CN110662189B - 室内终端定位方法、装置以及网络系统 - Google Patents

Abstract

本发明提供了一种室内终端定位方法、装置以及网络系统，其中的方法包括：获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息；根据第一下行信号信息和第一室内位置信息生成室内锚点训练样本；采用机器学习算法对室内锚点训练样本进行训练，获得室内定位模型；获得与位于室内的移动终端相对应的第二下行信号信息，使用室内定位模型对第二下行信号信息进行处理，获得与移动终端相对应的第二室内位置信息。本发明的室内终端定位方法、装置以及网络系统，解决了4G移动终端等在室内难定位的问题，可以提高对位于室内的4G移动终端等定位的准确度，提高用户的使用感受度。

Description

室内终端定位方法、装置以及网络系统

技术领域

本发明涉及通信技术领域，尤其涉及一种室内终端定位方法、装置以及网络系统。

背景技术

窄带物联网(Narrow Band Internet of Things,NB-IoT)成为万物互联网络的一个重要分支。NB-IoT构建于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络，以降低部署成本、实现平滑升级。NB-IoT网络与LTE 4G网络具有近似的无线传播模型，遵循相同的3GPP的技术协议。中国电信2017年开始启动全网NB-IoT的建设，NB-IoT网络具有强覆盖、低功耗、多连接等特点，将大量建设在远程抄表、智能停车等室内场景中。目前的网络运营数据平台基于4G网络的MR数据、无线基础数据、4G用户的DPI数据对终端进行用户室内外定位与数据分析，但是现有的4G用户室内定位依赖室外AGPS信息，准确程度低，

发明内容

本发明的一个或多个实施例提供一种室内终端定位方法、装置以及网络系统。

根据本公开的一个方面，提供一种室内终端定位方法，包括：获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息；根据所述第一下行信号信息和所述第一室内位置信息生成室内锚点训练样本；采用机器学习算法对所述室内锚点训练样本进行训练，获得室内定位模型；获得与位于室内的移动终端相对应的第二下行信号信息，使用所述室内定位模型对所述第二下行信号信息进行处理，获得与所述移动终端相对应的第二室内位置信息。

可选地，获取IoT终端上传至基站的第一上行信号信息；根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息。

可选地，所述第一下行信号信息包括：第一下行信号强度信息；所述第一上行信号信息包括：第一上行信号强度信息；所述根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息包括：从所述第一上行信号信息中提取所述第一上行信号强度信息；根据预设的信号强度转换算法并基于所述第一上行信号强度信息获得所述第一下行信号强度信息。

可选地，所述信号强度转换算法包括：y＝x*k+b；其中，y为下行信号强度值，x为上行信号强度值，k和b都为系数。

可选地，所述第一下行信号信息包括：第一下行时间提前量TA信息；所述第一上行信号信息包括：第一上行时间提前量TA信息；所述根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息还包括：从所述第一上行信号信息中提取所述第一上行TA信息；将所述第一下行TA信息设置为与所述第一上行TA信息相同。

可选地，将与所述IoT终端相对应的第一下行信号强度信息、第一下行TA信息、第一室内位置信息作为与此IoT终端相对应的室内锚点训练样本；基于多个所述IoT终端的室内锚点训练样本建立室内锚点样本库。

可选地，所述采用机器学习算法对所述室内锚点训练样本进行训练、获得室内定位模型包括：采用所述机器学习算法对所述室内锚点样本库中的所述室内锚点训练样本进行训练，得到所述室内定位模型；其中，将第一下行信号强度信息、第一下行TA信息作为所述机器学习算法的输入值，将第一室内位置信息作为所述机器学习算法的输出值。

可选地，所述获得与所述移动终端相对应的第二室内位置信息包括：将与所述移动终端相对应的第二下行信号强度信息、第二下行TA信息输入所述室内定位模型，获得所述室内定位模型输出的与此移动终端相对应的所述第二室内位置信息；其中，所述第一室内位置信息和所述第二室内位置信息包括：安装点经纬度、安装点楼层信息。

可选地，所述机器学习算法包括：梯度提升决策树GBDT算法；所述室内定位模型包括：梯度提升决策树GBDT模型。

可选地，所述IoT终端包括：NB-IoT终端；所述移动终端包括：4G网络中的4G移动终端。

根据本公开的另一方面，提供一种室内终端定位装置，包括：信息获得模块，用于获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息；样本获得模块，用于根据所述第一下行信号信息和所述第一室内位置信息生成室内锚点训练样本；模型训练模块，用于采用机器学习算法对所述室内锚点训练样本进行训练，获得室内定位模型；终端定位模块，用于获得与位于室内的移动终端相对应的第二下行信号信息，使用所述室内定位模型对所述第二下行信号信息进行处理，获得与所述移动终端相对应的第二室内位置信息。

可选地，所述信息获得模块，用于获取IoT终端上传至基站的第一上行信号信息，根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息。

可选地，所述第一下行信号信息包括：第一下行信号强度信息；所述第一上行信号信息包括：第一上行信号强度信息；所述信息获得模块，还用于从所述第一上行信号信息中提取所述第一上行信号强度信息，根据预设的信号强度转换算法并基于所述第一上行信号强度信息获得所述第一下行信号强度信息。

可选地，所述信号强度转换算法包括：y＝x*k+b；其中，y为第一下行信号强度值，x为第一上行信号强度值，k和b都为系数。

可选地，所述第一下行信号信息包括：第一下行时间提前量TA信息；所述第一上行信号信息包括：第一上行时间提前量TA信息；所述信息获得模块，还用于从所述第一上行信号信息中提取所述第一上行TA信息，将所述第一下行TA信息设置为与所述第一上行TA信息相同。

可选地，所述样本获得模块，用于将与所述IoT终端相对应的第一下行信号强度信息、第一下行TA信息、第一室内位置信息作为与此IoT终端相对应的室内锚点训练样本；基于多个所述IoT终端的室内锚点训练样本建立室内锚点样本库。

可选地，所述模型训练模块，用于采用所述机器学习算法对所述室内锚点样本库中的所述室内锚点训练样本进行训练，得到所述室内定位模型；其中，将第一下行信号强度信息、第一下行TA信息作为所述机器学习算法的输入值，将第一室内位置信息作为所述机器学习算法的输出值；所述机器学习算法包括：梯度提升决策树GBDT算法；所述室内定位模型包括：梯度提升决策树GBDT模型。

可选地，所述终端定位模块，用于获取所述移动终端上传至基站的测量报告MR消息，从所述MR消息中提取所述第二下行信号信息；其中，所述第二下行信号信息包括：第二下行信号强度信息、第二下行TA信息。

可选地，所述终端定位模块，用于将与所述移动终端相对应的第二下行信号强度信息、第二下行TA信息输入所述室内定位模型，获得所述室内定位模型输出的与此移动终端相对应的所述第二室内位置信息；其中，所述第一室内位置信息和所述第二室内位置信息包括：安装点经纬度、安装点楼层信息。

根据本公开的又一方面，提供一种网络系统，包括：如上所述的室内终端定位装置。

根据本公开的又一方面，提供一种室内终端定位装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。

根据本公开的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该指令被一个或多个处理器执行时实现如上所述的方法的步骤。

本公开的室内终端定位方法、装置以及网络系统，通过将安装在室内固定位置的IoT终端的上行信号强度、TA等信息转换为下行信号强度、TA等信息，配合IoT终端的室内固定位置信息建立室内锚点样本，通过机器学习算法对样本进行训练获得室内定位模型，基于室内定位模型获得4G移动终端等的室内定位信息；解决了4G移动终端等在室内难定位的问题，可以提高对位于室内的4G移动终端等定位的准确度，提高用户的使用感受度。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本公开的室内终端定位方法的一个实施例的流程示意图；

图2为根据本公开的室内终端定位装置的一个实施例的模块示意图；

图3为根据本公开的室内终端定位装置的另一个实施例的模块示意图。

具体实施方式

下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。

图1为根据本公开的室内终端定位方法的一个实施例的流程示意图，如图1所示：

步骤101，获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息。

步骤102，根据第一下行信号信息和第一室内位置信息生成室内锚点训练样本。

步骤103，采用机器学习算法对室内锚点训练样本进行训练，获得室内定位模型。机器学习算法可以为多种机器学习算法，例如，机器学习算法包括梯度提升决策树GBDT算法等，室内定位模型包括梯度提升决策树GBDT模型等。

步骤104，获得与位于室内的移动终端相对应的第二下行信号信息，使用室内定位模型对第二下行信号信息进行处理，获得与移动终端相对应的第二室内位置信息。

在一个实施例中，IoT终端可以为NB-IoT网络中的NB-IoT终端等，移动终端可以为4G网络中的4G移动终端等，移动终端可以为手机、平板电脑等。获取IoT终端上传至基站的第一上行信号信息，根据预设的转换规则并基于第一上行信号信息获得第一下行信号信息，转换规则可以为多种。

例如，第一室内位置信息包括安装点经纬度、安装点楼层信息；第一室内位置信息还可以包括建筑物地址、安装时间、海拔高度，建筑物名称、建筑物分类等信息。第一下行信号信息包括第一下行信号强度信息，第一上行信号信息包括第一上行信号强度信息。从第一上行信号信息中提取第一上行信号强度信息，根据预设的信号强度转换算法并基于第一上行信号强度信息获得第一下行信号强度信息。

基站收到手机发送的上行信号(上行信号信息)，得到RSRP(Reference SignalReceiving Power，参考信号接收功率)信号强度值(上行信号强度信息)，手机收到基站发送的下行信号，得到RSRP值(下行信号强度信息)。手机发送的第一个RSRP值保存在基站中，由基站发送的第二个RSRP值在手机中，两个RSRP值都是基于相同的频段(中间有上下行频带上间隔，lte1.8G频段相差95MHZ，但可以视为相同的传播模型)。

目前，4G网络因手机可以将基站发送的RSRP通过MR消息上报给基站，基站不需要转化就可以获取第一下行信号强度信息。但是，IoT网络没有MR消息，需要使用上行信号强度来算出近似的下行信号强度，基站或者是第三方平台可以采用一定的算法来转化。信号强度转换算法可以有多种，例如：y＝x*k+b；y为第一下行信号强度值，x为第一上行信号强度值，k和b都为系数，k和b可以根据系统的不同设置不同值。例如k＝1，b＝0，可以得到近似的下行信号强度RSRP值，即第一下行信号强度值。4G网络MR上报给基站的第二下行RSRP、TA信息与经上下行算法转化后的NB-IoT第一下行RSRP、TA信息，是基于相同的空中接口技术LTE，其核心技术同样是正交载波频分复用OFDM。4G网络与NB-IoT网络的无线空中接口只是在频带宽度上与信令上存在差异，信号的调制解调技术是一致的。因此可以将两个网络的下行RSRP、TA可视为相同。

第一下行信号信息包括第一下行时间提前量TA信息，第一上行信号信息包括第一上行时间提前量TA信息。可以从第一上行信号信息中提取第一上行TA信息，将第一下行TA信息设置为与第一上行TA信息相同。可以计算终端的上行参考信号到达基站的时延，得出下行Ta。

在一个实施例中，将与IoT终端相对应的第一下行信号强度信息、第一下行TA信息、第一室内位置信息作为与此IoT终端相对应的室内锚点训练样本，基于多个IoT终端的室内锚点训练样本建立室内锚点样本库。将第一下行信号强度信息、第一下行TA信息作为机器学习算法的输入值，将第一室内位置信息作为机器学习算法的输出值，采用机器学习算法对室内锚点样本库中的室内锚点训练样本进行训练，得到室内定位模型。

每个IoT终端的固定安装点称之为锚点，获取锚点的下行RSRP值与下行TA值可以建立以该IoT终端为索引的数据库。当IoT终端安装足够多之后，就可以形成室内锚点样本库，作为机器学习训练模型。

GBDT(Gradient Boosting Decision Tree)又叫MART(Multiple AdditiveRegression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，通过对所有决策树的结论进行累加，得到最终结果。

采用GBDT算法对室内锚点样本库中的室内锚点训练样本进行训练，可以采用GBDT算法现有的样本训练方法对室内锚点训练样本进行训练，获得室内定位模型。室内锚点样本库记录了安装在固定位置的IoT终端的估算下行RSRP、估算下行TA、安装点经纬度等信息作为特征。通过GBDT算法等机器学习算法，对室内锚点样本库中的室内锚点训练样本进行训练，可以获得训练好的室内定位模型，用于定位4G用户的经纬度信息。

获取移动终端上传至基站的测量报告MR消息，从MR消息中提取第二下行信号信息；第二下行信号信息包括第二下行信号强度信息、第二下行TA信息等。将与移动终端相对应的第二下行信号强度信息、第二下行TA信息输入室内定位模型，获得室内定位模型输出的与此移动终端相对应的第二室内位置信息。第二室内位置信息包括安装点经纬度、安装点楼层信息；第二室内位置信息还包括还可以包括建筑物地址、安装时间、海拔高度，建筑物名称、建筑物分类等信息。

4G用户是移动终端上传至基站的测量报告MR消息上报主服务小区的小区id、下行RSRP、下行TA、rsrq，邻小区的小区id、下行RSRP等信息。基于移动终端上传至基站的MR消息可以建立4G用户特征库，4G用户特征库中的特征信息包括移动终端所对应的主服务小区id、主服务小区RSRP、主服务小区TA、主服务小区RSRP、邻区1id、邻小区1RSRP、邻区2id、邻小区2RSRP等。

上述实施例中的室内终端定位方法，针对现有的终端进行室内定位依赖室外AGPS信息，准确程度低的问题，提出了通过获取安装在室内固定位置的IoT终端的上行信号强度、TA等信息，采用转换算法转换为下行信号强度等信息，配合IoT终端的室内固定位置信息建立室内锚点样本库，通过机器学习算法对样本进行训练获得室内定位模型，基于室内定位模型获得4G移动终端等的室内定位信息。

在一个实施例中，如图2所示，本公开提供一种室内终端定位装置，包括：信息获得模块21、样本获得模块22、模型训练模块23和终端定位模块24。信息获得模块21获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息。样本获得模块22根据第一下行信号信息和第一室内位置信息生成室内锚点训练样本。模型训练模块23采用机器学习算法对室内锚点训练样本进行训练，获得室内定位模型。终端定位模块24获得与位于室内的移动终端相对应的第二下行信号信息，使用室内定位模型对第二下行信号信息进行处理，获得与移动终端相对应的第二室内位置信息。

在一个实施例中，信息获得模块21获取IoT终端上传至基站的第一上行信号信息，根据预设的转换规则并基于第一上行信号信息获得第一下行信号信息。第一下行信号信息包括第一下行信号强度信息，第一上行信号信息包括第一上行信号强度信息。信息获得模块21从第一上行信号信息中提取第一上行信号强度信息，根据预设的信号强度转换算法并基于第一上行信号强度信息获得第一下行信号强度信息。

第一下行信号信息包括第一下行时间提前量TA信息，第一上行信号信息包括第一上行时间提前量TA信息。信息获得模块21从第一上行信号信息中提取第一上行TA信息，将第一下行TA信息设置为与第一上行TA信息相同。

样本获得模块22将与IoT终端相对应的第一下行信号强度信息、第一下行TA信息、第一室内位置信息作为与此IoT终端相对应的室内锚点训练样本。样本获得模块22基于多个IoT终端的室内锚点训练样本建立室内锚点样本库。

模型训练模块23将第一下行信号强度信息、第一下行TA信息作为机器学习算法的输入值，将第一室内位置信息作为机器学习算法的输出值，采用机器学习算法对室内锚点样本库中的室内锚点训练样本进行训练，得到室内定位模型。机器学习算法包括梯度提升决策树GBDT算法，室内定位模型包括梯度提升决策树GBDT模型。

在一个实施例中，终端定位模块24获取移动终端上传至基站的测量报告MR消息，从MR消息中提取第二下行信号信息；其中，第二下行信号信息包括第二下行信号强度信息、第二下行TA信息。终端定位模块24将与移动终端相对应的第二下行信号强度信息、第二下行TA信息输入室内定位模型，获得室内定位模型输出的与此移动终端相对应的第二室内位置信息。

在一个实施例中，本公开提供一种网络系统，包括如上任一实施例的室内终端定位装置。

图3为根据本发明公开的室内终端定位装置的另一个实施例的模块示意图。如图3所示，该装置可包括存储器31、处理器32、通信接口33以及总线34。存储器31用于存储指令，处理器32耦合到存储器31，处理器32被配置为基于存储器31存储的指令执行实现上述的室内终端定位方法。

存储器31可以为高速RAM存储器、非易失性存储器(NoN-volatile memory)等，存储器31也可以是存储器阵列。存储器31还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器32可以为中央处理器CPU，或专用集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明公开的室内终端定位方法的一个或多个集成电路。

在一个实施例中，本公开还提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一实施例涉及的室内终端定位方法。

本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开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，本公开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非瞬时性存储介质(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。

本公开是参照根据本公开实施例的方法、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。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

上述实施例提供的室内终端定位方法、装置以及网络系统，通过将安装在室内固定位置的IoT终端的上行信号强度、TA等信息转换为下行信号强度、TA等信息，配合IoT终端的室内固定位置信息建立室内锚点样本，通过机器学习算法对样本进行训练获得室内定位模型，基于室内定位模型获得4G移动终端等的室内定位信息；不需要在用户侧与网络侧添加硬件设备，可以提高对位于室内的4G移动终端等定位的准确度，解决了4G移动终端等在室内难定位的问题，提高用户的使用感受度。

可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (20)

1.一种室内终端定位方法，包括：

获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息；

其中，获取IoT终端上传至基站的第一上行信号信息；根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息；

根据所述第一下行信号信息和所述第一室内位置信息生成室内锚点训练样本；

采用机器学习算法对所述室内锚点训练样本进行训练，获得室内定位模型；

获得与位于室内的移动终端相对应的第二下行信号信息，使用所述室内定位模型对所述第二下行信号信息进行处理，获得与所述移动终端相对应的第二室内位置信息。

2.如权利要求1所述的方法，所述第一下行信号信息包括：第一下行信号强度信息；所述第一上行信号信息包括：第一上行信号强度信息；所述根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息包括：

从所述第一上行信号信息中提取所述第一上行信号强度信息；

根据预设的信号强度转换算法并基于所述第一上行信号强度信息获得所述第一下行信号强度信息。

3.如权利要求2所述的方法，其中，

所述信号强度转换算法包括：y＝x*k+b；

其中，y为第一下行信号强度值，x为第一上行信号强度值，k和b都为系数。

4.如权利要求2所述的方法，所述第一下行信号信息包括：第一下行时间提前量TA信息；所述第一上行信号信息包括：第一上行时间提前量TA信息；所述根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息还包括：

从所述第一上行信号信息中提取所述第一上行TA信息；

将所述第一下行TA信息设置为与所述第一上行TA信息相同。

5.如权利要求4所述的方法，还包括：

将与所述IoT终端相对应的第一下行信号强度信息、第一下行TA信息、第一室内位置信息作为与此IoT终端相对应的室内锚点训练样本；

基于多个所述IoT终端的室内锚点训练样本建立室内锚点样本库。

6.如权利要求5所述的方法，所述采用机器学习算法对所述室内锚点训练样本进行训练、获得室内定位模型包括：

采用所述机器学习算法对所述室内锚点样本库中的所述室内锚点训练样本进行训练，得到所述室内定位模型；

其中，将第一下行信号强度信息、第一下行TA信息作为所述机器学习算法的输入值，将第一室内位置信息作为所述机器学习算法的输出值；所述机器学习算法包括：梯度提升决策树GBDT算法；所述室内定位模型包括：梯度提升决策树GBDT模型。

7.如权利要求6所述的方法，所述获得与位于室内的移动终端相对应的第二下行信号信息包括：

获取所述移动终端上传至基站的测量报告MR消息；

从所述MR消息中提取所述第二下行信号信息；

其中，所述第二下行信号信息包括：第二下行信号强度信息、第二下行TA信息。

8.如权利要求7所述的方法，所述获得与所述移动终端相对应的第二室内位置信息包括：

将与所述移动终端相对应的第二下行信号强度信息、第二下行TA信息输入所述室内定位模型，获得所述室内定位模型输出的与此移动终端相对应的所述第二室内位置信息；

其中，所述第一室内位置信息和所述第二室内位置信息包括：安装点经纬度、安装点楼层信息。

9.如权利要求1所述的方法，其中，

所述IoT终端包括：NB-IoT终端；所述移动终端包括：4G网络中的4G移动终端。

10.一种室内终端定位装置，包括：

信息获得模块，用于获得与安装在室内固定位置的IoT终端相对应的第一下行信号信息和第一室内位置信息；

其中，所述信息获得模块，用于获取IoT终端上传至基站的第一上行信号信息，根据预设的转换规则并基于所述第一上行信号信息获得所述第一下行信号信息；

样本获得模块，用于根据所述第一下行信号信息和所述第一室内位置信息生成室内锚点训练样本；

模型训练模块，用于采用机器学习算法对所述室内锚点训练样本进行训练，获得室内定位模型；

终端定位模块，用于获得与位于室内的移动终端相对应的第二下行信号信息，使用所述室内定位模型对所述第二下行信号信息进行处理，获得与所述移动终端相对应的第二室内位置信息。

11.如权利要求10所述的装置，所述第一下行信号信息包括：第一下行信号强度信息；所述第一上行信号信息包括：第一上行信号强度信息；

所述信息获得模块，还用于从所述第一上行信号信息中提取所述第一上行信号强度信息，根据预设的信号强度转换算法并基于所述第一上行信号强度信息获得所述第一下行信号强度信息。

12.如权利要求11所述的装置，其中，

所述信号强度转换算法包括：y＝x*k+b；

其中，y为第一下行信号强度值，x为第一上行信号强度值，k和b都为系数。

13.如权利要求11所述的装置，所述第一下行信号信息包括：第一下行时间提前量TA信息；所述第一上行信号信息包括：第一上行时间提前量TA信息；

所述信息获得模块，还用于从所述第一上行信号信息中提取所述第一上行TA信息，将所述第一下行TA信息设置为与所述第一上行TA信息相同。

14.如权利要求13所述的装置，其中，

所述样本获得模块，用于将与所述IoT终端相对应的第一下行信号强度信息、第一下行TA信息、第一室内位置信息作为与此IoT终端相对应的室内锚点训练样本；基于多个所述IoT终端的室内锚点训练样本建立室内锚点样本库。

15.如权利要求14所述的装置，其中，

所述模型训练模块，用于采用所述机器学习算法对所述室内锚点样本库中的所述室内锚点训练样本进行训练，得到所述室内定位模型；其中，将第一下行信号强度信息、第一下行TA信息作为所述机器学习算法的输入值，将第一室内位置信息作为所述机器学习算法的输出值；所述机器学习算法包括：梯度提升决策树GBDT算法；所述室内定位模型包括：梯度提升决策树GBDT模型。

16.如权利要求15所述的装置，其中，

所述终端定位模块，用于获取所述移动终端上传至基站的测量报告MR消息，从所述MR消息中提取所述第二下行信号信息；其中，所述第二下行信号信息包括：第二下行信号强度信息、第二下行TA信息。

17.如权利要求16所述的装置，其中，

所述终端定位模块，用于将与所述移动终端相对应的第二下行信号强度信息、第二下行TA信息输入所述室内定位模型，获得所述室内定位模型输出的与此移动终端相对应的所述第二室内位置信息；其中，所述第一室内位置信息和所述第二室内位置信息包括：安装点经纬度、安装点楼层信息。

18.一种网络系统，包括：

如权利要求10至17任一项所述的室内终端定位装置。

19.一种室内终端定位装置，包括：

存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至9中任一项所述的方法。

20.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被一个或多个处理器执行时实现权利要求1至9任意一项所述的方法的步骤。

Images