CN109640272A - 一种定位方法及移动终端 - Google Patents

Abstract

本发明提供了一种定位方法及移动终端，包括：获取参考位置对应的行动通讯网络参数的数据集；将包括相同特征的行动通讯网络参数集划分到对应的群簇，以行动通讯网络参数作为输入的特征向量，并以群簇作为输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置对应的群簇，以及该群簇所对应的坐标，本发明通过该定位模型包括的地点与行动通讯网络通信参数的对应关系，获取当前位置所属的群簇分类和坐标，达到定位的目的，以降低或避免从定位卫星收取相关的信息，提高了移动终端的续航能力，并利用用户的行程习惯对收集到的行动通讯网络数据集进行分类，满足在定位的基础上提供对应类别服务的需求。

Description

一种定位方法及移动终端

技术领域

本发明涉及通信技术领域，尤其涉及一种定位方法及移动终端。

背景技术

在现代的移动终端中，定位是一项非常基本且重要的功能，许多的应用都是基于定位功能衍生出来的，例如：查询自己的所在地点或目的地的导航路线等等。

现有技术中，移动终端的定位功能通常是基于全球定位系统(GPS，GlobalPositioning System)实现的，具体是在移动终端中内置GPS芯片，通过接收卫星发射的信息，计算得到目前所在地的位置坐标和经纬度。

但是，目前定位方案中，移动终端依赖接收卫星发射的信息，导致移动终端能耗增加，续航能力减弱，并且对于大多数用户来说，每天的行程范围基本固定，而目前方案没有利用该特性对定位做出更好的优化，导致定位方案的体验度较差。

发明内容

本发明实施例提供一种定位方法及移动终端，以解决现有技术中移动终端依赖接收卫星发射的信息，导致移动终端能耗增加，续航能力减弱，定位方案的体验度较差的问题。

第一方面，本发明实施例提供了一种定位方法，应用于移动终端，该方法包括：

获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数；

按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；

以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇为输出，训练得到定位模型；

在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标。

第二方面，本发明实施例提供了一种移动终端，该移动终端包括：

获取模块，用于获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数；

分类模块，用于按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；

训练模块，用于以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇为输出，训练得到定位模型；

定位模块，用于在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标。

第三方面，本发明实施例还提供了一种移动终端，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如本发明提供的定位方法的步骤。

第四方面，本发明实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如本发明提供的定位方法的步骤。

在本发明实施例中，移动终端可以获取参考位置的测试数据集，测试数据集包括参考位置对应的行动通讯网络参数；按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；以群簇包括的测试数据集作为输入的特征向量，并以群簇为输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置对应的群簇，以及当前群簇对应的坐标，本发明通过利用地点与行动通讯网络的参数之间的对应关系，在按照预设规则对测试数据集分类后，建立相应的定位模型，使得用户可以利用移动终端实时采集的行动通讯网络参数，通过该定位模型包括的地点与行动通讯网络通信效果的对应关系，获取当前位置的所属分类和精确坐标，达到定位的目的，本发明可以避免接收定位卫星发射的信息，提高了移动终端的续航能力，并利用用户的行程习惯，对定位模型的训练数据做分类处理，可以在定位的基础上提供对应类别的服务，提高用户的体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

图1是本发明实施例提供的一种定位方法的步骤流程图；

图2是本发明实施例提供的一种定位方法的界面图；

图3是本发明实施例提供的另一种定位方法的步骤流程图；

图4是本发明实施例提供的一种移动终端的框图；

图5是本发明另一个实施例的移动终端的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1是本发明实施例提供的一种定位方法的步骤流程图，如图1所示，该方法可以包括：

步骤101、获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数。

在本发明实施例中，可以提供一种新的移动终端定位方案，旨在降低或消除移动终端接收GPS卫星发射的信息，降低移动终端的能耗，同时还能够利用用户的行程习惯，保证较高的定位精度。

因此，本发明实施例可以利用地点坐标与行动通讯网络通信效果之间的对应关系，建立相应的定位模型，使得用户可以利用移动终端实时采集的行动通讯网络参数，通过该定位模型包括的地点与行动通讯网络通信效果的对应关系，获取当前位置的坐标，达到定位的目的。

具体的，本发明实施例可扩展到任何行动通讯网络技术上，从2G到5G等所有行动通讯网络都可应用。同时可应用的对象除了一般常提到的移动终端外(例如：手机，穿戴式装置)，也可以应用在物联网/车联网的设备上。行动通讯网络是当前应用最为广泛的移动电话标准，全球超过200个国家和地区超过10亿人正在使用行动通讯网络电话。行动通讯网络可以包括蜂窝移动通信网络，在蜂窝移动通信网络中，其中的一个基站或基站的一部分(扇形天线)所覆盖的区域可以为蜂窝小区，在这个蜂窝小区区域内移动终端可以通过无线信道可靠地与基站进行通信。

进一步的，早期的移动通信是大区制，也就是在一个区域内建一个基站，且尽可能地提高该基站的信号覆盖范围，这种方法的好处是实现容易，设备简单，但由于受功率和频谱资源限制，系统容量有限，而且扩大容量很困难。因此后来人们提出了小区的方法，即将一个区域划分成很多小的区域，即小区，每个小区用一个基站来进行信号覆盖，相邻的小区使用不同的频率避免干扰，而相隔较远的小区由于基站功率有限，可以使用相同的频率且干扰程度很低，不足以对两个小区用户的通信质量产生致命的影响，这样就实现了频谱复用，大大提高了频谱资源利用率，在相同的频谱和带宽资源下，相比较大区制的方法，由于频谱的复用，系统容量得到很大的提升。这种小区划分区域的方法使得整个区域看起来像由很多蜂巢组成，因此小区又被称之为蜂窝小区。

在该步骤中，首先需要通过大量训练数据训练定位模型，由用户的行程习惯所经过的路径上挑选部分(或全部)经过的位置，在这些位置测量到的行动通讯网络参数即为训练数据。

在挑选好位置之后，获取该位置处的测试数据集，测试数据集可以包括蜂窝小区的标识信息、频点信息、量测效果信息，并记录测量时间。其中，量测效果可以包括蜂窝小区的信号强度和信号质量。

例如，参照图2，示出了本发明实施例提供的一种定位方法的界面图，假设在地图应用中，用户的行程习惯所经路径包含的位置包括：地点1(X1,Y1)，地点2(X2,Y2)，地点3(X3,Y3)和地点4(X4,Y4)，以及地点对应的行动通讯网络参数1、行动通讯网络参数2、行动通讯网络参数3和行动通讯网络参数4，其中，用户每天大量重复地点1—地点2—地点3—地点4的行程，为提高定位模型学习辨识的准确度，可以分别在各个地点透过用户每天重复经过的习惯，收集1万组这样的参数资料。

步骤102、按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇。

在该步骤中，在确定了参考位置以及每个参考位置对应的测试数据集后，可以通过群集算法(clustering algorithm)，并且考虑某些重要、特定以及习惯性的地点，将装置的所有测试数据分为不同的群簇。群簇的划分，利用了用户习惯等相关策略，实现了对测试数据的进一步优化，可以使得通过测试数据训练得到的定位模型具有更高的人性化程度，以提供更精准的定位结果，提高用户体验。

例如，参照图2，假设地点1为用户家庭住址，地点4为用户公司地址，地点1和地点2相距较近，地点3和地点4相距较近，因此，可以将地点1和地点2划分到群簇1中，将地点3和地点4划分到群簇2中。群簇1中，地点1和地点2具有相同的与家庭相关的特征；群簇2中，地点3和地点4具有相同的与工作相关的特征。

步骤103、以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇为输出，训练得到定位模型。

具体的，在该步骤中，可以定义一个深度神经网络，将进行了群簇划分的测试数据集作为训练数据，通过深度神经网络进行定位模型的训练，，训练时，模型输入为实际测得的行动通讯网络参数，以群簇(每个群簇以一个独特的标识进行表示)作为模型的输出，借此训练让模型学习到每个地点和该地点行动通讯网络参数的对应关系。

例如：其中一组训练数据中，包括：地点1(划分为群簇1)，蜂窝小区频点FS1，蜂窝小区标识ID1，蜂窝小区信号强度RSRP1，蜂窝小区信号质量RSRQ1和测量时间Ta1，因此可以将训练数据按照特征向量(Fa1，ID1，RSRP1，RSRQ1，Ta1)输入深度神经网络，而群簇1作为网络的输出。

步骤104，在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标。

例如：根据模型输出的结果，如果落在群簇1的概率越大(如果群簇1代表地点为地点1)，说明用户当前所在位置离地点1越近，如果落在群簇1的概率越小，说明用户当前所在位置离地点1越远。

在本发明实施例中，可以通过软件更新的方式，将训练好的定位模型部署在移动终端上，部署完成后，用户可以携带移动终端在参考位置及参考位置的周边区域进行定位操作。

具体的，移动终端在开机状态下，会不断的搜寻四周的蜂窝小区，以连接相应的蜂窝数据网络，因此移动终端会获取到当前服务小区和邻近小区，并获取到这些蜂窝小区的行动通讯网络参数，通过将获取到的行动通讯网络参数输入定位模型，可以输出落在相应群簇(及对应的代表位置)的概率。

例如，参照图2，假设输出了落在群簇1的概率为0.8(群簇1的代表位置为地点1)，落在群簇2的概率为0.2(群簇2的代表位置为地点3)，则可判定现在的位置最有可能落在群簇1(代表位置为地点1)，另外，也可以根据概率，估计当前位置的坐标为(0.8X1+0.2X3，0.8Y1+0.2Y3)，

进一步的，确定了当前位置所属的群簇后，可以针对当前位置所属的群簇，提供位置的相关资讯，如，参照图2，若当前位置所属群簇1，则可以提供家庭娱乐相关的推荐服务，以满足用户在家庭范围内的需求。若当前位置所属群簇2，则可以提供办公相关的推荐服务，以满足用户在工作范围内的需求。另外，还可以根据用户当前位置的坐标及所属群簇中的行动通讯网络参数，向用户提供该位置的与移动终端通信相关的提醒，如，假设当前位置所属群簇1，根据群簇1中各个地点的行动通讯网络参数，确定该群簇1中各个地点的历史通信量测效果较差，则会向用户发出提醒信息，已提醒用户该位置易发生通信断线、上网体验较差。

综上，本发明实施例提供的一种定位方法，包括：获取参考位置的测试数据集，测试数据集包括参考位置对应的行动通讯网络参数；按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；以群簇包括的测试数据集作为输入的特征向量，并以群簇作为模型的输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置对应的群簇，以及该群簇所对应的坐标，本发明通过利用地点与行动通讯网络的参数之间的对应关系，在按照预设规则对测试数据集分类后，建立相应的定位模型，使得用户可以利用移动终端实时采集的行动通讯网络参数，通过该定位模型包括的地点与行动通讯网络通信效果的对应关系，获取当前位置的所属分类和精确坐标，达到定位的目的，本发明可以不需要接收定位卫星发射的信息，提高了移动终端的续航能力，并利用用户的行程习惯，对定位模型的训练数据做分类处理，可以在定位的基础上提供对应类别的服务，提高用户体验。

图3是本发明实施例提供的另一种定位方法的步骤流程图，如图3所示，该方法可以包括：

步骤201、获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数。

该步骤具体可以参照上述步骤101，此处不再赘述。

可选的，行动通讯网络参数包括：所述参考位置对应的蜂窝小区的标识信息、所述蜂窝小区的频点信息、所述蜂窝小区的量测效果信息、所述蜂窝小区的量测时间信息中的一种或多种。

可选的，蜂窝小区包括：所述参考位置的当前服务小区和邻近小区。

在本发明实施例中，行动通讯网络参数可以为移动终端通信效果的一个量化表达，标识信息可以对不同蜂窝小区进行区分，频点信息指蜂窝小区具体的绝对或事先定义好的映射频率值，一般为调制信号的中心频率。量测效果信息包括蜂窝小区的通信信号质量效果和通信信号强度，如，在打开手机时，可以看到连接的数据网络名称、频点、以及通信效果示意控件，通信效果示意控件可以反映当前连接网络的通信效果。通过深度学习，该量测信息可以与测量位置形成一定的对应关系。

进一步的，由于目前通信业的大力发展，基站的数量越来越多，因此，在一个位置处经常能够搜索到多个蜂窝小区，其中，移动终端当前接入并使用的蜂窝小区可以为当前服务小区，移动终端搜索到但未接入蜂窝小区可以为邻近小区。通过搜索当前服务小区和邻近小区，并收集其对应的行动通讯网络参数，可以提高训练数据量，提升定位模型精度。

步骤202、按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇。

该步骤具体可以参照上述步骤102，此处不再赘述。

步骤203、若所述群簇中的测试数据集的大小大于或等于预设阈值，则确定所述群簇中的代表测试数据集，以及所述代表测试数据集包括的代表参考位置。

在该步骤中，在分类完成后，每个群簇都可以包括一个或多个测试数据集，为了进一步优化计算，可以在每个群簇中选取一个代表测试数据集，并将该代表数据集中的位置确定为该群簇代表参考位置。

群集算法分群的原则和代表数据集的选取原则可根据实际应用的场景和环境进行调整，不限于此实施例提到的作法。例如：如果活动范围内有某些重要的点(地标/小孩的幼儿园/常常断网的点)、希望特别挑出来作为分群的参考点，实现过程中可以先挑出这些数据集之后，再将其他剩下的数据集利用分群算法进行分群。

如，参照图2，群簇1中的地点1为家庭住址，可以将其确定为代表参考位置，以代表群簇1对应的“家庭”特性，；群簇2中的地点4为工作住址，可以将其确定为代表参考位置，以代表群簇2对应的“工作”特性。

在本发明实施例中，训练定位模型的过程中还可以实时进行群簇的更新，以保证群簇中测试数据集的时效性，检查是否继续进行群簇的更新，一般来说，这是属于可设置的参数，可根据移动终端所在的环境/应用场景决定是否需要持续更新群簇，例如：如果移动终端所在的环境/量测结果会持续变动，则应持续更新群簇，如果移动终端所在的环境较单纯或应用场景不需要，则可以不更新群簇。

如果决定持续更新群簇，则需要起一个定时器，设定下一次更新群簇的时间。因为更新群簇需要额外的计算和并重新训练深度学习网络，所以会耗费额外的电量，建议更新群簇的时间定在人们不使用移动终端或移动终端接上充电器的时候进行。

进一步的，每一次对所有群簇进行重新群集(re-clustering)后，需要确认检查过所有的群簇，如果所有的群都已经检查过，则进行后续定位模型训练的过程。如果有群簇还没检查过，则检查确认每个群簇中的测试数据集大小是否超过门限值，即测试数据集的大小大于或等于预设阈值，此处设定预设阈值的目的是确保每个群簇内的资料数量够多，足以训练定位模型，并得出理想的结果。根据移动终端内储存空间的大小，根据不同的应用和准确度要求，预设阈值可以设置成不同的数值。如果群簇中的测试数据集的大小大于或等于预设阈值，则确定所述群簇中的所有测试数据集，以及所述的代表参考位置。对于测试数据集的大小没有超过门限值的群簇，可以不进行定位模型的训练，等待测试数据集的大小满足需求后，再进行训练。

步骤204、将所述群簇包括的测试数据集，按照预设格式规则输入深度学习网络，并以所述群簇为输出，训练得到定位模型。

对群簇进行代表参考位置的选取操作后，可以将群簇包括的测试数据集，按照预设格式规则输入深度学习网络，并以群簇(每个群簇以一个独特的id代表)作为模型的输出，训练得到定位模型。

在本发明实施例中，深度学习主要是对人工神经网络的延伸，它的目的主要是模拟人脑的机制来解释图像，深度学习通过组织底层特征来形成更加高级的高层特征来表示属性和类别，本发明实施例中，可以采用稠密神经网络(DNN，Dense Neuron Network)进行模型的训练。DNN特指全连接的神经元结构，并不包含卷积单元或是时间上的关联。

在该步骤中，将群簇包括的行动通讯网络参数，按照预设格式规则输入深度神经网络，并以群簇(每个群簇以一个独特的id代表)作为模型的输出，训练得到定位模型。

例如：训练数据中，一个群簇包括：群簇id，代表地点h，测试地点1，蜂窝小区频点FS1，蜂窝小区标识ID1，蜂窝小区信号强度RSRP1，蜂窝小区信号质量RSRQ1和测量时间Ta1，因此可以将训练数据按照格式规则(Fa1，ID1，RSRP1，RSRQ1，Ta1)输入深度神经网络，而网络输出为群簇id。收集大量训练数据加以训练定位模型。

步骤205、在获取到当前位置的行动通讯网络参数的情况下，将所述当前位置的行动通讯网络参数，按照所述预设格式规则输入所述定位模型，并输出落在多个群簇的概率。

例如：如果输出结果代表群簇1的概率越大，说明用户当前所在位置离群簇1(代表地点h)越近，如果输出结果代表群簇1的概率越小，说明用户当前所在位置离群簇1(代表地点h)越远。

在训练得到定位模型之后，用户可以进行定位操作，移动终端可以将当前位置的行动通讯网络参数，按照与建立模型时相同的预设格式规则生成特征向量，并输入定位模型，以输出相应的参考位置对应的群簇和概率。

例如，参照图2，模型建立后，移动终端测得当前位置的行动通讯网络参数包括：蜂窝小区频点FSn，蜂窝小区标识IDn，蜂窝小区信号强度RSRPn，蜂窝小区信号质量RSRQn和测量时间Tan，因此可以将行动通讯网络参数按照特征向量(Fan，IDn，RSRPn，RSRQn，Tan)输入定位模型。

假设输出了落在群簇1的概率为0.8(群簇1的代表位置为地点1)，落在群簇2的概率为0.2(群簇2的代表位置为地点3)，则可判定现在的位置最有可能落在群簇1(代表位置为地点1)，另外，也可以根据概率，估计当前位置的坐标为(0.8X1+0.2X3，0.8Y1+0.2Y3)，

步骤206，根据输出落在所述多个群簇的概率，确定所述当前位置对应的群簇，以及所述群簇对应的代表参考位置的坐标。

在该步骤中，通过将获取到的行动通讯网络参数输入定位模型，可以输出相应群簇的概率，在本发明实施例中，可以选取概率最大的群簇所对应的代表位置为当前位置的坐标或是利用概率(如前面所述)，估计出当前的精确位置。

综上所述，本发明实施例提供的另一种定位方法，包括：获取参考位置的测试数据集，测试数据集包括参考位置对应的行动通讯网络参数；按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；以群簇包括的测试数据集作为输入的特征向量，并以群簇作为模型的输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置对应的群簇，以及该群簇所对应的坐标，本发明通过利用地点与行动通讯网络的参数之间的对应关系，在按照预设规则对测试数据集分类后，建立相应的定位模型，使得用户可以利用移动终端实时采集的行动通讯网络参数，通过该定位模型包括的地点与行动通讯网络通信效果的对应关系，获取当前位置的所属分类和精确坐标，达到定位的目的，本发明可以不需要接收定位卫星发射的信息，提高了移动终端的续航能力，并利用用户的行程习惯，对定位模型的训练数据做分类处理，可以在定位的基础上提供对应类别的服务，提高用户的体验。

图4是本发明实施例提供的一种移动终端的框图，如图4所示，该移动终端包括：

获取模块301，用于获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数；

分类模块302，用于按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；

训练模块303，用于以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇作为模型的输出，训练得到定位模型；

可选的，训练模块303，包括：

训练子模块，用于将所述群簇包括的测试数据集，按照预设格式规则输入深度学习网络，并以所述群簇为输出，训练得到定位模型。

定位模块304，用于在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标。

可选的，定位模块304，包括：

输出子模块，用于在获取到当前位置的行动通讯网络参数的情况下，将所述当前位置的行动通讯网络参数，按照所述预设格式规则输入所述定位模型，并输出落在多个群簇的概率；

确定子模块，用于根据输出落在所述多个群簇的概率，确定所述当前位置对应的群簇，以及所述群簇对应的代表参考位置的坐标。

可选的，移动终端，还包括：

标定模块，用于若所述群簇中的测试数据集的大小大于或等于预设阈值，则确定所述群簇中的代表测试数据集，以及所述代表测试数据集包括的代表参考位置。

可选的，所述行动通讯网络参数包括：所述参考位置对应的蜂窝小区的标识信息、所述蜂窝小区的频点信息、所述蜂窝小区的量测信息、所述蜂窝小区的量测时间信息中的一种或多种。

可选的，所述蜂窝小区包括：所述参考位置的当前服务小区和邻近小区。

综上所述，本发明实施例提供的一种移动终端，包括，获取参考位置的测试数据集，测试数据集包括参考位置对应的行动通讯网络参数；按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；以群簇包括的测试数据集作为输入的特征向量，并以群簇作为模型的输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置对应的群簇，以及该群簇所对应的坐标，本发明通过利用地点与行动通讯网络的参数之间的对应关系，在按照预设规则对测试数据集分类后，建立相应的定位模型，使得用户可以利用移动终端实时采集的行动通讯网络参数，通过该定位模型包括的地点与行动通讯网络通信效果的对应关系，获取当前位置的所属分类和精确坐标，达到定位的目的，本发明可以不需要接收定位卫星发射的信息，提高了移动终端的续航能力，并利用用户的行程习惯，对定位模型的训练数据做分类处理，可以在定位的基础上提供对应类别的服务，提高用户的体验。

本发明实施例还提供一种移动终端，包括处理器，存储器，存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

图5是本发明另一个实施例的移动终端的结构示意图。

所述移动终端包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的定位方法的步骤。

所述移动终端还包括：可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的定位方法的步骤。

具体地，图5中的移动终端600可以为手机、平板电脑、个人数字助理(PersonalDigital Assistant，PDA)、或车载电脑等。

图5中的移动终端600包括射频(RadioFrequency，RF)电路610、存储器620、输入单元630、显示单元640、处理器660、音频电路670、无线局域网(WirelessFidelity)模块680、电源690和摄像头6110。

其中，输入单元630可用于接收用户输入的数字或字符信息，以及产生与移动终端600的用户设置以及功能控制有关的信号输入。具体地，本发明实施例中，该输入单元630可以包括触控面板631。触控面板631，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板631上的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板631可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给该处理器660，并能接收处理器660发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板631。除了触控面板631，输入单元630还可以包括其他输入设备632，其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

其中，显示单元640可用于显示由用户输入的信息或提供给用户的信息以及移动终端600的各种菜单界面。显示单元640可包括显示面板641，可选的，可以采用LCD或有机发光二极管(OrganicLight-EmittingDiode，OLED)等形式来配置显示面板641。

应注意，触控面板631可以覆盖显示面板641，形成触摸显示屏，当该触摸显示屏检测到在其上或附近的触摸操作后，传送给处理器660以确定触摸事件的类型，随后处理器660根据触摸事件的类型在触摸显示屏上提供相应的视觉输出。

触摸显示屏包括应用程序界面显示区及常用控件显示区。该应用程序界面显示区及该常用控件显示区的排列方式并不限定，可以为上下排列、左右排列等可以区分两个显示区的排列方式。该应用程序界面显示区可以用于显示应用程序的界面。每一个界面可以包含至少一个应用程序的图标和/或widget桌面控件等界面元素。该应用程序界面显示区也可以为不包含任何内容的空界面。该常用控件显示区用于显示使用率较高的控件，例如，设置按钮、界面编号、滚动条、电话本图标等应用程序图标等。

其中处理器660是移动终端600的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在第一存储器621内的软件程序和/或模块，以及调用存储在第二存储器622内的数据，执行移动终端600的各种功能和处理数据，从而对移动终端600进行整体监控。可选的，处理器660可包括一个或多个处理单元。

在本发明实施例中，通过调用存储该第一存储器621内的软件程序和/或模块和/或该第二存储器622内的数据，处理器660用于获取包括参考位置对应的行动通讯网络参数的测试数据集；将包括相同特征的测试数据集划分到对应的群簇，以行动通讯网络参数作为输入的特征向量，并以所述群簇为输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置的坐标，以及当前位置对应的群簇。

可见，本发明实施例中，移动终端可以包括：获取包括参考位置对应的行动通讯网络参数的测试数据集；将包括相同特征的测试数据集划分到对应的群簇，以行动通讯网络参数作为输入的特征向量，并以群簇作为模型的输出，训练得到定位模型；在获取到当前位置的行动通讯网络参数的情况下，通过定位模型确定当前位置对应的群簇，以及所述群簇对应的坐标，本发明通过该定位模型包括的地点与行动通讯网络通信效果的对应关系，获取当前位置的所属分类和精确坐标，达到定位的目的，不需要接收定位卫星发射的信息，提高了移动终端的续航能力，并利用用户的行程习惯对测试数据集进行分类，满足在定位的基础上提供对应类别服务的需求，提高用户的体验。

对于上述装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。

在此提供的定位方法不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造具有本发明方案的系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的定位方法中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (14)

1.一种定位方法，应用于移动终端，其特征在于，所述方法包括：

获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数；

按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；

以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇为输出，训练得到定位模型；

在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标。

2.根据权利要求1所述的方法，其特征在于，在所述按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇之后，还包括：

若所述群簇中的测试数据集的大小大于或等于预设阈值，则确定所述群簇中的代表测试数据集，以及所述代表测试数据集包括的代表参考位置。

3.根据权利要求2所述的方法，其特征在于，以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇为输出，训练得到定位模型，包括：

将所述群簇包括的测试数据集，按照预设格式规则输入深度学习网络，并以所述群簇为输出，训练得到定位模型。

4.根据权利要求3所述的方法，其特征在于，所述在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标，包括：

在获取到当前位置的行动通讯网络参数的情况下，将所述当前位置的行动通讯网络参数，按照所述预设格式规则输入所述定位模型，并输出落在多个群簇的概率；

根据输出落在所述多个群簇的概率，确定所述当前位置对应的群簇，以及所述群簇对应的代表参考位置的坐标。

5.根据权利要求1至4任一所述的方法，其特征在于，所述行动通讯网络参数包括：所述参考位置对应的蜂窝小区的标识信息、所述蜂窝小区的频点信息、所述蜂窝小区的量测信息、所述蜂窝小区的量测时间信息中的一种或多种。

6.根据权利要求5所述的方法，其特征在于，所述蜂窝小区包括：所述参考位置的当前服务小区和邻近小区。

7.一种移动终端，其特征在于，所述移动终端包括：

获取模块，用于获取参考位置的测试数据集，所述测试数据集包括所述参考位置对应的行动通讯网络参数；

分类模块，用于按照预设规则，将包括相同特征的测试数据集划分到对应的群簇，得到多个群簇；

训练模块，用于以所述群簇包括的测试数据集作为输入的特征向量，并以所述群簇为输出，训练得到定位模型；

定位模块，用于在获取到当前位置的行动通讯网络参数的情况下，通过所述定位模型确定所述当前位置对应的群簇，以及所述群簇对应的坐标。

8.根据权利要求7所述的移动终端，其特征在于，所述移动终端，还包括：

标定模块，用于若所述群簇中的测试数据集的大小大于或等于预设阈值，则确定所述群簇中的代表测试数据集，以及所述代表测试数据集包括的代表参考位置。

9.根据权利要求8所述的移动终端，其特征在于，所述训练模块，包括：

训练子模块，用于将所述群簇包括的测试数据集的特征向量，按照预设格式规则输入深度学习网络，并以所述群簇为输出，训练得到定位模型。

10.根据权利要求9所述的移动终端，其特征在于，所述定位模块，包括：

输出子模块，用于在获取到当前位置的行动通讯网络参数的情况下，将所述当前位置的行动通讯网络参数，按照所述预设格式规则输入所述定位模型，并输出落在多个群簇的概率；

确定子模块，用于根据输出落在所述多个群簇的概率，确定所述当前位置对应的群簇，以及所述群簇对应的代表参考位置的坐标。

11.根据权利要求1至10任一所述的移动终端，其特征在于，所述行动通讯网络参数包括：所述参考位置对应的蜂窝小区的标识信息、所述蜂窝小区的频点信息、所述蜂窝小区的量测信息、所述蜂窝小区的量测时间信息中的一种或多种。

12.根据权利要求11所述的移动终端，其特征在于，所述蜂窝小区包括：所述参考位置的当前服务小区和邻近小区。

13.一种移动终端，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的定位方法的步骤。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的定位方法的步骤。