CN108008350A - 基于随机森林模型的定位方法、装置及存储介质 - Google Patents

Abstract

本发明提出一种基于随机森林模型的定位方法，该方法包括：接收移动终端上报的多台无线设备的设备信号数据；从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；将所述特征向量输入预先确定的室内定位分类器，计算所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及，从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。本发明还提出一种电子装置及一种计算机可读存储介质。利用本发明，可以提高移动终端的定位精准度。

Description

基于随机森林模型的定位方法、装置及存储介质

技术领域

本发明涉及无线定位技术领域，尤其涉及一种基于随机森林模型的定位方法、电子装置及计算机可读存储介质。

背景技术

在室内环境中对移动终端进行定位时，可以在室内环境部署无线信号发射设备(如无线路由器)，通过移动终端检测到的这些设备的信号以及已知的这些设备的位置信息，推算出移动终端的位置。

随着移动终端的移动，服务端与移动终端的不断交互，不断地定位出移动终端的位置。目前对于室内定位分类器选择，一般都是使用改进的支持向量机模型或改进的K最近邻分类算法，但在实际使用中它们对处理特征缺失的能力并不是很理想，所以无法对移动终端进行准确定位。

而且，在实际应用中，可能会由于物体遮挡、信号干扰或者无线信号发射设备故障等原因，造成移动终端检测到的信号发生波动，导致信号发生偏离，但是对于服务器来说，不会自动的去判断信号是否发生偏离，只是直接利用信号数据推算位置并返回至移动终端显示，导致不合理的定位点也在移动上显示，导致定位精准度低。

发明内容

本发明提供一种基于随机森林模型的定位方法、电子装置及计算机可读存储介质，其主要目的在于，提高移动终端基于随机森林模型及无线设备进行定位的精准度。

为实现上述目的，本发明提供一种基于随机森林模型的定位方法，该方法包括：

S1、接收移动终端上报的多台无线设备的设备信号数据；

S2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

S3、将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

S4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

可选地，所述步骤S4可以替换为：

判断所述多种可能的位置坐标的最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的位置坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效。

此外，为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器、处理器，所述存储器上存储有基于随机森林模型的定位程序，该定位程序被所述处理器执行时实现如下步骤：

A1、接收移动终端上报的多台无线设备的设备信号数据；

A2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

A3、将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

A4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

可选地，所述步骤A4可以替换为：

判断所述多种可能的位置坐标的最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的位置坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于随机森林模型的定位程序，该定位程序被处理器执行时实现如上所述的基于随机森林模型的定位方法的步骤。

相较于现有技术，本发明提出的基于随机森林模型的定位方法、电子装置及计算机可读存储介质，根据接收到无线设备的信号强度数据，利用室内定位分类器计算所述移动终端的位置坐标的多种可能及位置坐标每种可能的概率，选择概率最大的位置坐标；对室内定位分类器输出的多种定位结果中的最大概率进行过滤；通过移动终端连续多次的信号检测并上报，对这多次的信号强度数据进行过滤处理，提高了移动终端的定位精准度。

附图说明

图1为本发明电子装置较佳实施例的示意图；

图2为图1中基于随机森林模型的定位程序较佳实施例的模块示意图；

图3为本发明基于随机森林模型的定位方法第一个较佳实施例的流程图；

图4为本发明基于随机森林模型的定位方法第二个较佳实施例的流程图；

图5为本发明基于随机森林模型的定位方法中步骤S2的细化流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种电子装置1。参照图1所示，为本发明电子装置1较佳实施例的示意图。在本实施例中，电子装置1接收移动终端(图中未示出)上报的多台无线设备的设备信号数据，电子装置1通过设备信号数据计算移动终端的位置坐标，并将位置坐标反馈至移动终端进行定位。

具体地，电子装置1可以是PC(Personal Computer，个人电脑)，也可以是智能手机、平板电脑、电子书阅读器、便携计算机、服务器等具有计算功能的终端设备。在一个实施例中，当电子装置1为服务器时，该服务器可以包括：机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等。

所述电子装置1包括存储器11、处理器12、网络接口13及通信总线14。

其中，存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储设备，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。

在本实施例中，所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的应用软件及各类数据，例如基于随机森林模型的定位程序10、预先确定的室内定位分类器的模型文件等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行基于随机森林模型的定位程序10等。

网络接口13可以包括标准的有线接口、无线接口(如WI-FI接口)。通常用于在该电子装置1与其他电子设备之间建立通信连接。

通信总线14用于实现这些组件之间的连接通信。

图1仅示出了具有组件11-14的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

可选的，该电子装置器1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。

可选的，该电子装置1还可以包括显示器，也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(OrganicLight-Emitting Diode，OLED)触摸器等。所述显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。

在图1所示的装置实施例中，存储器11中存储有基于随机森林模型的定位程序10，处理器12执行该定位程序10时实现以下步骤：

A1、接收移动终端上报的多台无线设备的设备信号数据；

A2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

A3、将所述特征向量输入预先确定的室内定位分类器，计算所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

A4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

本发明实施例中，在定位区域设置有多个无线设备，例如Wi-Fi设备、蓝牙设备、无线射频信号设备等，移动终端(图中未示出)在定位区域中移动时，在无线设备的覆盖范围内，会不断地检测到无线设备发射的无线信号。以下以Wi-Fi设备为例对本发明的方案进行说明。对于无线设备来说，每一台无线设备都有一个全球唯一的MAC(Media AccessControl，媒体访问控制)地址，并且一般情况下，该设备的位置不会移动，移动终端在开启Wi-Fi的情况下，可以扫描并收集周围的Wi-Fi信号，并获取这些无线设备广播出来的MAC地址，移动终端将检测到的信号强度与对应的设备的MAC地址发送给电子装置1，由于可以根据移动终端检测到的信号强度确定移动终端距离对应的无线设备的距离，因此电子装置1可以根据接收到的信号数据以及存储的设备的位置坐标计算出移动终端当前的位置，并返回给移动终端进行定位。

移动终端每间隔预设时间间隔(例如，1秒)上报一次设备信号数据，其中，设备信号数据包含有检测到的多台无线设备的信号强度数据和对应的无线设备的MAC地址或者服务集标识(Service Set Identifier，SSID)等能够唯一标识该设备的标识信息。需要说明的是，事先为每台无线设备进行编号排序，并将每台无线设备的MAC地址、SSID及预设的排序方式(例如按照编号从小到大的顺序)储存在电子装置1中。从上述设备信号数据中提取出多台无线设备的信号强度数据作为特征值，按照预设的排序方式对多台无线设备的特征值进行组合，形成一个特征向量，以便后续利用该特征向量预测移动终端当前的位置坐标。可以理解的是，在当前位置可能检测不到所有无线设备的信号，对于未检测到的无线设备对应的特征值，默认为-110dbm(接近无信号)，这样保证每个特征向量中的元素的个数一致。

将上述特征向量输入预先确定的室内定位分类器中，以预测出该特征向量对应的移动终端的位置坐标。

其中，所述室内定位分类器的训练步骤包括：

分别收集移动终端在多个采样点检测到的多台无线设备的设备信号数据，移动终端在不同的采样点会检测到的不同无线设备的设备信号数据，从每组设备信号数据中提取每台无线设备的信号强度数据作为特征值；

将在每个采样点收集的每台无线设备的特征值进行组合，生成该采样点对应的特征向量，所述多个采样点及多个采样点分别对应的特征向量作为样本数据，组成样本集；

从样本集中的随机抽取第一比例(例如，60％)的采样点的位置及该第一比例(例如，60％)的采样点对应的特征向量作为训练集，从剩下的样本集中的随机抽取第二比例(例如，50％)的采样点的位置及该第二比例(例如，50％)的采样点对应的特征向量作为验证集，也就是说，抽取样本集的20％的样本数据作为验证集；

利用所述50％的样本数据对随机森林模型进行训练，确定室内定位分类器的模型参数，得到移动终端的位置坐标与检测到得信号强度和对应的无线设备的位置坐标之间的关系；

利用20％的样本数据对所述室内定位分类器的准确性进行验证，若准确率大于或者等于预设准确率(例如，90％)，则训练结束，或者，若准确率小于预设准确率(例如，90％)，则增加样本数量并重新执行训练步骤。

为了提高训练好的室内定位分类器的准确性，在将收集的每台无线设备的特征值进行组合并生成特征向量的步骤中，对每台无线设备的特征值赋予权重，增强较大特征值的权重，削弱较小特征值的权重，形成每台无线设备的特征向量。例如，假设一个特征向量中包含10台无线设备的特征值，且10个特征值的权重值和为1，则按照信号强度强弱顺序对每台无线设备的特征值进行排序，排序为前三的特征值的权重分别设置为0.3、0.26、0.23，剩下的7个特征值的权重分别设为0.03，按照权重分配将特征值组合成特征向量。利用变更权重后的特征向量及特征向量对应的采样点的坐标对随机森林模型进行训练得到室内定位分类器时，能有效提高室内定位分类器的准确率，进而提高定位的精准度。

可以理解的是，将包含每台无线设备的信号强度数据的特征向量输入上述训练好的室内定位分类器后，室内定位分类器的输出结果中包含多种可能的定位坐标及多种可能的定位坐标的概率，因此，需要从多种可能的定位坐标中选定一个定位坐标。

室内定位分类器的输出结果中每种定位坐标的概率表示移动终端位于该定位坐标的可能性，概率越高，越接近移动终端的真实位置，因此，从输出结果中筛选概率最高的定位结果作为最终的定位结果，并将该定位结果反馈至移动终端供移动终端进行定位。

本实施例提出的电子装置1，接收移动终端上报的设备信号数据，提取每台无线设备的信号强度作为特征值，将所述特征值组合生成一个特征向量，将所述特征向量输入预先确定的室内定位分类器，计算所述移动终端的位置坐标的多种可能及位置坐标每种可能的概率，选择概率最大的位置坐标，并将所述位置坐标发送至移动终端，提高了移动终端的定位准确性。

基于上述实施例提出本发明电子装置1第二个较佳实施例。在该实施例中，所述步骤A4可以替换为：

判断所述多种可能的位置坐标的最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的位置坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效。

假设上述室内定位分类器的输出结果中包含3种位置坐标：P1、P2、P3，其对应的概率分别为0.45、0.35、0.2，判断3种位置坐标中最大概率(P1对应的概率值0.45)与预设阈值(例如，0.5)的大小关系，因前者小于后者，故判定本次定位无效，不将任何位置坐标反馈给移动终端；同理，若预设阈值为0.4，则判定本次定位有效，并将0.45对应的位置坐标P1反馈给移动终端供移动终端进行定位。

本实施例提出的电子装置1，通过对室内定位分类器输出的多种定位结果中的最大概率进行过滤，避免了将概率较小的位置坐标反馈至移动终端，造成定位不准确的问题，提高了移动终端的定位精准度。

基于上述两个实施例提出本发明电子装置1第三个较佳实施例。在本实施例中，所述步骤A2包括：

A21、从所述设备信号数据中获取n组信号强度数据，其中，每组信号强度数据中包含有多个无线设备的信号强度数据，n＞1；

A22、根据所述n组信号强度数据，分别统计每台无线设备对应的信号强度数据并进行过滤处理：计算每台无线设备的信号强度数据的偏离量，删除偏离量满足预设权重的信号强度数据；及

A23、计算每台无线设备经过滤处理后剩余的多个信号强度数据的平均值作为每台无线设备的特征值，将所述每组信号强度数据中的每台无线设备的特征值组合成一个特征向量。

在本实施例中，移动终端每隔预设时间间隔(例如，1秒)检测一次信号强度数据并上报，则在距离上一次上报的时间间隔达到1秒时，连续n次检测无线设备的信号强度生成n组信号强度数据。需要说明的是，这n次信号检测之间的时间间隔非常短，可以忽略不计，并且在这期间移动终端的移动距离也非常小，也可以忽略不计。电子装置1对这些信号进行过滤处理，筛选出合适的信号数据，用来计算移动终端的位置坐标。其中，n为大于1的正整数，优选地，n＝8～12。假设n＝10，则移动终端每间隔1秒，重复检测10次信号，生成10组信号强度数据，每一组信号强度数据中都包含有检测到的多个无线设备的信号强度以及对应的无线设备的标识信息，如SSID。

计算该无线设备的信号强度数据的偏离量的步骤包括：计算该无线设备的信号强度数据的平均值，将信号强度数据与所述平均值之间的差值作为该信号强度数据的偏离量。假设每一组信号强度数据中都包含有6台无线设备的信号强度数据，电子装置1根据上述10组信号强度数据，分别统计每一个信号设备对应的10个信号强度数据。针对每一台无线设备，对这10个信号强度数据进行过滤处理，首先计算每一个无线信号强度数据的偏离量，假设每台设备对应的信号强度数据有n个，则这n个信号强度数据中的第i个信号强度数据p_i的偏离量δ_i的计算公式如下：

计算得到每个信号强度数据的偏离量之后，对无线设备的信号强度数据做过滤处理。具体地，在对一台无线设备的信号强度数据进行过滤处理时，计算该无线设备的信号强度数据的偏离量；根据该无线设备的信号强度数据的总数和所述预设权重确定要删除的信号强度数据的数量m，删除该无线设备的信号强度数据中偏离量最大的m个信号强度数据，其中，m＜n。

在该实施方式中，预设权重为需要保留的信号强度数据在信号强度数据总量中的占比，每台无线设备的n个信号强度数据中需要删除的数据量m＝n*预设权重(例如，80％)，若采集到的一台无线设备的信号强度数据总量为10个，则删除其中偏离量最大的2个信号强度数据，即m＝8，需要保留其中偏离量较小的8个信号强度数据。在对信号强度数据过滤处理后，计算剩余的信号强度数据的平均值，提取出多台无线设备的信号强度数据作为特征值，按照预设的排序方式对多台无线设备的特征值进行组合，形成一个特征向量，将该特征向量输入上述实施例中训练好的室内定位分类器，计算移动终端当前的位置坐标，后续移动终端位置坐标的计算步骤参见上述两个实施例，这里不再赘述。

本实施例提出的电子装置1，通过移动终端连续多次的信号检测并上报，对这多次的信号强度数据进行过滤处理，降低信号强度存在的偏差或者波动对定位的影响，提高了移动终端的定位精度。

可选地，在其他的实施例中，基于随机森林模型的定位程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器12所执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图2所示，是图1中基于随机森林模型的定位程序10较佳实施例的模块示意图。

在本实施例中，该定位程序10可以被分割为：接收模块110、提取模块120、计算模块130及定位模块140，所述模块110-140所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：

接收模块110，用于接收移动终端上报的多台无线设备的设备信号数据；

提取模块120，用于从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

计算模块130，用于将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

定位模块140，用于从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

此外，本发明还提供一种基于随机森林模型的定位方法。参照图3所示，为本发明基于随机森林模型的定位方法第一个较佳实施例的流程图。该方法可以由一个电子装置执行，该装置可以由软件和/或硬件实现。

在本实施例中，基于随机森林模型的定位方法包括：步骤S1～步骤S4。

S1、接收移动终端上报的多台无线设备的设备信号数据；

S2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

S3、将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

S4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

本发明实施例中，移动终端每间隔预设时间间隔(例如，1秒)上报一次设备信号数据，其中，设备信号数据包含有检测到的多台无线设备的信号强度数据和对应的无线设备的MAC地址或者SSID等能够唯一标识该设备的标识信息。需要说明的是，事先为每台无线设备进行编号排序，并将每台无线设备的MAC地址、SSID及预设的排序方式(例如按照编号从小到大的顺序)储存在电子装置中。从上述设备信号数据中提取出多台无线设备的信号强度数据作为特征值，按照预设的排序方式对多台无线设备的特征值进行组合，形成一个特征向量，以便后续利用该特征向量预测移动终端当前的位置坐标。可以理解的是，在当前位置可能检测不到所有无线设备的信号，对于未检测到的无线设备对应的特征值，默认为-110dbm(接近无信号)，这样保证每个特征向量中的元素的个数一致。

将上述特征向量输入预先确定的室内定位分类器中，以预测出该特征向量对应的移动终端的位置坐标。其中，所述室内定位分类器的训练步骤包括：分别收集移动终端在多个采样点检测到的多台无线设备的设备信号数据，移动终端在不同的采样点会检测到的不同无线设备的设备信号数据，从每组设备信号数据中提取每台无线设备的信号强度数据作为特征值；将在每个采样点收集的每台无线设备的特征值进行组合，生成该采样点对应的特征向量，所述多个采样点及多个采样点分别对应的特征向量作为样本数据，组成样本集；从样本集中的随机抽取第一比例(例如，60％)的采样点的位置及该第一比例(例如，60％)的采样点对应的特征向量作为训练集，从剩下的样本集中的随机抽取第二比例(例如，50％)的采样点的位置及该第二比例(例如，50％)的采样点对应的特征向量作为验证集，也就是说，抽取样本集的20％的样本数据作为验证集；利用所述50％的样本数据对随机森林模型进行训练，确定室内定位分类器的模型参数，得到移动终端的位置坐标与检测到得信号强度和对应的无线设备的位置坐标之间的关系；利用20％的样本数据对所述室内定位分类器的准确性进行验证，若准确率大于或者等于预设准确率(例如，90％)，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。

为了提高训练好的室内定位分类器的准确性，在将收集的每台无线设备的特征值进行组合并生成特征向量的步骤中，对每台无线设备的特征值赋予权重，增强较大特征值的权重，削弱较小特征值的权重，形成每台无线设备的特征向量。例如，假设一个特征向量中包含10台无线设备的特征值，且10个特征值的权重值和为1，则按照信号强度强弱顺序对每台无线设备的特征值进行排序，排序为前三的特征值的权重分别设置为0.3、0.26、0.23，剩下的7个特征值的权重分别设为0.03，按照权重分配将特征值组合成特征向量。利用变更权重后的特征向量及特征向量对应的采样点的坐标对随机森林模型进行训练得到室内定位分类器时，能有效提高室内定位分类器的准确率，进而提高定位的精准度。

可以理解的是，将包含每台无线设备的信号强度数据的特征向量输入上述训练好的室内定位分类器后，室内定位分类器的输出结果中包含多种可能的定位坐标及多种可能的定位坐标的概率，因此，需要从多种可能的定位坐标中选定一个定位坐标。

室内定位分类器的输出结果中每种定位坐标的概率表示移动终端位于该定位坐标的可能性，概率越高，越接近移动终端的真实位置，因此，从输出结果中筛选概率最高的定位结果作为最终的定位结果，并将该定位结果反馈至移动终端供移动终端进行定位。

本实施例提出的基于随机森林模型的定位方法，接收移动终端上报的设备信号数据，提取每台无线设备的信号强度作为特征值，将所述特征值组合生成一个特征向量，将所述特征向量输入预先确定的室内定位分类器，计算所述移动终端的位置坐标的多种可能及位置坐标每种可能的概率，选择概率最大的位置坐标，并将所述位置坐标发送至移动终端，提高了移动终端的定位准确性。

基于上述第一个较佳实施例提出本发明基于随机森林模型的定位第二个较佳实施例。参照图4所示，为本发明基于随机森林模型的定位方法第二个较佳实施例的流程图。在该实施例中，所述步骤S4可以替换为：

判断所述多种可能的位置坐标的最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的位置坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效。

假设上述室内定位分类器的输出结果中包含3种位置坐标：P1、P2、P3，其对应的概率分别为0.45、0.35、0.2，判断3种位置坐标中最大概率(P1对应的概率值0.45)与预设阈值(例如，0.5)的大小关系，因前者小于后者，故判定本次定位无效，不将任何位置坐标反馈至移动终端；同理，若预设阈值为0.4，则判定本次定位有效，并将0.45对应的位置坐标P1反馈给移动终端供移动终端进行定位。

本实施例提出的基于随机森林模型的定位方法，通过对室内定位分类器输出的多种定位结果中的最大概率进行过滤，避免了将概率较小的位置坐标反馈至移动终端，造成定位不准确的问题，提高了移动终端的定位精准度。

基于上述两个实施例提出本发明基于随机森林模型的定位方法的第三个较佳实施例。参照图5所示，为本发明基于随机森林模型的定位方法中步骤S2的细化流程图。在本实施例中，所述步骤S2包括：

S21、从所述设备信号数据中获取n组信号强度数据，其中，每组信号强度数据中包含有多个无线设备的信号强度数据，n＞1；

S22、根据所述n组信号强度数据，分别统计每台无线设备对应的信号强度数据并进行过滤处理：计算每台无线设备的信号强度数据的偏离量，删除偏离量满足预设权重的信号强度数据；及

S23、计算每台无线设备经过滤处理后剩余的多个信号强度数据的平均值作为每台无线设备的特征值，将所述每组信号强度数据中的每台无线设备的特征值组合成一个特征向量。

在本实施例中，移动终端每隔预设时间间隔(例如，1秒)检测一次信号强度数据并上报，则在距离上一次上报的时间间隔达到1秒时，连续n次检测无线设备的信号强度生成n组信号强度数据。需要说明的是，这n次信号检测之间的时间间隔非常短，可以忽略不计，并且在这期间移动终端的移动距离也非常小，也可以忽略不计。对这些信号进行过滤处理，筛选出合适的信号数据，用来计算移动终端的位置坐标。其中，n为大于1的正整数，优选地，n＝8～12。假设n＝10，则移动终端每间隔1秒，重复检测10次信号，生成10组信号强度数据，每一组信号强度数据中都包含有检测到的多个无线设备的信号强度以及对应的无线设备的标识信息，如SSID。

计算该无线设备的信号强度数据的偏离量的步骤包括：计算该无线设备的信号强度数据的平均值，将信号强度数据与所述平均值之间的差值作为该信号强度数据的偏离量。假设每一组信号强度数据中都包含有6台无线设备的信号强度数据，根据上述10组信号强度数据，分别统计每一个信号设备对应的10个信号强度数据。针对每一台无线设备，对这10个信号强度数据进行过滤处理，首先计算每一个无线信号强度数据的偏离量，假设每台设备对应的信号强度数据有n个，则这n个信号强度数据中的第i个信号强度数据p_i的偏离量δ_i的计算公式如下：

计算得到每个信号强度数据的偏离量之后，对无线设备的信号强度数据做过滤处理。具体地，在对一台无线设备的信号强度数据进行过滤处理时，计算该无线设备的信号强度数据的偏离量；根据该无线设备的信号强度数据的总数和所述预设权重确定要删除的信号强度数据的数量m，删除该无线设备的信号强度数据中偏离量最大的m个信号强度数据，其中，m＜n。

在该实施方式中，预设权重为需要保留的信号强度数据在信号强度数据总量中的占比，每台无线设备的n个信号强度数据中需要删除的数据量m＝n*预设权重(例如，80％)，若采集到的一台无线设备的信号强度数据总量为10个，则删除其中偏离量最大的2个信号强度数据，即m＝8，需要保留其中偏离量较小的8个信号强度数据。在对信号强度数据过滤处理后，计算剩余的信号强度数据的平均值，提取出多台无线设备的信号强度数据作为特征值，按照预设的排序方式对多台无线设备的特征值进行组合，形成一个特征向量，将该特征向量输入上述实施例中训练好的室内定位分类器，计算移动终端当前的位置坐标，后续移动终端位置坐标的计算步骤参见上述两个实施例，这里不再赘述。

本实施例提出的基于随机森林模型的定位方法，通过移动终端连续多次的信号检测并上报，对这多次的信号强度数据进行过滤处理，降低信号强度存在的偏差或者波动对定位的影响，提高移动终端的定位精度。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于随机森林模型的定位程序，该定位程序被处理器执行时实现如下操作：

A1、接收移动终端上报的多台无线设备的设备信号数据；

A2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

A3、将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

A4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

进一步地，所述步骤A4可以替换为：

判断所述预测结果中多种可能的位置坐标中最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的定位坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效，不将定位坐标发送至移动终端。

具体地，所述步骤A2包括：

A21、从所述设备信号数据中获取n组信号强度数据，其中，每组信号强度数据中包含有多个无线设备的信号强度数据，n＞1；

A22、根据所述n组信号强度数据，分别统计每台无线设备对应的信号强度数据并进行过滤处理：计算每台无线设备的信号强度数据的偏离量，删除偏离量满足预设权重的信号强度数据；及

A23、计算每台无线设备经过滤处理后剩余的多个信号强度数据的平均值作为每台无线设备的特征值，将所述每组信号强度数据中的每台无线设备的特征值组合成一个特征向量。

本发明之计算机可读存储介质的具体实施方式与上述电子装置及基于随机森林模型的定位方法的具体实施方式大致相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于随机森林模型的定位方法，应用于电子装置，其特征在于，该方法包括：

S1、接收移动终端上报的多台无线设备的设备信号数据；

S2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

S3、将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

S4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

2.如权利要求1所述的基于随机森林模型的定位方法，其特征在于，所述步骤S4可以替换为：

判断所述多种可能的位置坐标的最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的位置坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效。

3.如权利要求1或2所述的基于随机森林模型的定位方法，其特征在于，所述步骤S2包括：

S21、从所述设备信号数据中获取n组信号强度数据，其中，每组信号强度数据中包含有多个无线设备的信号强度数据，n＞1；

S22、根据所述n组信号强度数据，分别统计每台无线设备对应的信号强度数据并进行过滤处理：计算每台无线设备的信号强度数据的偏离量，删除偏离量满足预设权重的信号强度数据；及

S23、计算每台无线设备经过滤处理后剩余的多个信号强度数据的平均值作为每台无线设备的特征值，将所述每组信号强度数据中的每台无线设备的特征值组合成一个特征向量。

4.如权利要求3所述的基于随机森林模型的定位方法，其特征在于，所述步骤S22包括：

计算该无线设备的信号强度数据的平均值，将信号强度数据与所述平均值之间的差值作为该信号强度数据的偏离量；及

根据该无线设备的信号强度数据的总数和所述预设权重确定要删除的信号强度数据的数量m，删除该无线设备的信号强度数据中偏离量最大的m个信号强度数据，其中，m＜n。

5.如权利要求1所述的基于随机森林模型的定位方法，其特征在于，所述预先确定的室内定位分类器的训练步骤包括：

分别收集移动终端在多个采样点检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值；

组合在每个采样点收集的每台无线设备的特征值，生成该采样点对应的特征向量，所述多个采样点及多个采样点分别对应的特征向量组成样本集；

从样本集中的抽取第一比例的采样点的位置及该第一比例的采样点对应的特征向量作为训练集，从样本集中的抽取第二比例的采样点的位置及该第二比例的采样点对应的特征向量作为验证集；

利用所述训练集对随机森林模型进行训练，得到所述室内定位分类器；及

利用所述验证集对所述室内定位分类器的准确性进行验证，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加样本数量并重新执行训练步骤。

6.如权利要求5所述的基于随机森林模型的定位方法，其特征在于，所述“将在每个采样点收集的每台无线设备的特征值进行组合，生成该采样点对应的特征向量”的步骤还包括：

对每台无线设备的特征值赋予权重，增强较大特征值的权重，削弱较小特征值的权重，形成每台无线设备的特征向量。

7.一种电子装置，其特征在于，该电子装置包括：存储器、处理器，所述存储器上存储有基于随机森林模型的定位程序，该定位程序被所述处理器执行时实现如下步骤：

A1、接收移动终端上报的多台无线设备的设备信号数据；

A2、从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；

A3、将所述特征向量输入预先确定的室内定位分类器，预测所述移动终端多种可能的位置坐标及每种可能的位置坐标的概率；及

A4、从所述室内定位分类器输出的预测结果中选择概率最大的位置坐标，并将该概率最大的位置坐标发送至移动终端。

8.如权利要求7所述的电子装置，其特征在于，所述步骤A4可以替换为：

判断所述多种可能的位置坐标的最大概率值是否大于或等于预设阈值，当最大概率值大于或等于预设阈值时，判定本次定位有效，并将最大概率值对应的位置坐标发送至移动终端；当最大概率值小于预设阈值时，判定本次定位无效。

9.如权利要求7或8所述的电子装置，其特征在于，所述步骤A2包括：

A21、从所述设备信号数据中获取n组信号强度数据，其中，每组信号强度数据中包含有多个无线设备的信号强度数据，n＞1；

A22、根据所述n组信号强度数据，分别统计每台无线设备对应的信号强度数据并进行过滤处理：计算每台无线设备的信号强度数据的偏离量，删除偏离量满足预设权重的信号强度数据；及

A23、计算每台无线设备经过滤处理后剩余的多个信号强度数据的平均值作为每台无线设备的特征值，将所述每组信号强度数据中的每台无线设备的特征值组合成一个特征向量。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于随机森林模型的定位程序，该定位程序被处理器执行时实现如权利要求1至6中任一项所述的基于随机森林模型的定位方法的步骤。