CN111510848A - 一种终端位置预测方法、装置、介质和设备 - Google Patents

Abstract

本发明涉及无线技术领域，特别涉及一种终端位置预测方法、装置、介质和设备。根据本发明实施例提供的方案，可以根据第一信道冲击响应(CIR)和第二CIR，第一CIR和第二CIR可以是分别对应终端的服务小区对应的第一基站和该终端的邻小区对应的第二基站，也可以是分别对应分布式天线***中不同位置的天线，通过预先建立的神经网络模型，确定终端位置。即，可以通过神经网络模型对终端移动轨迹上的信道和环境形成感知，通过信道信息反推出终端的位置和移动趋势，实现终端位置预测。

Description

一种终端位置预测方法、装置、介质和设备

技术领域

本发明涉及无线技术领域，特别涉及一种终端位置预测方法、装置、介质和设备。

背景技术

基于基站的终端位置预测一直是一个很热门的研究方向，传统的终端位置预测，比如在***移动通信***(4G)网络中，采用三边法(triangulation)的方法，或借助定时提前(timing advance)信号强度等基站测量数据，但是精度往往很差，在50米到100米不等。

有些技术尝试利用用户测量反馈或者基站测量报告(MR)数据进行角度和距离的预测，从几何学角度出发，对信道进行假设，从而做用户位置的预测，但这种技术仍然会存在算法精度的问题，且还没有看到在真实的网络中有任何应用。

在第五代移动通信***(5G)时代，由于波束概念的产生，终端的水平和垂直角度信息借助波束标识(ID)可以更加准确了，但是在复杂的传播环境中，例如室内，现有技术算法没有看到有性能上的突破，算法精度仍然不高。

发明内容

本发明实施例提供一种终端位置预测方法、装置、介质和设备，用于解决终端位置预测精度较低的问题。

本发明提供一种终端位置预测方法，所述方法包括：

确定第一基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

本发明还提供了一种终端位置预测装置，所述装置包括：

确定模块，用于确定第一基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；

预测模块，用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

本发明还提供了一种终端位置预测方法，所述方法包括：

确定基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

本发明还提供了一种终端位置预测装置，所述装置包括：

确定模块，用于确定基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

预测模块，用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

本发明还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有可执行程序，该可执行程序被处理器执行实现任一如上所述方法的步骤。

本发明还提供了一种通信设备，包括存储器、处理器、收发器以及总线接口；所述处理器，用于读取存储器中的程序，执行：

通过所述收发器确定第一基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置；或者，执行：

通过所述收发器确定基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

根据本发明实施例提供的方案，可以根据第一信道冲击响应(CIR)和第二CIR，第一CIR和第二CIR可以是分别对应终端的服务小区对应的第一基站和该终端的邻小区对应的第二基站，也可以是分别对应分布式天线***中不同位置的天线，通过预先建立的神经网络模型，确定终端位置。即，可以通过神经网络模型对终端移动轨迹上的信道和环境形成感知，通过信道信息反推出终端的位置和移动趋势，实现终端位置预测。由于无需对终端的传播环境做任何建模和假设，因此，通过预先建立的神经网络模型进行终端位置预测，可以大大提高终端位置预测的准确性。同时，由于信道CIR数据实时性较强，还可以保证终端位置预测的实时性，保证高移动性的终端位置预测的准确性，从而进一步保证终端位置预测的准确性。且利用小尺度、细颗粒的CIR数据进行终端位置预测，可以进一步保证终端位置预测的准确性。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

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为本发明实施例一提供的终端位置预测方法的流程示意图；

图2为本发明实施例一提供的神经网络模型训练过程示意图；

图3为本发明实施例一提供的神经网络模型使用过程示意图；

图4为本发明实施例二提供的终端位置预测方法的流程示意图；

图5为本发明实施例三提供的基站的结构示意图；

图6为本发明实施例四提供的终端的结构示意图；

图7为本发明实施例五提供的终端位置预测方法的流程示意图；

图8为本发明实施例六提供的终端位置预测方法的流程示意图；

图9为本发明实施例七提供的基站的结构示意图；

图10为本发明实施例八提供的基站的结构示意图；

图11为本发明实施例九提供的终端位置预测方法的流程示意图；

图12为本发明实施例十提供的终端位置预测方法的流程示意图；

图13为本发明实施例十一提供的终端位置预测方法的流程示意图；

图14为本发明实施例十二提供的DU或CU的结构示意图；

图15为本发明实施例十三提供的基站的结构示意图；

图16为本发明实施例十四提供的基站的结构示意图；

图17为本发明实施例十五提供的终端位置预测方法的流程示意图；

图18为本发明实施例十六提供的基站的结构示意图；

图19为本发明实施例十七提供的终端位置预测方法的流程示意图；

图20为本发明实施例十八提供的终端位置预测方法的流程示意图；

图21为本发明实施例十九提供的DU或CU的结构示意图；

图22为本发明实施例二十提供的基站的结构示意图；

图23(a)和(b)均为本发明实施例提供的采用RNN模型的终端位置预测结果示意图；

图24(a)和(b)均为本发明实施例提供的采用CNN模型的终端位置预测结果示意图；

图25为本发明实施例二十一提供的通信设备的结构示意图。

具体实施方式

本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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，在本文中提及的“多个或者若干个”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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供的一种终端位置预测方案(方案一)中，可以通过预先建立的神经网络模型，根据终端的服务小区对应的基站与该终端之间的第一CIR，以及该终端的邻小区对应的基站与该终端之间的第二CIR，进行终端位置预测。

具体的，可以确定第一基站与所述终端之间的第一CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

其中，所述第一CIR可以但不限于通过以下方式得到：

所述终端接收第一基站发送的导频，测量得到的与所述第一基站之间第一CIR；或者，第一基站接收所述终端发送的导频，测量得到与所述终端之间的第一CIR；或者，所述终端接收第一基站通过广播信道发送的信号，解析得到与第一基站之间的第一CIR。

所述第二CIR可以但不限于通过以下方式得到：

所述终端接收一个第二基站通过广播信道发送的信号，并解析得到与该第二基站之间的第二CIR；或者，所述终端接收一个第二基站发送的导频，测量得到与该第二基站之间第的二CIR；或者，一个第二基站接收所述终端发送的导频，测量得到与所述终端之间的第二CIR。

根据方案一执行主体的不同，可以直接或间接从终端或第一基站获得第一CIR，从而确定第一CIR，并可以直接或间接从终端或第二基站获得第二CIR，从而确定第二CIR。

根据方案一，可以针对对实时性要求较高的应用场景，实现终端实时位置的预测，也可以针对对实时性要求不是特别高的应用场景，实现终端位置的预测。

在本发明实施例中，针对方案一进一步至少提出以下三种具体的实现方案，对应的应用场景对实时性的要求可以理解为依次降低。当然，即使是本发明实施例提出的对应的应用场景对实时性的要求最低的方案，由于信道CIR数据的实时性较强，相对于现有技术提供的方案，仍然可以提高终端位置确定的实时性。

第一种具体方案，可以由第一基站(终端的服务小区对应的基站)进行神经网络模型的在线训练，并利用在线训练得到的神经网络模型进行终端位置预测。且每个第二基站与终端之间的第二CIR，是终端通过接收第二基站通过广播信道发送的信号，解析得到并上报给第一基站的。

需要说明的是，目前的协议中，虽然终端会去测量第二基站的参考信号接收功率(RSRP)信号强度，并上报给第一基站，但是不会解析第二基站与终端之间的信道。在本发明实施例提供的方案中，需要定义新的信道估计功能，由终端解析得到第二基站与终端之间的第二CIR。

第二种具体方案，仍然可以由第一基站(终端的服务小区对应的基站)进行神经网络模型的在线训练，并利用在线训练得到的神经网络模型进行终端位置预测。与第一种方案不同的是，一个第二基站与终端之间的第二CIR，是该第二基站转发给第一基站的。

需要说明的是，在第一种具体方案中，在神经网络模型使用过程中，由于第二CIR是终端通过接收第二基站通过广播信道发送的信号，解析得到并上报，相对于第二种具体方案中，第二基站通过接收终端发送的导频，测量得到并转发，或者第二基站向终端发送导频，接收终端测量得到的第二CIR并转发的方式，可以更好地保证终端位置预测的实时性。

第三种具体方案，可以由DU或CU进行神经网络模型的训练，并利用训练得到的神经网络模型进行终端位置预测。

在第三种具体方案中，第一CIR需要第一基站上报给DU或CU，第二CIR需要第二基站上报给DU或CU。

可以理解为，在应用场景对时延的要求较高时，神经网络模型可以在靠近终端的基站侧在线进行训练，使得在线训练完成的神经网络模型可以直接实时进行下一时刻的终端位置预测。而对于对时延要求不是特别高的应用场景，可以在CU或DU侧进行神经网络模型的离线训练，从而可以降低基站侧对算力和数据存储的要求，减少基站侧所需资源，并可以在CU或DU侧进行神经网络模型的使用。当然，可以将预测得到的终端位置下发到基站侧，供基站侧使用。

除了可以根据终端的服务小区对应的基站与该终端之间的第一CIR，以及该终端的邻小区对应的基站与该终端之间的第二CIR，进行终端位置预测，本发明实施例提供的另外一种终端位置预测方案(方案二)中，还可以根据终端的服务小区对应的基站(可以理解为第一基站)与该终端之间、分别对应分布式天线***中不同位置天线的第一CIR和第二CIR，通过预先建立的神经网络模型，进行终端位置预测。

具体的，可以确定基站与所述终端之间的第一CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

其中，所述第一CIR或第二CIR可以但不限于通过以下方式得到：

所述终端接收基站发送的导频，测量得到与所述基站之间的第一CIR或第二CIR；或者，基站接收所述终端发送的导频，测量得到与所述终端之间的第一CIR或第二CIR；或者，所述终端接收基站通过广播信道发送的信号，解析得到与所述基站之间的第一CIR或第二CIR。

根据方案二执行主体的不同，可以直接或间接从终端或基站获得第一CIR，以确定第一CIR，并可以直接或间接从终端或基站获得第二CIR，以确定第二CIR。

在本发明实施例中，针对方案二可以进一步至少提出以下两种具体的实现方案。

第四种具体方案，可以由基站(终端的服务小区对应的基站)进行神经网络模型的在线训练，并利用在线训练得到的神经网络模型进行终端位置预测。

第五种具体方案，可以由DU或CU进行神经网络模型的训练，并利用训练得到的神经网络模型进行终端位置预测。

即类似的，在应用场景对时延的要求较高时，神经网络模型可以在靠近终端的基站侧在线进行训练，使得在线训练完成的神经网络模型可以直接实时进行下一时刻的终端位置预测。而对于对时延要求不是特别高的应用场景，可以在CU或DU侧进行神经网络模型的离线训练，并可以在CU或DU侧进行神经网络模型的使用。当然，可以将预测得到的终端位置下发到基站侧，供基站侧使用。

需要说明的是，不管第一CIR和第二CIR是分别对应终端的服务小区对应的第一基站和该终端的邻小区对应的第二基站，还是分别对应分布式天线***中不同位置的天线，两种方案中还均可以包括以下技术特征：

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置，具体包括：根据时间对齐的所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

预测得到的终端位置可以但不限于为全球定位***(GPS)位置、或者为基于终端所在服务小区的虚拟栅格标识(ID)，或者为基于虚拟物理地图上的位置。

所述神经网络模型可以但不限于采用深度循环神经网络(RNN)模型或者深度卷积神经网络(CNN)模型。

且所述神经网络模型可以通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

针对方案一，还可以进一步提供一种终端位置预测装置，所述装置可以包括：

确定模块，用于确定第一基站与所述终端之间的第一CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；预测模块，用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

针对方案二，还可以进一步提供一种终端位置预测装置，所述装置可以包括：

确定模块，用于确定基站与所述终端之间的第一CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；预测模块，用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

下面通过各实施例对本发明提供的五种具体方案进行说明。

下面对本发明提供的第一种具体方案进行说明。

实施例一

本发明实施例一提供一种终端位置预测方法，该方法可以应用于对应终端的服务小区的第一基站，该方法的步骤流程可以如图1所示，包括：

步骤101、接收第二CIR。

在本步骤中，第一基站可以接收终端上报的与至少一个第二基站之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区。

其中，终端上报的与一个第二基站之间的第二CIR，可以通过以下方式得到：终端接收该第二基站通过广播信道发送的信号，并解析得到与该第二基站之间的第二CIR。

即终端可以接收第二基站通过广播信道发送的信号，根据接收到的信号进行信道解析，得到与第二基站之间的第二CIR，并可以将得到的第二CIR反馈给第一基站。

步骤102、进行终端位置预测。

在本步骤中，第一基站可以根据确定出的自身与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

在本实施例中，第一基站可以但不限于通过以下方式中的任意一种确定第一CIR：

通过常规信道测量，根据终端反馈或基站信道估计得到，即第一基站可以向终端发送导频，并接收终端测量得到的第一CIR，或者，也可以接收终端发送的导频，并测量得到与所述终端之间的第一CIR；

或者，终端接收第一基站通过广播信道发送的信号，解析得到与第一基站之间的第一CIR，并反馈给第一基站。

需要说明的是，在本实施例中，第一CIR和第二CIR都可以理解为毫秒级的实时性较强的数据，不同于MR数据，是单入单出(SISO)信道估计数据。

需要说明的是，预测得到的终端位置可以但不限于为全球定位***(GPS)位置、或者为基于终端所在服务小区的虚拟栅格标识(ID)，或者为基于虚拟物理地图上的位置。

在本实施例中，采用的神经网络模型可以但不限于为可以处理时间序列数据的循环神经网络(RNN)模型或者卷积神经网络(CNN)模型，以保证终端位置预测的准确性。

进一步的，所述神经网络模型可以但不限于采用深度RNN模型，如深度长短期记忆网络(LSTM)模型，或者深度CNN模型，以进一步保证终端位置预测的准确性。

进一步的，所述深度RNN模型还可以采用双向(Bidirectional)算法和/或时间分布(time-distributed)算法，以更进一步提高终端位置预测的准确性。

在一种可能的实现方式中，神经网络模型采用深度LSTM模型时，神经网络模型里的神经元是长短记忆的单元，可以根据有时间序列的数据学习时间上的数据特征，配合使用Bidirectional算法，即模型不仅正推还要反推，更好地匹配输入数据和输出数据的对应关系。并可以配合使用time-distributed算法，即和传统的LSTM模型只在最后一个LSTM模块上有一个输出(output)有所不同，每一个LSTM模块都可以有一个output(有时间顺序)，模型收敛算法可以使用这些中间输出的多个output，帮助模型收敛。

具体的，仿真采用3层Bidirectional LSTM模块，加2层time-distributed的全连接(Dense)层，采用有监督的学习，可以得到信道冲击响应和终端位置的一一对应关系。以终端位置为基于虚拟物理地图上的位置为例，可以将终端位置预测值(x,y,z)和真实值之间的均方差(MSE，mean squared error)作为模型损失(loss)函数，采用典型的优化器算法自适应矩估计(adam)收敛模型。

在另一种可能的实现方式中，神经网络模型可以采用深度CNN网络。例如，可以采用2层CNN神经层，每层采用相同的构造和卷积核大小，激活函数为relu，将数据展开为一维数据后，再做1层全连接层。采用有监督的学习，可以得到信道冲击响应和终端位置的一一对应关系。以终端位置为基于虚拟物理地图上的位置为例，可以将终端位置预测值(x,y,z)和真实值之间的对应L2范数的欧式距离做为模型的loss函数，采用典型的优化器算法adam收敛模型。

所述神经网络模型可以通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

当然，采集作为训练样本的第一CIR，第二CIR以及对应的终端位置信息的周期是可配置的。对于实时性要求较高的应用场景，如对于高速移动的终端，在进行神经网络模型训练时，训练样本的获取周期可以较短，如毫秒级，而对于实时性要求不是特别高的应用场景，如对于低速或基本静止的终端，在进行神经网络模型训练时，训练样本的获取周期可以较长，如秒级，甚至分钟级。

在进行神经网络模型训练时，第一CIR和第二CIR需要进行时间对齐和排序，保证各自对应的信道是时间对齐的，同时，在获取第一CIR和第二CIR时，需要保证在预先设定好的时频资源上进行信道估计。

图2为神经网络模型训练过程示意图，首先神经网络模型训练主体(可以为任意设备)可以确定周期性采集的第一CIR(历史第一CIR)、第二CIR(历史第二CIR)和终端位置(历史终端位置)作为历史数据，用于训练神经网络模型。

需要说明的是，根据每一类历史数据获得主体与神经网络模型训练主体的相同或不同，各类历史数据可以是通过转发或上报后存储在神经网络模型训练主体，也可以是神经网络模型训练主体直接确定并存储的。此外需要说明的是，由于这些历史数据是终端级的数据，颗粒度较小，数据量可能较大，因此数据存储或上报、转发时都需要考虑数据量问题。

在神经网络模型训练主体确定出历史数据之后，可以对每一类历史数据进行时间对齐。并利用时间对齐得到的历史数据进行模型训练，从而得到训练好的神经网络模型。

在进行模型训练时，模型的输入为第一CIR和第二CIR，模型的输出为终端位置。

图3为神经网络模型使用过程示意图。在神经网络模型使用过程中，可以根据实时得到的第一CIR和第二CIR，利用训练好的神经网络模型，预测得到终端实时位置。

当然，在进行预测时，也需要对实时得到的第一CIR和第二CIR进行时间对齐。

需要说明的是，在一种可能的实现方式中，在本实施例中，除了神经网络模型的使用在第一基站实现之外，神经网络模型的训练也可以在第一基站实现。即，神经网络模型的训练可以由第一基站在线完成，从而实现第一种具体方案。

与本发明实施例一提供的方法对应的，提供以下的方法。

实施例二

本发明实施例二提供一种终端位置预测方法，该方法可以应用于终端，该方法的步骤流程可以如图4所示，包括：

步骤201、终端确定第二CIR。

在本步骤中，终端可以确定与至少一个第二基站之间的第二CIR，所述第二基站对应所述终端的邻小区。

终端确定与一个第二基站之间的第二CIR，可以包括：

终端接收该第二基站通过广播信道发送的信号，并解析得到与该第二基站之间的第二CIR。

步骤202、终端上报第二CIR。

在本步骤中，终端可以向第一基站上报所述第二CIR，所述第一基站对应所述终端的服务小区，以便所述第一基站根据确定出的与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

分别与实施例一、二提供的方法对应的，提供以下的装置。

实施例三

本发明实施例三提供一种对应终端服务小区的基站，该基站的结构可以如图5所示，包括：

接收模块11用于接收所述终端上报的与至少一个第二基站之间的第二CIR，所述第二基站对应所述终端的邻小区；

预测模块12用于根据确定出的自身所在基站与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

实施例四

本发明实施例四提供一种终端，该终端的结构可以如图6所示，包括：

确定模块21用于确定与至少一个第二基站之间的第二CIR，所述第二基站对应所述终端的邻小区；

上报模块22用于向第一基站上报所述第二CIR，所述第一基站对应所述终端的服务小区，以便所述第一基站根据确定出的与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

下面对本发明提供的第二种具体方案进行说明。

实施例五

本发明实施例五提供一种终端位置预测方法，该方法可以应用于对应终端的服务小区的第一基站，该方法的步骤流程可以如图7所示，包括：

步骤301、接收第二CIR。

在本步骤中，第一基站可以接收至少一个第二基站转发的与终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区。

其中，一个第二基站转发的与所述终端之间的第二CIR，可以通过以下方式得到：该第二基站向所述终端发送导频，接收终端测量得到与该第二基站之间的第二CIR；或者，该第二基站接收所述终端发送的导频，测量得到与所述终端之间的第二CIR。

即终端可以向第二基站发送其可以识别的导频，第二基站可以接收终端发送的导频，测量得到与终端之间的第二CIR，并可以将第二CIR转发给第一基站。或者，第二基站可以向终端发送导频，终端可以接收第二基站发送的导频，测量得到与第二基站之间的第二CIR，上报给第二基站后，由第二基站进一步转发给第一基站。

步骤302、预测终端位置。

在本步骤中，第一基站可以根据确定出的自身与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

在本实施例中，第一基站可以但不限于通过以下方式中的任意一种确定第一CIR：

通过常规信道测量，根据终端反馈或基站信道估计得到，即第一基站可以向终端发送导频，并接收终端测量得到的第一CIR，或者，也可以接收终端发送的导频，并测量得到与所述终端之间的第一CIR；

或者，终端接收第一基站通过广播信道发送的信号，解析得到与第一基站之间的第一CIR，并反馈给第一基站。

需要说明的是，在本实施例中，第一CIR和第二CIR都可以理解为毫秒级的实时性较强的数据。

需要说明的是，预测得到的终端位置可以但不限于为全球定位***(GPS)位置、或者为基于终端所在服务小区的虚拟栅格标识(ID)，或者为基于虚拟物理地图上的位置。

在本实施例中，采用的神经网络模型可以但不限于为可以处理时间序列数据的循环神经网络(RNN)模型或者卷积神经网络(CNN)模型。

进一步的，所述神经网络模型可以但不限于采用深度RNN模型，如深度长短期记忆网络(LSTM)模型，或者深度CNN模型。

且所述深度RNN模型还可以进一步采用Bidirectional算法和/或time-distributed算法。

所述神经网络模型可以通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

当然，采集作为训练样本的第一CIR，第二CIR以及对应的终端位置信息的周期是可配置的。对于实时性要求较高的应用场景，如对于高速移动的终端，在进行神经网络模型训练时，训练样本的获取周期可以较短，如毫秒级，而对于实时性要求不是特别高的应用场景，如对于低速或基本静止的终端，在进行神经网络模型训练时，训练样本的获取周期可以较长，如秒级，甚至分钟级。

在进行神经网络模型训练时，第一CIR和第二CIR需要进行时间对齐和排序，保证各自对应的信道是时间对齐的，同时，在获取第一CIR和第二CIR时，需要保证在预先设定好的时频资源上进行信道估计。

神经网络模型训练过程中，首先神经网络模型训练主体(可以为任意设备)可以确定周期性采集的第一CIR、第二CIR和终端位置作为历史数据，用于训练神经网络模型。

需要说明的是，根据每一类历史数据获得主体与神经网络模型训练主体的相同或不同，各类历史数据可以是通过转发或上报后存储在神经网络模型训练主体，也可以是神经网络模型训练主体直接确定并存储的。此外需要说明的是，由于这些历史数据是终端级的数据，颗粒度较小，数据量可能较大，因此数据存储或上报、转发时都需要考虑数据量问题。

在神经网络模型训练主体确定出历史数据之后，可以对每一类历史数据进行时间对齐。并利用时间对齐得到的历史数据进行模型训练，从而得到训练好的神经网络模型。

在进行模型训练时，模型的输入为第一CIR和第二CIR，模型的输出为终端位置。

在神经网络模型使用过程中，可以根据实时得到的第一CIR和第二CIR，利用训练好的神经网络模型，预测得到终端实时位置。

当然，在进行预测时，也需要对实时得到的第一CIR和第二CIR进行时间对齐。

需要说明的是，在一种可能的实现方式中，在本实施例中，除了神经网络模型的使用在第一基站实现之外，神经网络模型的训练也可以在第一基站实现。即，神经网络模型的训练可以由第一基站在线完成，从而实现第二种具体方案。

与本发明实施例五提供的方法对应的，提供以下的方法。

实施例六

本发明实施例六提供一种终端位置预测方法，该方法可以应用于对应终端的邻小区的第二基站，该方法的步骤流程可以如图8所示，包括：

步骤401、第二基站确定第二CIR。

在本步骤中，第二基站可以确定与终端之间的第二CIR，所述第二基站对应所述终端的邻小区。

第二基站确定与终端之间的第二CIR，可以包括：

第二基站接收终端发送的导频，并测量得到与所述终端之间的第二CIR。或者是，第二基站向终端发送导频，接收所述终端测量得到与该第二基站之间的第二CIR。

步骤402、第二基站转发第二CIR。

在本步骤中，第二基站可以向第一基站转发所述第二CIR，所述第一基站对应所述终端的服务小区，以便所述第一基站根据确定出的与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

分别与实施例五、六提供的方法对应的，提供以下的装置。

实施例七

本发明实施例七提供一种对应终端服务小区的基站，该基站的结构可以如图9所示，包括：

接收模块31用于接收至少一个第二基站转发的与所述终端之间的第二CIR，所述第二基站对应所述终端的邻小区；

预测模块32用于根据确定出的自身所在基站与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

实施例八

本发明实施例八提供一种对应终端邻小区的基站，该基站的结构可以如图10所示，包括：

确定模块41用于确定与所述终端之间的第二CIR；

转发模块42用于向第一基站转发所述第二CIR，所述第一基站对应所述终端的服务小区，以便所述第一基站根据确定出的与所述终端之间的第一CIR，以及接收到的所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

下面对本发明提供的第三种具体方案进行说明。

实施例九

本发明实施例九提供一种终端位置预测方法，该方法可以应用于DU或CU，该方法的步骤流程可以如图11所示，包括：

步骤501、接收第一CIR和第二CIR。

在本步骤中，DU或CU可以接收第一基站上报的与终端之间的第一CIR，以及至少一个第二基站上报的与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区。

一个第二基站上报的与所述终端之间的第二CIR，可以通过以下方式得到：

该第二基站向所述终端发送导频，接收终端测量得到的与该第二基站之间的第二CIR；或者，该第二基站接收所述终端发送的导频，测量得到与所述终端之间的第二CIR。

即终端可以向第二基站发送其可以识别的导频，第二基站可以接收终端发送的导频，测量得到与终端之间的第二CIR，并可以将第二CIR上报给DU或CU。或者，第二基站可以向终端发送导频，终端可以接收第二基站发送的导频，测量得到与第二基站之间的第二CIR，上报给第二基站后，由第二基站进一步上报给DU或CU。

第一基站上报的与所述终端之间的第一CIR，可以通过常规信道测量，根据终端反馈或基站信道估计得到。也可以是终端接收第一基站通过广播信道发送的信号，解析得到与第一基站之间的第一CIR，并反馈给第一基站的。

需要说明的是，在本实施例中，第一CIR和第二CIR都可以理解为毫秒级的实时性较强的数据。

步骤502、进行终端位置预测。

在本步骤中，DU或CU可以根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

需要说明的是，预测得到的终端位置可以但不限于为全球定位***(GPS)位置、或者为基于终端所在服务小区的虚拟栅格标识(ID)，或者为基于虚拟物理地图上的位置。

在本实施例中，采用的神经网络模型可以但不限于为可以处理时间序列数据的循环神经网络(RNN)模型或者卷积神经网络(CNN)模型。

进一步的，所述神经网络模型可以但不限于采用深度RNN模型，如深度长短期记忆网络(LSTM)模型，或者深度CNN模型。

进一步的，所述深度RNN模型还可以采用双向(Bidirectional)算法和/或时间分布(time-distributed)算法。

所述神经网络模型可以通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

当然，采集作为训练样本的第一CIR，第二CIR以及对应的终端位置信息的周期是可配置的。对于实时性要求较高的应用场景，如对于高速移动的终端，在进行神经网络模型训练时，训练样本的获取周期可以较短，如毫秒级，而对于实时性要求不是特别高的应用场景，如对于低速或基本静止的终端，在进行神经网络模型训练时，训练样本的获取周期可以较长，如秒级，甚至分钟级。

在进行神经网络模型训练时，第一CIR和第二CIR需要进行时间对齐和排序，保证各自对应的信道是时间对齐的，同时，在获取第一CIR和第二CIR时，需要保证在预先设定好的时频资源上进行信道估计。

神经网络模型训练过程中，首先神经网络模型训练主体(可以为任意设备)可以确定周期性采集的第一CIR、第二CIR和终端位置作为历史数据，用于训练神经网络模型。

需要说明的是，根据每一类历史数据获得主体与神经网络模型训练主体的相同或不同，各类历史数据可以是通过转发或上报后存储在神经网络模型训练主体，也可以是神经网络模型训练主体直接确定并存储的。此外需要说明的是，由于这些历史数据是终端级的数据，颗粒度较小，数据量可能较大，因此数据存储或上报、转发时都需要考虑数据量问题。

在神经网络模型训练主体确定出历史数据之后，可以对每一类历史数据进行时间对齐。并利用时间对齐得到的历史数据进行模型训练，从而得到训练好的神经网络模型。

在进行模型训练时，模型的输入为第一CIR和第二CIR，模型的输出为终端位置。

在神经网络模型使用过程中，可以根据实时得到的第一CIR和第二CIR，利用训练好的神经网络模型，预测得到终端实时位置。

当然，在进行预测时，也需要对实时得到的第一CIR和第二CIR进行时间对齐。

需要说明的是，在一种可能的实现方式中，在本实施例中，除了神经网络模型的使用在DU或CU实现之外，神经网络模型的训练也可以在DU或CU实现。即，神经网络模型的训练可以由DU或CU离线完成，从而实现第三种具体方案。

与本发明实施例九提供的方法对应的，提供以下的方法。

实施例十

本发明实施例十提供一种终端位置预测方法，该方法可以应用于对应终端的邻小区的第二基站，该方法的步骤流程可以如图12所示，包括：

步骤601、第二基站确定第二CIR。

在本步骤中，第二基站可以确定与终端之间的第二CIR，所述第二基站对应所述终端的邻小区。

第二基站确定与终端之间的第二CIR，可以包括：

第二基站接收终端发送的导频，并测量得到与所述终端之间的第二CIR。或者是，第二基站向终端发送导频，接收所述终端测量得到的与该第二基站之间的第二CIR。步骤602、第二基站上报第二CIR。

在本步骤中，第二基站可以向DU或CU上报所述第二CIR，以便所述DU或CU根据第一基站与所述终端之间的第一CIR，以及所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测，其中，所述第一基站对应所述终端的服务小区。

实施例十一

本发明实施例十一提供一种终端位置预测方法，该方法可以应用于对应终端的服务小区的第一基站，该方法的步骤流程可以如图13所示，包括：

步骤701、第一基站确定第一CIR。

在本步骤中，第一基站可以确定与终端之间的第一CIR，所述第一基站对应所述终端的服务小区。

第一基站确定与终端之间的第一CIR，可以包括：通过常规信道测量，根据终端反馈或基站信道估计得到第一CIR。或者是接收终端发送的第一CIR，该第一CIR是终端接收第一基站通过广播信道发送的信号，解析得到的。

步骤702、第一基站上报第一CIR。

在本步骤中，第一基站可以向DU或CU上报所述第一CIR，以便所述DU或CU根据第二基站与所述终端之间的第二CIR，以及所述第一CIR，通过预先训练得到的神经网络模型进行终端位置预测，其中，所述第二基站对应所述终端的邻小区。

分别与实施例九～十一提供的方法对应的，提供以下的装置。

实施例十二

本发明实施例十二提供一种DU或CU，其结构可以如图14所示，包括：

接收模块51用于接收第一基站上报的与终端之间的第一CIR，以及至少一个第二基站上报的与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；

预测模块52用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

实施例十三

本发明实施例十三提供一种对应终端的邻小区的基站，该基站的结构可以如图15所示，包括：

确定模块61用于确定与所述终端之间的第二CIR；

上报模块62用于向DU或CU上报所述第二CIR，以便所述DU或CU根据第一基站与所述终端之间的第一CIR，以及所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测，其中，所述第一基站对应所述终端的服务小区。

实施例十四

本发明实施例十四提供一种对应终端的服务小区的基站，该基站的结构可以如图16所示，包括：

确定模块71用于确定与所述终端之间的第一CIR；

上报模块72用于向DU或CU上报所述第一CIR，以便所述DU或CU根据第二基站与所述终端之间的第二CIR，以及所述第一CIR，通过预先训练得到的神经网络模型进行终端位置预测，其中，所述第二基站对应所述终端的邻小区。

以下实施例对根据终端的服务小区对应的基站(可以理解为第一基站)与该终端之间、分别对应分布式天线***中不同位置天线的第一CIR和第二CIR，通过预先建立的神经网络模型，进行终端位置预测的方案进行说明。

下面对本发明提供的第四种具体方案进行说明。

实施例十五

本发明实施例十五提供一种终端位置预测方法，该方法可以应用于对应终端的服务小区的基站，该方法的步骤流程可以如图17所示，包括：

步骤801、基站确定第一CIR和第二CIR。

在本步骤中，基站可以确定与所述终端之间的第一CIR，以及至少一个与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线。

在本实施例中，第一基站可以但不限于通过以下方式中的任意一种确定第一CIR(或第二CIR)：

通过常规信道测量，根据终端反馈或基站信道估计得到，即第一基站可以向终端发送导频，并接收终端测量得到的第一CIR(或第二CIR)，或者，也可以接收终端发送的导频，并测量得到与所述终端之间的第一CIR(或第二CIR)；

或者，终端接收第一基站通过广播信道发送的信号，解析得到与第一基站之间的第一CIR(或第二CIR)，并反馈给第一基站。

步骤802、基站进行终端位置预测。

在本步骤中，基站可以根据确定出的第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

需要说明的是，在本实施例中，第一CIR和第二CIR都可以理解为毫秒级的实时性较强的数据。

需要说明的是，预测得到的终端位置可以但不限于为全球定位***(GPS)位置、或者为基于终端所在服务小区的虚拟栅格标识(ID)，或者为基于虚拟物理地图上的位置。

在本实施例中，采用的神经网络模型可以但不限于为可以处理时间序列数据的循环神经网络(RNN)模型或者卷积神经网络(CNN)模型，以保证终端位置预测的准确性。

进一步的，所述神经网络模型可以但不限于采用深度RNN模型，如深度长短期记忆网络(LSTM)模型，或者深度CNN模型，以进一步保证终端位置预测的准确性。

进一步的，所述深度RNN模型还可以采用双向(Bidirectional)算法和/或时间分布(time-distributed)算法，以更进一步提高终端位置预测的准确性。

所述神经网络模型可以通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

当然，采集作为训练样本的第一CIR，第二CIR以及对应的终端位置信息的周期是可配置的。对于实时性要求较高的应用场景，如对于高速移动的终端，在进行神经网络模型训练时，训练样本的获取周期可以较短，如毫秒级，而对于实时性要求不是特别高的应用场景，如对于低速或基本静止的终端，在进行神经网络模型训练时，训练样本的获取周期可以较长，如秒级，甚至分钟级。

在进行神经网络模型训练时，第一CIR和第二CIR需要进行时间对齐和排序，保证各自对应的信道是时间对齐的，同时，在获取第一CIR和第二CIR时，需要保证在预先设定好的时频资源上进行信道估计。

神经网络模型训练过程中，首先神经网络模型训练主体(可以为任意设备)可以确定周期性采集的第一CIR、第二CIR和终端位置作为历史数据，用于训练神经网络模型。

需要说明的是，根据每一类历史数据获得主体与神经网络模型训练主体的相同或不同，各类历史数据可以是通过转发或上报后存储在神经网络模型训练主体，也可以是神经网络模型训练主体直接确定并存储的。此外需要说明的是，由于这些历史数据是终端级的数据，颗粒度较小，数据量可能较大，因此数据存储或上报、转发时都需要考虑数据量问题。

在神经网络模型训练主体确定出历史数据之后，可以对每一类历史数据进行时间对齐。并利用时间对齐得到的历史数据进行模型训练，从而得到训练好的神经网络模型。

在进行模型训练时，模型的输入为第一CIR和第二CIR，模型的输出为终端位置。

在神经网络模型使用过程中，可以根据实时得到的第一CIR和第二CIR，利用训练好的神经网络模型，预测得到终端实时位置。

当然，在进行预测时，也需要对实时得到的第一CIR和第二CIR进行时间对齐。

需要说明的是，在一种可能的实现方式中，在本实施例中，除了神经网络模型的使用在基站实现之外，神经网络模型的训练也可以在基站实现。即，神经网络模型的训练可以由基站在线完成，从而实现第四种具体方案。

与实施例十五提供的方法对应的，提供以下的装置。

实施例十六

本发明实施例十六提供一种对应终端服务小区的基站，该基站的结构可以如图18所示，包括：

确定模块81用于确定与所述终端之间的第一CIR，以及至少一个与所述终端之间的第二CIR，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

预测模块82用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

下面对本发明提供的第五种具体方案进行说明。

实施例十七

本发明实施例十七提供一种终端位置预测方法，该方法可以应用于DU或CU，该方法的步骤流程可以如图19所示，包括：

步骤901、接收第一CIR和第二CIR。

在本步骤中，DU或CU可以接收基站上报的与所述终端之间的第一CIR和至少一个第二CIR，其中，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线。

在本实施例中，基站可以但不限于通过以下方式中的任意一种确定第一CIR(或第二CIR)，并上报给DU或CU：通过常规信道测量，根据终端反馈或基站信道估计得到第一CIR(或第二CIR)；或者，终端接收基站通过广播信道发送的信号，解析得到与基站之间的第一CIR(或第二CIR)，并反馈给基站。

步骤902、进行终端位置预测。

在本步骤中，DU或CU可以根据接收到的所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

需要说明的是，在本实施例中，第一CIR和第二CIR都可以理解为毫秒级的实时性较强的数据。

需要说明的是，预测得到的终端位置可以但不限于为全球定位***(GPS)位置、或者为基于终端所在服务小区的虚拟栅格标识(ID)，或者为基于虚拟物理地图上的位置。

在本实施例中，采用的神经网络模型可以但不限于为可以处理时间序列数据的循环神经网络(RNN)模型或者卷积神经网络(CNN)模型，以保证终端位置预测的准确性。

进一步的，所述神经网络模型可以但不限于采用深度RNN模型，如深度长短期记忆网络(LSTM)模型，或者深度CNN模型，以进一步保证终端位置预测的准确性。

进一步的，所述深度RNN模型还可以采用双向(Bidirectional)算法和/或时间分布(time-distributed)算法，以更进一步提高终端位置预测的准确性。

所述神经网络模型可以通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

当然，采集作为训练样本的第一CIR，第二CIR以及对应的终端位置信息的周期是可配置的。对于实时性要求较高的应用场景，如对于高速移动的终端，在进行神经网络模型训练时，训练样本的获取周期可以较短，如毫秒级，而对于实时性要求不是特别高的应用场景，如对于低速或基本静止的终端，在进行神经网络模型训练时，训练样本的获取周期可以较长，如秒级，甚至分钟级。

在进行神经网络模型训练时，第一CIR和第二CIR需要进行时间对齐和排序，保证各自对应的信道是时间对齐的，同时，在获取第一CIR和第二CIR时，需要保证在预先设定好的时频资源上进行信道估计。

神经网络模型训练过程中，首先神经网络模型训练主体(可以为任意设备)可以确定周期性采集的第一CIR、第二CIR和终端位置作为历史数据，用于训练神经网络模型。

需要说明的是，根据每一类历史数据获得主体与神经网络模型训练主体的相同或不同，各类历史数据可以是通过转发或上报后存储在神经网络模型训练主体，也可以是神经网络模型训练主体直接确定并存储的。此外需要说明的是，由于这些历史数据是终端级的数据，颗粒度较小，数据量可能较大，因此数据存储或上报、转发时都需要考虑数据量问题。

在神经网络模型训练主体确定出历史数据之后，可以对每一类历史数据进行时间对齐。并利用时间对齐得到的历史数据进行模型训练，从而得到训练好的神经网络模型。

在进行模型训练时，模型的输入为第一CIR和第二CIR，模型的输出为终端位置。

在神经网络模型使用过程中，可以根据实时得到的第一CIR和第二CIR，利用训练好的神经网络模型，预测得到终端实时位置。

当然，在进行预测时，也需要对实时得到的第一CIR和第二CIR进行时间对齐。

需要说明的是，在一种可能的实现方式中，在本实施例中，除了神经网络模型的使用在DU或CU实现之外，神经网络模型的训练也可以在DU或CU实现。即，神经网络模型的训练可以由DU或CU离线完成，从而实现第五种具体方案。

与实施例十七提供的方法对应的，提供以下的方法。

实施例十八

本发明实施例十八提供一种终端位置预测方法，该方法可以应用于对应终端服务小区的基站，该方法的步骤流程可以如图20所示，包括：

步骤1101、确定第一CIR和第二CIR。

在本步骤中，基站可以确定与所述终端之间的第一CIR和至少一个第二CIR，其中，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线。

在本实施例中，基站可以但不限于通过以下方式中的任意一种确定第一CIR(或第二CIR)：通过常规信道测量，通过终端反馈或基站信道估计得到第一CIR(或第二CIR)；或者，终端接收基站通过广播信道发送的信号，解析得到与基站之间的第一CIR(或第二CIR)，并反馈给基站。

步骤1102、上报第一CIR和第二CIR。

在本步骤中，基站可以向DU或CU上报所述第一CIR和所述第二CIR，以便所述DU或CU根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

与实施例十七、十八提供的方法对应的，提供以下的装置。

实施例十九

本发明实施例十九提供一种DU或CU，其结构可以如图21所示，包括：

接收模块91用于接收基站上报的与所述终端之间的第一CIR和至少一个第二CIR，其中，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

预测模块92用于根据接收到的所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

实施例二十

本发明实施例二十提供一种对应终端服务小区的基站，该基站的结构可以如图22所示，包括：

确定模块101用于确定与所述终端之间的第一CIR和至少一个第二CIR，其中，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

上报模块102用于向分布式单元DU或集中式单元CU上报所述第一CIR和所述第二CIR，以便所述DU或CU根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型进行终端位置预测。

根据本发明各实施例提供的方案，仿真结果显示，不论是采用RNN模型还是采用CNN模型，预测出的终端位置精度都可以达到10米以内。

例如，图23(a)和(b)为采用本发明实施例九提供的方案，且神经网络模型采用RNN模型的终端位置预测结果示意图，图24(a)和(b)为采用本发明实施例九提供的方案，且神经网络模型采用CNN模型的终端位置预测结果示意图，在图23(a)(图24(a))和图23(b)(图24(b))中，终端位置预测值可以分别用predict_258/predict_259表示，终端位置真实值可以分别用original_258/original_259表示，预测值与真实值之间的误差可以分别用MS258_euclidean_in_metres/MS259_euclidean_in_metres表示，从图23和图24可以看出，终端位置预测精度都在10米以内。相对于现有的终端位置预测方法，可以大大提高精准度。可以实现任意训练轨迹上终端位置的预测，可以实现对终端下一时刻位置的预测。

基于同一发明构思，本发明实施例提供以下的设备和介质。

实施例二十一

本发明实施例二十一提供一种通信设备，该设备的结构可以如图25所示，包括存储器111、处理器112、收发器113以及总线接口；所述处理器112，用于读取存储器111中的程序，执行：

通过所述收发器113确定第一基站与所述终端之间的第一CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置；或者，执行：

通过所述收发器113确定基站与所述终端之间的第一CIR，以及确定所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，所述第二CIR对应分布式天线***中第二位置的天线；根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

可选的，所述处理器112具体可以包括中央处理器(CPU)、特定应用集成电路(ASIC，application specific integrated circuit)，可以是一个或多个用于控制程序执行的集成电路，可以是使用现场可编程门阵列(FPGA，field programmable gate array)开发的硬件电路，可以是基带处理器。

可选的，所述处理器112可以包括至少一个处理核心。

可选的，所述存储器111可以包括只读存储器(ROM，read only memory)、随机存取存储器(RAM，random access memory)和磁盘存储器。存储器111用于存储至少一个处理器112运行时所需的数据。存储器111的数量可以为一个或多个。

本发明实施例二十二提供一种非易失性计算机存储介质，所述计算机存储介质存储有可执行程序，当可执行程序被处理器执行时，实现本发明提供的方案一和方案二。

在具体的实施过程中，计算机存储介质可以包括：通用串行总线闪存盘(USB，Universal Serial Bus flash drive)、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的存储介质。

在本发明实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元或单元的划分，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***，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，设备或单元的间接耦合或通信连接，可以是电性或其它的形式。

在本发明实施例中的各功能单元可以集成在一个处理单元中，或者各个单元也可以均是独立的物理模块。

所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案的全部或部分可以以软件产品的形式体现出来，该计算机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台计算机设备，例如可以是个人计算机，服务器，或者网络设备等，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：通用串行总线闪存盘(universal serial bus flash drive)、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。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、装置(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1.一种终端位置预测方法，其特征在于，所述方法包括：

确定第一基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

2.如权利要求1所述的方法，其特征在于，根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置，包括：

根据时间对齐的所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

3.如权利要求1所述的方法，其特征在于，确定出的终端位置为全球定位***GPS位置、或者为基于终端所在服务小区的虚拟栅格标识ID，或者为基于虚拟物理地图上的位置。

4.如权利要求1所述的方法，其特征在于，所述神经网络模型采用深度循环神经网络RNN模型或者深度卷积神经网络CNN模型。

5.如权利要求1所述的方法，其特征在于，所述神经网络模型通过以下方法训练得到：

确定周期性采集的第一CIR，第二CIR以及对应的终端位置信息作为训练样本；

利用确定出的训练样本，训练得到所述神经网络模型。

6.如权利要求1～5任一所述的方法，其特征在于，所述第一CIR通过以下方式得到：

所述终端接收第一基站发送的导频，测量得到的与所述第一基站之间第一CIR；或者，第一基站接收所述终端发送的导频，测量得到与所述终端之间的第一CIR；或者，所述终端接收第一基站通过广播信道发送的信号，解析得到与第一基站之间的第一CIR。

7.如权利要求1～5任一所述的方法，其特征在于，所述第二CIR通过以下方式得到：

所述终端接收一个第二基站通过广播信道发送的信号，并解析得到与该第二基站之间的第二CIR；或者，所述终端接收一个第二基站发送的导频，测量得到与该第二基站之间第的二CIR；或者，一个第二基站接收所述终端发送的导频，测量得到与所述终端之间的第二CIR。

8.一种终端位置预测装置，其特征在于，所述装置包括：

确定模块，用于确定第一基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；

预测模块，用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

9.一种终端位置预测方法，其特征在于，所述方法包括：

确定基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

10.如权利要求9所述的方法，其特征在于，所述第一CIR或第二CIR通过以下方式得到：

所述终端接收基站发送的导频，测量得到与所述基站之间的第一CIR或第二CIR；或者，基站接收所述终端发送的导频，测量得到与所述终端之间的第一CIR或第二CIR；或者，所述终端接收基站通过广播信道发送的信号，解析得到与所述基站之间的第一CIR或第二CIR。

11.一种终端位置预测装置，其特征在于，所述装置包括：

确定模块，用于确定基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；

预测模块，用于根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

12.一种非易失性计算机存储介质，其特征在于，所述计算机存储介质存储有可执行程序，该可执行程序被处理器执行实现权利要求1～7、9～10任一所述方法的步骤。

13.一种通信设备，其特征在于，包括存储器、处理器、收发器以及总线接口；所述处理器，用于读取存储器中的程序，执行：

通过所述收发器确定第一基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个第二基站与所述终端之间的第二CIR，所述第一基站对应所述终端的服务小区，所述第二基站对应所述终端的邻小区；根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置；或者，执行：

通过所述收发器确定基站与所述终端之间的第一信道冲击响应CIR，以及确定至少一个所述基站与所述终端之间的第二CIR，所述基站对应所述终端的服务小区，所述第一CIR对应分布式天线***中第一位置的天线，每个所述第二CIR对应分布式天线***中与所述第一位置不同位置的天线；根据所述第一CIR和所述第二CIR，通过预先训练得到的神经网络模型确定终端位置。

Images