不要上手就学深度学习！

从数学的观点看，手机的位置必定位于以这两个基站为焦点、以其距离差为定差的双曲线上。这样一来，周围三个或三个以上的基站就能两两形成两条或两条以上的双曲线，双曲线的交点就是手机的二维位置坐标。

上表中的OTDOA、UTDOA和E-OTD属于TDOA定位法。

A-GNSS

A-GNSS，Assisted GNSS，即网络辅助的卫星定位系统。
 

指通过测量多个基站发送的参考信号到达手机的时间，来计算不同基站与手机之间的距离，并以该距离为半径分别画一个同心圆，再通过定位算法(三边定位算法、最小二乘算法)，来估算手机位置。

TDOA

TDOA，Time Difference of Arrival(到达时间差)。

TOA定位法的缺点在于，若基站与手机之间时间不同步，双方都不知道信号发送的绝对时间，会造成计算和定位误差。

而TDOA利用相对时间(时间差)来弥补了这一缺点，即通过测量手机与附近两个基站的信号到达时间差，来计算手机到基站的距离差。
 

1. 数据采集层

按数据的实时性，数据采集分为离线采集和实时采集。离线采集使用DataX和Sqoop，实时采集使用Kafka Connect、Flume、Kafka。

在离线数据采集中，建议使用DataX和Sqoop相结合。DataX适合用在数据量较小且采用非关系型数据库的场景，部署方式很简单。Sqoop适合用在数据量较大且采用关系型数据库的场景。

在实时数据采集中，对于数据库的变更数据，如MySQL的binlog、Oracle的OGG，使用Kafka Connect进行数据的实时采集。对于其他数据，先将数据实时写成文件，然后采用Flume对文件内容进行实时采集。将实时采集后的数据推送到Kafka，由Flink进行数据处理。

2. 数据计算层

数据计算采用YARN作为各种计算框架部署的执行调度平台，计算框架有MapReduce、Spark及Spark SQL、Flink、Spark MLlib等。

MapReduce是最早开源的大数据计算框架，虽然现在性能相对较差，但它的资源占用比较小，尤其是内存方面。因此在部分数据量过大，而其他计算框架由于硬件资源的限制(主要是内存限制)而无法执行的场景，可以将MapReduce作为备选框架。

Spark及Spark SQL是在批处理方面拥有出色性能的成熟技术方案，适合大部分的离线处理场景。特别是在离线数据建模方面，建议使用Spark SQL进行数据处理，既能保证易用性，又能保证处理的性能。Flink是实时数据处理方面的首选，在处理的时效性、性能和易用性方面都有很大优势。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!