CN105263113B

CN105263113B - 一种基于众包的WiFi位置指纹地图构建方法及其系统

Info

Publication number: CN105263113B
Application number: CN201510702867.6A
Authority: CN
Inventors: 李清泉; 周宝定
Original assignee: Shenzhen University
Current assignee: Shenzhen University
Priority date: 2015-10-26
Filing date: 2015-10-26
Publication date: 2018-08-21
Anticipated expiration: 2035-10-26
Also published as: CN105263113A

Abstract

本发明提供了一种基于众包的WiFi位置指纹地图构建方法及其系统，其中，所述方法包括：获取相关的众包数据；基于所述众包数据，使用航位推算方法计算获得用户的相对运动轨迹；并且，通过机器学习方法识别包括若干种行为类型的用户的特定行为；构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；生成室内地图的点线模型，并通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息。最后基于所述室内位置坐标信息及众包数据，构建WiFi位置指纹地图。利用众包数据进行WiFi位置指纹地图的自动构建及更新。

Description

一种基于众包的WiFi位置指纹地图构建方法及其系统

技术领域

本发明涉及位置服务技术领域，尤其涉及一种基于众包的WiFi位置指纹地图构建方法及其系统。

背景技术

WiFi位置指纹法是一种常用的室内定位方法，这种方法可以利用现有的无线局域网基础设施，且通过智能手机即可实现定位，无需用户增加额外设备，因此其应用最为广泛。

现有的WiFi位置指纹法包括离线指纹采集及在线定位两步。离线指纹采集的目的在于构建室内区域的WiFi位置指纹数据库。在离线采集阶段，需要在每个采集点采集一段时间的数据，以提高位置指纹数据库的质量。而在线定位阶段，通过用户实时获取的WiFi信号强度信息，利用定位算法将其与WiFi位置指纹数据库中的信息进行匹配比较，从而估计用户的位置。

由上述WiFi位置指纹定位的原理可知，WiFi位置指纹数据库的构建准确与否非常重要。离线采集阶段需要大量的采集点样本，数据采集的工作量较大，特别是对于大范围的室内区域，位置指纹样本的采集工作需要耗费大量的人力物力，严重的限制了WiFi位置指纹法的大规模普及和应用。

而且，由于外界环境的变化，使得WiFi位置指纹数据库的时效性较差，需要周期性进行更新，对WiFi位置指纹法的应用提出了更大的挑战。

因此，现有技术还有待发展。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于众包的WiFi位置指纹地图构建方法及其系统，旨在解决现有技术中WiFi位置指纹数据库数据采集工作量大，并且时效性较差的问题。

为了达到上述目的，本发明采取了以下技术方案：

一种基于众包的WiFi位置指纹地图构建方法，其中，所述方法包括：

获取相关的众包数据；基于所述众包数据，使用航位推算方法计算获得用户的相对运动轨迹；并且，通过机器学习方法识别包括若干种行为类型的用户的特定行为；构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边；

通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息；

基于所述室内位置坐标信息及众包数据，构建WiFi位置指纹地图。

所述的WiFi位置指纹地图构建方法，其中，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及WiFi数据。

所述的WiFi位置指纹地图构建方法，其中，所述航位推算方法具体包括：基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数；通过步频步长模型，估算用户的行走步长；依据磁力计数据获得用户的前进方向；依据所述行进步数及行走步长，计算获得前进距离；并且依据所述前进距离及前进方向，生成用户的相对运动轨迹。

所述的WiFi位置指纹地图构建方法，其中，所述“通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息”的步骤具体包括：

使用隐马尔可夫模型匹配特定行为发生位置与所述点线模型的相对应的点；

依据行为序列模型中，相邻特定行为之间的步数及点线模型中相对应的两个点之间的距离计算获得每一步在室内地图中对应的坐标信息。

所述的WiFi位置指纹地图构建方法，其中，所述“基于所述室内位置坐标信息及众包数据，构建WiFi位置指纹地图”的步骤具体包括：

将所述室内地图网格化；依据相对运动轨迹的室内地图坐标信息，选择与网格中心距离最近的WiFi信息作为网格的第一位置指纹信息；对众包数据中的多个相对运动轨迹重复执行前述步骤，并且将与多个相对运动轨迹相对应的网格的多个第一位置指纹信息平均后形成网格的第二位置指纹信息。

所述的WiFi位置指纹地图构建方法，其中，所述机器学习方法具体包括：采集包含若干特定行为的样本时序数据；通过预定长度的滑动窗口分割所述样本时序数据从而获得特定行为样本；提取所述特定行为样本的特征；基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；

使用相同的滑动窗口对所述众包数据进行分割，并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。

所述的WiFi位置指纹地图构建方法，其中，使用voronoi图方法生成室内地图的点线模型。

一种基于众包的WiFi位置指纹地图构建系统，其中，所述系统包括：

数据获取模块，用于获取相关的众包数据；

相对运动轨迹生成模块，用于基于所述众包数据，使用航位推算方法计算获得用户的相对运动轨迹；

特定行为识别模块，用于通过机器学习方法识别包括若干种行为类型的用户的特定行为；

行为序列生成模块，用于构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；

点线模型生成模块，用于生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边；

匹配模块，用于通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息；

指纹地图生成模块，用于基于所述室内位置坐标信息及众包数据，构建WiFi位置指纹地图。

所述的WiFi位置指纹地图构建系统，其中，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及Wifi数据；

相对运动轨迹生成模块具体用于：

基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数；通过步频步长模型，估算用户的行走步长；依据磁力计数据获得用户的前进方向；并且

依据所述行进步数及行走步长，计算获得前进距离；并且依据所述前进距离及前进方向，生成用户的相对运动轨迹。

所述的WiFi位置指纹地图构建系统，其中，所述特定行为识别模块具体用于：采集包含若干特定行为的样本时序数据；通过预定长度的滑动窗口分割所述样本时序数据从而获得特定行为样本；提取所述特定行为样本的特征；基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；

有益效果：本发明提供的一种基于众包的WiFi位置指纹地图构建方法及其系统，采用行为序列与室内路网匹配的方法并基于室内地图可以得到室内地图坐标系下轨迹中每一步的绝对坐标。基于该绝对位置坐标，实现了利用智能手机或者其他终端采集的众包数据，进行WiFi位置指纹地图的自动构建及更新，有效解决了WiFi位置指纹数据库构建耗时耗力的难题。另外，由于构建的数据来源为众包数据，相对应的指纹数据库的时效性及准确度均有显著的提高。

附图说明

图1为本发明具体实施例的WiFi位置指纹地图构建方法的方法流程图。

图2为本发明具体实施例的WiFi位置指纹地图构建方法的航位推算方法的方法流程图。

图3为本发明具体实施例的行为序列模型的示意图。

图4为本发明具体实施例的图3所示的行为序列模型在对应的室内地图中的匹配结果示意图。

图5为本发明具体实施例的使用voronoi图方法生成的室内地图点线模型的示意图。

图6为本发明具体实施例的WiFi位置指纹地图构建系统的结构框图。

具体实施方式

本发明提供一种基于众包的WiFi位置指纹地图构建方法及其系统。为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明具体实施例的基于众包的WiFi位置指纹地图构建方法。所述方法包括：

S1、获取相关的众包数据。所述众包数据是指从若干众包用户的终端上获取的多种不同类型的传感器数据。众包是指一种非选择指向的模式，亦即包含有各种不同类型、各种范围的用户。

所述用户的终端可以是任何合适的，至少具有一个传感器的终端设备，例如智能手机、智能手表、各种可穿戴设备等等。

具体的，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及WiFi数据。其中WiFi数据可以包括MAC地址、SSID、强度RSSI。

S2、基于所述众包数据，使用航位推算方法计算获得用户的相对运动轨迹。

具体的，如图2所示，依据上述众包数据包含的传感器数据类型，所述航位推算方法具体可以为：

S21、基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数。

S22、通过步频步长模型，估算用户的行走步长。所述步频步长模型具体可以由如下算式所定义：

sl＝a·f+b

其中，sl为步长，f为步频，a和b为常数参数。

S23、依据磁力计数据获得用户的前进方向。

依据所述行进步数及行走步长，将两者相乘即可计算获得前进距离。最后，依据所述前进距离及前进方向，生成用户的相对运动轨迹(S24)。

所述相对运动轨迹可以由xy坐标轴上对应的坐标来表示。具体可以通过如下公式计算：

其中，x_t和y_t分别为t时刻用户的位置，x_t-1和y_t-1分别为t-1时刻用户的位置，Δd为前进距离，为前进方向。

S3、基于所述众包数据，通过机器学习方法识别包括若干种行为类型的用户的特定行为。所述特定行为具体是指用户(行人)在室内特殊位置的行为(亦即除正常行走外的一些行为类型)，例如，行人在转角处的转弯行为，行人在乘电梯时发生的超重和失重行为等。

通过众包数据(例如加速度计、陀螺仪、磁力计和气压计数据)，可以使用合适的机器学习方法识别出上述不同的行为类型。

在本发明的具体实施例中，所述机器学习方法识别的过程如下：

首先，采集包含若干特定行为的样本时序数据。一般而言，移动终端(例如智能手机)的传感器数据(亦即众包数据)均为时序数据。

然后，通过预定长度的滑动窗口分割所述样本时序数据从而获得每个特定行为样本。时间窗口可以设置为2秒。

然后，提取所述特定行为样本的特征。所使用的特征具体可以依据实际情况进行选择并确定。例如基于本发明具体实施例的众包数据的数据类型，可以使用三轴加速度的均值和标准差、三轴角速度的均值和标准差以及气压的变化值作为样本的特征。

其具体计算方法由如下算式表示：

其中和σ_a为三轴加速度的均值和标准差，和σ_g为三轴角速度的均值和标准差，Δp为气压的变化值，n为行为样本中传感器数据的个数，n_p为用户计算气压均值的数据个数，为常数n_p≤n

然后进入训练阶段：基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器。具体选择使用的分类器及相对应的分类器参数可以又实际情况所决定。

最后，使用相同的滑动窗口对所述众包数据进行分割并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。

S4、构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型。将上述步骤得到的相对运动轨迹以及特定行为的识别结果进行建模，即可获得包含有特定行为之间的相对空间关系以及特定行为种类的模型，在此使用“行为序列模型”这一词语表示这一模型。如图3所示，为包含有5个特定行为的行为序列模型的示意图。

S5、生成室内地图的点线模型。其中，所述点为可能发生所述特定行为的位置，例如，转角、电梯、楼梯等。而线为连接点的边。所述点线模型可以通过手动方法实现，也可以通过自动方法获得。例如，可以使用voronoi图方法生成室内地图的点线模型(生成的最终结果如图5所示)，也可以使用其他合适的自动生成方法获得符合使用要求的点线模型。

S6、通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息。亦即将发生特定行为的位置与所述点线模型相对应的点进行匹配。

具体的，所述步骤S6包括：

首先，使用隐马尔可夫模型匹配特定行为发生位置与所述点线模型的相对应的点。

其具体的匹配方法如下：

1、隐状态：图结构中的节点。

2、观测值：行人航位推算得到的特定行为发生时刻之间的相对位移。

3、状态转移概率：当识别出一个特定行为时，会生成一个隐状态之间的的转移概率。通过室内地图的拓扑结构，可以得到隐状态之间的转移概率矩阵。因为行人(用户)只能在相邻的点之间移动，所以可以假设每个点与它相邻点的转移概率为均匀分布，由此可以得到整个室内地图的状态转移矩阵。例如如图3所示，为本发明所述状态转移概率计算的示意图。

4、输出概率：输出概率描述每个隐状态下观测值的概率分布。在本发明所采用的隐马尔可夫模型中，观测值为由行人航位推算得到的特定行为之间的相对位移。

根据行人航位推算的原理，相对位移误差由距离估计误差和角度误差两部分组成。因此，观测值概率分布由距离观测值概率分布和角度观测值概率分布两部分组成。由于距离和角度观测值是相互独立的，因此观测值概率分布为：

其中，σ_d是距离测量值的标准差，是角度测量值的标准差。

5、初始概率分布：初始概率分布假设为均匀分布，当识别出第一个特定行为时，认为此时的位置在每个相应节点的概率相等。

6、维特比算法：维特比算法用于寻找与用户的相对运动轨迹匹配概率最大的隐状态序列，即通过用户的相对运动轨迹中包含的特定行为以及特定行为之间的相对位移，将用户相对运动轨迹与点线模型中的点进行匹配，从而实现对相对运动位移中的每一步进行定位。使用数学模型表示O＝(O₁,O₂,...,O_T)为轨迹中包含的特定行为，维特比变量通过下式定义：

其中，δ_t(i)是时刻t在状态i的概率，a_ij是状态i到j的状态转移概率，b_j(O_t+1)为状态j的观测值输出概率。为了得到可能性最大的状态，ρ_t+1(j)定义如下：

根据行为识别得到的轨迹中连续多个特定行为，通过与点线模型中的若干点匹配，得到轨迹的绝对坐标(室内地图的坐标位置)，将与轨迹中特定行为匹配的点称作“节点链”。使用下式计算每个获选节点链的概率：

p_t+1(j)＝p_t(i)·a_ij·b_j(O_t+1),1≤t≤T

其中，p_t(i)是t时刻候选节点链的概率。当最大候选节点链的概率值与概率值次大的节点链概率值之比大于阈值C时，概率值最大的候选节点链即为匹配的结果。

然后，依据行为序列模型中，相邻特定行为之间的步数及点线模型中相对应的两个点之间的距离计算获得每一步在室内地图中对应的坐标信息。亦即根据轨迹中特定行为之间的步数，将轨迹进行插值，根据室内路网中节点之间的距离，得到每一步的绝对坐标信息。

如图4所示，为图3所示的行为序列模型在对应的室内地图(点线模型)中的匹配结果示意图。数字1-5分别表示行为序列模型的5个特定行为的具体位置。

S7、基于所述室内位置坐标信息及众包数据，构建WiFi位置指纹地图。所述众包数据中包含多条相对运动轨迹(与不同的用户相对)。因此，通过整合上述众包数据及运算得出的绝对位置(即室内位置坐标信息)可以构建最终的WiFi位置指纹地图或者指纹地图数据库。

在本发明的具体实施例中，所述步骤S7具体包括：

首先，将所述室内地图网格化。即使用等间距的纵向及横向线将室内地图划分为一个个大小相同的网格。

然后，依据相对运动轨迹的室内地图坐标信息，选择与网格中心距离最近的WiFi信息作为网格的第一位置指纹信息。

亦即，对于每一相对运动轨迹，根据轨迹中用户每一步的位置信息，选择与其欧式距离最近的WiFi格网中心坐标，作为该步检测时刻获取的WiFi指纹的坐标信息。

对众包数据中的多个相对运动轨迹重复执行前述步骤，获得多个第一位置指纹信息。

最后，将与多个相对运动轨迹相对应的网格的多个第一位置指纹信息平均后形成网格的第二位置指纹信息。具体的，所述位置指纹可以是每个AP(即热点，可根据MAC地址确认)的信号强度的平均值。

如图6所示，为本发明具体实施例的一种基于众包的WiFi位置指纹地图构建系统。所述系统包括：

数据获取模块100，用于获取相关的众包数据。具体的，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及WiFi数据。

相对运动轨迹生成模块200，用于基于所述众包数据，使用航位推算方法计算获得用户的相对运动轨迹。

特定行为识别模块300，用于通过机器学习方法识别包括若干种行为类型的用户的特定行为。

行为序列生成模块400，用于构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型。

点线模型生成模块500，用于生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边。

匹配模块600，用于通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息。

指纹地图生成模块700，用于基于所述室内位置坐标信息及众包数据，构建WiFi位置指纹地图。具体如上所述。

在本发明的具体实施例中，相对运动轨迹生成模块具体用于：基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数；通过步频步长模型，估算用户的行走步长；依据磁力计数据获得用户的前进方向；并且依据所述行进步数及行走步长，计算获得前进距离；并且依据所述前进距离及前进方向，生成用户的相对运动轨迹。具体如上所述。

更具体的，所述特定行为识别模块具体用于：采集包含若干特定行为的样本时序数据；通过预定长度的滑动窗口分割所述样本时序数据从而获得特定行为样本；提取所述特定行为样本的特征；基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；使用相同的滑动窗口对所述众包数据进行分割，并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。具体如上所述。可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及本发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims

1.一种基于众包的WiFi位置指纹地图构建方法，其特征在于，所述方法包括：

获取相关的众包数据；

基于所述众包数据，使用航位推算方法计算获得用户的相对运动轨迹；并且，通过机器学习方法识别包括若干种行为类型的用户的特定行为；

构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；

生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边；

基于所述室内地图坐标信息及众包数据，构建WiFi位置指纹地图；

所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及WiFi数据；

所述“通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息”的步骤具体包括：

2.根据权利要求1所述的WiFi位置指纹地图构建方法，其特征在于，所述航位推算方法具体包括：

基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数；

通过步频步长模型，估算用户的行走步长；

依据磁力计数据获得用户的前进方向；

3.根据权利要求1所述的WiFi位置指纹地图构建方法，其特征在于，所述“基于所述室内地图坐标信息及众包数据，构建WiFi位置指纹地图”的步骤具体包括：

将所述室内地图网格化；

依据相对运动轨迹的室内地图坐标信息，选择与网格中心距离最近的WiFi信息作为网格的第一位置指纹信息；

对众包数据中的多个相对运动轨迹重复执行前述步骤，并且

将与多个相对运动轨迹相对应的网格的多个第一位置指纹信息平均后形成网格的第二位置指纹信息。

4.根据权利要求1所述的WiFi位置指纹地图构建方法，其特征在于，所述机器学习方法具体包括：

采集包含若干特定行为的样本时序数据；

通过预定长度的滑动窗口分割所述样本时序数据从而获得特定行为样本；

提取所述特定行为样本的特征；

基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；

5.根据权利要求1所述的WiFi位置指纹地图构建方法，其特征在于，使用voronoi图方法生成室内地图的点线模型。

6.一种基于众包的WiFi位置指纹地图构建系统，其特征在于，所述系统包括：

数据获取模块，用于获取相关的众包数据；

指纹地图生成模块，用于基于所述室内地图坐标信息及众包数据，构建WiFi位置指纹地图；

所述“通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息”具体包括：

7.根据权利要求6所述的WiFi位置指纹地图构建系统，其特征在于，相对运动轨迹生成模块具体用于：

8.根据权利要求6所述的WiFi位置指纹地图构建系统，其特征在于，所述特定行为识别模块具体用于：

采集包含若干特定行为的样本时序数据；

提取所述特定行为样本的特征；

基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；使用相同的滑动窗口对所述众包数据进行分割，并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。