CN109141420B - 一种基于众包数据的室内定位方法 - Google Patents

Abstract

本发明涉及一种基于众包数据的室内定位方法。本发明首先搭建分布式的实时计算系统,实时计算系统遵循基于移动通信的网络辅助体系结构。然后数据分析中心收集数据、采用LiCS算法实时分析与定位：数据分析中心实时收集步骤一中各个移动终端上报的数据，每一条记录包含用户最新的时间戳；数据分析中心运行LiCS算法对收集到的数据进行实时分析与定位。最后，数据分析中心将目标的准确定位发送至移动终端。本发明实时更新位置估计、定位更准确、无需专门硬件、无需在移动设备上进行专门设置、免除明显的校准工作、无需相关地图、对环境动态变化具有适应性，更加便于推广。

Description

一种基于众包数据的室内定位方法

技术领域

本发明属于基于移动设备和众包技术的室内定位技术领域，涉及一种基于众包数据的室内定位方法。

背景领域

利用室内无线局域网进行室内环境中的目标定位对于基于位置的应用和服务来说重要却又困难。这些应用和服务可以是有针对性的广告、地理社交网络和紧急服务等。人们提出了许多基于无线信号的解决方案，然而这些方案或多或少都需要专门的基础设施或者预先进行大范围的部署和现场勘查。由于人们都已经习惯携带移动设备，这使得我们可以利用众包数据来设计室内定位系统。

基于移动设备和众包技术的室内定位技术具有两方面的背景：1)基于移动设备的室内定位；2)基于众包技术的室内定位。在移动计算环境下，用户可以携带着智能手机之类的感知设备随意走动，或者在固定传感器的工作范围内走动。无论哪种情况，用户的位置信息都可以被一些应用利用，这些应用称为基于位置的服务。虽然通过移动网络运营商的无线电通讯网络(如GSM网、CDMA网)或外部定位方式(如GPS)，可以获取移动终端用户的位置信息(地理坐标或大地坐标)，很好地实现室外定位，但是室内定位在许多情况下还存在难点。众包是一种通过大量的网络用户来获取资源的方法，人们可以借助众包技术来开发应用服务，或改进算法性能。借助于众包数据和无线移动设备，并作为一种重要的基础服务，诸如基于GSM、Bluetooth或WiFi的室内定位技术已经得到了扩展，定位的准度也得到了提升。一些需要事先校准的基于众包的定位方法往往很繁琐，因为每当改变信号发射器的摆放位置，或者由于其他原因使得室内环境有重大变化时，都必须重新校准。

现有室内定位方法的主流是基于WiFi信号建立指纹数据库，这里指纹是指无线信号的特征，由多个参考点上来自不同无线访问接入点的WiFi信号的RSS(接收信号强度，Received Signa] Strength)的统计值建立，并将人体运动与预先获得的指纹联系起来。典型的方法有LiFS，该方法通过在室内预先部署多个参考点，将参考点上各无线访问接入点的WiFi信号的RSS平均值保存下来，建立指纹数据库，当用户发送定位请求和他当前的指纹信息之后，LiFS会在指纹数据库中找出它认为的最佳匹配，然后依此计算并返回最终定位。本发明提出了一种通过感知和分析室内环境中的WiFi和蓝牙信号的室内定位方法，该方法无需专门硬件设备和预先部署，在一个分布式的实时计算系统上运行自行设计的LiCS算法，该算法先通过EM聚类实现群体行为识别，然后以时序信息作为输入，训练一个神经网络，输出目标的准确定位。

发明内容

本发明提出了一种基于众包数据的室内定位方法。

本发明包括如下步骤：

步骤一：搭建分布式的实时计算系统：

实时计算系统遵循基于移动通信的网络辅助体系结构，看作N个固定信号发射器T＝{t₁，r₂，…t_N}和M个移动信号接收器R＝{r₁，r₂，…r_M}组成的无线网，各个移动终端周期性地通过数据库向数据分析中心上报数据。具体实施时固定信号发射器指WiFi路由器或支持蓝牙的个人电脑，移动信号接收器指各个用户支持WiFi和蓝牙的移动终端。

步骤二：数据分析中心收集数据、采用LiCS算法实时分析与定位：数据分析中心实时收集步骤一中各个移动终端上报的数据，每一条记录包含用户最新的时间戳；数据分析中心运行LiCS算法对收集到的数据进行实时分析与定位。

首先用EM聚类算法分析群体行为，然后实时训练出最优位置估计神经网络，从而实现实时定位，使得每一条记录带有聚簇序号来指示其位置。

EM聚类算法给出每条记录具体步骤如下：

步骤1、使用EM聚类算法对数据分析中心收集到的各终端的无线移动数据进行聚类，分析其群体行为，为每条记录计算属于每一个聚簇的后验概率，EM聚类算法将当前记录划分到后验概率最大的聚簇中。由于EM聚类算法采用极大似然估计来确定模型的参数，初始化参数后的参数迭代公式极大化训练集的似然值，即发生概率，所以最终的似然值表征聚类结果的好坏，随着算法的持续迭代而增加，越高的似然值代表聚类结果越好。

对每一个聚簇计算该聚簇的聚簇中心的位置，给该聚簇标上唯一的序号，用以指示聚簇位置，建立一张序号-聚簇中心位置索引表，每一条记录都将被划入它的聚簇中并带有该聚簇的序号。

步骤2、搭建一个神经网络，训练并进行定位，具体步骤如下：

步骤2.1、数据预处理：将所有的记录整理成信号三元组RSS、MAC_T和MAC_R，即对于特定地点的RSS(接收信号强度，Received Signal Strength)，MAC_T是通信信号发射器的MAC地址，MAC_R是通信信号接收器的MAC地址。

步骤2.2、搭建神经网络：以p(t)表示在时刻t对移动终端位置的估计，最初用记录中已带的聚簇序号来指示，然后搭建一个神经网络用已观察到的值p(t)，p(t-1)，p(t-2)，…，p(t-r+1)来计算p(t+1)，见式(3)：

α_j(j＝0，1，2，...，s)为神经网络的隐层第j个节点到输出节点的连接权重；β_ij(i＝0，1，2，...r；j＝0，1，2，...，s)为第i个输入值到第j个隐层节点的连接权重；r为用于计算当前定位的已观察到的位置的数量；s为隐层节点的数量；∈为估计误差；使用逻辑斯蒂函数

作为隐层的激活函数。

步骤2.3、搭建完毕后的训练：训练时将每个用户的记录都按时间先后顺序排序，将带有聚簇位置的时序信号三元组作为神经网络的输入，以最小化输出和真实位置的偏差为目标，采用随机梯度下降法，得到参数α_j和β_ij的最优值配置，从而获得一个拥有最优参数配置的位置估计模型。

步骤2.4、用带有最优参数配置的神经网络定位目标：给出目标的起始位置p(0)，计算接收到的新信号三元组和所有聚簇中心的欧几里得距离(新的信号三元组来自定位目标)，如果聚簇序号K拥有最短距离，则p(0)＝k；使用训练得到的最优位置估计模型，从起始位置p(0)开始，获得位置的时间序列，基于已观察到的位置p(t)，p(t-1)，p(t-2)，...，p(t-k+1)，使用式(3)计算出p(t+1)。

步骤2.5、对步骤2.1～2.4中数据收集、EM聚类分析、神经网络位置估计实时进行，不断更新。借助新获取的信号三元组，能够周期性地训练最优位置估计模型；如果接收器能够检测到更多的信号发射器，则能更有效地区分不同的位置以提高定位准确度。

步骤三、数据分析中心将目标的准确定位发送至移动终端。

作为优选，步骤二中EM聚类算法通过对以下两个步骤进行反复迭代来最大化似然值：令S^u为用户u的签入数据，其中时间戳是必须的。θ为包含聚簇序号的聚类模型参数。目标是找到属于全部用户u的参数θ的最大似然估计。

E步：基于当前建立的参数θ^t，计算当前建立的参数θ^t的对数似然函数的期望值，见式(1)：

M步：找到合适的参数θ新值，使此量最大化，见式(2)：

本发明利用实时数据实时更新模型和定位，定位更准确，无需专门硬件，无需在移动设备上进行专门设置，无需辅助地图，免除校准工作，对环境动态变化具有适应性，更加便于推广。另外，由于蓝牙信号和WiFi信号的衰减特性不同，蓝牙信号的RSS有更强的空间变化性，使得利用蓝牙信号的RSS比使用WiFi信号的RSS更能准确地区分出不同地点。此外，即使同在使用WiFi信号的情况下，基于先验数据库的室内定位方法在数据库的构建阶段需要进行人为干预，对环境的变化缺乏适应性，而LiCS借助于众包技术，只需要人们日常生活中的无线数据，通过实时建模就能获取更加准确的定位。

附图说明

图1为本发明的系统结构图；

图2为本发明的算法流程图；

图3为本发明的位置估计神经网络。

具体实施方式

如图1和2所示，一种基于众包数据的室内定位方法，包括如下步骤：

步骤一：搭建分布式的实时计算系统：

实时计算系统遵循基于移动通信的网络辅助体系结构，可看作N个固定信号发射器T＝{t₁，t₂，…t_N}和M个移动信号接收器R＝{r₁，r₂，…r_M}组成的无线网，各个移动终端周期性地通过数据库向数据分析中心上报数据。具体实施时固定信号发射器指WiFi路由器或支持蓝牙的个人电脑，移动信号接收器指各个用户支持WiFi和蓝牙的移动终端。

步骤二：数据分析中心收集数据、采用LiCS算法实时分析与定位：数据分析中心实时收集步骤一中各个移动终端上报的数据，每一条记录包含用户最新的时间戳；数据分析中心运行LiCS算法对收集到的数据进行实时分析与定位。

首先用EM聚类算法分析群体行为，然后实时训练出最优位置估计神经网络，从而实现实时定位，具体步骤如下：

步骤1、使用EM聚类算法对数据分析中心收集到的各终端的无线移动数据进行聚类，分析其群体行为，使得每一条记录带有聚簇序号来指示其位置。

EM聚类算法给出每条记录属于每一个聚簇的概率，依据给出记录后属于每一个聚簇的后验概率进行划分，EM聚类算法将当前记录划分到后验概率最大的聚簇中。由于EM聚类算法采用极大似然估计来确定模型的参数，初始化参数后的参数迭代公式在最大化训练集的发生概率(似然值)的条件下推出，所以最终的似然值表征聚类结果的好坏，它随着算法的持续迭代而增加，越高的似然值代表聚类结果越好。

令S^u为用户u的签入数据，其中时间戳是必须的。θ为包含聚簇序号的聚类模型参数。目标是找到属于全部用户u的参数θ的最大似然估计。EM聚类算法通过对以下两个步骤进行反复迭代来最大化似然值：

E步：基于当前建立的参数θ^t，计算当前建立的参数θ^t的对数似然函数的期望值，见式(1)：

M步：找到合适的参数θ新值，使此量最大化，见式(2)：

U为用户的标识符；S^u为用户u的签入数据；对每一个聚簇计算该聚簇的聚簇中心的位置，给该聚簇标上唯一的序号，用以指示聚簇位置，建立一张序号-聚簇中心位置索引表，每一条记录都将被划入它的聚簇中并带有该聚簇的序号。

步骤2、搭建一个神经网络，训练并进行定位，具体步骤如下：

步骤2.1、数据预处理：将所有的记录整理成信号三元组RSS、MAC_T和MAC_R，即对于特定地点的RSS(接收信号强度，Received Signal Strength)，MAC_T是通信信号发射器的MAC地址，MAC_R是通信信号接收器的MAC地址。

步骤2.2、搭建神经网络：以p(t)表示在时刻t对移动终端位置的估计，最初用记录中已带的聚簇序号来指示，然后搭建一个神经网络用已观察到的值p(t)，p(t-1)，p(t-2)，…，p(t-r+1)来计算p(t+1)。这些量之间的关系使用式(3)来描述：

α_j(j＝0，1，2，...，s)为神经网络的隐层第j个节点到输出节点的连接权重；β_ij(i＝0，1，2，...r；j＝0，1，2，...，s)为第i个输入值到第j个隐层节点的连接权重；r为用于计算当前定位的已观察到的位置的数量；s为隐层节点的数量；∈为估计误差；使用逻辑斯蒂函数

作为隐层的激活函数。

步骤2.3、搭建完毕后的训练：训练时将每个用户的记录都按时间先后顺序排序，将带有聚簇位置的时序信号三元组作为神经网络的输入，以最小化输出和真实位置的偏差为目标，采用随机梯度下降法，得到参数α_j和β_ii的最优值配置，从而获得一个拥有最优参数配置的位置估计模型。

步骤2.4、用带有最优参数配置的神经网络定位目标：给出目标的起始位置p(0)，计算接收到的新的信号三元组和所有聚簇中心的欧几里得距离(新的信号三元组来自定位目标)，如果最短距离相应于聚簇序号k，则p(0)＝k；使用训练得到的最优位置估计模型，从起始位置p(0)开始，获得位置的时间序列，基于已观察到的位置p(t)，p(t-1)，p(t-2)，…，p(t-k+1)，使用式(3)计算出p(t+1)。

步骤2.5、对步骤2.1～2.4中数据收集、EM聚类分析、神经网络位置估计实时进行，不断更新。对于基于室内定位的监控安防系统、大型场馆管理系统、需要移动室内定位的智能家居，如果能够获取聚簇的绝对坐标，则系统将得出目标的绝对物理位置。借助新获取的信号三元组，能够周期性地训练最优位置估计模型。如果接收器能够检测到更多的信号发射器，这将有助于更有效地区分不同的位置以提高定位准确度。

步骤三、数据分析中心将目标的准确定位发送至移动终端。

上述步骤中用户的移动终端通过无线访问接入点组成无线网。用户在移动终端将数据上传到数据分析中心，向数据分析中心发送定位请求，数据分析中心接收定位请求后将该用户最新的定位结果返回至移动终端。移动终端上的无线网卡、蓝牙模块分别获取无线访问接入点的WiFi信号和个人电脑的蓝牙信号的RSS，移动终端提供接收端MAC，无线访问接入点和个人电脑提供发射端MAC，数据分析中心收集到数据后，采用LiCS算法进行实时分析与训练，从而给出准确定位。

Claims (2)

1.一种基于众包数据的室内定位方法，包括如下步骤：

步骤一：搭建分布式的实时计算系统：

实时计算系统遵循基于移动通信的网络辅助体系结构，看作由N个固定信号发射器T＝{t₁,t₂,…t_N}和M个移动信号接收器R＝{r₁,r₂,…r_M}组成的无线网，各个移动终端周期性地通过数据库向数据分析中心上报数据；具体实施时固定信号发射器指WiFi路由器或支持蓝牙的个人电脑，移动信号接收器指各个用户支持WiFi和蓝牙的移动终端；

步骤二：数据分析中心收集数据、采用LiCS算法实时分析与定位：数据分析中心实时收集步骤一中各个移动终端上报的数据，每一条记录包含用户最新的时间戳；数据分析中心运行LiCS算法对收集到的数据进行实时分析与定位；

首先用EM聚类算法分析群体行为，然后实时训练出最优位置估计神经网络，从而实现实时定位，使得每一条记录带有聚簇序号来指示其位置；

EM聚类算法给出每条记录具体步骤如下：

步骤1、使用EM聚类算法对数据分析中心收集到的各终端的无线移动数据进行聚类，分析其群体行为，为每条记录计算属于每一个聚簇的后验概率，EM聚类算法将当前记录划分到后验概率最大的聚簇中；由于EM聚类算法采用极大似然估计来确定模型的参数，初始化参数后的参数迭代公式极大化训练集的似然值，即发生概率，所以最终的似然值表征聚类结果的好坏，随着算法的持续迭代而增加，越高的似然值代表聚类结果越好；

对每一个聚簇计算该聚簇的聚簇中心的位置，给该聚簇标上唯一的序号，用以指示聚簇位置，建立一张序号-聚簇中心位置索引表，每一条记录都将被划入它的聚簇中并带有该聚簇的序号；

步骤2、搭建一个神经网络，训练并进行定位，具体步骤如下：

步骤2.1、数据预处理：将所有的记录整理成信号三元组RSS、MAC_T和MAC_R，即对于特定地点的接收信号强度RSS，MAC_T是通信信号发射器的MAC地址，MAC_R是通信信号接收器的MAC地址；

步骤2.2、搭建神经网络：以p(t)表示在时刻t对移动终端位置的估计，最初收集数据中用记录中的聚簇序号来指示，我们搭建一个神经网络用已观察到的值p(t)，p(t-1)，p(t-2)，…,p(t-i+1)来计算p(t+1)，见式⑶：

α_j为神经网络的隐层第j个节点到输出节点的连接权重，j＝0,1,2,…,s；β_ij为第i个输入值到第j个隐层节点的连接权重,i＝0,1,2,…,r、j＝0,1,2,…,s；r为用于计算当前定位的已观察到的位置的数量；s为隐层节点的数量；∈为估计误差；使用逻辑斯蒂函数

作为隐层的激活函数；

步骤2.3、搭建完毕后的训练：训练时将每个用户的记录都按时间先后顺序排序，将带有聚簇位置的时序信号三元组作为神经网络的输入，以最小化输出和真实位置的偏差为目标，采用随机梯度下降法，得到参数α_j和β_ij的最优值配置，从而获得一个拥有最优参数配置的位置估计模型；

步骤2.4、用带有最优参数配置的神经网络定位目标：给出目标的起始位置p(0)，计算接收到的新的信号三元组和所有聚簇中心的欧几里得距离，即新的信号三元组来自定位目标，如果聚簇序号K拥有最短距离，则p(0)＝k；使用训练得到的最优位置估计模型，从起始位置p(0)开始，获得位置的时间序列，基于已观察到的位置p(t)，p(t-1)，p(t-2)，…,p(t-k+1)，使用式⑶计算出p(t+1)；

步骤2.5、对步骤2.1～2.4中数据收集、EM聚类分析、神经网络位置估计实时进行，不断更新；借助新获取的信号三元组，能够周期性地训练最优位置估计模型；如果接收器能够检测到更多的信号发射器，更有效地区分不同的位置以提高定位准确度；

步骤三、数据分析中心将目标的准确定位发送至移动终端。

2.如权利要求1所述的一种基于众包数据的室内定位方法，其特征在于：步骤二中EM聚类算法通过对以下两个步骤进行反复迭代来最大化似然值：令S^u为用户u的签入数据，其中时间戳是必须的；θ为包含聚簇序号的聚类模型参数；目标是找到属于全部用户u的参数θ的最大似然估计；

E步：基于当前建立的参数θ^t，计算当前建立的参数θ^t的对数似然函数的期望值，见式(1)：

M步：找到合适的参数θ新值，使参数θ^t最大化，见式⑵：

Images