一种终端定位方法、装置及电子设备与流程

1.本发明涉及通信技术领域，尤其涉及一种终端定位方法、装置及电子设备。


背景技术：

2.随着智能终端的普及，信息服务质量效率的提升，人们对于终端定位的需求日益增加。现有技术中，通过基于临近关系的定位技术确定终端的位置，基于临近关系的定位技术根据终端与一个或多个已知位置的基站的距离来定位终端的位置，定位的准确性较差。


技术实现要素：

3.本发明实施例提供一种终端定位方法、装置及电子设备，以解决现有终端定位的准确性较差的问题。
4.为解决上述技术问题，本发明是这样实现的：
5.第一方面，本发明实施例提供了一种终端定位方法，所述方法包括：
6.获取终端的时间数据及位置参考数据；
7.基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型，所述多个预先训练的神经网络模型与多个时间段一一对应，所述第一神经网络模型为所述时间数据所属的时间段对应的神经网络模型；
8.将所述位置参考数据输入所述第一神经网络模型；
9.基于所述第一神经网络模型的输出确定所述终端的位置。
10.可选的，所述基于所述第一神经网络模型的输出确定所述终端的位置，包括：
11.获取所述第一神经网格模型输出的目标网格区域标识；
12.依据多个网格区域标识与多个经纬度的对应关系，确定所述目标网格区域标识对应的目标经纬度，所述目标经纬度为所述多个经纬度中的一个；
13.基于所述目标经纬度确定所述终端的位置。
14.可选的，所述基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型之前，所述方法还包括：
15.依据地图数据确定多个网格区域，并确定每个所述网格区域的网格区域标识及对应的经纬度；
16.获取样本数据，所述样本数据包括多个采样点的时间数据、位置参考数据及网格区域标识，所述采样点的网格区域标识为所述采样点所属的网格区域的网格区域标识；
17.将所述多个采样点中每个采样点的位置参考数据输入所述每个采样点的时间数据对应的第二神经网络模型，以所述每个采样点的网格区域标识为目标输出对所述第二神经网络模型进行训练，
18.其中，训练得到的所述第二神经网络模型为所述多个预先训练的神经网络模型中的一个。
19.可选的，所述依据地图数据确定多个网格区域，包括：
20.依据地图数据对地理位置进行划分，得到多个第一网格；
21.确定所述多个第一网格中每个第一网格的地理特征；
22.依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，得到多个网格区域。
23.可选的，所述依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，包括：
24.将所述多个第一网格中相邻的且地理特征相同的至少两个第一网格合并为一个网格区域。
25.可选的，所述获取样本数据之前，所述方法还包括：
26.依据采样点的经纬度确定所述采样点的网格区域标识；
27.其中，若所述采样点的经纬度在所述多个网格区域中的一个网格区域内，则所述采样点的网格区域标识为该网格区域的网格区域标识；
28.若所述采样点的经纬度在两个网格区域共同的边界位置，则所述采样点的网格区域标识为该两个网格区域中采样点的数量最少的网格区域的网格区域标识；
29.若所述采样点的经纬度在至少两个网格区域的共同顶点位置，则所述采样点的网格区域标识为该至少两个网格区域中采样点的数量最少的网格区域的网格区域标识。
30.第二方面，本发明实施例提供了一种终端定位装置，所述装置包括：
31.第一获取模块，用于获取终端的时间数据及位置参考数据；
32.第一确定模块，用于基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型，所述多个预先训练的神经网络模型与多个时间段一一对应，所述第一神经网络模型为所述时间数据所属的时间段对应的神经网络模型；
33.第一输入模块，用于将所述位置参考数据输入所述第一神经网络模型；
34.第二确定模块，用于基于所述第一神经网络模型的输出确定所述终端的位置。
35.可选的，所述第二确定模块具体用于：
36.获取所述第一神经网格模型输出的目标网格区域标识；
37.依据多个网格区域标识与多个经纬度的对应关系，确定所述目标网格区域标识对应的目标经纬度，所述目标经纬度为所述多个经纬度中的一个；
38.基于所述目标经纬度确定所述终端的位置。
39.可选的，所述装置还包括：
40.第三确定模块，用于依据地图数据确定多个网格区域，并确定每个所述网格区域的网格区域标识及对应的经纬度；
41.第二获取模块，用于获取样本数据，所述样本数据包括多个采样点的时间数据、位置参考数据及网格区域标识，所述采样点的网格区域标识为所述采样点所属的网格区域的网格区域标识；
42.第二输入模块，用于将所述多个采样点中每个采样点的位置参考数据输入所述每个采样点的时间数据对应的第二神经网络模型，以所述每个采样点的网格区域标识为目标输出对所述第二神经网络模型进行训练，
43.其中，训练得到的所述第二神经网络模型为所述多个预先训练的神经网络模型中的一个。
44.可选的，所述第三确定模块包括：
45.划分单元，用于依据地图数据对地理位置进行划分，得到多个第一网格；
46.确定单元，用于确定所述多个第一网格中每个第一网格的地理特征；
47.合并单元，用于依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，得到多个网格区域。
48.可选的，所述合并单元具体用于：
49.将所述多个第一网格中相邻的且地理特征相同的至少两个第一网格合并为一个网格区域。
50.可选的，所述第二获取模块具体还用于：
51.依据采样点的经纬度确定所述采样点的网格区域标识；
52.其中，若所述采样点的经纬度在所述多个网格区域中的一个网格区域内，则所述采样点的网格区域标识为该网格区域的网格区域标识；
53.若所述采样点的经纬度在两个网格区域共同的边界位置，则所述采样点的网格区域标识为该两个网格区域中采样点的数量最少的网格区域的网格区域标识；
54.若所述采样点的经纬度在至少两个网格区域的共同顶点位置，则所述采样点的网格区域标识为该至少两个网格区域中采样点的数量最少的网格区域的网格区域标识。
55.第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现第一方面所述的终端定位方法的步骤。
56.第四方面，本发明实施例提供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计算机程序，所述计算机程序被处理器执行时实现第一方面所述的终端定位方法的步骤。
57.本发明实施例中，获取终端的时间数据及位置参考数据；基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型，所述多个预先训练的神经网络模型与多个时间段一一对应，所述第一神经网络模型为所述时间数据所属的时间段对应的神经网络模型；将所述位置参考数据输入所述第一神经网络模型；基于所述第一神经网络模型的输出确定所述终端的位置。这样，基于所述时间数据从多个预先训练的神经网络模型确定第一神经网络模型，基于所述第一神经网络模型的输出确定所述终端的位置，能够提高定位的准确性。
附图说明
58.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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性的前提下，还可以根据这些附图获得其他的附图。
59.图1是本发明实施例提供的一种终端定位方法的流程图；
60.图2是本发明实施例提供的一种网格划分的示意图；
61.图3是本发明实施例提供的一种神经网络模型的结构示意图；
62.图4是本发明实施例提供的一种终端定位装置的结构示意图；
63.图5是本发明实施例提供的另一种终端定位装置的结构示意图；
64.图6是本发明实施例提供的另一种终端定位装置的结构示意图；
65.图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
66.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
67.本发明实施例提供一种终端定位方法、装置及电子设备，以解决现有终端定位的准确性较差的问题
68.参见图1，图1是本发明实施例提供的一种终端定位方法的流程图，如图1所示，所述方法包括以下步骤：
69.步骤101、获取终端的时间数据及位置参考数据。
70.其中，终端的时间数据及位置参考数据可以是终端采集并上报，或者还可以是通过采样工具采集并上报，本实施例对数据采集的方式不进行限定。时间数据可以用于表征当前的时刻，示例地，可以为时间戳。所述位置参考数据可以基于所述终端采集到的基站数据、蓝牙数据及无线保真数据确定。所述位置参考数据可以包括所述终端采集到的基站数据、蓝牙数据及无线保真wifi数据。示例的，终端采集到的基站数据可以用第一向量表征，终端采集到的蓝牙数据可以用第二向量表征，终端采集到的无线保真数据可以用第三向量表征，位置参考数据可以用第四向量表征，第四向量可以为第一向量、第二向量和第三向量拼接得到的向量。
71.一种实施方式中，终端采集到的基站数据可以包括至少一个基站的基站标识及基站信号强度，终端采集到的蓝牙数据可以包括至少一个蓝牙的蓝牙标识及蓝牙信号强度，终端采集到的wifi数据可以包括至少一个wifi的wifi标识及wifi信号强度。可以对至少一个基站的基站信号强度进行排序，位置参考数据可以包括排序在前的一个或多个基站的基站标识及基站信号强度；可以对至少一个蓝牙的蓝牙信号强度进行排序，位置参考数据可以包括排序在前的一个或多个蓝牙的蓝牙标识及蓝牙信号强度；可以对至少一个wifi的wifi信号强度进行排序，位置参考数据可以包括排序在前的一个或多个wifi的wifi标识及wifi信号强度。基站标识可以为基站号，蓝牙标识可以为蓝牙名称，wifi标识可以为mac地址。
72.一种实施方式中，终端定位方法应用于服务器，服务器接收到终端发送的用户数据，用户数据可以用于判断用户的位置，用户数据包括时间戳、基站数据、蓝牙数据及无线保真数据，蓝牙数据及无线保真数据可以为空，基站数据至少包含一个基站的基站标识及基站信号强度。
73.示例地，针对用户数据中的基站数据，可以按照基站信号强度从大到小排序，选择前5个基站作为基站1到基站5，并记录表征该5个基站的基站号与基站信号强度的5条基站数据；同理，针对用户数据中的wifi数据，也选取wifi信号强度最强的5条数据作为wifi1到wifi5，记录表征该5个wifi的mac地址与wifi信号强度的5条wifi数据；同理，针对用户数据
中的蓝牙数据，也选取信号强度最强的蓝牙1到蓝牙5，记录表征该5个蓝牙的蓝牙标识与蓝牙信号强度的5条蓝牙数据。当基站、wifi、或蓝牙的数据不足5条时，空字段可以默认为0。位置参考数据可以包括5条基站数据、5条wifi数据及5条蓝牙数据。
74.步骤102、基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型，所述多个预先训练的神经网络模型与多个时间段一一对应，所述第一神经网络模型为所述时间数据所属的时间段对应的神经网络模型。
75.其中，多个预先训练的神经网络模型的结构可以相同，或者可以不同，本实施例对此不进行限定。多个预先训练的神经网络模型的数量可以为12个，或24个，或者48个，等等，本实施例对此不进行限定。示例地，可以训练24个神经网络模型，与一天的24小时中每个小时一一对应。神经网络模型可以为深度神经网络模型，神经网络模型可以包括输入层、隐藏层和输出层。
76.步骤103、将所述位置参考数据输入所述第一神经网络模型。
77.步骤104、基于所述第一神经网络模型的输出确定所述终端的位置。
78.其中，可以获取所述第一神经网格模型输出的目标网格区域标识，依据多个网格区域标识与多个经纬度的对应关系，确定所述目标网格区域标识对应的目标经纬度，所述目标经纬度为所述多个经纬度中的一个，基于所述目标经纬度确定所述终端的位置；或者，所述第一神经网络模型的输出可以为经纬度，直接将第一神经网络模型输出的经纬度作为所述终端的位置。
79.需要说明的是，因为不同时间段，同一个地点的采样数据可能会发生变化，例如，早晚高峰和夜间相比，wifi数据和蓝牙数据可能会有差异。本发明实施例通过使用分时段的方法训练多类别模型，共计融合了多组神经网络模型，相比全时段数据训练得到的神经网络模型，在单一时段内更加精准，在单一时段内，得到局部最优解，更好的描述不同时间段数据差异，可以更贴合实际场景，能够提高定位的准确率。
80.本发明实施例中，获取终端的时间数据及位置参考数据；基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型，所述多个预先训练的神经网络模型与多个时间段一一对应，所述第一神经网络模型为所述时间数据所属的时间段对应的神经网络模型；将所述位置参考数据输入所述第一神经网络模型；基于所述第一神经网络模型的输出确定所述终端的位置。这样，基于所述时间数据从多个预先训练的神经网络模型确定第一神经网络模型，基于所述第一神经网络模型的输出确定所述终端的位置，能够提高定位的准确性。
81.可选的，所述基于所述第一神经网络模型的输出确定所述终端的位置，包括：
82.获取所述第一神经网格模型输出的目标网格区域标识；
83.依据多个网格区域标识与多个经纬度的对应关系，确定所述目标网格区域标识对应的目标经纬度，所述目标经纬度为所述多个经纬度中的一个；
84.基于所述目标经纬度确定所述终端的位置。
85.其中，可以依据地图数据确定多个网格区域，并确定每个所述网格区域的网格区域标识及对应的经纬度，存储多个网格区域标识与多个经纬度的对应关系，多个网格区域标识与多个经纬度可以一一对应。网格区域标识可以用于唯一标识网格区域，示例地，网格区域标识可以为网格区域编号。
86.该实施方式中，依据多个网格区域标识与多个经纬度的对应关系，确定所述目标网格区域标识对应的目标经纬度，基于所述目标经纬度确定所述终端的位置，能够通过网格化地图数据确定所述终端的位置，在提高定位的准确性的同时，能够提高定位的速度。
87.可选的，所述基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型之前，所述方法还包括：
88.依据地图数据确定多个网格区域，并确定每个所述网格区域的网格区域标识及对应的经纬度；
89.获取样本数据，所述样本数据包括多个采样点的时间数据、位置参考数据及网格区域标识，所述采样点的网格区域标识为所述采样点所属的网格区域的网格区域标识；
90.将所述多个采样点中每个采样点的位置参考数据输入所述每个采样点的时间数据对应的第二神经网络模型，以所述每个采样点的网格区域标识为目标输出对所述第二神经网络模型进行训练，
91.其中，训练得到的所述第二神经网络模型为所述多个预先训练的神经网络模型中的一个。
92.另外，网格区域对应的经纬度可以为网格区域的质心点所在位置的经纬度。
93.需要说明的是，采样点的数据来源多样，可以使用专用采样工具进行采集，也可以使用网优路测数据，用户上报数据等。采样得到的每个采样点可以包括如下字段：位置数据(经纬度)、基站数据(基站号，基站信号强度)、时间数据(精确到秒)，还可以包括如下字段：wifi数据(wifi的mac地址，wifi信号强度)、蓝牙数据(蓝牙标识、蓝牙信号强度)。采集到采样点后，可以将采样点按照位置数据归类到网格区域内，可以尽可能让每个网格区域都有采样点，每个采样点都归类到某一网格区域内，且仅分布到该网格区域内。采样点的位置信息可以精确到小数点后5位。
94.针对每个采样点的基站数据，可以按照基站信号强度从大到小排序，选择前5个基站作为基站1到基站5，并记录表征该5个基站的基站号与基站信号强度的5条基站数据；同理，针对每个采样点的wifi数据，也选取wifi信号强度最强的5条数据作为wifi1到wifi5，记录表征该5个wifi的mac地址与wifi信号强度的5条wifi数据；同理，针对每个采样点的蓝牙数据，也选取信号强度最强的蓝牙1到蓝牙5，记录表征该5个蓝牙的蓝牙标识与蓝牙信号强度的5条蓝牙数据。每个采样点至少包含一个基站数据，wifi数据和蓝牙数据可能为空。当基站、wifi、或蓝牙的数据不足5条时，空字段可以默认为0。位置参考数据可以包括5条基站数据、5条wifi数据及5条蓝牙数据。
95.需要说明的是，选取信号强度最强的前五组数据作为位置参考数据，对神经网络模型进行训练，与未预处理得到的模型相比，可以更好的防止过拟合现象出现，使用多基站数据、wifi数据、蓝牙数据修正模型，可以更贴合实际场景，提高定位的准确率。
96.需要说明的是，依据地图数据确定多个网格区域，可以是，根据现有地图数据，按照不同的地理特征划分成大小不等的多边形网格区域，并对网格区域编号，得到网格区域标识。可以将整个地图数据，全部划分成大小不等的网格区域，并且网格区域之间不能有重叠的部分，用网格区域边界线上的点来描述、存储网格区域，将网格区域存储到数据库中。
97.另外，网格区域的密度大小直接决定了定位的准确性，网格区域过大，会造成定位准确性降低，网格区域过小，会造成训练成本提高。可以对每个网格区域计算质心位置，并
且以质心位置对应的gps经纬度，表示网格区域的gps经纬度，gps经纬度可以保留小数点后四位。
98.该实施方式中，在获取样本数据时，通过对定位的特定环境进行抽象和形式化，用一些具体的、量化的参数描述定位环境中的各个位置，从而能够结合基于场景分析的定位技术对终端进行定位，能够提高定位的准确性。
99.可选的，所述依据地图数据确定多个网格区域，包括：
100.依据地图数据对地理位置进行划分，得到多个第一网格；
101.确定所述多个第一网格中每个第一网格的地理特征；
102.依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，得到多个网格区域。
103.其中，第一网格的形状可以为正方形、圆形、长方形或不规则形状等等，本实施例对第一网格的形状不进行限定，示例地，第一网格可以为正方形。地理特征可以包括公路、建筑物、水面、桥面或铁路等。可以对多个第一网格进行分类，不同地理特征可以为不同类型，类型可以为公路、建筑物、水面、桥面及铁路等。在第一网格内部包含多种地理特征时，可以选取所占面积最大的地理特征为第一网格的地理特征，每个第一网格的地理特征可以有且仅有一种。
104.需要说明的是，可以按照经纬度将整个地图数据划分为近似正方形的多个第一网格，每个第一网格的顶点的经纬度可以精确到小数点后四位数。示例地，如图2所示，图2中共有划分得到的9个第一网格，每个第一网格形状都近似正方形，每个第一网格的顶点经纬度恰好精确到小数点后四位。
105.现有的网格划分一般是规则的几何图形，未考虑地理特征，在室外大范围定位的场景中，又很难做到全部采用人工方式来划分网格，在本发明实施例中，网格划分考虑了地理特征，合并同类型网格，更贴合实际场景，提高了定位准确性并降低了模型的训练成本。
106.该实施方式中，基于地理特征对地图数据划分网格区域，能够根据不同地理特征划分调整网格区域大小和形状，与标准化的方形网格相比，可以更贴合实际场景，提高定位的准确率；与人工划分网格方法相比，可以通过经纬度数据粗略的划分第一网格，再根据地理特征合并第一网格，成为网格区域，在室外大范围定位场景中可以极大地节省时间成本和人工成本。
107.可选的，所述依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，包括：
108.将所述多个第一网格中相邻的且地理特征相同的至少两个第一网格合并为一个网格区域。
109.其中，依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，可以是，合并相同地理特征的相邻第一网格为一个网格区域，相邻第一网格可以是有两个顶点重合的第一网格作为相邻第一网格，仅有一个顶点重合的第一网格，不是相邻第一网格，即相邻第一网格仅为横向或者竖向相邻，斜向第一网格不是相邻网格。一种实施方式中，每个网格区域包括的第一网格的数量不能多于3个。可以按照第一网格的编号遍历，相邻第一网格如果地理特征一致，则合并成一个网格区域，直到网格区域包含3个第一网格或者没有地理特征一致的相邻第一网格，网格区域的地理特征可以为网格区域包括的第一网格的地
理特征。
110.另外，可以将所有合并得到的网格区域按照顶点顺序存储到数据库中，并计算出网格区域的质心点经纬度作为该网格区域的经纬度，网格区域内部至多有3个相邻的第一网格，所以每个网格区域至多有8个顶点，至少有4个顶点。在数据库中，每个网格区域的存储字段可以如表1所示：
111.表1.网格区域字段表
112.[0113][0114]
其中，网格顶点的经度和纬度均可以保留小数点后四位，网格区域内部采样点的数量的初始值可以为0。
[0115]
该实施方式中，将所述多个第一网格中相邻的且地理特征相同的至少两个第一网格合并为一个网格区域，能够较好地对所述多个第一网格进行合并处理。
[0116]
可选的，所述获取样本数据之前，所述方法还包括：
[0117]
依据采样点的经纬度确定所述采样点的网格区域标识；
[0118]
其中，若所述采样点的经纬度在所述多个网格区域中的一个网格区域内，则所述采样点的网格区域标识为该网格区域的网格区域标识；
[0119]
若所述采样点的经纬度在两个网格区域共同的边界位置，则所述采样点的网格区域标识为该两个网格区域中采样点的数量最少的网格区域的网格区域标识；
[0120]
若所述采样点的经纬度在至少两个网格区域的共同顶点位置，则所述采样点的网格区域标识为该至少两个网格区域中采样点的数量最少的网格区域的网格区域标识。
[0121]
其中，在依据采样点的经纬度确定采样点的网格区域标识时，可以将采样点按照采集顺序进行遍历，根据采样点的经纬度，划分该采样点到某个网格区域中，采样点有如下三种情况：落在网格区域内部、落在网格区域边界、落在网格区域顶点。
[0122]
一种实施方式中，若采样点的经纬度落在网格区域内部，则该采样点归类到该网格区域中，记录该网格区域的网格区域标识为该采样点的网格区域标识，并且该网格区域内部采样点数量加1。若采样点的经纬度落在网格区域边界或者顶点，则将该采样点存储到边界点队列中，并且记录每个边界点相邻的网格区域的网格区域标识，留待下一次迭代进行判断。遍历所有采样点后，继续遍历边界点队列中的采样点，并比较该边界点相邻的网格区域内部采样点数量，将该采样点归类到采样点数量最少的网格区域中，记录该采样点数
量最少的网格区域为边界点队列中的该采样点的网格区域标识，并且该网格区域内部采样点数量加1。若采样点数量最少的网格区域不唯一，则可以选择其中网格区域标识最小的网格区域作为边界点队列中的该采样点的归属网格区域，记录该网格区域标识最小的网格区域为边界点队列中的该采样点的网格区域标识，并且该网格区域内部采样点数量加1。
[0123]
作为一种实施方式，采样点的数据字段如表2所示：
[0124]
表2.采样点字段表
[0125]
[0126][0127]
[0128]
一种实施方式中，多个预先训练的神经网络模型中每个神经网络模型可以均为深度神经网络模型，训练集可以为采样点数据，可以对所有采样点按照时间戳进行分类，每个小时内的采样点归为一组，24小时数据共计分为24组，每一组数据分别训练深度神经网络模型，如图3所示，深度神经网络模型可以采用五层结构。在每个深度神经网络模型中，输入层为采样点的位置参考数据，输出层为网格区域标识，中间3层为隐藏层，可以使用后向传播算法计算深度神经网络模型各个节点的值，记录所有值并存储，即得到与24个小时一一对应的24个深度神经网络模型，作为多个预先训练的神经网络模型。
[0129]
该实施方式中，依据采样点的经纬度在网格区域内，或者在两个网格区域共同的边界位置或在至少两个网格区域的共同顶点位置，确定采样点的网格区域标识，从而能够较为准确地将采样点划分到各个网格区域，且使得采样点分布较为均匀。
[0130]
作为一种具体的实施方式，终端定位可以分为两个阶段，离线阶段和在线阶段，在离线阶段可以进行网格划分、样本数据采集及模型训练；在在线阶段可以使用终端实时上报的时间数据和位置参考数据，通过离线阶段训练得到的神经网络模型计算出终端所在的位置，即用户所在的位置。本发明实施例中的用于终端定位的神经网络模型结合了基于临近关系的定位技术和基于场景分析的定位技术，神经网络模型相比其他的机器学习模型，可以更贴合实际情况，可以更好地保留特征参数，并防止过拟合情况出现。
[0131]
参见图4，图4是本发明实施例提供的一种终端定位装置的结构示意图，如图4所示，终端定位装置200包括：
[0132]
第一获取模块201，用于获取终端的时间数据及位置参考数据；
[0133]
第一确定模块202，用于基于所述时间数据从多个预先训练的神经网络模型中确定第一神经网络模型，所述多个预先训练的神经网络模型与多个时间段一一对应，所述第一神经网络模型为所述时间数据所属的时间段对应的神经网络模型；
[0134]
第一输入模块203，用于将所述位置参考数据输入所述第一神经网络模型；
[0135]
第二确定模块204，用于基于所述第一神经网络模型的输出确定所述终端的位置。
[0136]
可选的，所述第二确定模块204具体用于：
[0137]
获取所述第一神经网格模型输出的目标网格区域标识；
[0138]
依据多个网格区域标识与多个经纬度的对应关系，确定所述目标网格区域标识对应的目标经纬度，所述目标经纬度为所述多个经纬度中的一个；
[0139]
基于所述目标经纬度确定所述终端的位置。
[0140]
可选的，如图5所示，所述装置200还包括：
[0141]
第三确定模块205，用于依据地图数据确定多个网格区域，并确定每个所述网格区域的网格区域标识及对应的经纬度；
[0142]
第二获取模块206，用于获取样本数据，所述样本数据包括多个采样点的时间数据、位置参考数据及网格区域标识，所述采样点的网格区域标识为所述采样点所属的网格区域的网格区域标识；
[0143]
第二输入模块207，用于将所述多个采样点中每个采样点的位置参考数据输入所述每个采样点的时间数据对应的第二神经网络模型，以所述每个采样点的网格区域标识为目标输出对所述第二神经网络模型进行训练，
[0144]
其中，训练得到的所述第二神经网络模型为所述多个预先训练的神经网络模型中
的一个。
[0145]
可选的，如图6所示，所述第三确定模块205包括：
[0146]
划分单元2051，用于依据地图数据对地理位置进行划分，得到多个第一网格；
[0147]
确定单元2052，用于确定所述多个第一网格中每个第一网格的地理特征；
[0148]
合并单元2053，用于依据所述每个第一网格的地理特征对所述多个第一网格进行合并处理，得到多个网格区域。
[0149]
可选的，所述合并单元2053具体用于：
[0150]
将所述多个第一网格中相邻的且地理特征相同的至少两个第一网格合并为一个网格区域。
[0151]
可选的，所述第二获取模块206具体还用于：
[0152]
依据采样点的经纬度确定所述采样点的网格区域标识；
[0153]
其中，若所述采样点的经纬度在所述多个网格区域中的一个网格区域内，则所述采样点的网格区域标识为该网格区域的网格区域标识；
[0154]
若所述采样点的经纬度在两个网格区域共同的边界位置，则所述采样点的网格区域标识为该两个网格区域中采样点的数量最少的网格区域的网格区域标识；
[0155]
若所述采样点的经纬度在至少两个网格区域的共同顶点位置，则所述采样点的网格区域标识为该至少两个网格区域中采样点的数量最少的网格区域的网格区域标识。
[0156]
终端定位装置能够实现图1的方法实施例中实现的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0157]
如图7所示，本发明实施例还提供了一种电子设备300，包括：处理器301、存储器302及存储在所述存储器302上并可在所述处理器301上运行的程序，所述程序被所述处理器301执行时实现上述终端定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0158]
本发明实施例还提供一种计算机可读存储介质，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终端定位方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如rom、ram、磁碟或者光盘等。
[0159]
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。
[0160]
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(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0161]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体
实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。