CN110493720B

CN110493720B - 终端的定位方法、装置及存储介质

Info

Publication number: CN110493720B
Application number: CN201910862583.1A
Authority: CN
Inventors: 张晨; 越海涛
Original assignee: Shenzhen Mastercom Technology Corp
Current assignee: Shenzhen Mastercom Technology Corp
Priority date: 2019-09-11
Filing date: 2019-09-11
Publication date: 2021-02-19
Anticipated expiration: 2039-09-11
Also published as: CN110493720A

Abstract

本发明公开了一种终端的定位方法、装置及存储介质，所述终端的定位方法包括以下步骤：采集网络测量数据；对所述网络测量数据进行切片处理，以获得待定位终端的场强信号；将所述待定位终端的场强信号输入所述预测定位模型，以获得所述待定位终端的位置数据。本申请的技术方案，能够准确定位终端的位置。

Description

终端的定位方法、装置及存储介质

技术领域

本发明涉及移动通信业务领域，尤其涉及一种终端的定位方法、装置及存储介质。

背景技术

随着智能手机终端的广泛使用，利用智能手机与运营商的基站连接，以及网络数据交换，通过定位智能手机终端的地理位置，以反映用户的位置以及活动轨迹，这对政府决策、企业管理、生活服务均具有重大的指导意义。

现有智能手机终端定位方法主要包括两种方式：一是采用TOA+AOA定位技术，二是采用MR指纹定位技术。

但是，TOA+AOA的定位方式易受外界环境影响，由于无线环境变化过于复杂，导致定位精度不高。而MR指纹定位方式需要精确的小区工参信息、天线型号和发射功率信息，由于无线优化工作是持续进行的，导致小区工参信息、天线型号和发射功率信息也一直处于变化当中，难以精确获取，这将导致定位结果不准确。并且，MR指纹定位方式还需要获取三维地图、建筑三维以及材质信息，三维地图、建筑三维以及材质信息获取困难且获取费用高。再者，由于指纹库存储信息过多，造成指纹库异常庞大，通过指纹库的匹配算法需要涉及大量的搜索，导致算法开销大，需要大量的计算资源且难以保证定位的时效性。进一步的，MR指纹定位方式需要通过指纹库去匹配MR的场强信息，采用的算法通常是根据经验数据结合主服小区的场强和邻区的场强差值来计算概率，算法复杂且难以保证有效性，导致定位结果不准确。

发明内容

本发明实施例通过提供一种终端的定位方法、装置及存储介质，旨在准确定位终端的位置。

为实现上述目的，本发明提供一种终端的定位方法，所述终端的定位方法包括以下步骤：

在生成预测定位模型后，采集网络测量数据；

对所述网络测量数据进行切片处理，以获得待定位终端的场强信号；

将所述待定位终端的场强信号输入所述预测定位模型，以获得所述待定位终端的位置数据。

可选的，所述在生成预测定位模型后，采集网络测量数据的步骤之后，还包括：

从所述网络测量数据中获取终端的服务小区的标识信息；

根据服务小区的标识信息与预测定位模型的对应关系，确定与所述终端的服务小区的标识信息对应的预测定位模型。

可选的，所述在生成预测定位模型后，采集网络测量数据的步骤之前，还包括：

采集最小化路测数据；

根据所述最小化路测数据生成预测定位模型。

可选的，所述根据所述最小化路测数据生成预测定位模型的步骤包括：

对所述最小化路测数据进行切片处理，以获得各个终端在静止时的最小化路测数据；

对各个终端在静止时的所述最小化路测数据进行分组处理，以获得位于相同服务小区的最小化路测数据；

对位于相同服务小区的所述最小化路测数据进行聚类、清洗处理，以获得最小化路测数据的样本数据；

通过预设学习算法对所述最小化路测数据的样本数据进行训练，以生成预测定位模型。

可选的，所述对所述最小化路测数据进行切片处理，以获得各个终端在静止时的最小化路测数据的步骤包括：

根据所述最小化路测数据中携带的终端标识信息确定单个终端的最小化路测数据；

根据所述最小化路测数据中携带的时间信息对单个终端的所述最小化路测数据进行排序；

计算所述最小化路测数据的场强信号从第一预设强度变化至第二预设强度的时间；

以所述时间内的所述最小化路测数据作为终端在静止时的最小化路测数据。

可选的，所述对各个终端在静止时的所述最小化路测数据进行分组处理，以获得位于相同服务小区的最小化路测数据的步骤包括：

从所述最小化路测数据中获取服务小区的标识信息；

根据所述服务小区的标识信息对各个终端在静止时的的所述最小化路测数据进行分组处理，以获得位于相同服务小区的最小化路测数据。

可选的，所述对位于相同服务小区的所述最小化路测数据进行聚类、清洗处理，以获得最小化路测数据的样本数据的步骤包括：

通过聚类算法对位于相同服务小区的所述最小化路测数据进行聚类处理，并对聚类处理后的所述最小化路测数据进行清洗，以获得最小化路测数据的样本数据。

可选的，所述通过预设学习算法对所述最小化路测数据的样本数据进行训练，以生成预测定位模型的步骤包括：

获取所述最小化路测数据的样本数据中的场强信号和位置数据；

通过预设学习算法对所述场强信号和所述位置数据进行训练，以生成预测定位模型。

为实现上述目的，本发明还提供一种终端的定位装置，所述终端的定位装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的终端的定位程序，所述终端的定位程序被所述处理器执行时实现如上所述的终端的定位方法的步骤。

为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有终端的定位程序，所述终端的定位程序被处理器执行时实现如上所述的终端的定位方法的步骤。

本发明的技术方案，在生成用于定位的预测定位模型后，采集网络侧的网络测量数据，并对网络测量数据进行切片处理，以获得单个终端在同一位置静止时产生的网络测量数据集合，再提取待定位终端的网络测量数据集合中的场强信号，将待定位终端的场强信号输入预测定位模型，由预测定位模型输出终端的位置数据。如此设置，能够准确定位终端的位置，且通过预测定位模型对待定位终端进行定位，能够节省大量的计算资源。

附图说明

图1为本发明实施例方案涉及的终端的定位装置的结构示意图；

图2为本发明终端的定位方法一实施例的流程示意图；

图3为本发明终端的定位方法另一实施例的流程示意图；

图4为图3中步骤S2的一细化流程示意图；

图5为图4中步骤S21的一细化流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：在生成预测定位模型后，采集网络测量数据；对所述网络测量数据进行切片处理，以获得待定位终端的场强信号；将所述待定位终端的场强信号输入所述预测定位模型，以获得所述待定位终端的位置数据。

本发明的技术方案，在生成用于定位的预测定位模型后，采集网络侧的网络测量数据，并对采集到的网络测量数据进行切片处理，以获得待定位终端的场强信号，将待定位终端的场强信号输入预测定位模型，由预测定位模型输出待定位终端的位置数据。如此设置，能够准确定位终端的位置，且采用预测定位模型进行定位，能够节省大量的计算资源。

作为一种实施方案，终端的定位装置可以如图1所示。

本发明实施例方案涉及的是终端的定位装置，该终端的定位装置包括：处理器1001，例如CPU，通信总线1002，存储器1003。其中，通信总线1002用于实现这些组件之间的连接通信。

存储器1003可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。如图1所示，作为一种计算机存储介质的存储器1003中可以包括终端的定位程序；而处理器1001可以用于调用存储器1003中存储的终端的定位程序，并执行以下操作：

在生成预测定位模型后，采集网络测量数据；

可选的，处理器1001可以用于调用存储器1003中存储的终端的定位程序，并执行以下操作：

从所述网络测量数据中获取终端的服务小区的标识信息；

采集最小化路测数据；

根据所述最小化路测数据生成预测定位模型。

从所述最小化路测数据中获取服务小区的标识信息；

图2为本发明终端的定位方法一实施例的流程示意图。

该终端的定位方法包括：

步骤S10，在生成预测定位模型后，采集网络测量数据；

本实施例中，预先建立用于定位的预测定位模型，可以通过网络侧的最小化路测数据，即MDT数据建立预测定位模型，具体的，可以根据预先设置的预设学习算法、机器学习算法对大量的MDT数据进行训练，以构建预测定位模型。在预测定位模型生成后，当需要定位某个终端的位置时，先采集网络侧的网络测量数据，即MR数据，MR是UE/NodeB/RNC周期上报或事件触发的网络测量报告，携带了上下行无线链路的相关信息，包含RSCP、ISCP、BLER和发射功率等，通过在OMC(操作维护中心)上打开MR采集开关，设定MR上报的类型和周期等参数，从OMC下载或通过FTP等方式实现MR数据采集，例如，MR样本数据如下：

步骤S20，对所述网络测量数据进行切片处理，以获得待定位终端的场强信号；

切片是指单个终端在同一个位置静止时产生的MR数据集合，由于处于静止装置，因此，切片后得到的MR数据集合中与位置相关的特征也类似，例如，切片后得到的MR数据集合中与位置相关的场强信号的强度也类似。其中，MR数据中携带有服务小区的标识信息、终端的IMSI(标识码)、时间信息、服务小区的场强信号和邻区的场强信号等数据。换句话说，切片是指提取MR数据中用户的IMSI，时间信息，服务小区和邻区的场强，当同一个用户的服务小区和邻区的场强信号的强度变化幅度低于门限值，且持续时间大于一定时长时，则将采样点合并成一个切片采样点组的过程，其结果即为一个切片。在对网络测量数据进行切片处理，以获得各个终端在同一位置静止时产生的MR数据集合后，可以根据终端的标识信息确定待定位终端在同一位置静止时产生的MR数据集合，再从MR数据集合中提取待定位终端的服务小区的场强信号与邻区的场强信号。

步骤S30，将所述待定位终端的场强信号输入所述预测定位模型，以获得所述待定位终端的位置数据。

将待定位终端的服务小区的场强信号与邻区的场强信号输入预测定位模型，预测定位模型调用其内部的算法计算出待定位终端的位置数据，从而准确输出终端的位置。

可选的，在一实施例中，步骤S1之后，还包括：

步骤S1A，从所述网络测量数据中获取终端的服务小区的标识信息；

在一实施例中，可以设置，每个服务小区均对应一个预测定位模型，当然，在其他实施例中，也可以不按服务小区区分预测定位模型。本实施例中，可以设置每个服务小区均有其对应的预测定位模型，在获得网络侧的MR数据后，根据待定位终端的标识码确定待定位终端的MR数据，再从待定位终端的MR数据中提取服务小区的标识信息，以确定待定位终端的服务小区。

步骤S1B，根据服务小区的标识信息与预测定位模型的对应关系，确定与所述终端的服务小区的标识信息对应的预测定位模型。

预先在系统中建立有服务小区与预测定位模型的对应关系，在获得待定位终端的服务小区的标识信息后，在系统中查找与服务小区的标识信息对应的预测定位模型，以确定用于定位终端位置的预测定位模型。

本发明的技术方案，在生成用于定位的预测定位模型后，采集网络侧的网络测量数据，并对网络测量数据进行切片处理，以获得单个终端在同一位置静止时产生的网络测量数据集合，再提取待定位终端的网络测量数据集合中的场强信号，将待定位终端的场强信号输入预测定位模型，由预测定位模型输出终端的位置数据。如此设置，能够准确定位终端的位置，且定位算法的开销小，能够节省大量的计算资源。

在一实施例中，参照图3，所述在生成预测定位模型后，采集网络测量数据的步骤之前，还包括：

步骤S1，采集最小化路测数据；

最小化路测数据，即MDT数据，MDT数据包括MR数据和位置数据。根据运营商《LTE无线网络主设备技术要求》中明确的MDT测量原始数据格式和文件要求，在MDT数据生成开关开启后，OMC系统定时生成一份MDT数据，即在规定时间内，针对每类任务每个基站生成一份数据文件。数据文件通过从OMC下载或通过FTP等传输方式传到指定文件服务器。例如，解析后得到MDT数据如下：

步骤S2，根据所述最小化路测数据生成预测定位模型。

根据网络侧的MDT数据生成预测定位模型，可以根据预先设置的预设学习算法对大量的MDT数据进行训练，以构建预测定位模型。例如，由于MDT数据包括位置数据和MR数据，而MR数据中携带有的服务小区的标识信息、终端的IMSI、时间信息，服务小区的场强和邻区的场强等信息，因此，可以通过预设学习算法学习位置数据和场强的关系，以构建用于定位终端的预测定位模型。

具体的，参照图4，在一实施例中，步骤S2包括：

步骤S21，对所述最小化路测数据进行切片处理，以获得各个终端在静止时的最小化路测数据；

对MDT数据进行切片处理，即获取单个终端在同一位置静止时产生的MDT数据集合，由于处于静止状态，因此，终端的MDT数据中与位置相关场强信号强度也类似。通过对网络侧的MDT数据进行切片处理，以确定单个终端连续MDT数据中与位置相关的特征保持在一定范围内的集合。

具体的，参照图5，在一实施例中，步骤S21包括：

步骤S211，根据所述最小化路测数据中携带的终端标识信息确定单个终端的最小化路测数据；

由于MDT数据包括MR数据和位置数据，而MR数据中携带有服务小区的标识信息、终端的IMSI(标识码)、时间、服务小区的场强信号和邻区的场强信号等数据。因此，在获得网络侧的MDT数据后，根据MDT数据中的MR数据中携带的终端的标识信息，确定单个终端的MDT数据。

步骤S212，根据所述最小化路测数据中携带的时间信息对单个终端的所述最小化路测数据进行排序；

在确定单个终端的MDT数据后，根据MR数据中携带的时间信息，对单个终端的MDT数据按照时间进行排序。

步骤S213，计算所述最小化路测数据的场强信号从第一预设强度变化至第二预设强度的时间；

在对单个终端的MDT数据进行排序后，滑动时间窗口，计算单个终端的最小化路测数据的场强信号的强度从第一预设强度变化至第二预设强度的时间。可以理解为，计算单个终端的MDT数据中与位置相关的场强信号强度的差值是否超过门限值，超过则认为是一个跳变点，跳变点前后的位置不同，则原有切片生成，开启新的切片。

步骤S214，以所述时间内的所述最小化路测数据作为终端在静止时的最小化路测数据。

场强信号从第一预设强度变化至第二预设强度的这段时间内的MDT数据作为终端在静止时的MDT数据集合，由于终端处于静止状态，则这段时间的MDT数据集合中，与位置相关的场强信号的强度也类似。其他终端的MDT数据也以同样的方式进行处理，从而获得每个终端在静止时的MDT数据集合。

步骤S22，对各个终端在静止时的所述最小化路测数据进行分组处理，以获得位于相同服务小区的最小化路测数据；

通过对MDT数据进行切片处理后，获得每个终端的连续MDT数据中与位置相关的特征保持在一定范围内的集合后，再对切片处理后的MDT数据进行分组，可以按照MDT数据中的MR数据携带的服务小区的标识信息对切片处理后的MDT数据进行分组，以确定位于相同服务小区的MDT数据。也就是说，先按用户对网络侧的MDT数据进行切片，以获得单个终端连续MDT数据中与位置相关的特征保持在一定范围的集合，然后，再对切片后的MDT数据进行分组，以确定位于相同服务小区的MDT数据。

具体的，步骤S22包括：

步骤S221，从所述最小化路测数据中获取服务小区的标识信息；

从MDT数据的MR数据中获取服务小区的标识信息。

步骤S222，根据所述服务小区的标识信息对各个终端在静止时的的所述最小化路测数据进行分组处理，以获得位于相同服务小区的最小化路测数据。

根据MR数据中携带的服务小区的标识信息对切片处理后的MDT数据进行分组，也就是将具有相同服务小区标识信息的MDT数据归类在同一小组，将位于相同服务小区的MDT数据整理出来。

步骤S23，对位于相同服务小区的所述最小化路测数据进行聚类、清洗处理，以获得最小化路测数据的样本数据；

所述最小化路测数据的样本数据，用于构建预测定位模型。在获得位于相同服务小区的MDT数据后，对位于相同服务小区的MDT数据进行聚类处理，以将位置相同，场强信号强度类似的MDT数据归类出来。再对聚类处理后的MDT数据进行清洗，例如，找出异常的MDT数据、修补缺失的MDT数据等，从而获得MDT数据的样本数据。从而实现将多个终端的MDT数据变成不分区终端，只与位置相关的MDT数据集。具体的，步骤S23包括：

步骤S231，通过聚类算法对位于相同服务小区的所述最小化路测数据进行聚类处理，并对聚类处理后的所述最小化路测数据进行清洗，以获得最小化路测数据的样本数据。

在获得位于相同服务小区的MDT数据后，调用聚类算法对位于相同服务小区的MDT数据进行聚类处理，以将位置相同，场强信号强度类似的MDT数据归类出来，再对聚类处理后的MDT数据进行清洗，从而获得MDT数据的样本数据。

步骤S24，通过预设学习算法对所述最小化路测数据的样本数据进行训练，以生成预测定位模型。

通过预先设置的预设学习算法对MDT数据的样本数据进行训练，以生成用于定位的预测定位模型。

具体的，步骤S24包括：

步骤S241，获取所述最小化路测数据的样本数据中的场强信号和位置数据；

从MDT数据的样本数据中确定服务小区的场强信号、邻区的场强信号和位置数据。

步骤S242，通过预设学习算法对所述场强信号和所述位置数据进行训练，以生成预测定位模型。

预设学习算法即算法训练，提供特定的输入数据时预测某一概率区间内的输出值。本实施例根据MDT数据的样本数据中的场强信号和位置数据，采用预先设置的预设学习算法对数据进行训练，以生成用于定位的预测定位模型。

本实施例的技术方案，采集网络侧的MDT数据，通过以用户为单位将相似的MDT数据进行切片处理并汇聚得到样本的特征集合，然后再通过预设学习算法构建预测定位模型，生成用于定位用户的模型，其构建预测定位模型的过程，不依赖工参信息的准确性，不需要天线型号和发射功率信息，不需要三维地图及建筑三维及材质信息，极大的减低了定位所需费用，并且能确保模型及时更新，及时反应网络的变化。同时建模及定位均采用神经网络算法，相较于经验依赖能大幅提升定位的精度及准确性，且定位算法开销小，能节省大量的计算资源，保证定位的时效性。

本发明还提供一种终端定位装置，所述终端定位装置包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的终端定位程序，所述终端定位程序被所述处理器执行时实现如上实施例所述终端定位方法的各个步骤。

本发明还提供一种存储介质，所述存储介质存储有终端定位程序，所述终端定位程序被所述处理器执行时实现如上实施例所述的终端定位方法的各个步骤。

以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims

1.一种终端的定位方法，其特征在于，所述终端的定位方法包括以下步骤：

采集最小化路测数据，对所述最小化路测数据进行切片处理，以获得各个终端在静止时的最小化路测数据；

通过预设学习算法对所述最小化路测数据的样本数据进行训练，以生成预测定位模型；

在生成所述预测定位模型后，采集网络测量数据；

从所述网络测量数据中获取所述待定位终端的服务小区的标识信息,确定所述待定位终端的服务小区，确定目标预测定位模型，所述目标预测定位模型为与所述待定位终端的服务小区对应的预测定位模型；

将所述待定位终端的场强信号输入所述目标预测定位模型，以获得所述待定位终端的位置数据。

2.如权利要求1所述的终端的定位方法，其特征在于，所述对所述最小化路测数据进行切片处理，以获得各个终端在静止时的最小化路测数据的步骤包括：

3.如权利要求1所述的终端的定位方法，其特征在于，所述对各个终端在静止时的所述最小化路测数据进行分组处理，以获得位于相同服务小区的最小化路测数据的步骤包括：

从所述最小化路测数据中获取服务小区的标识信息；

4.如权利要求1所述的终端的定位方法，其特征在于，所述对位于相同服务小区的所述最小化路测数据进行聚类、清洗处理，以获得最小化路测数据的样本数据的步骤包括：

通过聚类算法对位于相同服务小区的所述最小化路测数据进行聚类处理，并对聚类处理后的所述最小化路测数据进行清洗，以获得所述最小化路测数据的样本数据。

5.如权利要求1所述的终端的定位方法，其特征在于，所述通过预设学习算法对所述最小化路测数据的样本数据进行训练，以生成预测定位模型的步骤包括：

通过预设学习算法对所述场强信号和所述位置数据进行训练，以生成所述预测定位模型。

6.一种终端的定位装置，其特征在于，所述终端的定位装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的终端的定位程序，所述终端的定位程序被所述处理器执行时实现如权利要求1至5中任一项所述的终端的定位方法的步骤。

7.一种存储介质，其特征在于，所述存储介质上存储有终端的定位程序，所述终端的定位程序被处理器执行时实现如权利要求1至5中任一项所述的终端的定位方法的步骤。