基于机器学习的终端定位方法及系统与流程

本发明涉及无线技术领域，具体涉及一种基于机器学习的终端定位方法及系统。

背景技术：

随着无线通信技术的长足发展以及智能终端的普及，基于终端用户位置的服务呈现爆发式增长。准确地定位终端的位置，对于为用户提供更加优良的基本服务、增加更加丰富的增值服务具有重大意义。但是，无线传播的环境也越来越复杂，无线信号传播中的折射、反射和衰落环境随机分布，对定位的精度造成严峻的挑战，需要找到更加先进和准确的定位方法。

现有的终端定位方法中，最常见的终端位置定位方法有三点定位法和指纹识别的定位方法。三点定位法即分析测量数据，计算终端到基站距离并采用三点定位的方式对用户位置进行推算。例如，根据终端测量到的基站信号强度，计算出基站发射天线到终端的传播损耗，并根据无线信号传播模型计算基站到终端的距离；或者根据基站信号到终端的传播时延，来计算终端到基站天线的距离，最后根据基站位置，采用三点定位的方法，来定位终端的位置。基于指纹识别的定位方法即通过路测采集经纬度数据，并和系统端的测量数据进行匹配，通过特征分析和数理统计建立统计模型，后续就可以利用此统计模型，结合其它终端系统端的测量报告来进行定位。

传统三点定位技术的准确性依赖于终端到基站距离的计算的准确性，而目前终端到基站距离的计算方法是根据传播损耗应用无线电波传播模型进行计算；或者根据电波传播时延来计算电波传播的距离两种方式。这两种方式存在如下缺点：1)需要对每个站点都进行电波传播模型的校准，工作量繁重，成本巨大；2)传播模型的校准，只是一个统计模型，应用到实际的每个终端用户定位存在较大的误差；3)对于电波时延，受到发射通路中中继原件以及空中电波传播路径的影响，时延并能不真实反映用户到基站天线的直线距离，因此用时延计算距离常常也不准确；4)3g和4g技术特点，系统只测量终端到一个主服务小区的时延，即只能获得一点的距离，无法形成基于时延的三点定位，到其它两点的距离依然需要从前面提到的电波损耗方式来计算。

指纹识别方法其指纹库数据主要来自于路测数据，数据的获取耗时费力，数据量也很难达到海量数据的级别；同时其数据来源受限于测量行进的路线和范围，数据来源为线段上的数据，在网络平面上定位局限性较大。

由此可见，传统的根据终端测量报告进行定位的方式，需要进行传播模型校准，工作量繁重，成本巨大，且由于电波时延存在损耗，导致定位精度不高。而指纹识别方法，数据来源单一且受行进路线和范围的影响，定位局限性较大。

技术实现要素：

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于机器学习的终端定位方法及系统。

根据本发明的一个方面，提供了一种基于机器学习的终端定位方法，包括：

获取终端对应的包含mdt数据的位置测量信息，并对位置测量信息进行特征提取处理，得到位置特征信息；

基于预设的算法，根据位置特征信息训练得到位置预测模型；

采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

可选地，位置测量信息还包括ta信令记录数据，则对位置测量信息进行特征提取处理，得到位置特征信息进一步包括：

通过预设匹配条件，将mdt数据和ta信令记录数据进行关联匹配处理，得到已匹配的mdt数据；

对已匹配的mdt数据进行特征识别处理，得到位置特征信息；

其中，预设匹配条件包括：根据小区id、ueid以及时间信息而设置的匹配条件。

可选地，位置特征信息包括：终端的经纬度信息、服务小区的经纬度信息、服务小区rsrp值、服务小区ta值、邻区的经纬度信息以及邻区rsrp值。

可选地，得到位置特征信息之后，方法进一步包括：

过滤不包含终端的经纬度信息的位置特征信息，对过滤之后的位置特征信息进行归一化处理；

基于预设的算法，根据位置特征信息训练得到位置预测模型进一步包括：

基于预设的算法，根据归一化处理后的位置特征信息训练得到位置预测模型。

可选地，基于预设的算法，根据位置特征信息训练得到位置预测模型具体包括：

基于卷积神经网络，根据位置特征信息进行训练和验证，得到位置预测模型；

其中，卷积神经网络的输入信息包括：归一化的服务小区的经纬度信息、归一化的服务小区rsrp值、归一化的服务小区ta值、归一化的邻区的经纬度信息以及归一化的邻区rsrp值；输出信息包括：归一化的终端的经纬度信息。

可选地，方法进一步包括：

按照预设的周期，根据用于测试的位置测量信息，固定位置预测模型的部分参数，对其他各个参数进行调整，直至位置预测模型的预测误差处于预设误差范围内。

根据本发明的另一方面，提供了一种基于机器学习的终端定位系统，包括：

数据采集模块，适于获取终端对应的包含mdt数据的位置测量信息。

数据处理模块，适于对位置测量信息进行特征提取处理，得到位置特征信息。

训练模块，适于基于预设的算法，根据位置特征信息训练得到位置预测模型。

定位模块，适于采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

可选地，位置测量信息还包括ta信令记录数据，则数据处理模块进一步适于：通过预设匹配条件，将mdt数据和ta信令记录数据进行关联匹配处理，得到已匹配的mdt数据；对已匹配的mdt数据进行特征识别处理，得到位置特征信息；其中，预设匹配条件包括：根据小区id、ueid以及时间信息而设置的匹配条件。

可选地，位置特征信息包括：终端的经纬度信息、服务小区的经纬度信息、服务小区rsrp值、服务小区ta值、邻区的经纬度信息以及邻区rsrp值。

可选地，数据处理模块进一步适于：过滤不包含终端的经纬度信息的位置特征信息，对过滤之后的位置特征信息进行归一化处理；

训练模块进一步适于：

基于预设的算法，根据归一化处理后的位置特征信息训练得到位置预测模型。

可选地，训练模块进一步适于：

基于卷积神经网络，根据所述位置特征信息进行训练和验证，得到位置预测模型；

其中，卷积神经网络的输入信息包括：归一化的服务小区的经纬度信息、归一化的服务小区rsrp值、归一化的服务小区ta值、归一化的邻区的经纬度信息以及归一化的邻区rsrp值；输出信息包括：归一化的终端的经纬度信息。

可选地，系统进一步包括：验证模块，适于按照预设的周期，根据用于测试的位置测量信息，固定位置预测模型的部分参数，对其他各个参数进行调整，直至位置预测模型的预测误差处于预设误差范围内。

根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于机器学习的终端定位方法对应的操作。

根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于机器学习的终端定位方法对应的操作。

根据本发明的基于机器学习的终端定位方法及系统，方法包括：获取终端对应的包含mdt数据的位置测量信息，并对位置测量信息进行特征提取处理，得到位置特征信息；基于预设的算法，根据位置特征信息训练得到位置预测模型；采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。该方式通过获取现网中海量的用户数据，采用大数据的方式，训练得到位置预测模型，利用位置预测模型对终端进行定位。该方式直接从现网海量数据中学习定位方法并进行定位，是依据现网的数据进行定位，即模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点，能够实现精准定位。该方式能够避免传统方法计算时的距离误差对三点定位精度带来的影响；该方式适合于处理网络中采集的海量数据，利用网络采集的海量数据对预测模型进行校准，克服了诸如指纹库等技术依赖于路测数据采集，只能采集到网络中局部的、线段上的数据的不足，不但提高了效率，还降低了数据采集成本，而且还使采样点更加全面、更有代表性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明一个实施例提供的基于机器学习的终端定位方法的流程示意图；

图2示出了本发明另一个实施例提供的基于机器学习的终端定位方法的流程示意图；

图3示出了本发明一个实施例中关联匹配的示意图；

图4示出了本发明一个实施例中卷积神经网络的示意图；

图5示出了本发明又一个实施例提供的基于机器学习的终端定位系统的结构示意图；

图6示出了本发明实施例提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明一个实施例提供的基于机器学习的终端定位方法的流程示意图，如图1所示，该方法包括：

步骤s101，获取终端对应的包含mdt数据的位置测量信息，并对位置测量信息进行特征提取处理，得到位置特征信息。

获取海量用户的位置测量信息作为样本数据，具体在系统端获取海量的位置测量信息，完成特征数据的采集。其中，mdt(最小化路测)数据可以通过使用3gpp规定的mdt功能获得，在开启mdt功能的系统里，支持该功能的终端会周期性地上报包含其经纬度信息、服务小区的信号强度rsrp、邻区的小区id和信号强度rsrp。然后，通过对位置测量信息进行特征提取，得到位置特征信息。

步骤s102，基于预设的算法，根据位置特征信息训练得到位置预测模型。

例如，采用卷积神经网络建立训练模型，使用位置特征信息，在卷积神经网络中进行训练和验证，生成位置预测模型。本发明对构建预测模型的算法不做限定。

步骤s103，采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

在模型构建好之后，使用位置预测模型来对终端进行定位，采用该模型能够对实际网络中无法获取经纬度的终端进行定位，采集终端的位置测量信息输入至该位置预测模型中，输出得到待定位终端的经纬度定位结果。

根据本实施例所提供的基于机器学习的终端定位方法，该方式不依赖于通用的传播模型进行距离计算，能够避免传统方法计算时的距离误差对三点定位精度带来的影响；该方式直接从现网海量数据中学习定位方法，并进行定位，等同于是依据现网的数据进行定位，即模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点，能够实现精准定位。其次，该方式适合于处理网络中采集的海量数据，利用网络采集的海量数据对预测模型进行校准，因此克服了诸如指纹库等技术依赖于路测数据采集，只能采集到网络中局部的、线段上的数据的不足，不但提高了效率，降低了数据采集成本，而且还使采样点更加全面、更有代表性。最后，该方式采用大数据的方法，对模型进行训练，不但适合海量数据的处理，还提高预测的精准度。

图2示出了本发明一个实施例提供的基于机器学习的终端定位方法的流程示意图，如图2所示，该方法包括：

步骤s201，获取终端对应的包含mdt数据和ta信令记录数据的位置测量信息，通过预设匹配条件，将mdt数据和ta信令记录数据进行关联匹配处理，得到已匹配的mdt数据，对已匹配的mdt数据进行特征识别处理，得到位置特征信息。

获取海量用户的位置测量信息作为样本数据，具体在系统端获取海量的位置测量信息，完成特征数据的采集。其中，mdt数据可以通过使用3gpp规定的mdt功能获得，在开启mdt功能的系统里，支持该功能的终端会周期性地上报包含其经纬度信息、服务小区的信号强度rsrp、邻区的小区id和信号强度rsrp，而不支持该功能的终端则只会上报服务小区的信号强度rsrp，以及邻区的小区id和rsrp信息，不会上报其经纬度信息。

其中，对于终端经纬度信息，除了通过读取mdt上报数据获取之外，还可以通过在核心网用户面对用户app数据进行解码获取，后者可以作为对mdt获取经纬度信息的补充。

系统端收集的数据还包括服务小区的ta信令记录。实际应用中，为了训练模型的准确性，可以收集全网7*24小时以上的mdt数据和ta信令记录。

采集到mdt数据和ta信令记录之后，对数据进行相关的处理，将数据整理为机器学习格式的输入。首先，通过预设匹配条件，进行mdt数据和ta信令记录的关联匹配，将ta信令记录相应填到mdt数据中去，其中，预设匹配条件包括：根据小区id、ueid以及时间信息而设置的匹配条件。图3示出了本发明一个实施例中关联匹配的示意图，如图3所示，关联项包括用户id、时间以及主服务小区id。

然后，对关联匹配处理过后的mdt数据进行特征提取，提取出包含终端的经纬度信息、服务小区的经纬度信息、服务小区rsrp值、服务小区ta值、邻区的经纬度信息以及邻区rsrp值的数据记录表，具体如下表1所示。

表1

表1中x代表位置预测模型的输入信息，y代表位置预测模型的输出信息，在后续内容中进行详述，这里不展开赘述。需要说明的是，在最终提取的数据记录中，不一定每一条数据记录中均包含终端的经纬度信息，有一些数据记录的终端的经纬度信息为空，是否为空是实际所采集的数据所决定的。

步骤s202，过滤不包含终端的经纬度信息的位置特征信息，对过滤之后的位置特征信息进行归一化处理。

然后，对位置特征信息进行过滤，筛选出包含有终端的经纬度信息的数据记录，并对筛选出来的包含终端的经纬度信息的位置特征信息进行归一化处理。

步骤s203，基于卷积神经网络，根据归一化处理后的位置特征信息进行训练和验证，得到位置预测模型。

本实施例中，采用卷积神经网络来构建位置预测模型。使用上述归一化处理后的位置特征信息，在卷积神经网络中进行训练和验证，直至误差低于合理范围，训练结束即得到位置预测模型，保存训练得到的位置预测模型。

其中，对于卷积神经网络，其输入信息x为归一化的服务小区经纬度信息，归一化的服务小区rsrp，归一化的服务小区ta，归一化的邻区经纬度信息，归一化的邻区rsrp；其输出信息中的y为归一化的终端的经度和纬度信息。该步骤即利用神经网络，通过海量的输入数据x，y，学习x到y的转换过程。

构建神经网络学习架构时，考虑到输入信息x中的服务小区的小区经度，纬度、rsrp、ta以及各个邻区的小区经度、纬度、rsrp都是小区一一对应的，即具有固定的模式，因此采用cnn卷积神经网络使用训练集数据进行学习。

在具体实施时，为了保证位置预测模型的准确性，将采集的样本数据分为训练数据集和验证数据集，训练数据集中包含的位置测量信息用于训练位置预测模型，验证数据集中包含的位置测量信息用于验证训练的模型进行验证。在对训练集训练结束后，使用测试集数据对训练的模型进行验证，并根据验证的结果对模型的超参数进行调整，以提高测试精度，并减少训练时的过拟合，生成最终的预测模型。验证的终止条件为验证的误差范围低于合理范围。

步骤s204，采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

该步骤即实现终端定位。利用生成的位置预测模型，对实际网络中只能获取服务小区rsrp和ta以及邻区信息而无法获取经纬度信息的终端进行定位；或者在mdt功能无法长期开启的网络，使用预测模型对终端位置进行定位。将待定位终端的位置测量信息输入到位置预测模型中，位置预测模型进行预测并输出预测结果，预测结果为归一化形式的信息，然后将该归一化形式的信息转换为经纬度信息，就得到待定位终端的经纬度定位结果。

步骤s205，按照预设的周期，根据用于测试的位置测量信息，固定位置预测模型的部分参数，对其他各个参数进行调整，直至位置预测模型的预测误差处于预设误差范围内。

考虑到实际无线环境中站点拓扑、地貌建筑等会持续不断地变化，为了适应无线环境变化对定位精度的影响，需要周期性地进行数据采集和训练，校准预测模型，保障预测模型的精准度，例如每三个月到半年再次进行校准。具体地，获取用于测试的位置测量信息，固定位置预测模型的部分参数，同时对其他各个参数进行调整，直到预测误差处于合理的误差范围内。

例如，校准时，可以只采用少量数据(例如3天的数据)，利用原始的位置预测模型，固定输入端各个cnn层的参数，只对最后一层卷积层以及输出端全连结层的参数进行微调，达到校准的精度要求后，保存并生成新的预测模型。

综上所述，本实施例的方法大致可以分为5个流程：第一，基于系统端功能，采集数据；第二：海量数据的采集和处理，生成训练和测试样本；第三：建立训练模型，并进行训练和验证，生成预测模型；第四：利用预测模型，对终端位置进行预测；第五，周期性模型校准。

由此可见，该方式提供了一种大数据方法的终端定位机制，通过记录和学习已知的终端环境因素，并通过特征匹配终端的环境因素来还原终端位置。该方式不依赖于通用的传播模型进行距离计算，能够避免传统方法计算时距离误差对三点定位精度带来的影响；相反，该方式直接从现网海量数据中学习定位方法，并进行定位，等同于是依据现网的数据进行定位，即模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点，能够实现精准定位，并且，由于数据来源于mdt数据等用户真实上报的位置信息，能够避免传播模型和电波时延损耗的误差，准确性更高。其次，该方式适合于处理网络中采集的海量数据，利用网络采集的海量数据对预测模型进行校准，克服了诸如指纹库等技术依赖于路测数据采集，只能采集到网络中局部的、线段上的数据的不足，不但提高了效率，降低了数据采集成本，而且还使采样点更加全面、更有代表性。最后，该方式使用的卷积网的神经网络处理方法，对模型进行训练，不但适合海量数据的处理，能够提高预测的精准度，而且模型校准积累的经验可以复用，即后续模型校准时可以在前面训练的模型参数基础上，灵活地决定后续校准的深度和范围，提高后续因为移动网络环境变化后校准工作的效率。

图5示出了本发明又一个实施例提供的基于机器学习的终端定位系统的结构示意图，如图5所示，该系统包括：

数据采集模块51，适于获取终端对应的包含mdt数据的位置测量信息。

数据处理模块52，适于对位置测量信息进行特征提取处理，得到位置特征信息。

训练模块53，适于基于预设的算法，根据位置特征信息训练得到位置预测模型。

定位模块54，适于采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

可选地，位置测量信息还包括ta信令记录数据，则数据处理模块52进一步适于：通过预设匹配条件，将mdt数据和ta信令记录数据进行关联匹配处理，得到已匹配的mdt数据；对所述已匹配的mdt数据进行特征识别处理，得到位置特征信息；其中，所述预设匹配条件包括：根据小区id、ueid以及时间信息而设置的匹配条件。

可选地，位置特征信息包括：终端的经纬度信息、服务小区的经纬度信息、服务小区rsrp值、服务小区ta值、邻区的经纬度信息以及邻区rsrp值。

可选地，数据处理模块52进一步适于：过滤不包含终端的经纬度信息的位置特征信息，对过滤之后的位置特征信息进行归一化处理；

训练模块53进一步适于：

基于预设的算法，根据归一化处理后的位置特征信息训练得到位置预测模型。

可选地，训练模块53进一步适于：

基于卷积神经网络，根据所述位置特征信息进行训练和验证，得到位置预测模型；

其中，卷积神经网络的输入信息包括：归一化的服务小区的经纬度信息、归一化的服务小区rsrp值、归一化的服务小区ta值、归一化的邻区的经纬度信息以及归一化的邻区rsrp值；输出信息包括：归一化的终端的经纬度信息。

可选地，系统进一步包括：验证模块，适于按照预设的周期，根据用于测试的位置测量信息，固定位置预测模型的部分参数，对其他各个参数进行调整，直至位置预测模型的预测误差处于预设误差范围内。

该方式不依赖于通用的传播模型进行距离计算，能够避免传统方法计算时的距离误差对三点定位精度带来的影响；该方式直接从现网海量数据中学习定位方法，并进行定位，等同于是依据现网的数据进行定位，即模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点，能够实现精准定位。其次，该方式适合于处理网络中采集的海量数据，利用网络采集的海量数据对预测模型进行校准，因此克服了诸如指纹库等技术依赖于路测数据采集，只能采集到网络中局部的、线段上的数据的不足，不但提高了效率，降低了数据采集成本，而且还使采样点更加全面、更有代表性。最后，该方式采用大数据的方法，对模型进行训练，不但适合海量数据的处理，还提高了预测的精准度。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于机器学习的终端定位方法。

可执行指令具体可以用于使得处理器执行以下操作：

获取终端对应的包含mdt数据的位置测量信息，并对位置测量信息进行特征提取处理，得到位置特征信息；

基于预设的算法，根据位置特征信息训练得到位置预测模型；

采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

在一种可选的方式中，位置测量信息还包括ta信令记录数据，可执行指令具体还可以用于使得处理器执行以下操作：

通过预设匹配条件，将mdt数据和ta信令记录数据进行关联匹配处理，得到已匹配的mdt数据；

对已匹配的mdt数据进行特征识别处理，得到位置特征信息；

其中，预设匹配条件包括：根据小区id、ueid以及时间信息而设置的匹配条件。

在一种可选的方式中，位置特征信息包括：终端的经纬度信息、服务小区的经纬度信息、服务小区rsrp值、服务小区ta值、邻区的经纬度信息以及邻区rsrp值。

在一种可选的方式中，得到位置特征信息之后，可执行指令具体还可以用于使得处理器执行以下操作：过滤不包含终端的经纬度信息的位置特征信息，对过滤之后的位置特征信息进行归一化处理；基于预设的算法，根据归一化处理后的位置特征信息训练得到位置预测模型。

在一种可选的方式中，可执行指令具体还可以用于使得处理器执行以下操作：

基于卷积神经网络，根据位置特征信息进行训练和验证，得到位置预测模型；其中，卷积神经网络的输入信息包括：归一化的服务小区的经纬度信息、归一化的服务小区rsrp值、归一化的服务小区ta值、归一化的邻区的经纬度信息以及归一化的邻区rsrp值；输出信息包括：归一化的终端的经纬度信息。

在一种可选的方式中，可执行指令具体还可以用于使得处理器执行以下操作：按照预设的周期，根据用于测试的位置测量信息，固定位置预测模型的部分参数，对其他各个参数进行调整，直至位置预测模型的预测误差处于预设误差范围内。

该方式通过获取现网中海量的用户数据，采用大数据的方式，训练得到位置预测模型，利用位置预测模型对终端进行定位，该方式直接从现网海量数据中学习定位方法并进行定位，是依据现网的数据进行定位，即模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点，能够实现精准定位。

图6示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(communicationsinterface)604、存储器(memory)606、以及通信总线608。

其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述用于计算设备的基于机器学习的终端定位方法实施例中的相关步骤。

具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。

处理器602可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。

存储器606，用于存放程序610。存储器606可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

程序610具体可以用于使得处理器602执行以下操作：获取终端对应的包含mdt数据的位置测量信息，并对位置测量信息进行特征提取处理，得到位置特征信息；基于预设的算法，根据位置特征信息训练得到位置预测模型；采集待定位终端的位置测量信息，将待定位终端的位置测量信息输入至位置预测模型中，得到待定位终端的经纬度定位结果。

在一种可选的方式中，位置测量信息还包括ta信令记录数据，所述程序610进一步使所述处理器602执行以下操作：

通过预设匹配条件，将mdt数据和ta信令记录数据进行关联匹配处理，得到已匹配的mdt数据；

对已匹配的mdt数据进行特征识别处理，得到位置特征信息；

其中，预设匹配条件包括：根据小区id、ueid以及时间信息而设置的匹配条件。

在一种可选的方式中，位置特征信息包括：终端的经纬度信息、服务小区的经纬度信息、服务小区rsrp值、服务小区ta值、邻区的经纬度信息以及邻区rsrp值。

在一种可选的方式中，得到位置特征信息之后，所述程序610进一步使所述处理器602执行以下操作：过滤不包含终端的经纬度信息的位置特征信息，对过滤之后的位置特征信息进行归一化处理；

所述程序610进一步使所述处理器602执行以下操作：基于预设的算法，根据归一化处理后的位置特征信息训练得到位置预测模型。

所述程序610进一步使所述处理器602执行以下操作：基于卷积神经网络，根据位置特征信息进行训练和验证，得到位置预测模型；

其中，卷积神经网络的输入信息包括：归一化的服务小区的经纬度信息、归一化的服务小区rsrp值、归一化的服务小区ta值、归一化的邻区的经纬度信息以及归一化的邻区rsrp值；输出信息包括：归一化的终端的经纬度信息。

所述程序610进一步使所述处理器602执行以下操作：按照预设的周期，根据用于测试的位置测量信息，固定位置预测模型的部分参数，对其他各个参数进行调整，直至位置预测模型的预测误差处于预设误差范围内。

该方式通过获取现网中海量的用户数据，采用大数据的方式，训练得到位置预测模型，利用位置预测模型对终端进行定位，该方式直接从现网海量数据中学习定位方法并进行定位，是依据现网的数据进行定位，即模型本身已经充分考虑到了各个定位点的无线传播环境和链路反射特点，能够实现精准定位。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。