[发明专利]一种移动终端的定位方法及系统

摘要

本发明公开了一种移动终端定位方法及系统，属于涉及移动通信领域中的无线业务支撑领域。该方法通过结合支持向量机和K近邻算法各自的优点，通过离线路测采样和模型训练阶段，构建了两层SVM定位模型和KNN定位模型，在在线定位阶段，通过两层SVM定位模型和KNN定位模型的结合，大大提高了移动终端的定位精度，该方法在算法复杂度和定位精度之间得到了很好的折中和平衡，与传统定位方法相比，有效提高了定位精度，且大大降低了计算量，提高了定位速度。

主权项

一种移动终端定位方法，包括以下步骤：第一步，离线路测采样和模型训练阶段，具体包括：(1)离线路测采集阶段：通过路测终端采集路测信息，得到测量报告；所述测量报告中包括路测终端的位置坐标、测量报告中所涉及到的扇区的标识信息以及在每个扇区上测量到的接收电平；(2)模型训练阶段：将每个测量报告作为一条训练数据，构建训练数据库，并根据训练数据库生成在线定位模型，包括：(2‑1)将所述移动网络覆盖区域划分为边长为L的方形小区，根据路测终端的位置坐标，将训练数据分配到对应的方形小区中；(2‑2)将所述方形小区无重叠的划分为边长为L1的方形大栅格，并将方形大栅格编号，其中，L＝nL1，n≥2；确定出位于每个方形大栅格的训练数据，将方形大栅格的编号作为位于该方形大栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第一层SVM即支持向量机定位模型；(2‑3)将所述方形大栅格无重叠的划分为边长为L2的方形小栅格，并将方形小栅格编号，其中，L1＝mL2，m≥2；确定出位于每个方形小栅格的训练数据，将方形小栅格的编号作为位于该方形小栅格的训练数据的分类标识，采用支持向量机方法对带有分类标识的训练数据进行处理，得到第二层SVM定位模型；(2‑4)将所述方形小栅格无重叠的划分为边长为L3的方形微栅格，并将方形微栅格编号，其中，L2＝pL3，p≥1；确定出位于每个方形微栅格的训练数据，并将每个方形微栅格的训练数据进行合并，根据合并后的数据得到k近域即KNN算法定位模型，包括：(2‑4‑1)统计出位于每个方形微栅格中的所有训练数据所涉及到的不同扇区，并计算出每个方形微栅格所接收到的来自不同扇区的平均接收电平；(2‑4‑2)将位于每个方形微栅格中的所有训练数据中的路测终端的位置坐标进行加权平均，将计算结果作为每个方形微栅格的位置坐标；(2‑4‑3)将所述每个方形微栅格所接收到的来自不同扇区的平均接收电平和所述每个方形微栅格的位置坐标作为合并后的数据，存储为KNN算法指纹库，得到KNN算法定位模型；(2‑5)将所述第一层SVM定位模型、第二层SVM定位模型和KNN算法定位模型作为在线定位模型进行存储；第二步，在线定位阶段，具体包括：①获取待定位移动终端的测量报告，获取测量报告中所涉及到的各扇区的标识信息，以及在各扇区上测量到的接收电平；②根据待定位移动终端所在的服务小区经纬度将待定位移动终端初步定位在边长为L的方形小区中；③通过所述第一层SVM定位模型将待定位移动终端定位在所述边长为L的方形小区中的边长为L1的方形大栅格中；④通过所述第二层SVM定位模型将待定位移动终端定位在所述边长为L1的方形大栅格中的边长为L2的方形小栅格中；⑤通过所述KNN算法定位模型定位出待定位移动终端在所述边长为L2的方形小栅格中的位置。