CN117061987A - 定位方法、装置、终端设备以及存储介质 - Google Patents

Abstract

本发明公开了一种定位方法、装置、终端设备及存储介质，属于移动通信领域。所述定位方法包括：基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；根据所述融合结果，输出用户的最终位置数据。本发明通过基站覆盖指纹库对MR位置数据进行优化，并融合XDR位置数据，在保证用户时空覆盖率的基础上，提高了用户的位置精度，解决了现有技术在基站较少的场景中定位效果差的问题。

Description

定位方法、装置、终端设备以及存储介质

技术领域

本发明涉及移动通信领域，尤其涉及一种定位方法、装置、终端设备以及存储介质。

背景技术

随着社会的不断发展，全国各地都在逐步开展农村的数字化转型探索。由于通信技术的发展以及移动终端设备的大规模普及，基于无线网络的定位技术愈发成熟，具备实时性、完整性、时空全覆盖性等优点，其对人群的位置识别，可以为乡村建设发展规划提供有力的数据决策依据，为乡村建设评估提供客观的数据指导依据，由此可见，基于移动通信的定位技术是十分有意义的。

当前主流的定位技术主要是基于终端GPS(Global Positioning System，全球定位系统)、基站定位以及基于MR(Mesure Reports，测量报告)数据的定位，另外还有一些基于OTT(Over The Top，越过顶端)数据、卫星定位等手段的定位方式。上述依赖于通信数据的技术方案在人群密集的城市中较为实用，能收获准确的定位结果，但是在远郊、乡村以及山区等环境中，由于基站数量不足，就难以获得准确的定位结果。

因此，有必要提出一种在基站较少的场景中效果更好的定位方法。

发明内容

本申请的主要目的在于提供一种定位方法、装置、终端设备以及存储介质，旨在解决现有定位技术在基站较少的场景中效果差的问题。

为实现上述目的，本发明提供一种定位方法，所述定位方法包括：

基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；

基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；

根据所述融合结果，输出用户的最终位置数据。

可选地，所述基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据的步骤之前还包括：

通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型；

基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库。

可选地，所述通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型的步骤包括：

获取基站的工参信息，所述基站用于构建所述基站理论覆盖模型；

根据所述基站的工参信息，参照所述NetPlan仿真模型，构建所述基站的主模型；

基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型。

可选地，所述基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型的步骤包括：

获取所述基站所处地理环境的地图信息；

根据所述地图信息，对所述基站所处地理环境进行场景分类，确定适用场景；

根据所述适用场景，选择所述Okumura-Hata模型中的矫正因子；

将所述Okumura-Hata模型中的矫正因子结合到所述基站的主模型中，得到所述基站的理论覆盖模型。

可选地，所述根据所述地图信息，对所述基站所处地理环境进行场景分类，确定适用场景的步骤包括：

根据所述地图信息，计算基站密度、栅格建筑物数量以及区域海拔起伏高度；

基于所述基站密度、栅格建筑物数量以及区域海拔起伏高度，确定所述基站的区域的场景特征；

根据所述场景特征，确定所述适用场景。

可选地，所述基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库的步骤包括：

基于所述基站理论覆盖模型，得到所述基站的有效覆盖边界；

基于所述基站的有效覆盖边界，提取所述基站有效覆盖边界内的用户历史MR位置数据；

根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图；

将所述覆盖区域衰减边界图叠加到所述基站的有效覆盖边界，得到所述用户时间维度位置分布图；

根据所述用户时间维度位置分布图，创建所述基站覆盖指纹库。

可选地，所述根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图的步骤包括：

根据所述时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行时间段划分，得到用户在每个时间段的位置区域特征；

综合所述用户在每个时间段的位置区域特征，得到所述基站不同时段的覆盖区域衰减边界图。

本申请实施例还提出一种定位装置，所述定位装置包括：

数据获取模块，用于基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；

数据融合模块，用于基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；

输出模块，用于根据所述融合结果，输出用户的最终位置数据。

本申请实施例还提出一种终端设备，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定位程序，所述定位程序被所述处理器执行时实现如上所述的定位方法的步骤。

本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有定位程序，所述用户定位程序被处理器执行时实现如上所述的定位方法的步骤。

本申请实施例提出的用户定位方法、装置、终端设备及存储介质，具体包括：基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；根据所述融合结果，输出用户的最终位置数据。基于本申请方案，从现有技术在基站较少的场景中定位效果差的问题出发，通过预先创建的基站覆盖指纹库对用户MR位置数据进行优化，从而提高了基站级别的位置精度，通过融合XDR位置数据，在满足用户时空覆盖率的基础上，进一步提高了用户的位置精度，解决了现有技术在基站较少的场景中定位差的问题。

附图说明

图1为本申请定位装置所属终端设备的功能模块示意图；

图2为本申请定位方法第一实施例的流程示意图；

图3为本申请定位方法第二实施例的流程示意图；

图4为本申请定位方法第二实施例的细化流程示意图；

图5为本申请定位关于基站覆盖模型的示意图；

图6为本申请定位方法第二实施例的又一细化流程示意图；

图7为本申请定位方法第二实施例的又一细化流程示意图；

图8为本申请定位方法第三实施例的流程示意图；

图9为本申请定位方法第三实施例的细化流程示意图；

图10为本申请定位方法第三实施例的又一细化流程示意图；

图11为本申请时间维度位置分布图的示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例的主要解决方案是：基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；根据所述融合结果，输出用户的最终位置数据。

本申请实施例涉及的技术术语：

测量报告，MR，Measurement Reports；

外部数据表示法数据，XDR，External Data Representation；

奥村-哈他模型，即Okumura-Hata模型。

其中，MR(Measurement Report，测量报告)数据是指信息在业务信道上每480ms(信令信道上470ms)发送一次的数据。MR测量报告由MS和BTS完成，MS执行并上报GSM小区下行电平强度、质量和TA，BTS执行并上报上行MS的接收电平强度和质量的测量。测量报告的处理通常在BSC完成(当采用BTS的预处理方式时，测量报告处理可以下移至BTS完成)，提供基本的滤波、插值等功能，为后续的切换判决算法提供基本的输入，是切换判决算法和功率控制算法等的基础。

基于传统的网络优化方法，只能通过路测、定点测试来获得用户感受信息，如网络覆盖情况、通话质量情况等，而路测和定点测试往往只能对一些主干道、重点场所进行测试，所获得的采样点数据相对于MR的用户信息要少得多，因此分析的结果存在片面性。

MR工具处理所采集的测量数据，用于全网无线环境的评价，代替大量的例行路测和定点测试，节约运维成本；以用户实际发生通话时的测量报告来评价网络，比路测和定点测量更有针对性，还能对这些采集的数据进行挖掘，分析用户的行为模式、在小区中的分布等信息，方便制定网络优化策略。

20世纪60年代，奥村(Okumura)等人在东京近郊，采用很宽范围的频率，测量多种基站天线高度，多种移动台天线高度，以及在各种各样不规则地形和环境地物条件下测量信号强度，然后形成一系列曲线图表，这些曲线图表显示的是不同频率上的场强和距离的关系，基站天线的高度作为曲线的参量。之后，产生出各种环境中的结果，包括在开阔地和市区中值场强对距离的依赖关系、市区中值场强对频率的依赖关系以及市区和郊区的差别，给出郊区修正因子的曲线、信号强度随基站天线高度变化的曲线以及移动台天线高度对信号强度相互关系的曲线等。此外，该模型还给出了对于各种地形的修正。

在使用Okumura模型时，需要查找其给出的各种曲线，不利于计算机预测。Hata模型是在Okumura大量测试数据的基础上用公式拟合得到的，称为Okumura-Hata模型。

具体地，参照图1，图1为本申请定位装置所属终端设备的功能模块示意图。该定位装置可以为独立于终端设备的、能够进行定位的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。

在本实施例中，该定位装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。

存储器130中存储有操作系统以及定位程序，定位装置可以将基站的工参信息、地图信息以及MR位置数据等信息存储于该存储器130中；输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。

其中，存储器130中的定位程序被处理器执行时实现以下步骤：

基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；

基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；

根据所述融合结果，输出用户的最终位置数据。

进一步地，存储器130中的定位程序被处理器执行时还实现以下步骤：

通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型；

基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库。

进一步地，存储器130中的定位程序被处理器执行时还实现以下步骤：

获取基站的工参信息，所述基站用于构建所述基站理论覆盖模型；

根据所述基站的工参信息，参照所述NetPlan仿真模型，构建所述基站的主模型；

基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型。

进一步地，存储器130中的定位程序被处理器执行时还实现以下步骤：

获取所述基站所处地理环境的地图信息；

根据所述地图信息，对所述基站所处地理环境进行场景分类，确定适用场景；

根据所述适用场景，选择所述Okumura-Hata模型中的矫正因子；

将所述Okumura-Hata模型中的矫正因子结合到所述基站的主模型中，得到所述基站的理论覆盖模型。

进一步地，存储器130中的定位程序被处理器执行时还实现以下步骤：

根据所述地图信息，计算基站密度、栅格建筑物数量以及区域海拔起伏高度；

基于所述基站密度、栅格建筑物数量以及区域海拔起伏高度，确定所述基站的区域的场景特征；

根据所述场景特征，确定所述适用场景。

进一步地，存储器130中的定位程序被处理器执行时还实现以下步骤：

基于所述基站理论覆盖模型，得到所述基站的有效覆盖边界；

基于所述基站的有效覆盖边界，提取所述基站有效覆盖边界内的用户历史MR位置数据；

根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图；

将所述覆盖区域衰减边界图叠加到所述基站的有效覆盖边界，得到所述用户时间维度位置分布图；

根据所述用户时间维度位置分布图，创建所述基站覆盖指纹库。

进一步地，存储器130中的定位程序被处理器执行时还实现以下步骤：

根据所述时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行时间段划分，得到用户在每个时间段的位置区域特征；

综合所述用户在每个时间段的位置区域特征，得到所述基站不同时段的覆盖区域衰减边界图。

本实施例通过上述方案，具体包括：基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；根据所述融合结果，输出用户的最终位置数据。基于本申请方案，从现有技术在基站较少的场景中定位效果差的问题出发，通过预先创建的基站覆盖指纹库对用户MR位置数据进行优化，从而提高了基站级别的位置精度，通过融合XDR位置数据，在满足用户时空覆盖率的基础上，进一步提高了用户的位置精度，解决了现有技术在基站较少的场景中定位差的问题。

基于上述终端设备架构但不限于上述架构，提出本申请方法实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。本申请方法实施例的执行主体可以是一种定位装置，也可以是一种终端设备或服务器，本实施例以定位装置进行举例，该定位装置可以集成在具有数据处理功能的桌面电脑、笔记本电脑等终端设备上。

参照图2，本申请定位方法第一实施例提供一种流程示意图，所述定位方法包括：

步骤S10，基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；

具体地，MR数据的处理通常在BSC(Base Station Controller，基站控制器)完成(当采用BTS的预处理方式时，测量报告处理可以下移至BTS完成)，提供基本的滤波、插值等功能，为后续的切换判决算法提供基本的输入，是切换判决算法和功率控制算法等的基础，在本申请中，利用MR位置数据来作为用户定位判定的基础数据之一。

MR位置数据具有精准度高的优点，但是，在城市远郊的乡镇、农村以及丘陵山区等基站数量不足的场景中，如果直接使用MR位置数据来实现定位，则会因MR数据非业务态数据量过低，无法支持对用户位置的高精确度定位需求，即使是融合XDR位置数据的情况下也受限于MR位置数据过少，精度难以提高。

因此，在本步骤中，通过预先创建的基站覆盖指纹库来获取经过优化的MR位置数据，所述基站覆盖指纹库基于预先创建的基站理论覆盖模型，提取基站覆盖区域内的历史MR位置数据并进行周期性的数据积累，使得高精度的MR位置数据量能满足需求。

步骤S20，基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；

具体地，XDR位置数据是基于真实用户之间交互所产生的记录,面向用户,可完整复原用户的上网过程，相比于MR位置数据，XDR位置数据虽然并没有那么高的精度，但是其时空覆盖率很高，能满足定位所需要的用户覆盖率的要求。

因此，本步骤将用户的XDR位置数据与经过指纹库优化的高精度MR位置数据进行融合，在满足用户时空覆盖率的基础上，进一步提高用户的位置精度。

步骤S30，根据所述融合结果，输出用户的最终位置数据。

具体地，在本步骤中，根据用户的MR位置与XDR位置数据的融合结果来输出最终位置数据，在基站较少的场景下，本步骤输出的最终位置数据比现有技术的准确度更高，而在基站数量可以满足要求的场景中，本步骤输出的最终位置数据在损失一部分精度的前提下大大提高了低话务区域的用户位置在时间、空间上的覆盖率和用户覆盖率。

本实施通过上述方案，具体通过基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；根据所述融合结果，输出用户的最终位置数据。基于本实施例，从基站数量不足的场景出发，通过基站覆盖指纹库对基站覆盖区域内的历史MR数据进行周期性的积累，在保证用户时空覆盖率的情况下，进一步提高了用户的位置精度，从而解决了现有定位技术在基站数量不足的场景中定位效果差的问题。

进一步地，参照图3，图3为本申请无线网络异常检测方法第二示例性实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，所述基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据的步骤S10之前还包括：

步骤S00，通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型。本实施例以步骤S00在步骤S10之前实施。

相比于上述图2所示的实施例，本实施例还包括通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型的方案。

具体地，参照图4，图4为本实施例的细化流程示意图，所述通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型的步骤S00包括：

步骤A10，获取基站的工参信息，所述基站用于构建所述基站理论覆盖模型；

具体地，基站泛指在一定的无线网络覆盖区域中，通过移动通信交换中心，与用户终端之间进行信息传递的无线电收发信电台，用来保证用户终端在移动过程中可以随时随地保持信号连接，实现通话以及收发信息等需求，并且可以收集用户端的MR数据。本发明实施例的应用场景偏向于远离城市的乡村、远郊等人群密度小的区域，因此本发明实施例基站可以是工作于基站数量不足的场景中。在实际的采样中，可以通过人工测量、设备测量以及查阅基站文档等方式来获取基站的工参信息，所述基站的工参信息包括基站的经纬度、站高(相对高度)、天线的实际下倾角(剔除天线内置倾角)、天线的类型等。本步骤所获取的工参信息可以进一步通过基站的仿真传播模型来计算基站的理论覆盖区域，从而进行后续步骤的处理。

步骤A20，根据所述基站的工参信息，参照所述NetPlan仿真模型，构建所述基站的主模型；

具体地，NetPlan仿真模型是一种关于无线网络配置和计算的仿真模型，常被相关人员用来确定基站的理论覆盖范围。本实施例参照NetPlan仿真模型来构建所述基站理论覆盖模型的主模型，首先获取基站的工参信息，并通过工参信息计算出基站的最近最远覆盖距离，进而确定主模型的参数，后续步骤可以通过所述主模型计算出所述基站在各个方向的理论接收电平值，并根据此理论接收电平值来确定基站的理论覆盖边界。

更为具体地，参照图5，图5为基站覆盖模型的示意图，本实施例给出了一个通过基站工参信息，计算基站最近最远覆盖距离的例子：

假设基站的最近覆盖距离是Dmin，最远覆盖距离是Dmax，基站的有效高度是Hb，基站天线离地面的高度为hs，基站地面的海拔高度为hg，移动台天线离地面的高度为hm，移动台所在位置的地面海拔高度为hmg，基站的物理下倾角是Downtilt(DL)，基站天线的波瓣宽度是Beamwidth(BW)，基站工作频率是f：

首先，根据地理环境和海拔确认基站高度和手机的高度，一般情况下基站天线有效高度hb＝hs+hg-hmg，手机的高度默认是1.5米；

然后，根据上述基站天线的有效高度，结合基站参数信息，判断基站覆盖的最近最远距离：

Dmin＝Hb/TAN((Beamwidth/2+Downtilt)*PI()/180)

Dmax则根据Downtilt与Beamwidth的关系进行如下判断：

若Downtilt>Beamwidth/2；

则Dmax＝Hb/TAN((Downtilt-Beamwidth/2)*PI()/180)

否则，Dmax为无穷远。

步骤A30，基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型。

具体地，参照图6，图6为本实施例的又一细化流程示意图，所述基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型的步骤A30包括：

步骤A301，获取所述基站所处地理环境的地图信息；

在实际的应用场景中，无线信号的传输受区域地理环境的影响很大，一帮情况下，无线信号在传输过程中所要穿过的障碍物(包括自然环境中的障碍物如山体、水域等，以及人类社会中的各种建筑物等)越多，信号衰减的程度就越高，直至无法使用。因此，通过NetPlan仿真模型得到的覆盖边界只是理想情况下基站的有效覆盖边界，与真实的基站有效覆盖边界的区别很大，需要根据具体的地图信息对所述结果进行修正。

具体地，在本步骤中，可以通过实地勘探、卫星导航系统以及无人机巡查等方式来获取基站所处地理环境的地图信息。所述基站所处地理环境的地图信息包括：人工建筑物信息，如楼宇信息、园区信息等；自然地形，只关注对无线传播有较大影响的特征，如山体、河流、湖泊等。

步骤A302，根据所述基站所处地理环境的地图信息，对所述基站所处地理环境进行场景分类，确定适用场景；

具体地，参照图7，图7为本实施例又一细化流程示意图，所述根据所述基站所处地理环境的地图信息，对所述基站所处地理环境进行场景分类，确定适用场景的步骤A302包括：

步骤A3021，根据所述地图信息，计算基站密度、栅格建筑物数量以及区域海拔起伏高度；

具体地，在本步骤中，通过所述地图信息，计算：

基站之间的平均距离，作为基站密度；

固定大小的栅格内的平均建筑物数量；

海拔起伏的高度差；

通过计算这些参数，以便在后续步骤中确定基站所处环境的特征，从而选择合适的矫正因子。

步骤A3022，基于所述基站密度、栅格建筑物数量以及区域海拔起伏高度，确定所述基站的适用场景。

具体地，在本步骤中，根据上述步骤S3201中计算得到的基站密度、栅格建筑物数量以及区域海拔起伏高度，确定所述基站的适用场景，本实施例给出了一个根据基站密度、栅格建筑物数量以及区域海拔起伏高度来确定适用场景的例子：

假设区域内平均基站距离>＝1.5公里；

且基站天线的有效高度hb<＝70米；

且区域内250米内的栅格平均建筑物数量<＝5；

且区域内地形起伏的高度差△h<＝200米；

那么，根据日常生活中的经验来判断，我们可以认为上述定义的区域为平原场景，此外，对于其他特征相同，但起伏高度差200<＝△h<＝500，且区域内的丘陵数量小于等于三的区域，我们也可以认为其属于平原场景。根据此场景模型，在后续步骤中就可以进一步选择Okumura-Hata模型中的矫正因子。

步骤A303，根据所述适用场景，选择所述Okumura-Hata模型中的矫正因子；

其中，所述Okumura-Hata模型是一种常用的无线传播模型，该无线传播模型是在Okumura大量测试数据的基础上用公式拟合得到的，为了简化使用，Okumura-Hata模型做了三点假设：将传播过程的损耗作为两个全向天线之间的传播损耗处理；将不规则地形作为准平滑地形处理；以城市市区的传播损耗作为标准，其他地区采用矫正公式进行矫正。在本实施例中，为了达到尽可能好的效果，在参照NetPlan仿真模型构建了所述基站的主模型后，使用Okumura-Hata中的矫正因子对主模型进行矫正。

具体地，考虑到本发明是为了解决现有技术在基站数量不足的场景中定位效果差的问题，而对于大多数基站数量不足的场景，可以选择Okumura-Hata模型中常用的农村或者城市偏远郊区的矫正因子，该矫正因子十分贴合基站数量不足的区域特征，可以作为本实施例中基站理论覆盖模型的主矫正因子，主矫正因子的形式如下：

其中，Ru为农村矫正因子，f代表基站的工作频率(单位：MHZ)，将该农村矫正因子作为主矫正因子，结合上述步骤中得到的适用场景的地貌特征，选择Okumura-Hata模型中的地貌特征矫正因子(如丘陵矫正因子、山区矫正因子等)，通过主矫正因子与地貌特征矫正因子的结合，可以得到更加准确的模型。

步骤A304，将所述矫正因子结合到所述基站的主模型中，得到所述基站的理论覆盖模型。

具体地，通过上述步骤S303所得到的矫正因子对主模型进行矫正，主要通过矫正上述步骤中通过NetPlan简化版计算出的各个方向的理论接收电平值，得出每个角度尽可能接近实际的预测接收电平值，进而得到所述基站的理论覆盖模型，根据模型的接收灵敏度，可以绘制出基站的有效覆盖边界。

本实施例通过上述方案，具体地，通过获取所述基站的工参信息；根据所述基站的工参信息，参照所述NetPlan仿真模型，构建所述基站的主模型；基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型。本实施例所创建的基站的理论覆盖模型，能根据基站的工参信息以及基站所处地理环境的地图信息，得到基站的有效覆盖边界，后续步骤可以基于基站的有效覆盖边界，创建基站的覆盖指纹库，实现对区域历史MR位置数据的积累，使得MR高精度位置数据的可用性更高，进而解决现有技术在基站数量不足的场景中定位效果差的问题。

进一步地，参照图8，图8为本申请定位方法第三实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，所述基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据的步骤S10之前还包括：

步骤S01，基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库。本实施例以步骤S01在步骤S10之前实施。

相比于上述图2所示的实施例，本实施例还包括基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库的方案。

具体地，参考图9，图9为本申请定位方法第三实施例的细化流程示意图，所述基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库的步骤S01包括：

步骤S010，基于所述基站理论覆盖模型，得到所述基站的有效覆盖边界；

具体地，在本步骤中，所述基站的有效覆盖边界通过上述实施例中创建的基站理论覆盖模型得出，所述基站理论覆盖模型首先通过NetPlan主仿真模型预测出所述基站的理论覆盖区域，之后通过Okumura-Hata模型的矫正因子对基站主模型的预测结果进行矫正，从而得到所述基站的有效覆盖边界。

步骤S011，基于所述基站的有效覆盖边界，提取所述基站有效覆盖边界内的用户历史MR数据；

具体地，在农村、郊区等基站数量不足的场景中，由于MRO数据采样比较少，很难满足用户时空覆盖率的要求，若直接将MR位置数据与XDR位置数据进行融合，即使能满足用户时空覆盖率的要求，但仍然受限于MR数据过少，导致精度难以达到预期的标准。

因此，在本步骤中，需提取所述基站有效覆盖边界内的用户历史MR数据，以在后续步骤中进行历史数据的积累，数据提取的方式不唯一，可以通过基站采集，也可以通过收集用户终端设备所发送的历史测量报告等等。在本实施例中，提取了所述基站有效覆盖边界内历史三个月7*24小时的区域基站MDT/UE-MR/TA数据，并在后续步骤中对这些数据进行拟合运算，从而达到区域数据积累的目的。

步骤S012，根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图；

其中，数据拟合又称曲线拟合，俗称拉曲线，是一种把现有数据透过数学方法来代入一条数式的表示方式。科学和工程问题可以通过诸如采样、实验等方法获得若干离散的数据，根据这些数据，我们往往希望得到一个连续的函数(也就是曲线)或者更加密集的离散方程与已知数据相吻合，这过程就叫作拟合(fitting)。

在本实施例中，通过步骤S011已经提取了区域内用户的历史MR位置数据，但是这些数据是离散的，只能标注出用户在某个时间点的位置信息，不适合用于创建基站的覆盖指纹库。因此，在本步骤中，通过对用户的历史MR位置数据进行数据拟合运算，从而得到所述基站不同时段的覆盖区域衰减边界图。

具体地，参照图10，图10为本实施例的细化流程示意图，所述根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图的步骤包括：

步骤S0121，根据所述时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行时间段划分，得到用户在每个时间段的位置区域特征；

具体地，在本步骤中，参照所述基站所处环境的驻地模型(标注本地居住/工作人员)和驻留特征，对用户历史MR位置数据进行时间段划分，驻地模型和驻留特征可以表现出一定区域内用户位置的时间相关性，例如，假设某地的驻地模型以外来工作人员为主，根据外来工作人员的驻留特征进行分析，可以将一天划分为四个时间段：

23:00-次日6:00，在此时间段内，区域内的用户大都在家中休息，因此，认为这段时间内用户位置信息基本不变；

6:00-8:59&16:30-17:59，通过上述分析，该区域以工作人员为主，在此时间段内，工作人员都在通勤途中，因此，也可认为这段时间内用户位置信息基本不变；

10:00-11:59&14:00-16:29，该区域以工作人员为主，正常情况下，此时间段内，区域用户多数都在固定场所工作，因此，认为此时间段内用户的位置不变；

18:00-22:59，认为此时间段为工作人员下班后还未休息的时间，用户可能在家中，也可能在其他固定场所进行休闲娱乐活动，因此，也可认为此时间段内的用户位置基本不变。

通过上述四个时间段，可以将所述用户在若干个时间点的离散的位置信息，拟合为在每个时间段内的位置区域特征，从而将离散时间点的位置信息整理为时间段内的位置区域特征，以便后续步骤进行分析。

步骤S0122，综合所述用户在每个时间段的位置区域特征，得到所述基站不同时段的覆盖区域衰减边界图。

具体地，通过上述步骤S0031，可以得到区域内每个用户在每个时间段的位置区域特征，将所有用户在每个时间段的位置区域特征整理到一起，可以得到所述基站不同时段的覆盖区域衰减边界图。在上述实施例中所创建的基站理论覆盖模型，能够根据基站的工参信息和基站所处地理环境的地图信息，计算出基站的有效覆盖边界，但是在现实的应用场景中，由于用户的分布具有聚集性，存在基站可以覆盖但基本没有用户活动的区域，因此，本步骤对基于MR位置数据的用户在每个时间段的位置区域特征进行分析，进一步缩小、确定了基站的覆盖区域，间接提高了位置数据的精度。

步骤S013，将所述覆盖区域衰减边界图叠加到所述基站的有效覆盖边界，得到用户时间维度位置分布图；

具体地，参照图11，图11为本发明关于用户时间维度位置分布图的示意图，将所述覆盖区域衰减边界图叠加到所述基站的有效覆盖边界后，可以得到用户时间维度位置分布图，如图所示，最外围的扇区边界是NetPlan仿真模型根据基站的工参信息计算出的基站理论覆盖区域，较大的圆形区域为根据所述Okumura-Hata模型中的矫正因子矫正后的覆盖区域，最内层的区域为叠加了所述区域衰减边界图得到的用户时间维度位置分布图，根据所述用户时间维度位置分布图，可以得到用户实际的时间维度位置情况。

步骤S014，根据所述用户时间维度位置分布图，创建所述基站覆盖指纹库。

具体地，根据所述用户时间维度位置分布图，可以得到用户经过优化的MR位置数据，将其整理成易于分析和处理的形式，即可得到所述基站覆盖指纹库。所述基站覆盖指纹库之中存储有每个用户的MR位置数据，所述MR位置数据经过指纹库的优化，相比于实时且易获取的MR位置数据，经过基站覆盖指纹库的优化，大大提升基站级别的位置精度，有效提高了位置数据的时空覆盖率和连续性，增加了MR位置数据的可用性。

本实施例通过上述方案，具体包括：基于所述基站理论覆盖模型，得到所述基站的有效覆盖边界；基于所述基站的有效覆盖边界，提取所述基站有效覆盖边界内的用户历史MR数据；根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图；将所述覆盖区域衰减边界图叠加到所述基站的有效覆盖边界，得到用户时间维度位置分布图；根据所述用户时间维度位置分布图，创建所述基站覆盖指纹库。基于本实施例，构建了基站的覆盖指纹库，利用历史MR位置数据矫正了基站的有效覆盖范围，从而提升基站级别的位置精度，对用户MR位置数据有较高的提升价值。

此外，本申请实施例还提出一种定位装置，所述定位装置包括：

数据获取模块，用于基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是根据预先创建的基站理论覆盖模型，提取所述基站有效覆盖边界内的用户历史MR位置数据创建得到；

数据融合模块，用于基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；

输出模块，用于根据所述融合结果，输出用户的最终位置数据。

本实施例实现定位的原理及实施过程，请参照上述各实施例，在此不再赘述。

此外，本申请实施例还提出一种终端设备，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定位程序，所述定位程序被所述处理器执行时实现如上所述的定位方法的步骤。

由于本定位程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。

此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有定位程序，所述定位程序被处理器执行时实现如上所述的定位方法的步骤。

由于本定位程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案带来的所有有益效果，在此不再一一赘述。

相比现有技术，本申请实施例提出的定位方法、装置、终端设备以及存储介质，包括：基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；根据所述融合结果，输出用户的最终位置数据。基于本申请方案，通过预先创建的基站覆盖指纹库对用户MR位置数据进行优化，从而提高了基站级别的位置精度，通过融合XDR位置数据，在满足用户时空覆盖率的基础上，进一步提高了用户的位置精度，解决了现有技术在基站较少的场景中定位差的问题。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本申请每个实施例的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种定位方法，其特征在于，所述定位方法包括：

基于预先创建的基站覆盖指纹库，获取优化的用户测量报告MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；

基于所述优化的用户MR位置数据，融合用户的当前外部数据表示法XDR位置数据，得到融合结果；

根据所述融合结果，输出用户的最终位置数据。

2.根据权利要求1所述的定位方法，其特征在于，所述基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据的步骤之前还包括：

通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型；

基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库。

3.根据权利要求2所述的定位方法，其特征在于，所述通过NetPlan仿真模型，与Okumura-Hata模型中的矫正因子相结合，构建所述基站理论覆盖模型的步骤包括：

获取基站的工参信息，所述基站用于构建所述基站理论覆盖模型；

根据所述基站的工参信息，参照所述NetPlan仿真模型，构建所述基站的主模型；

基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型。

4.根据权利要求3所述的定位方法，其特征在于，所述基于所述基站的主模型，结合所述Okumura-Hata模型中的矫正因子，得到所述基站理论覆盖模型的步骤包括：

获取所述基站所处地理环境的地图信息；

根据所述地图信息，对所述基站所处地理环境进行场景分类，确定适用场景；

根据所述适用场景，选择所述Okumura-Hata模型中的矫正因子；

将所述Okumura-Hata模型中的矫正因子结合到所述基站的主模型中，得到所述基站的理论覆盖模型。

5.根据权利要求4所述的定位方法，其特征在于，所述根据所述地图信息，对所述基站所处地理环境进行场景分类，确定适用场景的步骤包括：

根据所述地图信息，计算基站密度、栅格建筑物数量以及区域海拔起伏高度；

基于所述基站密度、栅格建筑物数量以及区域海拔起伏高度，确定所述基站的区域的场景特征；

根据所述场景特征，确定所述适用场景。

6.根据权利要求2所述的定位方法，其特征在于，所述基于所述基站理论覆盖模型，获取用户时间维度位置分布图，创建所述基站覆盖指纹库的步骤包括：

基于所述基站理论覆盖模型，得到所述基站的有效覆盖边界；

基于所述基站的有效覆盖边界，提取所述基站有效覆盖边界内的用户历史MR位置数据；

根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图；

将所述覆盖区域衰减边界图叠加到所述基站的有效覆盖边界，得到所述用户时间维度位置分布图；

根据所述用户时间维度位置分布图，创建所述基站覆盖指纹库。

7.根据权利要求6所述的定位方法，其特征在于，所述根据时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行数据拟合运算，得到所述基站不同时段的覆盖区域衰减边界图的步骤包括：

根据所述时间和特征组，对所述基站有效覆盖边界内的用户历史MR位置数据进行时间段划分，得到用户在每个时间段的位置区域特征；

综合所述用户在每个时间段的位置区域特征，得到所述基站不同时段的覆盖区域衰减边界图。

8.一种定位装置，其特征在于，所述定位装置包括：

数据获取模块，用于基于预先创建的基站覆盖指纹库，获取优化的用户MR位置数据，其中，所述基站覆盖指纹库是基于预先创建的基站理论覆盖模型，获取用户时间维度位置分布图创建得到；

数据融合模块，用于基于所述优化的用户MR位置数据，融合用户的当前XDR位置数据，得到融合结果；

输出模块，用于根据所述融合结果，输出用户的最终位置数据。

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定位程序，所述定位程序被所述处理器执行时实现如权利要求1-7中任一项所述的定位方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有定位程序，所述用户定位程序被处理器执行时实现如权利要求1-7中任一项所述的定位方法的步骤。