CN113055901A - 一种终端定位的方法和装置 - Google Patents

Abstract

本发明涉及一种终端定位方法，包括信息收集步骤，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自N个基站的信号相关的信息，并利用N个基站的身份信息查询N个基站的位置信息；计算步骤，利用第一终端和N个基站的位置信息，计算第一终端与N个基站之间的距离以及N个基站之间的相对距离，并生成基站和终端位置信息的样本数据；训练步骤，将该样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及定位步骤，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自M个基站的信号相关的信息以及距离预测模型，获得第二终端的位置。

Description

一种终端定位的方法和装置

技术领域

本公开涉及通信领域，更具体地，本公开涉及一种利用基站的位置信息和信号相关信息进行机器学习以进行终端定位的方法和装置。

背景技术

随着基于位置服务应用的数量急剧增长，对终端的精确的定位技术的需求引起了更多的关注。

在室外环境中，通常使用基于信号强度的信息(例如，RSSI)的测距技术确定待定位的终端位置和参考点之间的距离，再根据待定位的终端位置与三个己知位置的参考点(例如，基站)距离，利用三边定位法来计算待定位终端的具体位置。但是受到信号传播中损耗或噪声影响，采用上述方法的定位精度不高。

基于机器学习的指纹定位法通常将地图划分为规则的网格，然后在每个网格上采集射频信号强度信息，组建指纹库并获取定位模型(例如，通过多分类回归算法获取的模型)。在定位阶段，根据待定位终端观测到的信号强度信息，通过定位模型进行位置计算，从而确定待定位终端位于在某个格子的概率。指纹定位法不受信号传播中的路径损耗影响，定位精度相比于传统测距的三边定位法能得到很大提升。但指纹定位法对训练样本采集有较高要求，例如，在样本数据覆盖不全的情况下，网格划分密则定位精度高但正确率低，网格稀疏则定位准确率高但定位精度低。

因此，需要一种精度较高且对训练样本数据要求更为简单的终端定位的方法和装置。

发明内容

在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。

根据本公开的一个方面，提供了一种终端定位方法，包括：信息收集步骤，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自所述N个基站的信号相关的信息，并利用所述N个基站的身份信息查询所述N个基站的位置信息，其中N为正整数；计算步骤，利用第一终端的位置信息和所述N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成样本数据，所述样本数据包括第一终端的位置信息、所述N个基站的位置信息、所述第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离；训练步骤，将所述样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及定位步骤，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自所述M个基站的信号相关的信息以及所述距离预测模型，获得第二终端的位置，其中M为大于或等于3的正整数。

根据本公开的一个方面，提供了一种基于基站的位置信息的终端定位装置，包括：信息收集单元，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自所述N个基站的信号相关的信息，并利用所述N个基站的身份信息查询所述N个基站的位置信息，其中N为正整数；计算单元，利用第一终端的位置信息和所述N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成样本数据，所述样本数据包括第一终端的位置信息、所述N个基站的位置信息、所述第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离；训练单元，将所述样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及定位单元，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自所述M个基站的信号相关的信息以及所述距离预测模型，获得第二终端的位置，其中M为大于或等于3的正整数。

根据本发明的另一个方面，提供了一种终端定位的系统，该系统包括：一个或更多个处理器；以及一个或更多个存储器，被配置为存储一系列计算机可执行指令，其中所述一系列计算机可执行指令在由所述一个或更多个处理器运行时使得所述一个或更多个处理器执行如上所述的方法。

根据本发明的另一个方面，提供了一种非暂态的计算机可读介质，其上存储有计算机可执行指令，所述计算机可执行指令在由一个或更多个处理器运行时使得所述一个或更多个处理器执行如上所述的方法。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得更为清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1是示出了包括终端与以及可以与该终端进行通信的多个基站的系统的示例。

图2是示出了根据本发明一个示例性实施例的终端定位的方法的示例性流程图。

图3是示出了根据本发明一个示例性实施例的训练距离预测模型的方法的具体流程图。

图4A是示出了根据本发明一个示例性实施例的根据训练距离预测模型进行终端定位的方法的具体流程图。

图4B是示出了根据本发明一个示例性实施例的进行终端定位的系统的示例。

图5是示出了根据本发明一个示例性实施例的系统的构成的示意图。

图6是示出可以实现根据本发明的实施例的计算设备的示例性配置图。

注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，本公开并不限于附图等所公开的位置、尺寸及范围等。

具体实施方式

下面将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。也就是说，本文中的结构及方法是以示例性的方式示出，来说明本公开中的结构和方法的不同实施例。然而，本领域技术人员将会理解，它们仅仅说明可以用来实施的本公开的示例性方式，而不是穷尽的方式。此外，附图不必按比例绘制，一些特征可能被放大以示出具体组件的细节。

本公开提出了一种终端定位名称的方法，包括信息收集步骤，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自所述N个基站的信号相关的信息，并利用所述N个基站的身份信息查询所述N个基站的位置信息；计算步骤，利用第一终端的位置信息和所述N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成样本数据，所述样本数据包括第一终端的位置信息、所述N个基站的位置信息、所述第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离；训练步骤，将所述样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及定位步骤，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自所述M个基站的信号相关的信息以及所述距离预测模型，获得第二终端的位置，其中M为大于或等于3的正整数。

传统的机器学习终端定位中采用基站ID编码和无线信号数据为机器学习训练样本数据，但是基站的ID编码并不总具有计算意义，因此不利于机器学习发现终端与基站间的距离与无线信号之间的关联特征。另一方面，如果利用指纹分类法将地图分为网格来进行机器学习，则对训练数据样本的要求较高。

本公开的技术方案利用二维矩阵表示的多个基站位置代替基站ID编码，与信号强度、信号质量、终端与基站距离构成训练样本集，用深度学习的方法获得距离预测模型，从而降低了对深度学习的数据样本的高要求，对各类室外位置服务业务有更好的适用性。

图1是示出了包括终端与以及可以与该终端进行通信的多个基站的系统100的示例。如图1所示，系统100包括一个用户终端(User End)UE1以及6个接入点AP1-AP6。

如图1所示在用户终端周围存在多个接入点AP1-AP6，UE1可以通过使用不同的AP进行通信。

本文中所述的AP可以是任何提供网络通信服务的节点，比如基站、小基站等。基站可以被实现为任何类型的演进型节点B(eNB)，诸如宏eNB和小eNB。小eNB可以为覆盖比宏小区小的小区的eNB，诸如微微eNB、微eNB和家庭(毫微微)eNB。另外，本文中各个AP具有可以识别其身份的信息，例如，小区ID。另外，各个AP的位置(例如，坐标信息)可以与其身份信息相关联的存储在与AP通信的服务器中。UE或者用户终端可以是任何终端设备或者提供服务的无线通信设备。例如，终端可以被实现为移动终端(诸如智能电话、平板个人计算机(PC)、笔记本式PC、便携式游戏终端等)。此外，终端可以是安装在上述终端中的每个终端上的无线通信模块。在图1所示的场景中，UE1可以处于移动状态。

在UE1位置已知的情况下，可以利用其位置信息、与UE1通信的AP1-AP6的位置信息以及UE1接收到的来自AP1-AP6的信号相关的参数(例如，参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、接收的信号强度指示(RSSI)和信噪比(SNR)等)作为训练数据，根据本公开的训练距离预测模型的方法(在下文中将参考图2、3进行详细描述)生成训练数据以进行机器学习，从而获得距离预测模型。本领域技术人员应该理解，虽然图1中示出了6个AP，但是用于作为训练模型的系统中的参考点(例如，基站或AP)的数量可以是任意的。

在获得距离预测模型后，如果存在位置未知并且可以与AP1-AP6通信的终端UE2(图中未示出)，可以根据本公开的终端定位方法(在下文中将参考图2、4进行详细描述)利用距离预测模型获得UE2与AP1-AP6之间的距离，最后获得UE2的位置。

图2是示出了根据本发明一个示例性实施例的终端定位的方法200的示例性流程图。如图2所示，该终端定位的方法200可以包括：信息收集步骤210、计算步骤220、训练步骤230和定位步骤240。

首先，在信息收集步骤210中，利用位置信息已知的第一终端(例如，图1中示出的UE1)接收预定范围内可通信的N个基站(例如，图1中示出的AP1-AP6)的身份信息(例如，AP1-AP6的小区ID)、与第一终端接收的来自所述N个基站的信号相关的信息，并利用N个基站的身份信息查询所述N个基站的位置信息(例如，AP1-AP6的坐标)。

在一些实施方式中，上述信息收集可以由第一终端完成，或由与第一终端通信的远程处理器完成。通常，基站的位置信息是与其身份信息相关联地存储在远程的数据库中的，第一终端通过与数据库通信来获取所述N个基站的位置信息。

然后，在计算步骤220中，利用已知的第一终端的位置信息和N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成基站和终端位置信息的样本数据。优选地，N可以是大于等于3的正整数。

在一些实施方式中，N个基站之间的相对距离可以被处理为反映反映N个基站之间位置关系的拓扑结构的形式(例如，以二维矩阵的形式，其中基站之间的相对距离按照从大到小的顺序进行排列)。

然后，在训练步骤230中，将位置信息的样本数据(即，第一终端的位置信息，以及第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离)以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型。

在一些实施方式中，第一终端接收的信号相关的信息可以包括信号的强度、信号质量相关的信息。例如，上述信息可以是第一终端采集到的来自N个基站的接收信号强度和信号质量。

在一些实施方式中，上述距离预测模型是由多层神经网络经机器学习后获得的。例如，上述多层神经网络可以包括多层全连接误差逆传播网络。

然后，在定位步骤240中，需要定位位置未知的第二终端。第二终端可以获取与第二终端通信的M个基站的身份信息、以及与第二终端接收到的来自M个基站的信号相关的信息(例如接收信号强度和信号质量)，其中M为大于或等于3的正整数。将上述信息输入距离预测模型，获得第二终端与M个基站之间的距离，从而获得第二终端的位置。在下文中将参考图4A和4B具体说明根据本发明实施例的根据训练距离预测模型进行终端定位的方法。

在一些实施方式中，可以根据第二终端与M个基站之间的距离，采用三边定位法获得第二终端的位置。例如，可以通过最小二乘法进行三边定位求解第二终端的位置。

为了更清楚明了地体现出本发明的方法流程，下面将参考图3描述根据本发明的一个具体实施例。图3是示出了根据本发明一个示例性实施例的训练距离预测模型的方法的详细步骤图。为了方便叙述，假设位置已知的第一终端是图1中示出的UE1，并且与其通信的N个基站是AP1-AP6。

首先，在步骤310处，第一终端UE1的位置坐标是已知的，另外通过UE1收集AP1-AP6的小区ID以及与接收信号相关的参数(例如，RSRP和RSRQ)。例如，上述信息可以被表示为如下矩阵的形式：

(cell1,rsrp1,rsrq1)(cell2,rsrp2,rsrq2)

(cell3,rsrp3,rsrq3)(cell4,rsrp4,rsrq4)

(cell5,rsrp5,rsrq5)(cell6,rsrp6,rsrq6)

其中cell1-cell6表示AP1-AP6的小区ID，rsrp1-rsrp 6表示AP1-AP6的参考信号接收功率，rsrq1-rsrq 6表示AP1-AP6的参考信号接收质量。随后，处理进行到步骤320处。

在步骤320中，第一终端UE1根据获取到的AP的小区ID(即，cell1-cell6)，在AP位置坐标数据库中查询对应的AP位置坐标。随后，处理进行到步骤330处。

在步骤330中，根据AP1-AP6的坐标信息和UE1的坐标信息，计算AP1-AP6之间的距离以及UE1分别至AP1-AP6之间的相对距离，并生成位置信息的样本数据。在一些实施方式中，该位置信息的样本数据可以反映信息收集的时刻，UE1与AP1-AP6位置关系的拓扑结构。随后，处理进行到步骤340处。

在步骤340中，将UE1与AP1-AP6的位置信息的样本数据以及与UE1接收的信号相关的信息作为训练数据集。在一些实施方式中，例如，AP1与其他AP之间的距离可以表示为(cell1_6,cell1_4,cell1_5,cell1_3,cell1_2)，其中cell i_j表示APi到APj的距离(例如，cell1_2表示AP1到AP2的距离)，一行中的距离以到大到小排序。因此，结合UE1与AP1-AP6的位置信息的样本数据以及与UE1接收的信号相关的信息的训练数据集可以被表示为如下矩阵的形式：

(cell1_6,cell1_4,cell1_5,cell1_3,cell1_2,rsrp1,rsrq1,1)

(cell2_3,cell2_5,cell2_1,cell2_4,cell2_6,rsrp2,rsrq2,0)

(cell3_5,cell3_2,cell3_1,cell3_4,cell3_6,rsrp3,rsrq3,0)

(cell4_2,cell4_5,cell4_3,cell4_1,cell4_6,rsrp4,rsrq4,0)

(cell5_3,cell5_2,cell5_4,cell5_1,cell5_6,rsrp5,rsrq5,0)

(cell6_3,cell6_5,cell6_2,cell6_4,cell6_1,rsrp6,rsrq6,0)

Label：98

其中，rsrp1-rsrp6表示UE1接收到的来自AP1-AP6的参考信号接收功率，rsrq1-rsrq6表示AP1-AP6的参考信号接收质量；最后的1/0为表示距离估算的标志位；Label位表示信息收集时刻UE1与标志位为1的AP(此处为AP1)之间的相对距离。随后，处理进行到步骤350处。

在步骤350中，将处理好的上述训练数据集输入到多层网络中进行机器学习，以获取距离预测模型。在一些实施方式中，该多层网络包括多层全连接误差逆传播网络。具体而言，利用机器学习的方法，基于结合UE1与AP1-AP6的位置信息的样本数据以及与UE1接收的信号相关的信息的训练数据集、预设的损失函数(即，预测得到的距离与真实距离的误差的函数)以及误差逆传播(反向传播)算法对上述多层网络进行训练，训练的方向为使得损失函数的值最小，最后得到距离预测模型。理想状态下，根据本公开的技术方案的距离预测模型可以使得输出结果的精度达到20×20×50米。

下面将参考图4A和图4B描述根据本发明的利用图3所示的方法获得距离预测模型后，使用距离预测模型定位位置未知终端的具体示例。图4A是示出了根据本发明一个示例性实施例的利用距离预测模型进行终端定位的方法的详细步骤图。为了方便叙述，假设图4B中示出的UE2是位置未知的第二终端，并且与其通信AP7-AP9是与第二终端通信的M个基站。

首先，在步骤410处，UE2获取可以与其通信的多个AP的小区ID(即，AP7-AP9的小区ID cell7-cell9)以及与接收信号相关的参数(例如，RSRP7-RSRP 9和RSRQ7-RSRP 9)。随后，处理进行到步骤420。

在步骤420处，基于已经获取的小区ID(cell7-cell9)，从存储AP位置信息的数据库中查询对应的小区ID的位置信息，例如，AP7-AP9的坐标位置(x₇,y₇)、(x₈,y₈)、(x₉,y₉)。随后，处理进行到步骤430处。

在步骤430处，利用预先训练好的距离预测模型，将与接收信号相关的参数(例如，RSRP7-RSRP 9和RSRQ7-RSRQ9)作为特征输入距离预测模型，将获得UE2与AP7-AP9之间的预测的相对距离。随后，处理进行到步骤440。

在步骤440处，已知AP7-AP9的坐标位置，以及UE2与AP7-AP9之间的相对距离，利用三边定位法可以计算得到UE2的坐标位置。

在一些实施方式中，理想的三边定位法如图4B所示。例如，三个测量点的坐标为(x₇,y₇)、(x₈,y₈)、(x₉,y₉)，待测量点UE2的坐标为(x，y)，待测量点与三个测量点之间的距离为d₇、d₈、d₉，根据三边定位算法公式，可以得到如下方程组：

(x-x₇)²+(y-y₇)²＝d₇ ²

(x-x₈)²+(y-y₈)²＝d₈ ²

(x-x₉)²+(y-y₉)²＝d₉ ²

但是，当三个AP7-AP9位置选择不理想导致如图4B所示的这组圆无法交于一点时，可以采用最小二乘法来进一步求解UE2的位置。

图4B中示出了UE2与三个AP进行通信和信号数据收集以进行定位的方法，但是本公开不限于此，UE2可以与更多个AP进行通信和信号数据收集，从而使得UE2的位置估算更为准确。另外，由于三边定位法至少需要三个已知位置的点，因此UE2的信号数据收集的AP来源应大于等于3个(即，与第二终端通信的M个基站，其中M大于或等于3)。

图5是示出了根据本发明一个示例性实施例的用于终端定位的装置500的基本配置的框图。

如图5所示，该终端定位的装置500包括：信息收集单元510、计算单元520、训练单元530和定位计算单元540。其中，信息收集单元510，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自所述N个基站的信号相关的信息，并利用所述N个基站的身份信息查询所述N个基站的位置信息；计算单元520，利用第一终端的位置信息和N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成基站和终端位置信息的样本数据；训练单元530，将所述位置信息的样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及定位单元540，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自所述M个基站的信号相关的信息以及所述距离预测模型，获得第二终端的位置，其中M为大于或等于3的正整数。本领域技术人员应当理解，终端定位的装置500所包含的部件可以不限于上述部件510-540，而是可以包括用于实现根据本发明实施例的前述方法的其他步骤的部件。装置500的各个部件可以由硬件、软件、固件或其任意组合来实现。另外，本领域技术人员也应当理解，装置500的各个部件可以根据需要被组合或分割成子部件。装置500的上述各个部件不限于上述的各个功能，而是可以实现如前所述的根据本发明实施例的各种方法的相应步骤的功能。

图6示出了可以实现根据本发明的实施例的计算设备2000的示例性配置。计算设备2000是可以应用本发明的上述方面的硬件设备的实例。计算设备2000可以是被配置为执行处理和/或计算的任何机器。计算设备2000可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(PDA)、智能电话、车载计算机或以上组合。前述装置500可以全部或至少部分地由上述计算设备2000或与其相似的设备或系统实现。

如图6所示，计算设备2000可以包括可能经由一个或多个接口与总线2002连接或通信的一个或多个元件。例如，计算设备2000可以包括总线2002、一个或多个处理器2004、一个或多个输入设备2006以及一个或多个输出设备2008。总线2002可以包括但不限于，工业标准架构(Industry Standard Architecture，ISA)总线、微通道架构(Micro ChannelArchitecture，MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。一个或多个处理设备2004可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。输入设备2006可以是能够向计算设备输入信息的任何类型的输入设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备2008可以是能够呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备2000还可以包括或被连接至非暂态存储设备2010，该非暂态存储设备2010可以是任何非暂态的并且可以实现数据存储的存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、缓存存储器和/或任何其他存储芯片或单元、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。非暂态存储设备2010可以与任何接口可拆卸地连接。非暂态存储设备2010可以具有存储于其上的、用于实现前述用于在区块链网络中进行共识的方法和/或步骤的数据/指令/代码。计算设备2000还可以包括通信设备2012，该通信设备2012可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统，并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙^TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。

计算设备2000还可以包括工作存储器2014。该工作存储器2014可以是能够存储对于处理器2004有用的指令和/或数据的任何类型的工作存储器，并且可以包括但不限于随机存取存储器(RAM)和只读存储器(ROM)。

位于上述工作存储器上的软件元件可以包括但不限于操作系统2016、一个或多个应用程序2018、驱动器和/或其他数据和代码。上述一个或多个应用程序2018可以包括用于执行如上所述的终端定位的各方法及各步骤的指令。可以通过读取和执行一个或多个应用程序2018的处理器实现前述终端定位的系统400的各部件/单元/元件，例如信息收集单元410、计算单元420、训练单元430及定位单元440等等。软件元件的指令的可执行代码或源代码可以存储在非暂态计算机可读存储介质(诸如如上所述的存储设备2010)中，并且可以通过编译和/或安装读入工作存储器2014中。还可以从远程位置下载软件元件的指令的可执行代码或源代码。

应当理解，可以根据特定要求进行变型。例如，可以使用定制的硬件和/或特定元件可以以硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合的方式实现。此外，可以采用与其他计算设备(诸如网络输入/输出设备)的连接。例如，本发明的方法和设备中的一些或全部可以根据本发明通过使用汇编语言编程硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)或逻辑和算法的硬件编程语言(例如VERILOG，VHDL，C++)来实现。

应当进一步理解，计算设备2000的元件可以分布在整个网络上。例如，可以在使用一个处理器执行一些处理的同时，使用其他远程处理器执行其他处理。计算机系统2000的其他元件也可以类似地分布。因此，计算设备2000可以被理解为在多个地点执行处理的分布式计算系统。

可以通过许多方式来实施本发明的方法和设备。例如，可以通过软件、硬件、固件、或其任何组合来实施本发明的方法和设备。上述的方法步骤的次序仅是说明性的，本发明的方法步骤不限于以上具体描述的次序，除非以其它方式明确说明。此外，在一些实施例中，本发明还可以被实施为记录在记录介质中的程序，其包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于实现根据本发明的方法的程序的记录介质。

虽然已通过示例详细展示了本发明的一些具体实施例，但是本领域技术人员应当理解，上述示例仅意图是说明性的而不限制本发明的范围。本领域技术人员应该理解，上述实施例可以在不脱离本发明的范围和实质的情况下被修改。本发明的范围是通过所附的权利要求限定的。

Claims (14)

1.一种终端定位方法，包括：

信息收集步骤，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自所述N个基站的信号相关的信息，并利用所述N个基站的身份信息查询所述N个基站的位置信息，其中N为正整数；

计算步骤，利用第一终端的位置信息和所述N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成样本数据，所述样本数据包括第一终端的位置信息、所述N个基站的位置信息、所述第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离；

训练步骤，将所述样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及

定位步骤，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自所述M个基站的信号相关的信息以及所述距离预测模型，获得第二终端的位置，其中M为大于或等于3的正整数。

2.如权利要求1所述的方法，其中所述定位步骤还包括采用三边定位法获得第二终端的位置。

3.如权利要求1所述的方法，其中所述训练步骤还包括根据所述样本数据以及与第一终端接收的信号相关的信息生成反映N个基站之间位置关系的拓扑结构。

4.如权利要求3所述的方法，其中所述训练步骤还包括所述拓扑结构为二维矩阵。

5.如权利要求1所述的方法，其中所述基站的身份信息包括小区ID。

6.如权利要求1所述的方法，其中所述基站的信号相关的信息包括与信号的强度、信号质量相关的信息。

7.一种基于基站的位置信息的终端定位装置，包括：

信息收集单元，利用位置信息已知的第一终端接收预定范围内可通信的N个基站的身份信息、与第一终端接收的来自所述N个基站的信号相关的信息，并利用所述N个基站的身份信息查询所述N个基站的位置信息，其中N为正整数；

计算单元，利用第一终端的位置信息和所述N个基站的位置信息，计算第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离，并生成样本数据，所述样本数据包括第一终端的位置信息、所述N个基站的位置信息、所述第一终端与所述N个基站之间的距离以及所述N个基站之间的相对距离；

训练单元，将所述样本数据以及与第一终端接收的信号相关的信息作为训练数据进行机器学习，获得距离预测模型；以及

定位单元，基于第二终端接收到可通信的M个基站的身份信息、与第二终端接收到的来自所述M个基站的信号相关的信息以及所述距离预测模型，获得第二终端的位置，其中M为大于或等于3的正整数。

8.如权利要求7所述的装置，其中所述定位单元还被配置为采用三边定位法获得第二终端的位置。

9.如权利要求7所述的装置，其中所述训练单元还被配置为根据所述样本数据以及与第一终端接收的信号相关的信息生成反映N个基站之间位置关系的拓扑结构。

10.如权利要求9所述的装置，其中所述拓扑结构为二维矩阵。

11.如权利要求7所述的装置，其中所述基站的身份信息包括小区ID。

12.如权利要求7所述的装置，其中所述基站的信号相关的信息包括与信号的强度、信号质量相关的信息。

13.一种终端定位系统，其特征在于包括：

一个或更多个处理器；以及

一个或更多个存储器，被配置为存储一系列计算机可执行指令，

其中所述一系列计算机可执行指令在由所述一个或更多个处理器运行时使得所述一个或更多个处理器执行根据权利要求1-6中的任意一项所述的方法。

14.一种非暂态计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现权利要求1-6中的任意一项所述的方法的步骤。

Images