CN112291844B

CN112291844B - 基于mr和mdt的定位方法和装置

Info

Publication number: CN112291844B
Application number: CN202011287060.8A
Authority: CN
Inventors: 张帆; 宋春涛; 程新洲; 晁昆; 高洁; 张涛; 徐乐西; 关键; 夏蕊; 吴雨璇
Original assignee: China United Network Communications Group Co Ltd
Current assignee: China United Network Communications Group Co Ltd
Priority date: 2020-11-17
Filing date: 2020-11-17
Publication date: 2022-06-07
Anticipated expiration: 2040-11-17
Also published as: CN112291844A

Abstract

本发明实施例提供一种基于MR和MDT的定位方法和装置，涉及通信领域，能够提高终端定位的精度。该方法包括：获取第一数据集；第一数据集包括测量报告MR数据；根据MR数据和目标模型确定MR数据对应终端的位置；目标模型为根据最小化路测MDT数据预先训练的机器模型。本发明用于终端的定位。

Description

基于MR和MDT的定位方法和装置

技术领域

本发明涉及通信领域，尤其涉及一种基于MR和MDT的定位方法和装置。

背景技术

终端的定位对移动运营商进行网络规划、优化等具有重要意义。目前移动运营商对终端采用的等位方法主要包括三角定位法、基于(measurement report，MR)的栅格指纹库定位方法和基于定时提前量(timing advance，TA)和到达角(angle-of-arrival，AOA)的定位方法等，这些定位方法在终端定位时均具有一定的局限性，如三角定位法的定位精度不高，基于MR的栅格指纹库定位方法虽然精度较高，但定位成本较大。因此，亟需一种终端的定位方法以满足移动运营商的业务需求。

发明内容

本发明的实施例提供一种基于MR和MDT的定位方法和装置，能够提高终端定位的精度。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，提供一种基于MR和MDT的定位方法，包括：获取第一数据集；第一数据集包括测量报告MR数据；根据MR数据和目标模型确定MR数据对应终端的位置；目标模型为根据最小化路测MDT数据预先训练的机器模型。

第二方面，提供一种基于MR和MDT的定位装置，包括：获取模块，用于获取第一数据集；第一数据集包括测量报告MR数据；定位模块，用于根据获取模块获取的MR数据和目标模型确定MR数据对应终端的位置；目标模型为根据最小化路测MDT数据预先训练的机器模型。

第三方面，提供一种基于MR和MDT的定位装置，包括：存储器、处理器、总线和通信接口；存储器用于存储计算机执行指令，处理器与存储器通过总线连接；当基于MR和MDT的定位装置运行时，处理器执行存储器存储的计算机执行指令，以使基于MR和MDT的定位装置执行如第一方面提供的基于MR和MDT的定位方法。

第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得计算机执行如第一方面提供的基于MR和MDT的定位方法。

本发明实施例提供的基于MR和MDT的定位方法，包括：获取第一数据集；第一数据集包括测量报告MR数据；根据MR数据和目标模型确定MR数据对应终端的位置；目标模型为预先训练的机器模型。本发明实施例通过终端的MDT数据预先训练机器模型，以确定目标模型；由于MR数据与MDT数据类似，其区别在于MDT数据包括终端等设备的位置信息，而MR数据未包含该类信息，因此可以使用目标模型根据MR数据确定终端等设备的位置信息；相比现有的定位方法，本发明实施例通过机器模型确定终端的位置不仅提高了定位精度，且定位成本较低。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于MR和MDT的定位方法的流程示意图之一；

图2为本发明实施例提供的一种基于MR和MDT的定位方法的流程示意图之二；

图3为本发明实施例提供的第一模型的结构示意图；

图4为本发明实施例提供的第一模型和第二模型的组合结构示意图；

图5为本发明实施例提供的一种基于MR和MDT的定位方法的流程示意图之三；

图6为本发明实施例提供的一种第一模型的训练示意图；

图7为本发明实施例提供的一种第二模型的训练示意图；

图8为本发明实施例提供的一种目标模型的结构示意图；

图9为本发明实施例提供的一种基于MR和MDT的定位方法的流程示意图之四；

图10为本发明实施例提供的一种第一基站和第二基站的位置示意图；

图11为本发明实施例提供的一种终端与第一基站的位置示意图；

图12为本发明实施例提供的一种基于MR和MDT的定位装置的结构示意图之一；

图13为本发明实施例提供的一种基于MR和MDT的定位装置的结构示意图之二；

图14为本发明实施例提供的一种基于MR和MDT的定位装置的结构示意图之三；

图15为本发明实施例提供的又一种基于MR和MDT的定位装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。

为了便于理解本发明，下面对本发明涉及的技术用词进行说明。

MR

MR是长期演进(long term evolution，LTE)系统中一种重要的路测功能，终端上报的MR数据可能用于LTE系统中的小区选择、重选和切换等事件的触发，也可以用于维护和监测LTE系统的运行状态。MR数据包括多种指示终端网络质量的参数，如参考信号接收功率(reference signal received power，RSRP)、参考信号接收质量(reference signalreceiving quality，RSRQ)等，通过对这些参数的分析可以确定终端接入小区的质量分布和干扰情况等，从而确定小区的优化方案。

最小化路测(minimization of drive-tests，MDT)

MDT也是LTE系统引入的一种路测功能。与MR不同的是，终端对MDT数据的采集需要开启全球定位系统(global positioning system，GPS)功能，且支持MDT功能。在终端开启GPS功能，且支持MDT功能时，可以向基站上报包括终端位置信息的MDT数据。由于MDT数据是在终端开启GPS功能时采集的，因此MDT数据相较于MR数据，不仅包括了MR数据的信息，还包括了GPS功能确定的经纬度信息，如终端的经纬度等。

目前终端的定位方法包括三角定位法、基于MR的栅格指纹库定位方法，以及基于TA和AOA的定位方法等。

其中，三角定位法通过结合MR数据的场强信息以及网络设备的工参信息，利用主服务小区和多个邻区形成的三角形，通过场强的加权偏移确定终端的位置。但是，由于目前的MR数据中很多邻区的参数信息确实，导致三角定位法的可实施性较差，且定位精度不高，误差较大。

基于TA和AOA的定位方法则是通过TA估算基站与终端之间的距离，并根据终端的AOA信息最终确定终端的位置。这种定位方法的准确性受环境影响较大，在开阔区域定位较准，但在城市等建筑物较多的区域定位精度较差。

基于MR的栅格指纹库定位方法虽然定位精度较高，但其对应的指纹库和栅格的建立需要耗费大量成本，且由于基站的新增、调整等都会对栅格和指纹库造成影响，因此还需保持对指纹库和栅格的定期调整，进一步增加了定位成本。

针对上述定位方法存在的问题，本领域的技术人员提供了一种基于MDT数据进行定位的方法，即在终端开启GPS功能时，向基站上报MDT数据，该MDT数据即包括了终端的位置。但是由于MDT数据的上报需要全网开启MDT功能，造成网络的负荷较大，因此这种定位方法并不适用于全网范围内的定位。

鉴于上述基于MDT数据进行定位时存在的问题，本发明实施例提供一种基于MR和MDT的定位方法，不再依赖终端的GPS功能即可以实现对终端的定位。如图1所示，包括：

S101、获取第一数据集。

其中，第一数据集包括MR数据。

具体地，这里的第一数据集为终端上报的MR数据，MR数据可以包括多种用于指示终端工作参数的信息，具体可以如下表1所示：

表1

字段名	说明
		TimeStamp	时间戳
MR.LteScRSRP	主小区的参考信号接收功率
		MR.LteScRSRQ	主小区的参考信号接收质量
MR.LteScAOA	主小区的到达角
		MR.LteScTadv	主小区的时间提前量
MR.LteScUeRxTxTD	主小区的终端收发时间差

表1示出了MR数据中包括的字段名称，以及其指示的信息，如TimeStamp字段用于指示MR数据的时间戳。

表1示出的MR数据的信息仅包括了主服务小区的工作参数信息，一种可选的实现方式中，为提高终端定位的精确度，MR数据包括的工作参数还可以如下表2所示：

表2

表2还示出了终端对应主小区的邻区的工作参数，如0号邻区的参考信号接收功率、1号邻区的参考信号接收功率等。当然，这里的0号邻区、1号邻区和2号邻区仅为示例性的，实际中，也可以仅包括两个邻区或更多个邻区对应的工作参数。

需要说明的是，表1和表2中的主小区为与终端建立连接的小区。表1和表2示出了MR数据包括的参数信息，由于本发明实施例使用机器模型来实现终端的定位，因此第一数据集中包括的特征向量较多时其定位精度也较高，因此本发明实施例中获取的MR数据优选为表2所示的形式，即MR数据不仅包括终端对应主小区的工作参数，还包括终端对应邻区的工作参数。

S102、根据MR数据和目标模型确定MR数据对应终端的位置。

其中，目标模型为根据最小化路测MDT数据预先训练的机器模型。

具体地，这里的MDT数据与MR数据区别在于，MDT数据还包括了终端通过GPS功能获得的位置信息，如终端的经度和纬度等。MDT数据包括的工作参数可以如下表3所示：

表3

字段名	说明
		TimeStamp	时间戳
MR.LteScRSRP	主小区的参考信号接收功率
		MR.LteScRSRQ	主小区的参考信号接收质量
MR.LteScAOA	主小区的到达角
		MR.LteScTadv	主小区的时间提前量
MR.LteScUeRxTxTD	主小区的终端收发时间差
		MR.Longitude	终端的经度
MR.Latitude	终端的纬度
		enb_lng_Sc	主基站的经度
enb_lat_Sc	主基站的纬度

表3中的主基站即主小区对应的基站。由于MDT数据中包括了终端对应的经度和纬度信息，因此根据MDT数据训练得到的目标模型可以用于预测终端的位置，这里终端的位置即指终端的经度和纬度。

一种可选的实现方式中，与上述表2对应的，MDT数据包括的工作参数还可以如下表4所示：

表4

字段名	说明
		TimeStamp	时间戳
MR.LteScRSRP	主小区的参考信号接收功率
		MR.LteScRSRQ	主小区的参考信号接收质量
MR.LteScAOA	主小区的到达角
		MR.LteScTadv	主小区的时间提前量
MR.LteScUeRxTxTD	主小区的终端收发时间差
		MR.LteNcRSRP_0	0号邻区的参考信号接收功率
MR.LteNcRSRP_1	1号邻区的参考信号接收功率
		MR.LteNcRSRP_2	2号邻区的参考信号接收功率
MR.LteNcRSRQ_0	0号邻区的参考信号接收质量
		MR.LteNcRSRQ_1	1号邻区的参考信号接收质量
MR.LteNcRSRQ_2	2号邻区的参考信号接收质量
		MR.LteNcUeRxTxTD_0	0号邻区的终端收发时间差
MR.LteNcUeRxTxTD_1	1号邻区的终端收发时间差
		MR.LteNcUeRxTxTD_2	2号邻区的终端收发时间差
MR.Longitude	终端的经度
		MR.Latitude	终端的纬度
enb_lng_Sc	主基站的经度
		enb_lat_Sc	主基站的纬度
enb_lng_Nc_0	0号邻区对应基站的经度
		enb_lat_Nc_0	0号邻区对应基站的纬度
enb_lng_Nc_1	1号邻区对应基站的经度
		enb_lat_Nc_1	1号邻区对应基站的纬度
enb_lng_Nc_2	2号邻区对应基站的经度
		enb_lat_Nc_2	2号邻区对应基站的纬度

在根据MDT数据确定目标模型后，将终端上报的MR数据(第一数据集)输入该目标模型即可以确定终端对应的经度和纬度。

可选的，目标模型包括第一模型和第二模型，如图2所示，步骤S102可以包括：

S1021、根据MR数据和第一模型确定终端与第一基站之间的方向角和距离。

具体地，第一模型包括多个子模型，如包括第一子模型1、第一子模型2、第一子模型3、第一子模型4、第一子模型5，这些子模型可以根据MR数据分别获得第一方向角D1和第一距离L1、第二方向角D2和第二距离L2、第三方向角D3和第三距离L3、第四方向角D4和第四距离L4、第五方向角D5和第五距离L5，第一模型的实际输出即为这些方向角和距离的平均值。

示例性的，第一模型的结构如图3所示，目标方向角和目标距离即可以根据下列公式确定：

目标方向角＝(D1+D2+D3+D4+D5)/5；

目标距离＝(L1+L2+L3+L4+L5)/5。

这里的目标方向角即终端与第一基站之间的方向角，目标距离即终端与第一基站之间的距离。

S1022、根据MR数据、第一模型确定的终端与第一基站之间的方向角和距离，以及第二模型确定终端与第一基站之间的经度差值和纬度差值。

具体地，第二模型同样包括多个子模型，如包括第第二子模型1、第二子模型2、第二子模型3、第二子模型4、第二子模型5，这些子模型可以根据MR数据、目标方向角和目标距离分别获得第一经度差值LD1和第一纬度差值LA1、第二经度差值LD2和第二纬度差值LA2、第三经度差值LD3和第三纬度差值LA3、第四经度差值LD4和第四纬度差值LA4、第五经度差值LD5和第五纬度差值LA5，第二模型的实际输出即为这些经度差值和纬度差值的平均值。

示例性的，第一模型和第二模型的组合结构如图4所示，目标经度差值和目标纬度差值可以根据下列公式确定：

目标经度差值Z(LD1+LD2+LD3+LD4+LD5)/5；

目标纬度差值＝(LA1+LA2+LA3+LA4+LA5)/5。

这里的目标经度差值即终端与第一基站之间的经度差值，目标纬度差值即终端与第一基站之间的纬度差值。

需要说明的是，第二模型的输入向量为步骤S101获取的MR数据，以及S1021确定的终端与第一基站之间的方向角和距离。

S1023、根据终端与第一基站之间的经度差值和纬度差值，以及第一基站的经度和纬度确定终端的位置。

具体地，第一基站即为终端接入的基站，其位置在网络规划时是已确定的，即这里第一基站的经度和纬度是已知的。在确定第一基站的经度和纬度，以及终端与第一基站之间的经度差值和纬度差值之后，即可以确定终端的经度与纬度，即确定终端的位置。

本实施例通过终端的MDT数据预先训练得到目标模型，利用目标模型根据终端的MR数据预测终端的位置，不仅节约了终端定位的成本，相比于三角定位法等方式提高了定位精度。

可选的，如图5所示，在步骤S101之前，还包括：

S201、根据第一特征向量、第一标签和预设模型确定第一模型。

其中，第一特征向量包括第一基站和第二基站之间的方向角和距离，第一基站为第一小区对应的基站，第二基站为第二小区对应的基站；第一小区为终端的主小区，第二小区为主小区的邻小区；第一标签用于指示终端与第一基站之间的方向角或距离。

具体地，本步骤中根据第一特征向量和第一标签构建第一训练数据集，预设模型根据第一训练数据集训练得到第一模型。这里的第一特征向量为基于MR和MDT的定位装置根据终端上报的MDT数据确定的，第一特征向量包括的终端的工作参数信息具体如下表5所示：

表5

需要说明的是，表5中的主基站即第一小区对应的基站。上述表5中主小区和各个邻区对应的参考信号接收功率、参考信号接收质量，主小区的到达角、时间提前量，以及主小区和各个邻区对应的终端收发时间差均可以通过终端上报的MDT数据确定，但各个邻区对应基站相对于主基站的方向角和距离则需要根据第一基站和第二基站的经纬度确定。

这里的第一特征向量和第一标签用于构建第一训练数据集，因此第一训练数据集中包括多个第一特征向量和多个第一标签，具体可以如下表6所示：

表6

这里的预设模型为LightGBM模型，预设模型根据第一训练数据集训练即可确定第一模型，根据第一训练数据集训练模型的方法为本领域惯用的技术手段，在此不再赘述。

需要注意的是，本发明实施例采用K折交叉验证的方法来训练模型，本发明实施例使用的K折交叉验证方法即将第一训练数据集随机分为K个数据子集，每次将其中一个数据子集作为测试子集，剩下K-1个数据子集作为训练子集进行训练。

示例性的，以5折交叉验证方法为例，LightGBM模型的训练过程可以如图6所示，将第一训练数据集随机分为第一子训练集1、第一子训练集2、第一子训练集3、第一子训练集4和第一子训练集5，LightGBM模型根据这些子训练集训练得到5个第一模型，即第一子模型1、第一子模型2、第一子模型3、第一子模型4和第一子模型5。

S202、根据第二特征向量、第二标签和预设模型确定第二模型。

其中，第二特征向量包括第一特征向量和第一模型根据第一特征向量预测的结果；第二标签用于指示终端与第一基站之间的经度差值或纬度差值。

具体地，本步骤中根据第二特征向量和第二标签构建第二训练数据集，预设模型根据第二训练数据集训练得到第二模型。这里的第二特征向量包括的终端的工作参数信息具体如下表7所示：

表7

需要注意的是，第二特征向量中的终端与第一基站之间的方向角Ue_Enb_Angle和距离Ue_Enb_Dis为步骤S201中确定的第一模型根据第一特征向量预测得到，其他工作参数则可以由MDT数据获得。

这里的第二特征向量和第二标签用于构建第二训练数据集，因此第二训练数据集中包括多个第二特征向量和多个第二标签，具体可以如下表8所示：

表8

确定第二训练数据集后，预设模型即可以根据第二训练数据集训练得到第二模型，第二模型的训练方法也为本领域惯用的技术手段，在此不再赘述。

需要注意的是，第二模型同样采用K折交叉验证的方法进行训练。

示例性的，以5折交叉验证方法为例，LightGBM模型的训练过程可以如图7所示，将第二训练数据集随机分为第二子训练集1、第二子训练集2、第二子训练集3、第二子训练集4和第二子训练集5，LightGBM模型根据这些子训练集训练得到5个第二模型，即第二子模型1、第二子模型2、第二子模型3、第二子模型4和第二子模型5。

需要说明的是，上述第一模型和第二模型中均包括5个子模型，使用第一模型进行预测时，可以将预测数据集输入对应的5个子模型，得到5个预测结果，而第一模型的实际预测结果为这5个预测结果的平均值；同样的，第二模型的预测方法与第一模型的预测方法相同，也是将5个对应子模型的预测结果的平均值作为实际预测结果。

由于预设模型在训练过程中不仅包括训练数据集，还包括验证数据集和测试数据集。如在第一模型的训练过程中，不仅包括第一训练数据集，还包括第一验证数据集和第一测试数据集，这些第一训练数据集、第一验证数据集和第一测试数据集共同组成第一特征向量和第一标签的集合，其中第一训练数据集、第一验证数据集和第一测试数据集的比例为7:2:1，即若第一特征向量和第一标签的总量为m，则第一训练数据集的总量为0.7m，第一验证数据集的总量为0.2m，第一测试数据集的总量为0.1m。同样的，第二训练数据集、第二验证数据集和第二测试数据集共同组成第二特征向量和第二标签的集合，其中第二训练数据集、第二验证数据集和第二测试数据集的比例为7:2:1，即若第二特征向量和第二标签的总量为m，则第二训练数据集的总量为0.7m，第二验证数据集的总量为0.2m，第二测试数据集的总量为0.1m。当然，上述训练数据集、验证数据集和测试数据集的比例仅为示例性的，本领域的技术人员也可以根据需要设置。

S203、将第一模型和第二模型确定为目标模型。

具体地，根据步骤S201-S202确定第一模型和第二模型后，即可以将第一模型和第二模型组合构成目标模型。示例性的，目标模型的结构可以如图8所示。

上述实施例将第一模型和第二模型结合构成目标模型，通过两个模型对训练数据集的拟合，提高了对终端定位的准确性。

可选的，如图9所示，在步骤S201之前，还包括：

S301、获取第二数据集。

其中，第二数据集包括MDT数据，MDT数据包括终端的经度和纬度，以及第一基站的经度和纬度。

具体地，这里的第二数据集用于为预测模型构建训练数据集，即第一训练数据集和第二训练数据集。该步骤实际是基于MR和MDT的定位装置采集终端的MDT数据的过程，采集周期为7天*24小时。由于MDT数据的上报需要终端开启GPS功能，且相应区域内的基站开启MDT功能，而这将造成网络的负荷，影响网络运行，因此在第二数据集的采集过程中，基于MR和MDT的定位装置需要间断式地采集MDT数据，其他时间则采集到MR数据，即第二数据集实际包括MDT数据和MR数据。

示例性的，这里MDT数据包括的终端的工作参数信息可以如上表2或表4所示；当然，为提高终端定位的准确性，本实施例中MDT数据优选表4的形式进行采集。

需要注意的是，终端对MR数据和MDT数据的上报是周期性进行的，MDT数据占数据总采集量的5％。

S302、根据MDT数据确定第一特征向量。

具体地，这里的第一特征向量可以根据表4所示的MDT数据确定，具体可以如上表5所示。其中各个邻区对应基站相对于主基站的方向角和距离可以根据第一基站和第二基站的经纬度确定，具体方法如下：

如图10所示，提供一种第一基站和第二基站的位置示意图，第二基站为邻区对应的基站。

其中，第一基站的经度enb_lng_Sc和纬度enb_lat_Sc，以及第二基站的经度enb_lng_Nc和纬度enb_lat_Nc可以根据MDT数据获得。第一基站和第二基站之间的距离可以根据下列公式确定：

dis＝111.12{1/[sinAsinB+cosAcosBcos(C-D)]}。

其中，A为第一基站的维度，B为第二基站的维度，C为第一基站的经度，D为第二基站的经度，dis即第一基站和第二基站之间的距离Sc_Nc_Enb_dis。

根据同样的方法即可确定第一基站与第一虚拟点之间的距离，以及第二基站与第一虚拟点之间的距离，进而根据三角函数确定第一基站与第二基站之间的方向角Sc_Nc_Enb_angle。

需要注意的是，这里的第二基站可以是0号邻区对应的第二基站0，也可以是1号邻区对应的第二基站1，也可以是2号邻区对应的第二基站2，因此可以根据上述方法确定0号邻区、1号邻区和2号邻区对应的第二基站与第一基站之间的距离和方向角，从而确定第一特征向量。当然，上述方法仅为示例性的，本领域的技术人员还可以根据其他方法，依据第一基站和第二基站的经纬度确定两者之间的距离和方向角，对此本发明实施例不做限定。

S303、根据终端的经度和纬度，以及第一基站的经度和纬度确定第一标签和第二标签。

具体地，第一标签用于指示终端与第一基站之间的方向角或距离，这里终端与第一基站之间的方向角Ue_Enb_Angle和距离Ue_Enb_Dis同样可以根据MDT数据确定，具体如下：

如图11所示，提供一种终端与第一基站的位置示意图。

其中，终端的经度MR.Longitude和纬度MR.Latitude同样可以从MDT数据获得，终端与第一基站之间的距离Ue_Enb_Dis同样可以根据上述步骤S302确定第一基站和第二基站之间距离的方法确定，并确定第一基站与第二虚拟点之间的距离，以及终端与第二虚拟点之间的距离，进而根据三角函数确定第一基站与终端之间的方向角Ue_Enb_Angle。

第二标签用于指示终端与第一基站之间的经度差值或纬度差值，这里终端与第一基站之间的经度差值Ue_Enb_dx和纬度差值Ue_Enb_dy可以根据MDT数据确定，具体如下：

如图11所示，终端与第一基站之间的经度差值Ue_Enb_dx可以根据终端的经度MR.Longitude和第一基站的经度enb_lng_Sc确定，即Ue_Enb_dx为MR.Longitude和enb_lng_Sc的差值；终端与第一基站之间的纬度差值Ue_Enb_dy可以根据终端的纬度MR.Latitude和第一基站的纬度enb_lat_Sc确定，即Ue_Enb_dy为MR.Latitude和enb_lat_Sc的差值。

如图12所示，本发明实施例提供一种基于MR和MDT的定位装置40，包括：

获取模块401，用于获取第一数据集；第一数据集包括测量报告MR数据。

定位模块402，用于根据获取模块401获取的MR数据和目标模型确定MR数据对应终端的位置；目标模型为根据最小化路测MDT数据预先训练的机器模型。

可选的，如图13所示，基于MR和MDT的定位装置40还包括训练模块403。

训练模块403，用于根据第一特征向量、第一标签和预设模型确定第一模型；第一特征向量包括第一基站和第二基站之间的方向角和距离，第一基站为第一小区对应的基站，第二基站为第二小区对应的基站；第一小区为终端的主小区，第二小区为主小区的邻小区；第一标签用于指示终端与第一基站之间的方向角或距离。

训练模块403，还用于根据第二特征向量、第二标签和预设模型确定第二模型；第二特征向量包括第一特征向量和第三标签，第三标签为第一模型根据第一特征向量预测确定的；第二标签用于指示终端与第一基站之间的经度差值或纬度差值。

训练模块403，还用于将第一模型和第二模型确定为目标模型。

可选的，如图14所示，基于MR和MDT的定位装置40还包括计算模块404。

获取模块401，用于获取第二数据集；第二数据集包括MDT数据，MDT数据包括终端的经度和纬度，以及第一基站的经度和纬度。

计算模块404，用于根据获取模块401获取的MDT数据确定第一特征向量。

计算模块404，还用于根据终端的经度和纬度，以及第一基站的经度和纬度确定第一标签和第二标签。

可选的，定位模块402，具体用于：根据MR数据和第一模型确定终端与第一基站之间的方向角和距离；根据MR数据、第一模型确定终端与第一基站之间的方向角和距离，以及第二模型确定终端与第一基站之间的经度差值和纬度差值；根据终端与第一基站之间的经度差值和纬度差值，以及第一基站的经度和纬度确定终端的位置。

本发明实施例提供的基于MR和MDT的定位装置，包括：获取模块，用于获取第一数据集；第一数据集包括测量报告MR数据；定位模块，用于根据获取模块获取的MR数据和目标模型确定MR数据对应终端的位置；目标模型为根据最小化路测MDT数据预先训练的机器模型。本发明实施例通过终端的MDT数据预先训练机器模型，以确定目标模型；由于MR数据与MDT数据类似，其区别在于MDT数据包括终端等设备的位置信息，而MR数据未包含该类信息，因此可以使用目标模型根据MR数据确定终端等设备的位置信息；相比现有的定位方法，本发明实施例通过机器模型确定终端的位置不仅提高了定位精度，且定位成本较低。

如图15所示，本发明实施例还提供另一种基于MR和MDT的定位装置，包括存储器51、处理器52、总线53和通信接口54；存储器51用于存储计算机执行指令，处理器52与存储器51通过总线53连接；当基于MR和MDT的定位装置运行时，处理器52执行存储器51存储的计算机执行指令，以使基于MR和MDT的定位装置执行如上述实施例提供的基于MR和MDT的定位方法。

在具体的实现中，作为一种实施例，处理器52(52-1和52-2)可以包括一个或多个CPU，例如图15中所示的CPU0和CPU1。且作为一种实施例，基于MR和MDT的定位装置可以包括多个处理器52，例如图15中所示的处理器52-1和处理器52-2。这些处理器52中的每一个CPU可以是一个单核处理器(single-CPU)，也可以是一个多核处理器(multi-CPU)。这里的处理器52可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

存储器51可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD-ROM)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51可以是独立存在，通过总线53与处理器52相连接。存储器51也可以和处理器52集成在一起。

在具体的实现中，存储器51，用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器52可以通过运行或执行存储在存储器51内的软件程序，以及调用存储在存储器51内的数据，基于MR和MDT的定位装置的各种功能。

通信接口54，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如控制系统、无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。通信接口54可以包括接收单元实现接收功能，以及发送单元实现发送功能。

总线53，可以是工业标准体系结构(industry standard architecture，ISA)总线、外部设备互连(peripheral component interconnect，PCI)总线或扩展工业标准体系结构(extended industry standard architecture，EISA)总线等。该总线53可以分为地址总线、数据总线、控制总线等。为便于表示，图15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。

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包括计算机执行指令，当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的基于MR和MDT的定位方法。

本发明实施例还提供一种计算机程序，该计算机程序可直接加载到存储器中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述实施例提供的基于MR和MDT的定位方法。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种基于MR和MDT的定位方法，其特征在于，包括：

根据MDT数据确定第一特征向量；

根据所述第一特征向量、第一标签和预设模型确定第一模型；所述第一特征向量包括第一基站和第二基站之间的方向角和距离，所述第一基站为第一小区对应的基站，所述第二基站为第二小区对应的基站；所述第一小区为终端的主小区，所述第二小区为所述主小区的邻小区；所述第一标签用于指示所述终端与第一基站之间的方向角或距离；

根据第二特征向量、第二标签和所述预设模型确定第二模型；所述第二特征向量包括所述第一特征向量和所述第一模型根据所述第一特征向量预测的结果；所述第二标签用于指示所述终端与所述第一基站之间的经度差值或纬度差值；

将所述第一模型和所述第二模型确定为目标模型；

获取第一数据集；所述第一数据集包括测量报告MR数据；

根据所述MR数据和所述目标模型确定所述MR数据对应终端的位置，包括：

根据所述MR数据和所述第一模型确定所述终端与所述第一基站之间的方向角和距离；

根据所述MR数据、所述第一模型确定的所述终端与第一基站之间的方向角和距离，以及所述第二模型确定所述终端与所述第一基站之间的经度差值和纬度差值；

根据所述终端与所述第一基站之间的经度差值和纬度差值，以及所述第一基站的经度和纬度确定所述终端的位置；

所述目标模型为根据最小化路测MDT数据预先训练的机器模型。

2.根据权利要求1所述的基于MR和MDT的定位方法，其特征在于，在所述根据第一特征向量、第一标签和预设模型确定第一模型之前，还包括：

获取第二数据集；所述第二数据集包括MDT数据，所述MDT数据包括所述终端的经度和纬度，以及所述第一基站的经度和纬度；

根据所述终端的经度和纬度，以及所述第一基站的经度和纬度确定所述第一标签和所述第二标签。

3.一种基于MR和MDT的定位装置，其特征在于，包括：

训练模块，用于根据第一特征向量、第一标签和预设模型确定第一模型；所述第一特征向量包括第一基站和第二基站之间的方向角和距离，所述第一基站为第一小区对应的基站，所述第二基站为第二小区对应的基站；所述第一小区为终端的主小区，所述第二小区为所述主小区的邻小区；所述第一标签用于指示所述终端与第一基站之间的方向角或距离；

所述训练模块，还用于根据第二特征向量、第二标签和所述预设模型确定第二模型；所述第二特征向量包括所述第一特征向量和所述第一模型根据所述第一特征向量预测的结果；所述第二标签用于指示所述终端与所述第一基站之间的经度差值或纬度差值；

所述训练模块，还用于将所述第一模型和所述第二模型确定为目标模型；

获取模块，用于获取第一数据集；所述第一数据集包括测量报告MR数据；

计算模块，用于根据所述获取模块获取的MDT数据确定所述第一特征向量；

定位模块，用于根据所述获取模块获取的所述MR数据和所述目标模型确定所述MR数据对应终端的位置；所述目标模型为根据最小化路测MDT数据预先训练的机器模型；

所述定位模块，具体用于：

根据所述终端与所述第一基站之间的经度差值和纬度差值，以及所述第一基站的经度和纬度确定所述终端的位置。

4.根据权利要求3所述的基于MR和MDT的定位装置，其特征在于，

所述获取模块，用于获取第二数据集；所述第二数据集包括所述MDT数据，所述MDT数据包括所述终端的经度和纬度，以及所述第一基站的经度和纬度；

所述计算模块，还用于根据所述终端的经度和纬度，以及所述第一基站的经度和纬度确定所述第一标签和所述第二标签。

5.一种基于MR和MDT的定位装置，其特征在于，包括存储器、处理器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接；当所述基于MR和MDT的定位装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述基于MR和MDT的定位装置执行如权利要求1-2任一项所述的基于MR和MDT的定位方法。

6.一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包括计算机执行指令，当所述计算机执行指令在计算机上运行时，使得所述计算机执行如权利要求1-2任一项所述的基于MR和MDT的定位方法。