CN111867049A - 定位方法、装置及存储介质 - Google Patents

Abstract

本申请实施例提供了一种定位方法、装置及存储介质，其中，该方法包括：获取包括多条MR数据的MR数据集合，对于该MR数据集合中的任意一条MR数据，根据该MR数据在时间上与该MR数据相邻的MR数据，确定用于描述该MR数据对应终端设备所在位置的特征信息，将该MR数据的特征信息输入到定位模型中，得到该MR数据对应终端设备的位置信息。该技术方案中，由于该定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，且确定该MR数据的特征信息时考虑了MR数据的时间先后关系对终端设备所在地理位置的影响，提升了定位精度。

Description

定位方法、装置及存储介质

技术领域

本申请涉及通信技术领域，尤其涉及一种定位方法、装置及存储介质。

背景技术

测量报告(measurement report，MR)是移动终端周期性或事件触发上报的，包含移动终端某时刻的无线环境信息，其和移动终端当前所在地理位置存在对应关系。因而，基于测量报告对移动终端进行定位，是当前对移动终端定位的常见手段。

现有技术中基于MR的移动终端定位方法中，首先获取移动终端上报的MR，基于MR携带的用户标识或用户流程呼叫详细记录(call detail record，CDR)标识选取预设时间段内的MR，并按照MR携带的时间戳信息进行排序，然后计算预设时间段内每个MR的主服务小区和最强的两个邻区所形成三角形的重心，根据每两个相邻MR的主/邻小区的三角形重心和每两个相邻MR的时间差计算移动终端的移动方向和速度，最后根据移动终端的方向和速度，对当前MR的小区电平强度进行平滑处理，最终根据平滑处理后的小区电平强度和预先建立的指纹库确定出移动终端的位置。

然而，上述移动终端的定位方法在定位过程中只考虑了每条MR的小区电平强度对移动终端定位结果的影响，存在终端设备定位精度低的问题。

发明内容

本申请实施例提供一种定位方法、装置及存储介质，以解决现有技术中终端设备定位精度低的问题。

本申请第一方面提供一种定位方法，包括：获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；对于所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；将所述MR数据的特征信息输入到定位模型中，得到所述MR数据对应终端设备的位置信息，所述定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以所述历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，所述历史位置MR数据是指携带位置信息的历史MR数据。

在本实施例中，定位设备在定位过程中基于与该MR数据具有时间先后关系的至少一条MR数据对该MR数据进行处理，得到的MR数据的特征信息可以更加准确的表征终端设备的位置信息，从而提升了定位精度。

在第一方面的一种可能设计中，在所述根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息之前，所述方法还包括：

根据所述MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对所述MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合，所述排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起；

将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合。

在本实施例中，定位设备对获取到的MR数据集合进行处理时，使具有相同用户标识的MR数据按照时间戳信息排列在一起，这样定位设备可以对排序处理后的MR数据集合中的MR数据进行特征提取时，可以将MR数据集合中每个MR数据上报的时间顺序考虑在内，为后续提取到合理、准确的特征信息奠定了基础；通过将每个时刻或者每个时间段内的MR数据进行整合，可以使得每个时刻或时间段内的特征信息更完整，从而提高了MR数据对应特征信息的准确性。

在第一方面的上述可能设计中，在所述将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合之后，所述方法还包括：

对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合，每个MR数据子集合包括：按照时间戳信息排序且具有相同用户标识的多条MR数据，每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，且每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长，所述总时长为所述MR数据子集合中最后一条MR数据与第一条MR数据的时间戳信息对应的时间差值。

在本实施例中，按照预设的通话提取策略对上述合并处理后的MR数据集合进行拆分处理，以得到多个MR数据子集合，能够在对MR数据进行特征提取时，提高特征信息的提取效率和准确度。

在第一方面的上述可能设计中，在所述对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合之后，所述方法还包括：

对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。

本实施例中，为了减少信号电平值的波动对定位精度的影响，得到稳定的信号电平值，通过对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合，从而在后续定位时提供定位精度。

在第一方面的另一种可能设计中，所述根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，包括：

根据时间上位于所述MR数据之前的至少一条MR数据、所述MR数据以及时间上位于所述MR数据之后的至少一条MR数据，形成所述MR数据对应的MR通话序列；

基于卷积神经网络和所述MR通话序列，对所述MR数据进行特征提取，得到所述MR数据的第一特征信息集合；

将所述第一特征信息集合作为所述MR数据的特征信息。

在本实施例中，由于该第一特征信息集合是基于该MR数据对应的MR通话序列得到的，其在特征提取的过程中将MR数据之间的时序关系考虑在内，增强了MR数据的特征信息的合理性和准确度，提高了定位精度。

在第一方面的这种可能设计中，所述根据所述MR数据在时间上与所述MR数据相邻的MR数据，确定所述MR数据的特征信息，还包括：

根据所述MR数据和所述MR数据对应的网络工参信息，提取所述MR数据的第二特征信息集合，所述MR数据对应的网络工参信息用于表示上报所述MR数据的终端设备所属小区的属性信息；

相应的，所述将所述第一特征信息集合作为所述MR数据的特征信息，包括：

对所述第一特征信息集合和所述第二特征信息集合进行融合，得到所述MR数据的融合特征信息；

将所述MR数据的融合特征信息作为所述MR数据的特征信息。

在本实施例中，既考虑了单条MR数据的特征信息，也考虑了基于该MR数据对应MR通话序列提取到的特征信息，其进一步增强了MR数据的合理性和准确度，为后续确定出准确的终端位置奠定了基础。

在第一方面的再一种可能设计中，所述定位模型具体是基于机器学习方法以所述历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以所述历史位置MR数据的位置标签作为输出训练得到的模型；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

可选的，所述历史位置MR数据的位置标签是对预设区域进行栅格化得到的，所述预设区域包括：上报所述历史位置MR数据的终端设备所属站点的位置确定的区域。

在本实施例中，在对历史MR数据集合进行处理时，考虑了历史位置MR数据之间的时间关系，丰富了每个历史位置MR数据的特征信息的维度，使得该定位模型可以更有效地刻画MR数据的特征信息与该MR数据对应终端设备的位置信息之间的关系，从而提升了后续的定位精度。

在第一方面的又一种可能设计中，所述定位模型具体是基于所述历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的，所述时序关系为所述历史位置MR数据的时间戳信息对应的时间先后顺序。

在本实施例中，在定位模型的训练过程中，基于历史位置MR数据在对应历史位置MR通话序列中与其他历史位置MR数据之间的时序关系，丰富了每个历史位置MR数据的特征信息的维度，使得该定位模型可以更有效地刻画MR数据的特征信息与该MR数据对应终端设备的位置信息之间的关系，同样提升了后续的定位精度。

本申请第二方面提供一种定位方法，包括：获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；对于所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；根据MR数据的特征信息，从指纹特征库中确定出与所述特征信息匹配的目标指纹文件，所述指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件；基于所述目标指纹文件和所述特征信息，确定出所述MR数据对应终端设备的位置信息。

在本实施例中，在特征提取阶段引入了时间维度，考虑了该MR数据在对应MR通话序列与其他MR数据的时序关系，丰富了特征信息的维度，提升了定位精度。

在第二方面的一种可能设计中，所述指纹特征库包括：历史位置MR数据集合中每条历史位置MR数据所在当前区域对应的指纹文件，所述指纹文件用于描述所述当前区域中每个栅格的特征信息与所述栅格的位置信息；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

在本实施例中，基于对历史MR数据集合进行处理时，考虑了历史位置MR数据之间的时间关系，丰富了每个历史位置MR数据的特征信息的维度，使得得到的指纹特征库可以更有效地刻画MR数据的特征信息与该MR数据对应终端设备的位置信息之间的关系，从而提升了后续的定位精度。

本申请第三方面提供一种定位装置，包括：获取模块、处理模块和定位模块；

所述获取模块，用于获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

所述处理模块，用于针对所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；

所述定位模块，用于将所述MR数据的特征信息输入到定位模型中，得到所述MR数据对应终端设备的位置信息，所述定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以所述历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，所述历史位置MR数据是指携带位置信息的历史MR数据。

在第三方面的一种可能设计中，所述处理模块，还用于在根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息之前，根据所述MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对所述MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合，所述排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起，以及将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合。

在第三方面的上述可能设计中，所述处理模块，还用于在将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合之后，对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合；

其中，每个MR数据子集合包括：按照时间戳信息排序且具有相同用户标识的多条MR数据，每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，且每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长，所述总时长为所述MR数据子集合中最后一条MR数据与第一条MR数据的时间戳信息对应的时间差值。

可选的，所述处理模块，还用于在对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合之后，对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。

在第三方面的另一种可能设计中，所述处理模块，具有用于根据时间上位于所述MR数据之前的至少一条MR数据、所述MR数据以及时间上位于所述MR数据之后的至少一条MR数据，形成所述MR数据对应的MR通话序列，基于卷积神经网络和所述MR通话序列，对所述MR数据进行特征提取，得到所述MR数据的第一特征信息集合，以及将所述第一特征信息集合作为所述MR数据的特征信息。

可选的，所述处理模块，还具有用于根据所述MR数据和所述MR数据对应的网络工参信息，提取所述MR数据的第二特征信息集合，以及对所述第一特征信息集合和所述第二特征信息集合进行融合，得到所述MR数据的融合特征信息，将所述MR数据的融合特征信息作为所述MR数据的特征信息；

其中，所述MR数据对应的网络工参信息用于表示上报所述MR数据的终端设备所属小区的属性信息。

在第三方面的再一种可能设计中，所述定位模型具体是基于机器学习装置以所述历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以所述历史位置MR数据的位置标签作为输出训练得到的模型；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

可选的，所述历史位置MR数据的位置标签是对预设区域进行栅格化得到的，所述预设区域包括：上报所述历史位置MR数据的终端设备所属站点的位置确定的区域。

在第三方面的又一种可能设计中，所述定位模型具体是基于所述历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的，所述时序关系为所述历史位置MR数据的时间戳信息对应的时间先后顺序。

本申请第四方面提供一种定位装置，包括：获取模块、处理模块和定位模块；

所述获取模块，用于获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

所述处理模块，用于针对所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，以及根据MR数据的特征信息，从指纹特征库中确定出与所述特征信息匹配的目标指纹文件，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息，所述指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件；

所述定位模块，用于基于所述目标指纹文件和所述特征信息，确定出所述MR数据对应终端设备的位置信息。

在第四方面的一种可能设计中，所述指纹特征库包括：历史位置MR数据集合中每条历史位置MR数据所在当前区域对应的指纹文件，所述指纹文件用于描述所述当前区域中每个栅格的特征信息与所述栅格的位置信息；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

关于第三方面和第四方面中各可能设计未详尽的有益技术效果可以参见第一方面和第二方面中的记载，此处不再赘述。

本申请第五方面提供一种定位装置，包括处理器、存储器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面以及第一方面各种可能的设计中所述的方法。

本申请第六方面提供一种定位装置，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述处理器用于调用所述计算机程序代码，执行如上述第二方面以及第二方面各种可能的设计中所述的方法。

本申请第七方面提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上述第一方面以及第一方面各种可能的设计中所述的方法。

本申请第八方面提供一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上述第二方面以及第二方面各种可能的设计中所述的方法。

本申请第九方面提供一种包含指令的程序产品，当其在计算机上运行时，使得计算机执行上述第一方面以及第一方面各种可能的设计中所述的方法。

本申请第十方面提供一种包含指令的程序产品，当其在计算机上运行时，使得计算机执行上述第二方面以及第二方面各种可能的设计中所述的方法。

本申请第十一方面提供一种芯片，所述芯片包括存储器、处理器，存储器中存储代码和数据，存储器与所述处理器耦合，处理器运行存储器中的代码使得芯片用于执行上述第一方面以及第一方面各种可能的设计中所述的方法。

本申请第十二方面提供一种芯片，所述芯片包括存储器、处理器，存储器中存储代码和数据，存储器与所述处理器耦合，处理器运行存储器中的代码使得芯片用于执行上述第二方面以及第二方面各种可能的设计中所述的方法。

本申请第十三方面提供一种通信系统，包括：定位设备和训练设备；

所述定位设备为上述第三方面以及第三方面各种可能设计中所述的装置，所述训练设备为用于训练上述第三方面以及第三方面各种可能设计中定位模型的设备。

本申请实施例提供的定位方法、装置及存储介质，通过获取包括多条MR数据的MR数据集合，对于该MR数据集合中的任意一条MR数据，根据该MR数据在时间上与该MR数据相邻的MR数据，确定用于描述该MR数据对应终端设备所在位置的特征信息，最后将该MR数据的特征信息输入到定位模型中，得到该MR数据对应终端设备的位置信息，由于该定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，且确定该MR数据的特征信息时考虑了MR数据的时间先后关系对终端设备所在地理位置的影响，提升了定位精度，解决了现有技术中终端设备定位精度低的问题。

附图说明

图1为本申请实施例提供的一种定位系统的结构示意图；

图2为本申请实施例提供的定位方法实施例一的流程示意图；

图3为本申请实施例提供的定位方法实施例二的流程示意图；

图4为本申请实施例提供的定位方法实施例三的流程示意图；

图5为本申请实施例提供的定位方法中定位模型的实现方式(1)的流程示意图；

图6为本申请实施例提供的定位方法中定位模型的实现方式(2)的流程示意图；

图7为本申请实施例提供的定位方法实施例四的流程示意图；

图8为本申请实施例提供的定位方法中指纹特征库的生成方法示意图；

图9为本申请实施例提供的训练方法的流程示意图；

图10为本申请实施例提供的定位装置实施例一的结构示意图；

图11为本申请实施例提供的定位装置实施例二的流程示意图；

图12为本申请实施例提供的定位装置实施例三的结构示意图；

图13为本申请实施例提供的一种训练设备的结构示意图；

图14为本申请实施例提供的定位装置实施例四的结构示意图；

图15为本申请实施例提供的另一种训练设备的结构示意图；

图16为本申请实施例提供的定位系统实施例的结构示意图。

具体实施方式

以下，对本申请实施例中的部分用语进行解释说明，以便于本领域技术人员理解：

在本申请实施例中，网络工程参数是在无线网络规划中用于描述站点(基站)属性信息的工程参数，该网络工程参数可以包括：站点天线位置的经纬度、天线方向性、增益、方位角、下倾角、挂高、馈线型号、站点类型(室内、室外)、各小区的电平值(例如，参考信号接收功率(reference signal receiving power，RSRP))等。

用户指的是携带可通过无线网络进行通信的终端(Terminal，即通信终端，包括但不限于手机等)的人。

值得说明的是，本申请实施例描述的无线网络以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

在本申请实施例中，将某一地理位置的指纹可以解释为该地理位置对应的测量报告所包含的信号电平值等信息。相应的，指纹库是用于进行指纹匹配定位的基准数据库。

本申请实施例中，“定位模型”也称“模型”，可以接收输入数据，并根据接收的输入数据和当前的模型参数生成预测输出。该定位模型可以是回归模型、神经网络(artificialneural network，ANN)、深度神经网络(deep neural network，DNN)、支持向量机(supportvector machine，SVM)或其他的机器学习模型等。

测量报告(measurement report，MR)数据指在业务信道上每间隔预设时间发送的一次数据，可以包括：时间戳信息、用户标识信息、经纬度(可选)、时延信息、小区标识信息、信号电平值信息、干扰信息等内容；在本申请实施例中，MR数据主要指终端设备反馈给网络设备侧的信息，携带有终端设备从服务小区、邻区接收的信号电平值、小区标识信息、用户标识信息和时间戳信息等。

在本申请实施例中，该多条MR数据组成的MR数据集合用于定位该MR数据集合中任意一条MR数据对应终端设备的位置。

历史位置MR数据指携带终端设备所在位置信息的MR数据，该历史位置MR数据主要是通过辅助全球卫星定位系统(assisted global positioning system，AGPS)、最小化路测(minimization of drive tests，MDT)、路测(drive test，DT)等方式获取到的数据。

在本申请实施例中，该多条历史位置MR数据组成的历史位置MR数据集合用于训练具有定位终端设备所在位置功能的定位模型。

应理解，上述MR数据集合中任意一条MR数据对应终端设备的位置是基于通过对历史位置MR数据集合训练得到的模型进行定位得到的。

本申请实施例中，通过对MR数据集合进行数据处理得到多个MR数据子集合，每个MR数据子集合可以包括多个样本，每个样本中可以包括用户标识信息和时间戳信息。其中，预处理可以包括数据排序、数据合并、数据拆分、数据滤波等中的一种或多种。例如，按照每条MR数据的时间戳信息对MR数据集合中的所有MR数据进行排序处理，将具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并等等。

需要说明的是，上述仅示例性地给出了一些数据处理的形式，本申请实施例还可以包括其他的处理形式，对此，本申请实施例不作限定。

本申请实施例中“MR数据的特征信息”用于描述上报该MR数据的终端设备所在小区的属性信息，可以表征终端设备上报该MR数据时的位置信息。

例如，该MR数据的特征信息可以包括：各小区接收到的信号电平值、小区标识信息、小区类型信息、小区位置信息等，这些特征信息可以用于描述终端设备的位置信息。

下面结合图1介绍本申请实施例设计的一种系统结构。图1为本申请实施例提供的一种定位系统的结构示意图。如图1所示，该定位系统可以包括：训练设备11、定位设备12、网络设备13、至少一个终端设备14、数据存储设备15。示例性的，在图1所示的定位系统中，至少一个终端设备14在接入无线网络后可以周期性或经事件触发向网络设备13上报MR数据，该网络设备13可以将接收到的MR数据存储在数据存储设备15中。

示例性的，在本实施例中，上述MR数据可以是携带位置信息的历史位置MR数据，也可以是不携带位置信息的MR数据。其中，携带位置信息的历史位置MR数据可以是至少一个终端设备14在网络评估、网规网优、虚拟路测等具体应用场景中，通过重点道路监控、用户行为识别、价值区域识别等方式获取到的，不携带位置信息的MR数据可以是日常应用中终端设备上报的MR数据。

可以理解的是，本申请实施例并不限定上述MR数据的获取方式，其可以根据实际情况确定，此处不再赘述。

在本实施例中，数据存储设备15可以存储大量用于训练定位模型的历史位置MR数据和未携带终端位置信息的MR数据，训练设备11用于基于数据存储设备15中的历史位置MR数据集合执行模型训练方法的程序代码，以训练定位模型；定位设备12用于基于数据存储设备15中未携带终端位置信息的MR数据集合执行数据处理方法的程序代码，利用处理后的MR数据集合和训练得到的定位模型得到终端设备的位置信息。

可选的，本实施例中的数据存储设备15可以是用于存储数据的数据库，其可以是一个独立的设备，也可以集成在数据平台中。

关于训练设备11训练定位模型的方法可以参见下述实施例中的相关描述，此处不再赘述。训练设备11可以将训练出的定位模型发送至定位设备12，由定位设备12基于MR数据集合和定位模型执行定位终端设备所在位置的方法，关于具体的定位方法可以参见下述实施例中的相关描述，此处不再赘述。

在本实施例中，定位设备12由一个或多个服务器实现，可选的，与其它计算设备配合，例如：数据存储、路由器、负载均衡器等设备；定位设备12可以布置在一个物理站点上，或者分布在多个物理站点上。定位设备12可以使用数据存储设备15中存储的数据，或者调用数据存储设备15中的程序代码实现本申请实施例所述的定位方法，具体地，定位设备12对于获取到的MR数据集合中的任意一个MR数据，根据该MR数据在时间上与MR数据相邻的MR数据，确定该MR数据的特征信息，再将该MR数据的特征信息输入到定位模型中，得到该MR数据对应终端设备的位置信息。

需要说明的是，附图1仅是本申请实施例提供的一种系统架构的示意图，图1中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在附图1中，数据存储设备15相对定位设备12可以是外部存储器，在其它情况下，也可以将数据存储设备15置于定位设备12中。

还需要说明的是，本申请实施例中训练设备11和定位设备12可以是同一设备，或者不同设备。训练设备11和/或定位设备12可以是终端，如手机终端，平板电脑，笔记本电脑，AR/VR，车载终端等，也可以是网络设备13，例如，无线接入设备、核心网设备，还可以是服务器或者虚拟机等，还可以是一个或多个服务器和/或计算机等组成的分布式计算机系统等，本申请实施例不作限定。

在本申请实施例中，上述终端设备14也可称之为用户设备(user equipment，UE)、移动台(mobile station，MS)、移动终端(mobile terminal)、终端(terminal)等，例如，终端设备14可以是智能手机、平板电脑、个人计算机、台式计算机、车载单元(on board unit，OBU)、虚拟现实设备、人工智能设备(例如机器人等)或智能可穿戴设备等，本申请实施例不作限定。

网络设备13可以包括各种形式的宏基站，微基站(也称为小站)，中继站，接入点等。例如，该网络设备13可以是GSM或CDMA中的基站(base transceiver station，BTS)，也可以是WCDMA中的基站(nodeB，NB)，还可以是LTE中的演进型基站(evolutional node B，eNB或e-NodeB)，以及可以是5G网络中对应的设备gNB、未来通信系统中的基站或WiFi系统中的接入节点等。本申请的实施例对网络设备13所采用的具体技术和具体设备形态不做限定。

可以理解的是，图1所示的定位系统可以是通信系统，该通信系统可以为全球移动通讯(global system of mobile communication，GSM)系统、码分多址(code divisionmultiple access，CDMA)系统、宽带码分多址(wideband code division multipleaccess，WCDMA)系统、通用分组无线业务(general packet radio service，GPRS)、长期演进(long term evolution，LTE)系统、高级的长期演进(LTE advanced，LTE-A)、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动通信系统(universal mobile telecommunication system，UMTS)，及其他应用正交频分复用(orthogonal frequency division multiplexing，OFDM)技术的无线通信系统，以及第五代移动通信(5th generation mobile networks，5G)的新空口(new radio，NR)系统，即5G NR。本申请实施例描述的系统架构进行限定。

值得说明的是，本申请的产品实现形态是包含在机器学习、深度学习平台软件中，并部署在服务器(也可以是计算云或移动终端等具有计算能力的硬件)上的程序代码。在图1所示的系统结构图中，本申请的程序代码可以存储在定位设备和训练设备内部。运行时，程序代码运行于服务器的主机内存和/或GPU内存。

下面首先针对本申请实施例适用场景进行简要说明。

示例性的，随着无线网络的大规模建设，网络结构的日趋复杂，如何打造一个网络性能、网络能力、服务指标均非常优异的精品网对网络运维优化提出了挑战。由于精品网的规划和优化、电信商业数据的挖掘等都需要精确识别用户所处网络的无线环境，因此，如何对用户持有的终端设备进行精准定位成为无线网络运维和优化过程中的关键。

再比如，随着网络设备的迅速发展，定位设备可以基于终端设备上报的MR确定出终端设备所在的位置后，基于该位置为用户定向推荐该位置周边的服务，例如，美食、娱乐等产品推荐。所以，对用户持有的终端设备进行精准定位是定向产品推荐的关键。

通常情况下，终端设备接入无线网络时可以周期性或事件触发上报测量报告MR数据，由于MR数据包含终端设备某时刻的无线环境信息，其和该终端设备当前所在地理位置存在对应关系，因而，基于测量报告对用户进行定位是现阶段对终端设备进行定位的常见手段。

现有技术中，基于MR的定位方法中可以通过指纹进行定位，某一地理位置对应的测量报告包含的信息称为该地理位置的“指纹”，根据该指纹预先建立指纹库，当对用户进行定位时，取该用户的终端设备上报的测量报告，以小区为单位，将用户上传的该小区的电平信息作为度量值，计算其与指纹库中的信息的相似性，最相似的指纹对应的地理位置，称为该用户此时的地理位置。

同理，基于背景技术中的介绍，移动终端的定位方法在定位过程中只考虑了每条MR的小区电平强度对移动终端定位结果的影响，存在定位精度低的问题，基于该问题，本申请实施例提供了一种定位方法、装置及存储介质，通过获取包括多条MR数据的MR数据集合，对于该MR数据集合中的任意一条MR数据，根据该MR数据在时间上与该MR数据相邻的MR数据，确定用于描述该MR数据对应终端设备所在位置的特征信息，最后将该MR数据的特征信息输入到定位模型中，得到该MR数据对应终端设备的位置信息，由于该定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，且确定该MR数据的特征信息时考虑了MR数据的时间先后关系对终端设备所在地理位置的影响，提升了定位精度。

本申请实施例中，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

下面，通过具体实施例对本申请的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为本申请实施例提供的定位方法实施例一的流程示意图。该定位方法可以由定位设备执行，也可以由定位设备中的处理器执行。本实施例中以定位设备执行该方法进行说明。如图2所示，该定位方法可以包括如下步骤：

步骤21：获取测量报告MR数据集合，该MR数据集合包括：多条MR数据。

在本实施例中，定位设备可以在外部应用的触发下执行该定位方法。具体的，定位设备首先获取至少一个终端设备的MR数据集合。具体的，定位设备可以直接从数据存储设备获取终端设备上报的MR数据集合，也可以从网络设备获取终端设备的MR数据集合，而且，不同的MR数据集合其包含的MR数据的条数不同。

值得说明的是，本申请实施例并不对MR数据集合的获取方式和每个MR数据集合包含的MR数据条数进行限定，其可以根据实际情况确定。

示例性的，在本实施例中，该MR数据集合可以包括多条MR数据，每条MR数据均携带用户标识信息、时间戳信息、小区信息等多维度特征。其中，该MR数据集合中的MR数据可以来自同一个终端设备，也可以来自多个终端设备，本申请实施例并不限定MR数据集合中每条MR数据的具体来源。

值得说明的是，未经特殊说明，在本申请的实施例中，MR数据是指不携带位置信息的MR数据。同理，下述历史位置MR数据指的是携带位置信息的历史MR数据。

步骤22：对于该MR数据集合中的任意一条MR数据，根据该MR数据和在时间上与该MR数据相邻的至少一条MR数据，确定该MR数据的特征信息，该MR数据的特征信息是用于描述该MR数据对应终端设备所在位置的信息。

可选的，该MR数据集合可以是定位设备获取到的原始MR数据集合在经过数据预处理后的数据集合。其中，对原始MR数据集合的预处理可以包括数据排序、合并、拆分和滤波等中的一种或多种。

在本申请实施例中，定位设备可以对该MR数据集合中的每条MR数据执行相同的处理，因而，本申请实施例可以以对该MR数据集合中的任意一条MR数据进行举例说明。

示例性的，对于该MR数据集合中的任意一条MR数据，定位设备在定位过程中引入MR数据之间的时序信息，也即，根据该MR数据和在时间上与该MR数据相邻的MR数据来提取该MR数据的特征信息。

其中，在本实施例中，该MR数据的特征信息可以用于表征该MR数据对应终端设备所在的位置，例如，该MR数据的特征信息可以包括但不局限于包括小区电平信息、小区标识信息、小区位置信息、小区站点类型等信息。

本申请实施例中，定位设备可以基于MR数据集合中各MR数据的时间先后顺序，通过对MR数据进行处理，深度挖掘MR数据的特征信息与终端位置信息之间的关系，提升了定位精度。

步骤23：将该MR数据的特征信息输入到定位模型中，得到该MR数据对应终端设备的位置信息，该定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以历史位置MR数据对应终端设备的位置信息为输出训练得到的模型。

其中，该历史位置MR数据是指携带位置信息的历史MR数据。

在申请的实施例中，利用定位模型预测终端设备的位置信息是本申请实施例的目标，定位设备利用上述得到的MR数据的特征信息和训练设备训练好的定位模型预测MR数据对应终端设备的位置，具体的，定位设备将上述得到的MR数据的特征信息作为定位模型的输入，利用该定位模型对该MR数据进行定位，从而预测该MR数据对应终端设备的位置信息。

示例性的，在本实施例中，预测得到的该MR数据对应终端设备的位置信息，即携带终端设备的用户当前的经纬度信息。

值得说明的是，为了使的本方案的定位结果更合理，定位设备在得到定位结果后，还可以对定位结果做滤波平滑处理，从而得到最终的定位结果，为外部应用提供所需的位置服务。示例性的，本步骤的滤波处理方法包括但不限于如均值滤波、卡尔曼滤波等多种不同的滤波方法。

在本实施例中，该定位模型可以是训练设备利用历史位置MR数据集合中每条历史位置MR数据的特征信息和该历史位置MR数据对应终端设备的位置信息得到的。具体的，训练设备可以对获取到的历史位置MR数据集合进行例如步骤22中的处理过程，从而得到每条历史位置MR数据的特征信息，再以每条历史位置MR数据的特征信息作为训练网络的输入，以每条历史位置MR数据携带的终端位置信息作为训练网络的输出来训练该定位模型。

示例性的，该训练网络可以是深度神经网络，例如，循环神经网络(recurrentneural network，RNN)，长短期记忆网络(long short-term memory，LSTM)等，本申请实施例并不对用于训练定位模型的网络进行限定。

关于训练设备训练得到定位模型的具体实现方式可以参见下述实施例中的描述，此处不再赘述。

本申请实施例提供的定位方法，通过获取包括多条MR数据的MR数据集合，对于该MR数据集合中的任意一条MR数据，根据该MR数据和在时间上与该MR数据相邻的至少一条MR数据，确定用于描述该MR数据对应终端设备所在位置的特征信息，将该MR数据的特征信息输入到定位模型中，得到该MR数据对应终端设备的位置信息，该定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以该历史位置MR数据对应终端设备的位置信息为输出训练得到的模型。该技术方案中，定位设备在定位过程中基于与该MR数据具有时间先后关系的至少一条MR数据对该MR数据进行处理，得到的MR数据的特征信息可以更加准确的表征终端设备的位置信息，从而提升了定位精度。

示例性的，在上述实施例的基础上，图3为本申请实施例提供的定位方法实施例二的流程示意图。如图3所示，在本实施例中，在上述步骤22之前，该方法还可以包括如下部分或全部步骤：

步骤31：根据该MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对该MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合。

其中，排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起。

在本申请的实施例中，由于每条MR数据均携带用户标识信息和时间戳信息，因而，定位设备对获取到的MR数据集合进行处理时，可以首先基于每条MR数据携带的用户标识信息将具有相同用户标识信息的MR数据划分到一起，再对同一个用户的MR数据按照时间戳信息进行排序，以使具有相同用户标识的MR数据按照时间戳信息排列在一起，进而得到排序处理后的MR数据集合，这样定位设备可以对排序处理后的MR数据集合中的MR数据进行特征提取，且在特征提取时将MR数据集合中每个MR数据上报的时间顺序考虑在内，为后续提取到合理、准确的特征信息奠定了基础。

可选的，通过将同一个用户的终端设备上报的MR划分到一起，当对该终端设备的每条MR数据进行位置定位时，可以得到该终端设备的移动轨迹，进一步提升了定位精度。

步骤32：将排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合。

在本实施例中，该预设的第一时长一般指较短的时间段，例如，1s或2s等，本申请实施例并不对第一时长的具体取值进行限定。

在本实施例中，对于上述排序处理后的MR数据集合，通过将排序处理后的MR数据集合中相同时间或时间差值小于1s的MR数据进行合并，得到合并处理后的MR数据集合。

示例性的，在对多条MR数据进行合并时，对于合并得到的MR数据，其时间戳信息确定为参与合并的多条MR数据的时间戳信息的平均值；若参与合并的多条MR数据对应终端设备的主服务小区相同，则保持主服务小区不变，该主服务小区的信号电平值取所有主服务小区的信号电平值的均值，其对应的邻区去重合并；若参与合并的多条MR数据对应终端设备的主服务小区不相同，则将信号电平值最大的小区作为主服务小区，其余所有小区进行邻区去重合并。

值得说明的是，邻区去重合并时，相同小区的信号电平值取均值，并按信号电平值的大小重新确定邻区。

在本实施例中，通过将每个时刻或者每个时间段内的MR数据进行整合，可以使得每个时刻或时间段内的特征信息更完整，从而提高了MR数据对应特征信息的准确性。

示例性的，在本申请实施例的一种可能实现方式中，如图3所示，在步骤32之后，该方法还可以包括如下步骤：

步骤33：对上述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合，每个MR数据子集合包括：按照时间戳信息排序且具有相同用户标识的多条MR数据，每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，且每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长。

其中，该总时长为MR数据子集合中最后一条MR数据与第一条MR数据的时间戳信息对应的时间差值。

可选的，在本实施例中，由于合并处理后的MR数据集合包括的MR数据条数较多，该集合对应的时间维度较长，因而，为了对MR数据进行特征提取时，提高特征信息的提取效率和准确度，可以按照预设的通话提取策略对上述合并处理后的MR数据集合进行拆分处理，以得到多个MR数据子集合。其中，该通话提取策略为：每个MR数据子集合中的所有MR数据具有相同的用户标识，且每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，以及每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长。

示例性的，作为一种示例，该MR数据子集合也可以称为一段通话，该通话是指具有相同的用户标识信息且满足预设的时间约束规则的多条MR数据的集合。

示例性的，每个MR数据子集合中所有MR数据的总时长不超过180s，且相邻两条MR数据之间的时间间隔不超过30s。值得说明的是，本实施例中的第二时长、第三时长均是预设的取值，其可以根据实际情况确定，本申请实施例并不对其进行限定。

进一步的，在本申请实施例的另一种可能实现方式中，如图3所示，在步骤33之后，该方法还可以包括如下步骤：

步骤34：对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。

在实际应用中，终端设备从各个小区接收到的信号电平值可能会有很大的波动性，本实施例中，为了减少信号电平值的波动对定位精度的影响，得到稳定的信号电平值，通过对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合，从而在后续定位时提供定位精度。

示例性的，本实施例可以采用多种滤波方法对上述每个MR数据子集合中的MR数据进行滤波处理，例如，加权滤波、卡尔曼滤波、滑膜平均滤波等常见滤波方法。本申请实施例并不限定滤波的具体方式，其可以根据实际情况进行限定。

值得说明的是，本申请实施例中对于MR数据集合的处理步骤可以包括步骤31至步骤34中的一个或多个，具体包括的步骤可以根据实际情况确定，此处不再赘述。

本申请实施例提供的定位方法，通过根据MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合，使得排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起，然后将排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合，再对合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合，最后对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。该技术方案中，通过对MR数据集合进行排序、合并、拆分和滤波处理，能够提高后续提取到的特征信息的准确性。

示例性的，在上述实施例的基础上，图4为本申请实施例提供的定位方法实施例三的流程示意图。如图4所示，在本实施例中，上述步骤22可以通过如下步骤实现：

步骤41：根据时间上位于该MR数据之前的至少一条MR数据、该MR数据以及时间上位于该MR数据之后的至少一条MR数据，形成该MR数据对应的MR通话序列。

在本实施例中，由于卷积神经网络可以对同性质数据进行卷积以提取数据之间的相互关联，所以，定位设备提取MR数据的特征信息时，引入时间维度后，可以利用时间上位于该MR数据之前的至少一条MR数据、该MR数据以及时间上位于该MR数据之后的至少一条MR数据形成该MR数据对应的MR通话序列，进而基于该MR通话序列提取该MR数据的特征信息。

示例性的，对于当前MR数据，联合当前MR一定时间窗内的前M条MR、后N条MR构成该MR数据对应的MR通话序列，其中，M、N均为正整数。

步骤42：基于卷积神经网络和该MR通话序列，对该MR数据进行特征提取，得到该MR数据的第一特征信息集合。

在本实施例中，由于MR数据包含的信息大体分为信号电平值和小区信息两类数据，因此，可以基于不同的指标，例如，信号电平值和小区信息，分别构造特征图用以提取特征。

示例性的，构造特征图时，1条MR数据产生n*1的向量，其中，n表示向量的长度，可以用单条MR数据的n个特征表示。对于包括t条MR数据的MR通话序列，其可以组成n*t的向量作为特征图。

可选的，对于每条MR数据，其使用的指标包括但不限于小区标识向量、信号电平值、电平值的傅里叶变换、小区和电平值的组合等。其中，小区标识向量指对当前区域的MR数据中的小区标识进行编码(类似word2vec模型)得到的小区向量。在实际应用中，可以根据实际情况确定每条MR数据使用的指标，本实施例并不对其进行限定。

在本实施例中，基于每条MR数据对应的通话序列对该MR数据进行特征提取时，可以首先基于该通话序列构成特征图，并基于卷积神经网络自动挖掘并提取电平和小区等体现MR数据的特征信息，不同指标上的特征联合后即可得到该MR的特征信息。

值得说明的是，不同的指标使用不同的卷积神经网络来提取特征，对于分别提取出来的特征构造密集层而得到该MR通话序列上的第一特征信息集合；其中，该密集层可以是全连接层，也可以通过卷积来实现。

示例性的，在本实施例中，该第一特征信息集合可以包含与信号电平值、小区信息相关的维度特征，包括但不限于各小区的信号电平值、小区标识等。

步骤43：将该第一特征信息集合作为该MR数据的特征信息。

可选的，在本实施例中，由于该第一特征信息集合是基于该MR数据对应的MR通话序列得到的，其在特征提取的过程中将MR数据之间的时序关系考虑在内，增强了MR数据的特征信息的合理性和准确度，提高了定位精度。

可选的，在本申请实施例的一种可能设计中，如图4所示，上述步骤22还可以包括如下步骤40，在实际应用中，该步骤40可以位于上述步骤41之前或者在上述步骤42之后，示例性的，图4所示的实施例以步骤40位于步骤42之后进行举例说明：

步骤40：根据该MR数据和该MR数据对应的网络工参信息，提取该MR数据的第二特征信息集合，该MR数据对应的网络工参信息用于表示上报该MR数据的终端设备所属小区的属性信息。

可选的，在本实施例中，由于网络工参信息可以用于描述站点(基站)属性信息，其对应的网络工程参数可以包括：站点天线位置的经纬度、天线方向性、增益、方位角、下倾角、挂高、馈线型号、站点类型(室内、室外)等，因而，在本实施例中，对于该MR数据，首先确定出该MR数据对应终端设备的主服务小区的信号电平值、主服务小区标识信息、各个邻区的信号电平值和各邻区标识信息等，再通过对所有小区的信号电平值进行运算，进而确定出用于表征该MR数据对应终端设备所在小区的电平值和小区标识，进而基于该小区标识查询该MR数据对应的网络工参信息，确定出该小区所在的经纬度、高度、方向角、下倾角等信息，进而确定出用于表征该MR数据的第二特征信息集合。

可以理解的是，本申请实施例中的第一特征信息集合和第二特征信息集合表示通过两种方式得到的不同特征信息集合，并不表示先后顺序。

值得说明的是，该步骤40还可以在上述图3所示实施例包括的所有步骤中的任意一个或多个步骤之后执行，当步骤40直接位于步骤31、步骤32或者步骤34之后执行时，提取到的MR数据的第二特征信息集合即为单条MR数据的特征信息。

示例性的，在本申请的实施例的一种设计中，在该步骤40之后，该方法还可以包括：

基于栈式降噪自动编码器(stack denosing autoencoders，SDA)模型，对该第二特征表征集合中的特征信息进行特征增强。

在本实施例中，为增强单条MR数据的特征表征能力，可以基于SdA模型对提取得到的该第二特征信息集合中的特征进行特征增强。

示例性的，首先采用SDA模型对特征进行训练，再通过学习获得了特征转换增强模型，然后该第二特征信息集合中的特征经过该特征转换增强模型的处理后得到增强后的第二特征信息集合。

对于特征转换增强模型的训练过程可以解释如下：对于第二特征信息集合中的特征X，即单条MR数据的特征X首先经过编码器(Encoder)和解码器(Decoder)的处理后得到特征X’，通过无监督学习方式逐层训练当前网络的参数，使得X和X’的误差最小；当所有的自动编码器堆叠形成的网络训练完成后，在一个多层神经网络中使用之前自动编码器的中间层，然后以监督学习的方式对多层神经网络的网络权值进行微调，从而得到该特征转换增强模型。

相应的，如图4所示，上述步骤43可以替换为如下步骤431和步骤432：

步骤431：对该第一特征信息集合和该第二特征信息集合进行融合，得到该MR数据的融合特征信息。

在本实施例中，为了提高MR数据对应特征信息的完整性，可以对第一特征信息集合和第二特征信息集合中的特征信息进行融合，例如，该特征融合操作可以将两个集合中的特征直接进行连接完成，也可以通过全连接层进行转换完成。

示例性的，基于神经网络的全连接层和隐藏层对第一特征信息集合和第二特征信息集合进行连接处理，进而扩展该MR数据的特征信息的维度，其提高了后续确定该MR数据对应终端设备的位置的精度。

步骤432：将该MR数据的融合特征信息作为该MR数据的特征信息。

可选的，在本实施例中，通过将MR数据的融合特征信息，进一步增强了MR数据的特征信息的合理性和准确度，提高了定位精度。

值得说明的是，在本实施例中，若采用SDA模型对第二特征信息集合进行特征增强，并得到了增强后的第二特征信息集合，则对上述第一特征信息集合和增强后的第二特征信息集合进行融合，得到更新后的融合特征信息。相应的，可以将更新后的融合特征信息作为该MR数据的特征信息。

本申请实施例提供的定位方法，根据时间上位于该MR数据之前的至少一条MR数据、该MR数据以及时间上位于该MR数据之后的至少一条MR数据，形成MR数据对应的MR通话序列，基于卷积神经网络和该MR通话序列，对该MR数据进行特征提取，得到该MR数据的第一特征信息集合，以及根据该MR数据对应的网络工参信息，提取该MR数据的第二特征信息集合，进而对该第一特征信息集合和该第二特征信息集合进行融合，得到该MR数据的融合特征信息，最后将该MR数据的融合特征信息作为MR数据的特征信息。该技术方案既考虑了单条MR数据的特征信息，也考虑了基于该MR数据对应MR通话序列提取到的特征信息，其进一步增强了MR数据的合理性和准确度，为后续确定出准确的终端位置奠定了基础。

在本申请的上述任意一种实施例中，构建并训练定位模型是本申请提出的定位方法的核心，其可以利用训练设备和获取到的历史位置MR数据进行离线训练。

具体的，训练设备可以首先对获取到的历史位置MR数据集合进行处理(例如，排序、合并、拆分、滤波等多种处理中的一种或多种)得到每条历史位置MR数据的特征信息，再将每条历史位置MR数据的特征信息作为模型的输入，由于按照用户标识信息和时间戳信息排序得到的历史位置MR数据子集合(每个历史位置MR数据集合拆分后可以得到多个历史位置MR数据子集合)可以形成终端设备所属用户的移动轨迹，因而，基于该移动轨迹可以构建该定位模型，也即，使用上述历史位置MR数据的特征信息作为模型的输入，以历史位置MR数据对应终端设备的位置信息作为模型的输出，训练该模型的参数，从而得到每条历史位置MR数据对应目标区域内的定位模型。

本申请的实施例中，该训练设备可以运行在开源的Tensorflow机器学习平台中，基于机器学习方法提取历史位置MR数据集合中每个历史位置MR数据的特征信息，用以训练定位模型，具体的，可以运行在带有NVIDIA GPU卡的服务器上，其中，NVIDIA GPU卡通过CUDA编程接口提供计算加速能力，对特征提取过程和定位模型构建过程进行加速。

下面介绍本申请实施例中涉及的定位模型的训练方法，应理解，该定位模型可以用于基于处理得到的MR数据的特征信息预测该MR数据对应终端设备的位置，其可以离线训练得到。具体的，该定位模型的训练过程可以包括如下两种实现方式：

实现方式(1)：

示例性的，该定位模型具体是基于机器学习方法以该历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以该历史位置MR数据的位置标签作为输出训练得到的模型；该历史位置MR数据的特征信息是通过对该历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

其中，该历史位置MR数据的位置标签是对预设区域进行栅格化得到的，该预设区域包括：上报该历史位置MR数据的终端设备所属站点的位置确定的区域。

示例性的，该预设区域可以是上报该历史位置MR数据的终端设备所在的主服务小区、邻区确定的区域，本申请实施例并不对预设区域的具体实现进行限定。

应理解，在本实施例中，训练设备对历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理的具体操作与上述图3所示实施例中定位设备对MR数据集合的处理过程类似，此处不再赘述。

在该实现方式(1)中，本申请实施例基于机器学习方法，在定位过程中利用历史位置MR数据集合中相邻历史位置MR数据的时间先后信息来提取特征信息，丰富了特征信息的维度，增加不同位置下MR数据之间的区分度，基于机器学习方法(如随机森林、DNN等)构建定位模型，优化了特征之间关联关系，提升了定位精度。可选的，根据该种实现方式利用的主要特征信息，该训练方法可称为“时间-空间特征模型定位法”。

在实际现网中，通过对获取到的历史位置MR数据集合进行分析可知，若该历史位置MR数据集合表征用户的通话性较好，但该历史位置MR数据的数据量不足以组成通话序列用来训练定位模型，但其可以支撑随机森林、DNN等模型训练时，则基于该随机森林、DNN等机器学习方法来训练定位模型。

其中，MR数据的通话性较好指的是每个MR数据子集合中含有的MR数据的条数不少于8条的比例较高。

可以理解的是，在本实施例中，基于历史位置MR数据对应通话序列训练得到的定位模型可以称为时序定位模型，基于历史位置MR数据对应位置标签训练得到的定位模型可以称为标签定位模型。也即，通过该实现方式(1)得到的定位为标签定位模型，通过下述实现方式(2)得到的定位模型为时序定位模型。

示例性的，图5为本申请实施例提供的定位方法中定位模型的实现方式(1)的流程示意图。该训练方法可以由上述图1所示定位系统中的训练设备执行。示例性的，如图5所示，该训练方法可以包括如下步骤：

步骤51：训练设备获取历史位置MR数据集合，该历史位置MR数据集合包括：多条历史位置MR数据，该历史位置MR数据是指携带位置信息的历史MR数据。

步骤52：对于该历史位置MR数据集合中的任意一条历史位置MR数据，训练设备根据该历史位置MR数据和在时间上与该历史位置MR数据相邻的至少一条历史位置MR数据，确定该历史位置MR数据的特征信息。

可选的，在本实施例中，训练设备可以通过对该历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后，再提取得到每条历史位置MR数据的特征信息。

值得说明的是，在本实施例中，训练设备对历史位置MR数据的合并、拆分、滤波处理过程与上述图3所示实施例中定位设备对MR数据集合中的MR数据的合并、拆分、滤波处理过程类似，具体可以参见上述实施例中的介绍，此处不再赘述。

步骤53：训练设备对该历史位置MR数据对应的预设区域进行栅格化得到该历史位置MR数据的位置标签。

可选的，在本实施例中，训练设备首先根据上报该历史位置MR数据的终端设备所属站点的位置，确定出预设区域，该预设区域可以是主服务小区或邻区的覆盖范围，其次对该预设区域进行栅格化得到该历史位置MR数据的位置标签。

示例性的，训练设备基于机器学习方法构建并训练定位模型时，可以做分类任务，也可以做回归任务。由于机器学习方法，例如，随机森林和DNN等模型均需要有位置标签，因而，训练设备做分类任务时，可以对预设区域进行栅格化处理，且历史位置MR数据的经纬度所在的栅格ID确定为该条历史位置MR数据的位置标签；训练设备做回归任务时，将历史位置MR的经纬度作为该条历史位置MR数据位置标签。

步骤54：训练设备将历史位置MR数据集合中每个历史位置MR数据的特征信息作为输入，以对应历史位置MR数据的位置标签作为输出训练模型，得到该定位模型。

其中，该定位模型具有对应的模型文件，该模型文件可以在定位过程中确定MR数据是否可以利用该定位模型进行位置预测。

步骤55：训练设备存储该定位模型对应的模型文件。

示例性的，训练设备可以将生成的模型文件保存到存储设备中，例如，模型存储数据库中，以备后续在定位时直接使用。

在本申请实施例中，对于获取到的历史位置MR数据集合中的任意一条历史位置MR数据，训练设备根据该历史位置MR数据和在时间上与该历史位置MR数据相邻的至少一条历史位置MR数据，确定该历史位置MR数据的特征信息，再对该历史位置MR数据对应的预设区域进行栅格化得到该历史位置MR数据的位置标签，最后将历史位置MR数据集合中每个历史位置MR数据的特征信息作为输入，以对应历史位置MR数据的位置标签作为输出训练模型，得到该定位模型。该技术方案在对历史MR数据集合进行处理时，考虑了历史位置MR数据之间的时间关系，丰富了每个历史位置MR数据的特征信息的维度，使得该定位模型可以更有效地刻画MR数据的特征信息与该MR数据对应终端设备的位置信息之间的关系，从而提升了后续的定位精度。

实现方式(2)：

示例性的，该定位模型具体是基于该历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的，该时序关系为历史位置MR数据的时间戳信息对应的时间先后顺序。

应理解，在本实施例中，训练设备对历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理的具体操作与上述图3所示实施例中定位设备对MR数据集合的处理过程类似，此处不再赘述。

在该实现方式(2)中，本申请实施例同样基于机器学习方法，在定位过程中，利用历史位置MR数据集合中相邻历史位置MR数据的时间先后信息来构建定位模型。对于某一历史位置MR数据，该历史位置MR数据对应终端设备的位置信息不仅与该历史位置MR数据的特征信息有关，还与时间上在该历史位置MR数据前、后的历史位置MR数据的特征信息及位置有关，基于此事实，在模型训练过程中，训练设备考虑了历史位置MR数据之间的时序关系构建定位模型，提升了定位精度。可选的，根据该实现方式利用的特征信息，该训练方法可称为“时序模型定位法”。

在实际现网中，该训练方法尤其适用于历史位置MR数据的通话连续性不佳，每个历史位置MR数据的时序特征不明显，但是历史位置MR数据的数据量足以组成通话序列用来训练定位模型的场景。

示例性的，图6为本申请实施例提供的定位方法中定位模型的实现方式(2)的流程示意图。该训练方法可以由上述图1所示定位系统中的训练设备执行。示例性的，如图6所示，该训练方法可以包括如下步骤：

步骤61：训练设备获取历史位置MR数据集合，该历史位置MR数据集合包括：多条历史位置MR数据，该历史位置MR数据是指携带位置信息的历史MR数据。

步骤62：对于该历史位置MR数据集合中的任意一条历史位置MR数据，训练设备根据该历史位置MR数据和在时间上与该历史位置MR数据相邻的至少一条历史位置MR数据，确定该历史位置MR数据的特征信息。

步骤63：训练设备基于历史位置MR数据对应的历史位置MR通话序列，训练该定位模型。

在本实施例中，该历史位置MR通话序列与该历史位置MR数据所属历史位置MR数据子集合对应，因而，构建定位模型时，可以考虑历史位置MR数据的特征信息之间的时序信息，并基于递归贝叶斯估计RBE或神经网络模型训练定位模型。

示例性的，在基于RBE的方案中，对于该历史位置MR数据集合中的任意一条历史位置MR数据，假设该历史位置MR数据对应终端设备的位置信息只与该终端设备前一时刻的位置信息有关，则可以基于该马可夫(Markov)性质和贝叶斯定理，通过迭代方法对该历史位置MR数据对应终端设备的位置进行预测，其中对某一时刻某位置上的特征信息分布进行估计时，可采用粒子滤波算法或随机森林等对该分布进行模拟表达。

示例性的，在基于神经网络模型的方案中，可以采用带有时序表示能力的神经网络模型(包括但不限于RNN、LSTM或TCN)对该历史位置MR数据对应终端设备在多个时刻的特征信息和位置信息进行建模，并根据特征信息和位置信息训练该神经网络模型的参数。

步骤64：训练设备存储该定位模型对应的模型文件。

值得说明的是，本实施例中的步骤61、步骤62以及步骤64中的实现方案可以上述图5所示实施例中的介绍，此处不再赘述。

示例性的，在定位模型的训练过程中，基于历史位置MR数据在对应历史位置MR通话序列中与其他历史位置MR数据之间的时序关系，丰富了每个历史位置MR数据的特征信息的维度，使得该定位模型可以更有效地刻画MR数据的特征信息与该MR数据对应终端设备的位置信息之间的关系，同样提升了后续的定位精度。

示例性的，本申请实施例在构建定位模型时考虑了历史位置MR数据集合中相邻历史位置MR数据的时间先后关系，该定位模型可以基于递归贝叶斯估计(recursivebayesian estimation，RBE)或神经网络模型(包括但不限于RNN、LSTM或时间卷积网络(temporal convolutional network，TCN)等方式进行构建。

相应的，在上述两种实现方式中，上述图2所示实施例中的步骤23可以通过如下方式实现，也即，定位设备首先基于该MR数据的特征信息，查询存储设备中是否存在采用上述实现方式(1)或实现方式(2)生成的模型文件，并根据查询结果，确定具体的定位方法。

示例性的，若两种实现方式生成的模型文件均不存在，则定位失败。

若存在一种实现方式生成的模型文件，则从该存储设备中获取该种实现方式对应的模型文件，生成该模型文件对应的定位模型，将上述得到的该MR数据的特征信息输入该定位模型中，利用该定位模型预测该MR数据对应终端设备的位置信息。

若两种实现方式生成的模型文件均存在，则从存储设备中获取基于实现方式(2)生成的模型文件，并基于该模型文件确定定位模型，将上述得到的该MR数据的特征信息输入该定位模型中，利用该定位模型预测该MR数据对应终端设备的位置信息。

可以理解的是，由上述分析可知，定位设备确定的该MR数据的特征信息既可以是经过图3所示实施例和图4所示实施例的各步骤处理并提取得到的融合特征信息或第一特征信息集合，也可以经过图3所示实施例的部分步骤处理，且利用图4所示实施例对单条MR数据进行特征提取得到的第二特征信息集合。

因而，当定位设备确定的MR数据的特征信息是融合特征信息或第一特征信息集合时，定位设备通过实现方式(1)或实现方式(2)得到的定位模型均可以预测得到准确的该MR数据对应终端设备的位置信息。

当定位设备确定的MR数据的特征信息是通过对单条MR数据进行特征提取得到的第二特征信息集合时，定位设备利用实现方式(2)得到的定位模型也可以预测得到准确的该MR数据对应终端设备的位置信息。

值得说明的是，基于定位模型预测MR数据对应终端设备的位置信息的实现原理类似，本申请实施例不再逐一进行介绍。

示例性的，图7为本申请实施例提供的定位方法实施例四的流程示意图。该方法的执行主体可以是上述图1所示定位系统中的定位设备。如图7所示，该定位方法可以包括如下步骤：

步骤71：获取MR数据集合，该MR数据集合包括：多条MR数据。

步骤72：对于该MR数据集合中的任意一条MR数据，根据该MR数据和在时间上与该MR数据相邻的至少一条MR数据，确定该MR数据的特征信息，该MR数据的特征信息用于描述该MR数据对应终端设备所在位置的信息。

本实施例中的步骤71与上述图2所示实施例中的步骤21一致，步骤72与上述图2所示实施例中的步骤22一致，关于步骤71和步骤72的实现原理可参见上述图2至图4所示实施例中的记载，此处不再赘述。

步骤73：根据MR数据的特征信息，从指纹特征库中确定出与该特征信息匹配的目标指纹文件，该指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件。

在本实施例中，指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件，该指纹文件是训练设备通过对历史位置MR数据集合中每条历史位置MR数据的特征信息和对应终端设备的位置信息进行处理和关联得到的。

因而，在本实施例中，定位设备可以利用步骤72得到的该MR数据的特征信息，查询存储设备，逐一判断该存储设备的指纹特征库中是否存在与该MR数据的特征信息相匹配的目标指纹文件，若存在，则确定出该目标指纹文件，若不存在，则定位失败。

步骤74：基于该目标指纹文件和该特征信息，确定出该MR数据对应终端设备的位置信息。

在本实施例中，定位设备获取指纹特征库中的该目标指纹文件，并基于该MR数据的特征信息在该目标指纹文件对应的区域内查找与该特征信息相匹配的栅格。具体的，在查找与该特征信息匹配的栅格时，需要计算该特征信息与该区域内所有栅格的匹配度，例如，使用欧氏距离来衡量。

在本实施例中，由于该MR数据的特征信息中各参数信息的重要程度不同，因而，在计算上述匹配度时，可以引入权重，进而使用加权欧氏距离的方法来衡量匹配度，并且，欧氏距离越小，匹配度越高。对于各参数信息的权重值可以通过寻优的方法获得。

在本实施例中，将匹配度最高的栅格的经纬度作为该MR数据对应终端设备的位置信息。

可选的，在本实施例中，同样可以对确定的位置信息做滤波平滑处理，以使本方案的定位结果更合理。同理，本步骤的滤波处理方法同样包括但不限于如均值滤波、卡尔曼滤波等多种不同的滤波方法。

本申请实施例的定位方法，通过获取测量报告MR数据集合，并对于MR数据集合中的任意一条MR数据，根据该MR数据和在时间上与该MR数据相邻的至少一条MR数据，确定用于描述所述MR数据对应终端设备所在位置的特征信息，根据MR数据的特征信息，从指纹特征库中确定出与该特征信息匹配的目标指纹文件，该指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件，最后基于该目标指纹文件和特征信息，确定出该MR数据对应终端设备的位置信息。该技术方案在特征提取阶段引入了时间维度，考虑了该MR数据在对应MR通话序列与其他MR数据的时序关系，丰富了特征信息的维度，提升了定位精度。

示例性的，在本实施例中，上述指纹特征库包括：历史位置MR数据集合中每条历史位置MR数据所在当前区域对应的指纹文件，该指纹文件用于描述该当前区域中每个栅格的特征信息与该栅格的位置信息；该历史位置MR数据的特征信息是通过对该历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

具体的，本申请实施例可以基于机器学习方法，在生成指纹特征库时，基于MR数据之间的时序关系提取特征信息，在指纹定位方案(如特征库定位)中增强各指纹信息的区分度，从而提升定位精度。基于该指纹特征库的方法可称为“时间-空间特征库定位法”。

在实际现网中，本实施例的方法尤其适用于该历史位置MR数据集合表征用户的通话性较好，但该历史位置MR数据的数据量不足以组成通话序列用来训练定位模型，且计算资源受限的场景中。MR数据的通话性较好指的是每个MR数据子集合中含有的MR数据的条数不少于8条的比例较高。

示例性的，图8为本申请实施例提供的定位方法中指纹特征库的生成方法示意图。该方法可以由上述图1所示定位系统中的训练设备执行。示例性的，如图8所示，该方法可以包括如下步骤：

步骤81：获取历史位置MR数据集合，该历史位置MR数据集合包括：多条历史位置MR数据，该历史位置MR数据是指携带位置信息的历史MR数据。

步骤82：对于该历史位置MR数据集合中的任意一条历史位置MR数据，训练设备根据该历史位置MR数据和在时间上与该历史位置MR数据相邻的至少一条历史位置MR数据，确定该历史位置MR数据的特征信息。

本实施例中的步骤81与上述图5所示实施例中的步骤51一致，步骤82与上述图5所示实施例中的步骤52一致，关于步骤81和步骤82的实现原理可参见上述图5所示实施例中的记载，此处不再赘述。

步骤83：对该历史位置MR数据对应的当前区域进行栅格化处理，确定出该当前区域包括的所有栅格。

在本实施例中，当前区域指的是该历史位置MR和需要进行定位的MR数据所在的区域。

步骤84：统计并计算每个栅格里的特征信息形成指纹文件，基于该当前区域包括的所有栅格的指纹文件构建指纹特征库。

可选的，在本实施例中，每个栅格的特征文件中各特征信息的维度值，包括但不限于平均值、最大值、最小值等可以刻画数据分布的统计值。

示例性的，该指纹文件可以包括以下内容：栅格编号、栅格经纬度、栅格上各特征信息的统计值。每个栅格形成一个指纹文件，所有栅格上的指纹文件形成指纹特征库。

步骤85：存储构建得到的指纹特征库。

示例性的，将生成的指纹特征库保存到存储设备中，以备后续在定位时直接使用。

在本实施例中，通过获取历史位置MR数据集合，对于该历史位置MR数据集合中的任意一条历史位置MR数据，训练设备根据该历史位置MR数据和在时间上与该历史位置MR数据相邻的至少一条历史位置MR数据，确定该历史位置MR数据的特征信息，对该历史位置MR数据对应的当前区域进行栅格化处理，确定出该当前区域包括的所有栅格，统计并计算每个栅格里的特征信息形成指纹文件，基于该当前区域包括的所有栅格的指纹文件构建指纹特征库，最后存储构建得到的指纹特征库。该技术方案，基于对历史MR数据集合进行处理时，考虑了历史位置MR数据之间的时间关系，丰富了每个历史位置MR数据的特征信息的维度，使得得到的指纹特征库可以更有效地刻画MR数据的特征信息与该MR数据对应终端设备的位置信息之间的关系，从而提升了后续的定位精度。

可选的，基于上述图5、图6和图8所示的实施例，图9为本申请实施例提供的训练方法的流程示意图。如图9所示，该方法可以包括如下步骤：

步骤91：获取历史位置MR数据集合。

步骤92：判断该历史位置MR数据集是否满足训练第一种定位模型的场景条件；若是，执行步骤93，若否，执行步骤94。

其中，训练第一种定位模型的场景条件为该历史位置MR集合的数据量大于训练第一种定位模型所需的数据量，且该第一种定位模型是基于该历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的。

步骤93：基于该历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系，得到第一种定位模型。

该第一种定位模型即为上述图6所示实施例中训练得到的定位模型，关于该步骤的实现原理，具体可以参见上述图6所示实施例中的记载，此处不再赘述。

步骤94：判断该历史位置MR数据集是否满足训练第二种定位模型的场景条件；若是，执行步骤95，若否，执行步骤96。

其中，训练第二种定位模型的场景条件为该历史位置MR集合的数据量小于训练第二种定位模型所需的数据量，但该历史位置MR数据集合表征用户的通话性较好，但其可以支撑随机森林、DNN等模型训练。

步骤95：基于机器学习方法以该历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以该历史位置MR数据的位置标签作为输出，训练第二种定位模型。

可选的，该第二种定位模型即为上述图5所示实施例中训练得到的定位模型，关于该步骤的实现原理，具体可以参见上述图5所示实施例中的记载，此处不再赘述。

步骤96：基于历史位置MR数据集合中每条历史位置MR数据，确定出包括多个指纹文件的指纹特征库，每个指纹文件用于描述该当前区域中每个栅格的特征信息与该栅格的位置信息。

可选的，该指纹特征库即为上述图8所示实施例中生成的指纹特征库，关于该步骤的实现原理，具体可以参见上述图8所示实施例中的记载，此处不再赘述。

值得说明的是，在本申请的实施例中，不同模型或指纹库在本实施例中的优先级为：第一种定位模型>第二种定位模型>指纹特征库。

在本申请的实施例中，该方案在MR数据的特征提取阶段考虑了MR数据的时序关系，使得训练得到的定位模型或者指纹特征库能更好地反应MR数据与地理位置之间的关系，其次，在定位模型构建阶段或指纹特征库生成阶段，根据在实际现网中的情况，判定当前场景的适用条件，选择并构建合适的定位模型或指纹特征库，使得本申请的定位方法具有更强的自适应性，进一步提升了定位精度，且保证了MR数据的定位率。

相应的，基于图9所示的方法，定位设备基于获取到的MR数据集合中任意一条MR数据的特征信息和定位模型/指纹特征库，预测该MR数据对应终端设备的位置信息的过程中，同样以第一种定位模型大于第二种定位模型，第二种定位模型大于指纹特征库的顺序进行，关于具体的定位过程，可参见上述图2至图7所述实施例中的相关记载，此处不再赘述。

图10为本申请实施例提供的定位装置实施例一的结构示意图。该装置可以集成在定位设备中，也可以通过定位设备实现。如图10所示，该装置可以包括：获取模块101、处理模块102和定位模块103。

其中，该获取模块101，用于获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

该处理模块102，用于针对所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；

该定位模块103，用于将所述MR数据的特征信息输入到定位模型中，得到所述MR数据对应终端设备的位置信息。

其中，所述定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以所述历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，所述历史位置MR数据是指携带位置信息的历史MR数据。

示例性的，在本实施例的一种可能设计中，该处理模块102，还用于在根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息之前，根据所述MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对所述MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合；

其中，所述排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起，以及将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合。

示例性的，在本实施例中，该处理模块102，还用于在将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合之后，对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合；

其中，每个MR数据子集合包括：按照时间戳信息排序且具有相同用户标识的多条MR数据，每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，且每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长，所述总时长为所述MR数据子集合中最后一条MR数据与第一条MR数据的时间戳信息对应的时间差值。

示例性的，在本实施例中，该处理模块102，还用于在对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合之后，对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。

示例性的，在本实施例的另一种可能设计中，该处理模块102，具有用于根据时间上位于所述MR数据之前的至少一条MR数据、所述MR数据以及时间上位于所述MR数据之后的至少一条MR数据，形成所述MR数据对应的MR通话序列，基于卷积神经网络和所述MR通话序列，对所述MR数据进行特征提取，得到所述MR数据的第一特征信息集合，以及将所述第一特征信息集合作为所述MR数据的特征信息。

示例性的，在本实施例中，该处理模块102，还具有用于根据所述MR数据和所述MR数据对应的网络工参信息，提取所述MR数据的第二特征信息集合，以及对所述第一特征信息集合和所述第二特征信息集合进行融合，得到所述MR数据的融合特征信息，将所述MR数据的融合特征信息作为所述MR数据的特征信息；

其中，所述MR数据对应的网络工参信息用于表示上报所述MR数据的终端设备所属小区的属性信息。

本实施例的装置可用于执行图2至图4所示方法实施例的实现方案，以及图9所示实施例中的部分实现方案，具体实现方式和技术效果类似，这里不再赘述。

示例性的，在本申请实施例再一种可能设计中，所述定位模型具体是基于机器学习装置以所述历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以所述历史位置MR数据的位置标签作为输出训练得到的模型；

其中，所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

可选的，所述历史位置MR数据的位置标签是对预设区域进行栅格化得到的，所述预设区域包括：上报所述历史位置MR数据的终端设备所属站点的位置确定的区域。

在本实施例中，该定位模型的训练过程可以参见上述图5所示实施例中的记载，关于具体实现方式和技术效果类似，这里不再赘述。

示例性的，在本申请实施例又一种可能设计中，所述定位模型具体是基于所述历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的，所述时序关系为所述历史位置MR数据的时间戳信息对应的时间先后顺序。

在本实施例中，该定位模型的训练过程可以参见上述图6所示实施例中的记载，关于具体实现方式和技术效果类似，这里不再赘述。

图11为本申请实施例提供的定位装置实施例二的流程示意图。该装置同样可以集成在定位设备中，也可以通过定位设备实现。如图11所示，该装置可以包括：获取模块111、处理模块112和定位模块113。

其中，该获取模块111，用于获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

该处理模块112，用于针对所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，以及根据MR数据的特征信息，从指纹特征库中确定出与所述特征信息匹配的目标指纹文件。

其中，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息，所述指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件；

该定位模块113，用于基于所述目标指纹文件和所述特征信息，确定出所述MR数据对应终端设备的位置信息。

本实施例的装置可用于执行图7所示方法实施例的实现方案，以及图9所示实施例中的部分实现方案，具体实现方式和技术效果类似，这里不再赘述。

示例性的，在申请的一种实施例中，该指纹特征库包括：历史位置MR数据集合中每条历史位置MR数据所在当前区域对应的指纹文件，所述指纹文件用于描述所述当前区域中每个栅格的特征信息与所述栅格的位置信息；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

在本实施例中，该指纹特征库的生成方法可以参见上述图8所示实施例中的记载，关于具体实现方式和技术效果类似，这里不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。

例如，处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。

此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在可读存储介质中，或者从一个可读存储介质向另一个可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。

图12为本申请实施例提供的定位装置实施例三的结构示意图。该定位装置可以集成在定位设备中。如图12所示，该定位装置可以包括：处理器121、存储器122、通信接口123和系统总线124，所述存储器122和所述通信接口123通过所述系统总线124与所述处理器121连接并完成相互间的通信，所述存储器122用于存储计算机执行指令，所述通信接口123用于和其他设备进行通信，所述处理器121执行所述计算机执行指令时实现如图2至图4所示方法实施例的实现方案，以及图9所示实施例中的部分实现方案。

图13为本申请实施例提供的一种训练设备的结构示意图。如图13所示，该训练设备可以包括：处理器131、存储器132、通信接口133和系统总线134，所述存储器132和所述通信接口133通过所述系统总线134与所述处理器131连接并完成相互间的通信，所述存储器132用于存储计算机执行指令，所述通信接口133用于和其他设备进行通信，所述处理器131执行所述计算机执行指令时实现如图5或图6所示方法实施例的实现方案。

图14为本申请实施例提供的定位装置实施例四的结构示意图。该装置可以集成在定位设备中。如图14所示，该装置可以包括：处理器141、存储器142、通信接口143和系统总线144，所述存储器142和所述通信接口143通过所述系统总线144与所述处理器141连接并完成相互间的通信，所述存储器142用于存储计算机执行指令，所述通信接口143用于和其他设备进行通信，所述处理器141执行所述计算机执行指令时实现如图7所示方法实施例的实现方案，以及图9所示实施例中的部分实现方案。

图15为本申请实施例提供的另一种训练设备的结构示意图。如图15所示，该训练设备可以包括：处理器151、存储器152、通信接口153和系统总线154，所述存储器152和所述通信接口153通过所述系统总线154与所述处理器151连接并完成相互间的通信，所述存储器152用于存储计算机执行指令，所述通信接口153用于和其他设备进行通信，所述处理器151执行所述计算机执行指令时实现如图8所示方法实施例的实现方案。

值得说明的是，上述图12至图15中提到的系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extendedindustry standard architecture，EISA)总线等。所述系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图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。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

可选的，上述的处理器可以是通用处理器，包括中央处理器CPU、网络处理器(network processor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可选的，上述的存储器可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)，该存储器可以存储程序和数据。

可选的，上述处理器、存储器也可以集成在专用集成电路中，集成电路中还可以包括通信接口。专用集成电路可以是处理芯片，也可以是处理电路。其中，通信接口可以是包括无线收发的通信接口，也可以是经过其他处理电路对接收的无线信号进行处理后而输入的数字信号的接口，还可以是和其他模块进行通信的软件或硬件接口。

可选的，上述定位装置或训练设备还可以包括人工智能处理器，人工智能处理器可以是神经网络处理器(network processing unit，NPU)，张量处理器(tensorprocessing unit，TPU)，或者图形处理器(graphics processing unit，GPU)等一切适合用于大规模异或运算处理的处理器。人工智能处理器可以作为协处理器挂载到主CPU(HostCPU)上，由主CPU为其分配任务。人工智能处理器可以实现上述定位模型的训练方法中涉及的一种或多种运算。例如，以NPU为例，NPU的核心部分为运算电路，通过控制器控制运算电路提取存储器中的矩阵数据并进行乘加运算。

可选的，本申请实施例提供一种存储介质，所述存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如上述图2至图6所示方法实施例的实现方案，以及图9所示实施例中的实现方案；或者

当所述指令在计算机上运行时，使得计算机执行如上述图7和图8所示方法实施例的实现方案以及图9所示实施例中的实现方案。

本申请实施例还提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在存储介质中，至少一个处理器可以从所述存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序时可实现上述图2至图6所示方法实施例的实现方案以及图9所示实施例中的实现方案；或者

所述至少一个处理器执行所述计算机程序时可实现上述图7和图8所示方法实施例的实现方案以及图9所示实施例中的实现方案。

图16为本申请实施例提供的定位系统实施例的结构示意图。如图16所示，该定位系统可以包括：定位设备161和训练设备162。该训练设备162可以与该定位设备161通信，并将训练得到的定位模型或者生成的指纹特征库发送给定位设备161，定位设备161可以利用接收到的定位模型或者指纹特征库预测MR数据对应终端设备的位置信息。

其中，该定位设备161可以是上述图2至图4或图7或图9所示实施例的定位装置；该训练设备162可以为上述图5或图6或图8中的定位设备。

在本实施例中，关于定位设备161和训练设备162的具体实现方式可参见上述实施例中的记载，此处不再赘述。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系；在公式中，字符“/”，表示前后关联对象是一种“相除”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中，a，b，c可以是单个，也可以是多个。

可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。

可以理解的是，在本申请的实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请的实施例的实施过程构成任何限定。

Claims (26)

1.一种定位方法，其特征在于，包括：

获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

对于所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；

将所述MR数据的特征信息输入到定位模型中，得到所述MR数据对应终端设备的位置信息，所述定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以所述历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，所述历史位置MR数据是指携带位置信息的历史MR数据。

2.根据权利要求1所述的方法，其特征在于，在所述根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息之前，所述方法还包括：

根据所述MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对所述MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合，所述排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起；

将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合。

3.根据权利要求2所述的方法，其特征在于，在所述将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合之后，所述方法还包括：

对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合，每个MR数据子集合包括：按照时间戳信息排序且具有相同用户标识的多条MR数据，每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，且每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长，所述总时长为所述MR数据子集合中最后一条MR数据与第一条MR数据的时间戳信息对应的时间差值。

4.根据权利要求3所述的方法，其特征在于，在所述对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合之后，所述方法还包括：

对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，包括：

根据时间上位于所述MR数据之前的至少一条MR数据、所述MR数据以及时间上位于所述MR数据之后的至少一条MR数据，形成所述MR数据对应的MR通话序列；

基于卷积神经网络和所述MR通话序列，对所述MR数据进行特征提取，得到所述MR数据的第一特征信息集合；

将所述第一特征信息集合作为所述MR数据的特征信息。

6.根据权利要求5所述的方法，其特征在于，所述根据所述MR数据在时间上与所述MR数据相邻的MR数据，确定所述MR数据的特征信息，还包括：

根据所述MR数据和所述MR数据对应的网络工参信息，提取所述MR数据的第二特征信息集合，所述MR数据对应的网络工参信息用于表示上报所述MR数据的终端设备所属小区的属性信息；

相应的，所述将所述第一特征信息集合作为所述MR数据的特征信息，包括：

对所述第一特征信息集合和所述第二特征信息集合进行融合，得到所述MR数据的融合特征信息；

将所述MR数据的融合特征信息作为所述MR数据的特征信息。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述定位模型具体是基于机器学习方法以所述历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以所述历史位置MR数据的位置标签作为输出训练得到的模型；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

8.根据权利要求7所述的方法，其特征在于，所述历史位置MR数据的位置标签是对预设区域进行栅格化得到的，所述预设区域包括：上报所述历史位置MR数据的终端设备所属站点的位置确定的区域。

9.根据权利要求1-6任一项所述的方法，其特征在于，所述定位模型具体是基于所述历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的，所述时序关系为所述历史位置MR数据的时间戳信息对应的时间先后顺序。

10.一种定位方法，其特征在于，包括：

获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

对于所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；

根据MR数据的特征信息，从指纹特征库中确定出与所述特征信息匹配的目标指纹文件，所述指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件；

基于所述目标指纹文件和所述特征信息，确定出所述MR数据对应终端设备的位置信息。

11.根据权利要求10所述的方法，其特征在于，所述指纹特征库包括：历史位置MR数据集合中每条历史位置MR数据所在当前区域对应的指纹文件，所述指纹文件用于描述所述当前区域中每个栅格的特征信息与所述栅格的位置信息；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

12.一种定位装置，其特征在于，包括：获取模块、处理模块和定位模块；

所述获取模块，用于获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

所述处理模块，用于针对所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息；

所述定位模块，用于将所述MR数据的特征信息输入到定位模型中，得到所述MR数据对应终端设备的位置信息，所述定位模型是以历史位置MR数据集合中每条历史位置MR数据的特征信息为输入，以所述历史位置MR数据对应终端设备的位置信息为输出训练得到的模型，所述历史位置MR数据是指携带位置信息的历史MR数据。

13.根据权利要求12所述的装置，其特征在于，所述处理模块，还用于在根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息之前，根据所述MR数据集合中每条MR数据携带的用户标识信息和时间戳信息，对所述MR数据集合中的所有MR数据进行排序处理，得到排序处理后的MR数据集合，所述排序处理后的MR数据集合中具有相同用户标识的MR数据按照时间戳信息排列在一起，以及将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合。

14.根据权利要求13所述的装置，其特征在于，所述处理模块，还用于在将所述排序处理后的MR数据集合中的具有相同用户标识信息且时间差值小于预设的第一时长的多条MR数据进行合并，得到合并处理后的MR数据集合之后，对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合；

其中，每个MR数据子集合包括：按照时间戳信息排序且具有相同用户标识的多条MR数据，每个MR数据子集合中所有MR数据的总时长小于预设的第二时长，且每个MR数据子集合中相邻两条MR数据的时间戳信息对应的时间差值小于预设的第三时长，所述总时长为所述MR数据子集合中最后一条MR数据与第一条MR数据的时间戳信息对应的时间差值。

15.根据权利要求14所述的装置，其特征在于，所述处理模块，还用于在对所述合并处理后的MR数据集合进行拆分处理，得到多个MR数据子集合之后，对每个MR数据子集合中的所有MR数据进行滤波处理，得到处理后的MR数据集合。

16.根据权利要求12-15任一项所述的装置，其特征在于，所述处理模块，具有用于根据时间上位于所述MR数据之前的至少一条MR数据、所述MR数据以及时间上位于所述MR数据之后的至少一条MR数据，形成所述MR数据对应的MR通话序列，基于卷积神经网络和所述MR通话序列，对所述MR数据进行特征提取，得到所述MR数据的第一特征信息集合，以及将所述第一特征信息集合作为所述MR数据的特征信息。

17.根据权利要求16所述的装置，其特征在于，所述处理模块，还具有用于根据所述MR数据和所述MR数据对应的网络工参信息，提取所述MR数据的第二特征信息集合，以及对所述第一特征信息集合和所述第二特征信息集合进行融合，得到所述MR数据的融合特征信息，将所述MR数据的融合特征信息作为所述MR数据的特征信息；

其中，所述MR数据对应的网络工参信息用于表示上报所述MR数据的终端设备所属小区的属性信息。

18.根据权利要求12-17任一项所述的装置，其特征在于，所述定位模型具体是基于机器学习装置以所述历史位置MR数据集合中每条历史位置MR数据的特征信息作为输入，以所述历史位置MR数据的位置标签作为输出训练得到的模型；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

19.根据权利要求18所述的装置，其特征在于，所述历史位置MR数据的位置标签是对预设区域进行栅格化得到的，所述预设区域包括：上报所述历史位置MR数据的终端设备所属站点的位置确定的区域。

20.根据权利要求12-17任一项所述的装置，其特征在于，所述定位模型具体是基于所述历史位置MR数据集合中所有历史位置MR数据之间的时序关系得到的特征信息和对应历史位置MR数据的位置信息的关联关系得到的，所述时序关系为所述历史位置MR数据的时间戳信息对应的时间先后顺序。

21.一种定位装置，其特征在于，包括：获取模块、处理模块和定位模块；

所述获取模块，用于获取测量报告MR数据集合，所述MR数据集合包括：多条MR数据；

所述处理模块，用于针对所述MR数据集合中的任意一条MR数据，根据所述MR数据和在时间上与所述MR数据相邻的至少一条MR数据，确定所述MR数据的特征信息，以及根据MR数据的特征信息，从指纹特征库中确定出与所述特征信息匹配的目标指纹文件，所述MR数据的特征信息是用于描述所述MR数据对应终端设备所在位置的信息，所述指纹特征库中存储有用于描述特征信息与终端设备所在位置的关联关系的指纹文件；

所述定位模块，用于基于所述目标指纹文件和所述特征信息，确定出所述MR数据对应终端设备的位置信息。

22.根据权利要求21所述的装置，其特征在于，所述指纹特征库包括：历史位置MR数据集合中每条历史位置MR数据所在当前区域对应的指纹文件，所述指纹文件用于描述所述当前区域中每个栅格的特征信息与所述栅格的位置信息；所述历史位置MR数据的特征信息是通过对所述历史位置MR数据集合中的历史位置MR数据进行合并、拆分、滤波处理后提取得到的。

23.一种定位装置，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处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述权利要求1-9任一项所述的方法。

24.一种定位装置，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处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述权利要求10或11所述的定位方法。

25.一种存储介质，其特征在于，所述存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如上述权利要求1-9任一项所述的方法。

26.一种存储介质，其特征在于，所述存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如上述权利要求10或11所述的方法。

Images