CN111741526B - 定位方法、装置、电子设备以及计算机存储介质 - Google Patents

Abstract

本申请提供了一种定位方法、装置、电子设备以及计算机存储介质，涉及计算机技术领域。该方法包括：根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息；通过预置模型，基于特征信息对用户设备进行分类，并基于分类结果，从至少两个定位模块中确定与用户设备对应的目标定位模块；基于目标定位模块的特征信息，对用户设备进行定位。本申请可以基于预置模型对用户设备进行分类，从而提升用户设备分类的精确度。

Description

定位方法、装置、电子设备以及计算机存储介质

技术领域

本申请涉及计算机领域，具体而言，本申请涉及一种定位方法、装置、电子设备以及计算机存储介质。

背景技术

用户设备(User Equipment，UE)的定位涉及人们生活的方方面面，当用户设备处于多个定位模块的信号覆盖范围内时，用户设备可以从多个定位模块中选择定位模块进行定位。

由于用户设备在大多数的定位模块分布场景下，选择特定类型的定位模块进行定位时定位精度会比较高，目前，无论用户设备何种定位模块分布场景，一般会默认选择该特定类型的定位模块进行定位，但是，这种定位方式对于一些特殊的定位模块分布场景，定位精确度是很低的。

发明内容

本申请提供了一种定位方法、装置、电子设备以及计算机存储介质，可以解决现有技术中存在的问题。

本申请实施例提供的技术方案如下：

本申请的第一方面提供了一种定位方法，包括：

根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息；

通过预置模型，基于特征信息对用户设备进行分类，并基于分类结果，从至少两个定位模块中确定与用户设备对应的目标定位模块；

基于目标定位模块的特征信息，对用户设备进行定位。

在一种可选的实施方式中，通过预置模型，基于特征信息对用户设备进行分类，包括：

通过预置模型，确定特征信息是否满足预置模型中预定义的参数条件，并基于确定结果对用户设备进行分类。

在一种可选的实施方式中，特征信息包括以下至少一项：

定位模块的位置、定位模块的信号覆盖半径、定位模块的置信度、定位模块的信号强度、定位模块到其他定位模块的距离、定位模块的信号覆盖半径与距离的差值。

在一种可选的实施方式中，通过预置模型，基于参数信息对用户设备进行分类之前，方法还包括：

训练得到预置模型；

其中，训练得到预置模型，包括：

获取多个样本用户设备的样本定位数据及相应的分类标注信息；

将样本定位数据及相应的分类标注信息输入至初始模型，通过调整初始模型中的初始参数条件对初始模型进行训练，当调整参数条件后的模型输出的分类结果与相应的分类标注信息之间的误差满足预置精确度条件时，将训练后的模型作为预置模型。

在一种可选的实施方式中，获取多个样本用户设备的样本定位数据及相应的分类标注信息，包括：

从预设的定位日志中提取多个样本定位结果；

基于各个样本定位结果，从预设的定位模块离线库中查询，确定与各个样本定位结果对应的样本用户设备搜索到的至少两个样本定位模块以及各个样本定位模块相应的样本特征信息；

根据样本定位结果，将每个样本用户设备对应的样本特征信息作为一条样本定位数据，进行分类标注。

在一种可选的实施方式中，根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块及其分别对应的特征信息，包括：

根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块；

从相应的预置的定位模块离线库中，分别获取与至少两个定位模块对应的特征信息。

在一种可选的实施方式中，根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块，包括以下任一项：

根据定位请求中携带的至少两个定位模块分别对应的标识，确定用户设备搜索到的至少两个定位模块；

根据定位请求中携带的用户设备标识以及预置的用户设备标识与定位模块的对应关系，确定用户设备搜索到的至少两个定位模块。

在一种可选的实施方式中，至少两个定位模块中包括基站定位模块和WiFi定位模块。

在一种可选的实施方式中，确定用户设备搜索到的至少两个定位模块，包括：

若用户设备搜索到的WiFi定位模块满足预置条件时，则确定用户设备搜索到的一个基站模块及至少一个WiFi定位模块；

其中，预置条件包括以下任一项：

WiFi定位模块的数量小于预置数量；

WiFi定位模块的数量大于预置数量，且WiFi定位模块的特征信息不满足预置特征条件。

本申请的第二方面提供了一种定位装置，包括：

第一确定模块，用于根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息；

第二确定模块，用于通过预置模型，基于特征信息对用户设备进行分类，并基于分类结果，从至少两个定位模块中确定与用户设备对应的目标定位模块；

用户设备定位模块，用于基于目标定位模块的特征信息，对用户设备进行定位。

在一种可选的实施方式中，第二确定模块，具体用于：

通过预置模型，确定特征信息是否满足预置模型中预定义的参数条件，并基于确定结果对用户设备进行分类。

在一种可选的实施方式中，特征信息包括以下至少一项：

定位模块的位置、定位模块的信号覆盖半径、定位模块的置信度、定位模块的信号强度、定位模块到其他定位模块的距离、定位模块的信号覆盖半径与距离的差值。

在一种可选的实施方式中，该装置还包括训练模块，在第二确定模块通过预置模型，基于参数信息对用户设备进行分类之前，训练模块，用于训练得到预置模型；

其中，训练模块，具体用于：

获取多个样本用户设备的样本定位数据及相应的分类标注信息；

将样本定位数据及相应的分类标注信息输入至初始模型，通过调整初始模型中的初始参数条件对初始模型进行训练，当调整参数条件后的模型输出的分类结果与相应的分类标注信息之间的误差满足预置精确度条件时，将训练后的模型作为预置模型。

在一种可选的实施方式中，训练模块在获取多个样本用户设备的样本定位数据及相应的分类标注信息时，具体用于：

从预设的定位日志中提取多个样本定位结果；

基于各个样本定位结果，从预设的定位模块离线库中查询，确定与各个样本定位结果对应的样本用户设备搜索到的至少两个样本定位模块以及各个样本定位模块相应的样本特征信息；

根据样本定位结果，将每个样本用户设备对应的样本特征信息作为一条样本定位数据，进行分类标注。

在一种可选的实施方式中，第一确定模块，具体用于：

根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块；

从相应的预置的定位模块离线库中，分别获取与至少两个定位模块对应的特征信息。

在一种可选的实施方式中，第一确定模块在根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块时，具体用于执行以下任一项操作：

根据定位请求中携带的至少两个定位模块分别对应的标识，确定用户设备搜索到的至少两个定位模块；

根据定位请求中携带的用户设备标识以及预置的用户设备标识与定位模块的对应关系，确定用户设备搜索到的至少两个定位模块。

在一种可选的实施方式中，至少两个定位模块中包括基站定位模块和WiFi定位模块。

在一种可选的实施方式中，第一确定模块在确定用户设备搜索到的至少两个定位模块时，具体用于：

若用户设备搜索到的WiFi定位模块满足预置条件时，则确定用户设备搜索到的一个基站模块及至少一个WiFi定位模块；

其中，预置条件包括以下任一项：

WiFi定位模块的数量小于预置数量；

WiFi定位模块的数量大于预置数量，且WiFi定位模块的特征信息不满足预置特征条件。

本申请实施例的第三方面，提供了一种电子设备，该电子设备包括存储器和处理器；存储器中存储有计算机程序；处理器用于在运行计算机程序时执行第一方面及其可选的实施方式中任一项的方法。

本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现第一方面及其可选的实施方式中任一项的方法。

本申请实施例所提供的方案的有益效果在于：

可以根据用户设备发送的定位请求，确定该用户设备搜索到的至少两种定位模块分别对应的特征信息，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息，从而可以通过预置模型，基于该特征信息对用户设备进行分类，并基于分类结果从至少两个定位模块中确定与用户设备对应的目标定位模块，基于该目标定位模块的特征信息可以对用户设备进行定位，可见，本申请可以基于特征信息和预置模型确定目标定位模块后基于目标定位模块对用户设备进行定位，而不是选择一种特定类型的定位模块进行定位，这种定位方式无论用户设备处于何种定位模块分布场景，定位的精确度均较高，可适用于多种定位模块分布场景。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请定位方法的一个实施例示意图；

图2为本申请预置模型的构建过程的示意图；

图3为本申请样本标签生成模块分类标注的示意图；

图4为申请预置模型的分类预测过程的实施例示意图；

图5为本申请预置模型的分类预测过程的场景示意图；

图6本申请定位装置的结构示意图；

图7为本申请电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“其”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

为解决现有的定位方式在特殊的定位模块分布场景下定位精确度不高的问题，本申请提出了一种定位方法，可以通过预先训练的预置模型对用户设备进行分类，并基于分类结果确定针对该用户设备进行定位的目标定位模块，从而进行该用户设备的定位，为了更好的对本申请实施例中的方案进行说明，下面首先对本申请涉及的相关技术术语进行介绍和解释：

本申请中的预置模型可以是决策树(或分类树)模型，决策树是一种树形结构，其中每个节点(包括根节点和叶子结点，最上层节点为根节点)表示一个特征上的测试，根据测试输出结果选择分叉路径，每个节点对应一种类别(或本申请中可以每个节点对应一种类别，也可以只限定最后一级叶子节点对应一个类别)。决策树的训练样本中，每个样本都有一组特征和一个类别，可以通过学习得到一个分类器，从而构建决策树，决策树能够对新出现的对象(例如本申请中具有新的特征信息的用户设备)给出正确的分类。

特征可以用于表征被分类对象，可以是被分类对象的参数。

为使本申请的目的、技术方案和优点更加清楚，对本申请实施方式作进一步地详细描述，下面请参照图1，本申请定位方法的一个实施例示意图，本申请的方案可以由定位设备执行，该定位设备具体可以是服务器，服务器可以是实体服务器，也可以是虚拟的服务器，本申请的定位方法具体包括：

步骤S101、根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息；

服务器接收到用户设备发送的定位请求后，可以基于该定位请求确定该用户设备搜索到的至少两个定位模块，并确定至少两个定位模块中每个定位模块分别对应的特征信息，至少两个定位模块中包括第一定位模块和第二定位模块，第一定位模块和第二定位模块是两种不同类型的定位模块，至少两个定位模块的特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块的交互特征信息，其中，该交互特征信息既可以理解为第一定位模块对应的特征信息，也可以理解为第二定位模块对应的特征信息。

用户设备可以是移动设备，例如手机、平板电脑、智能手表等，也可以是固定设备，例如固定位置的电脑等。

定位模块可以是用户设备接入网络的接入点，可以是实体模块，也可以是虚拟的功能模块，用户设备搜索到的(或扫描到)至少两个定位模块，即表示用户设备在该至少两个定位模块中各定位模块的信号覆盖范围内，用户设备搜索到的至少两个定位模块包括：用户设备搜索到的、并显示在用户设备的搜索列表中的定位模块以及用户设备搜索到的、但并不会显示在用户设备的搜索列表中的定位模块，例如，用户设备是某一定位模块黑名单中的用户设备，则该用户设备即使搜索到该定位模块也不会将该定位模块显示在搜索列表中。

如上述至少两个定位模块包括属于至少两种类型的第一定位模块和第二定位模块，不同类型的定位模块所对应的定位技术原理是不同的，反之，若两个或两个以上定位模块属于同一类型，则表示这两个或两个以上定位模块虽然是不同的定位模块，但是对应的定位技术原理是一样的。

步骤S102、通过预置模型，基于特征信息对用户设备进行分类，并基于分类结果，从至少两个定位模块中确定与用户设备对应的目标定位模块；

服务器将用户设备搜索到的至少两个定位模块中各定位模块分别对应的特征信息、共同作为一组特征信息输入至服务器的预置模型中，预置模型可以基于该组特征信息进行测试确定该组特征信息对应的类别，则该类别即为用户设备对应的类别，从而可以得到用户设备的分类结果。

服务器可以基于该分类结果所指示的类别，从用户设备可搜索到的至少两个定位模块中确定该类别对应的目标定位模块，即为与用户设备对应的目标定位模块。

步骤S103、基于目标定位模块的特征信息，对用户设备进行定位。

服务器可以基于目标定位模块的特征信息，对用户设备进行定位，确定用户设备的定位信息，用户设备的定位信息一般为用户设备的经纬度信息，服务器可以向用户设备返回该经纬度信息。

本申请可以根据用户设备发送的定位请求，确定该用户设备搜索到的至少两种定位模块分别对应的特征信息，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息，从而可以通过预置模型，基于该特征信息对用户设备进行分类，并基于分类结果从至少两个定位模块中确定与用户设备对应的目标定位模块，基于该目标定位模块的特征信息可以对用户设备进行定位，可见，本申请可以基于特征信息和预置模型确定目标定位模块后基于目标定位模块对用户设备进行定位，而不是选择一种特定类型的定位模块进行定位，这种定位方式无论用户设备处于何种定位模块分布场景，定位的精确度均较高，可适用于多种定位模块分布场景。

进一步的，在本实施例中，特征信息包括以下至少一项：

定位模块的位置、定位模块的信号覆盖半径、定位模块的置信度、定位模块的信号强度、定位模块到其他定位模块的距离、定位模块的信号覆盖半径与距离的差值。

在本实施例中，定位模块的位置可以理解为定位模块作为用户设备接入网络的接入点所在的位置，或理解为定位模块对应的网络信号的发射位置。

定位模块的信号覆盖半径即为定位模块对应的网络信号的覆盖半径，基于该覆盖半径可以确定该定位模块的信号覆盖范围，信号覆盖范围可以是圆形范围或球形范围。

定位模块的置信度也可以称之为定位模块的置信度分数，用于表征定位模块的位置的可信程度。

定位模块到其他定位模块的距离指的是定位模块到用户设备可搜索到的至少两个定位模块中、不同于该定位模块的其他定位模块的相对距离，可见，若至少两个定位模块的个数为两个以上，则该距离的个数为两个或两个以上，例如有A至D四个定位模块，A定位模块到其他定位模块的距离包括：A定位模块分别与B定位模块、C定位模块以及D定位模块的相对距离。一个定位模块的多个距离分别作为多个特征，一一对应一个节点。

定位模块的信号覆盖半径与距离的差值本申请定义为定位模块的覆盖距离，后续实施例中的覆盖距离均指该差值，如上述若定位模块到其他定位模块的距离可以是两个以上，该差值的个数也可以是两个以上。一个定位模块的多个差值分别作为多个特征，一一对应一个节点。

在本实施例中，预置模型基于特征信息对用户设备进行分类时，所用到的特征信息一般包括定位模块的信号覆盖半径、定位模块的置信度、定位模块的信号强度、定位模块到其他定位模块的距离、定位模块的信号覆盖半径与距离的差值中至少一项，具体而言：

需要说明的是，本申请实施例中的至少两个定位模块中包括基站定位模块和WiFi(Wireless Fidelity，无线局域网)定位模块。

定位模块的信号覆盖半径：定位模块的信号覆盖半径可以用来衡量待定位的用户设备是否在该定位模块的信号覆盖范围内，一般，若用户设备不在定位模块的信号覆盖范围，则基于该定位模块对用户设备进行定位时，定位精确度是很低的，可见，定位模块的信号覆盖可用于预置模型对用户设备进行分类，确定对用户设备进行定位的定位模块；

定位模块的信号强度：定位模块的信号强度越强，表示该定位模块离待定位的用户设备越近，选择离该用户设备近的定位模块进行定位时定位的精确度较高，可见，定位模块的信号强度可用于预置模型对用户设备进行分类，确定对用户设备进行定位的定位模块；

定位模块到其他定位模块的距离：一般来说基站定位模块的信号覆盖范围比WiFi定位模块的信号覆盖范围大，若待定位的用户设备同时搜索到基站和WiFi，但是该WiFi和该基站的相对距离又比较大，则很可能是该用户设备在移动过程中移动前连接到某一WiFi，但是移动后还没有断开与该WiFi的连接，这种情况下，选择基站定位模块定位时定位精确度较高，可见，定位模块到其他定位模块的距离可用于预置模型对用户设备进行分类，确定对用户设备进行定位的定位模块；

定位模块的信号覆盖半径与距离的差值：一般而言WiFi的定位精确度高于基站，若该定位模块为基站定位模块，距离为基站定位模块到WiFi定位模块的距离，该差值大于0时，表示WiFi定位模块在基站定位模块的信号覆盖范围内，这时选择WiFi定位模块定位，定位精确度更高，可见，定位模块对应的差值可用于预置模型对用户设备进行分类，确定对用户设备进行定位的定位模块；

定位模块的置信度：具体指的是WiFi定位模块的置信度，当多个用户设备均搜索到同一WiFi定位模块时，多个用户设备中各用户设备均上报该WiFi定位模块的位置，服务器可以基于多个用户设备上报的位置确定出WiFi定位模块的最终位置以及该最终位置对应的置信度，如上述定位模块的置信度可以表征定位模块的位置(即所确定的该最终位置)的可信程度，而定位模块的位置会影响定位结果的精确度，可见，定位模块的置信度可用于预置模型对用户设备进行分类，确定对用户设备进行定位的定位模块；

在本实施例中，可以基于预置模块所适用的不同场景以及特征的评价指标，确定本申请预置模块分类时所用到的特征，不同场景指的是不同的基站和WiFi个数的场景，特征的评价指标指的是特征针对模型分类结果的重要程度打分。

在本实施例中，对用户设备进行分类时，这些特征之间具有优先级，优先级越高表示与分类结果的关联性越强，特征越重要，基于特征的优先级从高到低可以将特征分别设置在决策树的根节点、第一级叶子节点、直至最后一级叶子节点，其中，优先级排序靠前的几个特征的优先级顺序从高到低为：WiFi定位模块的覆盖距离、基站定位模块的覆盖距离、WiFi定位模块的信号覆盖半径、WiFi定位模块的信号强度、WiFi与基站的相对距离。

在本实施例中，目标定位模块的特征信息用于对用户设备进行定位时，目标定位模块的特征信息一般包括定位模块的位置。

在本申请的实施例中，如上述至少两个定位模块中包括基站定位模块和WiFi定位模块，基站定位模块和WiFi定位模块由于所采用的定位技术原理不同，是两种不同类型的定位模块，基于此，下面分别从预置模型的训练和预置模型的分类预测两个方面详细说明本申请的方案。

(一)预置模型的训练过程。

图2为预置模型的构建过程的实施例示意图，参照图2，本申请预置模型的构建包括：

步骤S102通过预训练的模型，基于参数信息对用户设备进行分类之前，该方法还包括：

训练得到预置模型；

其中，训练得到预置模型，包括：

获取多个样本用户设备的样本定位数据及相应的分类标注信息；

将样本定位数据及相应的分类标注信息输入至初始模型，通过调整初始模型中的初始参数条件对初始模型进行训练，当调整参数条件后的模型输出的分类结果与相应的分类标注信息之间的误差满足预置精确度条件时，将训练后的模型作为预置模型。

在本实施例中，模型的训练过程整体流程可以包括如下模块：样本标签生成模块，特征生成模块和离线模型训练模块。样本标签生成模块，特征生成模块和离线模型训练模块可以是服务器中的功能模块，其中，样本标签生成模块用于对样本定位数据打标签，标记分类的类别；特征生成模块用于构建和选择重要的特征，进行特征工程处理；最后训练样本集合生成后，使用机器学习模型进行建模分析。

1、样本标签生成模块以及特征生成模块

在本申请的实施例中，获取多个样本用户设备的样本定位数据及相应的分类标注信息，可以包括：

从预设的定位日志中提取多个样本定位结果；

基于各个样本定位结果，从预设的定位模块离线库中查询，确定与各个样本定位结果对应的样本用户设备搜索到的至少两个样本定位模块以及各个样本定位模块相应的样本特征信息；

根据样本定位结果，将每个样本用户设备对应的样本特征信息作为一条样本定位数据，进行分类标注。

在本实施例中，样本标签的生成依赖于定位日志和定位模块离线库(包括基站离线库和WiFi离线库)的融合，具体的：

第一步：样本标签生成模块确定样本定位结果：样本标签生成模块可以从预设的多个样本用户设备分别对应的定位日志中、提取各样本用户设备的样本定位结果，该定位结果可以是样本的全球定位系统(Global Positioning System，GPS)定位数据。

第二步：特征生成模块从定位模块离线库中提取样本特征信息：服务器(样本标签生成模块或特征生成模块)可以基于样本定位日志或样本用户设备对应的样本定位请求确定样本用户设备所搜到的至少两个定位模块(即基站与WiFi列表)，基站与WiFi列表中包括样本用户设备搜索到的至少两个定位模块的标识，特征生成模块可以基于该基站和WiFi列表，查询定位模块离线库，定位模块离线库中存储有各定位模块的标识以及与各定位模块的标识分别对应的特征信息，特征生成模块可以确定样本用户设备搜索到的至少两个定位模块以及各定位模块相应的样本特征信息，将该样本特征信息作为一组样本特征信息，例如样本用户设备搜索到m个定位模块，则m个定位模块分别对应的特征信息作为一组样本特征信息，m为大于0的整数，可见，该样本用户设备对应的一组特征信息与该样本用户设备的样本定位结果相对应。

第三步：打标签：样本标签生成模块将每个样本用户设备对应的一组样本特征信息作为一条样本定位数据，基于对应的样本定位结果，对样本定位数据进行分类标注。

如上述，定位模块包括基站定位模块和WiFi定位模块，基于此，针对第二步中样本标签生成模块可以基于样本定位日志或样本用户设备对应的样本定位请求确定样本用户设备所搜到的至少两个定位模块，有如下两种可实现方式：1、针对样本用户设备的位置变化的场景，样本用户设备的基站与WiFi列表也是随样本用户设备的位置变化而发生变化的，这种情况下，样本用户设备搜索到的基站与WiFi列表是样本用户设备主动上报给样本标签生成模块的，具体而言：样本用户设备的定位日志是基于样本标签生成模块对样本用户设备的定位请求处理得到的，定位请求中携带有样本用户设备搜索到的基站与WiFi列表，样本标签生成模块可以基于该定位请求中的基站与WiFi列表，从而确定相应的基站与WiFi。2、针对样本用户设备是位置固定或较长时间周期后变化的场景，样本用户设备的基站与WiFi列表一般而言是固定的，这种情况下，用户设备的位置固定的场景也可以由用户设备主动上报基站与WiFi列表样本(实现方式参照上述相关论述)，用户设备搜索到的基站与WiFi列表也可以是样本标签生成模块自己确定的，具体而言：样本用户设备的定位日志(或样本用户设备的定位请求)中携带有样本用户设备的标识，样本标签生成模块中预置了用户设备标识与定位模块的对应关系，则样本标签生成模块可以基于该样本用户设备的标识确定样本用户设备对应的基站与WiFi列表，从而确定相应的基站与WiFi。

针对第三步中基于对应的样本定位结果，对样本定位数据进行分类标注，包括：对于任一样本用户设备的样本定位结果，样本标签生成模块确定该样本用户设备搜索到的至少两个定位模块(或基站与WiFi列表)后，可以从定位模块离线库中查询该样本用户设备搜索到的至少两个定位模块的位置，从而基于该样本用户设备的样本定位结果以及该样本用户设备搜索到的至少两个定位模块的位置，可以确定基站与WiFi列表中的、与该样本定位结果距离最近的样本目标定位模块，将目标定位模块对应的类别作为样本定位数据的类别。

一种可能的场景是，例如在样本用户设备可搜索到的WiFi数量较少的定位场景中，定义WiFi的数量低于k个，因此分别存在WiFi数量为1个，2个，3个直至k个等情况(k为大于3的整数)，对于WiFi数量为1个的场景，样本用户设备的类别真值为两类，选择基站定位，或选择WiFi定位；在本申请中以WiFi数量为2场景为代表进行介绍，如下图3，样本类别根据各个基站、WiFi距离样本用户设备的样本定位结果(即图3中样本GPS)的远近定义类别，如样本定位结果距离WiFi-1比较近，WiFi-1为目标定位模块，在该条样本类别标记为0，如样本定位结果距离WiFi-2比较近，WiFi-2为目标定位模块，在该条样本类别标记为1，如样本定位结果距离基站比较近，基站为目标定位模块，在该条样本类别标记为2，则该场景下该问题描述为三分类问题。

在本实施例中，第二步特征生成模块提取的特征信息分为三方面：基站特征，WiFi特征，基站与WiFi的交互特征，可以从多种维度对该条样本进行表示。其中基站特征包括基站的信号覆盖半径、基站的置信度分数、基站的信号强度等，WiFi特征包括WiFi的信号覆盖半径、WiFi的置信度分数、WiFi的信号强度等，交互特征包括基站与WiFi的相对距离、基站信号覆盖半径与该距离的差值以及WiFi覆盖半径与该距离的差值。

在本实施例中，服务器可以从基站离线库中获取基站定位模块的位置、信号覆盖半径以及置信度；可以从WiFi离线库中获取WiFi定位模块的位置、信号覆盖半径以及置信度；服务器基于基站定位模块的位置和WiFi定位模块的位置，可以确定基站定位模块的位置和WiFi定位模块的相对距离；服务器基于该相对距离以及基站定位模块的信号覆盖半径可以确定基站对应的半径与相对距离的差值(即基站覆盖距离)；服务器基于该相对距离以及WiFi定位模块的信号覆盖半径可以确定WiFi对应的半径与相对距离的差值(即WiFi覆盖距离)。

用户设备发送定位请求给服务器时，该定位请求中携带有用户设备的环境日志，服务器可以从环境日志中确定基站定位模块的信号强度以及WiFi定位模块的信号强度。

2、离线模型训练模块

样本用户设备的样本定位数据及相应的分类标注信息可以作为训练样本集合(即图2中训练样本集合生成)，将训练样本集合划分为训练集、验证集和测试集(即图2中数据集划分)，训练集，验证集和测试集的比例可以由用户设置。

关于训练集：决策树也是一种机器学习模型，训练集用于调节机器学习模型的普通参数，离线模型训练模块可以将训练集输入至初始模型，可以调节初始模型中的初始参数条件(初始参数条件可以由用户设置)，从而对初始模型进行训练，当调整参数后的模型输出的分类结果与相应的分类标注信息之间的误差满足预置的精确度条件时，可以将训练后的模型作为该预置模型；

在本实施例中，参数条件可以是特征对应的门限值或门限范围，需要调整参数条件的特征包括：定位模块的信号覆盖半径、定位模块的置信度、定位模块的信号强度、定位模块到其他定位模块的距离、定位模块的信号覆盖半径与距离的差值中至少一项；

如上述决策树包括根节点和多个叶子节点，各节点对应一个特征，一般根节点对应的特征多个特征中最重要的、需要优先考虑的特征或者说对分类结果影响最大的特征，根节点后一级叶子节点对应的特征即为相对重要的特征，依次类推，即越靠近根节点的叶子节点对应的特征越重要，模型的训练过程还可以训练各节点对应的特征。

关于验证集：验证集用于调节机器学习模型的超参数，决策树的超参数包括决策树的深度、最大叶子节点数、最小叶子节点数、样本量的大小等；

关于测试集：经过训练集和验证集进行模型训练调参后，可以输出预置模型，测试集可以对预置模型进行测试，评估模型的性能。

在本申请中采用决策树模型，该模型具有比较强的鲁棒性，能够很好处理一些异常数据，同时该模型可以解析出数据中的重要信息，泛化能力也不错。

同时，该模型可以学习对于分类比较重要的特征，构建对应多个特征的树形模型，模型分类的精确度也比较高。

(二)预置模型对用户设备的分类预测过程。

离线模型训练好后，便可以进行线上预测，线上实时预测流程如下图4所示：

线上实时预测流程涉及定位解析模块、特征生成模块(模型分类预测阶段的特征生成模块与模型训练阶段的特征生成模块可以是同一模块，也可以是不同模块)以及模型预测模块，定位解析模块，特征生成模块以及模型预测模块可以是服务器中的功能模块。其中定位解析模块用于确定基站与WiFi列表中包含的基站和WiFi，并关联到基站离线库和WiFi离线库，从而从基站离线库中获取基站与WiFi列表中基站定位模块对应的特征信息，以及从WiFi离线库中获取基站与WiFi列表中WiFi定位模块对应的特征信息，并基于基站定位模块的特征信息和WiFi定位模块的特征信息生成基站定位模块和WiFi定位模块的交互特征信息；特征生成模块用于输出相关的特征信息；模型预测模块输出最后的定位结果。

1、定位解析模块与特征生成模块

在本申请的实施例中，上述步骤S102中根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块及其分别对应的特征信息，可以包括：

根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块；

从相应的预置的定位模块离线库中，分别获取与至少两个定位模块对应的特征信息。

定位解析模块接收到用户设备发送的定位请求后，可以根据用户设备发送的定位请求中携带的用于确定定位模块的相关数据，确定用户设备对应的基站与WiFi列表，该基站与WiFi列表中包括用户设备搜索到的至少两个定位模块分别对应的标识；

特征生成模块可以基于定位解析模块确定的基站与WiFi列表中各定位模块的标识关联到基站离线库与WiFi离线库，从基站离线库与WiFi离线库中，获取与至少两个定位模块分别对应的特征信息(对应图4中生成特征)，获取特征信息的方式可以参照上述实施例中模型训练阶段获取特征信息的方式，可以从WiFi离线库中获取获取WiFi定位模块的特征信息以及从基站离线库中获取基站定位模块的特征信息，并确定基站定位模块与WiFi定位模块的交互特征信息，同时从定位请求的环境日志中确定基站定位模块的信号强度以及WiFi定位模块的信号强度。

在本申请的实施例中，根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块，包括以下任一项：

根据定位请求中携带的至少两个定位模块分别对应的标识，确定用户设备搜索到的至少两个定位模块；

根据定位请求中携带的用户设备标识以及预置的用户设备标识与定位模块的对应关系，确定用户设备搜索到的至少两个定位模块。

可以参照模型训练过程中确定用户设备搜索到的至少两个定位模块的过程，同样的，本实施例中1、针对样本用户设备的位置变化的场景，定位请求中携带的用于确定定位模块的相关数据即为定位请求中携带的用户设备搜索到的基站与WiFi列表，从而基于该基站与WiFi列表确定用户设备搜索到的至少两个定位模块；2、针对样本用户设备的位置固定或较长时间周期后变化的场景，定位请求中携带的用于确定定位模块的相关数据即为用户设备标识或基站与WiFi列表，若相关数据为用户设备标识，服务器中预设置有用户设备标识与定位模块的对应关系，从而定位解析模块可以基于用户设备标识确定基站与WiFi列表后，基于该基站与wif列表确定该用户设备搜索到的至少两个定位模块；若相关数据为基站与WiFi标识，则服务器直接基于该基站与WiFi列表确定用户设备搜索到的至少两个定位模块。(对应图4中，解析cell与WiFi，cell指小区基站)。

2、模型预测模块

接收到特征生成模块发送的特征信息后，根据线下已经训练好的预置模型对该用户设备进行分类，从而确定出对用户设备进行定位的基站或WiFi，基于该基站或WiFi的位置，得到用户设备的经纬度信息，并将该经纬度信息返回给用户。

在本实施例中，在本申请的实施例中，步骤S103中通过预置模型，基于特征信息对用户设备进行分类，可以包括：

通过预置模型，确定特征信息是否满足预置模型中预定义的参数条件，并基于确定结果对用户设备进行分类。

预置模型是预先训练得到的，预置模块中预定义了参数条件(该参数条件即模型训练过程中调整后的初始参数条件)，参数条件也可以称之为特征条件，即针对特征信息中预置模型预测所用到的特征分别设置的条件，预置模型可以对各特征进行测试，判断各特征是否满足对应的特征条件，若是，进入一个分支，若否，进入另一个分支，依次类推，直至测试到最后一级叶子节点对应的特征，最终得到用户设备的分类结果。

需要说明的是，本申请的方案适用于特殊的定位模块分布场景，具体而言：

确定用户设备搜索到的至少两个定位模块，包括：

若用户设备搜索到的WiFi定位模块满足预置条件时，则确定用户设备搜索到的一个基站模块及至少一个WiFi定位模块；

其中，预置条件包括以下任一项：

WiFi定位模块的数量小于预置数量；

WiFi定位模块的数量大于预置数量，且WiFi定位模块的特征信息不满足预置特征条件。

1、本申请的方案适用于一种少WiFi的场景下，当WiFi数量较少，若按照现有的方案选择WiFi定位，这样定位结果的精确度是很低的，而本申请的方案可以在少WiFi的场景下执行，当用户设备搜索到的WiFi定位模块的数量小于预置数量时，可以根据定位请求确定用户设备搜索到的一个基站模块及至少一个WiFi定位模块，从而执行上述模型的分类预测以及用户设备的定位过程，相对于现有的方案可以明显提升用户设备定位的精确度。

2、本申请的方案适用于一种WiFi数量足够大，但是WiFi定位模块的特征信息不满足预置特征条件(这里的特征信息可是WiFi覆盖距离，例如WiFi数量足够，但是WiFi覆盖距离小的场景，当然特征信息也可以是其他特征)的场景，预置特征条件可以不同于模型训练阶段训练得到的参数条件，该场景下若按照现有的方案选择WiFi定位，这样定位结果的精确度是很低的，而本申请的方案可以在该场景下执行，当用户设备搜索到的WiFi定位模块的数量大于预置数量，且WiFi定位模块的特征信息不满足预置特征条件时，可以根据定位请求确定用户设备搜索到的一个基站模块及至少一个WiFi定位模块，从而执行上述模型的分类预测以及用户设备的定位过程，相对于现有的方案可以明显提升用户设备定位的精确度。

如下图5所示为本申请预置模型的分类预测过程的场景示意图，以用户设备可搜索到一个WiFi和一个基站为例，对本申请的模型预测过程进行说明：

决策树可以基于用户设备对应的特征信息，依次判断特征是否满足对应的参数条件，首先，对根节点对应的特征进行测试，判断WiFi覆盖距离是否小于或等于对应的WiFi覆盖距离的门限值，基于判断结果对下一级叶子节点对应的特征进行测试，一种可能的情况是，若根节点的判断结果为是，则针对对应分支的第一级叶子节点对应的特征进行测试，判断基站覆盖距离是否小于或等于对应的基站覆盖距离的第一门限值，若第一级叶子节点的判断结果为是，则针对对应分支的第二级叶子节点对应的特征进行测试，判断基站覆盖距离是否小于或等于对应的基站覆盖距离的第二门限值，若第二级叶子节点的判断结果为是，则继续针对对应分支的第三级叶子节点对应的特征进行测试，直至测试到第n级叶子节点，每一个节点中对应一个分类(或最后一级叶子节点中每个叶子节点对应一个分类)，测试到第n级叶子节点后，基于第n级叶子节点的测试结果可以确定用户设备的类别(若第n级叶子节点的测试结果为是，则对应选择一个类别，若第n级叶子节点的测试结果为否，则对应选择另一个类别)，n为大于3的整数，图5中其他分支的情况同理，此处不一一赘述。

可见，在上述实例中，对于分类结果影响最大的特征是WiFi信号覆盖距离，其次为基站信号覆盖距离、WiFi信号强度等。

综上，本申请具有如下有益效果：

1、通过本申请可以很好的解决少WiFi场景下用户设备的定位，相比传统方法中采用统计特征与朴素的规则策略，模型的鲁棒性与泛化能力更强，可以有效地提升定位精度。

2、覆盖更多定位模块分布场景，对于定位请求中扫描WiFi数量在5个以上，可以将其聚集成簇，融合成一个簇作为主体进行分类选择(即将两个或两个以上定位模块对应一个分类)；

3、采用深度学习的方法，挖掘出定位场景中深层次的表示特征，模型分类预测结果更加准确，进而促进定位精度的提升。

对应于图1中所示的方法，本申请实施例还提供了一种定位装置，如图6中所示，该装置可以包括第一确定模块601、第二确定模块602以及定位模块603，其中：

第一确定模块601，用于根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息；

第二确定模块602，用于通过预置模型，基于特征信息对用户设备进行分类，并基于分类结果，从至少两个定位模块中确定与用户设备对应的目标定位模块；

用户设备用户设备定位模块603，用于基于目标定位模块的特征信息，对用户设备进行定位。

在一种可选的实施方式中，第二确定模块602，具体用于：

通过预置模型，确定特征信息是否满足预置模型中预定义的参数条件，并基于确定结果对用户设备进行分类。

在一种可选的实施方式中，特征信息包括以下至少一项：

定位模块的位置、定位模块的信号覆盖半径、定位模块的置信度、定位模块的信号强度、定位模块到其他定位模块的距离、定位模块的信号覆盖半径与距离的差值。

在一种可选的实施方式中，该装置还包括训练模块，在第二确定模块602通过预置模型，基于参数信息对用户设备进行分类之前，训练模块，用于训练得到预置模型；

其中，训练模块，具体用于：

获取多个样本用户设备的样本定位数据及相应的分类标注信息；

将样本定位数据及相应的分类标注信息输入至初始模型，通过调整初始模型中的初始参数条件对初始模型进行训练，当调整参数条件后的模型输出的分类结果与相应的分类标注信息之间的误差满足预置精确度条件时，将训练后的模型作为预置模型。

在一种可选的实施方式中，训练模块在获取多个样本用户设备的样本定位数据及相应的分类标注信息时，具体用于：

从预设的定位日志中提取多个样本定位结果；

基于各个样本定位结果，从预设的定位模块离线库中查询，确定与各个样本定位结果对应的样本用户设备搜索到的至少两个样本定位模块以及各个样本定位模块相应的样本特征信息；

根据样本定位结果，将每个样本用户设备对应的样本特征信息作为一条样本定位数据，进行分类标注。

在一种可选的实施方式中，第一确定模块601，具体用于：

根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块；

从相应的预置的定位模块离线库中，分别获取与至少两个定位模块对应的特征信息。

在一种可选的实施方式中，第一确定模块601在根据接收到用户设备发送的定位请求，确定用户设备搜索到的至少两个定位模块时，具体用于执行以下任一项操作：

根据定位请求中携带的至少两个定位模块分别对应的标识，确定用户设备搜索到的至少两个定位模块；

根据定位请求中携带的用户设备标识以及预置的用户设备标识与定位模块的对应关系，确定用户设备搜索到的至少两个定位模块。

在一种可选的实施方式中，至少两个定位模块中包括基站定位模块和WiFi定位模块。

在一种可选的实施方式中，第一确定模块601在确定用户设备搜索到的至少两个定位模块时，具体用于：

若用户设备搜索到的WiFi定位模块满足预置条件时，则确定用户设备搜索到的一个基站模块及至少一个WiFi定位模块；

其中，预置条件包括以下任一项：

WiFi定位模块的数量小于预置数量；

WiFi定位模块的数量大于预置数量，且WiFi定位模块的特征信息不满足预置特征条件。

由于本发明实施例所提供的装置为可以执行本发明实施例中相应的方法的装置，故而基于本发明实施例中所提供的方法，本领域所属技术人员能够了解本发明实施例的装置的具体实施方式以及其各种变化形式，所以在此对于该装置如何实现本发明实施例中的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中的方法所采用的装置，都属于本申请所欲保护的范围。

基于与图1中所示的方法相同的原理，本申请实施例还提供了一种电子设备，该电子设备包括存储器和处理器；存储器中存储有计算机程序；处理器用于在运行计算机程序时执行本申请任一可选实施例中所提供的方法。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时可以实现本申请任一可选实施例中所提供的方法。

作为一示例，图7中示出了本申请可以应用于的一种电子设备7000的结构示意图，该电子设备包括存储器7003和处理器7001，存储器7003中存储有计算机程序，处理器7001，用于在运行计算机程序时执行上述任一方法。

具体的,该电子设备可以是终端、服务器或其他可能的设备，图7只是示出了电子设备的一种可选的示意性结构。图7中所示的该电子设备7000的结构并不构成对本申请实施例的限定。

其中，处理器7001和存储器7003相连，如通过总线7002相连。可选地，电子设备7000还可以包括收发器7004。需要说明的是，实际应用中收发器7004不限于一个，收发器7004可以具体用于该电子设备7000与其他设备的通信。

处理器7001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请申请内容所描述的各种示例性的逻辑方框，模块和电路。处理器7001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线7002可包括一通路，在上述组件之间传送信息。总线7002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线7002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器7003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器7003用于存储执行本申请方案的应用程序代码，并由处理器7001来控制执行。处理器7001用于执行存储器7003中存储的应用程序代码，以实现上面任一方法实施例所示的内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种定位方法，其特征在于，包括：

根据接收到用户设备发送的定位请求，确定所述用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，所述至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，所述特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息，所述第一定位模块和第二定位模块交互特征信息包括第一定位模块覆盖距离、第二定位模块覆盖距离，以及所述第一定位模块与所述第二定位模块的相对距离，其中，所述第一定位模块覆盖距离为所述第一定位模块的信号覆盖半径与所述相对距离的差值，所述第二定位模块覆盖距离为所述第二定位模块的信号覆盖半径与所述相对距离的差值；

将所述至少两个定位模块中各定位模块分别对应的特征信息、共同作为一组特征信息， 通过预置模型，基于所述一组特征信息对所述用户设备进行分类，并基于分类结果，从所述至少两个定位模块中确定与所述用户设备对应的目标定位模块；

基于所述目标定位模块的特征信息，对所述用户设备进行定位。

2.根据权利要求1所述的方法，其特征在于，所述通过预置模型，基于所述特征信息对所述用户设备进行分类，包括：

通过所述预置模型，确定所述特征信息是否满足所述预置模型中预定义的参数条件，并基于确定结果对所述用户设备进行分类。

3.根据权利要求1或2所述的方法，其特征在于，所述第一定位模块特征信息包括以下至少一项：

第一定位模块的位置、第一定位模块的信号覆盖半径、第一定位模块的置信度、第一定位模块的信号强度；或者，

所述第二定位模块特征信息包括以下至少一项：

第二定位模块的位置、第二定位模块的信号覆盖半径、第二定位模块的置信度、第二定位模块的信号强度。

4.根据权利要求1或2所述的方法，其特征在于，所述通过预置模型，基于所述特征信息对所述用户设备进行分类之前，所述方法还包括：

训练得到所述预置模型；

其中，所述训练得到所述预置模型，包括：

获取多个样本用户设备的样本定位数据及相应的分类标注信息；

将所述样本定位数据及相应的分类标注信息输入至初始模型，通过调整所述初始模型中的初始参数条件对所述初始模型进行训练，当调整参数条件后的模型输出的分类结果与相应的分类标注信息之间的误差满足预置精确度条件时，将训练后的模型作为预置模型。

5.根据权利要求4所述的方法，其特征在于，所述获取多个样本用户设备的样本定位数据及相应的分类标注信息，包括：

从预设的定位日志中提取多个样本定位结果；

基于各个样本定位结果，从预设的定位模块离线库中查询，确定与各个样本定位结果对应的样本用户设备搜索到的至少两个样本定位模块以及各个样本定位模块相应的样本特征信息；

根据样本定位结果，将每个样本用户设备对应的样本特征信息作为一条样本定位数据，进行分类标注。

6.根据权利要求1或2所述的方法，其特征在于，所述根据接收到用户设备发送的定位请求，确定所述用户设备搜索到的至少两个定位模块及其分别对应的特征信息，包括：

根据接收到用户设备发送的定位请求，确定所述用户设备搜索到的至少两个定位模块；

从相应的预置的定位模块离线库中，分别获取与所述至少两个定位模块对应的特征信息。

7.根据权利要求6所述的方法，其特征在于，所述根据接收到用户设备发送的定位请求，确定所述用户设备搜索到的至少两个定位模块，包括以下任一项：

根据所述定位请求中携带的所述至少两个定位模块分别对应的标识，确定所述用户设备搜索到的至少两个定位模块；

根据所述定位请求中携带的所述用户设备标识以及预置的用户设备标识与定位模块的对应关系，确定所述用户设备搜索到的至少两个定位模块。

8.根据权利要求1或2所述的方法，其特征在于，所述至少两个定位模块中包括基站定位模块和WiFi定位模块。

9.根据权利要求6所述的方法，其特征在于，所述确定所述用户设备搜索到的至少两个定位模块，包括：

若所述用户设备搜索到的WiFi定位模块满足预置条件时，则确定所述用户设备搜索到的一个基站模块及至少一个WiFi定位模块；

其中，所述预置条件包括以下任一项：

所述WiFi定位模块的数量小于预置数量；

所述WiFi定位模块的数量大于预置数量，且所述WiFi定位模块的特征信息不满足预置特征条件。

10.一种定位装置，其特征在于，包括：

第一确定模块，用于根据接收到用户设备发送的定位请求，确定所述用户设备搜索到的至少两个定位模块分别对应的特征信息，其中，所述至少两个定位模块中包括至少两种类型的第一定位模块和第二定位模块，所述特征信息包括第一定位模块特征信息、第二定位模块特征信息以及第一定位模块和第二定位模块交互特征信息，所述第一定位模块和第二定位模块交互特征信息包括第一定位模块覆盖距离、第二定位模块覆盖距离，以及所述第一定位模块与所述第二定位模块的相对距离，其中，所述第一定位模块覆盖距离为所述第一定位模块的信号覆盖半径与所述相对距离的差值，所述第二定位模块覆盖距离为所述第二定位模块的信号覆盖半径与所述相对距离的差值；

第二确定模块，用于将所述至少两个定位模块中各定位模块分别对应的特征信息、共同作为一组特征信息， 通过预置模型，基于所述一组特征信息对所述用户设备进行分类，并基于分类结果，从所述至少两个定位模块中确定与所述用户设备对应的目标定位模块；

用户设备定位模块，用于基于所述目标定位模块的特征信息，对所述用户设备进行定位。

11.一种电子设备，其特征在于，所述电子设备包括存储器和处理器；

所述存储器中存储有计算机程序；

所述处理器，用于在运行所述计算机程序时执行权利要求1-9中任一项所述的方法。

12.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1-9中任一项所述的方法。

Images