CN106936897A - 一种基于gpu的高并发人员定位数据计算方法 - Google Patents
一种基于gpu的高并发人员定位数据计算方法 Download PDFInfo
- Publication number
- CN106936897A CN106936897A CN201710096517.9A CN201710096517A CN106936897A CN 106936897 A CN106936897 A CN 106936897A CN 201710096517 A CN201710096517 A CN 201710096517A CN 106936897 A CN106936897 A CN 106936897A
- Authority
- CN
- China
- Prior art keywords
- personnel
- location
- market
- database
- setting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Navigation (AREA)
Abstract
本发明涉及室内人员定位技术领域,提供了一种基于GPU的高并发人员定位数据计算方法,包括:通过商场探针测定设定人员位置并形成基础数据库的步骤;将所述设定人员的测定位置与其准确位置进行对比,并对所述基础数据库不断进行校正的步骤;以及通过CUDA架构进行海量人员定位数据处理,并实时确定商场人员空间位置的步骤。本发明的有益效果为:突破了之前只能利用CPU进行串行人员定位数据计算局限,结合CUDA架构,实现将后端人员定位数据移植到GPU上进行并行计算,大大提升了计算的效率和定位及时性;建立和校正定位基础数据库,自反馈式学习,不断提高定位精度;方法新颖、适用、应用前景广阔。
Description
技术领域
本发明涉及室内人员定位技术领域,特别涉及一种基于GPU的高并发人员定位数据计算方法。
背景技术
当前,随着我国经济和社会的迅猛发展,城市大型建筑和综合体不断涌现,同时,伴随着室内定位和并行计算技术的飞速发展,基于硬件加速器的并行计算技术有着很好的应用前景,面对着数字城市中海量数据计算处理的挑战,GPU(Graphics Processing Unit,图形处理器)在海量数据并行计算上得到很好的发挥,特别是英伟达(NVIDIA)公司发布CUDA(Compute Unified Device Architecture,统一计算设备架构)以来,基于CUDA的通用GPU计算技术已成为并行计算的主流方向,并且该技术的应用不断向各行各业延伸,对于城市大型商场等建筑人员定位数据计算处理是给予强有力的技术支持。此外,加上国家提出建设智慧型和数字型城市的战略要求,消费者对于精确化、实时化和智能化的位置服务需求呈现大幅度增长的趋势。位置服务已被应用到不同的领域:比如消防安全、商品导购以及旅游服务等,此服务可以用来辨认人或者建筑内部的店铺位置信息,满足消费者人性化的服务体验,契合国家新型城市建设的战略目标。
位置服务的基础就是要实现精准的实时化定位要求,面对着城市大型建筑和综合体建筑的消费者定位需求,建筑内部的探针不断抓取人员定位信息,随着时间的不断推移,消费者的人员定位数据量会不断攀升,将这些海量数据进行实时上传至云端服务器。对于存储于云端的人员定位海量数据的计算处理成为消费者定位服务的关键环节。目前,国内高校、研究所和企事业单位对于海量数据计算和处理也有了一定的研究。有提出利用多核CPU并行计算的方法处理和计算海量数据,针对数据量的大小和计算机的处理能力,合理配置计算机的数量和核数,在一定程度上可以满足数据处理和计算的需求,但是在数据的实时性上以及资源的合理利用上还是有一定的局限性;此外,有提出利用GPU技术进行数据并行计算,提高计算效率和处理能力,但是还未有人应用到室内人员定位的数据计算和处理上。
发明内容
本发明的目的就是克服现有技术的不足,提供了一种基于GPU的高并发人员定位数据计算方法,借助室内定位、GPU、CUDA、深度学习和并行计算等技术,实现高效化、实时化云端服务器端人员定位数据计算和处理,实时提供消费者位置服务信息。
本发明一种基于GPU的高并发人员定位数据计算方法,包括:
通过商场探针测定设定人员位置并形成基础数据库的步骤;
将所述设定人员的测定位置与其准确位置进行对比,并对所述基础数据库不断进行校正的步骤;以及
通过CUDA架构进行海量人员定位数据处理,并实时确定商场人员空间位置的步骤。
进一步的,建立和校正基础数据库的具体步骤为:
步骤一、设定人员处在已知位置,布置在商场不同位置的探针依据探针接收到的信号强度,通过定位算法,计算得到设定人员的测定位置;
步骤二、多个设定人员的测定位置信息形成基础数据库;
步骤三、将步骤一中计算得到的所述设定人员测定位置与其已知位置对比,并根据已知位置校正所述测定位置;
步骤四、建立测定位置与已知位置之间的相互关系模型,通过不断重复步骤三,逐步提高测定位置相对于已知位置的精确度;
步骤五、根据步骤四中得到的测定位置信息对基础数据库进行不断修正。
进一步的,所述已知位置,指的是设定人员处于具有准确空间坐标的已知点,或设定人员的位置信息由精确测量得到。
进一步的,所述基础数据库上传至云端服务器。
进一步的,实时确定商场移动人员空间位置的步骤具体为:
步骤一、商场内探针抓取移动人员定位数据包;
步骤二、将抓取的移动人员定位数据包上传至云端服务器;
步骤三、通过CUDA架构进行海量人员定位数据处理;
步骤四、确定移动人员在商场内的实时空间位置信息。
进一步的,该方法用于大型建筑综合商业体。
本发明的有益效果为:
1、该方法突破了之前只能利用CPU进行串行人员定位数据计算局限,再结合CUDA架构,实现将后端人员定位数据移植到GPU上进行并行计算,大大提升了计算的效率,保障人员定位海量数据精准化计算的同时,能够节约设备计算成本,以及GPU在计算处理当前大型商场高并发人员定位数据上还存在一定的冗余量,完全可以满足未来对于增长的人员定位数据计算处理的需求;高效计算,实时定位,高质量位置服务;
2、借助商场探针对自行设定的人员进行前期的深度学习,获取人员的定位信息,依据前期的指定位置,保障人员定位计算的深度学习,从而形成基础数据库;以此实现对后期的用户在商场内人员定位信息的实时自反馈验证,确保定位信息的准确性和实时性。
附图说明
图1所示为本发明实施例一种基于GPU的高并发人员定位数据计算方法流程图。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中,各附图所出现的相同标号代表相同的特征或者部件,可应用于不同实施例中。
本发明实施例可用于大型建筑综合商业体、大型商场、大型室内体育场等多种人流密集的场合;不失一般性,下述实施例中以商场为例。
如图1所示,本发明实施例一种基于GPU的高并发人员定位数据计算方法,包括;
通过商场探针测定设定人员位置并形成基础数据库的步骤;
将所述设定人员的测定位置与其准确位置进行对比,并对所述基础数据库不断进行校正的步骤;以及
通过CUDA架构进行海量人员定位数据处理,并实时确定商场人员空间位置的步骤。
优选的,建立和校正基础数据库的具体步骤为:
步骤一、设定人员处在已知位置,布置在商场不同位置的探针依据探针接收到的信号强度,通过定位算法,计算得到设定人员的测定位置;所述已知位置,指的是设定人员处于具有准确空间坐标的已知点,或设定人员的位置信息由精确测量得到。
步骤二、多个设定人员的测定位置信息形成基础数据库;
步骤三、将步骤一中计算得到的所述设定人员测定位置与其已知位置对比,并根据已知位置校正所述测定位置;
步骤四、建立测定位置与已知位置之间的相互关系模型,通过不断重复步骤三,逐步提高测定位置相对于已知位置的精确度;
步骤五、根据步骤四中得到的测定位置信息对基础数据库进行不断修正。
所述基础数据库可以根据需要上传至云端服务器或本地保存。
优选的,实时确定商场移动人员空间位置的步骤具体为:
步骤一、商场内探针抓取移动人员定位数据包;
步骤二、将抓取的移动人员定位数据包上传至云端服务器;
步骤三、通过CUDA架构进行海量人员定位数据处理;
步骤四、确定移动人员在商场内的实时空间位置信息。
在实际应用中,以大型商场或综合体为例,面对建筑面积达到几万甚至几十万平方米的场所,特别是重要节日或者活动日,人流量在几万人次或者更多,针对商场内部的每个人,商场内部部署的探针在一段时间内抓取人员定位数据,记录下每个人的手机MAC地址、直线距离、抓取时间以及间隔时间,将这些数据包上传至云端服务器,面对单个个体,不同的探针都会有对应的记录,并且随着时间的推移,数据量不断地累加,上传至云端的数据量可能呈现指数形式的增长,达到海量数据的级别。与此同时,云端数据库要同步计算上传的定位数据,确定人员在商场内的空间位置,反馈给每位消费者,从而实现消费者的位置服务体验。由于目前大部分计算设备的核数在4、8、16、32不等,计算处理1个人的定位数据需要单核100ms的时间,以32核的计算设备为例,可以同时计算32个人的定位数据,针对大型商场几万人的定位数据计算,如32000人的定位数据计算,需要32核的计算设备1000台,位置服务成本很大。此外,由于需要一段时间内抓取人员定位数据进行实时计算才能精准定位,比如需要1s的时长,而由于CPU计算时本身的局限,需要有1.1s的定位计算时间才能确定人员空间位置,就会有0.1s的定位误差;在1h的定位时长内,会有6min的定位误差,随着时间的推移,海量数据的不断上传计算,定位的累积误差会越来越大,消费者的位置服务体验效果将会受到很大影响。因为室内定位算法的特殊性,对于每个人的定位计算算法是相同的,加上人员定位数据的有限性,满足多线程的并行计算条件,通过前期的人员定位算法的不断深入学习,成功实现定位算法由之前基于CPU的串行计算演变成基于GPU的并行计算。本发明实施例结合CUDA架构将上传至云端的人员定位海量数据移植到GPU芯片上进行并行计算处理,巧妙地匹配了高并发室内人员定位数据计算的需要,同时规避了人员定位数据计算累积误差,保证了商场内消费者定位信息的实时性。本方法是对新时代下大型商场等建筑内人员定位数据计算处理方法的补充,大大降低了高并发人员定位数据计算的成本,真正实现多线程、高精准、全方位的人员定位服务模式。
本发明有益效果为:
1、该方法突破了之前只能利用CPU进行串行人员定位数据计算局限,再结合CUDA架构,实现将后端人员定位数据移植到GPU上进行并行计算,大大提升了计算的效率,保障人员定位海量数据精准化计算的同时,能够节约设备计算成本,以及GPU在计算处理当前大型商场高并发人员定位数据上还存在一定的冗余量,完全可以满足未来对于增长的人员定位数据计算处理的需求;高效计算,实时定位,高质量位置服务;
2、借助商场探针对自行设定的人员进行前期的深度学习,获取人员的定位信息,依据前期的指定位置,保障人员定位计算的深度学习,从而形成基础数据库;以此实现对后期的用户在商场内人员定位信息的实时自反馈验证,确保定位信息的准确性和实时性。
本文虽然已经给出了本发明的几个实施例,但是本领域的技术人员应当理解,在不脱离本发明精神的情况下,可以对本文的实施例进行改变。上述实施例只是示例性的,不应以本文的实施例作为本发明权利范围的限定。
Claims (6)
1.一种基于GPU的高并发人员定位数据计算方法,其特征在于,包括;
建立基础数据库:通过商场探针测定设定人员位置并形成基础数据库;
校正基础数据库:将所述设定人员的测定位置与其准确位置进行对比,并对所述基础数据库不断进行校正;以及
实时确定商场人员空间位置:通过CUDA架构进行海量人员定位数据处理,并实时确定商场人员空间位置。
2.如权利要求1所述的定位数据计算方法,其特征在于,建立和校正基础数据库的具体步骤为:
步骤一、设定人员处在已知位置,布置在商场不同位置的探针依据探针接收到的信号强度,通过定位算法,计算得到设定人员的测定位置;
步骤二、多个设定人员的测定位置信息形成基础数据库;
步骤三、将步骤一中计算得到的所述设定人员测定位置与其已知位置对比,并根据已知位置校正所述测定位置;
步骤四、建立测定位置与已知位置之间的相互关系模型,通过不断重复步骤三,逐步提高测定位置相对于已知位置的精确度;
步骤五、根据步骤四中得到的测定位置信息对基础数据库进行不断修正。
3.如权利要求2所述的定位数据计算方法,其特征在于,所述已知位置,指的是设定人员处于具有准确空间坐标的已知点,或设定人员的位置信息由精确测量得到。
4.如权利要求1-3任一项所述的定位数据计算方法,其特征在于,所述基础数据库上传至云端服务器。
5.如权利要求4所述的定位数据计算方法,其特征在于,实时确定商场移动人员空间位置的步骤具体为:
步骤一、商场内探针抓取移动人员定位数据包;
步骤二、将抓取的移动人员定位数据包上传至云端服务器;
步骤三、通过CUDA架构进行海量人员定位数据处理;
步骤四、确定移动人员在商场内的实时空间位置信息。
6.如权利要求1所述的定位数据计算方法,其特征在于,该方法用于大型建筑综合商业体或大型室内体育场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710096517.9A CN106936897B (zh) | 2017-02-22 | 2017-02-22 | 一种基于gpu的高并发人员定位数据计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710096517.9A CN106936897B (zh) | 2017-02-22 | 2017-02-22 | 一种基于gpu的高并发人员定位数据计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106936897A true CN106936897A (zh) | 2017-07-07 |
CN106936897B CN106936897B (zh) | 2020-12-04 |
Family
ID=59423848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710096517.9A Active CN106936897B (zh) | 2017-02-22 | 2017-02-22 | 一种基于gpu的高并发人员定位数据计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106936897B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183148A (zh) * | 2007-12-07 | 2008-05-21 | 中国移动通信集团广东有限公司 | 一种无线定位方法和无线定位装置 |
CN101466070A (zh) * | 2009-01-09 | 2009-06-24 | 吴鑫 | 一种基于无线信号接收强度分布自动学习的无线室内定位方法 |
CN101778399A (zh) * | 2010-01-18 | 2010-07-14 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
US20100191500A1 (en) * | 2007-04-04 | 2010-07-29 | Andrew Joseph Lawrence Harrison | Analysis of parallel manipulators |
CN102256351A (zh) * | 2011-05-04 | 2011-11-23 | 苏州两江科技有限公司 | 一种基于无线传感网技术的室内精确定位方法 |
CN102427603A (zh) * | 2012-01-13 | 2012-04-25 | 哈尔滨工业大学 | 基于定位误差估计的wlan室内移动用户定位方法 |
CN102708088A (zh) * | 2012-05-08 | 2012-10-03 | 北京理工大学 | 面向海量数据高性能计算的cpu/gpu协同处理方法 |
CN103298103A (zh) * | 2012-02-27 | 2013-09-11 | 中国科学院计算技术研究所 | Wi-Fi定位方法和装置 |
CN103402256A (zh) * | 2013-07-11 | 2013-11-20 | 武汉大学 | 一种基于WiFi指纹的室内定位方法 |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
CN104796980A (zh) * | 2015-03-10 | 2015-07-22 | 合肥工业大学 | 适用于不同型号智能终端的wlan室内定位校准方法 |
CN105813194A (zh) * | 2016-05-06 | 2016-07-27 | 西安电子科技大学昆山创新研究院 | 基于指纹数据库二次校正的室内定位方法 |
-
2017
- 2017-02-22 CN CN201710096517.9A patent/CN106936897B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100191500A1 (en) * | 2007-04-04 | 2010-07-29 | Andrew Joseph Lawrence Harrison | Analysis of parallel manipulators |
CN101183148A (zh) * | 2007-12-07 | 2008-05-21 | 中国移动通信集团广东有限公司 | 一种无线定位方法和无线定位装置 |
CN101466070A (zh) * | 2009-01-09 | 2009-06-24 | 吴鑫 | 一种基于无线信号接收强度分布自动学习的无线室内定位方法 |
CN101778399A (zh) * | 2010-01-18 | 2010-07-14 | 哈尔滨工业大学 | 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法 |
CN102256351A (zh) * | 2011-05-04 | 2011-11-23 | 苏州两江科技有限公司 | 一种基于无线传感网技术的室内精确定位方法 |
CN102427603A (zh) * | 2012-01-13 | 2012-04-25 | 哈尔滨工业大学 | 基于定位误差估计的wlan室内移动用户定位方法 |
CN103298103A (zh) * | 2012-02-27 | 2013-09-11 | 中国科学院计算技术研究所 | Wi-Fi定位方法和装置 |
CN102708088A (zh) * | 2012-05-08 | 2012-10-03 | 北京理工大学 | 面向海量数据高性能计算的cpu/gpu协同处理方法 |
CN103402256A (zh) * | 2013-07-11 | 2013-11-20 | 武汉大学 | 一种基于WiFi指纹的室内定位方法 |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
CN104796980A (zh) * | 2015-03-10 | 2015-07-22 | 合肥工业大学 | 适用于不同型号智能终端的wlan室内定位校准方法 |
CN105813194A (zh) * | 2016-05-06 | 2016-07-27 | 西安电子科技大学昆山创新研究院 | 基于指纹数据库二次校正的室内定位方法 |
Non-Patent Citations (2)
Title |
---|
丁莹,杨华民,范静涛: "《复杂环境运动目标检测技术及应用》", 30 January 2014, 国防工业出版社 * |
董光玉: ""一种基于指纹库的新型室内无线定位算法的设计与实现"", 《中国硕士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106936897B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | The impact of urban growth patterns on urban vitality in newly built-up areas based on an association rules analysis using geographical ‘big data’ | |
CN104699818B (zh) | 一种多源异构的多属性poi融合方法 | |
Fard et al. | Indoor positioning of mobile devices with agile iBeacon deployment | |
Kang et al. | Analyzing and geo-visualizing individual human mobility patterns using mobile call records | |
CN106842123B (zh) | 一种室内定位方法及室内定位系统 | |
CN110222137A (zh) | 一种基于倾斜摄影与增强现实技术智慧校园系统 | |
TW201633241A (zh) | 用於確定目標位置的方法和裝置 | |
CN103776454B (zh) | 基于x射线脉冲星的最大似然相位估计方法 | |
CN104679942A (zh) | 一种基于数据挖掘的建设用地承载效率测度方法 | |
US11468349B2 (en) | POI valuation method, apparatus, device and computer storage medium | |
CN106353726A (zh) | 一种用于室内定位的二次加权质心确定方法及系统 | |
CN103778191B (zh) | 一种顾及空间邻近关系的矢量等高线数据划分方法 | |
CN103914744B (zh) | 一种地铁站地下商业客流预测方法及装置 | |
KR20220045123A (ko) | 녹파 속도 결정 방법, 장치, 전자 기기 및 저장 매체 | |
Ch'ng et al. | From sites to landscapes: how computing technology is shaping archaeological practice | |
CN115796629A (zh) | 传统村落活力量化评价方法及系统、电子设备、存储介质 | |
CN106936897A (zh) | 一种基于gpu的高并发人员定位数据计算方法 | |
Song et al. | Measurement of urban public space vitality based on big data | |
CN106897400A (zh) | 一种网络社交媒体中地震信息的可视化方法和系统 | |
CN113096785A (zh) | 一种疫情时期医疗资源分配方法 | |
CN107544080A (zh) | 运动轨迹生成方法 | |
Jeang et al. | Applying Big Data of Geographic Information to Analyze the Accessibility of Elderly Care Institutions | |
TWI647475B (zh) | 地震預測方法與系統 | |
CN109996172A (zh) | 一种基于bp神经网络精确室内定位系统及定位方法 | |
Colston et al. | Using Geospatial Analysis to Inform Decision Making In Targeting Health Facility-Based Programs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |