CN106093844A - 估计终端间距及位置规划的方法、终端及设备 - Google Patents

Abstract

本发明提供了一种用于估计终端间距及位置规划的方法、设备及终端，该方法主要包括获取待估计间距的终端所采集到的无线接入点信息；提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；并在该间距的基础上，采用降维处理的方式，获得多个终端之间的位置规划，得到各个终端的规划位置坐标。该方法以较少的资源消耗和较快速度，准确获取终端间的相对距离及终端位置，并且对终端的硬件精确度要求不高，能够广泛应用于现有的用户终端中。

Description

估计终端间距及位置规划的方法、终端及设备

技术领域

本发明涉及无线通信领域，具体涉及一种可以不通过第三方服务器而进行终端之间距离估计的方法、设备及终端。

背景技术

随着智能终端设备与无线互联网技术的迅速发展，有关获取位置的问题和基于位置的服务(location based service，LBS)得到了广泛的应用。当前，室外定位大多采用卫星定位技术，如全球定位系统(GPS)、北斗定位系统等，当卫星连接状况良好时，定位精度可达1m之内。但是由于建筑物屏蔽，卫星定位技术在室内定位领域中并不适用，起初的室内定位技术包括基于红外、超声波、RFID信号的无线定位技术；当前应用较为广泛的是基于蓝牙、Wi-Fi等无线网络信号的指纹匹配算法估算室内位置，如刘定俊等人提出的融合Wi-Fi与传感数据的室内定位方法等。基于指纹匹配等技术的室内定位算法可将室内定位的平均精度推进至3-5米。然而在LBS发展的同时，也为人与人之间建立社交关系提供了更多的方式，新兴的近场社交概念逐步走进了人们的视野。例如在场、米信等APP均推出了基于近场社交理念的社交新方式，让处于同一区域的陌生人更快、更自然地实现交流与互识。因此，准确获取特定区域中人与人之间的位置关系将尤为重要。

现有技术中，采用例如利用终端在不同位置获取到周围环境中AP信息的差异性，通过如基于信号到达时间(TOA)或信号到达时间差(TDOA)以及基于接收信号强度(RSSI)等，计算用户的当前位置，则要求AP与用户终端之间的时间绝对同步，对设备精度的要求很高，而市场中用户常用的智能手机、智能手表等设备，往往不能满足上述精度要求，或者在勉强达到该要求的情况下，对系统资源或流量资源消耗严重。

此外，在如文献CN104459612A，发明名称为具备测量与WI-FI设备距离及方向供能的移动终端中，是借助测距天线以及鉴相测距模块来进行移动终端距离及方向的测量。此种方法的特点在于需要测距双方限定在传感器能够感知的范围内，通过传感器模块实现点对点直接感知。在又如文献CN104812061A中，利用MIMO-OFDM信道状态，结合定位空间中的已知位置的锚点AP信息，通过计算不同锚点AP到终端的路径，再计算获取最终用户定位。

上述现有技术至少存在着以下的共同缺陷：(1)基于地图信息的定位，往往需要接收额外的例如GPS信息，以获取终端位置；(2)基于wifi信号的定位技术，往往需要大量的运算及测量，才能够实现对终端间相对位置的确定，而这一运算量需要设置在服务器端进行处理及比对信息的预存储，才能够实现实时定位，且由于标定工作的繁琐以及建筑物之间不能共享标定数据，人力物力消耗巨大；(3)由于复杂多变的室内环境对信号的传播造成较大的损耗，且信号传播过程中存在多径效应，因此该方法的定位结果精度并不高；(4)不能很好地适应多变的室内信号源环境，时间跨度越大，信号源差异越大。

发明内容

有鉴于此，为解决现有技术中存在的问题，本发明首先提供一种估计终端间距的方法，其特征在于，包括：

获取待估计间距的终端所采集到的无线接入点信息；

提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；该距离计算函数，可以是通过多种方式而取得的函数，例如建立在对定位区域内的定点检测而获得的经验值基础上，采用拟合方式获得的距离函数等；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度；

所述距离计算函数由机器学习获得。该机器学习的方法，可以采用常规的人工神经网络方法，例如BP神经网络等，也可以采用支持向量机等算法实现。

优选地，所述机器学习进一步包括：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取；

采用机器学习的方式，至少部分地基于提取的特征向量，获得距离计算函数。

优选地，上述特征向量至少包括以下的一种：无线接入点数、相同无线接入点信号差、相同无线接入点数量与总无线接入点数量的比值等。该些特征向量可以根据具体的机器学习需要、精度需要等，进行任意的组合，或者与其他的特征向量结合。

优选地，在对每组所述位置数据进行特征提取后，计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

基于所述特征数据，获得距离计算函数。

优选地，在形成所述特征数据后，对所述特征数据进行归一化处理。所述归一化处理并非必要的步骤，当特征向量的量级差别不大时，可以不加入归一化处理的步骤，也可根据具体的计算量要求，进行调整。

优选地，所述机器学习采用支持向量机模型，所述支持向量机核函数采用径向基函数；

所述支持向量机模型采用支持向量回归分类器；

所述机器学习过程采用梯度下降法寻找最佳回归参数。

在另一个方面，本发明还提供了一种近场终端位置规划方法，其特征在于，包括：

获取待估计间距的终端所采集到的无线接入点信息；

提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

依据所述间距，将所述待估计间距的终端转化为二维位置分布，获得所述终端的规划位置；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

优选地，采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取，并计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

采用机器学习的方式，至少部分地基于所述特征数据，获得距离计算函数。该机器学习的方法，可以采用常规的人工神经网络方法，例如BP神经网络等，也可以采用支持向量机等算法实现。

优选地，所述获得所述待估计间距的终端的规划位置，进一步包括：

依据所述任意两终端之间的间距，构成数据集I，并基于所述数据集建立终端间的距离矩阵，所述距离矩阵可表示为：

其中，d_i,j表示数据集中第i和第j个变量的间距，i,j∈1,...,I。

进一步优选地，上述距离可以采用任意终端间的欧氏距离。

优选地，对所述距离矩阵进行特征值分解，具体方法如下：

构建矩阵X、T，令

$\left\{\begin{array}{c}{X}^T=\left(X_1^T\mathrm{...}{X}_n^T\right)\\ d_{ij}={(X_i-X_j)}^2=X_i^2+X_j^2-2X_i{X}_j\\ T={\mathrm{XX}}^T\end{array}\right.---\left(1\right)$

则由上式可得：

$t_{ij}=-\frac{1}{2}(d_{ij}^2+X_i^2-X_j^2)---\left(2\right)$

其中，X_i为R^N空间中第i个坐标点，N为空间维度，1≤n≤N；

对矩阵所述T进行矩阵分解：

$T={\mathrm{U\ΛU}}^T={\mathrm{U\Λ}}^{\frac{1}{2}}{\mathrm{\Λ}}^{\frac{1}{2}}{U}^T$

其中，U为特征向量，Λ为特征值矩阵；

令：

$\left\{\begin{array}{c}X={\mathrm{U\Λ}}^{\frac{1}{2}}\\ X^T={\mathrm{\Λ}}^{\frac{1}{2}}{U}^T\end{array}\right.$

完成对所述距离矩阵的降维处理。

优选地，依据所述规划位置的坐标，及其对应的终端的实际位置坐标，求取所述待估计间距的终端间的平均距离；

基于所述平均距离，以及所述规划位置的坐标中，最远的两位置间的坐标距离，获取所述规划位置的评价参数。

优选地，所述评价参数采用如下方式计算：

${\mathrm{\β}}_{MDS}=\frac{D_{mean}}{D_{max}}$

其中，D_max为所述规划位置的坐标中，最远的两位置间的坐标距离；D_mean为所述平均距离。当该β_MDS越接近于0，则所述规划位置与真实位置的拟合性越好。

在本发明的又一个方面，本发明还提供了一种可估计终端间距的终端，其特征在于，所述终端包括：

请求接收单元，用于发送和/或接收距离获取请求；

无线接入点信息获取单元，用于获取所述终端自身所采集到的无线接入点信息，以及接收其他终端发送的所采集的无线接入点信息；

距离获取单元，用于将所述终端接收到所述其他端发送的终端信息后，提取所述终端及其他终端的终端信息的特征向量，通过距离计算函数，获取所述终端与所述其他终端的相对距离；

优选地，所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

优选地，所述特征向量至少包括以下的一种：无线接入点数、相同无线接入点信号差、相同无线接入点与总无线接入点的比值。

优选地，所述终端进一步包含存储单元，用于存储所述距离计算函数。

优选地，所述距离计算函数通过机器学习的方式获得；

进一步优选地，所述机器学习包括：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取；

采用机器学习的方式，至少部分地基于提取的特征向量，获得距离计算函数。

优选地，在对每组所述位置数据进行特征提取后，进一步包括：

计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

基于所述特征数据，获得距离计算函数。

优选地，所述终端进一步包括：

位置规划单元，用于依据所述终端及所述其他终端中，任意两终端之间的间距，获得所述终端的规划位置；

所述规划位置为二维空间中的位置。

优选地，所述位置规划单元进一步包括降维处理单元，用于依据所述任意两终端之间的间距，建立距离矩阵，并对所述距离矩阵进行降维处理，得到所述规划位置的坐标。

优选地，所述降维处理采用特征值分解法。

在本发明的又一个方面，本发明还提供了一种用于获取终端规划位置的装置，其特征在于，所述装置包括：

信息获取单元，用于获取待估计间距的终端所采集到的无线接入点信息；

特征提取单元，用于提取所述无线接入点信息的特征向量；

距离计算单元，用于依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

位置规划单元，用于依据所述距离计算单元计算得到的所述间距，获得所述终端的规划位置；所述规划位置为二维空间中的位置；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

优选地，所述装置进一步包括距离函数获取单元，用于获取所述距离计算函数，具体采用如下方式：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取，并计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

采用机器学习的方式，至少部分地基于所述特征数据，获得距离计算函数。

优选地，所述位置规划单元依据所述距离计算单元得到的任意两终端之间的间距，构成数据集，并基于所述数据集建立终端间的距离矩阵；以及

对所述距离矩阵进行降维处理，获得所述终端的规划位置坐标。

优选地，所述装置进一步包括规划位置评价单元，用于依据所述规划位置的坐标，及其对应的终端的实际位置坐标，求取所述待估计间距的终端间的平均距离；

基于所述平均距离，以及所述规划位置的坐标中，最远的两位置间的坐标距离，获取所述规划位置的评价参数。

优选地，所述评价参数采用如下方式计算：

${\mathrm{\β}}_{MDS}=\frac{D_{mean}}{D_{max}}$

其中，D_max为所述规划位置的坐标中，最远的两位置间的坐标距离；D_mean为所述平均距离；

β_MDS越接近于0，则所述规划位置与真实位置的拟合性越好。

与现有技术相比，本发明技术方案不需要额外的第三方定位信息，仅通过对终端周边的无线接入点信息即可以获得对终端间距离的估算，以及终端位置的确定，并且，本发明的技术方案不需要终端之间具有精确的一致时间，对终端性能要求低，能够广泛适用于现有的用户终端中，本发明的技术方案定位及距离计算精度高，有效提高了在近场定位中的用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明一实施例的估计终端间距的方法流程图；

图2为本发明一实施例的近场终端位置规划方法流程图；

图3为本发明一实施例的终端结构图；

图4为本发明一实施例的数据路径采集图；

图5为本发明一实施例的实验1的采集点分布；

图6为本发明一实施例的实验1的距离估算结果对比图；

图7为本发明一实施例的实验1的位置规划结果对比图。

具体实施方式

下面结合附图对本发明实施例一种应用程序推荐方法及装置进行详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式之间均是可以相互结合或者相互关联使用的，除非在本发明明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本发明的保护范围的理解。

实施例1：

如图1所示，在一个具体的实施例中，本发明提供一种估计终端间距的方法，该方法包括：

获取待估计间距的终端所采集到的无线接入点信息；

提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；该距离计算函数，可以是通过多种方式而取得的函数，例如建立在对定位区域内的定点检测而获得的经验值基础上，采用拟合方式获得的距离函数等；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度；

所述距离计算函数由机器学习获得。该机器学习的方法，可以采用常规的人工神经网络方法，例如BP神经网络等，也可以采用支持向量机等算法实现。

在一个具体的实施方式中，所述机器学习进一步包括：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取；

采用机器学习的方式，至少部分地基于提取的特征向量，获得距离计算函数。

具体地，在数据采集过程中，在定位区域内的不同位置扫描无线接入点(AP)信息，获取到该区域内不同位置的AP数据，建立位置与AP的关系，数据格式可以设置如下：

＜X,Y,MAC₁,RSSI₁,...,MAC_n,RSSI_n＞

X，Y为位置坐标、MAC_i为AP_i的MAC地址，RSSI_i为对应的接收信号强度，n为该位置搜索到的AP数。

在一个具体的实施方式中，上述特征向量至少包括以下的一种：无线接入点数、相同无线接入点信号差、相同无线接入点数量与总无线接入点数量的比值等。该些特征向量可以根据具体的机器学习需要、精度需要等，进行任意的组合，或者与其他的特征向量结合。

在一个具体的实施方式中，在进行机器学习以及对终端进行举例计算时，上述特征提取可以采用如下方式：

将采集到的不同位置数据以握手的方式两两分组，即若采集n个点的Wi-Fi信号数据，则每个点与其他n-1个点分别进行1次分组，去除重复组，可得n*(n-1)/2组数据。对每组数据进行特征提取，计算每组数据间相同的AP数(NUM_sameAP)、相同AP信号差的最大值(RSSID_max)、相同AP信号差的最小值(RSSID_min)、相同AP信号差的平均值(RSSID_mean)、相同AP数与该组总AP数的比值(NUM_sameAP/NUM_allAP)作为特征，计算组内两点的坐标距离D作为数据标签，

$D=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}$

建立特征数据，格式可以设置如下：

＜D 1：NUM_sameAP 2：RSSID_max 3：RSSID_min 4：RSSID_mean 5:NUM_sameAP/NUM_allAP＞

为避免特征数据量纲差异过大的问题，可以对数据进行归一化处理，将特征值归一化至[-1,1]区间，生成可供机器学习训练的数据文件。

在一个具体的实施方式中，所述机器学习采用支持向量机模型，所述支持向量机核函数采用径向基函数；

所述支持向量机模型采用支持向量回归分类器；

所述机器学习过程采用梯度下降法寻找最佳回归参数。

在一个具体的实施方式中，在进行具体的距离计算时，使用上述生成的回归模型，即距离计算函数，对测试数据进行回归，根据每组特征数据预测每组2点之间的距离，实验结果由回归值与真实值之间的皮尔逊相关系数(ρ_pearson)和平均误差(Error_Mean)进行评价。

实施例2：

在一个具体的实施例中，如图2所示，本发明还提供了一种近场终端位置规划方法，该方法包括：

获取待估计间距的终端所采集到的无线接入点信息；

提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

依据所述间距，将所述待估计间距的终端转化为二维位置分布，获得所述终端的规划位置；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

在一个具体的实施方式中，采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取，并计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

采用机器学习的方式，至少部分地基于所述特征数据，获得距离计算函数。

在一个具体的实施方式中，上述的机器学习及特征提取的方式，可以采用实施例1中的方式进行。

该机器学习的方法，可以采用常规的人工神经网络方法，例如BP神经网络等，也可以采用支持向量机等算法实现。

在一个具体的实施方式中，所述获得所述待估计间距的终端的规划位置，进一步包括：

依据所述任意两终端之间的间距，构成数据集I，并基于所述数据集建立终端间的距离矩阵，所述距离矩阵可表示为：

其中，d_i,j表示数据集中第i和第j个变量的间距，i,j∈1,...,I。

上述多维分析的目的为得到一组大小为I的向量集x₁,...,x_I∈R^N，对于所有的i,j∈1,...,I，均有||x_i-x_j||≈d_i,j，||·||代表向量模。向量模可以为变量间的欧几里得距离，但是在广义上，它也可指代任意的距离函数。多维分析时，实质是在保持变量间相对距离不变的基础上，寻找一个从数据集I到R^N之间的映射关系。如果维度N选择为2或3，则向量x_i即可在二维平面或三维空间中反映数据集合I中各变量的结构关系。最终，可以将上述多维分析转化为计算的最优化问题，并可采用矩阵特征值分解法求解。

在一个具体的实施方式中，对所述距离矩阵进行特征值分解，具体方法如下：

构建矩阵X、T，令

$\left\{\begin{array}{c}{X}^T=\left(X_1^T\mathrm{...}{X}_n^T\right)\\ d_{ij}={(X_i-X_j)}^2=X_i^2+X_j^2-2X_i{X}_j\\ T={\mathrm{XX}}^T\end{array}\right.---\left(1\right)$

则由上式可得：

$t_{ij}=-\frac{1}{2}(d_{ij}^2+X_i^2-X_j^2)---\left(2\right)$

即

其中，X_i为R^N空间中第i个坐标点，N为空间维度，1≤n≤N；

对矩阵所述T进行矩阵分解：

$T={\mathrm{U\ΛU}}^T={\mathrm{U\Λ}}^{\frac{1}{2}}{\mathrm{\Λ}}^{\frac{1}{2}}{U}^T$

其中，U为特征向量，Λ为特征值矩阵；

令：

$\left\{\begin{array}{c}X={\mathrm{U\Λ}}^{\frac{1}{2}}\\ X^T={\mathrm{\Λ}}^{\frac{1}{2}}{U}^T\end{array}\right.$

完成对所述距离矩阵的降维处理。

在一个具体的实施方式中，依据所述规划位置的坐标，及其对应的终端的实际位置坐标，求取所述待估计间距的终端间的平均距离；

基于所述平均距离，以及所述规划位置的坐标中，最远的两位置间的坐标距离，获取所述规划位置的评价参数。

计算规划点位置坐标与对应实际点坐标的平均距离D_mean，通过下式求解，其中(x_{i_pre},y_{i_pre})为预测点坐标，(x_{i_real},y_{i_real})为实际点坐标，n为实验点个数；

$D_{mean}=\underset{i=1}{\overset{n}{\Σ}}\frac{\sqrt{{(x_{i\_pre}-x_{i\_real})}^2+{(y_{i\_pre}-y_{i\_real})}^2}}{n}$

计算预测点集中距离最远的两点距离D_max，用平均距离D_mean与最大距离D_max的比值β_MDS作为评价MDS位置规划结果的参数，

在一个具体的实施方式中，所述评价参数采用如下方式计算：

${\mathrm{\β}}_{MDS}=\frac{D_{mean}}{D_{max}}$

其中，D_max为所述规划位置的坐标中，最远的两位置间的坐标距离；D_mean为所述平均距离。当该β_MDS越接近于0，则所述规划位置与真实位置的拟合性越好。

实施例3：

如图3所示，在本发明的又一个方面，本发明还提供了一种可估计终端间距的终端，其特征在于，所述终端包括：

请求接收单元，用于发送和/或接收距离获取请求；

无线接入点信息获取单元，用于获取所述终端自身所采集到的无线接入点信息，以及接收其他终端发送的所采集的无线接入点信息；

距离获取单元，用于将所述终端接收到所述其他端发送的终端信息后，提取所述终端及其他终端的终端信息的特征向量，通过距离计算函数，获取所述终端与所述其他终端的相对距离；

优选地，所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

在一个具体的实施方式中，所述特征向量至少包括以下的一种：无线接入点数、相同无线接入点信号差、相同无线接入点与总无线接入点的比值。该特征向量的具体设置方式，可以采用实施例1中的具体方式。

在一个具体的实施方式中，所述终端进一步包含存储单元，用于存储所述距离计算函数。

在一个具体的实施方式中，所述距离计算函数通过机器学习的方式获得；

进一步优选地，所述机器学习包括：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取；

采用机器学习的方式，至少部分地基于提取的特征向量，获得距离计算函数。

在一个具体的实施方式中，在对每组所述位置数据进行特征提取后，进一步包括：

计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

基于所述特征数据，获得距离计算函数。

上述的机器学习及距离函数的获取方法，可以采用实施例1中的具体方式。

在一个具体的实施方式中，所述终端还可以同时具备位置规划的功能，即其进一步包括：

位置规划单元，用于依据所述终端及所述其他终端中，任意两终端之间的间距，获得所述终端的规划位置；

所述规划位置为二维空间中的位置。

在一个具体的实施方式中，所述位置规划单元进一步包括降维处理单元，用于依据所述任意两终端之间的间距，建立距离矩阵，并对所述距离矩阵进行降维处理，得到所述规划位置的坐标。

优选地，所述降维处理采用特征值分解法。

上述具体的位置规划方法及原理，可以采用实施例2中的具体方式。

实施例4：

在本发明的又一个方面，本发明还提供了一种用于获取终端规划位置的装置，其特征在于，所述装置包括：

信息获取单元，用于获取待估计间距的终端所采集到的无线接入点信息；

特征提取单元，用于提取所述无线接入点信息的特征向量；

距离计算单元，用于依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

位置规划单元，用于依据所述距离计算单元计算得到的所述间距，获得所述终端的规划位置；所述规划位置为二维空间中的位置；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

在一个具体的实施方式中，所述装置进一步包括距离函数获取单元，用于获取所述距离计算函数，具体采用如下方式：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取，并计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

采用机器学习的方式，至少部分地基于所述特征数据，获得距离计算函数。

在一个具体的实施方式中，所述位置规划单元依据所述距离计算单元得到的任意两终端之间的间距，构成数据集，并基于所述数据集建立终端间的距离矩阵；以及

对所述距离矩阵进行降维处理，获得所述终端的规划位置坐标。

在一个具体的实施方式中，所述装置进一步包括规划位置评价单元，用于依据所述规划位置的坐标，及其对应的终端的实际位置坐标，求取所述待估计间距的终端间的平均距离；

基于所述平均距离，以及所述规划位置的坐标中，最远的两位置间的坐标距离，获取所述规划位置的评价参数。

在一个具体的实施方式中，所述评价参数采用如下方式计算：

${\mathrm{\β}}_{MDS}=\frac{D_{mean}}{D_{max}}$

其中，D_max为所述规划位置的坐标中，最远的两位置间的坐标距离；D_mean为所述平均距离；

β_MDS越接近于0，则所述规划位置与真实位置的拟合性越好。

实施例5：

为进一步对本发明的优化的技术方案进行解释，在本实施例中，结合一具体的例子，来说明本发明技术方案的应用过程及效果。

本实施例所用数据来自上海某商业区某购物中心一层的Wi-Fi数据，总采集面积114233像素平方(约12600平方米)，共1367个数据点。数据采集路径如图4所示，图中用黑色线路标记采集路径。实验中的终端距离计算部分的实验数据由原始指纹数据经特征提取及数据预处理过程计算得到，实验中的距离单位为像素(px)，SVR实验采用留一法进行验证。

本实施例从采集区域内选取了7个子区域进行具体实验，实验概况如下表所示：

大型购物广场等公共场所基本以行人通道(直线型)、店面(矩形)、及大厅(区域型)等模块构成，本实施例以上述7组实验中的实验1为代表进行具体实验分析。

实验1：该实验选择直线型采集区域，共采集Wi-Fi数据指纹数据50个，训练数据45个，测试数据5个，采集点分布如图5所示。

经过SVR训练与回归，5个测试点的预测结果对比如图6所示，实验1中SVR回归结果ρ_pearson＝0.932，Error_Mean＝4.578(px)，直线型区域回归结果较好，平均误差比例小于5％。

将5个点的距离预测结果采用多维尺度分析进行降维，位置规划结果如图7所示，β_MDS＝0.070，实验规划结果在直线型区域效果良好。

由以上实验结果对比分析可得，随采样点分布区域面积增大，支持向量回归与多维尺度分析的降维效果均有下降，但SVR的预测结果与MDS的规划结果相比，保持了更好的稳定性与准确性，SVR步骤与MDS步骤之间存在累积误差。

同时，本实施例表明，在100平方米的规划范围内，终端距离的计算结果与实际距离相关性大于90％，误差小于10％；相位位置规划结果准确率大于80％。在300平方米的范围内，终端距离的计算结果与实际距离相关性大于85％，误差小于20％；终端位置规划方法可达到70％以上的计算精度。经验证，本发明提出的基于Wi-Fi信号特征的移动终端距离计算及位置规划方法整体效果良好。与其他的室内定位方法相比，该方法计算速度快且预测结果不受采集点位置的限制，在近场区域中具有很强的可用性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (25)

1.一种估计终端间距的方法，其特征在于，包括：

获取待估计间距的终端所采集到的无线接入点信息；

提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度；

所述距离计算函数由机器学习获得。

2.根据权利要求1所述的方法，其特征在于，所述机器学习进一步包括：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取；

采用机器学习的方式，至少部分地基于提取的特征向量，获得距离计算函数。

3.根据权利要求1或2所述的方法，其特征在于：

所述特征向量至少包括以下的一种：无线接入点数、相同无线接入点信号差、相同无线接入点数量与总无线接入点数量的比值。

4.根据权利要求2所述的方法，其特征在于：

在对每组所述位置数据进行特征提取后，计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

基于所述特征数据，获得距离计算函数。

5.根据权利要求4所述的方法，其特征在于：在形成所述特征数据后，对所述特征数据进行归一化处理。

6.根据权利要求2所述的方法，其特征在于：

所述机器学习采用支持向量机模型，所述支持向量机核函数采用径向基函数；

所述支持向量机模型采用支持向量回归分类器；

所述机器学习过程采用梯度下降法寻找最佳回归参数。

7.一种近场终端位置规划方法，其特征在于，包括：

获取待估计间距的终端所采集到的无线接入点信息；

提取所述无线接入点信息的特征向量，依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

依据所述间距，将所述待估计间距的终端转化为二维位置分布，获得所述终端的规划位置；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

8.根据权利要求7所述的方法，其特征在于，所述距离计算函数采用如下方式获得：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取，并计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

采用机器学习的方式，至少部分地基于所述特征数据，获得距离计算函数。

9.根据权利要求7所述的方法，其特征在于，所述获得所述待估计间距的终端的规划位置，进一步包括：

依据所述任意两终端之间的间距，构成数据集I，并基于所述数据集建立终端间的距离矩阵，所述距离矩阵可表示为：

其中，d_i,j表示数据集中第i和第j个变量的间距，i,j∈1,...,I。

10.根据权利要求9所述的方法，其特征在于，对所述距离矩阵进行特征值分解，具体方法如下：

构建矩阵X、T，令

$\left\{\begin{array}{c}{X}^T=(X_1^T...X_n^T)\\ d_{ij}={(X_i-X_j)}^2=X_i^2+X_j^2-2X_i{X}_j\\ T={\mathrm{XX}}^T\end{array}\right.---\left(1\right)$

则由上式可得：

$t_{ij}=-\frac{1}{2}(d_{ij}^2+X_i^2-X_j^2)---\left(2\right)$

其中，X_i为R^N空间中第i个坐标点，N为空间维度，1≤n≤N；

对矩阵T进行矩阵分解：

$T={\mathrm{U\ΛU}}^T={\mathrm{U\Λ}}^{\frac{1}{2}}{\mathrm{\Λ}}^{\frac{1}{2}}{U}^T$

其中，U为特征向量，Λ为特征值矩阵；

令：

$\left\{\begin{array}{c}X={\mathrm{U\Λ}}^{\frac{1}{2}}\\ X^T={\mathrm{\Λ}}^{\frac{1}{2}}{U}^T\end{array}\right.$

完成对所述距离矩阵的降维处理。

11.根据权利要求7所述的方法，其特征在于：

依据所述规划位置的坐标，及其对应的终端的实际位置坐标，求取所述待估计间距的终端间的平均距离；

基于所述平均距离，以及所述规划位置的坐标中，最远的两位置间的坐标距离，获取所述规划位置的评价参数。

12.根据权利要求11所述的方法，其特征在于：

所述评价参数采用如下方式计算：

${\mathrm{\β}}_{MDS}=\frac{D_{mean}}{D_{max}}$

其中，D_max为所述规划位置的坐标中，最远的两位置间的坐标距离；D_mean为所述平均距离。

13.一种可估计终端间距的终端，其特征在于，所述终端包括：

请求接收单元，用于发送和/或接收距离获取请求；

无线接入点信息获取单元，用于获取所述终端自身所采集到的无线接入点信息，以及接收其他终端发送的所采集的无线接入点信息；

距离获取单元，用于将所述终端接收到所述其他端发送的终端信息后，提取所述终端及其他终端的终端信息的特征向量，通过距离计算函数，获取所述终端与所述其他终端的相对距离；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

14.根据权利要求13所述的终端，其特征在于，所述特征向量至少包括以下的一种：无线接入点数、相同无线接入点信号差、相同无线接入点与总无线接入点的比值。

15.根据权利要求13所述的终端，其特征在于：所述终端进一步包含存储单元，用于存储所述距离计算函数。

16.根据权利要求13所述的终端，其特征在于：所述距离计算函数通过机器学习的方式获得；

所述机器学习包括：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取；

采用机器学习的方式，至少部分地基于提取的特征向量，获得距离计算函数。

17.根据权利要求16所述的终端，其特征在于，在对每组所述位置数据进行特征提取后，进一步包括：

计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

基于所述特征数据，获得距离计算函数。

18.根据权利要求13所述的终端，其特征在于，所述终端进一步包括：

位置规划单元，用于依据所述终端及所述其他终端中，任意两终端之间的间距，获得所述终端的规划位置；

所述规划位置为二维空间中的位置。

19.根据权利要求18所述的终端，其特征在于：所述位置规划单元进一步包括降维处理单元，用于依据所述任意两终端之间的间距，建立距离矩阵，并对所述距离矩阵进行降维处理，得到所述规划位置的坐标。

20.根据权利要求19所述的终端，其特征在于：所述降维处理采用特征值分解法。

21.一种用于获取终端规划位置的装置，其特征在于，所述装置包括：

信息获取单元，用于获取待估计间距的终端所采集到的无线接入点信息；

特征提取单元，用于提取所述无线接入点信息的特征向量；

距离计算单元，用于依据距离计算函数，获取所述待估计距离的终端中，任意两终端之间的间距；

位置规划单元，用于依据所述距离计算单元计算得到的所述间距，获得所述终端的规划位置；所述规划位置为二维空间中的位置；

所述无线接入点信息至少包括：无线接入点的MAC信息、接收信号强度。

22.根据权利要求21所述的装置，其特征在于，所述装置进一步包括距离函数获取单元，用于获取所述距离计算函数，具体采用如下方式：

采集定位区域内不同位置处的无线接入点信息；

建立所述位置与在该位置采集的无线接入点信息的关系，形成不同的位置数据；

将所述位置数据两两分组，并去除重复分组，对每组所述位置数据进行特征提取，并计算组内两点间的距离，作为所提取的特征向量的标签；

基于所述标签与所述特征向量，形成特征数据；

采用机器学习的方式，至少部分地基于所述特征数据，获得距离计算函数。

23.根据权利要求21所述的装置，其特征在于：所述位置规划单元依据所述距离计算单元得到的任意两终端之间的间距，构成数据集，并基于所述数据集建立终端间的距离矩阵；以及

对所述距离矩阵进行降维处理，获得所述终端的规划位置坐标。

24.根据权利要求21所述的装置，其特征在于：所述装置进一步包括规划位置评价单元，用于依据所述规划位置的坐标，及其对应的终端的实际位置坐标，求取所述待估计间距的终端间的平均距离；

基于所述平均距离，以及所述规划位置的坐标中，最远的两位置间的坐标距离，获取所述规划位置的评价参数。

25.根据权利要求24所述的装置，其特征在于：

所述评价参数采用如下方式计算：

${\mathrm{\β}}_{MDS}=\frac{D_{mean}}{D_{max}}$

其中，D_max为所述规划位置的坐标中，最远的两位置间的坐标距离；D_mean为所述平均距离；

β_MDS越接近于0，则所述规划位置与真实位置的拟合性越好。