定位方法、装置和计算机可读存储介质与流程

1.本公开涉及通信技术领域，特别涉及一种定位方法、装置和计算机可读存储介质。


背景技术：

2.随着人工智能的发展，终端设备的应用越来越广泛，随之而来的，对于终端设备进行定位的需求和要求也越来越高。现有的全球定位系统gps(global positioning system)对于终端设备位于室外时的定位准确性可以基本满足要求。但是，对于终端设备位于建筑物附近或内部，或者位于隧道环境下的定位误差较大，甚至无法实现定位。
3.在一些相关技术中，采用指纹定位算法来对终端设备进行定位，仅根据终端设备上报的单个测量报告mr(measurement report)数据对终端设备进行定位。


技术实现要素：

4.发明人发现，在相关技术中，采用终端设备上报的单个mr数据对终端设备进行定位，当终端设备位于室内等场合时，mr数据中不含辅助全球卫星定位系统agps(assisted global positioning system)数据时，导致无法对终端设备进行准确定位。
5.为此，本公开提供一种能够提高定位准确性的定位方法。
6.在本公开的实施例中，利用mr时序数据对循环神经网络模型进行训练，得到定位模型。一条mr时序数据中包括多个mr数据，考虑了相邻时间的多个mr数据在位置上的相关性，从而使得定位模型利用mr时序数据对终端设备进行定位，可以提高定位的准确性。
7.根据本公开的一些实施例，提供一种定位方法，包括：
8.获取第一终端设备的多条测量报告mr时序数据以及所述mr时序数据对应的位置标签序列，每条mr时序数据包括多个mr数据，所述多条mr时序数据中的至少一条包括辅助全球卫星定位系统agps数据、信号强度和时延；
9.将所述多条mr时序数据作为训练数据集，输入到循环神经网络模型中；
10.根据所述循环神经网络模型输出的每条mr时序数据的位置预测值序列和对应的位置标签序列确定的损失函数，调整所述循环神经网络模型的参数，直到满足训练完成的终止条件，将训练完成的所述循环神经网络模型作为定位模型。
11.在一些实施例中，获取mr时序数据以及所述mr时序数据对应的位置标签序列包括：根据同一第一终端设备的连续时间内的多个mr数据，获取一条mr时序数据；对于所述mr时序数据中每个含有agps数据的mr数据，根据所述agps数据，确定相应的mr数据的位置标签；对于所述mr时序数据中每个不含agps数据的mr数据，根据栅格地图中的、与其相似度最高的含有agps数据的mr数据的位置标签，确定相应的mr数据的位置标签；按照所述mr时序数据的时间顺序，将mr时序数据中的每个mr数据对应的位置标签构成的序列，确定为所述mr时序数据对应的位置标签序列。
12.在一些实施例中，根据两个mr数据的信号强度和时延之间的距离，来确定两个mr数据之间的相似度。
13.在一些实施例中，对于所述mr时序数据中每个不含agps数据的mr数据，根据栅格地图中的、与其相似度最高的含有agps数据的mr数据的位置标签，确定相应的mr数据的位置标签包括：将不含agps数据的mr数据作为第一mr数据，将与所述第一mr数据相似度最高的含有agps数据的mr数据的位置标签，确定为所述第一mr数据的位置标签；在所述mr时序数据中，找出与所述第一mr数据在时间上相近的mr数据，作为第二mr数据；计算所述第一mr数据的位置标签与所述第二mr数据的位置标签之间的方差；在所述方差不满足预设条件的情况下，对确定的所述第一mr数据的位置标签进行调整；重复执行计算和调整的步骤，直到所述方差满足预设条件；将满足预设条件的方差对应的第一mr数据的位置标签，确定为所述不含agps数据的mr数据的位置标签。
14.在一些实施例中，所述获取mr时序数据以及所述mr时序数据对应的位置标签序列包括：获取栅格地图，所述栅格地图中的每个栅格包括栅格指纹特征和栅格位置标签，其中，所述栅格指纹特征包括多个主服务小区的信号强度和时延，以及相邻小区的信号强度；根据设置的预设步长，在所述栅格地图中步进预设步数的栅格；根据步进经过的栅格所对应的栅格指纹特征中的主服务小区的信号强度和时延，生成一条mr时序数据；以及根据步进经过的栅格所对应的栅格位置标签，确定所述mr时序数据对应的位置标签序列。
15.在一些实施例中，根据信号发射源的位置以及信号发射源和栅格之间的路径损耗，利用无线传播模型确定所述栅格的栅格指纹特征。
16.在一些实施例中，根据获取的第二终端设备的mr时序数据，利用所述定位模型对所述第二终端设备进行定位。
17.根据本公开的另一些实施例，提供一种定位装置，包括：
18.获取模块，被配置为获取第一终端设备的多条测量报告mr时序数据以及所述mr时序数据对应的位置标签序列，每条mr时序数据包括多个mr数据，所述多条mr时序数据中的至少一条包括辅助全球卫星定位系统agps数据、信号强度和时延；
19.输入模块，被配置为将所述多条mr时序数据作为训练数据集，输入到循环神经网络模型中；
20.训练模块，被配置为根据所述循环神经网络模型输出的每条mr时序数据的位置预测值序列和对应的位置标签序列确定的损失函数，调整所述循环神经网络模型的参数，直到满足训练完成的终止条件，将训练完成的所述循环神经网络模型作为定位模型。
21.根据本公开的又一些实施例，提供一种定位装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一实施例所述的定位方法。
22.根据本公开的再一些实施例，提供一种非瞬时性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任一实施例所述的定位方法。
附图说明
23.下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
24.显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1示出根据本公开的一些实施例的定位方法的流程示意图。
26.图2示出根据本公开的一些实施例的获取mr时序数据以及mr时序数据对应的位置标签序列的流程示意图。
27.图3示出根据本公开的一些实施例的确定位置标签的方法的流程示意图。
28.图4示出根据本公开的另一些实施例的获取mr时序数据以及mr时序数据对应的位置标签序列的流程示意图。
29.图5示出根据本公开的另一些实施例的定位方法的流程示意图。
30.图6示出根据本公开的一些实施例的定位装置的示意图。
31.图7示出根据本公开的另一些实施例的定位装置的示意图。
具体实施方式
32.下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
33.本公开的“第一”、“第二”等描述，如果没有特别指出，是用来表示不同的对象，并不用来表示大小或时序等含义。
34.图1示出根据本公开的一些实施例的定位方法的流程示意图。该方法例如可以由定位装置执行。
35.如图1所示，该实施例的方法包括步骤110-130。
36.在步骤110，获取第一终端设备的多条测量报告mr时序数据以及每条mr时序数据对应的位置标签序列。
37.其中，每条mr时序数据包括多个mr数据。时序数据是指时间序列数据，时间序列数据是统一指标下按时间顺序记录的数据列。一条mr时序数据中的多个mr数据对应的时间戳是连续的，例如，一条mr时序数据包含10个mr数据，按照时间顺序，在时间点10：00，10：01，10：02，
……
，和10：09上分别提取一个mr数据，构成一条mr时序数据。
38.获取的多条mr时序数据中，至少有一条mr时序数据中包括辅助全球卫星定位系统agps数据、信号强度和时延，其他的mr时序数据中例如可以仅包括信号强度和时延。
39.信号强度例如可以是参考信号接收功率rsrp(reference signal receiving power)或者接收信号强度指示rssi(received signal strength indicator)。rsrp是长期演进lte(long term evolution)网络中可以代表无线信号强度的关键参数以及物理层测量需求之一，是在某个符号内承载参考信号的所有资源粒子re(resource element)上接收到的信号功率的平均值。rssi是指在某个符号内接收到的所有信号(例如包括导频信号和数据信号，邻区干扰信号，噪音信号等)功率的平均值。
40.在具有第一终端设备上报的真实的测量报告mr的情况下，步骤110例如可以通过图2所示的获取mr时序数据以及mr时序数据对应的位置标签序列的方法中的步骤111-114实现。
41.在不具有第一终端设备上报的真实的测量报告mr的情况下，步骤110例如可以通过图4所示的获取mr时序数据以及mr时序数据对应的位置标签序列的方法中的步骤111
’-
114’实现。
42.后面将结合图2、图4进行详细描述。
43.在步骤120，将多条mr时序数据作为训练数据集，输入到循环神经网络模型中。
44.循环神经网络模型例如可以是长短期记忆lstm(long short-term memory)网络、门控循环单元gru(gated recurrent unit)网络或者双向循环神经网络rnn(recurrent neural network)中的任意一种。
45.在步骤130，根据循环神经网络模型输出的每条mr时序数据的位置预测值序列和对应的位置标签序列确定的损失函数，调整循环神经网络模型的参数，直到满足训练完成的终止条件，将训练完成的循环神经网络模型作为定位模型。
46.在一些实施例中，根据循环神经网络模型输出的每条mr时序数据的位置预测值序列(例如标记为pi，1≤i≤n)和对应的位置标签序列(例如标记为li，1≤i≤n)确定的损失函数loss例如可以表示为:
[0047][0048]
其中，n为训练数据集中的mr时序数据的条数。
[0049]
根据上述损失函数的值，例如可以通过梯度下降法计算模型优化的方向，从而调整循环神经网络模型的参数，利用调整后的循环神经网络模型迭代训练，直到满足训练完成的终止条件。其中，终止条件例如可以是迭代次数达到预设次数，或者损失函数的值达到预设阈值。
[0050]
上述实施例中，通过对循环神经网络模型进行训练，得到定位模型。用于训练的数据为mr时序数据，一条mr时序数据中包括多个mr数据，考虑了相邻时间的多个mr数据在位置上的相关性，从而使得定位模型利用mr时序数据对终端设备进行定位，可以提高定位的准确性。
[0051]
在具有第一终端设备上报的真实的测量报告mr的情况下，图2中的实施例示出了根据连续时间上报的多个测量报告mr，生成一条或多条mr时序数据，并填充这些mr时序数据中每个mr数据的位置标签的方法。接下来，利用图2的实施例详细说明该实现方法。
[0052]
图2示出根据本公开的一些实施例的获取mr时序数据以及mr时序数据对应的位置标签序列的流程示意图。
[0053]
如图2所示，该实施例的方法包括步骤111-114。
[0054]
在步骤111，根据同一第一终端设备的连续时间内的多个mr数据，获取一条mr时序数据。
[0055]
例如，将时间点10：00，10：01，10：02，
……
，和10：09上分别对应的10个mr数据，作为一条mr时序数据。
[0056]
在步骤112，对于mr时序数据中每个含有agps数据的mr数据，根据agps数据，确定相应的mr数据的位置标签。
[0057]
针对第一终端设备对应的mr时序数据中的每个mr数据，如果某个mr数据中含有agps数据，则可以利用agps的位置服务器获取第一终端设备上报的第一终端设备到卫星的伪距信息(例如包括gps误差影响的距离等信息)，然后agps的位置服务器根据agps数据信息(例如可以包括gps的星历和方位的俯仰角等信息)以及第一终端设备上报的第一终端设备到卫星的伪距信息，计算得到该第一终端设备的位置。由此，确定出第一终端设备对应的mr时序数据中的该mr数据的位置标签。位置标签例如可以包括第一终端设备的经度、维度、
高度等信息。由此可以确定出，mr时序数据中所有含有agps数据的mr数据的位置标签。
[0058]
在步骤113，对于mr时序数据中每个不含agps数据的mr数据，根据栅格地图中的、与其相似度最高的含有agps数据的mr数据的位置标签，确定相应的mr数据的位置标签。
[0059]
步骤113可以参照图3所示的方法实现。
[0060]
图3示出了根据本公开的一些实施例的确定位置标签的方法的流程示意图。如图3所示，该实施例确定位置标签的方法包括步骤1131-1136。
[0061]
在步骤1131，将不含agps数据的mr数据作为第一mr数据，将与第一mr数据相似度最高的含有agps数据的mr数据的位置标签，确定为第一mr数据的位置标签。
[0062]
将不含agps数据的mr数据作为第一mr数据，在栅格地图中找出与第一mr数据相似度最高的、并且含有agps数据的mr数据，将找出的mr数据对应的位置标签，确定为第一mr数据的位置标签。
[0063]
其中，相似度的确定方法例如可以是：根据两个mr数据的信号强度和时延之间的距离(例如可以是欧氏距离、曼哈顿距离、切比雪夫距离、汉明距离、信息熵等)，来确定两个mr数据之间的相似度。
[0064]
在步骤1132，在mr时序数据中，找出与第一mr数据在时间上相近的mr数据，作为第二mr数据。
[0065]
其中，在时间上相近的mr数据例如可以是相邻的小时或分钟等对应的mr数据，时间粒度越小，后续的定位准确性越高。
[0066]
在步骤1133，计算第一mr数据的位置标签与第二mr数据的位置标签之间的方差。
[0067]
在步骤1134，判断方差是否满足预设条件。
[0068]
方差满足预设条件，例如可以是“方差小于等于1”等条件。
[0069]
如果否，即，在方差不满足预设条件的情况下，执行步骤1135。
[0070]
如果是，即，在方差满足预设条件的情况下，执行步骤1136。
[0071]
在步骤1135，对确定的第一mr数据的位置标签进行调整，返回步骤1133，即，重复执行步骤1133-1134，直到方差满足预设条件，执行步骤1136。
[0072]
在步骤1136，将满足预设条件的方差对应的第一mr数据的位置标签，确定为不含agps数据的mr数据的位置标签。方差越小，则说明确定的位置标签越准确，因为相邻的时间上的mr数据在位置上也具有相关性。
[0073]
上述实施例中，根据栅格地图上的、相似度最高的mr数据的位置标签，确定不含位置标签的mr数据的位置标签，并对该位置标签进行调整，使其方差满足预设条件，可以保证确定的位置标签的准确性，为训练的定位模型的准确性奠定了基础。
[0074]
通过步骤112和步骤113，得到mr时序数据中的每个mr数据对应的位置标签。接着，执行步骤114。
[0075]
在步骤114，按照mr时序数据的时间顺序，将mr时序数据中的每个mr数据对应的位置标签构成的序列，确定为mr时序数据对应的位置标签序列。
[0076]
将上述步骤中确定的一条mr时序数据中的单个mr数据的单个位置标签，按照mr时序数据中的一个个mr数据的时间顺序，将每个mr数据对应的位置标签构成的序列，确定为该条mr时序数据对应的位置标签序列。
[0077]
上述实施例中，为每个mr数据添加位置标签的方法，避免了在缺少agps数据的情
况下，mr数据缺失位置标签的情况，从而避免了后续的定位结果依赖含有agps(即含有位置标签)的mr数据的结果发生，在缺少agps数据的情况下，对终端设备的定位误差较大。另外，为每个mr数据分别添加位置标签，生成多条带有位置标签序列的mr时序数据，可以丰富用于训练定位模型的训练样本，增加训练数据的数量，提高定位模型的泛化能力，从而提高定位的准确性。
[0078]
与图2中具有第一终端设备上报的真实的测量报告mr的情况不同，在不具有第一终端设备上报的真实的测量报告mr的情况下，图4中的实施例示出了在栅格地图中，模拟第一终端设备的移动轨迹，生成一条或多条mr时序数据，并根据栅格地图中的栅格对应的栅格指纹特征和栅格位置标签来确定mr时序数据以及对应的位置标签序列的方法。接下来，利用图4的实施例说明该实现方法。
[0079]
图4示出根据本公开的另一些实施例的获取mr时序数据以及mr时序数据对应的位置标签序列的流程示意图。
[0080]
如图4所示，该实施例的方法包括步骤111
’-
114’。
[0081]
在步骤111’，获取栅格地图，栅格地图中的每个栅格包括栅格指纹特征和栅格位置标签。栅格指纹特征包括多个主服务小区的信号强度和时延，以及相邻小区的信号强度。
[0082]
栅格指纹特征的确定方法例如可以是：根据信号发射源的位置以及信号发射源和栅格(例如可以是栅格所覆盖的所有小区，或者也可以是栅格所覆盖的主服务小区)之间的路径损耗，利用无线传播模型确定栅格的栅格指纹特征。其中，例如可以根据cost-231hata模型确定信号发射源和栅格之间的路径损耗。
[0083]
在步骤112’，根据设置的预设步长，在栅格地图中步进预设步数的栅格。
[0084]
预设步长例如设置为10，即后续生成的mr时序数据的长度为10，也就是一条mr时序数据中包括10个mr数据。预设步数例如设置为1，即，表示每次步进1个栅格。依此类推，可以根据需要设置预设步长和预设步数。
[0085]
在步骤113’，根据步进经过的栅格所对应的栅格指纹特征中的主服务小区的信号强度和时延，生成一条mr时序数据。
[0086]
例如，可以将一个主服务小区的信号强度和时延作为待生成的mr时序数据的信号强度和时延，或者，也可以将多个主服务小区的信号强度和时延的平均值作为待生成的mr时序数据的信号强度和时延。由此，生成一条mr时序数据。
[0087]
在步骤114’，根据步进经过的栅格所对应的栅格位置标签，确定mr时序数据对应的位置标签序列。
[0088]
例如，可以将步进经过的栅格所对应的栅格位置标签依次排列所构成的序列，作为mr时序数据对应的位置标签序列。
[0089]
上述步骤112
’-
114’可以分别重复多次，从而生成多条mr时序数据。
[0090]
上述实施例中，在没有第一终端设备的真实mr数据构成的序列时，可以根据预设的规则(例如预设步长和预设步数)自动生成多条新的mr时序数据(即带有位置标签序列的mr时序数据)，可以丰富用于训练定位模型的训练样本，增加训练数据的数量，提高定位模型的泛化能力，从而提高定位的准确性。
[0091]
图5示出根据本公开的另一些实施例的定位方法的流程示意图。该方法例如可以由定位装置执行。
[0092]
如图5所示，该实施例的方法包括步骤110-140。
[0093]
图5的实施例与图1的实施例的区别仅在于还包括步骤140。下面将仅描述图5与图1的不同之处，相同之处不再赘述。
[0094]
在步骤140，根据获取的第二终端设备的mr时序数据，利用定位模型对第二终端设备进行定位。
[0095]
在一些实施例中，获取第二终端设备的mr时序数据，将获取的第二终端设备的mr时序数据输入到定位模型，利用定位模型输出第二终端设备的位置序列，以实现对第二终端设备进行定位。待定位的第二终端设备的mr时序数据可以不含agps数据，也可以含有agps数据。
[0096]
上述实施例中，利用训练好的定位模型可以实现对终端设备的定位，在保证定位的准确性的同时，该方法简单快捷。
[0097]
图6示出根据本公开的一些实施例的定位装置的示意图。
[0098]
如图6所示，该实施例的定位装置600包括：获取模块610、输入模块620以及训练模块630。
[0099]
获取模块610被配置为获取第一终端设备的多条测量报告mr时序数据以及mr时序数据对应的位置标签序列，例如执行步骤110。每条mr时序数据包括多个mr数据，多条mr时序数据中的至少一条包括辅助全球卫星定位系统agps数据、信号强度和时延。
[0100]
输入模块620被配置为将多条mr时序数据作为训练数据集，输入到循环神经网络模型中，例如执行步骤120。
[0101]
训练模块630被配置为根据循环神经网络模型输出的每条mr时序数据的位置预测值序列和对应的位置标签序列确定的损失函数，调整循环神经网络模型的参数，直到满足训练完成的终止条件，将训练完成的循环神经网络模型作为定位模型，例如执行步骤130。
[0102]
在一些实施例中，定位装置600还包括定位模块640。
[0103]
定位模块640被配置为根据获取的第二终端设备的mr时序数据，利用定位模型对第二终端设备进行定位，例如执行步骤130。
[0104]
在一些实施例中，定位模块640被配置为获取第二终端设备的mr时序数据，将获取的第二终端设备的mr时序数据输入到定位模型，利用定位模型输出第二终端设备的位置序列，以实现对第二终端设备进行定位。待定位的第二终端设备的mr时序数据可以不含agps数据，也可以含有agps数据。
[0105]
上述实施例中的定位装置可以实现对终端设备的准备定位。
[0106]
图7示出根据本公开的另一些实施例的定位装置的示意图。
[0107]
如图7所示，该实施例的定位装置700包括：存储器710以及耦接至该存储器710的处理器720，处理器720被配置为基于存储在存储器710中的指令，执行本公开任意一些实施例中的定位方法。
[0108]
其中，存储器710例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(boot loader)以及其他程序等。
[0109]
定位装置700还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730，740，750以及存储器710和处理器720之间例如可以通过总线760连接。其中，输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各
种联网设备提供连接接口。存储接口750为sd卡、u盘等外置存储设备提供连接接口。
[0110]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的计算机非瞬时性可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0111]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0112]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0113]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0114]
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。