1.一种基于差分隐私的位置隐私保护方法，其特征在于：该方法包括以下步骤：步骤一、用户自定义其隐私偏好，采用决策树对车辆的位置进行隐私分级；

步骤二、将车辆位置的相关度与位置隐私进行比较，判断传感技术的测量误差是否满足用户的隐私偏好；

步骤三、假若测量误差满足隐私偏好，则向LBS发送测量位置，若不满足，则根据用户的隐私等级对不同车辆的不同位置采取自适应的差分隐私保护方法。

2.根据权利要求1所述的一种基于差分隐私的位置隐私保护方法，其特征在于：所述步骤一具体为：用户根据其不同的隐私偏好，自定义隐私敏感词，采取决策树将车辆的位置进行隐私分级；

决策树模型以一组位置特征F作为先验知识，该模型旨在预测用户访问位置Am的隐私级别，决策树H作为分类器来预测隐私级别j∈J＝{1,...,x}，表示为H(Am,F)＝j                              (1)给定D维特征向量F＝{f1,f2,...,fD},决策树H是在分层树形结构中组织的节点ni的集合，节点为分裂节点或者终端叶子节点；假设二进制决策树，对于每个分裂节点ni，分裂函数f(F,πi,φi)表示为其中πi∈{1,...,D}是特征指数，φi是划分两类的阈值；对于隐私级别J，决策树H的预测结果j∈J表示为d(u,j)＝1                               (3)同时

d(u,J/{j})＝0                           (4)在训练阶段，决策树随着在每个节点ni处指定的特征FK(FK∈F)数的增加而增长，FK随机的从F中选择，这些FK中的最佳分裂被用来分裂节点，产生分裂函数f；分裂节点采用信息增益I()的标准作为参考；特征指数πi和阈值由公式得到；

当达到预定义的深度或到达叶子时，分割结束；

在预测阶段，给定特征向量作为输入，根据等式(2)遍历树，直到找到叶子；为获得预测结果，应用多数投票规则：叶子的标签是从该叶子中完成训练的样本数量最多的类别中得出的，如果所有类别的计数均相同，则随机选择该标签。

3.根据权利要求2所述的一种基于差分隐私的位置隐私保护方法，其特征在于：所述步骤二具体为：不同的传感器对车辆位置存在一定的测量误差，引入相关度Rm，提供了一种与维度技术无关的定位精度度量和一种定位度量的私密性度量，考虑测量误差是否满足了车辆的隐私需求；过程如下：Am＝(xm,ym,rm)为所测量到的车辆位置；传感器获取的位置测量精度取决于被测圆形区域的半径，而圆形区域的半径又取决于传感技术不可避免的测量误差；为评估给定位置测量的质量，必须将其精度与传感技术所能提供的最佳精度进行比较；r0为达到最佳精度是所产生的半径，rm为测量位置的传感器所产生的半径；相关度Rm表示为：当Rm趋近于1时，所测量到的车辆位置越接近传感技术所能达到的最高精度，当Rm趋近于0时，所测量到的车辆位置精确度越低；

Am是相关度为Rm的车辆位置，定义Am的位置隐私度Rf为1-Rm；用户根据相关度以及位置的隐私来评判是否满足用户的隐私需求，将Am转换为混淆位置Af是通过加入噪声来完成的；

除了由于固有测量误差导致的自然退化外，Am到Af转化还引入了相关退化；如果Rf≥Rm，则定位测量不进行模糊处理，传感技术引入的测量误差已经满足用户的隐私偏好。

4.根据权利要求3所述的一种基于差分隐私的位置隐私保护方法，其特征在于：所述步骤三具体为：假若测量误差满足隐私偏好，则向LBS发送测量位置，若不满足，则根据用户的隐私等级对不同车辆的不同位置采取自适应的差分隐私保护方法；

假设恶意服务器或者恶意攻击者了解目标车辆的一定信息，并且对收集车辆的位置信息很感兴趣；给车辆发送给LBS服务器的请求信息加入服从高斯分布的噪声；

二维高斯分布的概率密度函数为

σ是标准偏差；然后我们给出由ε束缚的隐私损失来获取适合(r1,ε,δ)的σ；隐私损失Priloss的定义如下：将上述式子进行简化，并且根据柯西不等式和 得到：

由(r1,ε,δ)定义，确保由ε限制的隐私损失的概率至少是1-δ，意味着：高斯噪声的参数为

将适合的噪声加入到真实位置信息里，通过添加从以下二维高斯分布中随机生成的噪声来移动位置：转换上式转换成极坐标的形式：

r′为真实位置l1与加入噪声后的位置l0的距离，θ表示的是线段l1 l0方向的角度；

r′和θ的联合概率密度表示为：

假设真实位置l1表示为(s,t)，二维高斯分布后的噪声位置表示为：l0＝(s+r'cosθ,t+r'sinθ)                      (17)通过差异隐私保护机制，即使恶意攻击事先知道目标车辆的范围，也不能推断出目标车辆的具体位置；同时每个车辆对于隐私等级的划分是不一样的，车辆根据自己的隐私等级来间接的调整位置隐私保护的强度；

在差分隐私算法的保护机制下，用户的隐私泄露风险R表示为

其中xi∈D，xi'∈D'，F(D)和F(D‘)分别表示原始和发布序列的统计结果，RDD表示数据集D的自相关函数；

如果隐私泄露的上限是ε，那么

达到ε水平的隐私保护效果，即满足ε-差分隐私。