CN108616812A - 基于深度学习的移动设备定位及追踪系统及其使用方法 - Google Patents

Abstract

本发明提供移动设备定位及跟踪系统及其使用方法，包括：硬件设备，分为服务器、应用客户端和移动设备探测客户端；数据采集模块，用来采集移动设备的属性信息；通信模块，服务器和客户端进行信息传送；移动设备定位模型生成模块，利用机器学习和深度学习及WIFI信号来获取在有障碍物情况下的移动设备定位模型；移动设备移动轨迹模型生成模块，通过用户分类、场景分类和路线信息，利用深度学习方法获得移动设备移动轨迹预测模型；移动设备定位和追踪模块，利用定位模型和轨迹模型对移动设备进行定位和移动行为预测；异常轨迹预警模块。本发明把深度学习和WIFI技术进行了有机结合，可提供对移动设备的精准定位，能预测移动设备的移动轨迹，并可进行追踪。

Description

基于深度学习的移动设备定位及追踪系统及其使用方法

技术领域

本发明涉及无线通信领域，更具体地，涉及一种利用区域内多个基于WIFI的移动设备探测器对指定移动设备进行定位、跟踪以及对其移动轨迹进行预测和系统及其使用方法。

背景技术

随着无线技术的发展和日趋成熟，无线网络被快速地应用到生活的各个方面，给我们带来了很多的便利。很多商家和企业开始利用无线信号对移动设备进行室内定位以及跟踪，该技术可以使用在大型商场、停车场、景区、国防公安等领域，用来进行人流预警、购物推荐、车辆导航、犯罪嫌疑人跟踪等。

现有的技术主要是基于1)3G等移动网络信号，2)GPS，3)WiFi。但现有的技术存在如下问题：3G/4G等移动网络信号的定位精度不高，一般在10米左右；GPS的定位同样存在精度不高，且无法适应复杂或者室内场合。现有的WiFi定位一般采用指纹算法，否则定位精度不高。基于GPS和WiFi的定位一般还需要在要定位或者跟踪的移动设备上预先安装固定的应用，导致应用范围缩小。此外上述定位技术都无法适用复杂场景，例如宾馆、小区等具有障碍物的环境。在中国发明专利说明书CN201510845939.2中公开了一种基于WIFI的车辆跟踪定位系统，这种技术需要在监控车辆上安装WIFI芯片。在中国发明专利说明书CN201310633033.5公开了一种用于零售业的WIFI装置定位跟踪系统，包括：数据库，用于存储顾客信息和数据分析信息；服务器，与所述数据库和多个中继站连接，用于对WIFI位置进行分析；多个含有WIFI的中继站，连接所在区域范围内的各WIFI设备，测定位置；和多个安装了应用程序的WIFI设备，但该发明的定位算法是常用的定位算法，且不能对用户行为进行预测。

现有的技术和方法一般都是采用被动定位技术，需要在移动设备上安装相关的软件。存在一些主动定位技术，但这些技术和方法一般偏重与设备的定位，没有涉及设备轨迹的跟踪。此外，现有的发明只是进行单个设备的定位，目前还缺乏利用多个探测设备对移动对象进行定位并进行跟踪的系统，且不能对设备的移动轨迹进行预测，也不能对异常移动设备进行预警。

由于被检测的设备处于移动之中，为此需要建立多个探测点，每个探测点需要和中心服务器进行通信，服务器内保存了历史上所有检测到的移动设备的运动轨迹，同时还存储了检测区域的路线图，系统可以利用深度学习技术对系统内的用户进行移动行为模式进行聚类，利用聚类模型来预测当前监控设备的预期路线，进而通知相关的检测设备进行重点监控。

目前把深度学习和WIFI定位技术相结合的研究很少，深度学习由于具有很强的学习和预测能力，因而本发明可以提供更精确的定位和轨迹预测能力。

发明内容

本发明要解决的技术问题是用来克服现有定位技术中存在的不适合区域定位、不能进行主动跟踪、不能进行行为预测的缺点，提供一种基于多个WIFI探测客户端下的移动设备定位追踪系统，该系统中包括多个WIFI区域(可以是室内环境)，每个区域由一个或多个探测移动设备的WIFI探测装置组成，该探测装置叫WIFI客户端，WIFI客户端通过移动网络与服务器通信。系统设置需要跟踪的移动设备的具体特征(例如Mac地址等)，当需要定位或者跟踪的移动设备出现在某个WIFI区域内或者WIFI终端附近时，WIFI终端通知服务器，进而由服务器通知所有终端开始主动监控和追踪该移动设备，服务器根据先验知识，预先对该移动设备进行轨迹预测，进而可以在预期的轨迹地进行预先的布控或者准备，并根据其真实移动轨迹动态调整预测结果。其先验知识是利用深度学习技术，通过对先前的各种移动设备的运动轨迹的分析而获取的。

本发明由硬件部分和软件部分组成。

本发明的硬件部分包括服务器和客户端。服务器端主要包括：数据库服务器、应用服务器、数据接收服务器。客户端分为探测客户端和应用客户端，探测客户端主要由移动设备探测器组成，其主要目的是探测、定位和追踪移动设备，探测器可以是一般的PC或者移动电脑，探测器需要两块无线网卡，一块用来进行探测，另一块用来与服务器通信，移动设备探测器也可以通过移动网络(例如3G/4G)与服务器通信。应用客户端由PC组成，通过局域网或者互联网与服务器通信，如图2所示。

本发明的具有多个探测客户端，可以部署在城市的主要街道上，也可以部署在小区、商业街、景区、超市等环境。

本发明的软件系统功能模块图如图3所示。主要包括了数据通信、设备定位、移动设备移动轨迹模型获取、移动轨迹预测、异常设备预警功能。

每一个探测客户端不间断地探测其周围的移动设备，采集移动设备的物理属性，记录该移动设备出现的时间和在本客户端的轨迹，同时通过无线网络把本客户端采集到的所有信息传回到服务器端。服务器端对传回的所有信息进行分析，首先建立探测客户端的特征集合，对探测客户端进行分类(包括商业圈、工业区、居民区、一般街道、学校、医院等)，然后对采集到的设备的属性信息通过深度学习方法进行聚类，进而获得用户分类，不同的用户具有与时间相关的正常运行轨迹及路线。

在系统使用过程中，如果需要追踪特定的移动设备，服务器向相关的探测设备发布命令后，所有相关的探测客户端处于待命状态，如果某个探测客户端探测到要追踪的移动设备，则通知服务器，由服务器根据该移动设备的特性，利用先前学校到的算法获得用户类别，进而预先获知用户常规的移动规律，通知相应的检测点来捕捉该移动设备，进而可以快速定位和追踪该用户。

系统还可以处于预警状态中，对于特定的监控设备，如果出现于其日常行为不同的移动轨迹，可以进行报警。

系统中对于单个设备的定位首先采用三角定位算法与支持向量机的分类算法相结合获取无障碍物情况下移动设备定位的指纹信息，然后采用基于深度学习获取实际环境中有障碍物情况下移动设备的位置信息，其原理如下：

1)三角定位，待测移动设备首先接收来自三个(或者多个)不同已知位置探测设备的RSSI，然后依照无线信号的传输损耗模型将其转换成待测目标到相应探测设备的距离。无线信号在传输过程中通常会受路径损耗、阴影衰落等的影响，接收信号功率随距离的变化关系可由信号传输损耗模型给出。在城市、郊区等环境，传输损耗模型通常采用如下简化模型：Pr(d)＝K-εlg(d)(dBm)。其中d代表接收机和发射机之间的距离，ε代表非自由空间的损耗系数，K为常数。根据测距阶段获得的数据，使用三角形算法计算待测目标的位置。然后变换移动设备和探测设备的位置，采集多次位置信息，利用支持向量机模型计算出无障碍物情况下移动设备的平均位置模型。

2)有障碍物环境下移动设备指纹获取。上述三角定位算法适合环境简单，而且探测设备固定的场合。在复杂场景中，如果有遮挡物则三角定位不能准确探测到移动设备，为此需要移动一个或者多个探测设备，为了能够在实际探测中快速进行定位，本发明采用深度学习方法进行模型训练，如图5所示的学习是基于多层结构的网络模型，采用逐层非监督训练来初始化模型的权值可以避免全局训练的时候陷入局部最优化的问题，优化模型的训练结果。第一层是输入的指纹向量，最后一层是输出的坐标向量，中间各层是隐藏层，其中，第m层和第m+1层之间的参数用(W_m,b_m)表示，其中W_m是连接权值，b_m是偏移量。本发明中第一层的输入值由两部分组成，即无障碍物情况下的位置向量以及障碍物模型，采用多次输入来精炼模型。

本发明预先对系统中的环境场景进行分类，根据实际业务需要可以划分成不同的模型，包括公安模型、超市模型、景区模型、步行街模型、停车场模型等。例如公安模型中，场景包括：小区、学校、商业区、企业、机关、公园等。超市模型中，场景包括：化妆品、鞋帽、男装、女装、儿童玩具等。本发明对每一个场景模型的地图和线路进行数学抽象，获得场景模型。其方法是采用有向图的方法记录每一个场景的路线图。

本发明不断采集各个探测点探测到的移动设备的属性数据，包括：设备物理属性(例如Mac地址、IMEI号、设备型号、生产厂家等)、位置、时间等信息，把上述信息保存在服务器中。

本发明分析采集到的移动设备的属性数据，采用Kmeans算法对移动设备的用户进行聚类，获得用户分类。

本发明通过输入用户分类、场景模型、大规模的移动设备属性信息，然后采用多层信念神经网络，采用深度学习的方法获取不同类用户的移动轨迹模型(User，T₁,R_a,T₂,R_b,…),其中User为用户类别，T_m为时间，R_n为区域，其中区域可以进一步分为区域类别、经纬度、停留时长等信息组成。

本发明可以监测指定设备，系统人员在应用终端发出指令，通过服务器与探测设备通信，根据移动轨迹模型，通知相关的探测设备待命，探测设备发现待监测设备出现后，根据轨迹预测模型进行进一步轨迹追踪和轨迹修订。

本发明通过检测行为异常设备的运动轨迹，结合大数据可以进行群体事件预测。

本发明采用主动定位方式，自动探测移动设备。利用有障碍物模型，通过移动探测设备来对待监测设备进行动态定位和追踪。

按照本发明可以对移动设备进行大范围的轨迹追踪、行为预测、异常预警、精确定位。因此，本发明适合进行犯罪追踪、群体行为异常预测、室内和复杂环境下的导航、景区导流、精准广告投放等。

附图说明

图1是本发明的整体结构图；

图2是系统的硬件拓扑结构；

图3是本发明的功能结构图；

图4是无障碍物情况下移动设备定位示意图；

图5是有障碍物情况下基于深度学习的定位学习过程；

具体实施方式

整个系统进行实施时包括两部分：硬件系统和软件系统。

硬件系统实施方式如下：

硬件系统包括三部分：服务器、应用客户端和探测客户端。服务器与应用客户端通过局域网或者互联网进行连接，应用客户端使用PC机或者移动终端；探测客户端与服务器之间通过互联网连接，网络条件允许时也可以使用有线网络连接。系统包括多个物理区域，每个区域安装一个或多个探测客户端，探测客户端包括两块网卡，其中一块用来与服务器通信；，另一块是无线网卡，用来进行探测周围的移动设备，探测客户端可以是PC机或者移动设备。

服务器上安装数据库，数据库记录有区域信息、区域地图信息、探测设备元数据、移动设备属性数据。

软件系统功能包括：(1)移动设备定位模型建立；(2)数据采集；(3)数据通信；(4)移动轨迹模型生成；(5)移动设备定位与追踪；(6)异常设备预警。

(1)移动设备定位模型建立过程如下：

首先建立无障碍物情况下的移动设备定位模型，采集无障碍物情况下移动设备的指纹，即移动设备与检测设备之间信号强度与位置之间的数学模型。如图4所示的空旷场景中，利用三个探测设备来对移动设备进行指纹采集，其中方格的位置小于1米，长度越小，则精度越高，但数据准备时间更长。数据采集方法和具体算法如下：

1)随意摆放探测设备_A、探测设备_B、探测设备_C的位置。

2)在如图4所示的方格内，对每个方格采集移动设备的WIF信号强度，获得当前的指纹数据。

3)多次修改探测设备_A、探测设备_B、探测设备_C的位置，并重复步骤2)。

4)采用支持向量机算法对采集的结果进行分类，并获取无障碍物情况下平均的移动设备定位模型，然后采用非线性回归算法建立信号强度与位置之间的参数模型。

5)再多次采集探测设备_A、探测设备_B、探测设备_C的位置及移动信号强度来验证模型。

6)获取到无障碍物下的移动设备的WiFi与探测设备的信号强度模型p(x,y,z)＝g(s₁,s₂,…,s_n)。其中x,y,z分别为移动设备其空间坐标，s_i为第i个探测设备的探测到的信号强度，g为模型函数。

然后建立有障碍物情况下的移动设备定位模型，本发明建立多种障碍模型H(f(x,y,z),m)，其中f是障碍物的三维函数，其中x,y,z分别为其空间坐标，f描述了在空间中某个点是否有障碍物,m表示环境材质，本发明的材质包括：水泥、玻璃、土壤、人群、金属、木材，不同材质由不同的障碍系数，障碍物可以进行混合，障碍系数通过实验测定。本发明分别对不同障碍模型采集多次参数，然后与无障碍物情况下的移动设备与信号强度模型参数一起做为深度学习中深度信念网络模型的输入参数，如图5所示，深度信念网络中W为上述两个模型参数离散化后的矩阵，b为偏移量矩阵，通过多次回归得到有障碍物情况下移动设备与探测设备信号的强度的关系模型。

(2)数据采集

本发明中探测设备截获经过其附近的移动设备与探测设备的通信包，通过解析WIFI通信协议获取移动设备的物理属性，包括mac地址、IMEI号、访问时间、停留时间、信号强度等。

(3)数据通信

本发明的数据通信分为两部分，第一部分为探测设备把采集到的移动设备的属性数据传回服务器，另一部分为服务器发送命令处理指令到探测设备。

(4)移动轨迹模型建立

本发明首先采集系统检测范围内的地形路线图，对探测设备所在的地点按照应用需求进行分类，分类包括：商业区、学校、工厂、小区、机关、街道等。然后根据已经采集到设备属性信息，采用Kmeans算法对设备进行聚类，获得设备或者用户的分类，把用户分类、场景分类和路线信息进行离散化，作为深度学习的输入参数，进过多次迭代获得用户的移动轨迹模型，即不同的时间不同的用户的移动轨迹有不同的规律。从而获得移动轨迹的预测模型。

(5)移动设备的定位与追踪

当需要对某个设备进行定位追踪时，应用服务器发出设备的属性信息，经服务器广播到指定监测区域的探测设备，探测设备开始进行监听，当发现待测设备出现时，把检测到的信号传递回服务器，服务器综合多个检测设备的检测信号，如图1所示，根据先前的定位模型计算出待测设备的位置信息，根据用户模型计算出其下一步的预期轨迹，通知预期轨迹上的设备或者操作人员，可以在其预期路径上进行跟踪。该定位和追踪过程是个不断调整的动态过程。

(6)异常设备预警

本发明提供异常设备预警功能，服务器发布指令使所有探测设备处于预警模式，对每一个出现的设备进行与其预期行为的比较，发现异常或者群体异常则可进行报警。

Claims (4)

1.基于深度学习的移动设备定位和追踪系统及其使用方法,其特征在于：

1.1系统由服务器、应用客户端和探测客户端组成，应用客户端和探测客户端通过局域网或者互联网与服务器通信，探测客户端包括两块网卡，一块与服务器通信，另一块用来进行移动设备检测；

1.2系统包括移动设备定位模型生成模块；

1.3系统包括数据采集模块；

1.4系统包括数据通信模块；

1.5系统包括移动设备的移动轨迹模型生成模块；

1.6系统包括移动设备定位与追踪模块；

1.7系统包括异常设备预警模块。

2.根据权利要求1所述的移动设备定位模型生成方法，其特征在于：在1.2中，首先建立无障碍物情况下的移动设备定位模型，采集无障碍物情况下移动设备的指纹，即移动设备与检测设备之间信号强度与位置之间的数学模型。其模型构造方法如下：

1)随意摆放多个探测设备的位置；

2)采集没个移动设备的WIF信号强度，获得当前的指纹数据；

3)多次修改探测设备的位置，并重复步骤2)；

4)采用支持向量机算法对采集的结果进行分类，并获取无障碍物情况下平均的移动设备定位模型，然后采用非线性回归算法建立信号强度与位置之间的参数模型；

5)再多次采集探测设备位置及移动信号强度来验证模型；

然后建立有障碍物情况下的移动设备定位模型，本发明建立包括材质及障碍系数组成的多种障碍模型，分别对不同障碍模型采集多次参数，然后与无障碍物情况下的移动设备与信号强度模型参数一起做为深度学习中深度信念网络模型的输入参数，通过多次回归得到有障碍物情况下移动设备与探测设备信号的强度的关系模型。

3.根据权利要求1所述的移动设备的移动轨迹模型生成方法，其特征在于：在1.5中，本发明首先采集系统检测范围内的地形路线图，对探测设备所在的地点按照应用需求进行分类，即获取场景的分类，包括：商业区、学校、工厂、小区、机关、街道等。然后根据已经采集到设备属性信息，采用聚类算法对设备进行聚类，获得设备或者用户的分类，把用户分类、场景分类和路线信息进行离散化，作为深度学习的输入参数，进过多次迭代获得用户的移动轨迹模型，即不同的时间不同的用户的移动轨迹有不同的规律。从而获得移动设备的移动轨迹模型的预测模型。

4.根据权利要求1所述的移动设备的定位与追踪方法，其特征在于：在1.6中，应用服务器发出待监测设备的属性信息，经服务器广播到指定监测区域的探测设备，探测设备开始进行监听，当发现待测设备出现时，把检测到的信号传递回服务器，服务器综合多个检测设备的检测信号，根据定位模型计算出的待测设备位置信息，然后根据移动设备的移动轨迹模型计算出其下一步的预期轨迹。该定位和追踪过程是个不断调整的动态过程。