CN109874149A - 移动终端的定位方法、装置及计算机可读存储介质 - Google Patents
移动终端的定位方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109874149A CN109874149A CN201711250447.4A CN201711250447A CN109874149A CN 109874149 A CN109874149 A CN 109874149A CN 201711250447 A CN201711250447 A CN 201711250447A CN 109874149 A CN109874149 A CN 109874149A
- Authority
- CN
- China
- Prior art keywords
- mobile terminal
- vector
- measurement report
- sector
- decision function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开一种移动终端的定位方法、装置及计算机可读存储介质，属于移动通信技术领域。所述方法包括：获取待定位终端的移动终端测量报告；将移动终端测量报告划分为多组，每组包含多个移动终端测量报告；从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；获取定位模型，将合并特征矢量代入定位模型的决策函数进行遍历判决，确定待定位终端的位置信息。本发明可以减少在线定位耗时、降低在线定位阶段的计算复杂度，使得实时定位性能大幅度提升。
Description
技术领域
本发明涉及移动通信技术领域，尤其涉及一种移动终端定位的方法及装置，具体的讲是一种基于支持向量机的移动终端的定位方法、装置及计算机可读存储介质。
背景技术
移动终端定位是指通过特定的定位技术来获取移动终端用户的位置信息，在电子地图上标出被定位对象的位置的技术或服务。随着移动通信网络不断扩大应用范围和规模，对网络的管理和优化显得越来越重要。快速精准的移动终端定位能有效支持移动通信网络的管理和优化，是移动通信领域的关键技术之一。通过移动终端定位，可以进行网络的网络干扰分析、越区覆盖分析、覆盖评估分析、网络质量分析、话务热点区域分析、隐性故障分析等诸多网络优化分析，从而为网络的频率规划提供依据。
目前移动终端定位技术分为三类：基于网络无需移动台帮助(TOA、AOA、CELL-ID)、基于移动台需要网络帮助(AFLT、E-OTD、OTDOA-IPDL、A-GPS)、基于移动台无需网络帮助(GPS)。TOA定位在以基站为中心，以TOA*光速为半径的圆上；AOA定位在以基站为中心，角度为AOA的一条直线上；CELL-ID通过移动终端所在小区的识别号，确定其所在区域。AFLT、E-OTD、OTDOA-IPDL的基本原理相同，利用移动终端接收到不同基站发出信号到达该移动终端时间差，通过算法软件计算经纬度；A-GPS通过网络存储GPS信息，当移动终端尝试进行GPS测量时，网络提供辅助数据，使移动终端更快更准确获取GPS数据。GPS是通过已知位置的卫星来确定移动终端的位置。
但是，上述的移动终端定位技术在实施时至少存在以下缺陷：TOA定位方式初始投资高，整个网需要建立大量LMU，现有GSM网要实现同步还需进行改造；当定位需求增多时，手机需频繁强制执行切换命令，使GSM网的信令传输量增加。AOA定位要求被测量的移动终端与参与测量的所有基站之间，射频信号是视线传输(LOS)的，而且由于天线设备角分辨率的限制，AOA的测量精度是随着基站与移动站之间的距离的增加而不断减小的。CELL-ID精度较差。AFLT、E-OTD、OTDOA-IPDL定位方式需要更新或替换软件；由于同时受RTD和几何距离参数的影响，定位精度较低。A-GPS必须联网，如果移动终端不能上网或者停机，则无法应用AGPS。GPS定位精度受终端所处环境的影响较大，如用户在室内或在高大建筑物之间时，由于可见的GPS卫星数量较少，定位精度将降低，甚至无法完成定位。
发明内容
本发明实施例提供了一种移动终端的定位方法、装置及一种计算机可读存储介质，以解决现有的移动终端定位技术需要增加新的设备、定位精度受距离限制以及定位精度不高的问题。
第一方面，本发明实施例提供了一种移动终端的定位方法，包括：获取待定位终端的移动终端测量报告；将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告；从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；获取定位模型，所述定位模型通过离线训练移动终端测量报告样本数据获得，具体为：采集相关定位区域的移动终端测量报告样本数据，从所述移动终端测量报告样本数据中提取信息构成特征矢量，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到所述定位模型；将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
第二方面，本发明实施例还提供了一种移动终端的定位方法，包括：采集路测信息，生成相关定位区域的移动终端测量报告样本数据；从所述移动终端测量报告样本数据中提取移动终端当前位置的经纬度信息、所在主服务扇区和多个临扇区的位置区域代码、扇区标识和接收电平信息，构成特征矢量；网格化所述相关定位区域，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数；将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，并根据所述任意两个类决策函数的支持向量和系数，得到所述具有一次矢量内积计算的决策函数的参数值；存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到支持向量机定位模型；采集待定位终端的移动终端测量报告数据并代入到所述支持向量机定位模型中，遍历所述决策函数，定位出所述待定位终端所在的网格区域，将所述定位出的网格区域的中心经纬度确定为所述待定位终端的位置。
第三方面，本发明实施例提供了一种移动终端的定位装置，包括：测量报告获取模块，用于获取待定位终端的移动终端测量报告；测量报告划分模块，用于将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告；合并特征矢量生成模块，用于从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；定位模型获取模块，用于获取定位模型，所述定位模型通过离线训练移动终端测量报告样本数据获得，具体为：采集相关定位区域的移动终端测量报告样本数据，从所述移动终端测量报告样本数据中提取信息构成特征矢量，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到所述定位模型；终端位置确定模块，用于将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
第四方面，本发明实施例提供了一种移动终端的定位装置，包括：测量报告生成模块，用于采集路测信息，生成相关定位区域的移动终端测量报告样本数据；特征矢量构造模块，用于从所述移动终端测量报告样本数据中提取移动终端当前位置的经纬度信息、所在主服务扇区和多个临扇区的位置区域代码、扇区标识和接收电平信息，构成特征矢量；训练模块，用于网格化所述相关定位区域，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数；计算模块，用于将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，并根据所述任意两个类决策函数的支持向量和系数，得到所述具有一次矢量内积计算的决策函数的参数值；存储模块，用于存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到支持向量机定位模型；定位模块，用于采集待定位终端的移动终端测量报告数据并代入到所述支持向量机定位模型中，遍历所述决策函数，定位出所述待定位终端所在的网格区域，将所述定位出的网格区域的中心经纬度确定为所述待定位终端的位置。
第五方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现如第一方面所述方法的步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现如第二方面所述方法的步骤。
本发明实施例所提供的基于支持向量机的移动终端定位方法、装置及计算机可读存储介质，通过离线训练移动终端测量报告样本数据获取定位模型，减少了在线定位耗时；并且，选择运算速度快的线性核函数，对支持向量机决策函数进行转化使定位阶段的决策函数计算的矢量内积次数降为一次，大幅度降低了在线定位阶段的计算复杂度，使得实时定位性能大幅度提升。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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为本发明的移动终端的定位方法的一实施例的处理流程图；
图2为本发明实施例的定位模型生成方法的处理流程图；
图3为本发明的移动终端的定位方法的另一个实施例的处理流程图；
图4为本发明实施例的移动终端的定位装置的结构示意图；
图5为图4所示实施例中的合并特征矢量生成模块403的一种实施方式的结构示意图；
图6为图4所示实施例中的合并特征矢量生成模块403的另一种实施方式的结构示意图；
图7为本发明的移动终端的定位装置的另一实施例的结构示意图；
图8为本发明的移动终端的定位方法的又一个实施例的处理流程图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
图1示出了本发明实施例的移动终端的定位方法的处理流程图。如图1所示，本实施例的移动终端定位方法包括：
步骤S101，获取待定位终端的移动终端测量报告；
步骤S102，将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告；
步骤S103，从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；
步骤S104，获取定位模型，所述定位模型通过离线训练移动终端测量报告样本数据获得；
步骤S105，将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
在本实施例的步骤S101中，获取到的待定位终端的测量报告数据中包括但不限于待定位终端接收到的所涉及的各个扇区的位置区域代码、扇区标识以及来自各扇区的接收电平RSS等。
在本实施例的步骤S102中，将所述移动终端测量报告划分为多组的一种实施方式为：根据所述移动终端测量报告中的通话ID以及时间戳信息，将属于同一通话ID的移动终端测量报告按照一定时间间隔划分为多组，每组包含多个移动终端测量报告。
例如，假设属于某一通话ID的测量报告数据共有n条，设定分组时间间隔为t，假设t的时间间隔内对应着m条测量报告数据，则将排列好的测量报告数据按照m进行分割，n条测量报告数据共分割为n/m组。
在本实施例的步骤S103中，具体实施时，首先，从每个移动终端测量报告中提取待定位终端所在主服务扇区及m个邻扇区的位置区域代码LAC，扇区标识CI以及接收电平信息RXLEV，然后将位置区域代码LAC乘以216后加上扇区标识CI得到扇区唯一编号，以LAC-CI表示。
根据所述位置区域代码LAC和扇区标识CI得到扇区唯一编号LAC-CI后，将所述扇区唯一编号LAC-CI和所述接收电平信息RXLEV组合成如下形式的特征矢量，如表1所示：
表1
| LAC-CI1 | LAC-CI2 | … | LAC-CI(m+1) |
| RXLEV1 | RXLEV2 | … | RXLEV(m+1) |
其次，统计每组中的所有特征矢量所涉及到的所有不同扇区，针对每个扇区，计算其中的所有特征矢量在这个扇区的平均接收电平。
最后，将每组中所有特征矢量所涉及到的扇区，以及所有特征矢量在每个涉及扇区的平均接收电平构成一个新的特征矢量，该新的特征矢量即为合并后的特征矢量，即合并特征矢量。
需要说明的是，由于移动终端测量报告只包含主服务扇区及接收电平最强的多个邻扇区的接收功率信息，所以对于有的扇区，并不是所有n个特征矢量都在该扇区有对应的接收电平信息。如果某个特征矢量没有特定扇区的接收电平，则在计算该扇区平均接收电平时令该特征矢量对应该扇区的接收电平为一个固定的低电平。
在本实施例的步骤S104中，获取定位模型。
在本实施例中，定位模型可以通过离线训练移动终端测量报告样本数据得到，图2所示的实施例为一种支持向量机的低复杂度、高精度的定位模型生成方法。
步骤S201，采集路测信息，生成相关定位区域的移动终端测量报告样本数据。
具体实施时，在移动网络覆盖区域中确定样本点位置，使用带有GPS设备的移动终端进行路测，获得相关定位区域的移动终端测量报告。所述移动终端测量报告中包括但不限于样本点的位置信息(包括经纬度信息)、所在的主服务扇区以及六个临扇区的位置区域代码LAC、扇区标识CI以及接收电平信息RXLEV等。
其中，样本点的选择可以根据需要进行确定，选择的样本点越多，得到的定位模型越精确，当然定位模型的计算复杂度也越高。
步骤S202，从所述移动终端测量报告样本数据中提取移动终端当前位置的经纬度信息、所在主服务扇区和多个临扇区的位置区域代码、扇区标识和接收电平信息，构成特征矢量。
从每个移动终端测量报告样本数据中提取出移动终端当前位置的经纬度信息、所在主服务扇区及六个邻扇区的位置区域代码LAC、扇区标识CI以及接收电平信息RXLEV。将位置区域代码LAC乘以216后加上扇区标识CI得到扇区唯一编号，以LAC-CI表示，利用上述信息组合生成一种特征矢量，特征矢量形式如表2所示：
表2
在本实施例中，由于测量误差的存在，移动终端测量报告中可能会存在误差较大的测量数据，因此会导致生成的特征矢量中存在异常数据，这些异常数据会对后面的支持向量机的数据训练产生较大影响，因此，本实施例中，使用马氏距离(Mahalanobisdistance)获取特征矢量中的异常数据，马氏距离是用来度量点和分布之间的距离，距离随着点偏离分布均值逐步增大。马氏距离公式如下：
其中，x是点，是分布均值，S是协方差矩阵。
计算每个点的马氏距离xi，然后计算每个马氏距离的平均值μ，之后计算其标准差将μ-3σ到μ+3σ范围外的马氏距离判定为异常值，其对应的点即为异常点。
在获取到异常数据后，使用以下公式对上一步获取的异常数据进行修正：xi＝k1xi-1+k2xi+1；
其中，xi是第i个异常数据，xi-1是xi的前1个正常值，xi+1是xi的后1个正常值，k1+k2
＝1且k1,k2∈[0,1]，且设t1＝|xi-xi-1|，t2＝|xi+1-xi|，则
步骤S203，网格化所述相关定位区域，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数。
首先，将由移动终端测量报告处理得到的特征矢量集合作为支持向量机的训练数据，同时将相关定位区域按一定边长网格化，将每个网格作为支持向量机的一个类。
其次，通过对比各类核函数在参数数量、非线性映射、正定性、全局性、数值限制条件等方面的特性，选择核函数为如下的线性核函数：
k(xi,xj)＝xixj；
其中，xi,xj代表高维空间中的任意两点。
线性核函数参数少，分类速度快，分类效果较理想。
然后，配置好支持向量机的参数后，用支持向量机对训练数据集合进行训练，得到任意两个类决策函数的支持向量和系数，决策函数形式为：
其中，αi代表系数，yi代表第i个训练样本的类标，xi代表支持向量，n代表训练样本数量，b代表偏移量。
最后，如果相关定位区域被划分为m个网格，则总共有m(m-1)/2个决策函数，经过支持向量机的训练将求解出所有m(m-1)/2个决策函数的支持向量xi和系数αi。
步骤S204，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，并根据所述任意两个类决策函数的支持向量和系数，得到所述具有一次矢量内积计算的决策函数的参数值，具体实现为：
首先，展开核函数，并且令将所有决策函数转变为如下形式：f(x)＝γx+b；
其次，利用已知参数及支持向量机训练得到的支持向量xi和系数αi计算所有决策函数的γ。
步骤S205，将这m(m-1)/2个决策函数的γ以及支持向量机的惩罚参数C保存，得到支持向量机定位模型。
通过本发明实施例中所提供的上述离线训练阶段，使得定位阶段的决策函数计算的矢量内积次数降为一次，因此任意两个类决策函数的计算复杂度大为降低，最终，离线训练阶段可得到m(m-1)/2个决策函数以及对应的γ和b，将这些数据以文件的形式保存在存储设备中得到可用于定位的模型。
当然，本发明中的定位模型不限于此，还可以采用其他实施方式获取，例如改变核函数或者采用支持向量机与其他训练算法相结合的方式。
在得到定位模型后，将步骤S103中得到的合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
所述定位模型包含任意两个类的决策函数，从支持向量机的所有类中任意选出两个类，将训练阶段得到的这两个类的决策函数中的系数γ以及合并特征矢量代入决策函数f(x)＝γx+b中，判决特征矢量的目标类，再将该目标类与从支持向量机中选出的第三个类的决策函数系数及合并特征矢量代入决策函数中，判决特征矢量的新目标类，重复上述操作使支持向量机中所有类均参与一次判决，若支持向量机类总数为n，则总计进行n-1次判决，最后一次判决得到的目标类对应定位区域网格的中心经纬度即为初步定位结果。
在本实施例中，为了提升定位速度和效率，可以根据计算机的硬件资源，开启合适数量的线程，将得到的合并特征矢量轮流捆绑到不同线程进行定位，若在计算机上总共开辟了n个线程，待定位的合并特征矢量的输入次序为i，则该合并特征矢量应绑定到第mod(i,n)+1(mod为求余计算)个线程进行定位，利用多线程并行执行使定位速度得到成倍提升。
图3为本发明的移动终端的定位方法的另一实施例的处理流程图。如图3所示，与图1所示实施例不同的是，在将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息后，还包括步骤S106，以所述待定位终端的定位结果为中心，使用最近邻分类器选择与所述合并特征矢量距离最近的多个特征矢量，将所述多个特征矢量的平均坐标作为所述待定位终端的最终定位结果，其具体实施方式为：
以上一步支持向量机的初步定位结果为中心，选取其四周一定范围，采用余弦相似度分别计算合并特征矢量与选取范围内的每个特征矢量的距离。
设在线测试阶段的合并特征矢量值为V，离线训练阶段的特征矢量值为Vi，i＝1,2,...,m，m为路测获取的特征矢量的个数，余弦相似度公式如下：
其中，“·”表示向量点积，n为向量中元素的个数；||V||为向量V的长度，
使用最近邻分类器选择与合并特征矢量距离最近的n个特征矢量，即余弦相似度最大的n个特征矢量，计算其平均坐标作为该通话该时间间隔内的所有待定位移动终端测量报告的定位结果，即：
以上实施例所描述的移动终端定位方法，通过离线训练移动终端测量报告样本数据获取定位模型，获取待定位移动终端测量报告的异常数据并对其进行修正，选择运算速度快的线性核函数，对支持向量机决策函数进行转化使定位阶段的决策函数计算的矢量内积次数降为一次，以及使用最近邻分类器进行更为精确的定位。在保持基于支持向量机的移动终端定位方法低成本、高精度、良好推广性的同时，大幅度降低了计算复杂度，使该方法实时定位性能大幅度提升。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图4对本发明示例性实施方式的移动终端定位装置进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4为本发明实施例的移动终端的定位装置的结构示意图。如图所示，所述装置包括：
测量报告获取模块401，用于获取待定位终端的移动终端测量报告；
测量报告划分模块402，用于将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告；
合并特征矢量生成模块403，用于从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；
定位模型获取模块404，用于获取定位模型，所述定位模型通过离线训练移动终端测量报告样本数据获得。
终端位置确定模块405，用于将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
在本实施例中，所述测量报告划分模块402用于将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告，其具体包括：根据所述移动终端测量报告中的通话ID以及时间戳信息，将属于同一通话ID的移动终端测量报告按照一定时间间隔划分为多组，每组包含多个移动终端测量报告。
在本实施例中，如图5所示，所述合并特征矢量生成模块403用于从每个移动终端测量报告中提取信息并生成对应的特征矢量，其具体包括：
信息提取单元4031，用于从每个移动终端测量报告中提取所述待定位终端所在的主服务扇区及多个邻扇区的位置区域代码，扇区标识以及接收电平信息，如果某个移动终端测试报告中缺失某个扇区的接收电平，则将该扇区的接收电平信息设为一个固定的低电平。
特征矢量生成单元4032，用于根据所述位置区域代码和扇区标识得到扇区唯一编号，将所述扇区唯一编号和所述接收电平信息组合成对应的特征矢量。
在本实施例中，如图6所示，所述合并特征矢量生成模块403用于根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量，具体包括：
平均接收电平确定单元4033，用于确定每组中的所有特征矢量所涉及到的所有不同扇区，并计算该组中的所有特征矢量在某一个扇区的平均接收电平；
合并特征矢量构成单元4034，用于将每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量。
在本实施例中，所述定位模型获取模块404获取的定位模型可以采用离线训练方式实现，具体为：采集相关定位区域的移动终端测量报告样本数据，从所述移动终端测量报告样本数据中提取信息构成特征矢量，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到所述定位模型。
在本实施例中，所述终端位置确定模块405用于将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，具体包括：
所述定位模型包含任意两个类的决策函数，将所述合并特征矢量代入所述定位模型的任意两个类的决策函数进行遍历判决，使所述定位模型中的支持向量机中所有类均参与一次判决，最后一次判决得到的目标类对应的定位区域网格的中心经纬度即为所述待定位终端的定位结果。
在本实施例中，如图7所示，移动终端定位装置还包括：
精确定位模块406，用于以所述终端位置确定模块405生成的待定位终端的定位结果为中心，使用最近邻分类器选择与所述合并特征矢量距离最近的多个特征矢量，将所述多个特征矢量的平均坐标作为所述待定位终端的最终定位结果。
此外，尽管在上文详细描述中提及了移动终端定位装置的若干单元，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。
图8为本发明的移动终端的定位方法的另一实施例的处理流程图。如图8所示，包括：
步骤S801，采集路测信息，生成相关定位区域的移动终端测量报告样本数据。
步骤S802，从所述移动终端测量报告样本数据中提取移动终端当前位置的经纬度信息、所在主服务扇区和多个临扇区的位置区域代码、扇区标识和接收电平信息，构成特征矢量。在该步骤中，由于测量误差的存在，移动终端测量报告中可能会存在误差较大的测量数据，因此会导致生成的特征矢量中存在异常数据，这些异常数据会对后面的支持向量机的数据训练产生较大影响，因此，使用马氏距离(Mahalanobis distance)获取特征矢量中的异常数据，并对异常数据进行修正。
步骤S803，网格化所述相关定位区域，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数。
步骤S804，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，并根据所述任意两个类决策函数的支持向量和系数，得到所述具有一次矢量内积计算的决策函数的参数值。
步骤S805，存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到支持向量机定位模型。
步骤S806，采集待定位终端的移动终端测量报告数据并代入到所述支持向量机定位模型中，遍历所述决策函数，定位出所述待定位终端所在的网格区域，将所述定位出的网格区域的中心经纬度确定为所述待定位终端的位置。
图8所示实施例中的步骤S801-S805为在线定位前生成定位模型的方法步骤。在该实施例中，在步骤S803中选择运算速度快的线性核函数，并且在步骤S804中对支持向量机决策函数进行转化使定位阶段的决策函数计算的矢量内积次数降为一次，都是为了降低在线定位阶段的计算复杂度，提升定位速度。
本发明实施例所提供的基于支持向量机的移动终端定位方法及装置，通过离线训练移动终端测量报告样本数据获取定位模型，减少了在线定位耗时；并且，选择运算速度快的线性核函数，对支持向量机决策函数进行转化使定位阶段的决策函数计算的矢量内积次数降为一次，大幅度降低了在线定位阶段的计算复杂度，使得实时定位性能大幅度提升。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现图1、图2、图3及图8所述方法的步骤。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种移动终端的定位方法，其特征在于，所述方法包括：
获取待定位终端的移动终端测量报告；
将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告；
从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；
获取定位模型，所述定位模型通过离线训练移动终端测量报告样本数据获得，具体为：采集相关定位区域的移动终端测量报告样本数据，从所述移动终端测量报告样本数据中提取信息构成特征矢量，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到所述定位模型；
将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述从每个移动终端测量报告中提取信息并生成对应的特征矢量，具体包括：
从每个移动终端测量报告中所提取的信息包括所述待定位终端所在的主服务扇区及多个邻扇区的位置区域代码，扇区标识以及接收电平信息；
根据所述位置区域代码和扇区标识得到扇区唯一编号，将所述扇区唯一编号和所述接收电平信息组合成对应的特征矢量。
3.根据权利要求2所述的方法，其特征在于，所述根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量，具体包括：
确定每组中的所有特征矢量所涉及到的所有不同扇区，并计算该组中的所有特征矢量在某一个扇区的平均接收电平；
将每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量。
4.根据权利要求1所述的方法，其特征在于，所述将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息，具体包括：
所述定位模型包含任意两个类的决策函数，将所述合并特征矢量代入所述定位模型的任意两个类的决策函数进行遍历判决，使所述定位模型中的支持向量机中所有类均参与一次判决，最后一次判决得到的目标类对应的定位区域网格的中心经纬度即为所述待定位终端的定位结果。
5.根据权利要求4所述的方法，其特征在于，还包括：
以所述待定位终端的定位结果为中心，使用最近邻分类器选择与所述合并特征矢量距离最近的多个特征矢量，将所述多个特征矢量的平均坐标作为所述待定位终端的最终定位结果。
6.一种移动终端的定位方法，其特征在于，包括：
采集路测信息，生成相关定位区域的移动终端测量报告样本数据；
从所述移动终端测量报告样本数据中提取移动终端当前位置的经纬度信息、所在主服务扇区和多个临扇区的位置区域代码、扇区标识和接收电平信息，构成特征矢量；
网格化所述相关定位区域，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数；
将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，并根据所述任意两个类决策函数的支持向量和系数，得到所述具有一次矢量内积计算的决策函数的参数值；
存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到支持向量机定位模型；
采集待定位终端的移动终端测量报告数据并代入到所述支持向量机定位模型中，遍历所述决策函数，定位出所述待定位终端所在的网格区域，将所述定位出的网格区域的中心经纬度确定为所述待定位终端的位置。
7.根据权利要求6所述的方法，其特征在于，还包括：
利用马氏距离获取所述特征矢量中的异常数据，并对所述异常数据进行修正。
8.一种移动终端的定位装置，其特征在于，包括：
测量报告获取模块，用于获取待定位终端的移动终端测量报告；
测量报告划分模块，用于将所述移动终端测量报告划分为多组，每组包含多个移动终端测量报告；
合并特征矢量生成模块，用于从每个移动终端测量报告中提取信息并生成对应的特征矢量，并根据每组中的所有特征矢量所涉及到的扇区，以及该组中所有特征矢量在每个所涉及到的扇区的平均接收电平构成合并特征矢量；
定位模型获取模块，用于获取定位模型，所述定位模型通过离线训练移动终端测量报告样本数据获得，具体为：采集相关定位区域的移动终端测量报告样本数据，从所述移动终端测量报告样本数据中提取信息构成特征矢量，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数，将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到所述定位模型；
终端位置确定模块，用于将所述合并特征矢量代入所述定位模型的决策函数进行遍历判决，确定所述待定位终端的位置信息。
9.一种移动终端的定位装置，其特征在于，包括：
测量报告生成模块，用于采集路测信息，生成相关定位区域的移动终端测量报告样本数据；
特征矢量构造模块，用于从所述移动终端测量报告样本数据中提取移动终端当前位置的经纬度信息、所在主服务扇区和多个临扇区的位置区域代码、扇区标识和接收电平信息，构成特征矢量；
训练模块，用于网格化所述相关定位区域，将所述特征矢量的集合作为训练数据，选择线性核函数，用支持向量机对所述训练数据进行训练，得到支持向量机中任意两个类的决策函数的支持向量和系数；
计算模块，用于将所述任意两个类决策函数转化为具有一次矢量内积计算的决策函数，并根据所述任意两个类决策函数的支持向量和系数，得到所述具有一次矢量内积计算的决策函数的参数值；
存储模块，用于存储所述具有一次矢量内积计算的决策函数的参数值以及支持向量机参数配置，得到支持向量机定位模型；
定位模块，用于采集待定位终端的移动终端测量报告数据并代入到所述支持向量机定位模型中，遍历所述决策函数，定位出所述待定位终端所在的网格区域，将所述定位出的网格区域的中心经纬度确定为所述待定位终端的位置。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至5任一项所述方法的步骤。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求6至7所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711250447.4A CN109874149A (zh) | 2017-12-01 | 2017-12-01 | 移动终端的定位方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711250447.4A CN109874149A (zh) | 2017-12-01 | 2017-12-01 | 移动终端的定位方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109874149A true CN109874149A (zh) | 2019-06-11 |
Family
ID=66914665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711250447.4A Pending CN109874149A (zh) | 2017-12-01 | 2017-12-01 | 移动终端的定位方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109874149A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091850A (zh) * | 2019-12-31 | 2020-05-01 | 广东紫晶信息存储技术股份有限公司 | 一种盘式全息存储介质中增加存储容量的复用方法 |
| CN112004192A (zh) * | 2020-09-03 | 2020-11-27 | 中国联合网络通信集团有限公司 | 基站定位方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745274A (zh) * | 2014-01-08 | 2014-04-23 | 贵州电力试验研究院 | 一种用于分散式风电的短期功率预测方法 |
| CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及*** |
| CN104469932A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种基于支持向量机的位置指纹定位方法 |
| CN106483490A (zh) * | 2016-10-20 | 2017-03-08 | 天津大学 | 基于支持向量机分类的无线定位方法 |
| CN107171831A (zh) * | 2017-04-28 | 2017-09-15 | 华为技术有限公司 | 网络部署方法和装置 |
-
2017
- 2017-12-01 CN CN201711250447.4A patent/CN109874149A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745274A (zh) * | 2014-01-08 | 2014-04-23 | 贵州电力试验研究院 | 一种用于分散式风电的短期功率预测方法 |
| CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及*** |
| CN104469932A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种基于支持向量机的位置指纹定位方法 |
| CN106483490A (zh) * | 2016-10-20 | 2017-03-08 | 天津大学 | 基于支持向量机分类的无线定位方法 |
| CN107171831A (zh) * | 2017-04-28 | 2017-09-15 | 华为技术有限公司 | 网络部署方法和装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091850A (zh) * | 2019-12-31 | 2020-05-01 | 广东紫晶信息存储技术股份有限公司 | 一种盘式全息存储介质中增加存储容量的复用方法 |
| CN112004192A (zh) * | 2020-09-03 | 2020-11-27 | 中国联合网络通信集团有限公司 | 基站定位方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2119264B1 (en) | System and method for generating a location estimate using a method of intersections | |
| CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
| FI113730B (fi) | Paikannusmenetelmä matkaviestin verkoille | |
| CN103068035A (zh) | 一种无线网络定位方法、装置及*** | |
| KR20190053470A (ko) | 딥러닝 기반 측위 시스템 및 이의 구축 방법 | |
| CN109905892A (zh) | 用户定位方法和装置 | |
| US11419088B2 (en) | Radiation source positioning method based on radio spectrum monitoring big data processing | |
| US20130203423A1 (en) | System and Method for Mobile Location Using Ranked Parameter Labels | |
| Redondi | Radio map interpolation using graph signal processing | |
| CN103249144A (zh) | 一种基于c型的无线传感器网络节点定位方法 | |
| Fang et al. | Multi‐channel fingerprint localisation algorithm for wireless sensor network in multipath environment | |
| CN109874149A (zh) | 移动终端的定位方法、装置及计算机可读存储介质 | |
| Alamleh et al. | A weighting system for building RSS maps by crowdsourcing data from smartphones | |
| Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
| Ding et al. | Modified Fingerprinting Algorithm for Indoor Location. | |
| Kiring et al. | Wi-Fi radio map interpolation with sparse and correlated received signal strength measurements for indoor positioning | |
| Mosleh et al. | Indoor positioning using adaptive KNN algorithm based fingerprint technique | |
| CN108632740A (zh) | 用户设备的定位方法和装置 | |
| CN107087259A (zh) | 基于手机的区域WiFi热点位置测定技术 | |
| Lin et al. | Two-stage clustering for improve indoor positioning accuracy | |
| Asaad et al. | Novel integrated matching algorithm using a deep learning algorithm for Wi-Fi fingerprint-positioning technique in the indoors-IoT era | |
| CN110198519A (zh) | 网络接入点的位置估计方法与装置 | |
| Wang et al. | A RSS based statistical localization algorithm in WLAN | |
| JP5690757B2 (ja) | 層別割当装置 | |
| Shober et al. | A developed method to locate a mobile phone in remote areas |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |