1.离线指纹库构建方法，其特征在于，在各无线接入点设备处分别部署移动边缘计算服务器，所述方法包括以下步骤：步骤1：对获得的指纹数据采用聚类算法获得设定数量的聚类及聚类中心；

步骤2：将每一类中的数据根据初始聚类中心所在的位置存储到对应的移动边缘计算服务器中构建完成各离线指纹库的分库；

对获得的指纹数据采用K‑聚类算法获得设定数量的聚类及聚类中心，具体包括以下步骤：步骤101：从m条指纹数据中随机取k个作为初始聚类中心，即{C1, C2, …, Ck}；

步骤102：遍历所有的指纹数据，分别计算其对应的参考点位置与k个聚类的聚类中心欧氏距离，并将此指纹数据分进欧氏距离最小的聚类中心那个类；

步骤103：重新计算每个聚类的聚类中心，就是在每个类中用所有数据的平均值替代初始聚类中心，作为这个聚类的新的聚类中心，从而完成一个迭代操作；

步骤104：重复上述的步骤102和步骤103，直至迭代次数达到设定的最大迭代次数，或者所有类的聚类中心位置都收敛，也就是每个聚类当前计算出的聚类中心位置与上一次计算的聚类中心位置偏差小于设定的阈值，从而完成整个聚类操作；

* * *

步骤105：输出新的聚类及其聚类中心{C1 , C2 , …, Ck }；

步骤2具体包括以下步骤：

步骤201：将n个无线接入点设备的位置信息作为n个聚类的初始聚类中心，C={C1，C2，…，Cn}={L1，L2，…，Ln}，每个聚类中心对应一个移动边缘计算服务器，其中C1，C2，…，Cn是n个聚类的聚类中心，L1，L2，…，Ln是各参考点；

步骤202：移动设备端遍历m个参考位置，分别计算当前参考点位置与n个聚类中心的欧氏距离，找出欧氏距离最小的聚类中心，并将当前参考点的采样值传输至此聚类中心对应的移动边缘计算服务器处，将所有参考点分进n个不同的类，同一个类参考点的RSS采样信息传输至同一个移动边缘计算服务器处；

步骤203：移动边缘计算服务器将其所对应类中的参考点采样数据进行预处理，等所有移动边缘计算服务器对其参考点采样数据的预处理工作完成后，一次聚类操作完成；

步骤204：每个移动边缘计算服务器重新计算其对应的子类的聚类中心，将此子类包含的所有参考点的位置取均值作为新的聚类中心，将新聚类中心的RSS向量设置成子类中所有参考点的RSS向量的均值；

步骤205：每个移动边缘计算服务器端更新并存储这n个新的聚类中心，并对其类里的参考点根据欧氏距离规则重新进行聚类操作，若参考点进行聚类后分到其他类，则由当前移动边缘计算服务器将数据传输至其对应的移动边缘计算服务器处；

步骤206：重复步骤204和步骤205，直至每个类的聚类中心变化值小于设定的阈值或者聚类迭代次数达到设置的最大迭代数；

步骤207：输出每个类的聚类中心的RSS向量，并存至移动设备处。

2.位置指纹定位方法，其特征在于，包括以下步骤：

采用如权利要求1所述的离线指纹库构建方法构建离线指纹库的分库；

各移动边缘计算服务器基于目标点的RSS向量和其存储的构建离线指纹库的分库进行匹配，对各移动边缘计算服务器的匹配结果进行加权得到目标点最终估计位置。

3.根据权利要求2所述的位置指纹定位方法，其特征在于，获得目标点最终估计位置的方法包括以下步骤：获取目标点的RSS向量，基于目标点的RSS向量与各个聚类中心的RSS向量确定目标点与各个聚类中心的相似度权重；

对相似度权重值进行排序，将最大的相似度权重与设定的最大权重阈值进行比较，若最大的相似度权重大于设定的最大权重阈值，则将最大的相似度权重设置为第一权重，其他的相似度权重设置为第二权重；否则，将依次按照从大到小的相似度权重与设定的最小权重阈值进行比较，若存在相似度权重小于设定的最小权重阈值，则将所有小于设定的最小权重阈值的相似度权重都设定为第二权重，并重新计算大于等于设定的最小权重阈值的相似度权重；

若目标点与各个聚类中心的相似度权重为第二权重，则存储该聚类中心的移动边缘计算服务器不对目标点进行位置匹配运算；

若目标点与各个聚类中心的相似度权重不为第二权重，则存储该聚类中心的移动边缘计算服务器对目标点进行位置匹配运算；将各移动边缘计算服务器的匹配结果进行加权计算，得到最终的估计位置。

4.根据权利要求3所述的位置指纹定位方法，其特征在于，

确定目标点与各个聚类中心的相似度权重的方法包括：

目标点的RSS向量与第i个聚类中心的相似度用RSS向量的欧氏距离Di来计算，表达式如下：，

其中，rssi为目标点的RSS向量，n为目标点的RSS向量的元素个数，也是类别的个数，为第i个类的聚类中心的RSS向量，i=1, 2, …,n；

将欧氏距离Di转化为类与目标点的相似度权重，表达式如下：

。

5.根据权利要求3所述的位置指纹定位方法，其特征在于，重新计算大于等于设定的最小权重阈值的相似度权重的表达式如下：，

其中，Di表示目标点的RSS向量与第i个聚类中心的相似度用RSS向量的欧氏距离，Dj表示目标点的RSS向量与第j个聚类中心的相似度用RSS向量的欧氏距离，i=1, 2, …,n，n为目标点的RSS向量的元素个数， 表示各小于设定的最小权重阈值的相似度权重。

6.根据权利要求3所述的位置指纹定位方法，其特征在于，最终估计位置的表达式如下：，

其中，假设在经过权重处理后权重值不为第二权重的有r个W={W1, W2, …,Wr}，其对应的移动边缘计算服务器的匹配结果为L={L1, L2, …,Lr}={(x1, y1), (x2, y2),…, (xr, yr)}，其中，L1，L2，…，Ln是各参考点，(x1, y1), (x2, y2),…, (xr, yr) 是各参考点的位置信息。

7.位置指纹定位系统，采用权利要求1所述的离线指纹库构建方法和权利要求2所述的位置指纹定位方法，其特征在于，在各无线接入点设备处分别部署移动边缘计算服务器，包括：离线指纹库构建模块、位置指纹定位模块以及估计位置确定模块，所述离线指纹库构建模块用于对获得的指纹数据采用聚类算法获得设定数量的聚类及聚类中心；将每一类中的数据根据初始聚类中心所在的位置存储到对应的移动边缘计算服务器中构建完成各离线指纹库的分库；

所述位置指纹定位模块部署在各个所述移动边缘计算服务器中，用于基于目标点的RSS向量和其存储的构建离线指纹库的分库进行匹配；

所述估计位置确定模块用于对各移动边缘计算服务器的匹配结果进行加权得到目标点最终的估计位置。