一种移动终端的定位方法及系统技术方案

本发明专利技术公开了一种移动终端定位方法及系统，属于涉及移动通信领域中的无线业务支撑领域。该方法通过结合支持向量机和K近邻算法各自的优点，通过离线路测采样和模型训练阶段，构建了两层SVM定位模型和KNN定位模型，在在线定位阶段，通过两层SVM定位模型和KNN定位模型的结合，大大提高了移动终端的定位精度，该方法在算法复杂度和定位精度之间得到了很好的折中和平衡，与传统定位方法相比，有效提高了定位精度，且大大降低了计算量，提高了定位速度。

【技术实现步骤摘要】
一种移动终端的定位方法及系统
本专利技术涉及移动通信领域中的无线业务支撑领域，具体涉及一种基于支持向量机 与K近邻算法的移动终端的定位方法及系统。
技术介绍
移动通信网络中移动台的定位方法是近年来的新兴技术，随着移动通信用户数量 的增加和用户需求的不断扩大，快速、精准、有效实用的定位方法已成为通信领域急需解决 的关键技术之一。移动通信蜂窝网络中的移动终端的定位技术有着广阔的应用前景，如紧 急救援、智能运输、动态资源管理等等。移动通信网络通过扇区向移动台收发信息以及移动 台在各个扇区间进行切换占用不同的扇区来实现移动通信，如何有效、准确的利用移动通 信网络的相关数据进行可操作性强、精确度高的定位是移动通信网络定位技术的关键。 现有的移动终端定位方法主要有以下几种： (1)通过卫星定位（以GPS为代表）。 (2)通过信号到达时间（T0A)、到达时间差、信号到达角度（A0A)或者以上几种指 标综合使用的混合定位方法。 (3)使用小区ID+时间提前量（CelllD+TA)定位方法，即利用移动台所占用的服务 小区位置信息以及服务小区的TA进行定位。 现有移动终端定位方案存在以下问题： (1)通过卫星定位（以GPS为代表），在室外可以获得较高的定位精度（误差在 10-50米）。然而，GPS定位需要手机终端具有GPS定位功能，一般只有智能手机满足，普通 的手机无法满足；GPS无法在室内进行定位，且GPS定位是基于智能手机第三方的软件的， 网络侧很难获得用户的定位信息，即使获得第三方软件的数据，也涉及到数据解密等步骤 而难以应用。 (2)通过信号到达时间（T0A)、到达时间差、信号到达角度（A0A)或者混合定位方 法，定位误差一般都在200米以上，无法满足高精度的定位要求。 ⑶使用小区ID+时间提前量（CelllD+TA)定位方法，即利用移动台所占用的服务 小区位置信息以及服务小区的TA进行定位，这种方式对通信网络增加的负担较小，但是定 位精度较低。另外也有通过测量信号强度，然后用传播模型计算距离的方法来定位的技术， 但由于无线传播环境的不同，这种方法也存在误差比较大的问题。 总的来说，现有的定位方法不能在定位精度以及定位效率等方面取得很好的均 衡。如何利用现有网络资源，巧妙设计，实现一种在上述两方面达到均衡的方法就是本专利技术 的目的。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种移动终端定位方法及系 统，通过该方法及系统能够有效提高定位精度和速度。 为实现上述目的，本专利技术采用的技术方案为：一种移动终端定位方法，包括以下步 骤： 第一步，离线路测采样和模型训练阶段，具体包括： (1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报 告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其 所涉及到的每个扇区上的接收电平； ⑵模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据 训练数据库生成在线定位模型，包括： (2-1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位 置坐标，将训练数据分配都对应的方形小区中； (2-2)将所述方形小区无重叠的划分边长为U的方形大栅格，并将方形大栅格编 号，其中，L = nLp n彡2 ; 确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大 栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理， 得到第一层SVM定位模型； (2-3)将所述方形大栅格无重叠的划分为边长为L2的方形小栅格，并将方形小栅 格编号，其中= 彡2; 确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小 栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理， 得到第二层SVM定位模型； (2-4)将所述方形小栅格无重叠的划分为边长为L3的方形微栅格，并将方形微栅 格编其中，L 2 = pL3，p 3 1 ; 确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合 并，根据合并后的数据得到KNN算法定位模型，包括： (2-4-1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并 计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平； (2-4-2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行 加权平均，将计算结果作为每个方形微栅格的位置坐标； (2-4-3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述 每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位 模型； (2-5)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为 在线定位模型进行存储； 第二步，在线定位阶段，具体包括： ①获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信 息，以及测量报告在其所涉及到的各扇区上的接收电平； ②根据待定位移动终端所在的服务小区经纟韦度将待定位移动终端初步定位在边 长为L的方形小区中； ③通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小 区中的边长为U的方形大栅格中； ④通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为U的方形 大栅格中的边长为L 2的方形小栅格中； ⑤通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L2的方形小 栅格中的位置。 可选的，如上所述的一种移动终端定位方法，步骤（1)中，所述扇区的标识信息包 括扇区所覆盖区域的位置区码和小区识别码。 可选的，如上所述的一种移动终端定位方法，步骤（2)中，构建训练数据库之前， 将测量报告进行预处理，将处理后的测量报告作为训练数据，构建训练数据库。 可选的，如上所述的一种移动终端定位方法，步骤（2-1)中，将所述移动网络覆盖 区域有重叠的划分为边长为L的方形小区，相邻小区的重叠长度为L OTOTlap，LOTOTlap < L。 可选的，如上所述的一种移动终端定位方法，L与LOTOTlap的差值大于或等于基站的 覆盖直径。 可选的，如上所述的一种移动终端定位方法，步骤（2-4-1)中，所述计算每个方形 微栅格所接收到的来自不同扇区的平均接收电平的方式为： 设位于某一方形微栅格的训练数据的个数为ml，该方形微栅格所接收到的来自 第i个扇区的平均接收电为：本文档来自技高网...

【技术保护点】
一种移动终端定位方法，包括以下步骤：第一步，离线路测采样和模型训练阶段，具体包括：(1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉及到的每个扇区上的接收电平；(2)模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型，包括：(2‑1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配都对应的方形小区中；(2‑2)将所述方形小区无重叠的划分边长为L1的方形大栅格，并将方形大栅格编号，其中，L＝nL1，n≥2；确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM定位模型；(2‑3)将所述方形大栅格无重叠的划分为边长为L2的方形小栅格，并将方形小栅格编号，其中，L1＝mL2，m≥2；确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；(2‑4)将所述方形小栅格无重叠的划分为边长为L3的方形微栅格，并将方形微栅格编号，其中，L2＝pL3，p≥1；确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到KNN算法定位模型，包括：(2‑4‑1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；(2‑4‑2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；(2‑4‑3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；(2‑5)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；第二步，在线定位阶段，具体包括：①获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及测量报告在其所涉及到的各扇区上的接收电平；②根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；③通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L1的方形大栅格中；④通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L1的方形大栅格中的边长为L2的方形小栅格中；⑤通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L2的方形小栅格中的位置。...

【技术特征摘要】
1. 一种移动终端定位方法，包括以下步骤： 第一步，离线路测采样和模型训练阶段，具体包括： (1) 离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中 包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及测量报告在其所涉 及到的每个扇区上的接收电平； (2) 模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据训练 数据库生成在线定位模型，包括： (2-1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐 标，将训练数据分配都对应的方形小区中； (2-2)将所述方形小区无重叠的划分边长为L1的方形大栅格，并将方形大栅格编号，其 中，L=IiL1, η>2; 确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方向大栅格 的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到 第一层SVM定位模型； (2-3)将所述方形大栅格无重叠的划分为边长为L2的方形小栅格，并将方形小栅格编 号，其中，L1=mL2, m彡2; 确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格 的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到 第二层SVM定位模型； (2-4)将所述方形小栅格无重叠的划分为边长为L3的方形微栅格，并将方形微栅格编 号，其中，L2=pL3, p彡1; 确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并， 根据合并后的数据得到KNN算法定位模型，包括： (2-4-1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算 出每个方形微栅格所接收到的来自不同扇区的平均接收电平； (2-4-2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权 平均，将计算结果作为每个方形微栅格的位置坐标； (2-4-3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个 方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模 型； (2-5)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线 定位模型进行存储； 第二步，在线定位阶段，具体包括： ① 获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息， 以及测量报告在其所涉及到的各扇区上的接收电平； ② 根据待定位移动终端所在的服务小区经纟韦度将待定位移动终端初步定位在边长为L 的方形小区中； ③ 通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中 的边长为L1的方形大栅格中； ④ 通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L1的方形大栅 格中的边长为L2的方形小栅格中； ⑤ 通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L2的方形小栅格 中的位置。2. 如权利要求1所述的一种移动终端定位方法，其特征在于，步骤（1)中，所述扇区的 标识信息包括扇区所覆盖区域的位置区码和小区识别码。3. 如权利要求1所述的一种移动终端定位方法，其特征在于，步骤⑵中，构建训练数 据库之前，将测量报告进行预处理，将处理后的测量报告作为训练数据，构建训练数据库。4. 如权利要求1所述的一种移动终端定位方法，其特征在于，步骤（2-1)中，将所述 移动网络覆盖区域有重叠的划分为边长为L的方形小区，相邻小区的重叠长度为Ltjralap, ^overlap〈Lo5. 如权利要求4所述的一种移动终端定位方法，其特征在于，L与Ltjvwlap的差值大于等 于基站的覆盖直径。6. 如权利要求1所述的一种移动终端定位方法，其特征在于，步骤（2-4-1)中，所述计 算每个方形微栅格所接收到的来自不同扇区的平均接收电平的方式为： 设位于某一方形微栅格的训练数据的个数为ml，该方形微栅格所接收到的来自第i个 扇区的平均接收电平为:其中，Rxle%表示方形微栅格中的第j个训练数据在第i个扇区上的接收电平。7. 如权利要求1所述的一种移动终端定位方法，其特征在于，步骤⑤中，通过所述KNN 算法定位模型定位出待定位移动终端在所述边长为L2的方形小栅格中的位置的具体方式 为： 1) 以所述边长为L2的方形小栅格的中心位置为中心向外扩散，得到一个边长为L4的 方形区域，并确定出位于所述边长为L4的方形区域中的合并后的数据； 2) 计算待定位移动终端的测量报告与步骤1)中确定出的合并后的数据中的每条数据 的相似度；计算方式为： 设位于所述边长为L4的方形区域中的训练数据在合并后的数据有N条，记为Xl，x2, ...，Xi，xN，将待定位移动终端的测量报告记为X，则待定位移动终端的测量报告数据 X与位于边长为L4的方形区域中的合并后的数据中的第i个数据Xi的相似度Cli为：其中，X·Xi表不X与Xi两向量的数量积，IXI为向量X的模，IXiI为向量Xi的模，相 似...

【专利技术属性】
技术研发人员：张光辉，王广善，常青，
申请(专利权)人：北京拓明科技有限公司，
类型：发明
国别省市：北京;11