基于测量报告的定位方法、设备、装置及存储介质与流程

1.本技术涉及通信技术领域，具体涉及一种基于测量报告的定位方法、设备、装置及存储介质。


背景技术：

2.测量报告mr(measurement report)的无线优化方法在无线网络中应用广泛，其中mr数据的位置定位尤为重要，mr的位置信息可以真实的反应用户的感知，便于了解现网的真实情况，还可以快速定位网络中的问题并及时处理，实现网络精准优化及规划。
3.现有的mr位置定位采用指纹库定位算法，即将用户所在位置的mr信息与位置指纹的样本数据集(指纹库)进行匹配；该算法的指纹库一般通过通信仿真来得到指纹库，算法的核心在于匹配设计，一般采用欧几里得距离、马氏距离以及余弦相似度作为栅格匹配门限。
4.然而，实际应用中的指纹库是通过仿真来实现，再用互联网电视ott的数据进行校准指纹库。由于仿真是通过传播计算出的结果，虽然非常全面但它是一个理论计算值，与实际现网还是有很大差距，其中ott校准只是少部分的数据，所以指纹库中mr的位置信息的准确率就不够高，这样就会导致定位准确率比较低。此外，指纹库的核心算法是通过欧几里得距离、马氏距离以及余弦相似度等方式匹配设计，将单条mr信息与指纹库进行匹配计算出结果，当面临现网中海量的mr数据计算时，计算量较大需要存储内存也很大，最终的结果就是效率低且耗资源。


技术实现要素：

5.由于现有方法存在上述问题，本技术实施例提供一种基于测量报告的定位方法、设备、装置及存储介质。
6.具体的，本技术实施例提供了以下技术方案：
7.第一方面，本技术实施例提供一种基于测量报告的定位方法，包括：
8.根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别；
9.将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果；
10.其中，与所述小区类别对应的定位预测模型是指利用与所述小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与所述mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。
11.可选的，所述根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别，包括：
12.根据待进行定位的测量结果mr数据，确定所述mr数据所属的小区；
13.根据所述小区的特征信息采用kmeans算法对所述小区进行聚类，得到所述小区所属的小区类别。
14.可选的，所述小区的特征信息包括：位置、性质、室分、频点、方向角和挂高中的一种或多种。
15.可选的，与所述小区类别对应的定位预测模型的训练过程包括：
16.获取与所述小区类别相同的小区的最小化路测mdt历史数据，以及与所述mdt历史数据对应的定位结果数据；
17.对所述mdt历史数据进行独热编码，得到编码后的数据，并以所述mdt历史数据所在小区为单元，按照小区对编码后的数据进行标准化处理，得到经过标准化处理后的输入数据；
18.对所述定位结果数据，按照小区进行标准化处理，得到经过标准化处理后的输出数据；
19.将所述输入数据作为输入样本，将所述输出数据作为输出样本，基于xgboost算法进行模型训练后得到与所述小区类别对应的定位预测模型。
20.可选的，所述mdt历史数据包括小区标识、主小区电平、主小区物理标识pci、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的时间提前量tadv中的一种或多种；
21.与所述mdt历史数据对应的定位结果数据包括经度和纬度中的一种或多种。
22.可选的，在对所述mdt历史数据进行独热编码之前，所述方法还包括：
23.对所述mdt历史数据进行数据清洗；其中，所述数据清洗包括：对缺失值的异常处理和/或对数据位置漂移的异常处理。
24.可选的，所述对缺失值的异常处理，包括：对不同类型的缺失数据采用与相应类型对应的预设值进行填充；
25.和/或，
26.所述对数据位置漂移的异常处理，包括：
27.确定单小区经度和纬度上四分位和下四分位；其中，上四分位为u，表示的是所有样本中只有1/4的数值大于u，下四分位为l，表示的是所有样本中只有1/4的数值小于l；
28.确定上界和下界；其中，上四分位与下四分位的差值为四分位间距iqr，iqr＝u-l；上界为u+1.5iqr，下界为l-1.5iqr；
29.将经度和纬度均按照所述上界和所述下界选取并取交集，将交集之外的部分作为异常数据去除，将交集内的部分作为训练用的有效数据。
30.可选的，将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果，包括：
31.将所述mr数据中包括的小区标识、主小区电平、主小区pci、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的tadv中的一种或多种信息输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的经度和/或纬度定位结果。
32.第二方面，本技术实施例还提供了一种数据定位设备，包括存储器，收发机，处理器：
33.存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于读取所述存储器中的计算机程序并执行时实现如第一方面所述的基于测量报告的定位方法的步骤。
34.第三方面，本技术实施例还提供了一种数据定位装置，包括：
35.第一处理模块，用于根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别；
36.第二处理模块，用于将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果；
37.其中，与所述小区类别对应的定位预测模型是指利用与所述小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与所述mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。
38.第四方面，本技术实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于测量报告的定位方法的步骤。
39.由上面技术方案可知，本技术实施例基于测量报告的定位方法一方面根据待进行定位的mr数据所属的小区类别，调用该小区类别的定位预测模型输出定位结果，由于模型的训练阶段都是前期完成的，因此，当面临海量mr数据时可以较快的进行定位计算，实时性较好。另一方面，将最小化路测mdt历史数据作为训练集样本准确率较高，能够很好保证定位预测模型的精确度，进一步提高了mr数据定位的准确率。
附图说明
40.为了更清楚地说明本技术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，还可以根据这些图获得其他的附图。
41.图1是本技术实施例提供的基于测量报告的定位方法的流程图之一；
42.图2是本技术实施例提供的基于测量报告的定位方法的流程图之二；
43.图3是本技术实施例提供的模型预测的流程图；
44.图4是本技术实施例提供的数据定位装置的结构示意图；
45.图5是本技术实施例的数据定位设备的结构示意图。
具体实施方式
46.为了更清楚地说明本技术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，还可以根据这些图获得其他的附图。
47.图1示出了本技术一实施例提供的一种基于测量报告的定位方法的流程图，图2是是本技术一实施例提供的另一种基于测量报告的定位方法的流程图，图3是本技术一实施例提供的一种模型预测的流程图。下面结合图1、图2和图3对本技术实施例提供的基于测量报告的定位方法进行详细解释和说明，如图1所示，本技术实施例提供的一种基于测量报告的定位方法，具体包括：
48.步骤101：根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别；
49.在本步骤中，需要说明的是，由于现网的小区非常多，单小区单模型定位的准确率
能保证，但是很难实现每个小区单独一个模型，单小区单模型在实现模型训练、后期模型更新以及管理等都难以工程化，然而小区的丰富多样也不可能所有的小区用一个模型来实现，这样不能保证定位模型的准确率。因此，需要对小区采用kmeans聚类，将待定位测量报告mr(measurement report)数据的小区划分成n个类别，每个类别都训练好一个定位预测模型(可以为xgboost模型)，获取待定位mr数据后，首先判断其所属小区类别，再调用该小区类别的定位预测模型输出mr数据的定位结果。
50.步骤102：将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果；
51.其中，与所述小区类别对应的定位预测模型是指利用与所述小区类别相同的小区的最小化路测mdt(minimization of drive-tests)历史数据作为输入样本，以及利用与所述mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。
52.在本步骤中，需要说明的是，在确定mr数据所属的小区类别后，调用该小区类别对应的定位预测模型，将mr数据输入至定位预测模型中，从而输出mr数据的定位结果。其中，每一类小区对应的定位预测模型是利用与该小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。
53.在本步骤中，需要说明的是，mdt是基站根据网管配置mdt测量任务下发相关测量配置给终端，终端在满足测量条件时，进行测量并上报测量信息。mdt和mr类似，包含参考信号接收功率rsrp(reference signal receiving power)、长期演进lte(long term evolution)参考信号接收质量rsrq(reference signal receiving quality)等字段，含有定位系统gps(global positioning system)经纬度信息，可用于大数据分析。因此mdt数据可用于mr数据的训练集训练定位预测模型。其中mdt数据作为训练集也是约束条件的，要小区的用户的数量足够多，用户数多就能更好模拟出mr的真实情况。
54.由上面技术方案可知，本技术实施例提供的一种基于测量报告的定位方法，首先根据待进行定位的测量报告mr数据，确定mr数据所属的小区类别。然后将mr数据输入至与小区类别对应的定位预测模型中，从而得到mr数据的定位结果。其中，与小区类别对应的定位预测模型预先利用与小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。本技术实施例一方面根据待进行定位的mr数据所属的小区类别，调用该小区类别的定位预测模型输出定位结果，由于模型的训练阶段都是前期完成的，因此，当面临海量mr数据时可以较快的进行定位计算，实时性较好。另一方面，将最小化路测mdt历史数据作为训练集样本准确率较高，从而可以很好保证定位预测模型的精确度，进一步提高了mr数据定位的准确率。
55.基于上述实施例的内容，在本实施例中，所述根据待进行定位的测量结果mr数据，确定所述mr数据所属的小区类别，包括：
56.根据待进行定位的测量结果mr数据，确定所述mr数据所属的小区；
57.根据所述小区的特征信息采用kmeans算法对所述小区进行聚类，得到所述小区所属的小区类别。
58.在本实施例中，需要说明的是，在获取待进行定位的测量报告mr数据后，首先确定该mr数据所属的小区，进而根据该小区的特征信息采用kmeans算法对该小区进行聚类，从
而输出该小区所属的小区类别。其中，所述小区的特征信息包括：小区的位置、性质、室分、频点、方向角、挂高。kmeans算法是无监督学习，可以根据聚类小区的特征进行聚类，对于k值的选取一般不会设置很大。可以通过枚举结合实际的业务，如令k从2到一个固定值如10，在每个k值上重复运行数次kmeans(避免局部最优解)，并计算当前k的平均轮廓系数，最后选取轮廓系数最大的值对应的k。
59.基于上述实施例的内容，在本实施例中，所述小区的特征信息包括：位置、性质、室分、频点、方向角和挂高中的一种或多种。
60.在本实施例中，需要说明的是，根据该小区的特征信息采用kmeans算法对该小区进行聚类，从而输出该小区所属的小区类别。其中，所述小区的特征信息包括：小区的位置、性质、室分、频点、方向角、挂高。
61.基于上述实施例的内容，在本实施例中，与所述小区类别对应的定位预测模型的训练过程包括：
62.获取与所述小区类别相同的小区的最小化路测mdt历史数据，以及与所述mdt历史数据对应的定位结果数据；
63.对所述mdt历史数据进行独热编码，得到编码后的数据，并以所述mdt历史数据所在小区为单元，按照小区对编码后的数据进行标准化处理，得到经过标准化处理后的输入数据；
64.对所述定位结果数据，按照小区进行标准化处理，得到经过标准化处理后的输出数据；
65.将所述输入数据作为输入样本，将所述输出数据作为输出样本，基于xgboost算法进行模型训练后得到与所述小区类别对应的定位预测模型。
66.在本实施例中，需要说明的是，在训练与各小区类别对应的定位预测模型中，首先获取与小区类别相同的小区的最小化路测mdt历史数据，以及与mdt历史数据对应的定位结果数据。其中，mdt历史数据包括小区标识、主小区电平、主小区物理标识pci(peripheral component interconnect)、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的时间提前量tadv中的一种或多种。由于小区的pci值是数值，没有大小之分，比如说pci“25”、“435”并没数值上的大小之分，两者只是不同的编码，因此需要对主小区和邻区pci进行独热编码。因为pci进行了编码，而主邻小区的电平都是很大的负值，为了统一需要按照小区对电平进行标准化处理，标准化处理是通过对原始数据进行变换，将数据转换为均值为0，标准差为1的数据。单小区进行标准化处理，以主小区电平为例其标准化的计算方式如下：计算主小区所有的电平的均值为mean，标准差为std，其每个电平值为x＝(x-mean)/std，x是标准化后的电平值，x是原始电平值。由于预测的经度、纬度值的特殊性，同小区的mr的数据位置的差异主要在于小数点后面的值，所以也需要按小区对经度、纬度进行标准化处理，得到经过标准化处理后的输出数据。
67.在本步骤中，将经过标准化处理后的输入数据作为输入样本，输出数据作为输出样本，并基于xgboost算法进行模型训练后得到与所述小区类别对应的定位预测模型。其中，xgboost是一种梯度提升算法、残差决策树，其基本思想为将一棵树、一棵树逐渐地往模型里面加，每加一棵分类回归crat决策树时，要使得整体的效果(目标函数有所下降)有所提升。xgboost算法支持并行计算还能很好的防止过拟合。由于主邻小区的pci编码导致特
征为系数矩阵，而xgboost还特别设计了针对稀疏数据的算法。因此选用xgboost算法预测mr的经度、纬度，模型预测的流程如图3；输入mr的特征信息调用xgboost模型，输出mr的数据的经、纬度。可见，本技术实施例将mdt数据做训练集，并采用kmeans算法与xgboost算法相结合来定位mr数据，改进之前mr指纹定位的方式，提高了准确率兼顾了效率。
68.基于上述实施例的内容，在本实施例中，所述mdt历史数据包括小区标识、主小区电平、主小区物理标识pci、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的时间提前量tadv(timing advance)中的一种或多种；
69.与所述mdt历史数据对应的定位结果数据包括经度和纬度中的一种或多种。
70.在本实施例中，可选的，mdt历史数据包括小区标识、主小区电平、主小区物理标识pci、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的时间提前量tadv中的一种或多种。将mdt历史数据作为训练集训练定位预测模型后，输出结果包括经度和纬度中的一种或多种。
71.基于上述实施例的内容，在本实施例中，在对所述mdt历史数据进行独热编码之前，所述方法还包括：
72.对所述mdt历史数据进行数据清洗；其中，所述数据清洗包括：对缺失值的异常处理和/或对数据位置漂移的异常处理。
73.在本实施例中，需要说明的是，由于设备上报的数据存在位置明显飘移的情况，分析实际数据会发现有少数的数据位置定位到很远的位置，实际数据还会有数据缺失情况，所以需要在对mdt历史数据进行独热编码之前，对mdt历史数据进行数据清洗。数据清洗包括对缺失值的异常处理和/或对数据位置漂移的异常处理。由此可见，本技术实施例在首先拿到该类别小区的历史mdt数据后，需要对mdt的数据进行清洗，并对清洗后的数据进行特征处理，处理后的数据采用xgboost模型进行训练，从而使该类别待定位的mr数据调用训练后的xgboost模型，即预测出mr数据的位置结果。
74.基于上述实施例的内容，在本实施例中，所述对缺失值的异常处理，包括：对不同类型的缺失数据采用与相应类型对应的预设值进行填充；
75.和/或，
76.所述对数据位置漂移的异常处理，包括：
77.确定单小区经度和纬度上四分位和下四分位；其中，上四分位为u，表示的是所有样本中只有1/4的数值大于u，下四分位为l，表示的是所有样本中只有1/4的数值小于l；
78.确定上界和下界；其中，上四分位与下四分位的差值为四分位间距iqr，iqr＝u-l；上界为u+1.5iqr，下界为l-1.5iqr；
79.将经度和纬度均按照所述上界和所述下界选取并取交集，将交集之外的部分作为异常数据去除，将交集内的部分作为训练用的有效数据。
80.在本实施例中，需要说明的是，对缺失值的异常处理，包括对不同类型的缺失数据采用与相应类型对应的预设值进行填充。例如，对于mdt历史数据中的pci缺失值用-1填充，对于电平缺失值用-999填充。
81.在本实施例中，需要说明的是，对于数据位置漂移的异常处理，单小区采用箱型图剔除异常值，具体实现方式如下：
82.首先定义单小区经纬度下上四分位和下四分位：上四分位设为u，表示的是所有样
system)经纬度信息，可用于大数据分析。因此mdt数据可用于mr数据的训练集训练定位预测模型。其中mdt数据作为训练集也是约束条件的，要小区的用户的数量足够多，用户数多就能更好模拟出mr的真实情况。
93.在本实施例中，需要说明的是，mdt历史数据的定位数据准确率相比仿真要高很多，保证训练集样本的准确性；其次kmeans和xgboost模型训练，模型训练阶段都是前期完成，且xgboost模型支持并行计算，待定位mr数据直接调用训练好的模型，推理的时间很快，因此效率高且实时性较好，相比之前每条mr匹配计算出结果效率提升很多。
94.由上面技术方案可知，本技术实施例提供的一种数据定位装置，首先根据待进行定位的测量报告mr数据，确定mr数据所属的小区类别。然后将mr数据输入至与小区类别对应的定位预测模型中，从而得到mr数据的定位结果。其中，与小区类别对应的定位预测模型预先利用与小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。本技术实施例一方面根据待进行定位的mr数据所属的小区类别，调用该小区类别的定位预测模型输出定位结果，由于模型的训练阶段都是前期完成的，因此，当面临海量mr数据时可以较快的进行定位计算，实时性较好。另一方面，将最小化路测mdt历史数据作为训练集样本准确率较高，从而可以很好保证定位预测模型的精确度，进一步提高了mr数据定位的准确率。
95.本实施例所述的数据定位装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
96.基于相同的发明构思，本发明又一实施例提供了一种数据定位设备，参见图5所述数据定位设备的结构示意图，该网络设备500包括存储器502，收发机503，处理器501：其中，处理器501与存储器502也可以物理上分开布置。
97.存储器502，用于存储计算机程序；收发机503，用于在处理器501的控制下收发数据。
98.具体地，其中，在图5中，总线系统504可以包括任意数量的互联的总线和桥，具体由处理器501代表的一个或多个处理器和存储器502代表的存储器的各种电路链接在一起。总线系统504还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机503可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。处理器501负责管理总线架构和通常的理，存储器502可以存储处理器501在执行操作时所使用的数据。
99.处理器501可以是中央埋器(cpu)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或复杂可编程逻辑器件(complex programmable logic device，cpld)，处理器也可以采用多核架构。
100.处理器501通过调用存储器502存储的计算机程序，用于按照获得的可执行指令执行本技术实施例提供的任一所述方法，例如：
101.根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别；
102.将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果；
103.其中，与所述小区类别对应的定位预测模型是指利用与所述小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与所述mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。
104.基于上述实施例的内容，在本实施例中，所述根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别，包括：
105.根据待进行定位的测量结果mr数据，确定所述mr数据所属的小区；
106.根据所述小区的特征信息采用kmeans算法对所述小区进行聚类，得到所述小区所属的小区类别。
107.基于上述实施例的内容，在本实施例中，所述小区的特征信息包括：位置、性质、室分、频点、方向角和挂高中的一种或多种。
108.基于上述实施例的内容，在本实施例中，与所述小区类别对应的定位预测模型的训练过程包括：
109.获取与所述小区类别相同的小区的最小化路测mdt历史数据，以及与所述mdt历史数据对应的定位结果数据；
110.对所述mdt历史数据进行独热编码，得到编码后的数据，并以所述mdt历史数据所在小区为单元，按照小区对编码后的数据进行标准化处理，得到经过标准化处理后的输入数据；
111.对所述定位结果数据，按照小区进行标准化处理，得到经过标准化处理后的输出数据；
112.将所述输入数据作为输入样本，将所述输出数据作为输出样本，基于xgboost算法进行模型训练后得到与所述小区类别对应的定位预测模型。
113.基于上述实施例的内容，在本实施例中，所述mdt历史数据包括小区标识、主小区电平、主小区物理标识pci、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的时间提前量tadv中的一种或多种；
114.与所述mdt历史数据对应的定位结果数据包括经度和纬度中的一种或多种。
115.基于上述实施例的内容，在本实施例中，在对所述mdt历史数据进行独热编码之前，所述方法还包括：
116.对所述mdt历史数据进行数据清洗；其中，所述数据清洗包括：对缺失值的异常处理和/或对数据位置漂移的异常处理。
117.基于上述实施例的内容，在本实施例中，所述对缺失值的异常处理，包括：对不同类型的缺失数据采用与相应类型对应的预设值进行填充；
118.和/或，
119.所述对数据位置漂移的异常处理，包括：
120.确定单小区经度和纬度上四分位和下四分位；其中，上四分位为u，表示的是所有样本中只有1/4的数值大于u，下四分位为l，表示的是所有样本中只有1/4的数值小于l；
121.确定上界和下界；其中，上四分位与下四分位的差值为四分位间距iqr，iqr＝u-l；上界为u+1.5iqr，下界为l-1.5iqr；
122.将经度和纬度均按照所述上界和所述下界选取并取交集，将交集之外的部分作为异常数据去除，将交集内的部分作为训练用的有效数据。
123.基于上述实施例的内容，在本实施例中，将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果，包括：
124.将所述mr数据中包括的小区标识、主小区电平、主小区pci、前4个邻区的电平、前4个邻区的pci，以及前4个邻区的tadv中的一种或多种信息输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的经度和/或纬度定位结果。
125.基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述一种基于测量报告的定位方法的全部步骤，例如，根据待进行定位的测量报告mr数据，确定所述mr数据所属的小区类别；将所述mr数据输入至与所述小区类别对应的定位预测模型中，得到所述mr数据的定位结果；其中，与所述小区类别对应的定位预测模型是指利用与所述小区类别相同的小区的最小化路测mdt历史数据作为输入样本，以及利用与所述mdt历史数据对应的定位结果数据作为输出样本，进行训练后得到的。
126.此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
127.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本技术实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
128.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的基于测量报告的定位方法。
129.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。