CN109104688B - 使用聚集技术生成无线网络接入点模型 - Google Patents

使用聚集技术生成无线网络接入点模型 Download PDF

Info

Publication number
CN109104688B
CN109104688B CN201810229489.8A CN201810229489A CN109104688B CN 109104688 B CN109104688 B CN 109104688B CN 201810229489 A CN201810229489 A CN 201810229489A CN 109104688 B CN109104688 B CN 109104688B
Authority
CN
China
Prior art keywords
clusters
scan
cluster
vector
assigned
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.)
Active
Application number
CN201810229489.8A
Other languages
English (en)
Other versions
CN109104688A (zh
Inventor
张莹
加布里尔·勒布朗
罗伯特·弗雷泽
张晓萌
巴斯卡尔·梅塔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Google LLC
Original Assignee
Google LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Priority to CN202110147207.1A priority Critical patent/CN112995903A/zh
Publication of CN109104688A publication Critical patent/CN109104688A/zh
Application granted granted Critical
Publication of CN109104688B publication Critical patent/CN109104688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G01S5/02521—Radio frequency fingerprinting using a radio-map
    • G01S5/02524—Creating or updating the radio-map
    • G01S5/02525—Gathering the radio frequency fingerprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W76/00—Connection management
    • H04W76/10—Connection setup
    • H04W76/11—Allocation or use of connection identifiers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/08—Trunked mobile radio systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/18—Service support devices; Network management devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

公开了使用聚集技术生成无线网络接入点模型。本技术涉及生成用于确定区域内的位置的无线网络接入点模型。在一个示例中，接收多个扫描矢量，每个扫描矢量表示用于无线网络接入点标识符集合的信号强度集合，并且与移动设备移动通过测量该信号强度集合的区域的区域内的位置相关联。通过迭代分隔阶段来生成集群集合，直到该组集群中的集群的数目等于集群的最大数目或者没有识别出的坏扫描矢量。坏扫描矢量可以包括具有与该矢量被指派到的集群的中心的矢量差小于最小相似度值的矢量。然后使用该集群集合来生成该区域的模型。

Description

使用聚集技术生成无线网络接入点模型
技术领域
本申请涉及使用聚集技术生成无线网络接入点模型。
背景技术
室内定位模型通常使用无线网络接入点标识符和相关信号强度的扫描来生成。这些扫描然后被布置成用于确定位置的模型。一种常见的方法利用指纹。例如，对于较小的区域，来自接收的所有扫描的信号强度的平均值是这些区域的良好指示符，并且可以用作该区域的模型或指纹。但是，对于较大的区域，所有扫描的平均值只能提供该区域的无线网络接入点标识符列表。如果更大的区域更接近较小的区域，则通过简单地查看扫描的平均值可能难以区分。在具有许多较小房间和较大走廊的建筑物中通常是这种情况。为了解决这个问题，可以使用K均值聚集方法将扫描聚集在一起以创建模型。为了确定特定扫描的位置，只需识别扫描所属于的集群。
K均值聚集方法导致将数据分割成K个Voronoi小区。该问题在计算上困难；然而，存在通常使用并快速收敛到局部最优的高效的启发式算法。这些通常与期望最大化算法相似。K均值算法由两个阶段的迭代组成：(1)更新标签阶段，其将观察指派到K的预定值的最近中心，以及(2)更新平均阶段，其根据所述指派重新计算中心。当更新标签阶段稳定时迭代结束，这提供了局部最优解。
使用典型的K均值聚集方法，K是已知的值。但是，在室内空间变化很大的情况下，K将取决于该区域的大小和形状以及该区域中无线网络接入点分布的性质。在更基本的K均值聚集方法中，诸如那些用于先前的无线网络接入点聚集的方法，如果一个或多个集群的大小过大，则以K的小值开始并增加K。这种方法对于较大的区域(诸如，商场(例如，室内或室外商店分组))效率不高，并且不能导致所有集群与集群中心处的矢量数据具有类似矢量差的解。
发明内容
本公开的各方面提供了一种生成用于确定区域内的位置的无线网络接入点模型的方法。该方法包括接收多个扫描矢量，每个扫描矢量包括表示无线网络接入点标识符集合的信号强度集合以及与移动设备移动通过测量信号强度集合的区域的所述区域内的位置相关联的数据。该方法进一步包括执行分隔阶段以生成集群集合。该分隔阶段包括基于扫描矢量和指派到扫描矢量被指派到的集群的中心的矢量数据之间的矢量差，将多个扫描矢量中的每个扫描矢量指派到集群，将多个扫描矢量中的一个或多个扫描矢量识别为用于启动附加集群的候选，所述候选是具有以下特征的扫描矢量：在所述扫描矢量和指派到扫描矢量被指派到的集群的中心的矢量数据之间的差小于集群的预定最小相似度值，从被识别为用于启动附加集群的候选的一个或多个扫描矢量中选择与指派到扫描矢量被指派到的集群的中心的矢量数据最不相似的扫描矢量，在集群集合中创建附加集群并将所选的扫描矢量指派到附加集群，将所选的扫描矢量的矢量数据指派到附加集群的中心，重新计算指派到集群集合中的任何集群中心的矢量数据，并且迭代分隔阶段，直到集群集合中的集群的总数等于集群的预定最大数目或者直到没有识别出用于启动附加集群的进一步候选。该方法进一步包括基于集群集合生成用于确定区域内的位置的模型。
在一个示例中，该方法进一步包括，在执行分隔阶段之前，将集群的数目设置为1，并且将多个扫描矢量中的第一矢量扫描指派为集群集合中的第一集群的中心。另外或可选地，当集群的数目等于集群的最大数目时，该方法进一步包括过滤集群以识别离群值并去除离群值和指派的扫描矢量，从而减少集群集合中的集群总数。此外，该方法包括，在过滤以去除离群值之后，继续迭代分隔阶段，直到集群的数目再次等于集群的最大数目或者不存在集群的数目或者没有识别出用于启动附加集群的进一步候选。另外或可选地，该方法进一步包括将集群集合中的至少两个集群识别为用于集群合并操作的候选，并且将该至少两个集群合并成合并集群以减少集群集合中的集群总数，其中先前指派到至少两个集群的扫描矢量被重新指派到合并集群。在该示例中，将集群集合中的至少两个集群识别为集群合并操作的候选包括将集群识别为包括低于阈值量的扫描矢量的总数。另外或可选地，将集群集合中的至少两个集群识别为集群合并操作的候选包括识别指派到集群中的第一集群的中心的矢量数据与指派到集群中的第二集群的中心的矢量数据之间的差小于预定阈值。另外或可选地，该方法进一步包括从集群集合中的集群中识别包括最高数目的扫描矢量的集群；对于集群集合中的每个其他集群，确定该集群中的扫描矢量的数目和与集群中的扫描矢量相关联的至少一个置信度指示符中的至少一个；基于集群中的扫描矢量的数目和与集群中的扫描矢量相关联的至少一个置信度指示符中的至少一个来过滤其他集群；基于过滤，选择其他集群中的至少一个；以及输出多个集群的子集以便在位置确定操作中使用，子集包括被识别为包括最高数目的扫描矢量的集群和所选择的其他集群中的至少一个。在这个示例中，模型的生成所基于的集群集合仅与集群的子集相对应。另外或可选地，该方法进一步包括：对于集群集合中的每个集群，基于与指派到集群的扫描矢量相关联的位置，确定中心位置；以及对于每个集群，基于与指派到集群的扫描矢量相关联的位置与中心位置之间的距离重新定心集群的中心位置。
本公开的各方面进一步提供了一种包括用于执行上述示例方法的计算装置的装备。本公开的各方面进一步提供了一种包括计算机可读指令的计算机程序，计算机可读指令在由至少一个计算装备执行时使至少一个计算装备执行上述示例方法。
本公开的其他方面提供了一种计算机实现的方法。该方法包括接收根据从多个无线接入点接收到的信号确定的扫描矢量的多个集群；从多个集群中识别包括最高数目的扫描矢量的集群；对于被识别为包括最高数目的扫描矢量的集群之外的多个集群中的每个集群，确定集群中的扫描矢量的数目和与集群中的扫描矢量相关联的至少一个置信度指示符中的至少一个；基于集群中的扫描矢量的数目和与集群中的扫描矢量相关联的至少一个置信度指示符中的至少一个来过滤其他集群；基于过滤，选择其他集群中的至少一个；以及输出多个集群的子集以便在位置确定操作中使用，子集包括被识别为包括最高数目的扫描矢量的集群和其他集群中的所选择的至少一个。本公开的各方面进一步提供了一种包括用于执行前述方法的装置的装备以及包括计算机可读指令的计算机程序，计算机可读指令在由至少一个计算装备执行时使至少一个计算装备执行前述方法。
本公开的又其他方面提供了一种生成用于确定区域内的位置的无线网络接入点模型的方法。该方法包括由具有一个或多个处理器的一个或多个服务器计算设备接收多个扫描矢量，每个扫描矢量表示用于无线网络接入点标识符集合的信号强度集合并且与移动设备移动通过测量信号强度集合的区域的区域内的位置相关联；由一个或多个服务器计算设备设置集群的最大数目；由一个或多个服务器计算设备设置最小相似度值；由一个或多个服务器计算设备执行分隔阶段以生成集群集合包括。分隔阶段包括基于给定扫描矢量与所指派的集群的矢量数据之间的矢量差，将多个扫描矢量中的每个给定扫描矢量指派到集群，基于一个或多个坏扫描矢量中的每一个坏扫描矢量和指派到一个或多个坏扫描矢量中的每一个坏扫描矢量被指派到的集群的中心的矢量数据之间的矢量差是否小于最小相似度值来识别多个扫描矢量中的一个或多个坏扫描矢量，从所述一个或多个坏扫描矢量中，选择在一个或多个坏扫描矢量和为最坏扫描矢量指派的集群的中心的矢量数据之间具有最大矢量差的最坏扫描矢量，使用所选的最坏扫描矢量作为新集群的中心并由此增加集群集合中的集群的数目，重新计算指派到集群集合中的任何集群中心的矢量数据，由一个或多个服务器计算设备，迭代分隔阶段，直到集群集合中的集群的数目等于集群的最大数目或者没有识别出的一个或多个坏扫描矢量。该方法还包括基于集群集合生成区域的模型。
在一个示例中，其中两个扫描矢量v1和v2之间的相似度能够被定义为余弦相似度(v1，v2)，最小相似度值是最小余弦相似度，并且选择最坏扫描矢量包括识别一个或多个坏扫描中的一个坏扫描，该坏扫描在所识别的一个坏扫描与所识别的一个坏扫描的所指派的集群的中心之间具有余弦相似度的最大值。在另一个示例中，该方法还包括在执行分隔阶段之前，将集群的数目设置为1并且将多个扫描矢量中的第一矢量扫描指派为集群集合中的第一集群的中心。在另一个示例中，分隔阶段还包括在重新计算指派到集群集合中的任何集群的中心的矢量数据之后，确定指派到集群集合中的任何集群的中心的矢量数据是否已经改变，当指派到集群集合中的任何集群的中心的矢量数据已经改变时，将多个扫描矢量重新指派到集群集合中的集群，以及继续重新计算和重新指派，直到集群集合中的集群稳定使得指派到任何集群的中心的矢量数据不根据重新计算而改变。在另一个示例中，当集群的数目等于集群的最大数目时迭代结束，过滤任何集群以去除离群值。在该示例中，该方法还包括在过滤之后，继续迭代分隔阶段，直到集群的数目再次等于集群的最大数目或者没有识别出的一个或多个坏扫描矢量。
在另一个示例中，该方法还包括由一个或多个服务器计算设备设置最大相似度值并且执行合并阶段，包括：识别集群集合中的集群对，集群对具有指派到具有大于最大相似度值的相似度值的对中的每一个集群的相应中心的矢量数据，以及将集群对和任何指派的扫描矢量合并在一起。在该示例中，识别集群对是基于指派到相应中心的矢量数据之间的余弦相似度。另外或可选地，该方法还包括重复合并阶段，直到集群集合中没有具有大于最大相似度值的相似度值的集群对。另外或可选地，识别集群对进一步基于指派到集群对中的每个集群的扫描矢量的数目。在另一个示例中，该方法还包括设置最大相似度值，其中迭代分隔阶段和合并阶段提供集群集合，使得在集群集合中的每个给定集群中，指派到给定集群的每个扫描矢量与给定集群的中心的扫描矢量之间的矢量差大于最小相似度值，并且给定集群的中心的扫描矢量与集群集合中的任何其他集群的中心的扫描矢量之间的矢量差小于最大相似度值。另外或可选地，该方法包括基于与指派到给定集群的扫描矢量相关联的位置，确定集群集合中的每个给定集群的中心位置；和基于与指派到给定集群的扫描矢量相关联的位置与中心位置之间的距离，重新定心每个给定集群的中心位置。在这个示例中，重新定心基于距离是否满足阈值距离值。另外或可选地，该方法还包括在生成模型之前，通过以下步骤来过滤集群集合：识别集群集合中具有最大数目的指派的扫描矢量的集群；以及基于与最大数目的指派的扫描矢量的比较来从集群集合中过滤一个或多个集群。另外或可选地，该方法还包括在生成模型之前，过滤集群集合以去除不满足最小数目的指派的扫描矢量的任何集群。另外或可选地，多个扫描矢量中的每个给定扫描矢量与表示信号强度测量的组合准确度测量和给定扫描矢量的估计位置的置信度值相关联，并且方法还包括在生成模型之前，基于与指派到集群集合中的每个集群的扫描矢量相关联的最高置信度值来过滤集群集合。在该示例中，过滤集群集合包括从集群集合中去除具有不满足阈值置信度值的最高置信度值的集群。另外或可选地，多个扫描矢量中的至少子集与由特定移动设备对区域的单次访问相对应，使得单次访问包括多个扫描，并且方法进一步包括过滤多个扫描以去除在访问的开始边界和结束边界处的扫描，使得所过滤的扫描不包括在多个扫描矢量中。在该示例中，过滤多个扫描基于在生成模型时选择以去除噪声的提取速率。另外或可选地，多个扫描矢量中的每个给定扫描矢量与表示信号强度测量的组合准确度测量和给定扫描矢量的估计位置的置信度值相关联，并且方法进一步包括在执行分隔阶段之前，过滤多个扫描矢量以去除与不满足阈值置信度值的置信度值相关联的扫描矢量，以从模型中去除噪声。
附图说明
图1是根据本公开的各方面的示例系统的功能图。
图2是图1的示例系统的示意图。
图3是根据本公开的各方面的表示分隔阶段的各方面的准代码的示例。
图4是根据本公开的各方面的表示分隔阶段的各方面的流程图。
图5是根据本公开的各方面的表示合并阶段的各方面的准代码的示例。
图6是根据本公开的各方面的表示合并阶段的各方面的流程图。
图7是根据本公开的各方面的表示重新定心过程的各方面的准代码的示例。
图8是根据本公开的各方面的表示重新定心过程的各方面的流程图。
图9是根据本公开的各方面的表示模型之间的交叉过滤方面的准代码的示例。
图10是根据本公开的各方面的表示组合模型的各方面的准代码的示例。
具体实施方式
概述
本公开的各方面涉及创建位置的无线网络接入点模型以提供例如基于位置的服务。例如，是无线网络接入点标识符(例如，MAC地址)和通过移动设备收集的相关联的信号强度(例如，从0dB到-120dB的标度处的RSSI，其中越接近零，信号越强)的无线网络接入点签名的扫描可以用于生成该模型。例如，使用下面描述的自适应K均值聚集方法，多个这些扫描可以聚集在一起以创建模型。K均值聚集将矢量集合(v1，v2，...，vn)分成K个集群S＝{S1，S2，...，Sk}，其中每个集合对应于Voronoi小区(Voronoi cells)。每个集群都包括表示该集群中心的矢量。要确定特定扫描的位置，只需识别扫描所属于的集群。
为了生成诸如商场的区域的一个或多个模型，如上所述，可以使用多个扫描。这些扫描中的至少一些可以通过贯穿整个区域移动的移动设备来收集。因此，移动设备可以向服务器计算机提供信息，所述信息包括与访问该区域中或该区域周围的位置相对应的一系列扫描。该系列中的每个扫描都具有时间戳、位置、网络接入点标识符集合和相关联的信号强度以及相关联的置信度值。置信度值可以表示信号强度测量和位置的组合置信度或准确度测量。例如，某些访问可能是由特定移动通过该区域以用他或她的移动设备收集数据的人员提供的直接收集的访问。其他访问可以是推断访问，例如根据基于位置的服务的用户提供的信息推断。如下面进一步讨论的，这些数据可以被聚合并用于确定单个模型的集群，或者可以用于生成单独的模型，以供个人使用。可选地，可以将单独的模型组合成单个聚合模型。
在一些示例中，可以以多种方式对扫描进行预过滤以减少或去除数据的噪声部分。例如，对于每次访问，基于访问的时间戳，系列开头和结尾处的扫描可以被丢弃。时间戳也可用于对扫描进行排序，例如，按时间顺序逆序，以便仅使用最近的集合来生成一个或多个模型。另外，可以对一些无线网络接入点标识符进行过滤以去除对于多个扫描具有极低出现的那些或者重复出现的那些。
可以通过与时间戳、位置和置信度相关联的扫描矢量来表示在任何过滤之后剩余的多个的每个扫描。在使用K均值聚集之前，可以定义每个集群内的矢量的第一最小可允许相似度值和最大可允许相似度值以及K的最大值。
自适应K均值聚集可以涉及分隔阶段和合并阶段。在分隔阶段中，剩余多个中的第一扫描矢量可以被指派为第一集群的中心处的矢量的值。定义为坏扫描矢量与第一扫描矢量v1之间的矢量相似度值(或者集群的矢量数据指派中心)小于最小可允许相似度值的所有“坏”扫描矢量被识别。具有与该集群中心(或最低相似度值与中心处的矢量数据)的最大矢量差的这些坏扫描矢量的“最坏”扫描被识别。
然后创建新集群，其中所识别的最坏扫描矢量被指派为新集群的中心处的矢量的值。在这方面，K的值增加。然后使用K均值聚集将剩余的多个扫描中的每一个指派到集群之一。当扫描的指派稳定时，K均值聚集的迭代结束，使得中心的矢量值不变。
再次，确定所有坏扫描矢量，并且识别这些坏扫描矢量中的最坏扫描矢量。最坏扫描矢量是所述坏扫描矢量中与指派到具有最大扫描数目的集群中心的扫描数据具有最大矢量差的扫描矢量。将这个最坏扫描矢量从当前集群中去除，并且矢量数据被指派为新集群的中心的矢量值，并且重复K均值聚集。上述过程的迭代继续进行，直到K达到K的最大值或者没有坏扫描矢量。
在已经达到K的最大值但仍然存在许多坏扫描的情况下，可以对集群进行过滤以去除离群值。这可能包括识别是否存在具有很少扫描的任何集群，因为这样的集群实际上可能是离群值。如果存在离群值，则这些集群以及任何指派的扫描矢量将被删除，并且分隔阶段的K均值聚集将继续。之后，分隔阶段继续，直到K再次达到K的最大值或者没有坏扫描矢量。作为该过滤的结果，分隔阶段的所得到的集群可以具有相似数目的指派的扫描矢量。在扫描矢量被认为非常可靠的情况下，例如当扫描矢量来自直接收集访问而不是推断访问时，甚至可能不使用该过滤。
然后在合并阶段再次处理所得到的集群以合并任何集群与指派的扫描矢量，这些扫描矢量彼此太相似并且具有相对少量的指派扫描。当然，这种组合可能具有其他要求，例如仅当组合不会生成更多坏扫描或者所识别的坏扫描总数在预定阈值内时才执行。一旦两个集群合并，K均值聚集迭代将继续进行，直到集群稳定。这被重复，直到没有两个集群的中心具有彼此太相似的指派的矢量数据并且指派的扫描数目相对较小，并且如果组合不会导致更多或太多的坏扫描。
这些集群的位置可以通过对任何指派的扫描矢量的相关联位置进行平均来计算。一旦在分隔和/或合并阶段中生成集群，就可以计算它。为了进一步改善集群中心的位置，每个集群可以基于指派到每个集群的扫描矢量的物理位置来重新定心。
可以执行附加的后过滤以增加集群的有用性。这可以包括基于特定集群中扫描数目和/或集群的置信度值的相对和绝对过滤。
这里描述的自适应K均值聚集和过滤的结果是可用于容易地识别给定扫描矢量的位置的区域的模型。例如，S中的每个集群将具有具有指派的扫描矢量的中心。为了确定进行新扫描的位置，将新扫描的扫描矢量与上述为集群中心指派的矢量数据进行比较，以识别最相似的指派的扫描矢量。新扫描矢量的位置因此是具有最相似的指派的矢量数据的集群的位置。此外，因为集群均将被指派相似数目的扫描矢量，并且指派的扫描矢量分布良好并且彼此不同，所以该模型可以提供非常可靠的位置估计。这个信息也可以用来提供所有类型的基于位置的服务。
如上所述，可以从直接收集的访问和/或推断的访问中生成模型。使用一种或另一种类型的数据，而不是聚合数据，允许在过滤阶段处对扫描进行更简单的处理，如上例所示，直接收集的访问可能被认为比推断的访问更可靠。另外，生成单独模型可能比组合所有数据更快，并尝试使用自适应K均值聚集生成单个数据。因此，实际上可以使用直接收集的访问生成一个区域的模型和使用推断访问生成区域的另一个模型。这些单独的模型然后可以组合在一起以生成聚合模型。
该技术在计算上也是有效的，因为由上述分隔和合并操作提供的聚集的自适应性质允许服务器计算机根据这些区域的特性为特定区域生成具有定制值K的模型。这确保服务器计算机在为特定区域创建模型时除了必要或期望的之外不执行更多的计算，而同时确保该模型在用于确定用户设备的位置时高度有效。
示例系统
图1和图2包括其中可以实现上述特征的示例系统100。不应将其视为限制公开范围或本文所述特征的有用性。在该示例中，系统100可以包括计算设备110、120、130和140以及存储系统150。每个计算设备110可以包含一个或多个处理器112、存储器114和通常存在于通用计算设备中的其他组件。计算设备110、120、130和140中的每一个计算设备的存储器114可以存储可由一个或多个处理器112访问的信息，包括可以由一个或多个处理器112执行的指令116。
存储器还可以包括可以由处理器检索、操纵或存储的数据118。存储器可以是能够存储处理器可访问的信息的任何非暂时性存储器，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写入和只读存储器。
指令116可以是要由一个或多个处理器直接(诸如，机器代码)或间接(诸如，脚本)执行的任何指令集。就此而言，术语“指令”、“应用”、“步骤”和“程序”在本文中可以互换使用。指令可以以目标代码格式存储以供处理器直接处理，或以任何其他计算设备语言存储，所述其他计算设备语言包括根据需要解释或预先编译的独立源代码模块的脚本或集合。以下将更详细地解释指令的功能、方法和例程。
数据118可以根据指令116被一个或多个处理器112检索、存储或修改。例如，尽管在此描述的主题不受任何特定数据结构的限制，但是数据可以存储在计算机寄存器中，在关系数据库中作为具有许多不同字段的表和记录或XML文档。数据也可以以任何计算设备可读格式格式化，诸如但不限于二进制值、ASCII或Unicode。此外，数据可以包括足以识别相关信息的任何信息，诸如数字、描述性文本、专有代码、指针、存储在其他存储器(诸如在其他网络位置处)中的数据的引用，或者功能用于计算相关数据的信息。
一个或多个处理器112可以是任何常规处理器，诸如市售的CPU。可选地，处理器可以是专用组件，诸如专用集成电路(“ASIC”)或其他基于硬件的处理器。虽然不是必需的，但是计算设备110中的一个或多个可以包括专用硬件组件，以更快或更高效地执行诸如解码视频、匹配视频帧与图像、扭曲视频、编码失真视频等特定计算过程。
虽然图1在功能上将计算设备110的处理器、存储器和其他元件图示为处于相同块内，但是处理器、计算机、计算设备或存储器实际上可以包括多个处理器、计算机、计算设备或可能存储或不存储在相同物理外壳内的存储器。例如，存储器可以是位于与计算设备110不同的外壳中的硬盘驱动器或其他存储介质。因此，对处理器、计算机、计算设备或存储器的引用将被理解为包括对可能并行或可能不并行操作的处理器、计算机、计算设备或存储器的集合的引用。例如，计算设备110可以包括作为负载平衡服务器群、分布式系统等进行操作的服务器计算设备。另外，尽管以下描述的一些功能被指示为发生在具有单个处理器的单个计算设备上，但是各种这里描述的主题的各方面可以由例如通过网络160传送信息的多个计算设备来实现。
每个计算设备110可以位于网络160的不同节点处，并且能够直接和间接地与网络160的其他节点进行通信。尽管在图1-2中仅示出了几个计算设备，但是应该理解典型的系统可以包括大量的连接的计算设备，其中每个不同的计算设备在网络160的不同节点处。本文描述的网络160和中间节点可以使用各种协议和系统互连，使得网络可以是互联网、万维网、特定内联网、广域网或本地网络的一部分。网络可以使用标准通信协议，诸如以太网、WiFi和HTTP、专用于一个或多个公司的协议、以及前述的各种组合。尽管当如上所述传输或接收信息时获得了某些优点，但是本文所描述的主题的其他方面不限于任何特定的信息传输方式。
例如，计算设备110中的每一个可以包括能够经由网络与存储系统150以及计算设备120、130和140进行通信的web服务器。例如，服务器计算设备110中的一个或多个可以使用网络160在诸如计算设备120、130或140的显示器122、132或142的显示器上向用户(诸如用户220、230或240)传输和呈现信息。在这方面，计算设备120、130和140可以被认为是客户端计算设备，并且可以执行本文描述的全部或一些特征。
客户端计算设备120、130和140中的每一个可以与服务器计算设备110类似地配置，具有如上所述的一个或多个处理器、存储器和指令。每个客户端计算设备120、130或140可以是旨在由用户220、230、240使用的个人计算设备，并且具有通常与个人计算设备连接使用的所有组件，诸如中央处理单元(CPU)、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、诸如显示器122、132或142的显示器(例如具有屏幕、触摸屏、投影仪、电视机或可操作来显示信息的其他设备的监视器)以及用户输入设备124(例如，鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流和/或捕获图像的相机、扬声器、网络接口设备以及用于将这些元件彼此连接的所有组件。
虽然客户端计算设备120、130和140都可以包括全尺寸个人计算设备，但是它们可以可选地包括能够通过诸如互联网的网络与服务器无线地交换数据的移动计算设备。仅通过示例，客户端计算设备120可以是移动电话或诸如支持无线的PDA、平板PC或能够经由互联网获取信息的上网本的设备。在另一个示例中，客户端计算设备130可以是头戴式计算系统。例如，用户可以使用小键盘、主键盘、麦克风，使用具有相机或触摸屏的视觉信号来输入信息。
与存储器114一样，存储系统150可以是能够存储服务器计算设备110可访问的信息的任何类型的计算机化存储器，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写入和只读存储器。另外，存储系统150可以包括分布式存储系统，其中数据存储在可以物理上位于相同或不同地理位置处的多个不同存储设备上。存储系统150可以经由网络160连接到计算设备，如图1所示和/或可以直接连接到计算设备110、120、130和140中的任何一个(未示出)。
存储系统150可以存储各种信息，包括扫描数据以及模型数据。诸如移动计算设备120、130、140的多个移动设备可以向服务器计算设备110提供信息，包括与访问该地区中或该地区周围的位置相对应的一系列扫描。一系列中的每个扫描都具有时间戳，用于识别扫描被捕获的日期和时间、估计的位置(例如经度和纬度坐标)、网络接入点标识符集合和相关联的信号强度以及置信度值。置信度值可以表示信号强度测量和位置的组合置信度或准确度测量。该信息可以由服务器计算设备110存储在存储系统150中以供稍后检索和处理。
例如，一些访问可以是由特定地移动通过该区域以用与他或她的移动设备收集数据的人员提供的直接收集的访问。其他访问可以是推断访问，例如根据由基于位置的服务的用户提供的信息来推断的访问。
除了上面的描述之外，可以向用户提供允许用户选择是否以及何时在此描述的系统、程序或特征能够启用用户信息的收集的控件(例如，关于用户的社交信息网络、社交行为或活动、职业、用户的偏好或用户的当前位置的信息)，以及用户是否从服务器发送内容或通信。另外，某些数据在存储或使用前可能以一种或多种方式处理，使得个人身份信息被去除。例如，可以对用户的身份进行处理，使得不能为用户确定个人可识别信息，或者可以在获得位置信息(例如城市、邮政编码或州级)的情况下将用户的地理位置泛化，使得不能确定用户的特定位置。因此，用户可以控制收集关于用户的什么信息，如何使用该信息以及向用户提供什么信息。
模型数据可以包括用于各种位置的一个或多个无线网络接入点模型。来自不同源的直接收集或推断的扫描数据可以被聚合并用于确定单个模型的集群，或者可以用于生成单个模型以供个人使用。可选地，可以将单独模型组合成单个聚合模型。再次，一旦由服务器计算设备110生成，模型可以被存储在存储系统150中并且根据需要被检索以确定位置，如下面进一步描述的。
示例方法
除了上面描述的和附图中示出的操作之外，现在将描述各种操作。应该理解，以下操作不必按照下面描述的精确顺序执行。相反，可以以不同的顺序或同时处理各种步骤，并且还可以添加或省略步骤。
在确定任何集群之前，可以用多种方式对扫描进行预过滤以减少或去除数据的噪声部分。例如，对于每次访问，基于访问的时间戳，一系列开头和结尾处的扫描可以被丢弃。可以使用提取速率来提取单次访问的一部分扫描。例如，对于推断的扫描，可以使用0.5(或50％)或更多或更少的提取速率，使得仅访问该区域的中间部分用于生成一个或多个模型。这可以大大减少推断访问中的噪声，因为推断访问的边界(开始和结束时间戳)可能非常难以辨别。当然，对于诸如直接收集的扫描的更可靠的扫描，提取速率可能更接近1.0(或100％)，使得使用所有直接收集的数据，因为直接收集的数据可能会更精确。另外，具有非常低置信度值的任何扫描或不满足最小阈值置信度值(诸如0到100的标度上的30)的扫描以及具有较旧时间戳的扫描(诸如比60天或更长或更短更旧的时间戳)也可以被过滤以去除噪声以确保数据的有用性。时间戳也可用于对扫描进行排序，例如按时间顺序逆序，使得仅使用最近的集合(例如15000个扫描或更多或更少)来生成一个或多个模型。另外，可以对一些无线网络接入点标识符进行过滤以去除对于多个扫描具有极低出现的那些或者重复出现的那些。
可以通过与时间戳、位置和置信度相关联的扫描矢量来表示在任何过滤之后剩余的多个的每个扫描。例如，每个扫描矢量v与从特定无线网络接入点标识符到用于在特定时间戳t和位置(可以表示纬度和经度坐标的x，y)处获取的给定扫描的信号强度的映射相对应，具有特定的置信度值c。例如，对于具有时间戳tn、位置(xvn，yvn)且具有置信度cvn的扫描矢量vn，vn可以定义用于所有多个用于制作模型的扫描中的所有无线网络接入点标识符的信号强度的列表。
在使用K均值聚集之前，可以定义每个集群内的矢量的第一最小可允许相似度值和最大可允许相似度值以及K的最大值。例如，两个矢量v1和v2之间的相似度可以被定义为cos_similarity(v1，v2)，其中cos_similarity表示两个矢量v1和v2之间的余弦相似度。两个矢量v1和v2之间的距离或矢量差可以被定义为1-cos_similarity(v1，v2)。最小相似度值可以定义为cos_similarity的最小值(min_cos_similarity)，并且最大值可以定义为cos_similarity的最大值(max_cos_similarity)。
在一个示例中，最小值和最大值可以被设置为相同的值，例如在0与1之间的数字，诸如0.2、0.5或0.7。这些值的选择可以基于数据的可靠性以及位置的类型(商场，其中值可能更高，相对于小房子，其中值可能更低)进行。如果太高，则存在太多集群，并且如果太低，则可能还不够。K的最大值可以设置为限制服务器计算机执行聚集的时间量。
聚集可以是涉及分隔阶段和合并阶段的自适应K均值聚集。如图3-4所示，在分隔阶段中创建集群。图3是表示分隔阶段的各方面的准代码的示例，而图4是表示分隔阶段的各方面的流程图。在图4的框402的分隔阶段的开始时，设置集群的最大数目(max_num_clusters)。另外，剩余多个的第一扫描矢量(例如v1)可被指派为第一集群的中心处的矢量数据。第一扫描矢量的选择可以是随机的或不是随机的。为了效率，可以将K的值初始设置为1。在这方面，将与第一扫描矢量v1相关联的矢量数据指派到第一集群的中心，并将所有扫描矢量指派到该第一集群。
此后，在框406处，定义为坏扫描矢量与第一扫描矢量v1(或集群的中心)之间的矢量差大于最小相似度值或1-min_cos_similarity的那些扫描矢量的所有“差”扫描矢量被识别。在框408处，识别这些坏扫描矢量中的“最坏”扫描或与指派到该集群的中心的矢量数据具有最大矢量差或具有最大值1_cos_similarity的坏扫描矢量。
然后创建新集群，其中所识别的最坏扫描矢量被指派为新集群的中心处的矢量的值，如框410所示。在这方面，K的值增加1，(或从K＝1到K＝2)。此时，使用K均值聚集来将剩余的多个扫描中的每一个扫描指派到集群中的一个集群，如框412、414和416所示。首先，根据在框412处的指派重新计算指派到每个集群的中心的矢量数据。例如，可以通过将任何指派的矢量的所有信号强度移位+120dB(例如，-120dB变成0dB和0dB变成120dB)来为每个集群生成新矢量数据，使得每个扫描矢量内的所有强度是正的，并计算所有指派的扫描矢量的矢量平均值。为了计算指派到集群的扫描矢量集合的矢量平均值，确定每个网络接入点标识符的强度的平均值。换句话说，集群的中心的新矢量被计算为该集群的所有指派的扫描矢量的平均值。如果在框416处，指派到中心的矢量数据已经改变，则在框414处再次重新指派扫描矢量，并且在框412处重新计算指派到每个中心的矢量数据。当扫描的指派稳定时这些迭代结束，使得在框416处，指派到集群的中心的矢量数据不改变。
如框418所示，只要集群K的数目小于集群的最大数目，该过程就返回到框406，其中确定所有坏扫描矢量。再次，在框408处，识别这些坏扫描矢量的最坏扫描矢量。最坏扫描矢量是具有最大矢量差或最大值1-cos_similarity的坏扫描矢量的扫描矢量，其中矢量数据被指派到具有最大数目的指派的扫描矢量的集群中心。在框410处，将该最坏扫描矢量从当前集群中去除，并将扫描矢量指派为新集群的中心的矢量数据，并且如上所述重复框412、414和416的K均值聚集。前述过程的迭代继续进行，直到在框418处K达到K的最大值或直到在框408处没有坏扫描矢量。换句话说，没有矢量与指派的集群的中心的矢量差大于1-min_cos_similarity的矢量。之后，在框420处分隔阶段结束。
在在框418处已经达到K的最大值的情况下，但仍然存在许多坏扫描，则可以对这些集群进行过滤以去除离群值。这可以包括识别是否存在具有很少扫描的任何集群，因为这样的集群实际上可能是离群值。例如，可以使用阈值比率。该阈值比率可以是指派到给定集群的扫描数目相对于指派到具有最大数目的指派的扫描矢量的集群的集群数目的。这个比率值因此可以在0和1之间的范围内，并且可以取决于数据的源。例如，对于直接收集的数据，阈值比率可以被设置为0.1或更多或更少，并且对于推断的访问，阈值比率可以被设置为0.5以便允许去除或更多的扫描矢量(假设推断的访问包括更多扫描和更噪声的数据)。例如，假设阈值比率为0.1，如果指派到任何给定集群的扫描矢量的最大数目是20，并且第一集群具有1个扫描(<2，20的0.1倍)，则第一集群将被去除用于调查扫描。但是如果第二集群具有3个扫描，则第二集群将保留，或者不会被删除。类似地，在阈值比率为0.5，并且具有指派的扫描矢量的最大数目的集群具有100个指派的扫描矢量的情况下，具有20个扫描的第三集群将被去除(<0.5)。
如果存在离群值集群，则将这些集群以及任何指派的扫描矢量去除，并且分隔阶段的K均值聚集在图4的框412、414和416处继续。此后，分隔阶段继续，直到K再次达到K的最大值，或者没有坏扫描矢量，如上所述。作为该过滤的结果，分隔阶段的所得到的集群可以具有相似数目的指派的扫描矢量。在扫描矢量被认为非常可靠的情况下，例如当扫描矢量来自直接收集的访问而不是推断访问时，甚至可以不使用该过滤。
然后在合并阶段中再次处理从分隔阶段得到的集群以合并具有指派的扫描矢量的任何集群，这些扫描矢量彼此太相似并且具有相对少量的指派的扫描。图5是表示合并阶段的各方面的准代码的示例，而图6是表示合并阶段的各个方面的流程图。合并阶段开始于框502，其中识别过于相似且每个具有相对较少数目的指派的扫描矢量(为了简单起见未在流程图中示出)的一对或两个集群。例如，如果两个集群的相应中心的指派的矢量值之间的cos_similarity大于max_cos_similarity，则可以认为两个集群太相似。当指派到两个集群中的每一个的扫描矢量的数目与指派到具有最大数目的指派的扫描矢量的集群的扫描矢量的数目相比较小时，两个集群可以被认为具有相对少数目的指派的扫描矢量。大于第一阈值比率的第二阈值比率可以用于识别具有少量的指派的扫描矢量的集群。如果满足这两个要求，则可以在框504处合并这两个集群。当然，合并可以基于其他要求，诸如仅当组合不会生成任何坏扫描矢量或者所识别的坏扫描矢量的总数在可接受的坏扫描矢量的预定阈值数目(例如0、2或更多或更少)内时执行。
一旦在框504处合并了两个集群，则集群K的总数减少1。此后，如框506、508和510所示执行K均值聚集。这些迭代持续进行，直到集群稳定，如以上关于图3所讨论的。过程600被重复，直到没有彼此太相似并且具有相对较小数目的指派的扫描的两个集群并且如果组合不会导致更多或太多坏扫描矢量，在框502处。此后，在框512处合并阶段结束。
自适应K均值聚集的结果提供了具有特定特征的集群集合。例如，从每个给定扫描矢量与指派到给定扫描矢量被指派到的集群中心的矢量数据的矢量差小于1-min_cos_similarity，或者相似度大于min_cos_similarity。另外，指派到任何两个集群的中心的矢量数据之间的矢量差大于1-max_cos_similarity或者相似度小于max_cos_similarity。可以通过对任何指派的扫描矢量的相关联的位置(例如，纬度和经度坐标)进行平均来计算在任何过滤之后剩余的每个集群的位置(例如，纬度和经度坐标)。一旦在分隔和/或合并阶段中生成集群，就可以进行计算。
为了进一步改善集群中心的位置，每个集群可以被重新定心。图7是表示重新定心的各方面的准代码的示例，而图8是表示重新定心过程的各方面的流程图。可以对于每个单独的集群和指派到该集群的任何扫描矢量执行该重新定心处理，并且可以涉及从指派到给定集群的扫描矢量生成新的集群集合。例如，如图8所示，最初在框802处，不存在集群，只有指派到给定集群的扫描矢量。开始时，指派的扫描矢量现在未指派，新的集群集合为空。在框804处，对于(未指派的扫描矢量的)第一扫描矢量，识别集群的最近中心位置。第一扫描矢量的选择可以是随机的或不是随机的。在框806处，如果第一扫描矢量的位置与最近中心位置之间的距离小于某个指派的阈值距离值(例如，X米)，则在框808处将第一扫描矢量指派到具有最近中心位置的集群，并且在框810处重新计算给定集群的中心位置。例如，X的阈值距离值可以被设置为100米或更多或更少。每个集群的中心位置(例如，经度和纬度坐标)可以通过对任何指派的扫描矢量的相关联的位置(例如，纬度和经度坐标)进行平均来计算。返回框806，如果距离大于阈值距离值，则在框816处创建新集群，其中其中心位置在与第一扫描矢量相关联的位置处。当然，最初，在新的集群集合中没有集群，因此没有中心位置。因此，在第一扫描矢量的位置的阈值距离值内没有中心位置，因此在框816处第一扫描矢量(对于给定的集群)用作新的集群集合的新集群的中心位置。
然后，在框812处重新定心过程继续。当存在未指派的扫描矢量时，在框804处为下一个扫描矢量识别出集群的最近中心位置。在框806处，如果下一个扫描矢量的位置和最近中心之间的距离小于某个阈值距离值(X米)，则在框808处将下一个扫描矢量指派到具有最近中心位置的集群，并且在框810处重新计算给定集群中心的中心位置。再次，可以通过对任何指派的扫描矢量的相关联的位置(例如，纬度和经度坐标)进行平均来计算集群的中心位置(例如，纬度和经度坐标)。再次返回框806，如果距离大于阈值距离值，则在框816处创建另一个新集群，并将其添加到其中心在第一扫描矢量的位置处的新的集群集合。
此后，以相同的方式将剩余的未指派的扫描矢量指派到现有集群或新的集群集合的新集群。换句话说，通过框806到812的处理的迭代继续，直到在框812处已经指派了扫描矢量中的每一个，并且新的集群集合不再是空的。此时，在框818处识别具有最大数目的指派的扫描矢量的新的集群集合的集群。然后在框820处将该识别的集群的中心位置指派为给定集群的中心位置。再次，对于使用上述分隔和合并阶段生成的每个集群，可以重复该过程。该重新定心减少了由不正确的位置信息导致的扫描矢量位置(诸如访问的扫描矢量的位置“跳跃”的位置)的噪声的影响。
可以执行额外的后过滤以增加集群的有用性。这可以包括基于特定集群中的扫描数目和/或集群的置信度值的相对和绝对过滤。对于相对过滤，具有最大数目的指派的扫描矢量的集群被识别为最大集群。相对于这个最大的集群具有太少扫描矢量的任何集群可以被去除。相对值因此可以是基于访问类型和扫描矢量的可靠性而选择的比率。例如，在扫描矢量来自推断访问的情况下，可以使用较高的比率或者更接近于1的比率，诸如0.5或更多或更少。在扫描矢量来自直接收集的访问的情况下，可以使用较低的比率或者接近于零的比率，诸如0.1或更多或更少。
绝对过滤可能要求指派到给定集群的扫描矢量的数目至少是某个最小值。再次，可以基于访问类型和扫描矢量的可靠性来选择指派的扫描矢量的最小数目或最小值。例如，在扫描矢量来自推断访问的情况下，可以使用较高的最小值，诸如100个扫描或更多或更少(在剩余多个扫描矢量中的15000个扫描矢量的示例中)。在扫描矢量来自直接收集的访问的情况下，可以使用较低的最小值，诸如10或15或更多或更少(在剩余多个扫描矢量中的15000个扫描矢量的示例中)。因此将来自每个集群的扫描矢量的数目与最小值进行比较。没有足够的指派的扫描矢量来满足最小值的任何集群可能被丢弃。再次，在扫描矢量被认为是非常可靠的情况下，例如当扫描矢量来自直接收集的访问而不是推断访问时，甚至可能不使用绝对过滤。
另外或可选地，绝对过滤可以要求给定集群的置信度值至少为某个最小值。给定集群的置信度值可以被设置为与指派到给定集群的扫描矢量相关联的置信度值c中的最高者。如果任何集群的最高置信度值小于最小置信度值，则该集群可以被丢弃。再次，在扫描矢量被认为是非常可靠的情况下，例如当扫描矢量来自直接收集的访问而不是推断访问时，甚至可能不使用绝对过滤。
如上所述，可以从直接收集的访问和/或推断访问中生成模型。使用一种或另一种类型的数据，而不是聚合数据，允许在过滤阶段对扫描进行更简单的处理，如上例所示，直接收集的访问可以认为比推断的访问更可靠。另外，生成单独模型可以比组合所有数据更快，并尝试使用自适应K均值聚集生成单个数据。因此，实际上可以使用直接收集的访问生成区域的模型和使用推断访问生成区域的另一个模型。这些单独的模型然后可以组合在一起以生成聚合模型。
在一个场景中，聚合模型可以如下生成。在对每个不同模型的集群进行后过滤之后，该技术可以评估集群是否实际上属于特定的感兴趣的地点，或者它是否确实与不同的地点相关联(诸如邻近商店或其他地点)。例如，在一些示例中，除了时间戳、位置、一组网络接入点标识符和相关联的信号强度以及相关联的置信度值之外，每个扫描也可以与地点标签相关联。地点标签可以指定收集扫描的特定区域。在这方面，地点标签可以比特定点或地点(或具有一些相关联的误差或置信度值的纬度和经度点)更宽，并且可以包括表示特定兴趣点的许多不同位置，诸如，商场内商店、建筑物或其他更大的区域。对于收集的访问，地点标签可以由在收集时或接近收集时收集扫描的用户例如通过特定输入或从附近选项列表中选择地点标签来指派。对于推断访问，可以手动指派地点标签，或者可以根据扫描时间基于GPS或其他位置信息“推断”地点标签。因此，收集的访问的地点标签可以被认为比推断的访问更可靠。地点标签可以用于识别特定地点的给定模型的数据。在这方面，给定模型的所有扫描可以与相同或相似的地点标签相关联。
再次，如上所述，在将从收集的访问生成的模型与从推断访问生成的模型组合之前，可以使用地点标签来过滤数据。为此，指派到待组合模型的每个给定集群的中心的扫描数据可以被认为是单独扫描。这些单独扫描可以与从收集的访问生成的模型的每个集群的中心的扫描数据进行比较。对于每个单独的扫描，可以使用比较来根据从每个具有相关联的置信度值的收集的访问生成的不同模型生成地点标签的排名列表。换句话说，指派到两个模型的集群的所有扫描数据可以仅与指派到从收集的访问生成的模型集群的中心的扫描数据进行比较。例如，置信度可以在从1到100的标度范围内。具有最大置信度值的位置标签(或者在列表顶部处的集群)可以被称为给定的集群的“推断为”或“推断”的位置标签。然后可以使用该推断来确定是否保持给定的集群。
例如，在一个示例中，可以存在地点标签集合A、B、C、D，每个地点标签与使用收集访问或收集访问模型A、收集访问模型B、收集访问模型C以及收集访问模型D创建的模型相关联。另外，另一地点标签集合B、C、D和E可以均与使用推断访问或推断访问模型B、推断访问模型C、推断访问模型D和推断访问模型E创建的模型相关联。对于B的推断访问模型的集群，例如B_inferred_1，指派到集群B_inferred_1的中心的矢量数据与指派到收集访问模型A、收集访问，收集访问模型B、收集访问、收集访问模型C和收集访问模型D中的每个集群的中心的矢量数据相匹配。如果集群B_inferred_1属于具有高置信度(高于关于下面的图9的示例所讨论的100-Y置信度)的收集访问模型B，则可以将集群B_inferred_1保存在推断访问模型B中。如果集群B_inferred_1属于具有低置信度(低于关于下面的图9的示例所讨论的Y置信度)的收集访问模型A、收集访问、收集访问模型C或收集访问模型D，则可以将集群B_inferred_1保存在推断访问模型B中。否则，可以从推断访问模型B中删除或过滤集群B_inferred_1。对于推断访问模型E中的集群，E_inferred_1(其不是从收集访问中生成的模型)，可以从推断访问模型E中删除或过滤E_inferred_1。集群E_inferred_1将不推断为地点标签E，因为该集群可能不被推断存在于任何收集的访问模型中(即，没有收集访问模式E)。然而，如果集群被推断为具有低概率的收集访问模型A、收集访问、收集访问模型B、收集访问模型C以及收集访问模型D，则集群可以保存在推断访问模型E中。否则E_inferred_1可以从推断访问模型E中删除或过滤。
图9是表示该交叉过滤的各方面的准代码的示例。换句话说，推断为具有高于100-Y置信度的其他地方或推断为它们本身低于Y置信度Y的集群可以被过滤。在图9的示例中，Y置信度的值可以被设置为60和90之间，或者更多或更少。因此，在过滤之后，模型内的集群至少与从收集访问中生成的模型一致。
然后可以通过合并K均值集群来组合不同的K均值模型。这里，评估两个阈值，一个用于最小cos_similarity(min_cos_similarity)，另一个用于最大cos_similarity(max_cos_similarity)。这些值可以与上述值相同或不同。通过示例，图10是表示组合模型的各方面的准代码的示例。这个示例假设存在两个K均值模型，A和B。一般来说，较低阶模型可以组合成较高阶模型。如果A被认为更可靠，则A可以被认为是比B更高阶的模型。例如，A可以是从收集的访问生成的模型，并且B可以是从推断的访问生成的模型。当且仅当在A中存在集群(集群2)时，模型B中的一个集群(集群1)可以被添加到模型A，使得这两个集群(集群1和集群2)的中心的矢量数据的余弦相似度大于或等于min_cos_similarity。在此基础上，接下来查找与模型B中的集群(集群1)具有最高余弦相似度的模型A中的集群(集群3)。如果这两个集群的余弦相似度大于max_cos_similarity，则过程合并这两个集群。在这方面，如果不满足第一阈值(a.)，则B(集群1)中的集群被丢弃。否则，如果满足第一阈值(a.)但不满足第二阈值(b.)，则将模型B中的集群添加到模型A。以这种方式，可以组合来自不同源的模型。
该技术在计算上也是有效的，因为由上述分隔和合并操作提供的聚集的自适应性质允许服务器计算机根据这些区域的特性为特定区域产生具有定制值K的模型。这确保服务器计算机在为特定区域创建模型时除了必要或期望的之外不执行更多的计算，而同时确保该模型在用于确定用户设备的位置时高度有效。
前述替代实例中的大多数不是相互排斥的，而是可以以各种组合实施以实现独特的优点。由于可以在不脱离权利要求所限定的主题的情况下利用上述特征的这些和其它变型和组合，因此前述实施例的描述应当以说明的方式进行而不是限制权利要求定义的主题。例如，前面的操作不必按照上述的精确顺序执行。相反，可以按照不同的顺序处理各个步骤，诸如逆序或同时。除非另有说明，步骤也可以省略。此外，本文描述的示例的提供以及表述为“诸如”、“包括”等的条款不应被解释为将权利要求的主题限制于具体示例；相反，这些实例仅用于示出许多可能实施例中的一个。此外，不同附图中的相同附图标记可以识别相同或相似的元件。

Claims (32)

1.一种生成用于确定区域内的位置的无线网络接入点模型的计算机实现的方法，所述方法包括：
接收多个扫描矢量，每个扫描矢量包括数据，所述数据表示无线网络接入点标识符集合的信号强度集合并且与移动通过所述区域的移动设备测量所述信号强度集合的所述区域内的位置相关联；
执行分隔阶段以生成集群集合，包括：
基于所述多个扫描矢量中的每个扫描矢量和指派到所述扫描矢量被指派到的所述集群的中心的矢量数据之间的矢量差，将所述扫描矢量指派到所述集群，
将所述多个扫描矢量中的一个或多个扫描矢量识别为下述扫描矢量作为用于启动附加集群的候选：针对所述扫描矢量，在所述扫描矢量和指派到所述扫描矢量被指派到的所述集群的所述中心的所述矢量数据之间的差小于所述集群的预定最小相似度值，
从被识别为用于启动附加集群的候选的所述一个或多个扫描矢量中，选择与指派到所述扫描矢量被指派到的所述集群的所述中心的所述矢量数据最不相似的扫描矢量，
在所述集群集合中创建附加集群并将所选的扫描矢量指派到所述附加集群，
将所选的扫描矢量的矢量数据指派到所述附加集群的中心，
重新计算指派到所述集群集合中任何集群的中心的矢量数据，以及
迭代所述分隔阶段，直到所述集群集合中的集群的总数等于集群的预定最大数目或者直到没有用于启动附加集群的进一步候选被识别出；以及
基于所述集群集合生成用于确定所述区域内的位置的所述模型。
2.根据权利要求1所述的方法，进一步包括：在执行所述分隔阶段之前，将所述集群的所述数目设置为1，并且将所述多个扫描矢量中的第一扫描矢量指派为所述集群集合中的第一集群的中心。
3.根据权利要求1或2所述的方法，其中当所述集群的所述数目等于所述集群的最大数目时，所述方法包括：
过滤所述集群以识别离群值；以及
去除所述离群值和所述指派的扫描矢量，从而减少所述集群集合中的集群总数。
4.根据权利要求3所述的方法，进一步包括：在过滤以去除离群值之后，继续迭代所述分隔阶段，直到所述集群的所述数目再次等于所述集群的最大数目、或者不存在所述集群、或者没有用于启动附加集群的进一步候选被识别出。
5.根据权利要求1所述的方法，包括：
将所述集群集合中的至少两个集群识别为用于集群合并操作的候选；以及
将所述至少两个集群合并成合并集群以减少所述集群集合中的集群总数，其中先前指派到所述至少两个集群的所述扫描矢量被重新指派到合并集群。
6.根据权利要求5所述的方法，其中将所述集群集合中的所述至少两个集群识别为用于所述集群合并操作的候选包括：
将所述集群识别为包括低于阈值量的扫描矢量的总数。
7.根据权利要求5或权利要求6所述的方法，其中将所述集群集合中的所述至少两个集群识别为用于所述集群合并操作的候选包括：
识别指派到所述集群中的第一集群的中心的所述矢量数据与指派到所述集群中的第二集群的中心的矢量数据之间的差小于预定阈值。
8.根据权利要求1所述的方法，进一步包括：
从所述集群集合中的所述集群中识别包括最高数目的扫描矢量的集群；
对于所述集群集合中的每个其他集群，确定下述中的至少一个：该集群中的扫描矢量的数目、和与所述集群中的所述扫描矢量相关联的至少一个置信度指示符；
基于下述中的至少一个来过滤所述其他集群：所述集群中的扫描矢量的所述数目、和与所述集群中的所述扫描矢量相关联的所述至少一个置信度指示符；
基于所述过滤，选择所述其他集群中的至少一个；以及
输出所述多个集群的子集以便在位置确定操作中使用，所述子集包括被识别为包括最高数目的扫描矢量的所述集群和所选择的至少一个所述其他集群。
9.根据权利要求8所述的方法，其中生成所述模型所基于的所述集群集合仅与所述集群的所述子集相对应。
10.根据权利要求1所述的方法，进一步包括：
对于所述集群集合中的每个集群，基于与指派到所述集群的所述扫描矢量相关联的所述位置，确定中心位置；以及
对于每个集群，基于与指派到所述集群的所述扫描矢量相关联的所述位置与所述中心位置之间的距离，对所述集群的所述中心位置重新定位中心。
11.一种包括用于执行任一前述权利要求所述的方法的计算装置的装备。
12.一种包括计算机可读指令的计算机程序，所述计算机可读指令在由至少一个计算装备执行时使所述至少一个计算装备执行权利要求1至10中任一项所述的方法。
13.一种生成用于确定区域内的位置的无线网络接入点模型的方法，所述方法包括：
由具有一个或多个处理器的一个或多个服务器计算设备接收多个扫描矢量，每个扫描矢量表示无线网络接入点标识符集合的信号强度集合并且与移动通过所述区域的移动设备测量所述信号强度集合的所述区域内的位置相关联；
由所述一个或多个服务器计算设备设置集群的最大数目；
由所述一个或多个服务器计算设备设置最小相似度值；
由所述一个或多个服务器计算设备执行分隔阶段以生成集群集合，所述分隔阶段包括：
基于所述多个扫描矢量中的每个给定扫描矢量与所指派的集群的矢量数据之间的矢量差，将所述给定扫描矢量指派到集群，
基于一个或多个坏扫描矢量中的每一个坏扫描矢量和指派到所述一个或多个坏扫描矢量中的每一个坏扫描矢量被指派到的集群的中心的矢量数据之间的矢量差是否小于所述最小相似度值，来识别所述多个扫描矢量中的所述一个或多个坏扫描矢量，
选择所述一个或多个坏扫描矢量中的最坏扫描矢量，所述最坏扫描矢量具有在所述一个或多个坏扫描矢量和所述最坏扫描矢量的所指派的集群的中心的矢量数据之间的最大矢量差，
使用所选的最坏扫描矢量作为新集群的中心，从而增加所述集群集合中的集群的数目，
重新计算指派到所述集群集合中的任何集群的中心的矢量数据，以及
由所述一个或多个服务器计算设备迭代所述分隔阶段，直到所述集群集合中的集群的所述数目等于所述集群的所述最大数目、或者没有一个或多个坏扫描矢量被识别出；以及
基于所述集群集合生成所述区域的所述模型。
14.根据权利要求13所述的方法，其中两个扫描矢量v1和v2之间的相似度能够被定义为余弦相似度(v1，v2)，所述最小相似度值是最小余弦相似度，并且选择所述最坏扫描矢量包括：识别所述一个或多个坏扫描中的下述坏扫描：该坏扫描具有在所识别的坏扫描与所识别的坏扫描的所指派的集群的所述中心之间的余弦相似度的最大值。
15.根据权利要求13所述的方法，进一步包括：在执行所述分隔阶段之前，将集群的所述数目设置为1并且将所述多个扫描矢量中的第一扫描矢量指派为所述集群集合中的第一集群的中心。
16.根据权利要求13所述的方法，其中所述分隔阶段进一步包括：
在重新计算指派到所述集群集合中的任何集群的中心的矢量数据之后，确定指派到所述集群集合中的任何集群的中心的所述矢量数据是否已经改变，
当指派到所述集群集合中的任何集群的中心的所述矢量数据已经改变时，将所述多个扫描矢量重新指派到所述集群集合中的集群，以及
继续重新计算和重新指派，直到所述集群集合中的所述集群稳定使得指派到所述任何集群的所述中心的所述矢量数据不根据所述重新计算而改变。
17.根据权利要求13所述的方法，其中在当集群的所述数目等于集群的所述最大数目时所述迭代结束时，过滤任何集群以去除离群值。
18.根据权利要求17所述的方法，进一步包括：在过滤之后，继续迭代所述分隔阶段，直到集群的所述数目再次等于集群的所述最大数目或者没有一个或多个坏扫描矢量被识别出。
19.根据权利要求13所述的方法，进一步包括：
由所述一个或多个服务器计算设备设置最大相似度值；
执行合并阶段，包括：
识别所述集群集合中的集群对，所述集群对具有指派到具有大于所述最大相似度值的相似度值的所述对中的每一个集群的相应中心的矢量数据，以及
将所述集群对和任何指派的扫描矢量合并在一起。
20.根据权利要求19所述的方法，其中识别所述集群对是基于指派到所述相应中心的所述矢量数据之间的余弦相似度。
21.根据权利要求19所述的方法，进一步包括：重复所述合并阶段，直到所述集群集合中没有具有大于所述最大相似度值的相似度值的集群对。
22.根据权利要求19所述的方法，其中识别所述集群对进一步基于指派到所述集群对中的每个集群的扫描矢量的数目。
23.根据权利要求13所述的方法，进一步包括：设置最大相似度值，其中迭代所述分隔阶段和合并阶段提供了所述集群集合，使得在所述集群集合中的每个给定集群中：
在指派到所述给定集群的每个扫描矢量与所述给定集群的中心的扫描矢量之间的矢量差大于所述最小相似度值，并且
在所述给定集群的所述中心的所述扫描矢量与所述集群集合中的任何其他集群的中心的扫描矢量之间的矢量差小于最大相似度值。
24.根据权利要求13所述的方法，进一步包括：
基于与指派到所述给定集群的所述扫描矢量相关联的所述位置，确定所述集群集合中的每个给定集群的中心位置；以及
基于在与指派到所述给定集群的所述扫描矢量相关联的所述位置与所述中心位置之间的距离，对每个给定集群的所述中心位置重新定位中心。
25.根据权利要求24所述的方法，其中重新定位中心基于所述距离是否满足阈值距离值。
26.根据权利要求13所述的方法，进一步包括：在生成所述模型之前，通过以下步骤过滤所述集群集合：
识别所述集群集合中具有最大数目的指派的扫描矢量的集群；以及
基于与该最大数目的指派的扫描矢量的比较来从所述集群集合中过滤一个或多个集群。
27.根据权利要求13所述的方法，进一步包括：在生成所述模型之前，过滤所述集群集合以去除不满足最小数目的指派的扫描矢量的任何集群。
28.根据权利要求13所述的方法，其中所述多个扫描矢量中的每个给定扫描矢量与置信度值相关联，所述置信度值表示所述信号强度测量和所述给定扫描矢量的估计位置的组合准确度测量，并且所述方法进一步包括：在生成模型之前，基于与指派到所述集群集合中的每个集群的所述扫描矢量相关联的最高置信度值来过滤所述集群集合。
29.根据权利要求28所述的方法，其中过滤所述集群集合包括：从所述集群集合中去除具有不满足阈值置信度值的最高置信度值的集群。
30.根据权利要求13所述的方法，其中所述多个扫描矢量中的至少子集与由特定移动设备对所述区域的单次访问相对应，使得所述单次访问包括多个扫描，并且所述方法进一步包括：过滤所述多个扫描以去除在所述访问的开始边界和结束边界处的扫描，使得所过滤的扫描不包括在所述多个扫描矢量中。
31.根据权利要求30所述的方法，其中过滤所述多个扫描是基于提取速率，所述提取速率在生成所述模型时被选择以去除噪声。
32.根据权利要求13所述的方法，其中所述多个扫描矢量中的每个给定扫描矢量与置信度值相关联，所述置信度值表示所述信号强度测量与所述给定扫描矢量的估计位置的组合准确度测量，并且所述方法进一步包括：在执行所述分隔阶段之前，过滤所述多个扫描矢量以去除与不满足阈值置信度值的置信度值相关联的扫描矢量，以从所述模型中去除噪声。
CN201810229489.8A 2017-06-21 2018-03-14 使用聚集技术生成无线网络接入点模型 Active CN109104688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110147207.1A CN112995903A (zh) 2017-06-21 2018-03-14 使用聚集技术生成无线网络接入点模型

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/US2017/038441 WO2018236364A1 (en) 2017-06-21 2017-06-21 GENERATING WIRELESS NETWORK ACCESS POINTS MODELS USING CLUSTERING TECHNIQUES
USPCT/US2017/038441 2017-06-21

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110147207.1A Division CN112995903A (zh) 2017-06-21 2018-03-14 使用聚集技术生成无线网络接入点模型

Publications (2)

Publication Number Publication Date
CN109104688A CN109104688A (zh) 2018-12-28
CN109104688B true CN109104688B (zh) 2021-02-19

Family

ID=59297364

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110147207.1A Pending CN112995903A (zh) 2017-06-21 2018-03-14 使用聚集技术生成无线网络接入点模型
CN201810229489.8A Active CN109104688B (zh) 2017-06-21 2018-03-14 使用聚集技术生成无线网络接入点模型

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110147207.1A Pending CN112995903A (zh) 2017-06-21 2018-03-14 使用聚集技术生成无线网络接入点模型

Country Status (6)

Country Link
US (1) US10820296B2 (zh)
EP (3) EP3590287B1 (zh)
KR (1) KR102112261B1 (zh)
CN (2) CN112995903A (zh)
DE (2) DE202018101366U1 (zh)
WO (1) WO2018236364A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10503696B1 (en) * 2017-10-11 2019-12-10 Amperity, Inc. Maintaining stable record identifiers in the presence of updated data records
KR102038471B1 (ko) * 2019-06-20 2019-11-26 한화시스템(주) 공중 무인 중계 시스템의 위치 최적화 장치 및 그 방법
CN110198519A (zh) * 2019-06-26 2019-09-03 阿里巴巴集团控股有限公司 网络接入点的位置估计方法与装置
CN110414569B (zh) * 2019-07-03 2022-04-08 北京小米智能科技有限公司 聚类实现方法及装置
CN112488144B (zh) * 2019-09-12 2024-03-19 中国移动通信集团广东有限公司 网络设置提示生成方法、装置及电子设备、存储介质
US11438886B2 (en) * 2020-02-27 2022-09-06 Psj International Ltd. System for establishing positioning map data and method for the same
WO2022004910A1 (ko) * 2020-06-30 2022-01-06 삼성전자주식회사 무선 통신 시스템에서 클러스터링을 위한 방법 및 장치
WO2022032620A1 (zh) * 2020-08-14 2022-02-17 海能达通信股份有限公司 一种无人机基站的部署方法、系统、设备及存储介质
US20220129820A1 (en) * 2020-10-23 2022-04-28 Dell Products L.P. Data stream noise identification
CN112672379B (zh) * 2020-12-18 2023-04-07 北京市市政工程设计研究总院有限公司 基于wifi探测技术的枢纽换乘区域旅客走行路径识别方法及设备
CN116756595B (zh) * 2023-08-23 2023-12-01 深圳市森瑞普电子有限公司 一种导电滑环故障数据采集监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092072A (en) * 1998-04-07 2000-07-18 Lucent Technologies, Inc. Programmed medium for clustering large databases
CN105027632A (zh) * 2013-03-12 2015-11-04 高通股份有限公司 自适应无线接入点发现
CN105874857A (zh) * 2013-08-06 2016-08-17 谷歌技术控股有限责任公司 用于无线网络数据收集的方法和装置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7751829B2 (en) * 2003-09-22 2010-07-06 Fujitsu Limited Method and apparatus for location determination using mini-beacons
US7155239B2 (en) * 2004-05-28 2006-12-26 Symbol Technologies, Inc. Method and system for radio map filtering via adaptive clustering
SE531657C2 (sv) * 2007-01-31 2009-06-23 Nanoradio Ab Bakgrundsavsökningsmetod för WLAN-klientenheter
US8737961B2 (en) 2009-09-23 2014-05-27 Nokia Corporation Method and apparatus for incrementally determining location context
US8786440B2 (en) * 2009-10-02 2014-07-22 Checkpoint Systems, Inc. Calibration of beamforming nodes in a configurable monitoring device system
US8881301B2 (en) * 2009-10-05 2014-11-04 Asset Intertech, Inc. Protection of proprietary embedded instruments
US8504035B2 (en) * 2010-11-09 2013-08-06 Ntt Docomo, Inc. System and method for population tracking, counting, and movement estimation using mobile operational data and/or geographic information in mobile network
US8781735B2 (en) * 2012-06-25 2014-07-15 Google Inc. Adaptive clustering of locations
US9121922B2 (en) * 2012-06-26 2015-09-01 Cambridge Silicon Radio Limited Access point location identification methods and apparatus based on absolute and relative harvesting
US8909258B2 (en) * 2012-09-07 2014-12-09 Cambridge Silicon Radio Limited Context and map aiding for self-learning
US8989774B2 (en) * 2012-10-11 2015-03-24 Telefonaktiebolaget L M Ericsson (Publ) Method and system of semnatic indoor positioning using significant places as satellites
US9740773B2 (en) * 2012-11-02 2017-08-22 Qualcomm Incorporated Context labels for data clusters
US9100778B2 (en) * 2012-11-13 2015-08-04 Google Inc. Determining a WiFi scan location
US9121711B2 (en) * 2013-03-15 2015-09-01 Csr Technology Inc. Environmental awareness for improved power consumption and responsiveness in positioning devices
US9658313B2 (en) * 2013-06-07 2017-05-23 Qualcomm Technologies International, Ltd. Terrestrial positioning assistance serving based on receiver device context
US9648462B2 (en) * 2014-11-28 2017-05-09 Szegedi Tudományegyetem Method for tracking of motion of objects associated with wireless communication devices within a predefined area
KR101606382B1 (ko) 2014-12-04 2016-03-25 현대모비스 주식회사 핑거프린팅 측위를 위한 데이터베이스 구축 방법 및 구축된 데이터베이스를 이용한 핑거프린팅 측위 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6092072A (en) * 1998-04-07 2000-07-18 Lucent Technologies, Inc. Programmed medium for clustering large databases
CN105027632A (zh) * 2013-03-12 2015-11-04 高通股份有限公司 自适应无线接入点发现
CN105874857A (zh) * 2013-08-06 2016-08-17 谷歌技术控股有限责任公司 用于无线网络数据收集的方法和装置

Also Published As

Publication number Publication date
EP3913997A1 (en) 2021-11-24
DE202018101368U1 (de) 2018-05-28
EP3590287B1 (en) 2024-01-17
CN112995903A (zh) 2021-06-18
EP4276487A2 (en) 2023-11-15
KR102112261B1 (ko) 2020-05-18
US20200154392A1 (en) 2020-05-14
EP4276487A3 (en) 2023-11-29
US10820296B2 (en) 2020-10-27
KR20190016481A (ko) 2019-02-18
CN109104688A (zh) 2018-12-28
WO2018236364A1 (en) 2018-12-27
DE202018101366U1 (de) 2018-05-28
EP3913997B1 (en) 2023-08-30
EP3590287A1 (en) 2020-01-08

Similar Documents

Publication Publication Date Title
CN109104688B (zh) 使用聚集技术生成无线网络接入点模型
JP5165181B2 (ja) 携帯型コンピュータデバイスの所在と動態を割り出すシステムおよび方法
US10057725B2 (en) Sensor-based geolocation of a user device
JP2015531053A (ja) 無線マップを動的に作成するためのシステム、方法、及びコンピュータプログラム
KR20140019851A (ko) 3단계 절차를 이용한 실내 층 및 위치의 예측
US11762396B2 (en) Positioning system and positioning method based on WI-FI fingerprints
US9524435B2 (en) Detecting the location of a mobile device based on semantic indicators
CN110020144B (zh) 一种推荐模型建立方法及其设备、存储介质、服务器
US9854208B2 (en) System and method for detecting an object of interest
CN111062431A (zh) 图像聚类方法、图像聚类装置、电子设备及存储介质
Qi et al. RSSI-based floor localization using principal component analysis and ensemble extreme learning machine technique
CN113556368A (zh) 用户识别方法、装置、服务器及存储介质
CN107767155B (zh) 一种评估用户画像数据的方法及系统
US11012812B2 (en) System and method for identifying associated subjects from location histories
CN114547386A (zh) 基于Wi-Fi信号的定位方法、装置，以及电子设备
CN110650438B (zh) 用户常住区域相似度判断方法、装置、设备及介质
CN110263800B (zh) 基于图像的位置确定
CN115190587A (zh) Wifi位置确定方法、装置、电子设备及存储介质
CN108133234B (zh) 基于稀疏子集选择算法的社区检测方法、装置及设备
CN114125813B (zh) 基于手机信令的信号覆盖范围确定方法及相关装置
CN112738714B (zh) 楼宇的楼层识别方法、电子设备及计算机可读存储介质
Huang et al. Fusing fixed and hint landmarks on crowd paths for automatically constructing Wi-Fi fingerprint database
CN112598732A (zh) 目标设备定位方法、地图构建方法及装置、介质、设备
CN112261705B (zh) 一种识别Wi-Fi位置迁移的方法及相关装置
Mishev et al. Probabilistic approach by using N-peak Gaussian distribution for indoor positioning

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