1.一种基于5G信号的室内大型商场智能指纹定位方法，其特征在于，所述方法包括：获取目标商场内待定位终端当前采集的定位点的信号数据；

采用混合滤波方法对所述定位点的信号数据进行数据清洗，获得清洗后的数据；

基于离线阶段对所述目标商场的子区域划分结果，为所述清洗后的数据匹配子区域，并根据所属的子区域内的参考点，基于改进的自适应加权近邻算法进行位置解算，获得所述待定位终端的定位信息；

向所述待定位终端反馈所述定位信息。

2.根据权利要求1所述的方法，其特征在于，所述基于离线阶段对所述目标商场的子区域划分结果，为所述清洗后的数据匹配子区域，并根据所属的子区域内的参考点，基于改进的自适应加权近邻算法进行位置解算，获得所述待定位终端的定位信息的步骤，包括：基于离线阶段对所述目标商场的子区域划分结果，将所述清洗后的数据匹配到基站的覆盖区域内的第j个子区域中，将第j个子区域确定为所述定位点所属的子区域；

若 bj为第j个子区域的参考点个数，H为所属基站的覆盖区域的参考点个数，h为所属基站的覆盖区域的子区域个数，选择曼哈顿距离作为权值，解算所述定位点的定位坐标，即：

所属的子区域内第v个参考点的曼哈顿距离权重计算如下：其中，RSRP为清洗后的数据，RSRP‑v为所属的子区域的第v个参考点的信号数据，RSRP‑a为所属的子区域的第a个参考点的信号数据，Wv为所属的子区域的第v个参考点的曼哈顿距离权重；

解算所述定位点的定位坐标为：

其中，(x,y)为所述定位点的定位坐标，(xv,yv)为第v个参考点的定位坐标；

若 基于欧式距离与皮尔逊系数进行加权计算，计算所述所属的子区域中各参考点的欧式距离，将所述所属的子区域中bj个参考点的坐标，按曼哈顿距离从小到大排列；

将距离最小为d1的参考点作为基点，计算剩余bj‑1个参考点到所述基点的欧式距离：其中，dv为第v个参考点到所述基点的欧式距离，(x1,y1)为距离最小为d1的参考点的定位坐标；

将超过预设距离阈值davg的参考点删去，得到剩余的O个参考点；

比较剩余的O‑1个参考点到所述基点的欧氏距离，将存在欧氏距离相等的参考点，采用皮尔逊系数，对所述存在欧氏距离相等的参考点的信号数据进行归一化处理，计算所述存在欧氏距离相等的参考点的信号数据与所述清洗后的数据的相似度Rv，公式为：式中， 为所述清洗后的数据和第v个参考点的信号数据经归一化处理后计算出的内积，L为剩余的O个参考点中存在欧氏距离相等的参考点个数；

根据剩余的O个参考点到所述基点的欧氏距离，以及所述存在欧氏距离相等的参考点的信号数据与所述清洗后的数据的相似度，进行加权计算，获得所述定位点的定位坐标，计算公式为；

根据所述定位点的定位坐标和所述定位点所属的子区域，获得所述待定位终端的定位信息。

3.根据权利要求1所述的方法，其特征在于，所述离线阶段对所述目标商场的子区域划分方式，包括：

结合所述目标商场内基站的部署密度，对所述目标商场进行区域划分，确定各基站的覆盖区域；

根据各基站接收到参考点反馈的信号数据进行分析，确定各所述基站的覆盖区域对应的人流量状态；

根据各所述基站的覆盖区域对应的人流量状态，确定所述覆盖区域对应的子区域划分数目区间；

根据所述覆盖区域对应的子区域划分数目区间，采用模糊C均值算法对所述覆盖区域的参考点进行聚类，结合误差平方和判定最佳的子区域划分进行分析，获得所述覆盖区域的子区域划分结果。

4.根据权利要求3所述的方法，其特征在于，所述根据各基站的接收到参考点反馈的信号数据进行分析，确定各所述基站的覆盖区域对应的人流量状态的步骤，包括：根据各基站的覆盖区域的接收到参考点反馈的信号数据，基于波动方差公式进行分析，确定各所述基站的覆盖区域的信号波动程度；

波动方差公式为：

式中， 为基站的覆盖区域的第v个参考点的信号波动程度，Z为该基站的覆盖区域内第v个参考点采集的信号特征值的数量，RSRP‑vi为第v个参考点的第i个信号特征值，为该基站的覆盖区域内第v个参考点的信号数据的平均值， 为基站的覆盖区域的信号波动程度，H为基站的覆盖区域的参考点个数；

基站的覆盖区域的信号波动程度超过预设波动阈值，则人流量状态为忙时；

基站的覆盖区域的信号波动程度小于等于预设波动阈值，则人流量状态为闲时。

5.根据权利要求4所述的方法，其特征在于，所述根据各所述基站的覆盖区域对应的人流量状态，确定所述覆盖区域对应的子区域划分数目区间的步骤，包括：当基站的覆盖区域的人流量状态为忙时，基站的覆盖区域划分的个数大于热点区域的个数r，且不会超过基站的覆盖区域的参考点个数H，则基站的覆盖区域对应的子区域划分数目区间为[r,H]；

当基站的覆盖区域的人流量状态为闲时，基于基站的覆盖区域内的商铺数量进行子区域划分，即基站的覆盖区域对应的子区域划分数目为基站的覆盖区域内商铺的数量。

6.根据权利要求5所述的方法，其特征在于，所述根据所述覆盖区域对应的子区域划分数目区间，采用模糊C均值算法对所述覆盖区域的参考点进行聚类，结合误差平方和判定最佳的子区域划分进行分析，获得所述覆盖区域的子区域划分结果的步骤，包括：将所述覆盖区域对应的子区域划分数目区间作为模糊C均值的类别数，计算每个参考点的隶属度，初始化隶属度矩阵，通过隶属度计算初始指纹聚类中心；

根据目标函数更新聚类中心cj，目标函数为：式中，U表示子区域划分数目，H为基站的覆盖区域的参考点个数，根据新的聚类中心重新计算隶属度 cj为第j个子区域的聚类中心，RSRP‑v为第j个子区域中第v个参考点的信号数据，β为加权系数或模糊控制参数；

利用基于误差平方和进行改进的误差立方值公式对聚类优劣进行评价，判断子区域划分效果，确定最优的子区域划分数目，得到最佳的子区域划分；

所述基于误差平方进行改进的误差立方值公式为：式中，D‑SSE表示对误差平方和进行立方计算得到的立方误差值，cj为第j个子区域的中心点，RSRP‑v为第j个子区域中第v个参考点的信号数据，Fj为第j个子区域中参考点的个数。

7.根据权利要求1所述的方法，其特征在于，所述采用混合滤波方法对所述定位点的信号数据进行数据清洗，获得清洗后的数据的步骤，包括：采用高斯滤波的方法保留所述定位点的信号数据中在预设区间内的信号特征值，得到M1个数据，计算均值，得到第一估计值rsrp1，所述预设区间为：其中，σ为标准差， 为采集的定位点的信号数据的平均值。

采用狄克逊滤波的方法，计算所述定位点的信号数据中的高端异常值与低端异常值，基于狄克逊的临界指标，将检出水平α设为0.05，去掉离群值，得到M2个信号特征值，求均值，得到第二估计值rsrp2；

综合第一估计值rsrp1和第二估计值rsrp2，获得清洗后的数据，公式为；

式中，RSRP为清洗后的数据。