的均匀划分成边长为L₁的方形大栅格并进行编号，将方形小区中的训练数据按照位置分配到对应的大栅格中，将大栅格的编号作为每条数据的分类标识。采用支持向量机方法对带有位置信息的测量报告进行处理，得到定位模型，称为第一层定位模型。

第二层模型用于将定位结果进一步定位在边长为L₂的方形小栅格内，具体的：对每一个边长为L₁的方形大栅格，将其均匀无重叠的划分成边长为L₂的方形小栅格并编号，将边长为L₁的大栅格中的训练数据按照位置分配到对应的边长为L₂的小栅格中，将小栅格的编号作为每条数据的分类标识。采用支持向量机方法对带有位置信息的测量报告进行处理，得到第二层的定位模型。

(4)将所述方形小栅格无重叠的划分为边长为L₃的方形微栅格，并将方形微栅格编号，其中，L₂＝pL₃，p≥1；

确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型。

该步骤中，通过将路测数据(训练数据)合并，将合并后数据存储，以构建K最近邻(KNN)分类算法的指纹库，得到KNN算法定位模型。本实施方式中，将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型的具体方式包括：

(4-1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；其中，方形微栅格所接收到的来自某个扇区的平均接收电平是指该方形微栅格中的所有训练数据在该扇区上的接收电平的平均值；本实施方式中，计算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为：

设位于某一方形微栅格的训练数据的个数为m1,该方形微栅格所接收到的来自第i个扇区的平均接收电平为：

$\stackrel{\&OverBar;}{{\mathrm{Rxlev}}_i}=\underset{j=1}{\overset{m1}{\mathrm{\&Sigma;}}}{\mathrm{Rxlev}}_{\mathrm{ji}}/m1$

其中，Rxlev_ji表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。如果第j个训练数据在第i个扇区上没有接收电平，则将第j个训练数据在第i个扇区上的接收电平设置为预设值，所述预设值一般为一个固定的低电平，为经验值。

(4-2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；

(4-3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；

(4-4)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；

需要说明是，本实施方式中，上述采用支持向量机方法对带有分类标识的训练数据进行处理得到SVM定位模型，以及将训练数据合并，以构建K最近邻(KNN)分类算法的指纹库，得到KNN算法定位模型的具体实现过程均为现有技术，在此不再详细介绍。

第二步，在线定位阶段，该阶段具体包括：

①获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；

②根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；其中，边长为L的方形小区可以是所述的边长为L₃的方形微栅格，也可以是自定义长度的方形区域；

③通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L₁的方形大栅格中；

④通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L₁的方形大栅格中的边长为L₂的方形小栅格中；

⑤通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置，具体包括：

1)以所述边长为L₂的方形小栅格的中心位置为中心向外扩散，得到一个边长为L₄的方形区域，并确定出位于所述边长为L₄的方形区域中的训练数据合并后的数据；其中，L₂＝qL₄,q≥1；

2)计算待定位移动终端的测量报告与步骤1)中确定出的合并后的数据中的每条数据的相似度；

本实施方式中，将步骤1)中位于所述边长为L₄的方形区域中的训练数据在合并后的数据记为x₁,x₂,...,x_i,x_N，这些数据为带有位置标识信息的数据；将待定位移动终端的测量报告记为x，则待定位移动终端的测量报告数据x与位于边长为L₄的方形区域中的合并后的数据中的第i个数据x_i的相似度d_i为：

$d_i=\frac{x\&CenterDot;x_i}{\left|x\right|\left|x_i\right|}$

其中，x·x_i表示x与x_i两向量的数量积，|x|为向量x的模，|x_i|为向量x_i的模，相似度d_i的值越小相似度越高；

3)选取与待定位移动终端的测量报告相似度最高的k个合并后的数据，并将k个合并后的数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置，k为设定个数，k≥1。

通过步骤2)分别计算出x与x₁、x₂，…，x_N的相似度后，选取相似度最高即上述距离计算结果最小的k个数据，将k个数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置。

下面结合具体实施例对本发明的方法进行进一步说明。

实施例

本实施例中，对杭州某地区进行了6个月的数据采集，使用本发明的方法对其中5个月数据作为训练数据进行处理，生成定位模型，并采用如下配置的计算机对另一个月份数据(15403条)进行定位，并统计定位精度。

机器配置：服务器，windows操作系统，12核，2.4GHz主频CPU

配置参数：L₁＝2000,L₂＝400,L₃＝100,L₄＝10，边长单位均是米

采用本发明的方法对上述15403条数据即15403条测量报告进行定位的结果如下表所示：

定位误差	<50m	<100m	<150m	<200m
					定位精度	54.2％	82.7％	91.6％	95.6％

定位速率为：2.38万条/s/单核

通过调整配置参数，L₁＝2000,L₂＝400,L₃＝100,L₄＝20，定位结果如下：

定位误差	<50m	<100m	<150m	<200m
					定位精度	53.1％	80.2％	90％	93.1％

定位速率为：4万条/s/单核

由该实例可知，本发明方法提供了一种定位精度与速度上的可配置手段，通过合理设置配置参数，可实现定位精度与速度的良好折中。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种移动终端定位方法，包括以下步骤：

第一步，离线路测采样和模型训练阶段，具体包括：

(1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；

(2)模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型，包括：

(2-1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；

(2-2)将所述方形小区无重叠的划分边长为L₁的方形大栅格，并将方形大栅格编号，其中，L＝nL₁，n≥2；

确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；

(2-3)将所述方形大栅格无重叠的划分为边长为L₂的方形小栅格，并将方形小栅格编号，其中，L₁＝mL₂，m≥2；

确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；

(2-4)将所述方形小栅格无重叠的划分为边长为L₃的方形微栅格，并将方形微栅格编号，其中，L₂＝pL₃，p≥1；

确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型，包括：

(2-4-1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；

(2-4-2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；

(2-4-3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；

(2-5)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；

第二步，在线定位阶段，具体包括：

①获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；

②根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；

③通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L₁的方形大栅格中；

④通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L₁的方形大栅格中的边长为L₂的方形小栅格中；

⑤通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置。

2.如权利要求1所述的一种移动终端定位方法，其特征在于，步骤(1)中，所述扇区的标识信息包括扇区所覆盖区域的位置区码和小区识别码。

3.如权利要求1所述的一种移动终端定位方法，其特征在于，步骤(2)中，构建训练数据库之前，将测量报告进行预处理，将处理后的测量报告作为训练数据，构建训练数据库。

4.如权利要求1所述的一种移动终端定位方法，其特征在于，步骤(2-1)中，将所述移动网络覆盖区域有重叠的划分为边长为L的方形小区，相邻小区的重叠长度为L_overlap，L_overlap＜L。

5.如权利要求4所述的一种移动终端定位方法，其特征在于，L与L_overlap的差值大于等于基站的覆盖直径。

6.如权利要求1所述的一种移动终端定位方法，其特征在于，步骤(2-4-1)中，所述计算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为：

设位于某一方形微栅格的训练数据的个数为m1,该方形微栅格所接收到的来自第i个扇区的平均接收电平为：

$\stackrel{\&OverBar;}{{\mathrm{Rxlev}}_i}=\underset{j=1}{\overset{m1}{\mathrm{\&Sigma;}}}{\mathrm{Rxlev}}_{\mathrm{ji}}/m1$

其中，Rxlev_ji表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。

7.如权利要求1所述的一种移动终端定位方法，其特征在于，步骤⑤中，通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置的具体方式为：

1)以所述边长为L₂的方形小栅格的中心位置为中心向外扩散，得到一个边长为L₄的方形区域，并确定出位于所述边长为L₄的方形区域中的合并后的数据；

2)计算待定位移动终端的测量报告与步骤1)中确定出的合并后的数据中的每条数据的相似度；计算方式为：

设位于所述边长为L₄的方形区域中的训练数据在合并后的数据有N条，记为x₁,x₂,...,x_i,x_N，将待定位移动终端的测量报告记为x，则待定位移动终端的测量报告数据x与位于边长为L₄的方形区域中的合并后的数据中的第i个数据x_i的相似度d_i为：

$d_i=\frac{x\&CenterDot;x_i}{\left|x\right|\left|x_i\right|}$

其中，x·x_i表示x与x_i两向量的数量积，|x|为向量x的模，|x_i|为向量x_i的模，相似度d_i的值越小相似度越高；

3)选取与待定位移动终端的测量报告相似度最高的k个合并后的数据，并将k个合并后的数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置，k为设定个数，k≥1。

8.一种移动终端定位系统，包括：

定位模型构建装置，用于离线路测采样和定位模型训练；该装置包括：

数据采集单元，用于通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；

定位模型构建单元，用于将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型；该单元包括：

初步定位模型构建模块，用于将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；

第一层SVM定位模型构建模块，用于将所述方形小区无重叠的划分为n个边长为L₁的方形大栅格，并将方形大栅格编号，确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；n≥2；

第二层SVM定位模型构建模块，用于将所述方形大栅格无重叠的划分为m个边长为L₂的方形小栅格，并将方形小栅格编号，确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；m≥2；

KNN算法定位模型构建模块，用于将所述方形小栅格无重叠的划分为p个边长为L₃的方形微栅格，并将方形微栅格编号，确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型，p≥2；该模块包括：

扇区接收电平计算子模块，用于统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；

位置坐标计算子模块，用于将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；

模型构建子模块，用于将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；

模型存储模块，用于将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；

在线定位装置，用于待定位移动终端的定位；该装置包括：

测量报告获取单元，用于获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；

初步定位单元，用于根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；

第一层定位单元，用于通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L₁的方形大栅格中；

第二层定位单元，用于通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L₁的方形大栅格中的边长为L₂的方形小栅格中；

最终定位单元，用于通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L₂的方形小栅格中的位置。

9.如权利要求8所述的一种移动终端定位系统，其特征在于，所述扇区接收电平计算子模块计算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为：

设位于某一方形微栅格的训练数据的个数为m1,该方形微栅格所接收到的来自第i个扇区的平均接收电平为：

$\stackrel{\&OverBar;}{{\mathrm{Rxlev}}_i}=\underset{j=1}{\overset{m1}{\mathrm{\&Sigma;}}}{\mathrm{Rxlev}}_{\mathrm{ji}}/m1$

其中，Rxlev_ji表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。

10.如权利要求8所述的一种移动终端定位系统，其特征在于，所述最终定位单元包括：

定位区域确定模块，用于以所述边长为L₂的方形小栅格的中心位置为中心向外扩散，得到一个边长为L₄的方形区域，并确定出位于所述边长为L₄的方形区域中的合并后的数据；

相似度计算模块，用于计算待定位移动终端的测量报告与定位区域确定模块中确定出的合并后的数据中的每条数据的相似度；计算方式为：

设位于所述边长为L₄的方形区域中的训练数据在合并后的数据有N条，记为x₁,x₂,...,x_i,x_N，将待定位移动终端的测量报告记为x，则待定位移动终端的测量报告数据x与位于边长为L₄的方形区域中的合并后的数据中的第i个数据x_i的相似度d_i为：

$d_i=\frac{x\&CenterDot;x_i}{\left|x\right|\left|x_i\right|}$

其中，x·x_i表示x与x_i两向量的数量积，|x|为向量x的模，|x_i|为向量x_i的模，相似度d_i的值越小相似度越高；

最终位置确认模块，用于选取与待定位移动终端的测量报告相似度最高的k个合并后的数据，并将k个合并后的数据所对应的方形微栅格的位置坐标的平均值确定为待定位移动终端的最终位置，k为设定个数，k≥1。