1.一种基于通信基站三维定位的跟踪与轨迹方法，基于通信基站三维定位的跟踪与轨迹方法包括根据CHAN算法进行三维室内粗定位，得到基站采集TOA数据，预处理TOA数据，根据LS算法消除多路径误差，其特征在于：基于通信基站三维定位的跟踪与轨迹方法还包括：(1)建立基站加权投票估值模型,建立度量值拆分模型，根据所述度量值拆分模型拆分出真实时延模型，噪声时延模型及干扰时延模型，建立机器学习度量微调模型，建立精确多点三维定位模型；

所述建立基站加权投票估值模型包括：

(ⅰ)根据所述TOA数据，估计各个基站的定位区域；

(ⅱ)计算各个基站定位区域坐标，依据各基站定位区域交叉程度定义定位区域权值；

(ⅲ)保存所定位区域权值，完成建模；

(2)根据步骤(1)所述精确三维定位模型，建立定位精度与参数关系的模型，用于量化分析定位精度与参数关系变化；依据所述定位精度与参数关系模型建立精确三维定位优化模型；将所述精确三维定位优化模型应用于步骤(1)中精确多点三维定位模型，优化所述终端精确坐标，优化过程包括求解完成最优三维定位精度的最小基站数量建立精确三维定位优化模型；

(3)根据步骤(1)中所述精确三维定位模型建立改进终端运动轨迹定位模型，完成运动终端轨迹定位；所述建立改进终端运动轨迹定位模型包括计算得出定位标识图，两个相邻点的干扰系数和噪声分布相似度大于相似度阈值，判断两个点为真正相邻点，于真正相邻点中间的通信间隙进行插值；根据改进终端运动轨迹定位模型进行轨迹定位运算，完成运动轨迹定位；

所述轨迹定位运算步骤如下：

(A).根据步骤(1)中CHAN算法对所有终端轨迹上的坐标进行精确定位，确定最外围端点坐标；

(B).设置终端坐标存储栈，将起始点入栈；

(C).根据步骤(B)，设置步骤(B)中外围端点为起始点，计算起始点噪声及干扰场；根据噪声干扰数据定位噪声干扰相似距离相近坐标点，将噪声干扰相似距离相近坐标点入栈，根据栈顶5点判断运动方向正确性，正确时重复步骤(C)，不正确时进入步骤(D)；

(D).将栈顶终端坐标点出栈执行步骤(E)；

(E).所有端点执行完毕结束，进入步骤(3)，所有端点未执行完毕则返回步骤(C)。

2.根据权利要求1所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述基于通信基站三维定位的跟踪与轨迹方法还包括根据滑动窗口算法对局部异常部分的位点进行还原处理，所述还原处理包括将原时延模型进行拆解以及将基站采集TOA数据模块化为TOA数据段，识别出相应的受干扰TOA数据区段，整体还原为步骤(1)所述的真实时延模型，剔除时延干扰，计算终端精确的运算轨迹。

3.根据权利要求1或2所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述方法还包括根据步骤(2)中精确三维定位优化模型对各个终端进行筛选，定位终端，计算终端与基站之间的距离，验证终端定位的准确性；

①.建立基站间连接信任度模型,用于表征基站之间的协同定位度，包括：任意两基站以它们之间的距离表征基站信任度，基站信彼此任度值为：其中，数据集中范围为200m，ζ为0-1；

②.建立虚拟基站模型，用于量化基站有效测量范围及基站采集TOA数据信任度，所述建立虚拟基站模型过程包括：基站采集TOA数据可信度及最终定位精度，以基站为圆心，设置一个表征基站可测范围的同心圆，所述基站采集TOA数据的可信程度由圆心指向圆周方向逐渐变小，所述基站采集TOA数据信任度 为：其中；为0-1；

③建立基于基站信任度模型及虚拟基站模型的终端定位模型，根据所述基于基站信任度模型及虚拟基站模型的终端定位模型计算终端坐标精确度，根据终端坐标精确度映射信号干扰比值SINR的地域差异，根据信号干扰比值SINR的地域差异使用上位机计算出三维信号干扰比值SINR的地域差异。

4.根据权利要求3所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述步骤③中建立基于基站信任度模型及虚拟基站模型的终端定位模型，包括：(A)根据步骤①所述基站信任度模型对所有基站进行分类，得出N个基站测量小组；

(B)根据步骤②所述虚拟基站模型计算所有的基站采集TOA数据信任度(C)根据所述基站采集TOA数据信任度 为测量数据TOA权值，以基站测量小组为测量基站，使用步骤(1)中所述精确三维定位优化模型对终端进行精确定位；

其中,N为正整数。

5.根据权利要求1或2所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述步骤(1)中建立真实时延模型包括：

(1a)建立概率密度函数：

(1b)根据步骤(a)，得到支路附加时延的概率密度分布模型：所述支路信号附加时延τi(i＝1,2,…,n)为一组相互独立的指数分布随机变量；

(1c)根据步骤(b)建立τmin的概率密度函数：(1d)计算实际到达时间为表示τ0+τi中的最小值τ0+τmin；

其中，τms均方根延迟扩展，T为τms在d＝1km的中值,d为终端到基站的直线距离,ε是0.5到1的指数分量，ξ为均值为零、标准差σξ为4～6bB的对数正态分布随机变量，n为发送所述信号端对应的传播路径数量，τ0为视距波到达接收端的时间,τmax为时延最大的支路信号的到达时间，τmin＝min(τ1…τn)。

6.根据权利要求1或2所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述步骤(1)中建立干扰时间模型包括：

(1A)在系统误差和错误信道环境中，建立一个基站时信号到达时间(1B)求解任意两个基站i，j到达时间差为：

(1C)建立类正态分布函数：

(1D)根据步骤(C)的类正态分布函数，利用最小二乘法拟合随机指数分布的信道环境误差(τimin,τjmin)，取 时，类正态分布密度曲线是指数分布密度曲线在最小二乘意义下的最优拟合，得到信道环境误差(τimin,τjmin)为(1E)根据TDOA中系统误差μ0和信道环境误差μij，计算出i基站与j基站信号到达时间差0

为： 所述系统误差μ和信道环境误差μij具有相同的高斯分布 方差

其中，m为基站数量， 为理想条件下信号到达两基站的时间差，为由基站i及基站j检测设备引起的系统误差，t0＝cd为视线信号传播时间，c是电波空气中的传播速度，d为终端到基站的直线距离，τ0为系统误差,(τimin,τjmin)为服从指数分布的信道环境误差。

7.根据权利要求1或2所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述步骤(1)中建立噪声时延模型过程包括：根据噪声强度对基站所测区域进行划分，分析判断噪声强度为曾区域分布，根据噪声强度做出等高线图，得出在所测量区域由区域中心向边缘发散分布的噪声强度。

8.根据权利要求1或2所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述步骤(1)中建立机器学习度量微调模型用于将真实时延与噪声时延及干扰时延进行剥离，包括：定义长度为N的任意离散信号 使用基于训练的学习方法，根据ψ及S求解

其中，X＝[x1,x2...,xn]是TOA数据集，S＝[s1,s2,...,sn]稀疏表达，ψ为一组基向量{ψi}，θ为信号在正交基下展开的系数。

9.根据权利要求1或2所述的基于通信基站三维定位的跟踪与轨迹方法，其特征在于：所述步骤(1)所述建立精确多点三维定位模型包括：

(a)利用全基站投票加权估值模型计算基站的权值；

(b)利用噪声时延和干扰时延模型移出所测数据噪声时延和干扰时延；

(c)利用机器学习算法模型对所测数据进行进一步的优化微调；

(d)利用最终精确测量数据和TOA定位算法计算终端精确坐标。