阅读说明：本技术 指纹定位方法和装置、计算机可读存储介质 ([db:专利名称-en]) 是由 范博 马怡安 陈炼 刘孝颂 于 2018-08-14 设计创作，主要内容包括：本发明公开一种指纹定位方法和装置、计算机可读存储介质。该指纹定位方法包括：对基站测量报告数据中的辅助全球卫星定位系统数据进行聚类处理,确定至少一个聚类以及每个聚类的中心点经纬度；根据每个聚类的特征数据,确定每个聚类对应的联合概率密度模型；获取用户终端的测试数据；将测试数据带入每个聚类的联合概率密度模型,确定测试数据所属的聚类；将测试数据所属聚类的中心点经纬度,作为用户终端的定位结果。本发明使用概率密度模型预测代替根据栅格内路测数据寻找最优匹配预测的过程,从而节约了路测所需要的成本。([db:摘要-en])

指纹定位方法和装置、计算机可读存储介质

技术领域

本发明涉及大数据定位领域，特别涉及一种指纹定位方法和装置、计算机可读存储介质。

背景技术

指纹定位分为室外指纹定位和室内指纹定位，相关技术的室外指纹定位技术需要将地图栅格化，并对每个栅格里的经纬度信息和信号强度信息进行路测。对于采集到的每个栅格的信息进行建模。当用户处于地图上任意位置时，对比用户信号的场强信息与各栅格模型的匹配度，即可定位到用户处于某个栅格内，从而获取其位置信息。

发明内容

申请人发现：传统室外指纹定位技术需要大量路测，栅格划分的大小与栅格内测试点是否均匀都影响到定位精度，栅格化过程耗费大量时间精力。建模需要不同天气情况下的路测数据。

鉴于以上技术问题，本发明提供了一种指纹定位方法和装置、计算机可读存储介质，根据中AGPS(Assisted Global Positioning System，辅助全球卫星定位系统)对样本进行聚类，建立预测模型，从而节约了路测所需的成本。

根据本发明的一个方面，提供一种指纹定位方法，包括：

对基站测量报告数据中的辅助全球卫星定位系统数据进行聚类处理，确定至少一个聚类以及每个聚类的中心点经纬度；

根据每个聚类的特征数据，确定每个聚类对应的联合概率密度模型；

获取用户终端的测试数据；

将测试数据带入每个聚类的联合概率密度模型，确定测试数据所属的聚类；

将测试数据所属聚类的中心点经纬度，作为用户终端的定位结果。

在本发明的一些实施例中，所述将测试数据带入每个聚类的联合概率密度模型，确定测试数据所属的聚类包括：

将测试数据带入每个聚类的联合概率密度模型，确定测试数据属于每个聚类的联合概率；

将最大联合概率对应的聚类，作为测试数据所属的聚类。

在本发明的一些实施例中，所述根据每个聚类的特征数据，确定每个聚类对应的概率密度模型包括：

对于每个聚类，采用至少一个特征数据进行分别拟合，得到至少一个模型，其中，一个特征数据对应一个模型；

根据所述至少一个模型和每一模型对应的权重值，确定每个聚类对应的联合概率密度模型。

在本发明的一些实施例中，所述采用至少一个特征数据进行分别拟合包括：

根据不同的信号传输场景，采用瑞利分布、莱斯分布和多维高斯分布中的至少一项进行曲线或曲面拟合。

在本发明的一些实施例中，所述特征数据包括参考信号接收功率数据。

根据本发明的另一方面，提供一种指纹定位装置，包括：

聚类处理模块，用于对基站测量报告数据中的辅助全球卫星定位系统数据进行聚类处理，确定至少一个聚类以及每个聚类的中心点经纬度；

模型建立模块，用于根据每个聚类的特征数据，确定每个聚类对应的联合概率密度模型；

测试数据获取模块，用于获取用户终端的测试数据；

聚类确定模块，用于将测试数据带入每个聚类的联合概率密度模型，确定测试数据所属的聚类；

定位模块，用于将测试数据所属聚类的中心点经纬度，作为用户终端的定位结果。

在本发明的一些实施例中，聚类确定模块用于将测试数据带入每个聚类的联合概率密度模型，确定测试数据属于每个聚类的联合概率；将最大联合概率对应的聚类，作为测试数据所属的聚类。

在本发明的一些实施例中，所述指纹定位装置用于执行实现如上述任一实施例所述的指纹定位方法的操作。

根据本发明的另一方面，提供一种指纹定位装置，包括：

存储器，用于存储指令；

处理器，用于执行所述指令，使得所述指纹定位装置执行实现如上述任一实施例所述的指纹定位方法的操作。

根据本发明的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的指纹定位方法。

本发明使用概率密度模型预测代替根据栅格内路测数据寻找最优匹配预测的过程，从而节约了路测所需要的成本。

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为本发明指纹定位方法一些实施例的示意图。

图2为本发明指纹定位方法另一些实施例的示意图。

图3为本发明指纹定位方法又一些实施例的示意图。

图4为本发明一些实施例中聚类构建栅格的效果图。

图5为本发明一些实施例中概率密度模型仿真效果图。

图6为本发明一些实施例中模型效果测试的示意图。

图7为本发明指纹定位装置一些实施例的示意图。

图8为本发明指纹定位装置另一些实施例的示意图。

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。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，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。

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发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，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。

图1为本发明指纹定位方法一些实施例的示意图。优选的，本实施例可由本发明指纹定位装置执行。该方法包括以下步骤：

步骤11，对基站MR(Measurement Report，测量报告)数据中的辅助全球卫星定位系统数据进行聚类处理，确定至少一个聚类以及每个聚类的中心点经纬度。

在本发明的一些实施例中，每个聚类对应一个情况，例如：每个聚类对应一种不同天气、不同人流密度的情况。

步骤12，根据每个聚类的特征数据，确定每个聚类对应的联合概率密度模型。

在本发明的一些实施例中，步骤12可以包括：

步骤121，对于每个聚类，采用至少一个特征数据进行分别拟合，得到至少一个模型，其中，一个特征数据对应一个模型。

在本发明的一些实施例中，步骤121中，所述采用至少一个特征数据进行分别拟合的步骤可以包括：根据不同的信号传输场景，采用瑞利分布、莱斯分布和多维高斯分布等分布中的至少一项进行曲线或曲面拟合。

在本发明的一些实施例中，所述特征数据可以包括RSRP(Reference SignalReceiving Power，参考信号接收功率)数据。

步骤122，根据所述至少一个模型和每一模型对应的权重值，确定每个聚类对应的联合概率密度模型。

在本发明的一些实施例中，步骤12可以包括：对于各类数据下各训练特征进行特征处理，考虑实际情况中信号传播模型，对接收信号各特征进行拟合分布，将训练特征转换为概率形式，建立预测模型。

步骤13，获取用户终端的测试数据。

步骤14，将测试数据带入每个聚类的联合概率密度模型，确定测试数据所属的聚类。

在本发明的一些实施例中，步骤14可以包括：

步骤141，将测试数据带入每个聚类的联合概率密度模型，确定测试数据属于每个聚类的联合概率。

步骤142，将最大联合概率对应的聚类，作为测试数据所属的聚类。

步骤15，将测试数据所属聚类的中心点经纬度，作为用户终端的定位结果。

基于本发明上述实施例提供的指纹定位方法，根据已有AGPS信息对样本进行聚类，对于各类数据下各训练特征进行特征处理，考虑实际情况中信号传播模型，对接收信号各特征进行拟合分布，将训练特征转换为概率形式，建立预测模型，替代了相关技术的路测过程，节约了路测所需的成本。

图2为本发明指纹定位方法另一些实施例的示意图。图3为本发明指纹定位方法又一些实施例的示意图。优选的，本实施例可由本发明指纹定位装置执行。如图2所示的指纹定位方法包括以下步骤：

步骤21，对基站MR(Measurement Report，测量报告)数据中的辅助全球卫星定位系统数据进行聚类处理，确定多个聚类(K1，K2，...，Kn)以及各个聚类的中心点坐标(经纬度)：(c11，c12)，(c21，c22)，…，(cn1，cn2)。

例如：图3实施例的指纹定位方法中，聚类处理后包括K1，K2和K3三个聚类。

步骤22，根据各聚类下数据特征，建立联合概率密度模型(P1，P2，...，Pn)。

在本发明如图3所示的实施例中，步骤22可以包括：

步骤221，对于K1，K2和K3三个聚类中的每个聚类，采用n个特征分别拟合，各类得到n个模型k1，k2，...，kn，其中，一个特征数据对应一个模型。

例如：图3实施例中聚类K1得到的n个模型为k11，k12，...，k1n。

步骤222，每一模型分别对应一个概率密度。

例如：图3实施例中K1的n个模型为k11，k12，...，k1n分别对应的概率密度为P11，P12，...，P1n。

步骤223，根据所述至少一个模型的概率密度和每一模型对应的权重值，确定每个聚类对应的联合概率密度模型。

例如：图3实施例中，可以根据K1的n个模型的概率密度为P11，P12，...，P1n，以及n个模型的权重值w11，w12，...，w1n，确定K1的联合概率密度模型P1。

步骤23，对测试数据计算器域聚类的匹配度，根据联合概率确定测试集所属类别，将测试集所属类别的中心点经纬度作为定位结果。

在本发明一些实施例中，步骤23可以包括：

步骤231，使用测试数据n个特征带入不同模型中，得出测试数据属于第k类的联合概率P_k，取最大概率所属的类：k＝argmax(P_k)。

例如：图3实施例中，将测试数据n个特征带入不同模型K1，K2和K3中，得出测试数据属于K1的联合概率P1、属于K2的联合概率P2、属于K3的联合概率P3，将P1、P2和P3中最大值对应的聚类，作为测试数据所属聚类。

步骤232，取测试数据所属聚类的中心点经纬度作为定位结果。

申请人发现：相关技术指纹算法调取用户指纹进行分类时，并未对特征进行处理。

而本发明上述实施例的方法不依赖于基站经纬度，根据已有AGPS信息对样本进行聚类，对于各类数据下各训练特征进行特征处理，考虑实际情况中信号传播模型，对接收信号各特征拟合分布，将训练特征转换为概率形式，建立预测模型，替代了原方法的路测过程，节约了路测所需的成本。

图4为本发明一些实施例中聚类构建栅格的效果图。图4实施例具体为样本数据中单基站6个聚类效果图，聚类内最大距离不超过80米。不同于栅格化，聚类方法不需要路测，当用户处于密集城区时定位会更准确。因为主要聚类都集中在密集城区，在分类正确的情况下，聚类分得越多定位越精准。

图5和图6为本发明一些实施例中单类数据下单特征拟合效果图。图5为本发明一些实施例中概率密度模型仿真效果图。具体为对MR数据训练集下主站PSRP数据分布进行瑞利分布拟合，得到瑞利模型，最大误差不超过8％。图6为本发明一些实施例中模型效果测试的示意图。图5和图6中，“+”构成的曲线为概率密度模型，“菱形”图标点为测试集实际值。从图5和图6可以看到所拟合的概率密度模型对测试集概率有较好的预测水平，平均误差为11.5％。

本发明上述实施例采用了一种新的指纹定位模型，本发明上述实施例的方法改变相关的指纹定位流程，运用聚类代替栅格化与路测过程，聚类数量可以根据数据集情况进行调整。本发明上述实施例的指纹定位方法具体为根据MR数据中AGPS字段进行聚类。每类独立为一个模型，根据各类数据在不同天气下拟合出不同的联合概率模型，如瑞利分布、高斯分布等。之后本发明上述实施例运用此联合概率密度模型预测用户位置，节约了栅格化与路测过程耗费的人力成本。本发明上述实施例在不同天气下、不同人流密度等各种情况下可以根据数据特征拟合出不同的概率密度模型，再对用户位置预测。

本发明上述实施例是一种基于概率密度模型的指纹定位方法，使用聚类方法代替栅格化过程。

本发明上述实施例使用概率密度模型预测代替根据栅格内路测数据寻找最优匹配预测的过程，从而节约了路测所需要的成本。

本发明上述实施例根据不同情况下的数据可以生成不同的概率模型对用户定位，以此代替在不同情况下的路测数据(不同天气、不同人流量)。本发明上述实施例可应用在5G用户定位、网优前后对比等方面。

申请人发现：LTE-MR数据中带有AGPS信息的数据占全量数据约4％，本发明上述实施例的数据来源稳定。本发明上述实施例容易实现。

图7为本发明指纹定位装置一些实施例的示意图。如图7所示，所述指纹定位装置可以包括聚类处理模块71、模型建立模块72、测试数据获取模块73、聚类确定模块74和定位模块75，其中：

聚类处理模块71，用于对基站测量报告数据中的辅助全球卫星定位系统数据进行聚类处理，确定至少一个聚类以及每个聚类的中心点经纬度。

在本发明的一些实施例中，每个聚类对应一个情况，例如：每个聚类对应一种不同天气、不同人流密度的情况。

模型建立模块72，用于根据每个聚类的特征数据，确定每个聚类对应的联合概率密度模型。

在本发明的一些实施例中，所述特征数据可以包括RSRP数据。

在本发明的一些实施例中，模型建立模块72具体可以用于对于每个聚类，采用至少一个特征数据进行分别拟合，得到至少一个模型，其中，一个特征数据对应一个模型；根据所述至少一个模型和每一模型对应的权重值，确定每个聚类对应的联合概率密度模型。

在本发明的一些实施例中，模型建立模块72具体可以用于根据不同的信号传输场景，采用瑞利分布、莱斯分布和多维高斯分布等分布中的至少一项进行曲线或曲面拟合，得到至少一个模型。

在本发明的一些实施例中，模型建立模块72具体可以用于对于各类数据下各训练特征进行特征处理，考虑实际情况中信号传播模型，对接收信号各特征进行拟合分布，将训练特征转换为概率形式，建立预测模型。

测试数据获取模块73，用于获取用户终端的测试数据。

聚类确定模块74，用于将测试数据带入每个聚类的联合概率密度模型，确定测试数据所属的聚类。

在本发明的一些实施例中，聚类确定模块74可以用于将测试数据带入每个聚类的联合概率密度模型，确定测试数据属于每个聚类的联合概率；将最大联合概率对应的聚类，作为测试数据所属的聚类。

定位模块75，用于将测试数据所属聚类的中心点经纬度，作为用户终端的定位结果。

在本发明的一些实施例中，所述指纹定位装置用于执行实现如上述任一实施例(例如图1-图3任一实施例)所述的指纹定位方法的操作。

基于本发明上述实施例提供的指纹定位装置，根据已有AGPS信息对样本进行聚类，对于各类数据下各训练特征进行特征处理，考虑实际情况中信号传播模型，对接收信号各特征进行拟合分布，将训练特征转换为概率形式，建立预测模型，替代了相关技术的路测过程，节约了路测所需的成本。

图8为本发明指纹定位装置另一些实施例的示意图。如图8所示，所述指纹定位装置可以包括存储器81和处理器82，其中：

存储器81，用于存储指令；

处理器82，用于执行所述指令，使得所述指纹定位装置执行实现如上述任一实施例(例如图1-图3任一实施例)所述的指纹定位方法的操作。

本发明上述实施例采用了一种新的指纹定位模型，本发明上述实施例的方法改变相关的指纹定位流程，运用聚类代替栅格化与路测过程，聚类数量可以根据数据集情况进行调整。本发明上述实施例的指纹定位方法具体为根据MR数据中AGPS字段进行聚类。每类独立为一个模型，根据各类数据在不同天气下拟合出不同的联合概率模型，如瑞利分布、高斯分布等。之后本发明上述实施例运用此联合概率密度模型预测用户位置，节约了栅格化与路测过程耗费的人力成本。本发明上述实施例在不同天气下、不同人流密度等各种情况下可以根据数据特征拟合出不同的概率密度模型，再对用户位置预测。

根据本发明的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的指纹定位方法。

本发明上述实施例的计算机可读存储介质使用聚类方法代替栅格化过程。

本发明上述实施例的计算机可读存储介质，使用概率密度模型预测代替根据栅格内路测数据寻找最优匹配预测的过程，从而节约了路测所需要的成本。

本发明上述实施例的计算机可读存储介质，根据不同情况下的数据可以生成不同的概率模型对用户定位，以此代替在不同情况下的路测数据(不同天气、不同人流量)。本发明上述实施例可应用在5G用户定位、网优前后对比等方面。

在上面所描述的指纹定位装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。

至此，已经详细描述了本发明。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。