1.一种基于联邦学习的室内定位方法，其特征在于，所述基于联邦学习的室内定位方法包括：
构建各终端设备的室内定位训练数据集；
各所述终端设备基于所述室内定位训练数据集进行模型训练，以得到模型参数更新；
将所述模型参数更新转化为全局模型参数以供各所述终端设备进行室内定位。
2.如权利要求1所述的基于联邦学习的室内定位方法，其特征在于，在所述构建各终端设备的室内定位训练数据集的步骤之前，还包括：
获取各所述终端设备所处位置的位置信息以及各所述终端设备所采集到的位置指纹信息。
3.如权利要求2所述的基于联邦学习的室内定位方法，其特征在于，所述位置信息至少包括：广域位置信息和室内位置信息，
所述构建各终端设备所拥有的室内定位训练数据集的步骤包括：
依次从所述室内位置信息中，提取所述终端设备采集的每一条所述位置指纹信息对应的目标室内位置信息；
分别将所述位置指纹信息、目标室内位置信息以及所述目标室内位置信息所属的广域位置信息作为一条室内定位训练数据；
统计全部所述室内定位训练数据以构建各所述终端设备的室内定位训练数据集。
4.如权利要求3所述的基于联邦学习的室内定位方法，其特征在于，所述广域位置信息为物理位置信息，所述室内位置信息为以所述广域位置信息为参考点的坐标信息。
5.如权利要求1所述的基于联邦学习的室内定位方法，其特征在于，所述各所述终端设备基于所述室内定位训练数据集进行模型训练，以得到模型参数更新的步骤，包括：
检测各所述终端设备进行模型训练的模型更新请求；
根据检测到的所述模型更新请求，各所述终端设备在本地进行模型训练，以得到模型参数更新。
6.如权利要求5所述的基于联邦学习的室内定位方法，其特征在于，所述根据检测到的所述模型更新请求，各所述终端设备在本地进行模型训练的步骤，包括：
检测所述模型更新请求中是否包括有所述全局模型参数；
若是，则各所述终端设备利用所述全局模型参数在本地进行模型训练；
若否，则各所述终端设备利用所述室内定位训练数据集在本地进行模型训练。
7.如权利要求1所述的基于联邦学习的室内定位方法，其特征在于，所述将所述模型参数更新转化为全局模型参数以供各所述终端设备进行室内定位的步骤，包括：
对所述模型参数更新进行预设融合处理，将所述模型参数更新转化为全局模型参数；
将所述全局模型参数分发至各所述终端设备上，以供各所述终端设备在本地基于模型训练进行室内定位。
8.一种基于联邦学习的室内定位装置，其特征在于，所述基于联邦学习的室内定位装置包括：
构建模块，用于构建各终端设备的室内定位训练数据集；
训练模块，用于各所述终端设备基于所述室内定位训练数据集进行模型训练，以得到模型参数更新；
定位模块，用于将所述模型参数更新转化为全局模型参数以供各所述终端设备进行室内定位。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于联邦学习的室内定位程序，所述基于联邦学习的室内定位程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的室内定位方法的步骤。
10.一种存储介质，其特征在于，所述存储介质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如权利要求1至7中任一项所述的基于联邦学习的室内定位方法的步骤。