CN108513259B - 电子装置、楼层定位方法和计算机可读存储介质 - Google Patents

Abstract

本发明公开一种电子装置、楼层定位方法和计算机可读存储介质，该方法包括：定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，根据设备信号数据生成一个特征向量；将特征向量输入预先训练好的楼层定位分类模型中，预测出移动终端的楼层；验证预测出的楼层是否合理；若验证合理，则将预测出的楼层确定为移动终端的楼层。本发明技术方案实现了降低了楼层定位出错的概率，保证楼层定位准确性。

Description

电子装置、楼层定位方法和计算机可读存储介质

技术领域

本发明涉及无线定位领域，特别涉及一种电子装置、楼层定位方法和计算机可读存储介质。

背景技术

目前，通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网(WLAN)的信号强度定位技术。基于信号强度的定位技术的基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，目前通常应用的是三角形强度算法，但三角形强度算法精度不高，定位出错率高，难以满足室内定位要求，尤其是对于楼层定位。

发明内容

本发明的主要目的是提供一种电子装置、楼层定位方法和计算机可读存储介质，旨在降低楼层定位出错的概率，确保楼层定位准确。

为实现上述目的，本发明提出的电子装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的楼层定位系统，所述楼层定位系统被所述处理器执行时实现如下步骤：

定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度比较；

在高度差超过预设海拔阈值时，接收移动终端在当前位置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训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；

若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。

优选地，所述楼层定位分类模型的训练步骤包括：

E1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的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该采样点的特征向量；

E2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；

E3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；

E4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；

E5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；

E6、若准确率大于预设阈值，则模型训练结束；

E7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤E2至E5。

优选地，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式

进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F⁽ⁱ⁾表示第i个特征向量，X_k表示特征向量中第k个元素的值。

优选地，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

本发明还提出一种楼层定位方法，该楼层定位方法包括步骤：

定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

在高度差超过预设海拔阈值时，接收移动终端在当前位置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训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；

若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。

优选地，所述楼层定位分类模型的训练步骤包括：

F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的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该采样点的特征向量；

F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；

F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；

F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；

F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；

F6、若准确率大于预设阈值，则模型训练结束；

F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。

优选地，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式

进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F⁽ⁱ⁾表示第i个特征向量，X_k表示特征向量中第k个元素的值。

优选地，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

本发明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存储有楼层定位系统，所述楼层定位系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

在高度差超过预设海拔阈值时，接收移动终端在当前位置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训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；

若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。

优选地，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

本发明技术方案，通过先获取移动终端的海拔高度，根据获取的海拔高度确定移动终端相对初始海拔高度对应的楼层有没有进行楼层切换，在确定移动终端进行了楼层切换后，接收的移动终端采集到的当前位置的设备信号数据，将该设备信号数据生成一个特征向量后输入预先训练好的楼层定位分类模型，预测得出移动终端的楼层，再根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，在验证合理后，确认所述预测出的楼层为所述移动终端所在的楼层。本发明先根据移动终端采集的无线设备的设备信号数据生成特征向量，再将该特征向量输入预先训练好的楼层定位分类模型中进行预测，预测得出的楼层，再利用初始海拔高度及初始海拔高度对应的楼层对预测得出的楼层验证合理性，验证合理后即确认移动终端所在的楼层，如此，降低了楼层定位出错的概率，楼层定位准确性高。

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示出的结构获得其他的附图。

图1为本发明楼层定位方法较佳实施例的流程示意图；

图2为本发明方法较佳实施例中楼层定位分类模型的训练流程示意图；

图3为本发明楼层定位系统较佳实施例的运行环境示意图；

图4为本发明楼层定位系统较佳实施例的程序模块图。

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

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，图1为本发明楼层定位方法较佳实施例的流程示意图。

本实施例中，该楼层定位方法包括：

步骤S10，定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

移动终端(例如，手机)通过自身的GPS模块检测海拔高度，在电子装置开启定位监测后，定时(例如，每隔10秒)获取移动终端检测的海拔高度，每次获取海拔高度后，将获取的海拔高度与预设的初始海拔高度进行比较，以得到两者的高度差。本实施例中，预设的初始海拔高度是预先设定的当前建筑的某一楼层的海拔高度(例如，当前建筑的第一层的海拔高度或者当前建筑的第十层的海拔高度)。

步骤S20，在高度差超过预设海拔阈值时，接收移动终端在当前位置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，组合每台无线设备的特征值生成一个特征向量；

当前建筑内设置分布有很多个无线设备(例如，Wi-Fi设备、蓝牙设备、无线射频信号设备等)，无线设备的发射的无线信号覆盖整个建筑，移动终端(图中未示出)在建筑中的每个楼层的任意位置都会不断检测到当前建筑中的无线设备发射的无线信号。本实施例中，无线设备以Wi-Fi设备为例对本发明的方案进行详细说明。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 Access Control，媒体访问控制)地址，移动终端在开启Wi-Fi连接的情况下，会扫描检测到周围的Wi-Fi信号，获得周围这些无线设备广播出来的MAC地址，以及检测出各个无线设备的信号强度，移动终端将各个无线设备的MAC地址与信号强度对应，形成设备信号数据发送给电子装置；移动终端将检测到的信号强度与对应的无线设备的MAC地址发送给电子装置。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。

当获得的高度差超过预设海拔阈值(例如3m)，则接收移动终端当前检测到的多台无线设备的设备信号数据，从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。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。若获取的海拔高度与初始海拔高度之间高度相差未超过预设海拔阈值，则楼层定位系统直接确定移动终端还在初始海拔高度所对应的楼层，没有切换楼层。

步骤S30，将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

电子装置中具有预先训练好的楼层定位分类模型(本实施例优选为基本的SVM支持向量机模型)，电子装置在根据移动终端发送的设备信号数据得到特征向量后，将该特征向量输入到该楼层定位分类模型中，楼层定位分类模型根据该特征向量预测出移动终端所在的楼层。

步骤S40，根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；

在预测出移动终端所在的楼层后，再通过获取的海拔高度(即移动终端当前的海拔高度)与初始海拔高度的相对位置关系，验证所述预测出的楼层是否合理。假设，获取的海拔高度为A，预测得到的楼层为B，预设的初始海拔高度为C，初始海拔高度对应的楼层为D；那么，若A大于C，B大于D，即获取的海拔高度比初始海拔高度大，预测得到的楼层也比初始海拔高度对应的楼层更高，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；若A大于C，B小于等于D，即获取的海拔高度A比初始海拔高度C大，预测得到的楼层却比初始海拔高度对应的楼层更低，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是不一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；即根据A与C的大小关系及B与D的大小关系是否一致，来判定预测得出的楼层是否合理。

步骤S50，若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。

当验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理后，电子装置则将该预测得到的楼层确定为所述移动终端当前所在的楼层；并且将预设的初始海拔高度更新，以该获取的海拔高度作为新的初始海拔高度，以及将该预测得到的楼层设置为新的初始海拔高度对应的楼层，这样，从下一次开始，每一次获取移动终端的海拔高度，均是与前一次获取的海拔高度进行比较，根据比较的结果，可判定移动终端有没有进行楼层切换(例如海拔高度没变化，则说明移动终端没有进行楼层切换)。若出现验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系不合理时，则可能是由于无线设备瞬间信号不稳定或信号受到干扰等偶然因素造成，此时电子装置可采取重新执行步骤S20、S30和S40，或者采取其它措施。

本实施例技术方案，通过先获取移动终端的海拔高度，根据获取的海拔高度确定移动终端相对初始海拔高度对应的楼层有没有进行楼层切换，在确定移动终端进行了楼层切换后，接收的移动终端采集到的当前位置的设备信号数据，将该设备信号数据生成一个特征向量后输入预先训练好的楼层定位分类模型，预测得出移动终端的楼层，再根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，在验证合理后，确认所述预测出的楼层为所述移动终端所在的楼层。本发明的楼层定位方案，先根据移动终端采集的无线设备的设备信号数据生成特征向量，再将该特征向量输入预先训练好的楼层定位分类模型中进行预测，预测得出的楼层，再利用初始海拔高度及初始海拔高度对应的楼层对预测得出的楼层验证合理性，验证合理后则确认移动终端所在的楼层，如此，降低了楼层定位出错的概率，楼层定位准确性高。

进一步地，参照图2，本实施例中，所述楼层定位分类模型的训练步骤包括：

F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的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该采样点的特征向量；

首先在建筑的每一个楼层分别均匀设置预设数量(例如500个)的采样点，然后，针对每一个楼层，分别通过移动终端采集该楼层的每一个采样点处检测到的多台无线设备的设备信号数据，然后对采集到的每个设备信号数据进行特征向量转化处理(即对每一个设备信号数据，均从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该采样点的特征向量)，将转化得到的每个采样点的特征向量存储到数据库。

F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；

针对每一个楼层，采用聚类算法将该楼层的所有特征向量局累成预设的n个(例如10个)特征类别，并确定各个特征类别的中心点特征向量。

F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；

针对每一个楼层的每一个特征类别，分别计算出该特征类别的各个特征向量分别到该特征类别的中心点特征向量的距离(欧氏距离或余弦距离)，从中找出与该特征类别的中心点特征向量距离最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；如此，则可得到各个楼层的所有关键点。

F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；

将所有关键点分别标注上其所在楼层的楼层标签，从所有关键点中的选出第一百分比(例如65％)的关键点作为训练集，选出第二百分比(例如35％)的关键点作为验证集；具体的训练集和验证集的选取均优选采用在每个楼层挑取相近数量的关键点，避免遗漏对某些楼层的关键点的训练，保证训练效果。

F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对训练完成的所述预设类型分类模型的准确率进行验证；

从数据库中提取出训练集和验证集中的所有关键点的信号强度对应的特征向量，然后利用训练集中的关键点对应的特征向量对预设类型分类模型(本实施例优选采用SVM支持向量机模型)进行训练，并在训练完成后，利用验证集中的关键点对应的特征向量对该预设类型分类模型的准确率进行验证。

F6、若准确率大于预设阈值，则模型训练结束；

如果经过验证集对该预设类型分类模型的验证，得到的准确率超过了预设阈值(例如，98％)，则说明对该预设类型分类模型的训练效果已经达到了预期标准，则结束模型训练。

F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。

如果经过验证集对该预设类型分类模型的验证，得到的准确率小于或等于预设阈值，说明对该预设类型分类模型的训练效果还没有达到要求标准，可能是训练集数量不够或验证集数量不够，所以，在这种情况时，则增加n值(例如，每次增大固定值)，重新执行上述步骤F2至F5，即相当于增加每一个楼层的关键点数量，增大训练集和验证集中的关键点数量；如此循环执行，直至达到了步骤F7的要求，则结束模型训练。

本实施例中，对该预设类型分类模型的模型训练通过先对采样点进行聚类分析找出每个楼层的预设的n个关键点，用关键点形成训练集和验证集，如此，在实现降低训练样本数量的同时，又达到了很好的训练效果。

进一步地，在上述楼层定位分类模型的训练步骤中，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式

进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F⁽ⁱ⁾表示第i个特征向量，X_k表示特征向量中第k个元素的值。

进一步地，本实施例中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

由于无线设备发射的信号都会有一定的干扰波动，有可能出现移动终端采集无线设备的信号的瞬间，无线设备发射的信号刚好失真，为了避免瞬时采集的特征信号强度失真，造成采集的信号强度数据不准确而影响样本数据的质量，本实施例采用对检测到的无线设备，移动终端获取无线设备在第一预设时长(例如2秒)内的一组特征信号强度，该组特征信号强度中，若有有失真的特征信号强度，也只是个别的，绝大多数是不失真的特征信号强度数据。

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

在获取到该无线设备在第一预设时长内的一组特征信号强度后，将这组特征信号强度作为基数，根据基数中各个数据出现的频次占比，分别赋予各个数据对应的权重占比，即出现的次数越多的数据，其权重越大，在权重分配完后，将该组基数中所有数据根据各自对应的权重进行累加，得到的结果值确定为当前无线设备的信号强度数据。

此外，本发明还提出一种楼层定位系统。

请参阅图3，是本发明楼层定位系统10较佳实施例的运行环境示意图。

在本实施例中，楼层定位系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图3仅示出了具有组件11-13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。

存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置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。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如楼层定位系统10的程序代码等。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)，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，例如执行楼层定位系统10等。

显示器13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OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13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，例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。

请参阅图4，是本发明楼层定位系统10较佳实施例的程序模块图。在本实施例中，楼层定位系统10可以被分割成一个或多个模块，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(本实施例为处理器12)所执行，以完成本发明。例如，在图4中，楼层定位系统10可以被分割成获取模块101、接收模块102、预测模块103、验证模块104及结果确定模块105。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，比程序更适合于描述楼层定位系统10在电子装置1中的执行过程，其中：

获取模块101，用于定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

移动终端(例如，手机)通过自身的GPS模块检测海拔高度，在电子装置1开启定位监测后，系统定时(例如，每隔10秒)获取移动终端检测的海拔高度，每次获取海拔高度后，将获取的海拔高度与预设的初始海拔高度进行比较。本实施例中，预设的初始海拔高度是系统设定的当前建筑的某一楼层的海拔高度(例如，当前建筑的第一层的海拔高度、当前建筑的第十层的海拔高度)。

接收模块102，用于在高度差超过预设海拔阈值时，接收移动终端在当前位置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，组合每台无线设备的特征值生成一个特征向量；

当前建筑内设置分布有很多个无线设备(例如，Wi-Fi设备、蓝牙设备、无线射频信号设备等)，无线设备的发射的无线信号覆盖整个建筑，移动终端(图中未示出)在建筑中的每个楼层的任意位置都会不断检测到当前建筑中的无线设备发射的无线信号。本实施例中，无线设备以Wi-Fi设备为例对本发明的方案进行详细说明。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 Access Control，媒体访问控制)地址，移动终端在开启Wi-Fi连接的情况下，会扫描检测到周围的Wi-Fi信号，获得周围这些无线设备广播出来的MAC地址，以及检测出各个无线设备的信号强度，移动终端将各个无线设备的MAC地址与信号强度对应，形成设备信号数据发送给电子装置1；移动终端将检测到的信号强度与对应的无线设备的MAC地址发送给电子装置1。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。

当获得的高度差超过预设海拔阈值(例如3m)，则接收移动终端当前检测到的多台无线设备的设备信号数据，从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。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。若获得的高度差(即获取的海拔高度与初始海拔高度之间高度差)未超过预设海拔阈值，则电子装置1直接确定移动终端还在初始海拔高度所对应的楼层，没有切换楼层。

预测模块103，用于将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

电子装置1中具有预先训练好的楼层定位分类模型(本实施例优选为基本的SVM支持向量机模型)，在根据移动终端发送的设备信号数据得到特征向量后，将该特征向量输入到该楼层定位分类模型中，楼层定位分类模型根据该特征向量预测出移动终端所在的楼层。

验证模块104，用于根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；

电子装置1在预测出移动终端所在的楼层后，再通过获取的海拔高度(即移动终端当前的海拔高度)与初始海拔高度的相对位置关系，验证所述预测出的楼层是否合理。假设，获取的海拔高度为A，预测得到的楼层为B，预设的初始海拔高度为C，初始海拔高度对应的楼层为D；那么，若A大于C，B大于D，即获取的海拔高度比初始海拔高度大，预测得到的楼层也比初始海拔高度对应的楼层更高，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；若A大于C，B小于等于D，即获取的海拔高度A比初始海拔高度C大，预测得到的楼层却比初始海拔高度对应的楼层更低，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是不一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；即根据A与C的大小关系及B与D的大小关系是否一致，来判定预测得出的楼层是否合理。

结果确定模块105，用于在所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理后，将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。

当验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理后，电子装置1则将该预测得到的楼层确定为所述移动终端当前所在的楼层；并且将预设的初始海拔高度更新，以该获取的海拔高度作为新的初始海拔高度，以及将该预测得到的楼层设置为新的初始海拔高度对应的楼层，这样，从下一次开始，每一次获取移动终端的海拔高度，均是与前一次获取的海拔高度进行比较，根据比较的结果，可判定移动终端有没有进行楼层切换(例如海拔高度没变化，则说明移动终端没有进行楼层切换)。若出现验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系不合理时，则可能是由于无线设备瞬间信号不稳定或信号受到干扰等偶然因素造成，此时电子装置可采取重新执行接收模块102、预测模块103和验证模块104，或者采取其它措施。

本实施例技术方案，通过先获取移动终端的海拔高度，根据获取的海拔高度确定移动终端相对初始海拔高度对应的楼层有没有进行楼层切换，在确定移动终端进行了楼层切换后，接收的移动终端采集到的当前位置的设备信号数据，将该设备信号数据生成一个特征向量后输入预先训练好的楼层定位分类模型，预测得出移动终端的楼层，再根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，在验证合理后，确认所述预测出的楼层为所述移动终端所在的楼层。本发明的楼层定位方案，先根据移动终端采集的无线设备的设备信号数据生成特征向量，再将该特征向量输入预先训练好的楼层定位分类模型中进行预测，预测得出的楼层，再利用初始海拔高度及初始海拔高度对应的楼层对预测得出的楼层验证合理性，验证合理后即确认移动终端所在的楼层，如此，降低了楼层定位出错的概率，楼层定位准确性高。

进一步地，本实施例中，所述楼层定位分类模型的训练步骤包括(可参照图2)：

F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的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该采样点的特征向量；

首先在建筑的每一个楼层分别均匀设置预设数量(例如500个)的采样点，然后，针对每一个楼层，分别通过移动终端采集该楼层的每一个采样点处检测到的多台无线设备的设备信号数据，然后对采集到的每个设备信号数据进行特征向量转化处理(即对每一个设备信号数据，均从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该采样点的特征向量)，将转化得到的每个采样点的特征向量存储到数据库。

F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；

针对每一个楼层，采用聚类算法将该楼层的所有特征向量局累成预设的n个(例如10个)特征类别，并确定各个特征类别的中心点特征向量。

F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；

针对每一个楼层的每一个特征类别，分别计算出该特征类别的各个特征向量分别到该特征类别的中心点特征向量的距离(欧氏距离或余弦距离)，从中找出与该特征类别的中心点特征向量距离最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；如此，则可得到各个楼层的所有关键点。

F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；

将所有关键点分别标注上其所在楼层的楼层标签，从所有关键点中的选出第一百分比(例如65％)的关键点作为训练集，选出第二百分比(例如35％)的关键点作为验证集；具体的训练集和验证集的选取均优选采用在每个楼层挑取相近数量的关键点，避免遗漏对某些楼层的关键点的训练，保证训练效果。

F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对训练完成的所述预设类型分类模型的准确率进行验证；

从数据库中提取出训练集和验证集中的所有关键点的信号强度对应的特征向量，然后利用训练集中的关键点对应的特征向量对预设类型分类模型(本实施例优选采用SVM支持向量机模型)进行训练，并在训练完成后，利用验证集中的关键点对应的特征向量对该预设类型分类模型的准确率进行验证。

F6、若准确率大于预设阈值，则模型训练结束；

如果经过验证集对该预设类型分类模型的验证，得到的准确率超过了预设阈值(例如，98％)，则说明对该预设类型分类模型的训练效果已经达到了预期标准，则结束模型训练。

F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。

如果经过验证集对该预设类型分类模型的验证，得到的准确率小于或等于预设阈值，说明对该预设类型分类模型的训练效果还没有达到要求标准，可能是训练集数量不够或验证集数量不够，所以，在这种情况时，则增加n值(例如，每次增大固定值)，重新执行上述步骤F2至F5，即相当于增加每一个楼层的关键点数量，增大训练集和验证集中的关键点数量；如此循环执行，直至达到了步骤F7的要求，则结束模型训练。

本实施例中，对该预设类型分类模型的模型训练通过先对采样点进行聚类分析找出每个楼层的预设的n个关键点，用关键点形成训练集和验证集，如此，在实现降低训练样本数量的同时，又达到了很好的训练效果。

进一步地，在上述楼层定位分类模型的训练步骤中，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式

进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F⁽ⁱ⁾表示第i个特征向量，X_k表示特征向量中第k个元素的值。

进一步地，在上述本实施例中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

由于无线设备发射的信号都会有一定的干扰波动，有可能出现移动终端采集无线设备的信号的瞬间，无线设备发射的信号刚好失真，为了避免瞬时采集的特征信号强度失真，造成采集的信号强度数据不准确而影响样本数据的质量，本实施例采用对检测到的无线设备，移动终端获取无线设备在第一预设时长(例如2秒)内的一组特征信号强度，该组特征信号强度中，若有有失真的特征信号强度，也只是个别的，绝大多数是不失真的特征信号强度数据。

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

在获取到该无线设备在第一预设时长内的一组特征信号强度后，将这组特征信号强度作为基数，根据基数中各个数据出现的频次占比，分别赋予各个数据对应的权重占比，即出现的次数越多的数据，其权重越大，在权重分配完后，将该组基数中所有数据根据各自对应的权重进行累加，得到的结果值确定为当前无线设备的信号强度数据。

进一步地，本发明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存储有楼层定位系统，所述楼层定位系统可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的楼层定位方法。

以上所述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，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (7)

1.一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的楼层定位系统，所述楼层定位系统被所述处理器执行时实现如下步骤：

定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

在高度差超过预设海拔阈值时，接收移动终端在当前位置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，组合每台无线设备的特征值生成一个特征向量，其中，所述组合每台无线设备的特征值生成一个特征向量包括：将每台无线设备的编号从小到大排序，对多台无线设备的特征值进行组合生成一个特征向量；

将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，其中，所述验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理包括：当所述获取的海拔高度大于所述初始海拔高度时，且所述预测出的楼层大于所述初始海拔高度所对应的楼层时，则所述位置关系合理；

若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层，其中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

2.如权利要求1所述的电子装置，其特征在于，所述楼层定位分类模型的训练步骤包括：

E1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的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该采样点的特征向量；

E2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；

E3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；

E4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；

E5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；

E6、若准确率大于预设阈值，则模型训练结束；

E7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤E2至E5。

3.如权利要求2所述的电子装置，其特征在于，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式

进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F⁽ⁱ⁾表示第i个特征向量，X_k表示特征向量中第k个元素的值。

4.一种楼层定位方法，其特征在于，该楼层定位方法包括步骤：

定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

在高度差超过预设海拔阈值时，接收移动终端在当前位置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，组合每台无线设备的特征值生成一个特征向量，其中，所述组合每台无线设备的特征值生成一个特征向量包括：将每台无线设备的编号从小到大排序，对多台无线设备的特征值进行组合生成一个特征向量；

将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，其中，所述验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理包括：当所述获取的海拔高度大于所述初始海拔高度时，且所述预测出的楼层大于所述初始海拔高度所对应的楼层时，则所述位置关系合理；

若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层，其中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

5.如权利要求4所述的楼层定位方法，其特征在于，所述楼层定位分类模型的训练步骤包括：

F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的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该采样点的特征向量；

F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；

F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；

F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；

F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；

F6、若准确率大于预设阈值，则模型训练结束；

F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。

6.如权利要求5所述的楼层定位方法，其特征在于，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式

进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F⁽ⁱ⁾表示第i个特征向量，X_k表示特征向量中第k个元素的值。

7.一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存储有楼层定位系统，所述楼层定位系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：

定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；

在高度差超过预设海拔阈值时，接收移动终端在当前位置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，组合每台无线设备的特征值生成一个特征向量，其中，所述组合每台无线设备的特征值生成一个特征向量包括：将每台无线设备的编号从小到大排序，对多台无线设备的特征值进行组合生成一个特征向量；

将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；

根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，其中，所述验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理包括：当所述获取的海拔高度大于所述初始海拔高度时，且所述预测出的楼层大于所述初始海拔高度所对应的楼层时，则所述位置关系合理；

若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层，其中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：

对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；

将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。

Images