终端定位方法、装置、电子设备及存储介质与流程

1.本技术涉及通信技术领域，尤其涉及一种终端定位方法、装置、电子设备及存储介质。


背景技术：

2.随着移动通信技术的快速发展，用户对于移动通信业务的业务类型的需求和业务质量的需求都在逐渐提高，因此网络优化工作越来越需要做到精细化分析，即每个用户在每个位置上的网络感知情况，这就需要实时掌握用户所在的地理位置。
3.在相关技术中，可以通过采集已知位置的用户终端的数据，预测未知位置的用户终端的位置。然而，采集数据是通过网络进行，与用户使用网络冲突，会导致网络波动，降低采集数据的效率，进而降低预测用户终端位置的效率。


技术实现要素：

4.本技术提供一种终端定位方法、装置、电子设备及存储介质，用于避免网络波动影响采集数据的效率，从而提高预测终端位置的效率。
5.第一方面，本技术提供一种终端定位方法，包括：采集目标终端的特征数据以及目标终端归属小区的特征数据；根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所述目标终端的位置；其中，所述预测模型根据所述已知终端的样本数据和所述已知终端的位置训练得到，所述已知终端的样本数据包括所述已知终端的终端数字孪生数据和所述已知终端归属小区的小区数字孪生数据。
6.在一种可能的实施方式中，所述预测模型根据所述已知终端的样本数据和所述已知终端的位置训练得到，包括：采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述预测模型。
7.在一种可能的实施方式中，所述预测模型根据所述已知终端的样本数据和所述已知终端的位置训练得到，包括：针对不同的数据来源，执行以下处理：从所述数据来源中采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述数据来源对应的预测模型；其中，所述数据来源包括基站测量报告和终端应用程序；从不同的数据来源对应的预测模型中，确定最终的预测模型。
8.在一种可能的实施方式中，所述从不同的数据来源对应的预测模型中，确定最终的预测模型，包括：将每个数据来源对应的样本数据分别输入该数据来源对应的预测模型，输出所述数据来源对应的预测结果；计算该预测结果和该数据来源对应的已知终端的位置之间的误差；将所述不同的数据来源对应的预测模型中误差最小的预测模型作为最终的预测模型。
9.在一种可能的实施方式中，所述采集目标终端的特征数据以及目标终端归属小区的特征数据，包括：从网优路测报告中，采集目标终端的特征数据以及目标终端归属小区的特征数据。
10.在一种可能的实施方式中，所述根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据，包括：将所述已知终端的特征数据以及所述已知终端归属小区的特征数据，映射到数字孪生模型，获得已知终端的终端数字孪生数据以及已知小区的小区数字孪生数据；将小区数字孪生数据相似度达到预设阈值的已知小区划为同类小区，将同类小区的小区数字孪生数据和所述同类小区下已知终端的终端数字孪生数据合并，获得所述已知终端的样本数据。
11.第二方面，本技术提供一种终端定位装置，包括：采集模块，用于采集目标终端的特征数据以及目标终端归属小区的特征数据；处理模块，用于根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；预测模块，用于将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所述目标终端的位置；其中，所述预测模型根据所述已知终端的样本数据和所述已知终端的位置训练得到，所述已知终端的样本数据包括所述已知终端的终端数字孪生数据和所述已知终端归属小区的小区数字孪生数据。
12.在一种可能的实施方式中，所述装置还包括：获取模块，用于采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；样本模块，用于根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；训练模块，用于将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述预测模型。
13.在一种可能的实施方式中，所述装置还包括：训练模块，用于针对不同的数据来源，执行以下处理：从所述数据来源中采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述数据来源对应的预测模型；其中，所述数据来源包括基站测量报告和终端应用程序；所述训练模块，还用于从不同的数据来源对应的预测模型中，确定最终的预测模型。
14.在一种可能的实施方式中，所述训练模块，具体用于将每个数据来源对应的样本数据分别输入该数据来源对应的预测模型，输出所述数据来源对应的预测结果；计算该预测结果和该数据来源对应的已知终端的位置之间的误差；所述训练模块，具体还用于将所述不同的数据来源对应的预测模型中误差最小的预测模型作为最终的预测模型。
15.在一种可能的实施方式中，所述训练模块，具体用于从网优路测报告中，采集目标终端的特征数据以及目标终端归属小区的特征数据。
16.在一种可能的实施方式中，所述装置还包括：数据模块，用于将所述已知终端的特征数据以及所述已知终端归属小区的特征数据，映射到数字孪生模型，获得已知终端的终端数字孪生数据以及已知小区的小区数字孪生数据；所述数据模块，还用于将小区数字孪生数据相似度达到预设阈值的已知小区划为同类小区，将同类小区的小区数字孪生数据和所述同类小区下已知终端的终端数字孪生数据合并，获得所述已知终端的样本数据。
17.第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面中任一项所述的方法。
18.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行如第一方面中任一项所述的方法。
19.本技术提供的终端定位方法、装置、电子设备及存储介质，采集目标终端的特征数据以及目标终端归属小区的特征数据；根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所述目标终端的位置。以上方案，通过数字孪生模型生成输入数据，可以避免网络波动的影响，从而提高预测终端位置的效率。
附图说明
20.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
21.图1为本技术实施例提供的一种终端定位方法的应用场景示意图；
22.图2为本技术实施例一提供的一种终端定位方法的流程示意图；
23.图3为本技术实施例提供的数字孪生模型示例；
24.图4为本技术实施例提供的确定最终预测模型示例；
25.图5为本技术实施例提供的确定最终预测模型示例；
26.图6为本技术实施例二提供的一种终端定位装置的结构示例图；
27.图7为本技术实施例三提供的一种终端定位装置的装置框图；
28.图8为本技术实施例四中提供的一种电子设备的结构示意图。
29.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
30.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
31.首先对涉及的名词进行解释：
32.数字孪生技术：利用物理模型、传感器更新以及运行历史等数据，集成多学科、多物理量、多尺度以及多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程；
33.无线资源控制连接成功率：通过策略和手段进行无线资源管理、控制，在满足服务质量的要求下，尽可能地充分利用有限的无线网络资源，确保到达预定的覆盖区域，尽可能地提高业务容量和资源利用率；
34.参考信号接收功率：考虑的测量频率带宽上承载参考信号的资源元素上的接收功率的线性平均值；
35.信号与干扰加噪声比：指接收到的有用信号的强度与接收到的干扰信号(噪声和干扰)的强度的比值；
36.互联网服务业务(over the top，简称ott)：互联网公司越过运营商，发展基于开放互联网的服务业务，强调服务与物理网络的无关性。
37.图1为本技术实施例提供的一种终端定位方法的应用场景示意图，结合图示的场景进行举例：根据现实网络中的已知位置的基站的特征数据和基站下的终端的特征数据，建立物理模型，物理模型中体现基站和终端的关联，可以在物理模型中根据已知位置的基站的特征数据和基站下的终端的特征数据预测未知位置的目标小区的位置。然而现实网络中用户和基站每时每刻都在发生通信，如果在现实网络对应的物理模型中采集已知位置的基站的特征数据和基站下的终端的特征数据，会占用现实网络的资源，导致网络波动，降低采集特征数据的效率。通过建立物理模型的数字孪生模型，可以从虚拟的数字孪生模型采集已知位置的基站的特征数据和基站下的终端的特征数据，训练预测模型和预测目标小区的位置，由于采集特征数据发生在虚拟的数字孪生模型中，不会影响现实网络，从而提高预测终端位置的效率。
38.下面以具体的实施例对本技术的技术方案以及本技术的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。在本技术的描述中，除非另有明确的规定和限定，各术语应在本领域内做广义理解。下面将结合附图，对本技术的实施例进行描述。
39.实施例一
40.图2为本技术实施例一提供的一种终端定位方法的流程示意图，该方法包括以下步骤：
41.s201、采集目标终端的特征数据以及目标终端归属小区的特征数据；
42.s202、根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；
43.s203、将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所
述目标终端的位置；其中，所述预测模型根据所述已知终端的样本数据和所述已知终端的位置训练得到，所述已知终端的样本数据包括所述已知终端的终端数字孪生数据和所述已知终端归属小区的小区数字孪生数据。
44.作为示例，该实施例的执行主体可以为终端定位装置，该终端定位装置的实现有多种。例如，可以为程序软件，也可以为存储有相关计算机程序的介质，例如，u盘等；或者，该装置还可以为集成或安装有相关计算机程序的实体设备，例如，芯片、智能终端、电脑、服务器等。
45.在一个示例中，目标终端的特征数据包括但不限于：终端国际移动设备识别码、终端物理地址、终端品牌、终端主服务区标识、终端参考信号接收功率、终端信号与干扰加噪声比、视频流媒体初始缓冲播放时长、视频流媒体初始缓冲时长以及下载时延等。目标终端归属小区的特征数据包括但不限于：小区标识、小区下倾角、小区方位角、无线资源控制连接成功率、无线资源控制连接用户数、演进的无线接入承载建立成功率以及物理资源模块利用率等。
46.基于以上实施方式，通过获取多种维度的特征数据，可以提高预测小区位置的准确度。
47.在一个示例中，s203包括：采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述预测模型。
48.作为一种可实施的方式，已知终端为经过定位已知位置的终端。根据已知终端的位置以及已知终端的特征数据创建实体终端的终端物理模型。根据已知终端归属小区的特征数据创建实体小区的小区物理模型。基于数字孪生技术，创建与终端物理模型匹配的终端数字孪生模型，创建与小区物理模型匹配的小区数字孪生模型。在终端数字孪生模型以及小区数字孪生模型中生成样本数据，训练得到所述预测模型。
49.结合场景示例来说，如图3所示，图3为数字孪生模型示例。若在现实的物理模型中采集小区特征数据和小区下终端的特征数据会与影响网络性能，导致采集效率低以及增加网络负担影响用户使用。通过数字孪生技术，创建与物理模型匹配的数字孪生模型，在数字孪生模型中采集特征数据生成样本数据进行模型训练，可以降低网络负担。
50.需要说明的是，预测模型建模过程包括数据清洗、特征工程、超参数调优以及模型融合等必要的流程；训练算法包括但不限于随机森林、梯度提升树、支持向量机以及深度学习算法等。
51.作为另一个示例，预测模型可以包括经度预测模型和纬度预测模型，分别训练经度预测模型和纬度预测模型。将所述已知终端的样本数据作为输入，将所述已知终端的经度作为标签，训练得到经度预测模型；将所述已知终端的样本数据作为输入，将所述已知终端的纬度作为标签，训练得到纬度预测模型。
52.基于以上实施方式，通过特征数据创建的数字孪生模型的属性接近物理模型，通过数字孪生模型生成样本数据进行模型训练，可以在保证模型准确性的前提下降低网络负担。将已知终端的位置作为标签进行回归训练得到的预测模型，相比无监督算法训练得到的预测模型，准确度更高。
53.在一个示例中，终端定位方法还包括：针对不同的数据来源，执行以下处理：从所述数据来源中采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述数据来源对应的预测模型；其中，所述数据来源包括基站测量报告和终端应用程序；从不同的数据来源对应的预测模型中，确定最终的预测模型。
54.需要说明的是，本技术提到的数据来源也可以为除基站测量报告和终端应用程序之外的其他来源，本技术不做限制。
55.作为一种可实施的方式，如图4所示，图4为确定最终预测模型示例。从基站测量报告中获取第一特征数据，根据第一特征数据生成第一样本数据，将第一样本数据作为输入训练得到第一预测模型。同理，针对终端应用程序，基于ott技术，训练得到第二预测模型。从第一预测模型和第二预测模型中确定预测准确的模型作为最终的预测模型。
56.结合场景示例来说，受到地理位置因素和网络稳定性因素的影响，不同数据来源构建的样本数据训练得到的预测模型的预测结果有所不同，因此从中选择准确度最高的预测模型作为最终的预测模型。
57.基于以上实施方式，通过从不同的数据来源对应的预测模型中，确定最终的预测模型，可以利用异构数据的相关性，从而提高预测的准确度。
58.在一个示例中，从不同的数据来源对应的预测模型中，确定最终的预测模型，包括：将每个数据来源对应的样本数据分别输入该数据来源对应的预测模型，输出所述数据来源对应的预测结果；计算该预测结果和该数据来源对应的已知终端的位置之间的误差；将所述不同的数据来源对应的预测模型中误差最小的预测模型作为最终的预测模型。
59.作为一种可实施的方式，如图5所示，图5为确定最终预测模型示例。将第一样本数据输入训练完成的第一预测模型，计算输出结果与第一特征数据中的已知终端的位置的第一误差。同理，计算得到第二误差。比较第一误差和第二误差的值，将误差小的预测模型作为最终的预测模型。可以理解，误差最小的预测模型的预测准确度最高。
60.基于以上实施方式，通过计算预测位置与实际未知的误差来确定的最终的预测模型的预测准确度最高。
61.在一个示例中，采集目标终端的特征数据以及目标终端归属小区的特征数据，包括：从网优路测报告中，采集目标终端的特征数据以及目标终端归属小区的特征数据。
62.作为一种可实施的方式，从网优路测报告中采集第三特征数据，第三特征数据不包括地理位置，其他特征类型与第一特征数据以及第二特征数据一致。
63.需要说明的是，本技术不限制采集第三特征数据的具体来源。
64.基于以上实施方式，在保证除地理位置特征以外的特征类型一致的前提下，可以通过多种数据来源采集目标终端的特征数据，来预测目标终端的位置，预测的适用性更广。
65.在一个示例中，根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据，包括：将所述已知终端的特征数据以及所述已知终端归属小区的特征数据，映射到数字孪生模型，获得已知终端的终端数字孪生数据以及已知小区的小区数字孪生数据；将小区数字孪生数据相似度达到预设阈值
的已知小区划为同类小区，将同类小区的小区数字孪生数据和所述同类小区下已知终端的终端数字孪生数据合并，获得所述已知终端的样本数据。
66.结合场景示例来说，不同小区的特征数据之间差异范围会比较明显，不同终端的特征数据之间差异范围也会比较明显。举例来说，一个小区的无线资源控制连接成功率为99％，另一个小区的无线资源控制连接成功率为71％。差异范围过大的特征数据直接作为样本数据训练的预测模型没有针对性，准确度无法保证。基于以上问题，本技术设计对特征数据聚类得到样本数据的方法。
67.基于以上实施方式，通过聚类得到的样本集训练预测模型，可以提高准确度。
68.在一个示例中，预测模型训练方法还包括：按照不同的聚类方式，对所述已知终端的样本数据进行聚类，得到不同聚类方式下的样本集；分别将所述不同聚类方式下的样本集作为输入，所述已知终端的位置作为标签，训练得到不同聚类方式对应的预测模型。
69.作为一种可实施的方式，将终端数字孪生数据相似度达到预设阈值的终端划为同类，将同类终端的终端数字孪生数据和该类终端所属的小区的小区数字孪生数据合并，获得第一样本集；将小区数字孪生数据相似度达到预设阈值的小区划为同类，将同类小区的小区数字孪生数据和该类小区下的终端的终端数字孪生数据合并，获得第二样本集；将每个终端的终端数字孪生数据和该终端所属小区的小区数字孪生数据进行组合，将数据相似度达到预设阈值的组合划为同类，将同类组合下的终端数字孪生数据和小区数字孪生数据合并，获得第三样本集。
70.需要说明的是，不申请不限制聚类的具体标准。
71.基于以上实施方式，通过多种聚类方式得到的样本集训练得到多种预测模型，可以从中筛选预测准确度最高的预测模型。
72.本实施例提供的终端定位方法中，采集目标终端的特征数据以及目标终端归属小区的特征数据；根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所述目标终端的位置。以上方案，通过数字孪生模型生成输入数据，可以避免网络波动的影响，从而提高预测终端位置的效率。
73.实施例二
74.图6为本技术实施例二提供的一种终端定位装置的结构示意图，如图6所示，所述终端定位装置包括：
75.采集模块61，用于采集目标终端的特征数据以及目标终端归属小区的特征数据；
76.处理模块62，用于根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；
77.预测模块63，用于将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所述目标终端的位置；其中，所述预测模型根据所述已知终端的样本数据和所述已知终端的位置训练得到，所述已知终端的样本数据包括所述已知终端的终端数字孪生数
据和所述已知终端归属小区的小区数字孪生数据。
78.在一个示例中，目标终端的特征数据包括但不限于：终端国际移动设备识别码、终端物理地址、终端品牌、终端主服务区标识、终端参考信号接收功率、终端信号与干扰加噪声比、视频流媒体初始缓冲播放时长、视频流媒体初始缓冲时长以及下载时延等。目标终端归属小区的特征数据包括但不限于：小区标识、小区下倾角、小区方位角、无线资源控制连接成功率、无线资源控制连接用户数、演进的无线接入承载建立成功率以及物理资源模块利用率等。
79.基于以上实施方式，通过获取多种维度的特征数据，可以提高预测小区位置的准确度。
80.在一个示例中，终端定位装置还包括：获取模块64，用于采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；样本模块65，用于根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；训练模块66，用于将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述预测模型。
81.作为一种可实施的方式，已知终端为经过定位已知位置的终端。根据已知终端的位置以及已知终端的特征数据创建实体终端的终端物理模型。根据已知终端归属小区的特征数据创建实体小区的小区物理模型。基于数字孪生技术，创建与终端物理模型匹配的终端数字孪生模型，创建与小区物理模型匹配的小区数字孪生模型。在终端数字孪生模型以及小区数字孪生模型中生成样本数据，训练得到所述预测模型。
82.结合场景示例来说，如图3所示，图3为数字孪生模型示例。若在现实的物理模型中采集小区特征数据和小区下终端的特征数据会与影响网络性能，导致采集效率低以及增加网络负担影响用户使用。通过数字孪生技术，创建与物理模型匹配的数字孪生模型，在数字孪生模型中采集特征数据生成样本数据进行模型训练，可以降低网络负担。
83.需要说明的是，预测模型建模过程包括数据清洗、特征工程、超参数调优以及模型融合等必要的流程；训练算法包括但不限于随机森林、梯度提升树、支持向量机以及深度学习算法等。
84.作为另一个示例，预测模型可以包括经度预测模型和纬度预测模型，分别训练经度预测模型和纬度预测模型。将所述已知终端的样本数据作为输入，将所述已知终端的经度作为标签，训练得到经度预测模型；将所述已知终端的样本数据作为输入，将所述已知终端的纬度作为标签，训练得到纬度预测模型。
85.基于以上实施方式，通过特征数据创建的数字孪生模型的属性接近物理模型，通过数字孪生模型生成样本数据进行模型训练，可以在保证模型准确性的前提下降低网络负担。将已知终端的位置作为标签进行回归训练得到的预测模型，相比无监督算法训练得到的预测模型，准确度更高。
86.在一个示例中，训练模块66，用于针对不同的数据来源，执行以下处理：从所述数据来源中采集所述已知终端的位置、所述已知终端的特征数据以及所述已知终端归属小区的特征数据；根据所述已知终端的特征数据以及所述已知终端归属小区的特征数据，基于数字孪生模型，生成所述已知终端的样本数据；将所述已知终端的样本数据作为输入，将所述已知终端的位置作为标签，训练得到所述数据来源对应的预测模型；其中，所述数据来源
包括基站测量报告和终端应用程序；训练模块66，还用于从不同的数据来源对应的预测模型中，确定最终的预测模型。
87.需要说明的是，本技术提到的数据来源也可以为除基站测量报告和终端应用程序之外的其他来源，本技术不做限制。
88.作为一种可实施的方式，如图4所示，图4为确定最终预测模型示例。训练模块66从基站测量报告中获取第一特征数据，根据第一特征数据生成第一样本数据，将第一样本数据作为输入训练得到第一预测模型。同理，针对终端应用程序，基于ott技术，训练得到第二预测模型。从第一预测模型和第二预测模型中确定预测准确的模型作为最终的预测模型。
89.结合场景示例来说，受到地理位置因素和网络稳定性因素的影响，不同数据来源构建的样本数据训练得到的预测模型的预测结果有所不同，因此从中选择准确度最高的预测模型作为最终的预测模型。
90.基于以上实施方式，通过从不同的数据来源对应的预测模型中，确定最终的预测模型，可以利用异构数据的相关性，从而提高预测的准确度。
91.在一个示例中，训练模块66，具体用于将每个数据来源对应的样本数据分别输入该数据来源对应的预测模型，输出所述数据来源对应的预测结果；计算该预测结果和该数据来源对应的已知终端的位置之间的误差；训练模块66，具体还用于将所述不同的数据来源对应的预测模型中误差最小的预测模型作为最终的预测模型。
92.作为一种可实施的方式，如图5所示，图5为确定最终预测模型示例。将第一样本数据输入训练完成的第一预测模型，计算输出结果与第一特征数据中的已知终端的位置的第一误差。同理，计算得到第二误差。比较第一误差和第二误差的值，将误差小的预测模型作为最终的预测模型。可以理解，误差最小的预测模型的预测准确度最高。
93.基于以上实施方式，通过计算预测位置与实际未知的误差来确定的最终的预测模型的预测准确度最高。
94.在一个示例中，训练模块66，具体用于从网优路测报告中，采集目标终端的特征数据以及目标终端归属小区的特征数据。
95.作为一种可实施的方式，训练模块66，从网优路测报告中采集第三特征数据，第三特征数据不包括地理位置，其他特征类型与第一特征数据以及第二特征数据一致。
96.需要说明的是，本技术不限制采集第三特征数据的具体来源。
97.基于以上实施方式，在保证除地理位置特征以外的特征类型一致的前提下，可以通过多种数据来源采集目标终端的特征数据，来预测目标终端的位置，预测的适用性更广。
98.在一个示例中，终端定位装置还包括：数据模块67，用于将所述已知终端的特征数据以及所述已知终端归属小区的特征数据，映射到数字孪生模型，获得已知终端的终端数字孪生数据以及已知小区的小区数字孪生数据；数据模块67，还用于将小区数字孪生数据相似度达到预设阈值的已知小区划为同类小区，将同类小区的小区数字孪生数据和所述同类小区下已知终端的终端数字孪生数据合并，获得所述已知终端的样本数据。
99.结合场景示例来说，不同小区的特征数据之间差异范围会比较明显，不同终端的特征数据之间差异范围也会比较明显。举例来说，一个小区的无线资源控制连接成功率为99％，另一个小区的无线资源控制连接成功率为71％。差异范围过大的特征数据直接作为样本数据训练的预测模型没有针对性，准确度无法保证。基于以上问题，本技术设计对特征
数据聚类得到样本数据的方法。
100.基于以上实施方式，通过聚类得到的样本集训练预测模型，可以提高准确度。
101.在一个示例中，数据模块67，还用于按照不同的聚类方式，对所述已知终端的样本数据进行聚类，得到不同聚类方式下的样本集；分别将所述不同聚类方式下的样本集作为输入，所述已知终端的位置作为标签，训练得到不同聚类方式对应的预测模型。
102.作为一种可实施的方式，数据模块67将终端数字孪生数据相似度达到预设阈值的终端划为同类，将同类终端的终端数字孪生数据和该类终端所属的小区的小区数字孪生数据合并，获得第一样本集；将小区数字孪生数据相似度达到预设阈值的小区划为同类，将同类小区的小区数字孪生数据和该类小区下的终端的终端数字孪生数据合并，获得第二样本集；将每个终端的终端数字孪生数据和该终端所属小区的小区数字孪生数据进行组合，将数据相似度达到预设阈值的组合划为同类，将同类组合下的终端数字孪生数据和小区数字孪生数据合并，获得第三样本集。
103.需要说明的是，不申请不限制聚类的具体标准。
104.基于以上实施方式，通过多种聚类方式得到的样本集训练得到多种预测模型，可以从中筛选预测准确度最高的预测模型。
105.本实施例提供的终端定位装置中，采集模块，用于采集目标终端的特征数据以及目标终端归属小区的特征数据；处理模块，用于根据所述目标终端的终端特征数据以及所述目标终端归属小区的小区特征数据，基于数字孪生模型，得到目标终端的终端数字孪生数据和目标小区的小区数字孪生数据；以及，将所述目标终端的终端数字孪生数据和目标小区的小区数字孪生数据添加至经过定位的已知终端的样本数据中，作为所述目标终端的输入数据；预测模块，用于将所述目标终端的输入数据输入至预测模型，得到所述预测模型输出的所述目标终端的位置。以上方案，通过数字孪生模型生成输入数据，可以避免网络波动的影响，从而提高预测终端位置的效率。
106.实施例三
107.图7是根据一示例性实施例示出的一种终端定位装置的装置框图，该装置可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
108.装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。
109.处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
110.存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(static random-access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称
eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
111.电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
112.多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(liquid crystal display，简称lcd)和触摸面板(touch panel，简称tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
113.音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(microphone，简称mic)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
114.输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
115.传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(complementary metal oxide semiconductor，简称cmos)图像传感器或电荷耦合元件(charge-coupled device，简称ccd)，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
116.通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如wifi，第二代移动通信技术(2nd-generation communication technology，简称2g)，第三代移动通信技术(3rd-generation communication technology，简称3g)，第四代移动通信技术(4th-generation communication technology，简称4g)或第五代移动通信技术(5th-generation communication technology，简称5g)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(near field communication，简称nfc)模块，以促
进短程通信。例如，在nfc模块可基于射频识别(radio frequency identification，简称rfid)技术，红外数据协会(infrared data association，简称irda)技术，超宽带(ultra wide band，简称uwb)技术，蓝牙(bluetooth，简称bt)技术和其他技术来实现。
117.在示例性实施例中，装置800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal process，简称dsp)、数字信号处理设备(digital signal process device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
118.在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(random access memory，简称ram)、cd-rom、磁带、软盘和光数据存储设备等。
119.实施例四
120.图8为本技术实施例中提供的一种电子设备的结构示意图，如图8所示，该电子设备包括：
121.处理器(processor)291，电子设备还包括了存储器(memory)292；还可以包括通信接口(communication interface)293和总线294。其中，处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器292中的逻辑指令，以执行上述实施例的方法。
122.此外，上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
123.存储器292作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本技术实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。
124.存储器292可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器292可以包括高速随机存取存储器，还可以包括非易失性存储器。
125.本技术实施例提供一种非临时性计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如前述实施例所述的方法。
126.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
127.应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。