用于对占据特定地理位置的终端进行地理定位的方法和系统与流程

本发明属于地理定位领域。特别地，本发明涉及用于对无线通信系统的终端进行地理定位的方法和系统。本发明特别好地适用于对“物联网”(或iot)类型的智能对象的地理定位。

现有技术

在过去的几年中，对无线通信系统的日渐使用已经自然地致使了基于对象的地理位置的开发服务，并且例如已经用于导航辅助、交通管理、对商品的运输的监控、对信息的远程读取等。

卫星定位系统如gps(“全球定位系统”)是最广为人知的地理定位技术中的一些。这些系统基于接收器终端对由专用卫星发射的无线电信号的使用。卫星地理定位特别地精确，但是其具有多个缺点，特别地具有以下缺点：由于将gps接收器集成至对象中而引起的成本和电力消耗，以及卫星地理定位在封闭区域中的性能不足。

存在用于基于与终端所连接的接入网络的基站交换的信号来对终端进行地理定位的其他技术。在蜂窝网络例如诸如gsm(全球移动通信系统)中，已知将终端的位置估计为当前与终端相关联的基站的位置。然而，由于基站的覆盖区域可以在半径上达到几千米或者甚至可以达到几十千米，因此该方法具有中等的地理定位精确度。

其他方法涉及通过计算终端与基站之间交换的信号的到达时间、传播角度或者频率差来估计终端与多个基站间隔的距离。然而，这些各种方法都具有需要特定设备和软件的缺点。此外，这些各种方法经常需要昂贵的用作观察点的各个基站的同步。最后，这些各种方法对被称为多径的现象(同一无线电信号由于在遇到的障碍物上的反射、折射和衍射现象而经由多条路径传播)特别地敏感。

其他地理定位方法基于终端与基站之间交换的信号的接收功率(rssi：“接收信号强度指示符(receivedsignalstrengthindicator)”)的水平。这些方法特别好地适于蜂窝网络类型的无线通信系统(例如诸如gsm)，对于该无线通信系统，由于rssi信息由通信系统本身使用，因此rssi信息是直接可用的。这些方法基于以下事实：无线电信号在大气中衰减，并且因此由接收器接收到的信号的rssi水平根据接收器与信号的发射器间隔的距离而不同。因此，可以通过根据由基站测量的rssi水平对终端与围绕该终端的各个基站间隔的距离进行估计，通过三边测量来确定终端的地理位置。这样的用于基于rssi水平经由三边测量进行地理定位的方法的缺点是缺乏精确度，这是由于以下事实引起的：影响信号的衰减的多个参数(障碍物、无线电干扰、终端的移动等)使基于rssi水平定义距离的函数非常复杂。

因此，已经开发了用于基于rssi水平进行地理定位的新方法。这些新方法基于机器学习技术。具体地，这涉及在校准阶段期间建立与已知地理位置相关联的数据库以及与针对在系统的一组基站所讨论的位置处的终端而测量的所有rssi水平对应的无线电签名。然后，在搜索阶段期间，将针对位于未知位置处的终端所观察到的无线电信号与数据库的所有签名进行比较，以基于与最类似的签名对应的位置来估计终端的位置。

然而，这样的方法具有若干缺点，特别是在其中要覆盖的地理区域非常广阔的情况下例如如果必须覆盖整个国家或者甚至一个大陆的情况下具有若干缺点。第一缺点与地理定位精确度有关。实际上，会发生与两个相邻地理位置对应的两个无线电签名显著不同，或者两个特别类似的无线电签名与两个遥远的地理位置对应。由于由这样的情况生成的噪声，因此使在无线电签名与相关联的地理位置之间建立关系变得困难。另外的缺点涉及所使用的机器学习算法的复杂性。实际上，为了获得足够的精确度，有必要将大量元素插入至在校准阶段期间建立的数据库中。此外，如果要覆盖的区域是广阔的，则存在大量的基站需要考虑。所有这些促使相当大地增加了在机器学习算法的输入时的数据，并且因此造成了容量和计算时间的限制。为了执行校准阶段，已知将车载设备放置在穿越要覆盖的区域的车队中，所述设备适于针对在各个点处的通信系统的基站精确地提供地理位置和rssi水平(用于定义该阶段的英语术语为“沿街扫描(war-driving)”)。就精确度而言，点的数目越多，地理定位方法的性能越好，但是校准阶段越长且越昂贵。

技术实现要素：

本发明的目的是克服现有技术的全部或一部分缺点，特别是上面公开的那些缺点。

为此目的，并且根据第一方面，本发明提出了一种用于对无线通信系统的终端进行地理定位的方法，所述终端被称为“感兴趣的终端”。该方法包括：

基于由被称为“校准终端”的其他终端发出的并且由所述无线通信系统的基站接收到的消息，来确定参考元素的集合，每个参考元素包括与当发出消息时校准终端的地理位置相关联的无线电签名，所述无线电签名与所述表示存在于校准终端与基站之间的无线电链路的质量的一组值对应；

基于由位于要被估计的地理位置处的所述感兴趣的终端发出的消息，来确定所述感兴趣的终端的无线电签名；

基于参考元素的集合的参考元素的地理位置，来标识被称为“感兴趣的点”的特定地理位置；

基于所标识的感兴趣的点来修改参考元素的集合；

基于感兴趣的终端的无线电签名和经修改的参考元素的集合，来估计所述感兴趣的终端的地理位置。

感兴趣的终端的地理位置的估计是例如由具有建立无线电签名与地理位置之间的关系的目的机器学习算法执行的。

感兴趣的点对应于消息的优选发出点，对于所讨论的无线通信系统的终端在优选发出点处，平均而言，从感兴趣的点或从该感兴趣的点附近发出的消息比从另外的地理位置发出的消息多。

例如，感兴趣的点可以对应于特定的地理位置，所讨论的系统的终端在特定的地理位置处存在的概率大于其他位置。特别地，在配备有终端的商品的控制板的运输并且从仓库移动至仓库的行进时间相对于在仓库中花费的时间比较短的情况下，所述仓库可以对应于感兴趣的点。

根据另外的示例，感兴趣的点可以对应于系统的终端的会聚点。特别地，机场可以对应于配备有系统终端的行李的感兴趣的点。

可以基于由校准终端提供的参考元素来动态地标识感兴趣的点。在特定实施方式中，感兴趣的点的至少一部分还可以被称为先验。

参考元素的集合的修改例如对应于精化阶段，在精化阶段期间，去除了不期望的异类参考元素(例如，那些被判断为远离感兴趣的点的参考元素)和/或将附加信息添加至相关参考元素(例如，那些被判断为接近感兴趣的点)，以使参考元素的集合干净和/或丰富。这样的布置使得能够在地理定位精确度方面提高，因为该精化阶段通过利用感兴趣的点的存在来增强存在于无线电签名与地理位置之间的关系，终端在该感兴趣的点处存在的概率大于其他位置存在的概率。

此外，去除异类元素有助于减少由学习算法使用的参考元素的数目，并且因此降低了学习算法的复杂性，这转变为容量和计算时间方面的提高。

最后，这些布置可以使得能够减小无线电签名的大小，例如通过仅考虑位于感兴趣的点附近的基站来减小无线电签名的大小，这甚至更有助于降低学习算法的复杂性。

在特定实施方式中，本发明还可以单独地或根据所有技术上可能的组合包括以下特征中的一个或更多个。

在特定实施方式中，以表示所述感兴趣的终端位于所标识的感兴趣的点处的概率的值的形式来估计感兴趣的终端的地理位置。

这样的布置使得能够得出结论例如如果该值大于某个阈值则感兴趣的终端位于概率值最大的感兴趣的点处；或者得出结论，如果该值小于所述阈值，则感兴趣的终端不位于任何感兴趣的点附近(例如，在两个感兴趣的点之间运输)。

在特定实施方式中，标识感兴趣的点包括：

将要被覆盖的地理区域划分为具有预定大小的多个单元；

针对每个单元计算表示位于所述单元中的参考元素的数目的值；

如果计算出的值满足预定标准，则根据所述单元和/或位于所述单元中的参考元素的地理位置来定义感兴趣的点。

在特定实施方式中，标识感兴趣的点包括：针对每个参考元素计算所述参考元素与每个其他参考元素间隔的距离的步骤；以及对最初对应于参考元素的集合的参考元素的临时集合迭代执行下述步骤直至达到停止条件：

针对参考元素的临时集合的每个参考元素，计算表示位于小于预定阈值的距离处的被称为“相邻元素”的参考元素的数目的值；

如果针对被称为“感兴趣的元素”的元素计算出的最大值大于预定阈值，则：

根据感兴趣的元素的地理位置和/或感兴趣的元素的相邻元素的地理位置，来定义感兴趣的点；

从参考元素的临时集合中去除感兴趣的元素的去除以及感兴趣的元素的相邻元素。

在特定实施方式中，地理定位方法还包括下述步骤：根据所标识的感兴趣的点的地理位置和/或表示位于小于预定阈值的距离处的参考元素的集合的参考元素的数目的值，来过滤所标识的感兴趣的点。

在特定实施方式中，根据权重因子来计算表示参考元素的数目的值，所述权重因子被分配至每个参考元素并且表示由校准终端发出消息的时刻与感兴趣的点被标识的时刻之间经过的时间。

特别地，这样的布置使得能够通过给予在接近于估计感兴趣的终端的位置的时间时获得的参考元素更多的重要性(也就是说，通过分配更大的权重)来有利于最近的感兴趣的点。

在特定实施方式中，修改参考元素的集合包括：针对参考元素的集合的每个参考元素，执行下述步骤：

计算参考元素与所标识的感兴趣的点中的一个感兴趣的点间隔的最小距离；

如果计算出的最小距离小于预定阈值，则：

将对应的感兴趣的点与所述参考元素关联，

否则，则：

从参考元素的集合中去除所述参考元素。

在特定实施方式中，修改参考元素的集合包括：针对参考元素的集合的每个参考元素，执行下述步骤：

针对每个所标识的感兴趣的点，计算表示所述参考元素与所述感兴趣的点间隔的距离的值；

将这样计算出的值与所述参考元素关联。

在特定实施方式中，无线电链路为到无线通信系统的基站的上游链路。

在特定实施方式中，确定终端的无线电签名包括：

由终端向基站发送消息；

基于从所述终端接收到的消息，来针对每个基站测量表示存在于所述终端与所讨论的基站之间的无线电链路的质量的值；

由连接至基站的服务器基于所测量的值，来形成终端的无线电签名。

在特定实施方式中，校准终端设置有定位系统，并且确定所述校准终端的无线电签名还包括：

将由定位系统测量的所述校准终端的当前地理位置包含在由所述校准终端发出的消息中；

由服务器提取包含在所述消息中的地理位置。

这样的布置特别地使得能够利用来自校准终端的新参考元素来容易地使参考元件的集合丰富，这使得能够发现随着时间的推移可能出现的新的感兴趣的点和/或忘记已经变得过时的感兴趣的点。

涉及限定参考元素的集合或使参考元素的集合丰富的校准阶段可以在开始时执行一次，或者可以循环地重复(例如定期地进行，或以通过向校准终端发送控制消息的方式来控制)，或者可以持续地执行(例如，如果校准终端定期地发出包括其当前地理位置的消息)。

由于配备有定位系统的某些特定终端的存在，可以完全自动化涉及限定参考元素的集合的校准阶段。此外，在无线通信系统中实现地理定位方法特别地容易，而且不昂贵，因为无线通信系统在基站处或在大多数终端处不需要附加的特定硬件(只有用作校准终端的终端可能需要硬件和/或软件修改)。

在特定实施方式中，表示终端与基站之间存在的无线电链路的质量的值是所述基站与所述终端之间交换的无线电信号的接收功率的水平。

在特定实施方式中，无线电链路为超窄带通信信道。

超窄带无线通信系统(在英语文献中的“ultranarrowband(超窄带)”或unb)特别地适于iot类型的使用。实际上，超窄带无线通信系统允许具有长范围且低能耗的低比特率通信(lpwan类型的系统，英文中为“lowpowerwideareanetwork(低功耗广域网)”)。

在特定实施方式中，使用基于决策树的技术的分类机器学习算法，来执行基于所述感兴趣的终端的无线电签名和经修改的参考元素的集合的对感兴趣的终端的地理位置的估计。

根据第二方面，本发明涉及一种无线通信系统，包括终端和接入网络，该接入网络包括基站和连接至所述基站的服务器，所述无线通信系统包括：数据库，存储基于由被称为“校准终端”的终端发出的并且由至少一个基站接收的消息而形成的参考元素的集合。每个参考元素包括与当发出消息时校准终端的地理位置相关联的无线电签名。所述无线电签名包括表示存在于所述校准终端与基站之间的无线电链路的质量的值。此外，接入网络被配置成：

测量表示存在于基站与终端之间的无线电链路的质量的值，所述终端的地理位置必须被估计，所述终端被称为“感兴趣的终端”；

形成与针对所述感兴趣的终端测量的所有值对应的无线电签名；

基于参考元素的集合来标识被称为“感兴趣的点”的特定的地理位置；

基于所标识的感兴趣的点来修改参考元素的集合；

基于感兴趣的终端的无线电签名和经修改的参考元素的集合来估计感兴趣的终端的地理位置。

附图说明

当阅读作为非限制性的示例给出并且参照图1至图14给出的以下描述时，将更好地理解本发明，附图示出了：

图1：包括校准装置的无线通信系统的图，

图2：示出用于对无线通信系统的终端进行地理定位的常规方法的主要步骤的图，

图3：示出根据本发明的地理定位方法的主要步骤的图，

图4：其中校准装置是配备有定位系统的终端的优选实施方式的图，

图5：示出地理定位方法的校准阶段的优选实施方式的主要步骤的图，

图6：示出地理定位方法的搜索阶段的优选实施方式的主要步骤的图，

图7：示出标识感兴趣的点的步骤的第一特定实施方式的主要步骤的图，

图8：标识感兴趣的点的步骤的第一特定实施方式的图解，

图9：示出标识感兴趣的点的步骤的第二特定实施方式的主要步骤的图，

图10：标识感兴趣的点的步骤的第二特定实施方式的图解，

图11：示出修改参考集的步骤的第一特定实施方式的主要步骤的图，

图12：示出修改参考集的步骤的第二特定实施方式的主要步骤的图，

图13：常规地理定位方法的误差距离的分布曲线，

图14：根据本发明的地理定位方法的误差距离的分布曲线。

在这些附图中，从一个附图到另外的附图的相同的附图标记表示相同或类似的元件。为了清楚起见，除非另有说明，否则所示的元件不一定按比例绘制。

具体实施方式

如上面所指示的，本发明旨在使用基于表示存在于所述无线通信系统的被称为“感兴趣的终端”的终端与基站之间的无线电链路的质量的信息的学习方法，来估计无线通信系统的所述终端的地理位置。

图1示意性地示出了无线通信系统60，该无线通信系统60包括多个终端70和接入网络80，接入网络80包括多个连接的基站81以及连接至所述基站81的服务器82。在这样的系统60中，通信通常可以是双向的，也就是说，数据可以通过下游无线电链路从接入网络80被传输至终端70，或者数据可以通过上游无线电链路从终端70被传输至接入网络80。因此，例如可以由这些实体中的一个或另一个执行对存在于终端70与接入网络80的基站81之间的无线电链路的质量的测量。

因此，可以例如通过诸如gps接收器的定位系统将适于精确地确定当前地理位置的一个或更多个校准装置71引入至无线通信系统60中。该校准装置71还具有被配置成使得能够测量表示存在于校准装置71与接入网络80的基站81之间的无线电链路的质量的值的装置。如上面所指示的，该测量可以例如通过在下游链路上的校准装置71本身执行或者由接入网络81的在上游链路上的基站81执行。如果测量是由下游链路上的校准装置71执行的，则该测量例如可以在用于系统的除了校准装置71以外的终端70的无线电信号上进行。

可以将表示存在于终端70或校准装置71与基站81之间的无线电链路的质量的值传输至服务器82，以使服务器82实现地理定位方法的某些步骤。

图2示出了用于基于学习方法来对无线通信系统60的感兴趣的终端70进行地理定位的方法10的两个主要阶段。

第一校准阶段20包括：

确定与已知地理位置分别地相关联的无线电签名的步骤22，每个无线电签名与表示存在于地理位置已知的校准装置71与无线通信系统60的接入网络80的多个基站81之间的无线电链路的质量的值的集合对应，以及

在参考元素的集合26中存储所确定的每个无线电签名以及校准装置71的相关联的地理位置的步骤24。

在说明书的其余部分中，“地理位置”是指分别与纬度和经度对应的两个坐标的集合。应当注意，替选方案可以用于定义地理位置。例如，也可以考虑与相对于平均海平面的高度对应的第三坐标。

简而言之，该校准阶段20涉及制作所考虑的地理区域的一种无线电地图。

然后，搜索阶段40包括：

步骤42：针对位于要估计的地理位置处的所述感兴趣的终端70确定无线电签名，

步骤44：基于所确定的无线电签名和在校准阶段20期间获取的参考元素的集合26来估计所述感兴趣的终端70的地理位置。

根据本发明的地理定位方法10引入了被称为“精化阶段30”的附加阶段30，附加阶段30具有清理参考元素的集合26(也就是说，去除不期望的参考元素)和/或使参考元素的集合26丰富(也就是说，将信息添加至所保留的参考元素)的目的，以提对高参考终端70的地理位置的估计44。

该精化阶段30基于以下构思：终端70可以具有对通过系统60的终端70的会聚的特定地理位置的倾向(这是指大量终端70往往通过的地理位置)。因此，在这样的特定地理位置处，由终端70发出的消息的数量平均比其他位置多。在某些情况下，终端70还可以优选地占据特定地理位置的有限集合(换句话说，在给定的时间时，终端70可以在统计上与其他位置相比位于这些特定地理位置之一处的概率较大)。在说明书中，“感兴趣的点”是指这样的特定地理位置。

例如，在从仓库移动至仓库的商品的运输中行进时间相对于在仓库中花费的时间而言相对地短的情况下，观察到这样的情况。例如可以针对用于商品的运输的控制板(palettes)配备有无线通信系统60的终端70，以能够对控制板进行地理定位。因此，相继地存储有控制板的各个仓库对应于地理定位方法10的感兴趣的点。运输所述控制板的卡车可以例如携带校准装置71，从而使得能够建立参考元素的集合26。

为了估计感兴趣的终端70的地理位置，而不是估计终端70在要覆盖的整个地理区域上的位置，根据本发明的地理定位方法10根据所标识的感兴趣的点来估计感兴趣的终端70的位置。换句话说，代替使用将需要数量非常多的参考元素(并且因此将需要非常大的容量和计算时间)的常规的回归方法来获得合理的精确度，根据本发明的地理定位方法10使用了涉及例如向感兴趣的终端70分配位于所标识的感兴趣的点中的每一个处的概率的分类机器学习算法。因此，例如，可以将感兴趣的终端70的所估计的地理位置定义为感兴趣的点的地理位置，感兴趣的终端70的所估计的地理位置具有位于感兴趣的点的地理位置处的最大概率。根据返回的概率的值(例如，如果该值小于预定阈值)，还可以确定终端70是否不位于感兴趣的点处(例如，如果终端70为在两个仓库之间运输中的控制板上的终端70)。

图3示意性地示出了根据本发明的地理定位方法10的主要阶段。除了已经参照图2描述的校准阶段20和搜索阶段40以外，地理定位方法10还包括精化阶段30。

该精化阶段30包括第一步骤32：标识感兴趣的点，使得能够基于在校准阶段20期间获取的参考元素的集合26来定义感兴趣的点的集合35。稍后将参照图7至图10详细描述该步骤。

然后，使用所标识的感兴趣的点的集合35来修改参考元素的集合26的步骤34提供了经修改的参考元素的集合36，因此在搜索阶段40期间使用经修改的参考元素的集合36来确定感兴趣的终端70的地理位置。稍后将参照图10和图11详细描述该修改步骤34。

实际上，标识感兴趣的点并且将更多的重要性分配至参考元素是有利的，这些参考元素的地理位置接近感兴趣的点的地理位置。例如，可以去除参考元素，这些参考元素的地理位置远离感兴趣的点大于预定阈值的距离。此外，有利的是，将最接近的感兴趣的点或者表示所述参考元素的地理位置与每个感兴趣的点间隔的距离的值与每个参考元素相关联。这样的布置实际上使得能够减少在机器学习算法试图在无线电签名与感兴趣的点之间建立的关系中由在感兴趣的点附近没有被分组在一起的元素生成的“噪声”。

此处，“距离”是指使用经度和纬度表达的两个地理位置之间以常规方式计算出的距离。因此，“两个参考元素之间的距离”是指所述两个参考元素的地理位置之间的距离。除非另有说明，否则同样的情况适用于整个说明书。

在说明书的其余部分中，例如并且以非限制性方式，考虑了超窄带无线通信系统60的情况。“超窄带”(在英语文献中的“ultranarrowband(超窄带)”或unb)是指由终端发射的无线电信号的瞬时频谱具有小于两千赫或者甚至小于一千赫的频率宽度。“无线电信号”是指经由无线方式传播的电磁波，电磁波的频率包括在无线电波的常规频谱(几赫兹至几百兆赫兹)中。这样的unb无线通信系统特别地适于iot类型或m2m类型(针对“machinetomachine(机器对机器)”的英文缩写)的使用。

在这样的无线通信系统60中，数据的交换基本上是单向的，在这种情况下，通过上游链路从所述无线通信系统60的终端70至所述无线通信系统60的接入网络80进行数据交换。为了使由终端70发出的消息丢失的风险最小化，接入网络80的规划通常以如下方式执行：给定的地理区域同时被多个基站81覆盖；由终端70发出的消息可以被多个基站81接收。

每个基站81适于从位于其范围内的终端70接收消息。因此，将所接收到的每个消息例如被发送至接入网80的服务器82，可选地伴随有其他信息，例如接收到该消息的基站81的标识符、表示携带该消息的无线电信号的质量的值、接收到该消息的基站81上的中心频率、接收到该消息的日期等。服务器82处理例如从各个基站81接收到的所有消息。服务器82可以特别地用于实现用于对系统60的终端70进行地理定位的方法10。

图4示意性地示出了这样的系统60的优选实施方式，其中无线通信系统60的被称为“校准终端72”的某些终端72具有使得能够精确地获得终端72的地理位置的定位系统(例如，gps接收器)(例如，当终端72位于其中可以接收到所述定位系统的卫星信号的位置时)。这些校准终端72除了在无线通信系统60中的常规功能以外，还用作上述校准装置71。

应当注意，用于获得校准终端72的地理位置的其他方法也是可能的。例如，如果已知所述接入点的地理位置，则可以基于所述校准终端72连接至的wi-fi接入点的mac地址(“mediumaccesscontrol(媒质接入控制)”的缩写)来确定校准终端72的地理位置。用于确定校准终端72的地理位置的特定方法的选择仅仅是本发明的实现方式的替选方案。

图5示出了地理定位方法10的校准阶段20的优选实施方式的主要步骤。

对于该校准阶段20，代替有意地跨过要被适于确定地理位置并测量表示该位置处的无线电链路的质量的值的特定设备覆盖的地理区域，有利地是使用系统的某些终端的可能容量来执行该作用，校准终端72的情况就是如此。

因此，校准阶段20的第一步涉及由校准终端72将包含当前地理位置的消息发出220至无线通信系统60的接入网络80。应当注意，该消息可以独立于地理定位方法10而发出。例如，这可以是用于远程地读取包括当前地理位置并且不具有参与地理定位方法10的校准阶段20的主要目标的信息的常规消息。

因此，接收到包含所述消息的信号的接入网络80的基站81执行对通过其发送消息的无线电链路的质量的测量221。在优选实施方式中，并且在说明书的其余部分中作为非限制性的示例，表示所使用的无线电链路的质量的值为针对携带所述消息的信号而由基站81接收到的例如以分贝表示的接收功率(rssi)的平均水平。

应当注意，可以使用表示无线电链路的质量的其他值，例如诸如信号的衰减、信号的信噪比(英文文献中的snr或“signalonnoise(信噪比)”)或者通信信道的质量的指示符(cqi或英语中的“channelqualityindicator(信道质量指示符)”)。

在形成无线电签名的步骤222中，服务器82因此收集由各个基站81测量的rssi水平，并且将rssi水平包括在因此针对校准终端72确定的无线电签名中。对于未接收到该消息的基站81，例如由于终端72距离太远并且不在基站的无线电覆盖范围内，因此例如使用-160db的默认值。

应当注意，对于基站的选择，多个替选方案是可能的以考虑无线电签名的形成。根据第一示例，常规上，考虑了无线通信系统60的所有基站。根据另外的示例，可以例如根据有限的感兴趣的地理区域来限制要考虑的基站的数目。

因此，服务器82执行对与由校准终端72发出的消息中所包含的地理位置有关的信息的提取224(作为提醒，该消息先前已由接收它的基站81发送至服务器82)。

最终，将由校准终端72的地理位置和相关联的无线电签名形成的各信息对添加至在校准阶段20期间获取的参考元素的集合26。例如，该步骤涉及将由地理位置和相关联的无线电签名形成的各信息对存储24在服务器82中存储的数据库中。

在特定实施方式中，对于无线通信系统60的校准终端72，上面描述的校准阶段20的步骤在预定时间例如在几天、甚至几周或几个月内重复，以获得包含相当大数量的信息的参考元素的集合26，也就是说，获得要覆盖区域的精确地图。在一个替选方案中，重复校准阶段20的步骤，直至获得集合26中预定数目的参考元素为止。

在优选实施方式中，参考元素的集合26被来自校准终端72的新参考元素持续地丰富。这样的布置特别地使得能够发现随着时间的推移可能出现的新的感兴趣的点和/或忘记已经变得过时的感兴趣的点。

应当注意，就像感兴趣的终端70一样，校准终端72是移动的，并且校准终端72可以因此提供与不同地理位置对应的参考数据。

在特定实施方式中，参考元素的集合26还持续地被下述元素丰富：每个元素对应于与感兴趣的终端70的无线电签名相关联的所述感兴趣的终端70的所估计的地理位置。

还应当注意，根据其他实施方式，与校准终端72的当前地理位置有关的信息可以由通信系统发出，而不是针对通信系统执行使得能够限定所述校准终端72的无线电签名的rssi的测量。例如，可以将校准终端72的当前地理位置经由gsm、umts或lte类型的移动电话网络发出至服务器82，而将执行rssi的测量的消息发出至unb无线通信系统60的接入网络80。为了在服务器82中有助于针对校准终端72确定的无线电签名与校准终端72的当前地理位置的关联，例如，可以对携带与当前地理位置有关的信息的消息以及发出至unb无线通信系统的消息进行时间戳记。

图6示出了地理定位方法10的搜索阶段40的优选实施方式的主要步骤。

该搜索阶段40通过由感兴趣的终端70将消息发出420至无线通信系统60的接入网络80来启动。该消息可以是独立于用于对该终端进行地理定位的方法10而发出的任意给定消息。例如，可以出于远程读取与终端70的地理定位无关的信息的目的而发出该消息。可替选地，可以出于对终端70进行地理定位的目的而有意地发出该消息。在所有情况下，消息的内容在搜索阶段40中不一定重要。

与针对校准阶段20执行的步骤类似，已经接收到所述消息的接入网络80的基站81执行对携带消息的信号的rssi水平的测量421。

在形成无线电签名的步骤422中，服务器82因此收集由各个基站81测量的rssi水平，并且将rssi水平包括在因此针对感兴趣的终端70确定的无线电签名中。

因此，一方面基于由精化阶段30修改的参考元素的集合36并且另一方面基于针对必须估计其地理位置的感兴趣的终端70确定的无线电签名，来执行对已经发出了消息的感兴趣的终端70的地理位置的估计44。

图7示意性地示出了标识感兴趣的点的步骤32的第一特定实施方式的主要步骤。标识感兴趣的点的该步骤32是在精化阶段30期间通过服务器82基于在校准阶段20期间获取的参考元素的集合26来实现的。

第一步对应于将要被覆盖的地理区域划分320为多个单元，单元的尺寸是预定的。该划分可以例如对应于将要被覆盖的地理区域划分为规则网格，因此，单元对应于相同的正方形。根据另外的示例，这些单元可以具有圆形，该圆形具有预定的固定直径，并且每个单元与至少一个其他单元部分交叠，以覆盖整个地理区域。根据又一示例，单元可以具有例如根据关于终端70在要覆盖的地理区域上的划分的先验已知的某些信息来限定的不同的形状和/或尺寸。

然后，服务器82针对每个单元执行步骤322：计算参考元素的数目nc，所述参考元素的地理位置位于所述单元内部。

如果对于给定单元，因此计算的数目nc大于或等于预定阈值n1，则针对所述单元标识感兴趣的点。感兴趣的点例如可以被定义为单元的中心。在一个替选方案中，感兴趣的点可以被定义为位于单元中的参考元素的地理位置的平均值。

当已经考虑了所有单元时，标识感兴趣的点的步骤32结束。所标识的感兴趣的点的集合35因此是可用的并被存储在服务器82中。

图8是参照图7描述的标识感兴趣的点的步骤32的第一特定实施方式的图解。地理区域50由16个正方形形状的相同单元划分为网格。通过“l-c”对标识每个单元，l为从a至d的字母，并且c为从1至4的数字。在校准阶段20期间获取的参考元素51以十字形记号形式示出。每个十字形记号表示与在所考虑的地理区域50中获取的参考元素51相关联的地理位置。在所考虑的示例中：

对于单元a-1、d-1、c-2和b-3，nc＝0；对于单元c-1、d-2、a-3、c-4和d-4，nc＝1；

对于单元a-2、b-2、d-3和b-4，nc＝2；对于单元a-4，nc＝5，

对于单元c-3，nc＝6，以及

对于单元b-1，nc＝7。

在所考虑的示例中，将阈值n1设置为5，并且将感兴趣的点52定义为对于其nc≥n1的单元的中心。因此将所定义的每个感兴趣的点52在图7中用黑点示出。在所讨论的示例中，标识出三个感兴趣的点52。三个感兴趣的点52分别地对应于单元b-1、c-3和a-4的中心。

标识感兴趣的点的步骤32的该第一特定实施方式根据单元的尺寸或多或少地精确。例如，在图8中清楚的是，单元c-3的中心距将位于单元的右下部的感兴趣的点的更可能的位置相对远，其中位于所述单元中的大多数参考元素51位于单元的右下部。

图9示意性地示出了标识感兴趣的点的步骤32的第二特定实施方式的主要步骤。

对于标识感兴趣的点的步骤32的该第二特定实施方式，对参考元素的临时集合27执行操作，该临时集合27最初对应于在校准阶段20期间获取的参考元素的集合26。因此，在校准阶段20期间获取的参考元素的集合26未被标识感兴趣的点的步骤32的该第二实施方式修改。

在第一步骤中，服务器82执行对集合27中的两个参考元素间隔的距离进行计算321。

在第二步骤中，针对参考元素的临时集合27的每个参考元素，服务器82执行对被称为“相邻元素”的参考元素的数目nv进行计算323，相邻元素与所考虑的参考元素的距离为小于或等于预定阈值d1。

然后存在步骤325：确定先前计算出的数目nv中与最大值对应的数目nvmax。

如果nvmax大于或等于预定阈值n2，则服务器82执行步骤327：基于相邻参考元素的数目等于nvmax的被称为“感兴趣的元素”的参考元素来定义感兴趣的点，然后执行步骤329：在临时集合27中去除所述感兴趣的元素及其相邻元素。例如，将感兴趣的点定义为感兴趣的元素及其相邻元素的地理位置的平均值。根据另外的示例，可以简单地将感兴趣的点定义为感兴趣的元素的地理位置。

然后估计停止条件。只要未达到所述停止条件，就从步骤323开始重复，该步骤323针对在临时集合27中剩余的元素计算相邻的数目。

如果在步骤325中计算出的数目nvmax小于n2，则直接地估计停止条件。

例如，如果已经标识出预定数目的感兴趣的点，或者如果数目nvmax小于预定阈值，或者在临时集合27中不存在更多元素，则达到停止条件。当达到停止条件时，标识感兴趣的点的步骤32结束。所标识的感兴趣的点的集合35因此是可用的并被存储在服务器82中。

图10是参照图9描述的标识感兴趣的点的步骤32的第二特定实施方式的图解。

图10示出了与图8所示的地理区域50和参考元素51相同的地理区域50和参考元素51。由虚线示出的圆530、531、532分别地将感兴趣的元素510、511、512及其相邻元素分组在一起。在所考虑的示例中，利用5个相邻元素来确定感兴趣的第一元素512。感兴趣的点522因此被定义为所述感兴趣的元素512及其相邻元素(位于圆532中)的地理位置的平均值。然后，在第二迭代中，利用4个相邻元素来确定感兴趣的第二元素511。因此，定义了感兴趣的点521。最后，在第三且最后迭代中，基于同样具有4个相邻元素的感兴趣的元素510来定义感兴趣的第三点520。应当注意，在所讨论的示例中，如果多个元素具有相同的相邻的值nvmax，则选择一个或另一个作为感兴趣的元素是任意的。

在特定实施方式中，参照图7和图9描述的标识感兴趣的点的步骤32还可以包括聚类和/或过滤所标识的感兴趣的点的步骤。例如，如果两个感兴趣的点位于小于预定阈值的距离处，则将两个感兴趣的点聚类成单个感兴趣的点。根据另外的示例，如果对于给定的感兴趣的点，位于距所述感兴趣的点的距离小于预定距离处的参考元素的集合26的元素的数目小于预定阈值，则所述感兴趣的点被去除。

在特定实施方式中，替代计算参考元素的整数(例如，在步骤322和323中)，可以使用根据权重因子计算出的表示参考元素的数目的值，所述权重因子被分配至每个参考元素并且表示在使用无线电链路的时刻(无线电链路的所测量的rssi水平用于定义无线电签名)与感兴趣的点被标识的时刻之间经过的时间的值。通过给予最近参考元素即与由校准终端72最近发出的消息对应的参考元素更多的重要性(也就是说，通过分配更大的权重)，这样的布置特别地使得能够有利于最近的感兴趣的点。例如，可以根据时间针对参考元素来定义权重因子，如下：

在上述函数中：

a和σ为常数参数，

t为自从接收到由校准终端72发出的并且用于定义参考元素的消息的时刻起经过的时间，

exp()为指数数学函数。

利用加权因子的这样的定义，自接收到用于定义参考元素的消息起经过的时间越长，相关联的加权因子的值越小，并且因此与最近接收到的相关联的消息的其他参考元素相比，给予参考元素的重要性越小。因此，有可能加速新的感兴趣的点的发现，而忽略过时的感兴趣的点。

图11示意性地示出了基于所标识的感兴趣的点的集合35来修改参考元素的集合26的步骤34的第一特定实施方式的主要步骤。

在第一步中，服务器82针对参考元素的集合26中的每个元素，执行对所述参考元素与所标识的感兴趣的点的集合35中的感兴趣的点之间的最小距离dmin的计算340。

如果该距离dmin小于或等于预定阈值d2，则服务器82执行将与距离dmin对应的感兴趣的点与参考元素之间关联342。换句话说，利用感兴趣的点的唯一标识符或标签来使参考元素丰富。这样所丰富的参考元素因此包括无线电签名、地理位置和与所丰富的参考元素相关联的感兴趣的点对应的标签。

然而，如果dmin＞d2，则服务器82执行参考元素的去除344。

当已经考虑了所有参考元素时，修改步骤34结束并且参考元素的经修改的集合36因此是可用的。该集合36仅包括能够与感兴趣的点相关联的参考元素，也就是说，这些参考元素足够接近感兴趣的点。集合36包含针对每个感兴趣的点的一定数目的相关联的无线电签名。

图12示意性地示出了基于所标识的感兴趣的点的集合35来修改参考元素的集合26的步骤34的第二特定实施方式的主要步骤。

在第一步中，服务器82针对参考元素的集合26中的每个参考元素、针对每个所标识的感兴趣的点，执行对表示参考元素的地理位置与感兴趣的点的地理位置间隔的距离的值进行计算341。对于给定的参考元素，例如可以根据拉普拉斯分布来定义“概率”函数，该“概率”函数根据感兴趣的点与参考元素间隔的距离，将0与1之间的值与每个感兴趣的点相关联，使得参考元素越靠近感兴趣的点则概率值越大，并且使得概率值的总和等于1。

服务器82因此执行将这样计算出的概率值与参考元素关联343。换句话说，利用一组值来使参考元素丰富，每个值表示与感兴趣的点相关联的概率。这样所丰富的参考元素因此包括无线电签名、地理位置和每个所标识的感兴趣的点的概率值。

当已经考虑了所有参考元素时，修改步骤34结束并且参考元素的经修改的集合36因此是可用的。该集合36因此针对参考元素的每个无线电签名包括与所标识的感兴趣的点相关联的概率。

在搜索阶段40期间，例如使用“决策树”类型的常规分类机器学习算法来执行对感兴趣的终端70的地理位置的估计44。集合36中存在的参考元素已经被丰富的事实实际上使得将通常以回归的形式处理的问题能够转变为分类问题。实际上，在精化阶段30中，向每个感兴趣的点分配标签，并且根据属于某个标签的概率来对与每个参考元素相关联的无线电签名进行“分类”。在搜索阶段40期间，基于感兴趣的终端70的无线电签名，并且使用经修改的集合36中存在的参考元素，分类算法因此能够针对所述无线电签名提供属于某个标签的概率。因此，通常将感兴趣的终端70的地理位置估计为与具有最大概率值的标签对应的感兴趣的点的地理位置。如果最大概率值小于预定阈值，则还可以得出以下结论：感兴趣的终端70不位于所标识的感兴趣的点之一处(在这种情况下，感兴趣的终端70可能在两个感兴趣的点之间运输)。

多个模拟示出：参考元素的集合26在精化阶段30中已被丰富和/或清理的事实针对分类算法提供了有意义的精确度方面的提高。图13和图14中示出了这些模拟的结果。

为了执行这些模拟，在校准阶段20期间获取参考元素的集合26，并且将参考元素的集合26用于模拟中的每一个。此外，不同于参考元素的被称为“测试元素”的元素是可用的。每个测试元素包括无线电签名和已知的地理位置。对于每个测试元素，估计地理位置并且计算对应于估计的地理位置与已知地理位置之间的距离的误差距离。因此绘制了曲线90至96，所述曲线90至96表示所有测试元素之间或仅测试元素的样本之间的误差距离的分布。

在这些模拟中，使用了200,000个参考元素和200,000个测试元素。所考虑的地理区域的大小约对应于如法国一样大的国家的大小。

对于模拟，其结果在图13中示出，使用了基于回归机器学习算法的常规地理定位方法。基于所述测试元素的无线电签名和在校准阶段20期间获取的参考元素的集合26，通过算法针对每个测试元素估计地理位置。

曲线90示出了所有可用测试元素的误差距离的分布。

至于曲线91，其示出了与足够接近所标识的感兴趣的点的测试元素对应的样本的误差距离的分布。在所考虑的示例中，如参照图9描述的，使用标识感兴趣的点的步骤32的第二特定实施方式基于参考元素的集合26来标识感兴趣的点，并且如果所述测试元素的已知地理位置与所标识的感兴趣的点之间的最小距离(dmin)小于或等于阈值(d2)，则测试元素被考虑足够接近感兴趣的点。对于这些模拟，d2的值设置为250米。

因此在图13中清楚的是，当回归算法估计位于所标识的感兴趣的点之一附近的感兴趣的终端70的地理位置时，回归算法更精确。这可以通过以下事实直观地解释：学习算法对存在于接近感兴趣的点的元素的无线电签名与地理位置之间的关系有了更好的了解，因为在集合26中参考元素的地理密度在感兴趣的点附近较大。然而，回归算法的精确度是不够理想的，例如，误差距离仅在约50％的情况下小于0.5km。

图14示出了利用根据本发明的地理定位方法10获得的结果。分类机器学习算法用于搜索阶段40并且其使用由精化阶段30修改的参考元素的集合36。在所考虑的示例中，精化阶段30包括根据参照图9描述的特定实施方式来标识感兴趣的点的步骤32以及根据参照图11描述的特定实施方式来修改参考元素的集合26的步骤34。分类算法因此针对所考虑的测试元素提供了与所标识的感兴趣的点相关联的所述测试元素的概率值。因此，将测试元素的估计的地理位置定义为所述概率值最大的感兴趣的点的地理位置。对于这些模拟，d1的值也设置为250米，并且阈值n2设置为300。

曲线92示出了针对所有可用测试元素的误差距离的分布。在这种情况下，误差距离在约70％的情况下小于0.5km。

曲线93示出了用于曲线91的测试元素的样本的误差距离的分布，该样本与被考虑足够接近所标识的感兴趣的点的测试元素对应(到感兴趣的点的距离小于或等于阈值d2)。对于该样本，误差距离在约90％的情况下小于0.5km。

曲线94示出了与感兴趣的点相关联的最大概率值大于或等于0.9的测试元素的样本的误差距离的分布。对于该样本，误差距离在约87％的情况下小于0.5km。该样本将56％的测试元素分组在一起。在这种情况下，从样本中“错误地”去除了32％的被考虑接近感兴趣的点(距离小于或等于阈值d2)的测试元素。

曲线95示出了与感兴趣的点相关联的最大概率值大于或等于0.7的测试元素的样本的误差距离的分布。对于该样本，误差距离在约82％的情况下小于0.5km。该样本将76％的测试元素分组在一起。在这种情况下，从样本中“错误地”去除了15％的被考虑接近感兴趣的点(到感兴趣的点的距离小于或等于阈值d2)的测试元素。

曲线96示出了与感兴趣的点相关联的最大概率值大于或等于0.4的测试元素的样本的误差距离的分布。对于该样本，误差距离在约73％的情况下小于0.5km。该样本将96％的测试元素分组在一起。在这种情况下，从样本中“错误地”去除了1.5％的被考虑接近感兴趣的点(到感兴趣的点的距离小于或等于阈值d2)的测试元素。

在由曲线92至96表示的各种情况下，误差距离在约50％的情况下小于0.2km。

因此清楚的是，根据本发明的地理定位方法10——其结果由图14的曲线92至96示出——比常规地理定位方法10更精确，常规地理定位方法10的结果由图13的曲线90和91示出。

图14中所示出的结果示出了利用根据本发明的地理定位方法10，可以高精确度地估计位于感兴趣的点附近的感兴趣的终端70的地理位置。还可以确定感兴趣的终端70是否具有在两个感兴趣的点之间运输的强概率(例如，如果返回的最大概率值小于预定阈值)。

概率阈值使得能够确定感兴趣的终端70的位置是否可以与感兴趣的点的位置相关联，或者相反，是否必须考虑到所述感兴趣的终端70在感兴趣的点之间运输。可以例如根据将预测的质量与该预测的置信概率连接的曲线(例如，基于roc曲线(对于“receiveroperatingcharacteristic(接收器操作特性)”的缩写)的拐点或尤登指数)来确定该概率阈值。根据另外的示例，可以根据与使用领域有关的约束以任意方式选择该概率阈值。例如，如果需要具有对感兴趣的终端70进行地理定位的非常高的精确度，在存在不能够估计大量感兴趣的终端70的位置的风险时，则必须采用高概率阈值，例如，如针对利用曲线94所示出的示例的值0.9。相反，如果有必要能够对感兴趣的终端70的大部分进行地理定位，在存在降低地理定位的精确度的风险时，则必须采用较低的概率阈值，例如，如针对利用曲线95所示出的示例的值0.4。对于所考虑的示例，即一种用于在与例如国家或大陆对应的重要地理表面积上对商品的控制板进行地理定位的方法，约0.7的概率阈值似乎是好的折衷方案。

上面的描述清楚地示出，通过本发明的各种特征和优点，本发明实现了设定的目标并进一步提供了附加的优点。

特别地，相对于基于学习方法的常规地理定位方法，根据本发明的地理定位方法10在精确度方面大大提高了性能。特别地，在精确度方面的提高特别地归因于精化阶段30，该精化阶段30使得通过利用感兴趣的点的存在能够增强无线电签名与地理位置之间的关系，终端70、72在感兴趣的点处存在的概率大于其他位置存在的概率。精化阶段30还使得能够去除不对应于感兴趣的点的异类元素，并且这些异类元素有助于生成限制学习算法性能的“噪声”。

此外，去除异类元素有助于减少由学习算法使用的参考元素的数目，并且因此降低了学习算法的复杂性，这转变为容量和计算时间方面的提高。

此外，通过仅考虑位于感兴趣的点附近的基站，去除异类元素可以有助于减小无线电签名的大小(也就是说，无线电签名的rssi测量的数目)，这甚至更有助于降低学习算法的复杂性。

已知系统60的终端70、72的感兴趣的点的列表，这一事实本身也可以是令人感兴趣的，例如知道在商品的运输中使用的仓库的列表。另外的优点基于以下可能性：根据从由校准终端72发出的消息的时刻起已经经过的时间来对每个参考元素分配加权因子，以使参考元素的集合26丰富。实际上，这使得能够加速新的感兴趣的点的发现并有利于忘记过时的感兴趣的点。

因此，如已经作为示例描述的那样在无线通信系统60中设置这样的地理定位方法10是特别地不昂贵的。实际上，在大多数终端70或基站81处不需要附加的特定硬件，并且经由在系统60中存在配备有定位系统的某些特殊终端72，使得能够完全地自动化校准阶段20。

通常，应当注意，上面所考虑的实施方式已经被描述为非限制性示例，并且因此其他替选方案是可能的。

特别地，已经给出了标识感兴趣的点的步骤32以及修改参考元素的集合26的步骤34的实施方式作为示例，并且其他方法作为本发明的替选方案是可能的。

已经针对适于iot类型的使用的超窄带无线通信系统60描述了本发明，但是没有什么能够阻止针对其他类型的通信系统例如诸如gsm、umts、lte、wi-fi等蜂窝网络来实现根据本发明的地理定位方法10。

表示用于形成无线电签名的无线电链路质量水平的测量可以由基站通过上游无线电链路执行，但也可以由终端通过下游无线电链路执行。例如，将测量结果发送至服务器，然后服务器执行地理定位方法的其他步骤。根据其他示例，表示无线电链路质量水平的测量可以由服务器本身基于从终端和/或从基站接收到的信息来执行。

如上面所指示的，表示无线电链路质量的值可以与rssi水平不同。例如，这可以是信号的衰减水平、信噪比或无线电信道质量的另外的指示符。

在所考虑的示例中，参考元素对应于由在地理位置处与校准终端72的无线电签名相关联的所述校准终端72的gps接收器获得的所述地理位置。在特定实施方式中，还可以利用参考元素使参考元素的集合26持续地丰富，每个参考元素与在搜索阶段期间估计的感兴趣的终端70的地理位置对应并且与位于该位置处的感兴趣的所述终端70的无线电签名相关联。

然而，其他方法也可能用于定义参考元素的集合26。例如，可以在校准阶段期间通过基于回归机器学习算法的常规地理定位方法来估计校准终端72的地理位置。根据又一示例，可以在校准阶段期间使用另外的地理定位方法例如基于在终端与各个基站之间交换的信号的传播时间的测量结果的tdoa(对于“timedifferenceofarrival(到达时间差)”的缩写)类型的方法来估计校准终端72的地理位置。

对于搜索阶段，可以使用各种分类机器学习算法，基于感兴趣的终端70的无线电签名和经修改的参考元素的集合36来估计感兴趣的终端70的地理位置。使用这些算法中的一个或另一个的事实仅仅构成本发明的替选实施方式。

在考虑商品的运输的领域的同时已经描述了本发明。然而，没有什么能够排除考虑根据本发明的地理定位方法10的其他使用领域，特别地为要被地理定位的终端能够优选地占据特定地理位置或穿过特定地理位置的领域，系统60的大量终端70往往穿过这些特定地理位置(机场中行李的地理位置、包裹的地理位置等)。

在所描述的示例中，基于由校准终端72提供的参考元素来动态地标识感兴趣的点。然而，在特定实施方式中，没有什么能够阻止被称为先验的感兴趣的点中的所有或一部分以及使用可以有意地移动至被称为先验的所述感兴趣的点的校准装置71来确定与这些感兴趣的点相关联的无线电签名。