5] 在本发明的实施例中，呼叫详细记录CDR是包含了某个特定呼叫的相关数据的数 据库记录，可含有一个通话的多种细节信息。
[0028] 表1 出了根据本发明的实施例的CDR表中的部分内容（电信公司为保护客户信 息将真实电话号码隐去，用ID代替）。如表1所示，包括呼叫方ID(CALLER_ID)，呼叫方位 置ID(CALLER_L0CATI0N_ID)，呼叫记录时间（CDRJIME)，呼叫记录类型（CDR_TYPE)，被叫 方 ID(CALLEE_ID)，被叫方位置 ID(CALLE_L0CATI0N_ID)。
[0031] 表2示出的是位置ID (L0CATI0N_ID)与经纬度的对应关系表，根据该关系表能够 具体的确定出呼叫方位置ID或者被叫方位置ID的具体经纬度。
[0032] 图2示出了根据本发明一个示例性实施例的基于CDR数据确定用户位置的方法 200的示意性流程图。
[0033] 在步骤S201，确定该当前用户相关的⑶R中的数据。
[0034] 在一个实施例中，可将一个用户进行通信的所有CDR中的数据作为所确定的数据 记录。例如，可根据CDR中的CALLER_ID或者CALLEE_ID确定出与一个用户相关的CDR记 录。还可根据时间进一步限定所确定的数据记录，即，如果希望获取用户在某个时段的位 置，则用相应的时段进行限定，具体时段的选择并不需要严格的限定，如果需要获取精确的 位置，可选择较短的时段，如果需要获取具有统计意义的位置，则可选用较长的时段，因此， 具体的时段可以是分钟、小时等短的时段，也可以是天、周，月甚至是年等较长的单位，那 么，最后所确定也就是用户在相应时段所处的位置。
[0035] 在另一个的实施例，确定该当前用户相关的CDR中的数据包括：确定出与该当 前用户某类型位置相关的CDR中的数据。某种类型位置通常体现为用户规律性的停留一 定时间的区域，能够反映出用户特定的生活场景，这是具有一定意义的位置（Meaningful Location)，有助于过滤掉杂乱信息并准确的挖掘出用户经常出现的位置，从而能够提高定 位结果的准确性以及应用价值。藉此，本领域技术人员明了，当不采用确定特定类型位置相 关的数据的步骤时，所确定的位置是用户在某个时段内大体的活动位置，而当采用该步骤 时，则是具体的确定出用户在该时段内所细分出的每个特定类型位置的具体物理位置。
[0036] 可基于已有的规律或生活经验来判断一个⑶R记录是否与特定类型生活位置相 关，因此，在一个更为具体的实施例中，所述确定该当前用户某类型位置相关的CDR中的数 据包括：基于预定的规则确定与该当前用户的一特定类型生活位置相关的CDR中的数据。 其中，预定的规则包括为至少一个生活场景（工作，生活，运动等）所确定的相应时间段。t匕 如，通常发生在9 :00-18 :00的⑶R记录与办公场所关联，而发生在20 :00-8 :00的通话记 录则与用户的住所关联。
[0037] 在另一个实施例中，还可以基于聚类算法确定出至少一个有意义的位置。如何挖 掘出有规律的区域，属于成熟的技术，申请人接下来仅示范性的举出一个例子进行说明，将 不对其它实现方式进行赘述。具体的，该示例性的流程可包括以下两个子步骤：在子步骤1 中，基于空间的处理以过滤空间上的噪声，找到所有的参考位置点。具体的包括：a)将待分 析的空间范围分割成w长，h宽的格子，根据CDR记录统计用户落在每个格子中的频率。其 中，格子的大小由空间数据的分辨率决定。b)取频率高于设定阈值的K个格子作为参考位 置点。在子步骤2中，基于时间的处理，对于每个参考位置点，检测其相应的周期。具体的， 可包括：a)对于每个参考位置点，根据时间生成二值化的时间序列，即横轴为时间，纵轴取 1表示用户到达了该位置，取〇表示用户没有到达该位置。b)对上述时间序列进行离散傅 立叶变换，进行周期分析。c)若体现周期性，则作为一个有意义的位置。
[0038] 在步骤S202,根据所确定的CDR中的数据确定该当前用户进行通信相关联的基站 以及相应的通信次数统计数据。
[0039] 在⑶R数据中会包括历次通话所使用的基站信息，例如"CALLER LOCATION ID"是 呼叫方所使用的基站的识别号，"CALLEE LOCATION ID"是被呼叫方所使用的基站的识别号， 只要确定了相关的CDR中的数据，再结合用户的类型（呼叫方还是被叫方），就容易统计出 该用户对每个基站的使用次数。
[0040] 在一个实施例中，还包括，确定该当前用户相关的社群，所述社群是根据所有用 户的CDR确定的；基于所述与该当前用户相关的社群确定出该当前用户相关的基站以及 相应的通信次数统计数据。可根据所有用户的CDR记录通过社群发现算法（Community Detection)确定出多个利用通话信息所形成的社群，那么该当前用户所属的社群就是该当 前用户相关的社群。
[0041] 社群发现本质上是一种聚类算法，现有技术中存在多种可选的方法，例如，计 算最大团（Clique)，层级聚类法（Hierarchical Clustering)，谱聚类法（Spectral Clustering)，图分割法（Graph Partition)，基于近亲关系（Propinquity)的算法，等等。申 请人不对其一一进行赘述，接下来，仅以图3为例对基于近亲关系的社群发现方法进行说 明，图3中每个点表示一个用户，两点之间的边表示用户间有通讯行为，两点之间的近亲关 系可定义为：
[0043] 其中，第一项表示两点之间边的条数，比如：1和2存在边，则为1 ;第二项表示两 点的共同邻居的个数，如图3所示，1和2的共同邻居为ABCD，即共同邻居的个数为4 ;第三 项表示两者共同邻居间存在边的条数（又称，共轭变数），在图3中，在ABCD间存在3条边。 总计，1和2两点的近未关系为8。
[0044] 基于近亲关系的定义，可通过迭代的方法进行社群发现，具体迭代的规则如下：
[0046] 其中，第一行规则表示：当两点的近亲关系小于给定门限a，且两点间存在边时， 则将该边从图中移除；第二行规则表示：当两点的近亲关系大于给定门限β，且两点间不 存在边时，则在图中加入边。利用上述规则，对图中所有点进行两两检测，当没有任何一个 边发生变化，即收敛时，停止检测。最终，所有存在连接关系的点组成一个社群。
[0047] 接下来，继续对图2中步骤S202的实施例进行说明。在一个实施例中，所述基于 所述与该当前用户相关的社区确定出该当前用户相关的基站以及相应的通信次数统计数 据包括，从所述用户的社群中确定出至少一个分组，每个所述分组具有相同的特定位置；对 于每个特定位置，统计与该分组内用户相关的基站的以及相应的使用次数。在一个实施例 中，是在该分组中直接累积所有用户对相应基站的统计数据。还可对每个分组进一步过滤， 例如，过滤出还具有其他相同朋友的用户，然后基于所过滤出的用户数据确定基站以及使 用次数统计数据。
[0048] 在步骤S203,基于至少三个所确定的基站以及相应的通信次数统计数据以及该三 个基站的物理坐标确定所述用户位置。
[0049] 现有技术中存在多种根据三个位置已知的基站进行定位的技术，例如，Τ0Α(Time of Arrival，到达时间）、TDOA(Time Difference of A