CN104994577A - 一种整合异质网络的行动定位的系统及其应用方法 - Google Patents

Abstract

本发明公开了一种整合异质网络的行动定位的系统及其应用方法，由一车载行动设备中周期性地采取复数个异质网络讯号，纪录时间点和各个网络站台标识符及其讯号强度集合，将其回传至一云端服务器，当云端服务器收到数据后，每个讯号强度集合进行正规化成向量空间，再把传输距离较短的行动网络的向量值予以加权。加入时间序列因子，考虑前复数个时间点的讯号向量集合予以加权，令时间点越近的权重值越高，结合复数个时间点的信息产生新的向量集合。将此向量集合与一云端历史数据库中的复数个向量集合进行比对，取得向量集合最相似的复数笔资料及其对应的经纬度坐标，再依其相似度对经纬度坐标值进行加权平均，作为车载行动设备当下的位置估计值。

Description

一种整合异质网络的行动定位的系统及其应用方法

技术领域

本发明涉及通信领域，特别是涉及一种整合异质网络的行动定位的系统及其应用方法。

背景技术

目前，行动定位方法主要都只考虑单一网络讯号进行定位。

然而，若只有运用细胞网络讯号进行定位，虽然涵盖率相当高，但定位精确度不足；若只有运用WiFi网络讯号进行定位，虽然可以达到较高的精确度，但只适用于市区或重要景点(WiFi热点密集度高地区)，无法提供全面的信息。并由于目前主要都只考虑当下时间点的讯号集合进行定位，但可能会因为当下讯号受到干扰而造成定位不精确的问题。

如证书号「TW M392355」：多模定位追踪装置，提出多模定位方法，结合GPS、Cell ID、RFID等模块，可在GPS定位精确度良好时，采用GPS定位信息；当GPS讯号不佳时，采用行动网络基地台的Cell ID进行定位。最后，若GPS无法定位且Cell ID定位精确度不足时，将主动唤醒RFID标签，结合RFID定位技术提供定位信息。虽然此方法可于有RFID定位时提供精确的定位信息，但手持载具必须位于定位追踪设备一定范围内才能感测到定位追踪设备的位置，故将造成此方法的限制和使用者的不便。

如证书号「TW I410662」：定位方法与定位系统，主要由行动设备收集GSM、UMTS等网络的讯号强度集合，并将此集合回传至服务器端与过去的数据进行比对，取出讯号强度集合最为相似的一个经纬度坐标作为行动设备当下的位置信息。虽然此方法可以运用讯号强度集合进行定位，但其只取当下时间点的讯号强度集合，以及只取出历史数据中最相似的一笔。因此，此方法将可能因讯号干扰而造成定位上的误差。

如公开号「TW 201342968」：基于WiFi直连的邻近设备定位系统及方法，系提出收集WiFi讯号强度集合进行定位，并比较和分析邻近位置的讯号强度，透过此方式来填补未具有历史数据位置的讯号强度集合。虽然此方法能让历史数据中的定位点分布更为完善，但此方法虽考虑WiFi网络，而WiFi网络并不是每个地方都有热点，故此方法将无法全面应用于各个地区。

或像其他运用Cell ID的信息来进行查表和定位。虽然此方法处理效率较高且运算负担较小，然而此方法的定位误差较大，根据实验数据指出约为数百公尺到数公里的定位误差；及运用一般性位置更新(Normal Location Update,NLU)讯号和交递(Handoff,HO)讯号进行定位判断，并且由此定位信息进行车速估计。虽然此方法可以直接透过收集NLU和HO讯号即能进行查表和定位，处理效率较高且运算负担较小，然而此方法的定位误差较大，根据实验数据指出约为数十公尺到数百公尺的定位误差。

鉴于目前车载设备在市区和遮蔽物密集地区采用GPS定位或Cell ID定位方法将可能发生定位误差过大，以造成后续应用上产生的信息不够精确，导致客诉问题。

发明内容

本发明提供了一种整合异质网络的行动定位的系统，用以解决只考虑当下时间点的讯号集合进行定位，而造成定位不精确的问题。

本发明实施例提供的具体技术方案如下：

一种整合异质网络的行动定位的系统，包括：

此系统将包含复数个异质网络无线基地台(包含GSM、UMTS、CDMA、HSPA、LTE、WiMAX、WiFi、RFID、ZigBee、Bluetooth等)、复数个车载终端设备、一个云端运算服务器、以及一个云端历史数据库。车载终端设备得装设多模网卡模块，同时收集来自不同异质网络的讯号，并纪录基站标识符(例如：Cell ID、BSSID、网卡ID)及其讯号强度集合，再将同一时间点的数据集合回传至云端运算服务器。当云端运算服务器收到来自车载终端设备同一时间复数个基站标识符、讯号强度、时间点的数据集合时，再输入至行动定位中，并结合同一车载终端设备前复数个时间点的数据集合和考虑无线网络传输距离进行加权，与云端历史数据库的数据进行比对取出最相似的复数笔数据进行位置加权平均，作为车载终端设备当时的位置。其中，云端历史数据库主要可以储存历史行驶轨迹，其中包含有定位点经纬度坐标，以及该定位点对应复数笔的基站标识符、讯号强度等因子的向量空间集合。

一种整合异质网络的行动定位的应用方法，包括：

收集异质网络的基站信息与讯号强度：收集来自车载终端设备于道路上的基站标识符、讯号强度、时间点；

分析基站标识符、讯号强度、时间序列，依时间序列和传输距离进行加权，并转换成向量空间：依基站标识符、讯号强度、时间点的数据转换为向量空间。并依时间序列进行加权，令时间越近的数据，权重越高。以及依网络传输距离进行加权，例如：WiFi网络权重高于细胞网络；

与历史数据进行比对，取得最相似的k笔数据：将车载终端设备当下依基站标识符、讯号强度、时间点的数据转换所得的向量空间与历史数据各个定位点的向量数据进行比对，并取出最相似的k笔；

依每笔数据向量距离进行加权平均，估计目前位置：将取出的最相似的k笔，依这k笔数据所对应的经纬度坐标进行加权平均，令相似度越高的数据，其权重越高。

附图说明

图1为本发明整合异质网络的行动定位的系统的架构图；

图2为本发明整合异质网络的行动定位的流程图。

具体实施方式

本案主要将运用异质网络，可为全球行动通讯系统(Global System forMobile Communications，GSM)、通用行动通讯系统(Universal MobileTelecommunications System，UMTS)、分码多重进接(Code Division MultipleAccess，CDMA)、高速分组接入(High Speed Packet Access，HSPA)、长期演进技术(Long Term Evolution，LTE)、全球互通微波存取(WorldwideInteroperability for Microwave Access，WiMAX)、无线网络(WiFi)、无线射频辨识(Radio Frequency Identification，RFID)、低速短距离传输的无线网络协议(ZigBee)、蓝牙(Bluetooth)等网络数据来进行行动定位，而每条定位点将同时被复数个异质网络无线基地台的传输范围所覆盖。

下面结合附图对本发明优选的实施方式进行详细说明。

如图1所示，为本发明整合异质网络的行动定位的系统的架构图，呈现一个同时被细胞网络和WiFi网络所覆盖的示意图，车载终端设备A 100同时被Cell1 104、Cell 2 105、AP 1 102、AP 2 103所覆盖，并可由车载终端设备A 100收集到同一间点时每个基站的标识符(例如：Cell 1 104和Cell 2 105的Cell ID、AP 1 102和AP 2 103的BSSID)和讯号强度。并且预期当不同定位点时，其收集到的基站标识符和讯号强度集合将会不同，例如：车载终端设备B 101同时被Cell 1 104、Cell 2 105、AP 2 103所覆盖。并且由于车载终端设备B 101较车载终端设备A 100更为接近AP 2 103位置，故车载终端设备B 101的位置所收集到的AP 2 103讯号强度将较车载终端设备A 100的位置所收集到的AP2 103讯号强度来得强；同理，车载终端设备B 101的位置其Cell 1 104讯号将比车载终端设备A 100的位置的Cell 1 104讯号弱、车载终端设备B 101的位置其Cell 2105讯号将比车载终端设备A 100的位置的Cell 2 105讯号强。

然而，虽然透过基站标识符和讯号强度集合可用来判断定位信息，但在无线网络环境中讯号强度可能会因外在因素造成干扰，而使得有些许变异。因此，除结合复数个异质网络同时评估外，亦考虑同一车载终端设备前复数个时间点的基站标识符和讯号强度集合，并加入时间序列因子，令时间越近之集合的讯号强度权重越高。本设计一整合异质网络的行动定位的系统，透过分析基站标识符、讯号强度、时间序列等因子，来进行行动定位。

系统将包含复数个无线网络基地台Cell 1 104、Cell 2105、复数个车载终端设备(A、B)100、101、一个云端运算服务器106、以及一个云端历史数据库107。将先由具备有多模网卡模块的车载终端设备(A、B)100、101周期性地收集和纪录异质网络讯号(基站标识符和讯号强度)、时间点。如图1所示，车载终端设备A 100将可以同时收集到Cell 1 104、Cell 2 105、AP 1 102、AP 2 103四个基站的标识符和讯号强度，如下表一所示，并将其纪录和回传至云端运算服务器，作为行动定位判断应用。

例如：在2014/02/18 16:10:02时将回传Cell 1＝-70、Cell 2＝-65、AP 1＝-75、以及AP 2＝-57的向量集合回云端运算服务器106。当云端运算服务器106收到来自车载终端设备(A、B)100、101同一时间复数个基站标识符、讯号强度、时间点的数据集合时，再将此数据集合和同设备前复数个时间点数据集合的向向量集合，输入至行动定位中，与云端历史数据库107之数据进行比对，进行行动定位。

序号	时间	Cell 1	Cell 2	AP 1	AP 2
						1	2014/02/18 16:10:00	-70	-75	-60	-65
2	2014/02/18 16:10:01	-75	-70	-70	-60
						3	2014/02/18 16:10:02	-70	-65	-75	-57
4	2014/02/18 16:10:03	-70	-70	-65	-60
						5	2014/02/18 16:10:04	-75	-65	-70	-60
6	2014/02/18 16:10:05	-75	-63	-70	-57
						7	2014/02/18 16:10:06	-80	-60	-80	-55
8	2014/02/18 16:10:07	-75	-65	-75	-60

表一、车载终端设备收集资料

请参阅图2所示，为本发明整合异质网络的行动定位的流程图。将以同时考虑细胞网络和WiFi网络为例进行流程说明。

此流程包括：

S201：收集异质网络的基站信息与讯号强度；

S202：分析基站标识符(ID)、讯号强度、时间序列，依时间序列和传输距离进行加权，并转换成向量空间；

S203：与历史数据进行比对，取得最相似的k笔数据；

S204：依每笔数据向量距离进行加权平均，估计目前位置，

具体的，首先，收集异质网络的基站信息与讯号强度，系将由车载终端设备收集位置所侦测到的异质网络讯号，包含有复数个基站标识符、讯号强度，并纪录其时间点后，回传至云端运算服务器，并由云端服务器进行行动定位的运算。

然后，分析基站标识符、讯号强度、时间序列，依时间序列和传输距离进行加权，并转换成向量空间，当云端服务器收到来自车载终端设备的基站标识符、讯号强度集合后，并假设在环境中(包含历史数据)所有的细胞基地台数共有nc个、WiFi热点数共有nw个后，将依基站标识符、讯号强度、时间序列、网络传输距离等因子分别转换成向量空间，作法如下：

A.讯号强度向量集合

将收集到之讯号强度集合表示为向量集合，并将未侦测到讯号的基站讯号强度设为极小值，如公式(1)所示。其中，rc,1代表为细胞网络Cell 1的讯号强度、rc,2代表为细胞网络Cell 2的讯号强度，而rw,1代表为WiFi网络AP 1的讯号强度、rw,2代表为WiFi网络AP 2的讯号强度，依此类推。假设环境中Cell数共有4个，WiFi热点数共有5个，并以2014/02/18 16:10:02时将回传Cell1＝-70、Cell 2＝-65、AP 1＝-75、以及AP 2＝-57的向量集合为例，并将未侦测到讯号强度的基站强度设为一极小值-999，可将此数据表示公式(2)。依此类推，表一中序号1～3笔将可以表示为表二所示的讯号强度向量集合。

$R=\{r_{c,1},r_{c,2},...,r_{c,n_c},r_{w,1},r_{w,2},...,r_{w,n_w}\}---\left(1\right)$

R＝{-70,-65,...,-999,-75,-57,...,-999}    (2)

Cell 1	Cell	Cell 3	Cell 4	AP 1	AP 2	AP 3	AP 4	AP 5
									-70	-75	-999	-999	-60	-65	-999	-999	-999
-75	-70	-999	-999	-70	-60	-999	-999	-999
									-70	-65	-999	-999	-75	-57	-999	-999	-999

表二、讯号强度向量集合示意表

B.讯号强度正规化

由于每种网络收集到的讯号强度最大值和最小值的区间并不相同，因此将以公式(3)，依据讯号强度最大值u和最小值d，为原始的网络讯号强度值r进行正规化为s，令正规化后的讯号强度值s介于0～1之间。其中，假设细胞网络的讯号强度最大值为uc，而最小值为dc，以及WiFi网络的讯号强度最大值为uw，而最小值为dw；将可运用公式(4)和(5)分别为细胞网络和WiFi网络的讯号强度进行正规化，正规化后的向量集合表示为S，如公式(6)所示。

本案实施例的车载终端设备采用Android平台实作，在UMTS网络的讯号强度最大值为-51dBm，最小值为-113dBm，故针对，而在WiFi网络之讯号强度最大值为-55dBm，最小值为-100dBm，故可将表二中的数据分别运用公式(4)和(5)进行正规化成表三。

$s=N(r,u,d)=\left\{\begin{array}{c}1,\mathrm{ifr}\≥u\\ 0,\mathrm{ifr}\≤f\\ \frac{r-d}{u-d},\mathrm{otherwise}\end{array}\right.---\left(3\right)$

s_c,i＝N(r_c,i,u_c,d_c)＝N(r_c,i,-51,-113)    (4)

s_w,i＝N(r_w,i,u_w,d_w)＝N(r_w,i,-55,-100)    (5)

$S=\{s_{c,1},s_{c,2},...,s_{c,n_c},s_{w,1},s_{w,2},...,s_{w,n_w}\}---\left(6\right)$

Cell 1	Cell 2	Cell 3	Cell 4	AP 1	AP 2	AP 3	AP 4	AP 5
									0.694	0.613	0	0	0.889	0.778	0	0	0
0.613	0.694	0	0	0.667	0.889	0	0	0
									0.694	0.774	0	0	0.556	0.956	0	0	0

表三、正规化后讯号强度向量集合示意表

C.时间序列加权

有鉴于无线网络可能因讯号干扰或其他环境因素，而造成讯号强度的波动，故只取单一时间点的讯号强度集合来进行定位，将可能产生较大的定位误差。本案考虑复数笔讯号强度集合，取得同一车载终端设备当下和前复数个讯号强度集合，并依时间序列进行加权。令时间点越近的数据，权重越高，即当下的讯号强度集合权重最高，但亦考虑前复数个讯号强度集合。假设总共考虑前nt个时间点的讯号强度集合，并为每一个时间点的讯号强度集合设定一权重值，其权重集合可表示为Wt，如公式(7)所示。例如：当下时间点的权重为wt,0、前1个时间点的权重为wt,1、前2个时间点的权重为wt,2，依此类推。而当下时间点和前nt个时间点的讯号强度集合的集合可表示为Z，如公式(8)所示。其中，当下时间点的正规化后讯号强度集合为S0、前1个时间点的正规化后讯号强度集合为S1、前2个时间点的正规化后讯号强度集合为S2，依此类推。最后，再将讯号强度集合依时间权重进行加权平均，依时间序列加权后集合可表示为T，如公式(9)所示。

$W_t=\{w_{t,0},w_{t,1},w_{t,2},...,w_{t,n_t}\},\∀\underset{i=1}{\overset{n_t}{\mathrm{\Σ}}}{w}_{t,i}=1,w_{t,0}\≥w_{t,1}\≥...\≥w_{t,n_t}---\left(7\right)$

$Z=\{S_0,S_1,S_2,...,S_{t,n_t}\}---\left(8\right)$

$T=\underset{i=0}{\overset{n_t}{\mathrm{\Σ}}}{S}_i\×w_i=\{t_{c,1},t_{c,2},...,t_{c,n_c},t_{w,1},t_{w,2},...,t_{w,n_w}\}---\left(9\right)$

在此实施例中，将同时考虑前2个时间点的讯号强度集合，即nt设为2。并分别设定当下时间点的权重为0.6，前1个时间点的权重为0.3，前2个时间点的权重为0.1，如公式(10)所示。对2014/02/1816:10:02时间点数据(即表三中的第3笔数据)而言，将可参考其前2个时间点的讯号强度集合(即表三中的前2笔数据)，依权重进行时间序列加权，加权后结果如表四所示。

W_t＝{w_t,0,w_t,1,w_t,2}＝{0.6,0.3,0.1}    (10)

表四、时间序列加权后向量集合示意表

D.网络传输距离加权

有鉴于传输距离短的无线网络作为定位时，其定位精确度可以较高，故在此亦考虑网络传输距离，并予以加权，令传输距离短的网络，权重越高。在此实施例中，主要将考虑细胞网络和WiFi网络，并由于WiFi网络传输距离较细胞网络短，故设定WiFi网络权重较细胞网络大。例如：细胞网络设定权重值为0.5，WiFi网络权重值为1。可将表四之向量集合加权为表五之向量集合。

$D=\{d_{c,1},d_{c,2},...,d_{c,n_c},d_{w,1},d_{w,2},...,d_{w,n_w}\}---\left(11\right)$

Cell 1	Cell 2	Cell 3	Cell 4	AP 1	AP 2	AP 3	AP 4	AP 5
									0.335	0.367	0	0	0.622	0.918	0	0	0

表五、网络传输距离加权后向量集合示意表

进一步的，与历史数据进行比对，取得最相似的k笔数据，且云端历史数据库中已储存m笔数据，涵盖各个定位点其经纬度坐标在此经度表示为x，纬度表示为y，以及其所对应的加权后讯号强度向量集合H，如公式(12)和(13)所示。可将由车载终端设备所回报之新数据D跟历史数据集合进行相似度比对，计算与每一笔数据的相似度，如公式(14)所示。再从历史数据中取出最相似的k笔数据。

H＝{h₁,h₂,...,h_m}    (12)

$h_a=\{x_{h_a},y_{h_a},D_{h_a}\}=\{x_{h_a},y_{h_a},.d_{c,1,h_a},d_{c,2,h_a},...,d_{c,n_c,h_a},d_{w,1,h_a},d_{w,2,h_a},...,d_{w,n_w,h_a}\}---\left(13\right)$

$f(D,D_{h_a})=\frac{\left[\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}(d_{c,i}\×d_{c,i,h_a})\right]+\left[\underset{i=1}{\overset{n_w}{\mathrm{\Σ}}}(d_{w,i}\×d_{w,i,h_a})\right]}{\sqrt{\left[\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}{\left(d_{c,i}\right)}^2\right]+\left[\underset{i=1}{\overset{n_w}{\mathrm{\Σ}}}{\left(d_{w,i}\right)}^2\right]}\×\sqrt{\left[\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}{\left(d_{c,i,h_a}\right)}^2\right]+\left[\underset{i=1}{\overset{n_w}{\mathrm{\Σ}}}{\left(d_{w,i,h_a}\right)}^2\right]}}---\left(14\right)$

在此实施例中，云端历史数据库共储存5笔数据(即m＝5)，如表六所示。将表五之加权后向量集合D与历史数据中的每一笔数据进行相似度计算，可得相似度分别为0.9993、0.9984、0.9986、0.9966、0.9981。

表六、历史数据与新数据的向量集合

最后，依每笔数据向量距离进行加权平均

取出的最相似的k笔，依这k笔数据所对应的经纬度坐标进行加权平均，令相似度越高的数据，其权重越高。在此实施例中将设定k为3，即取出最相似的3笔数据。并设定其相似度即为其权重，并对经纬度坐标进行加权平均。依表六可得最相似的数据为h1、h3、h2，其相似度分别为0.9993、0.9986、0.9984，再依此相似度对x和y分别进行加权平均后，可得估计车载终端设备位处于经度x’和纬度y’，如公式(15)和(16)所示。

$x^{\′}=\frac{120.12301\×0.9993+120.12302\×0.9986+120.12302\×0.9984}{0.9993+0.9986+0.9984}=120.1230167---\left(15\right)$

$y^{\′}=\frac{23.12301\×0.9993+23.12302\×0.9986+23.12302\×0.9984}{0.9993+0.9986+0.9984}=23.12301333---\left(16\right)$

综上所述，本揭露实施例提供一种整合异质网络的行动定位的系统和应用方法。其技术透过事先建立的行动定位系统，由车载终端设备回报异质网络(可为GSM、UMTS、CDMA、HSPA、LTE、WiMAX、WiFi、RFID、ZigBee、Bluetooth等网络)其基站标识符、讯号强度、时间点至云端运算服务器进行行动定位。再由云端运算服务器运用行动定位，分析基站标识符、讯号强度、时间序列网络传输距离等因子，并转换成向量空间，再与云端历史数据库中的数据进行比对。取出最相似的k笔及其对应的经纬度坐标后，以相似度为经纬度坐标进行加权平均作为车载终端设备估计位置。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

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

Claims (8)

1.一种整合异质网络的行动定位的系统，包括：

无线网络基地台，包含一个唯一的标识符，并且车载终端设备在联机时，由该车载终端设备撷取该标识符和当下的讯号强度，作为后续分析应用；

该车载终端设备，其该设备具备有多模网卡模块，以同时收集不同网络的讯号，且主要是以收集和纪录基站标识符及其讯号强度集合，再将同一时间点的数据集合回传至云端运算服务器；

该云端运算服务器，用于收集和分析来自该车载终端设备同一时间复数个该基站标识符、讯号强度、时间点的数据集合，再将该数据集合和该设备前复数个时间点数据集合的向量集合，输入至行动定位中，与云端历史数据库的数据进行比对，进行行动定位；以及该云端历史数据库，该数据库主要是为储存历史行驶轨迹，其中包含有定位点经纬度坐标，以及该定位点对应复数笔的基站标识符、讯号强度因子的向量空间集合。

2.如权利要求1所述的系统，其特征在于，包括：

其中该无线网络基地台，是为全球行动通讯系统GSM、通用行动通讯系统UMTS、分码多重进接CDMA、高速分组接入HSPA、长期演进技术LTE、全球互通微波存取WiMAX、无线网络WiFi、无线射频辨识RFID、低速短距离传输的无线网络协议ZigBee、蓝牙Bluetooth的异质网络的组合。

3.如权利要求1所述的系统，其特征在于，包括：

其中该纪录基站标识符，系为Cell ID、基本服务集标识符BSSID、网卡ID。

4.一种整合异质网络的行动定位的应用方法，包括：

收集异质网络的基站信息与讯号强度；

分析基站标识符ID、讯号强度、时间序列，依时间序列和传输距离进行加权，并转换成向量空间；

与历史数据进行比对，取得最相似的k笔数据；

依每笔数据向量距离进行加权平均，估计目前位置。

5.如权利要求4所述的方法，其特征在于，收集异质网络的基站信息与讯号强度，具体包括：

系将由车载终端设备收集位置所侦测到的异质网络讯号，包含有复数个基站标识符、讯号强度，并纪录其时间点后，回传至云端运算服务器，并由云端服务器进行行动定位的运算。

6.如权利要求4所述的方法，其特征在于，分析基站标识符ID、讯号强度、时间序列，依时间序列和传输距离进行加权，并转换成向量空间，具体包括：

当云端服务器收到来自车载终端设备的基站标识符、讯号强度集合后，并假设在环境中(包含历史数据)所有的细胞基地台数共有nc个、WiFi热点数共有nw个后，将依基站标识符、讯号强度、时间序列、网络传输距离等因子分别转换成向量空间。

7.如权利要求4所述的方法，其特征在于，与历史数据进行比对，取得最相似的k笔数据，具体包括：

云端历史数据库中已储存m笔数据，涵盖各个定位点其经纬度坐标在此经度表示为x，纬度表示为y，以及其所对应的加权后讯号强度向量集合H，其公式如下：

H＝{h₁,h₂,...,h_m}，

$h_a=\{x_{h_a},y_{h_a},.D_{h_a}\}=\{x_{h_a},y_{h_a},.d_{c,1,h_a},d_{c,2,h_a},...,d_{c,n_c,h_a},d_{w,1,h_a},d_{w,2,h_a},...,d_{w,n_w,h_a}\},$

8.如权利要求4所述的方法，其特征在于，依每笔数据向量距离进行加权平均，估计目前位置，具体包括：

取出的最相似的k笔，依这k笔数据所对应的经纬度坐标进行加权平均，令相似度越高的数据，其权重越高。