CN113766634A - 基于5g的定位方法、装置、计算机设备和存储介质 - Google Patents

基于5g的定位方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113766634A
CN113766634A CN202111012245.2A CN202111012245A CN113766634A CN 113766634 A CN113766634 A CN 113766634A CN 202111012245 A CN202111012245 A CN 202111012245A CN 113766634 A CN113766634 A CN 113766634A
Authority
CN
China
Prior art keywords
target
target user
base station
motion
current base
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.)
Granted
Application number
CN202111012245.2A
Other languages
English (en)
Other versions
CN113766634B (zh
Inventor
赵天钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen TCL New Technology Co Ltd
Original Assignee
Shenzhen TCL New Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen TCL New Technology Co Ltd filed Critical Shenzhen TCL New Technology Co Ltd
Priority to CN202111012245.2A priority Critical patent/CN113766634B/zh
Publication of CN113766634A publication Critical patent/CN113766634A/zh
Application granted granted Critical
Publication of CN113766634B publication Critical patent/CN113766634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/60—Positioning; Navigation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Navigation (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于5G的定位方法、装置、计算机设备和存储介质。所述方法包括：基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。采用本方法能够提高定位的覆盖范围以及满足定位精度的需求。

Description

基于5G的定位方法、装置、计算机设备和存储介质
技术领域
本申请涉及定位技术领域，特别是涉及一种基于5G的定位方法、装置、计算机设备和存储介质。
背景技术
随着物联网技术的快速发展，全球的卫星导航***的定位技术已经广泛应用。然而，由于地理位置偏远、建筑物遮挡、通信信号弱等原因导致室内定位精度无法满足其高精度定位的要求。在目前的技术方案中，大部分室内定位服务都是通过Wi-Fi、蓝牙或者红外等技术来实现的。然而，通过Wi-Fi、蓝牙或者红外等技术实现定位，定位覆盖范围较小，且无法根据用户的实际所处环境进行定位，无法满足定位精度的需求。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高定位覆盖范围，保证定位精度的基于5G的定位方法、装置、计算机设备和存储介质。
一种基于5G的定位方法，所述方法包括：
基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
可选的，所述根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间，包括：
将所述预测运动轨迹、所述预测运动时间、当前时刻以及所述地图数据作为训练后的目标轨迹识别模型的输入，以使所述目标轨迹识别模型输出所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
可选的，所述方法还包括：获取定位训练样本集合，所述定位训练样本包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与所述运动轨迹训练样本对应的运动时间训练样本；将各所述定位训练样本分别输入至待训练的第一轨迹识别模型；调整所述第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配，得到训练后的所述轨迹识别模型。
可选的，在所述获取定位训练样本集合之前，所述方法还包括：将测试场所的平面地图数据转化成对应的三维坐标集合，各三维坐标包括经度、纬度以及高度；将各所述三维坐标中的经度和纬度分别进行归一化处理并求和，得到与各所述三维坐标对应的二维坐标；将各所述二维坐标分别输入至待训练的第二轨迹预测模型中；调整所述第二轨迹预测模型的参数，以使所述第二轨迹预测模型输出与各所述二维坐标相对应的三维坐标，将训练后的所述第二轨迹预测模型作为所述第一轨迹预测模型。
可选的，所述相对运动信息包括所述目标用户与所述当前基站之间的距离向量、所述目标用户当前的方向向量以及所述距离向量与所述方向向量之间的夹角。
可选的，基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息，包括：基于所述目标用户的定位信息以及所述当前基站的定位信息，确定所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息；根据所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息，确定由所述目标用户至所述当前基站的距离向量；根据所述目标用户在相邻时刻的定位信息，确定所述目标用户当前的方向向量；确定所述距离向量与所述方向向量之间的夹角。
可选的，在所述基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息之前，还包括：根据所述目标用户的定位信息以及相邻的其他基站的定位信息，检测所述目标用户是否同时处于当前基站以及所述其他基站的服务范围内；若是，分别确定所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离；根据所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离，确定所述当前基站相对于所述目标用户的信号强度以及所述其他基站相对于所述目标用户的信号强度；若所述其他基站相对于所述目标用户的信号强度大于所述当前基站相对于所述目标用户的信号强度，指示所述其他基站对所述目标用户进行定位。
一种基于5G的定位装置，所述装置包括：
第一确定模块，用于基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
第二确定模块，用于根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
第三确定模块，用于根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
处理模块，用于根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述基于5G的室内定位方法、装置、计算机设备和存储介质，通过目标用户的定位信息以及目标基站的定位信息，确定目标用户与目标基站之间的相对运动信息，并根据该相对运动信息，确定目标用户在该目标基站的服务范围内的预测运动轨迹以及预测运动时间，再将该预测运动轨迹、预测运动时间与用户所在的目标场所的地图数据相结合，确定目标用户在目标场所的目标运动轨迹以及目标运动时间，从而可以基于该目标运动轨迹和目标运动时间，确定该目标用户在目标场所内的目标定位信息。由此，提高了定位覆盖范围，即在该目标基站的服务范围内皆可以进行室内定位，且将预测后的预测运动轨迹和预测运动时间与目标场所的地图数据相结合进行定位，能够提高定位的精确度，减少周围环境对定位结果的影响。
附图说明
图1为本申请实施例中基于5G的定位方法的应用环境图。
图2为本申请实施例中基于5G的定位方法的流程示意图。
图3为本申请实施例中基于5G的定位方法中还包括的训练轨迹识别模型的流程示意图。
图4为本申请实施例中基于5G的定位方法中还包括的对第二轨迹识别模型进行训练的流程示意图。
图5为本申请实施例中基于5G的定位方法中步骤S210的流程示意图。
图6为本申请实施例中基于5G的定位方法中还包括的确定定位基站的流程示意图。
图7为本申请实施例中基于5G的定位装置的结构框图。
图8为本申请实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于5G的定位方法，可以应用于如图1所示的应用环境中。其中，终端110通过网络与服务器120通过网络进行通信。该网络用以在终端110与服务器120之间提供网络通信链路的介质，该网络可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的服务器120可以设置在5G基站中(如图1所示)，其也可以是由5G基站自身的服务器(后续以5G基站自身的服务器为例进行说明)，又或者该服务器也可以独立于该5G基站，5G基站在获取目标用户的定位信息后，可以将自身的定位信息和目标用户的定位信息向该服务器120进行发送，由服务器120进行定位，本领域技术人员可以根据实现需要，选择对应的设置方法，本申请对此不作特殊限定。
示例性的，用户可以使用终端110通过网络与服务器120进行交互，以接收或发送消息等。例如用户可以使用终端110向服务器120发送自身的定位信息。服务器120可以基于目标用户的定位信息以及当前基站的定位信息，确定目标用户与当前基站之间的相对运动信息，根据相对运动信息，确定该目标用户在当前基站的服务范围内的预测运动轨迹以及预测运动时间，并根据预测运动轨迹、预测运动时间、当前时刻以及该目标用户所在的目标场所的地图数据，确定该目标用户在目标场所的目标运动轨迹以及目标运动时间，再根据目标运动轨迹和目标运动时间，确定目标用户在目标场所内的目标定位信息。
示例性的，如图2所示，提供了一种基于5G的定位方法，以该方法应用于图1中的服务器120为例进行说明，该方法至少包括以下步骤，详细介绍如下：
在步骤S210中，基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息。
其中，当前基站可以是为目标用户提供通信服务的通信基站。在一示例中，当目标用户的终端接入5G通讯信号时，则可以向提供5G信号的基站发送自身的定位信息，该定位信息可以是由全球定位***(GPS)***进行确定，也可以是北斗卫星导航***进行确定，其也可以是由其他的定位***进行确定，本申请对此不作特殊限定。
当当前基站接收到由目标用户发送的定位信息之后，则可以根据自身的定位信息以及目标用户的定位信息，确定目标用户与当前基站之间的相对运动信息。该相对运动信息可以是以当前基站为基准，与该目标用户的运动行为相关的信息。例如该相对运动信息可以包括但不限于目标用户与当前基站之间的距离、目标用户当前的运动速度、相对于目标基站的运动方向等。
在步骤S220中，根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间。
其中，服务范围可以是当前基站的通讯信号可到达的范围，其可以由当前基站的提供方预先设定于当前基站内进行存储。例如该服务范围可以是半径500m、半径600等等，以上数字仅为示例性举例，本申请对此不作特殊限定。
在本申请一示例性实施例中，当前基站可以根据目标用户与当前基站之间的相对运动信息，对目标用户的运动行为进行预测，从而得到目标用户在当前基站的服务范围内的预测运动轨迹以及预测运动时间。
在一示例中，当前基站可以根据目标用户当前的运动速度以及相对于当前基站的运动方向，确定该目标用户在之后时刻可能的运动距离以及运动方向。本领域技术人员可以根据在先经验，设定当前基站的预测时间范围，例如该预测时间范围为5s，则当前基站可以根据目标用户的运动速度以及运动方向，预测该目标用户在当前时刻之后5s的运动轨迹，具体地，当前基站可以沿着目标用户当前的运动方向，根据该目标用户的运动速度确定该目标用户在5s之后的位置，从而得到该目标用户的运动轨迹。
当前基站可以根据该相对运动信息，确定目标用户何时离开当前基站的服务范围即预测运动时间，同时也可以确定该目标用户在离开当前基站的服务范围之前的预测运动轨迹。
在步骤S230中，根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
其中，目标场所可以是目标用户当前所在的场所，例如商场、写字楼或者地下停车场等公共场所。
在本申请一示例性实施例中，当前基站中可以预先存储其所在位置附近的各场所的地图数据，并根据该目标用户的定位信息，确定该目标用户所在的目标场所。具体地，当前基站可以根据该目标用户的定位信息，查找位于其附近的各场所的区域范围。由此，可以确定该目标用户的定位信息位于某一场所的区域范围内，从而将该场所识别为目标场所。
在确定了目标场所后，当前基站可以获取该目标场所的地图数据，在一示例中，该地图数据可以以坐标形式进行输出。具体地，该地图数据可以包括目标场所的各点的三维坐标，该三维坐标包括各点的经度、纬度以及高度。由此，对于具有多个楼层的场所，则可以通过三维坐标中的高度，进行区分，从而得到各个楼层的场所的地图数据。
在一示例中，该目标用户的定位信息还可以包括该目标用户的高度信息，由此，当前基站可以根据该目标用户的高度信息，确定该目标用户的所在楼层，从而获取对应的该楼层的地图数据，进而保证后续定位结果的准确性。
在本申请一示例性实施例中，当前基站可以根据该目标用户的预测运动轨迹、预测运动时间、当前时刻以及目标场所的地图数据，将该预测运动轨迹、预测运动时间与目标场所的地图数据进行匹配，从而得到该目标用户在目标场所内的目标运动轨迹以及目标运动时间。在一示例中，当前基站可以将目标用户的预测运动轨迹与地图数据进行匹配。例如，地图数据中存在障碍物(例如墙体或者装饰物体等)时，则需要对该目标用户的预测运动轨迹进行调整，从而在相同运动方向的情况下，绕开该障碍物，从而得到该目标用户在目标场所内的目标运动轨迹。
应该理解的，预测运动轨迹即为点到点的直线运动轨迹，而在真实的环境中存在各种障碍物，因此，目标用户难以沿着直线进行运动需要绕开各种障碍物。所以，将预测运动轨迹与目标场所的运动轨迹相匹配，则可以得到该目标用户在目标场所内的目标运动轨迹。
在一示例中，当确认了目标运动轨迹之后，当前基站则可以确定该目标运动轨迹的运动距离，再基于目标用户的当前速度，计算该目标用户执行该目标运动轨迹所需花费的时间，即目标运动时间。
请继续参考图2，在步骤S240中，根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
其中，目标定位信息可以是目标用户在当前时刻之后的定位信息，需要说明的，该当前时刻可以是当前基站在接收到目标用户的定位信息的时刻。例如，当前基站在19:01时刻接收到目标用户的定位信息，则当前时刻即为19:01，等等。
在本申请一示例性实施例中，当前基站可以根据目标运动轨迹和目标运动时间，确定该目标用户在目标场所内的目标定位信息。即基于目标运动轨迹以及目标运动时间，当前基站可以知晓该目标用户在目标运动时间的范围内各个时刻点的位置信息。具体地，当前基站可以根据目标用户的当前速度，确定该目标用户在目标运动时间范围内各个时刻点的运动距离，并将该运动距离与目标运动轨迹进行匹配，从而得到该目标用户在各个时刻点时在该目标运动轨迹中所处的位置。
在一示例中，目标运动轨迹可以是以连续的坐标点的形式进行输出，每一坐标点可以对应于一时间信息，该时间信息用于表示该目标用户在之后某一时刻处于该坐标点。由此，当目标用户查询自身的定位信息时，当前基站则可以根据目标用户的查询时间，查找该目标用户的目标运动轨迹，查询与该查询时间相匹配的坐标点，从而将该坐标点输出至目标用户的终端设备上，从而提高用户的定位效率以及定位结果的准确性。
在图2所示的实施例中，通过目标用户的定位信息以及目标基站的定位信息，确定目标用户与目标基站之间的相对运动信息，并根据该相对运动信息，确定目标用户在该目标基站的服务范围内的预测运动轨迹以及预测运动时间，再将该预测运动轨迹、预测运动时间与用户所在的目标场所的地图数据相结合，确定目标用户在目标场所的目标运动轨迹以及目标运动时间，从而可以基于该目标运动轨迹和目标运动时间，确定该目标用户在目标场所内的目标定位信息。由此，提高了定位覆盖范围，即在该目标基站的服务范围内皆可以进行室内定位，且将预测后的预测运动轨迹和预测运动时间与目标场所的地图数据相结合进行定位，能够提高定位的精确度，减少周围环境对定位结果的影响。
基于图2所示的实施例，在本申请一示例性实施例中，所述根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间，包括：
将所述预测运动轨迹、所述预测运动时间、当前时刻以及所述地图数据作为训练后的轨迹识别模型的输入，以使所述轨迹识别模型输出所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
在该实施例中，轨迹识别模型可以是预先建立并训练的神经网络模型，该轨迹识别模型用于对目标用户在目标场所内的运动轨迹进行预测，从而输出该目标用户在目标场所内的目标运动轨迹以及目标运动时间。
具体地，当前基站可以将预测运动轨迹、预测运动时间、当前时刻以及目标用户所在目标场所的地图数据作为该轨迹识别模型的输入，该轨迹识别模型则可以输出目标用户在目标场所内的目标运动轨迹和目标运动时间。
由此，通过轨迹识别模型对目标用户的目标运动轨迹以及目标运动时间进行预测，可以提高预测效率，且保证预测的精确度。
在本申请一示例性实施例中，本领域技术人员可以基于长短期记忆网络(LSTM，Long Short-Term Memory)建立轨迹识别模型，长短期记忆网络是一种时间循环神经网络。基于长短期记忆网络所建立的轨迹识别模型，可以改善RNN中存在的长期依赖问题，其作为非线性模型，可以作为复杂的非线性单元用于构造更大型的深度神经网络。需要说明的，本领域技术人员也可以采用其他算法构建轨迹识别模型，本申请对此不作特殊限定。
图3示出了根据本申请的一个示例性实施例的基于5G的定位方法中还包括的训练轨迹识别模型的流程示意图。参照图3所示，训练轨迹识别模型至少包括步骤S310至步骤S330，详细介绍如下：
在步骤S310中，获取定位训练样本集合，所述定位训练样本包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与所述运动轨迹训练样本对应的运动时间训练样本。
在本申请一示例性实施例中，本领域技术人员可以预先构建用于对轨迹识别模型进行训练的训练数据库，该训练数据库中可以存储有定位训练样本集合，该定位训练样本集合中可以包含大量的定位训练样本，每一定位训练样本可以包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与该运动轨迹训练样本对应的运动时间训练样本。
其中，采样时间可以是获取该测试用户的运动轨迹训练样本和对应的运动时间训练样本的时刻。需要说明的是，该运动轨迹训练样本和运动时间训练样本可以是基站根据测试用户与该基站之间的相对运动信息所进行预测运动轨迹和运动时间。
在步骤S320中，将各所述定位训练样本分别输入至待训练的第一轨迹识别模型。
在步骤S330中，调整所述第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配，得到训练后的所述目标轨迹识别模型。
在该实施例中，可以将定位训练样本集合中的定位训练样本分别输入至第一轨迹识别模型中，该第一轨迹识别模型可以是还未训练的轨迹识别模型。本领域技术人员可以通过调整第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配。需要说明的，本领域技术人员可以预先记录各测试用户的真实运动轨迹和真实运动时间，每一真实运动轨迹和真实运动时间对应于一个定位训练样本。由此，可以根据真实运动轨迹和真实运动时间形成有监督的训练，从而提高轨迹识别模型输出结果的精确度。
在训练完成后，可以将该第一轨迹识别模型作为在实际使用过程中的目标轨迹识别模型。可以将该目标轨迹识别模型发送至各个基站或者各个服务器，以使各个基站或者各个服务器具有轨迹识别功能，并且提高轨迹识别的效率和精确度。
需要说明的是，各定位训练样本中的测试场所可以是同一个场所，也可以是多个场所，本申请对此不作特殊限定。
基于前述实施例，图4示出了根据本申请的一个实施例的基于5G的定位方法中还包括的对第二轨迹识别模型进行训练的流程示意图。参照图4所示，对第二轨迹识别模型进行训练至少包括以下步骤，详细介绍如下：
在步骤S410中，将测试场所的平面地图数据转化成对应的三维坐标集合，各三维坐标包括经度、纬度以及高度。
在本申请一示例性实施例中，平面地图数据可以是分别与测试场所各楼层相对应。可以将该平面地图数据结合高度数据，从而将该平面地图数据转化为三维坐标数据，每一三维坐标可以包括经度、纬度以及高度。由此，基于三维坐标数据中的高度，即可以区分同一场所内不同楼层的地图数据。
在步骤S420中，将各所述三维坐标中的经度和纬度分别进行归一化处理并求和，得到与各所述三维坐标对应的二维坐标。
在本申请一示例性实施例中，可以对各三维坐标中的经度和纬度分别进行归一化处理，并将各个三维坐标中归一化后的经度和纬度进行求和，再将求和后的值作为第一维度，高度作为第二纬度，以得到各三维坐标对应的二维坐标。例如某一三维坐标包括[A,B,C]，其中A为经度、B为纬度、C为高度，归一化处理后，经度为a，纬度为b，所以，三维坐标[A,B,C]对应的二维坐标为[a+b,C]。
在步骤S430中，将各所述二维坐标分别输入至待训练的第二轨迹预测模型中。
在步骤S440中，调整所述第二轨迹预测模型的参数，以使所述第二轨迹预测模型输出与各所述二维坐标相对应的三维坐标，将训练后的所述第二轨迹预测模型作为所述第一轨迹预测模型。
在该实施例中，将各个二维坐标分别输入至待训练的第二轨迹预测模型，通过调整第二轨迹预测模型的参数，以使第二轨迹预测模型输出与各二维坐标对应的三维坐标，并将训练后的第二轨迹预测模型作为前述的第一轨迹预测模型，以进行后续的轨迹识别训练。
在图4所示的实施例中，通过将地图数据对应的三维坐标数据转换为二维坐标数据，可以减少数据量，进而减少模型的复杂度，提高模型的训练效率。且预先采用地图数据对第二轨迹识别模型进行训练，可以提高后续轨迹识别模型的输出结果的准确度。
应该理解的，在第一轨迹识别模型的训练过程中以及目标轨迹识别模型的实际使用中，所输入的地图数据也可以是对应的二维坐标数据，即由三维坐标数据转化得到的二维坐标，转化过程如上文所述，不再赘述。
在本申请一示例性实施例中，所述相对运动信息包括所述目标用户与所述当前基站之间的距离向量、所述目标用户当前的方向向量以及所述距离向量与所述方向向量之间的夹角。
图5示出了根据本申请的一个实施例的图2的基于5G的定位方法中步骤S210的流程示意图。参照图5所示，确定相对运动信息至少包括以下步骤，详细介绍如下：
在步骤S510中，基于所述目标用户的定位信息以及所述当前基站的定位信息，确定所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息。
在本申请一示例性实施例中，当前基站可以基于目标用户的定位信息以及自身的定位信息确定当前基站与目标用户之间的距离。同时，当前基站也可以确定自身相对于目标用户所处的方位，从而确定当前基站相对于目标用户的方向信息。
在步骤S520中，根据所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息，确定由所述目标用户至所述当前基站的距离向量。
在步骤S530中，根据所述目标用户在相邻时刻的定位信息，确定所述目标用户当前的方向向量。
在该实施例中，当前基站可以基于目标用户在相邻时刻的定位信息，确定目标用户的前进方向，从而确定该目标用户当前的方向向量。具体地，目标用户可以按照预定间隔向当前基站发送自身的定位信息，当前基站可以基于相邻时刻接收到的目标用户的定位信息，确定该目标用户由相邻时刻中前一时刻到下一时刻的方向信息，进而得到该目标用户当前的方向向量。
在步骤S540中，确定所述距离向量与所述方向向量之间的夹角。
在该实施例中，当前基站可以基于该距离向量以及方向向量，确定二者之间的夹角，以备后续使用。
在本申请一示例性实施例中，基于上述相对运动信息，当前基站可以计算目标用户的预测运动轨迹和预测运动时间，具体计算过程如下：
Figure BDA0003239328950000121
Figure BDA0003239328950000122
Figure BDA0003239328950000131
其中，Du,c代表目标用户预计的移动距离，vu代表目标用户的当前移动速度，Rc代表当前基站的半径，du,c代表目标用户到5G基站的距离，θ代表目标用户的运动方向矢量与目标用户到当前基站的方向矢量之间的夹角。
由此，通过上述公式进行计算，当前基站可以对目标用户的运动轨迹和运动时间进行预测，提高预测结果的准确性。
基于前述实施例，图6示出了根据本申请的一个实施例的基于5G的方法还包括的确定定位基站的流程示意图。参照图6所示，确定定位基站至少包括以下步骤，详细介绍如下：
在步骤S610中，根据所述目标用户的定位信息以及相邻的其他基站的定位信息，检测所述目标用户是否同时处于当前基站以及所述其他基站的服务范围内。
在本申请一示例性实施例中，当前基站可以存储有附近相邻的基站的定位信息，基于各基站的服务半径，当前基站可以确定相邻的其他基站的服务范围。由此，当前基站可以基于目标用户的定位信息，确定该目标用户是否同时处于两个基站的服务范围内。
在步骤S620中，若是，分别确定所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离。
在该实施例中，当前基站可以基于目标用户、当前基站的定位信息以及相邻的其他基站的定位信息，确定目标用户与当前基站之间的距离，以及目标用户与该其他基站之间的距离。
在步骤S630中，根据所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离，确定所述当前基站相对于所述目标用户的信号强度以及所述其他基站相对于所述目标用户的信号强度。
在该实施例中，当前基站可以基于目标用户与当前基站、其他基站之间的距离，计算二者相对于目标用户的信号强度。具体地，信号强度Wi的计算公式如下：
Wi＝PT/du,cn；
其中，PT代表基站i的发射功率，n代表传播因子(取决于环境)。本领域技术人员可以基于在先经验，设定传播因子进行存储，以备后续使用。
在步骤S640中，若所述其他基站相对于所述目标用户的信号强度大于所述当前基站相对于所述目标用户的信号强度，指示所述其他基站对所述目标用户进行定位。
在该实施例中，若其他基站相对于目标用户的信号强度大于当前基站对应的信号强度，则当前基站可以指示其他基站进行后续的对目标用户的定位识别。若当前基站的信号强度大于或等于其他基站的信号强度，则由当前基站继续进行后续的定位识别。由此，通过选择信号强度较高的基站进行后续的定位识别，可以保证定位效率，同时也可以保证定位结果的准确性。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种基于5G的定位装置，包括：
第一确定模块710，用于基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
第二确定模块720，用于根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
第三确定模块730，用于根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
处理模块740，用于根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
在其中一个实施例中，第三确定模块730被配置为：将所述预测运动轨迹、所述预测运动时间、当前时刻以及所述地图数据作为训练后的目标轨迹识别模型的输入，以使所述目标轨迹识别模型输出所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
在其中一个实施例中，处理模块740还被配置为：获取定位训练样本集合，所述定位训练样本包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与所述运动轨迹训练样本对应的运动时间训练样本；将各所述定位训练样本分别输入至待训练的第一轨迹识别模型；调整所述第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配，得到训练后的所述轨迹识别模型。
在其中一个实施例中，在所述获取定位训练样本集合之前，处理模块740还被配置为：将测试场所的平面地图数据转化成对应的三维坐标集合，各三维坐标包括经度、纬度以及高度；将各所述三维坐标中的经度和纬度分别进行归一化处理并求和，得到与各所述三维坐标对应的二维坐标；将各所述二维坐标分别输入至待训练的第二轨迹预测模型中；调整所述第二轨迹预测模型的参数，以使所述第二轨迹预测模型输出与各所述二维坐标相对应的三维坐标，将训练后的所述第二轨迹预测模型作为所述第一轨迹预测模型。
在其中一个实施例中，所述相对运动信息包括所述目标用户与所述当前基站之间的距离向量、所述目标用户当前的方向向量以及所述距离向量与所述方向向量之间的夹角。
在其中一个实施例中，第一确定模块710被配置为：基于所述目标用户的定位信息以及所述当前基站的定位信息，确定所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息；根据所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息，确定由所述目标用户至所述当前基站的距离向量；根据所述目标用户在相邻时刻的定位信息，确定所述目标用户当前的方向向量；确定所述距离向量与所述方向向量之间的夹角。
在其中一个实施例中，在所述基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息之前，处理模块740还被配置为：根据所述目标用户的定位信息以及相邻的其他基站的定位信息，检测所述目标用户是否同时处于当前基站以及所述其他基站的服务范围内；若是，分别确定所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离；根据所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离，确定所述当前基站相对于所述目标用户的信号强度以及所述其他基站相对于所述目标用户的信号强度；若所述其他基站相对于所述目标用户的信号强度大于所述当前基站相对于所述目标用户的信号强度，指示所述其他基站对所述目标用户进行定位。
关于基于5G的定位装置的具体限定可以参见上文中对于基于5G的定位方法的限定，在此不再赘述。上述基于5G的定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储当前基站的定位信息以及相邻的其他基站的定位信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于5G的定位方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
所述根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间，包括：将所述预测运动轨迹、所述预测运动时间、当前时刻以及所述地图数据作为训练后的目标轨迹识别模型的输入，以使所述目标轨迹识别模型输出所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取定位训练样本集合，所述定位训练样本包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与所述运动轨迹训练样本对应的运动时间训练样本；将各所述定位训练样本分别输入至待训练的第一轨迹识别模型；调整所述第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配，得到训练后的所述轨迹识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将测试场所的平面地图数据转化成对应的三维坐标集合，各三维坐标包括经度、纬度以及高度；将各所述三维坐标中的经度和纬度分别进行归一化处理并求和，得到与各所述三维坐标对应的二维坐标；将各所述二维坐标分别输入至待训练的第二轨迹预测模型中；调整所述第二轨迹预测模型的参数，以使所述第二轨迹预测模型输出与各所述二维坐标相对应的三维坐标，将训练后的所述第二轨迹预测模型作为所述第一轨迹预测模型。
在一个实施例中，所述相对运动信息包括所述目标用户与所述当前基站之间的距离向量、所述目标用户当前的方向向量以及所述距离向量与所述方向向量之间的夹角。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于所述目标用户的定位信息以及所述当前基站的定位信息，确定所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息；根据所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息，确定由所述目标用户至所述当前基站的距离向量；根据所述目标用户在相邻时刻的定位信息，确定所述目标用户当前的方向向量；确定所述距离向量与所述方向向量之间的夹角。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述目标用户的定位信息以及相邻的其他基站的定位信息，检测所述目标用户是否同时处于当前基站以及所述其他基站的服务范围内；若是，分别确定所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离；根据所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离，确定所述当前基站相对于所述目标用户的信号强度以及所述其他基站相对于所述目标用户的信号强度；若所述其他基站相对于所述目标用户的信号强度大于所述当前基站相对于所述目标用户的信号强度，指示所述其他基站对所述目标用户进行定位。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
所述根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间，包括：将所述预测运动轨迹、所述预测运动时间、当前时刻以及所述地图数据作为训练后的目标轨迹识别模型的输入，以使所述目标轨迹识别模型输出所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取定位训练样本集合，所述定位训练样本包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与所述运动轨迹训练样本对应的运动时间训练样本；将各所述定位训练样本分别输入至待训练的第一轨迹识别模型；调整所述第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配，得到训练后的所述轨迹识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将测试场所的平面地图数据转化成对应的三维坐标集合，各三维坐标包括经度、纬度以及高度；将各所述三维坐标中的经度和纬度分别进行归一化处理并求和，得到与各所述三维坐标对应的二维坐标；将各所述二维坐标分别输入至待训练的第二轨迹预测模型中；调整所述第二轨迹预测模型的参数，以使所述第二轨迹预测模型输出与各所述二维坐标相对应的三维坐标，将训练后的所述第二轨迹预测模型作为所述第一轨迹预测模型。
在其中一个实施例中，所述相对运动信息包括所述目标用户与所述当前基站之间的距离向量、所述目标用户当前的方向向量以及所述距离向量与所述方向向量之间的夹角。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于所述目标用户的定位信息以及所述当前基站的定位信息，确定所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息；根据所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息，确定由所述目标用户至所述当前基站的距离向量；根据所述目标用户在相邻时刻的定位信息，确定所述目标用户当前的方向向量；确定所述距离向量与所述方向向量之间的夹角。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述目标用户的定位信息以及相邻的其他基站的定位信息，检测所述目标用户是否同时处于当前基站以及所述其他基站的服务范围内；若是，分别确定所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离；根据所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离，确定所述当前基站相对于所述目标用户的信号强度以及所述其他基站相对于所述目标用户的信号强度；若所述其他基站相对于所述目标用户的信号强度大于所述当前基站相对于所述目标用户的信号强度，指示所述其他基站对所述目标用户进行定位。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于5G的定位方法，其特征在于，所述方法包括：
基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
2.根据权利要求1所述的基于5G的定位方法，其特征在于，所述根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间，包括：
将所述预测运动轨迹、所述预测运动时间、当前时刻以及所述地图数据作为训练后的目标轨迹识别模型的输入，以使所述目标轨迹识别模型输出所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间。
3.根据权利要求2所述的基于5G的定位方法，其特征在于，所述方法还包括：
获取定位训练样本集合，所述定位训练样本包括测试场所的训练地图数据、采样时间、测试用户的运动轨迹训练样本以及与所述运动轨迹训练样本对应的运动时间训练样本；
将各所述定位训练样本分别输入至待训练的第一轨迹识别模型；
调整所述第一轨迹识别模型的参数，以使所述第一轨迹识别模型的输出与测试用户的真实运动轨迹和真实运动时间相匹配，得到训练后的所述目标轨迹识别模型。
4.根据权利要求3所述的基于5G的定位方法，其特征在于，在所述获取定位训练样本集合之前，所述方法还包括：
将测试场所的平面地图数据转化成对应的三维坐标集合，各三维坐标包括经度、纬度以及高度；
将各所述三维坐标中的经度和纬度分别进行归一化处理并求和，得到与各所述三维坐标对应的二维坐标；
将各所述二维坐标分别输入至待训练的第二轨迹预测模型中；
调整所述第二轨迹预测模型的参数，以使所述第二轨迹预测模型输出与各所述二维坐标相对应的三维坐标，将训练后的所述第二轨迹预测模型作为所述第一轨迹预测模型。
5.根据权利要求1所述的基于5G的定位方法，其特征在于，所述相对运动信息包括所述目标用户与所述当前基站之间的距离向量、所述目标用户当前的方向向量以及所述距离向量与所述方向向量之间的夹角。
6.根据权利要求5所述的基于5G的定位方法，其特征在于，基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息，包括：
基于所述目标用户的定位信息以及所述当前基站的定位信息，确定所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息；
根据所述目标用户与所述当前基站之间的距离，以及所述当前基站相对于所述目标用户的方向信息，确定由所述目标用户至所述当前基站的距离向量；
根据所述目标用户在相邻时刻的定位信息，确定所述目标用户当前的方向向量；
确定所述距离向量与所述方向向量之间的夹角。
7.根据权利要求1至6中任一项所述的基于5G的定位方法，其特征在于，在所述基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息之前，还包括：
根据所述目标用户的定位信息以及相邻的其他基站的定位信息，检测所述目标用户是否同时处于当前基站以及所述其他基站的服务范围内；
若是，分别确定所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离；
根据所述目标用户与所述当前基站之间的距离，以及与所述其他基站之间的距离，确定所述当前基站相对于所述目标用户的信号强度以及所述其他基站相对于所述目标用户的信号强度；
若所述其他基站相对于所述目标用户的信号强度大于所述当前基站相对于所述目标用户的信号强度，指示所述其他基站对所述目标用户进行定位。
8.一种基于5G的定位装置，其特征在于，所述装置包括：
第一确定模块，用于基于目标用户的定位信息以及当前基站的定位信息，确定所述目标用户与所述当前基站之间的相对运动信息；
第二确定模块，用于根据所述相对运动信息，确定所述目标用户在所述当前基站的服务范围内的预测运动轨迹以及预测运动时间；
第三确定模块，用于根据所述预测运动轨迹、所述预测运动时间、当前时刻以及所述目标用户所在的目标场所的地图数据，确定所述目标用户在所述目标场所的目标运动轨迹以及目标运动时间；
处理模块，用于根据所述目标运动轨迹和所述目标运动时间，确定所述目标用户在所述目标场所内的目标定位信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于5G的定位方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于5G的定位方法的步骤。
CN202111012245.2A 2021-08-31 2021-08-31 基于5g的定位方法、装置、计算机设备和存储介质 Active CN113766634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111012245.2A CN113766634B (zh) 2021-08-31 2021-08-31 基于5g的定位方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111012245.2A CN113766634B (zh) 2021-08-31 2021-08-31 基于5g的定位方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113766634A true CN113766634A (zh) 2021-12-07
CN113766634B CN113766634B (zh) 2023-08-04

Family

ID=78792225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111012245.2A Active CN113766634B (zh) 2021-08-31 2021-08-31 基于5g的定位方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113766634B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500952A (zh) * 2022-02-14 2022-05-13 深圳市中壬速客信息技术有限公司 园区动态监控的控制方法、装置、设备和计算机存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018036297A1 (zh) * 2016-08-22 2018-03-01 京信通信***（中国）有限公司 室内定位和基于其的信息推送***、方法、设备及终端
CN110493710A (zh) * 2019-07-22 2019-11-22 香港中文大学（深圳） 轨迹重建方法、装置、计算机设备和存储介质
CN110856100A (zh) * 2019-10-21 2020-02-28 深圳数位传媒科技有限公司 基于5g信号的终端定位及定位模型构建的方法和装置
CN110913338A (zh) * 2019-12-17 2020-03-24 深圳奇迹智慧网络有限公司 定位轨迹纠正方法、装置、计算机设备和存储介质
CN111060099A (zh) * 2019-11-29 2020-04-24 畅加风行(苏州)智能科技有限公司 一种无人驾驶汽车实时定位方法
US20200166601A1 (en) * 2017-06-01 2020-05-28 Terranet Ab Vehicular self-positioning
CN111260950A (zh) * 2020-01-17 2020-06-09 清华大学 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备
CN112461241A (zh) * 2020-11-19 2021-03-09 珠海格力电器股份有限公司 室内导航方法、***、存储介质及电子设备
CN112651990A (zh) * 2020-12-25 2021-04-13 际络科技(上海)有限公司 运动轨迹预测方法及***、电子设备及可读存储介质
CN112954603A (zh) * 2019-11-26 2021-06-11 ***通信集团甘肃有限公司 一种特殊人群运动轨迹的预测方法及电子设备
CN113038367A (zh) * 2021-02-26 2021-06-25 山东鹰格信息工程有限公司 基于5g技术的非暴露空间快速定位方法、装置及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018036297A1 (zh) * 2016-08-22 2018-03-01 京信通信***（中国）有限公司 室内定位和基于其的信息推送***、方法、设备及终端
US20200166601A1 (en) * 2017-06-01 2020-05-28 Terranet Ab Vehicular self-positioning
CN110493710A (zh) * 2019-07-22 2019-11-22 香港中文大学（深圳） 轨迹重建方法、装置、计算机设备和存储介质
CN110856100A (zh) * 2019-10-21 2020-02-28 深圳数位传媒科技有限公司 基于5g信号的终端定位及定位模型构建的方法和装置
CN112954603A (zh) * 2019-11-26 2021-06-11 ***通信集团甘肃有限公司 一种特殊人群运动轨迹的预测方法及电子设备
CN111060099A (zh) * 2019-11-29 2020-04-24 畅加风行(苏州)智能科技有限公司 一种无人驾驶汽车实时定位方法
CN110913338A (zh) * 2019-12-17 2020-03-24 深圳奇迹智慧网络有限公司 定位轨迹纠正方法、装置、计算机设备和存储介质
CN111260950A (zh) * 2020-01-17 2020-06-09 清华大学 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备
CN112461241A (zh) * 2020-11-19 2021-03-09 珠海格力电器股份有限公司 室内导航方法、***、存储介质及电子设备
CN112651990A (zh) * 2020-12-25 2021-04-13 际络科技(上海)有限公司 运动轨迹预测方法及***、电子设备及可读存储介质
CN113038367A (zh) * 2021-02-26 2021-06-25 山东鹰格信息工程有限公司 基于5g技术的非暴露空间快速定位方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
彭军民: "基于WiFi终端的室内定位***及其应用", 《通信电源技术》 *
彭军民: "基于WiFi终端的室内定位***及其应用", 《通信电源技术》, 25 September 2018 (2018-09-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500952A (zh) * 2022-02-14 2022-05-13 深圳市中壬速客信息技术有限公司 园区动态监控的控制方法、装置、设备和计算机存储介质

Also Published As

Publication number Publication date
CN113766634B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
US9638784B2 (en) Deduplicating location fingerprint data
US9491585B2 (en) Location determination using dual statistical filters
US9560489B2 (en) Reducing location search space
US9071937B2 (en) Tiered delivery of location data
US9161175B1 (en) Location transition determination
JP5726297B2 (ja) ハイブリッド移動体電話機衛星測量
JP5711258B2 (ja) ジェスチャ制御されるハンドヘルドモバイルデバイスを使用して位置特有情報検索を実施する方法、装置、およびコンピュータプログラム
US9002373B2 (en) Monitoring a location fingerprint database
EP3271739B1 (en) Enabling a validation of an estimated position of a mobile device
CN107110652B (zh) 处理空间特征
US20160360380A1 (en) Correcting in-venue location estimation using structural information
Noh et al. CLIPS: Infrastructure-free collaborative indoor positioning scheme for time-critical team operations
CN111770438A (zh) 一种定位方法及终端、存储介质
CN113766634B (zh) 基于5g的定位方法、装置、计算机设备和存储介质
EP3234505B1 (en) Providing constraint to a position
US11006238B1 (en) Method for profiling based on foothold and terminal using the same
US11882503B1 (en) Method and system of two-tier location tracking
US20170328714A1 (en) Wheelchair assistance system
CN113079461B (zh) 定位方法、装置、计算机设备和存储介质
CN106028445B (zh) 定位精准度的确定方法和装置
KR101428374B1 (ko) 휴대용 단말기의 위치 추적 방법 및 장치
CN112229417A (zh) 车辆定位方法、装置、计算机设备和存储介质
JP6437815B2 (ja) 情報処理システム、及び情報処理方法
Tang et al. Enhanced indoor positioning through human-robot collaboration
Kuzume et al. Development of Walking Assistance System for Visually Impaired People Using Geomagnetic Fingerprint and Braille Block Map

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
GR01 Patent grant
GR01 Patent grant