CN109688535B - 确定无线热点地理位置的方法、装置、电子设备及介质 - Google Patents

确定无线热点地理位置的方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN109688535B
CN109688535B CN201811526890.4A CN201811526890A CN109688535B CN 109688535 B CN109688535 B CN 109688535B CN 201811526890 A CN201811526890 A CN 201811526890A CN 109688535 B CN109688535 B CN 109688535B
Authority
CN
China
Prior art keywords
data
longitude
latitude
wireless hotspot
model
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
CN201811526890.4A
Other languages
English (en)
Other versions
CN109688535A (zh
Inventor
李峰
孙爽
张钲
王赟
李斌
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.)
Datang Software Technologies Co Ltd
Original Assignee
Datang Software Technologies Co Ltd
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 Datang Software Technologies Co Ltd filed Critical Datang Software Technologies Co Ltd
Priority to CN201811526890.4A priority Critical patent/CN109688535B/zh
Publication of CN109688535A publication Critical patent/CN109688535A/zh
Application granted granted Critical
Publication of CN109688535B publication Critical patent/CN109688535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及一种确定无线热点地理位置的方法、装置、电子设备及存储介质，所述方法包括：采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度；将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型；将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度。当所述终端设备的数据还包括所述终端设备的海拔高度时，得到的经纬度预测模型还可用于预测无线热点的地理位置。本发明旨在解决相关技术中确定无线热点经纬度时耗费较高的人力成本的问题。

Description

确定无线热点地理位置的方法、装置、电子设备及介质
技术领域
本发明涉及信息处理领域，具体涉及一种确定无线热点地理位置的方法和装置。
背景技术
目前已知的一种确定无线热点经纬度的方法是基于有监督的分类模型实现的。该方法的具体过程为：首先，人工标注无线热点的经纬度，并通过采集设备采集已标注的无线热点的信号场强。然后，将采集设备采集到的信号场强和已标注的无线热点的经纬度作为训练集，对基于RSSI抽样位置的模型进行训练，得到经纬度估算模型。最后，通过采集设备采集未标注的无线热点的信号场强，并确定采集设备的经纬度，再将采集设备的经纬度及采集设备采集到的信号场强输入上述经纬度估算模型，以估算未标注无线热点的经纬度。
上述方法中，人工标注无线热点的经纬度，耗费了较高的人力成本。同时，上述经纬度估算模型的准确性依赖于人工标注的经纬度的数量，数量较少将导致经纬度估算模型的准确性不高，进而不能准确地估算未标注无线热点的经纬度。
发明内容
本发明提供了一种确定无线热点地理位置的方法和装置，旨在解决相关技术中确定无线热点经纬度时耗费较高的人力成本的问题。
针对相关技术中存在的问题，本发明提供了一种解决方案：一种确定无线热点的经纬度的方法，所述方法包括：
采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度；
将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型；
将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度。
可选地，所述终端设备的数据还包括：所述终端设备的海拔高度；
基于所述样本数据，对无监督聚类模型进行训练，得到经纬度预测模型，包括：
基于包含海拔高度的样本数据，对无监督聚类模型进行训练，得到地理位置预测模型；
将所述增量数据输入所述经纬度预测模型，得到所述无线热点的经纬度，包括：
将包含海拔高度的增量数据输入所述地理位置预测模型，得到所述无线热点的地理位置。
可选地，所述无监督聚类模型为K-Means聚类模型。
可选地，所述终端设备的数据还包括：所述终端设备的参数信息，所述参数信息包括以下至少一者：MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数。
一种确定无线热点经纬度的装置，包括：
数据采集模块，被配置为采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度；
模型训练模块，被配置为将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型；
模型应用模块，被配置为将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度。
可选地，所述终端设备的数据还包括：所述终端设备的海拔高度；
所述模型训练模块包括：
训练子模块，被配置为基于包含海拔高度的样本数据，对无监督聚类模型进行训练，得到地理位置预测模型；
所述模型应用模块包括：
应用子模块，被配置为将包含海拔高度的增量数据输入所述地理位置预测模型，得到所述无线热点的地理位置。
可选地，所述无监督聚类模型为K-Means聚类模型。
可选地，所述终端设备的数据还包括：所述终端设备的参数信息，所述参数信息包括以下至少一者：MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的方法中的步骤。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如上述的方法的步骤。
有益效果：
本发明采集连接到无线热点的终端设备的数据，通过对数据进行无监督聚类处理，从而获得无线热点的地理位置，减少了相关技术中采用有监督的分类模型训练方法时人工标记无线热点经纬度所耗费的大量人力成本。
附图说明
图1是根据一示例性实施例示出的一种确定无线热点经纬度的方法的流程图；
图2是根据一示例性实施例示出的一种确定无线热点地理位置的方法的流程图；
图3是根据一示例性实施例示出的采用K-Means聚类算法预测得到无线热点的地理位置的流程示意图；
图4是根据一示例性实施例示出的一种确定无线热点的经纬度的装置的框图；
图5是根据一示例性实施例示出的一种确定无线热点的地理位置的装置的一种框图；
图6是根据一示例性实施例示出的一种用于确定无线热点地理位置的装置的另一种框图；
图7是根据一示例性实施例示出的另一种用于确定无线热点地理位置的装置的框图。
具体实施方式
下文描述了本发明的具体实施方式，该实施方式为示意性的，旨在揭示本发明的具体工作过程，不能理解为对权利要求的保护范围的进一步限定。
图1是根据一示例性实施例示出的一种确定无线热点经纬度的方法的流程图，如图1所示，包括以下步骤。
在步骤S11中，采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度。
在步骤S12中，将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型。
在步骤S13中，将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度。
本公开中的终端设备可以是智能手机、智能手表、智能手环、平板电脑等，连接到无线热点下的终端设备可以通过运行的应用程序获取到终端设备的相关信息，例如设备标志、设备型号、GPS型号、无线网卡型号等。
首先在步骤S11中，在对终端设备进行数据采集时，得到的数据源中的数据应至少包括终端设备的经纬度，根据经纬度可以确定终端设备的地理位置。
然后在步骤S12中，将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型。将所述数据源中的一部分数据划分出来作为样本数据，即所述样本数据中的数据应当包括多个终端设备的信息，这些信息中至少包括所述终端设备的经纬度，利用所述样本数据，对无监督聚类模型进行训练，得到一个经纬度预测模型。所述样本数据的划分方式可以是任意的，当所述样本中终端设备的数量越多，训练得到的经纬度预测模型精度更高。
在步骤S13中，将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度。所述数据源中的划分后的另一部分数据作为增量数据，所述增量数据中包含多个连接于无线热点的终端设备的信息，这些信息中至少包括终端设备的经纬度。将所述增量数据输入至所述步骤S12中得到的经纬度预测模型，可以得到终端设备连接到的无线热点的经纬度，所述无线热点可以有一个也可以有多个。
图2是根据一示例性实施例示出的一种确定无线热点地理位置的方法的流程图，如图2所示，包括以下步骤。
在步骤S21中，采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度和海拔高度；
在步骤S22中，将包含海拔高度的数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到地理位置预测模型；
在步骤S23中，将包含海拔高度的数据源中的另一部分数据作为增量数据，输入所述地理位置预测模型，得到所述无线热点的地理位置。
本公开中，在所述数据源中加入了连接到无线热点的终端设备的海拔高度，即划分得到的样本数据中至少包括多个终端设备的经纬度和海拔高度，划分得到的增量数据中至少包括多个终端设备的经纬度和海拔高度。
在步骤S22中，利用包含多个终端设备的经纬度和海拔高度的样本数据对无监督模型进行训练得到地理位置预测模型。
在步骤S23中，将包含多个终端设备的经纬度和海拔高度的增量数据输入至所述地理位置预测模型，可以得到无线热点的地理位置，所述无线热点可以有一个或多个。
本发明在采集连接到无线热点的终端设备的数据时，还考虑了海拔的因素，使得无线热点的地理位置的确定更加准确。
本公开中，所述步骤S12和所述步骤S22中使用的无监督聚类模型为K-Means聚类模型。在得到地理位置预测模型的过程中，对K-Means聚类模型进行训练，以得到最优K值，根据K-Means聚类算法，K值为人为给定。一般在实际应用中，会预先通过模型训练来获取一个最优K值，然后根据所述最优K值确定一个最优区间，在所述最优区间内取值，能为后续应用K-Means聚类模型节省大量时间。本实施例中获取地理位置预测模型的阶段实际上为获取最优K值的阶段，利用所述最优K值，可以在将所述增量数据应用到所述地理位置预测模型时提高效率。
本公开中，所述终端设备的数据还包括：所述终端设备的参数信息，所述参数信息包括以下至少一者：MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数；每个终端设备都有一个独一无二的MAC地址，终端设备接收到的无线信号的信号越强则距离无线热点越近，因此，终端设备的MAC地址、接收到的无线信号的信号强度以及探测到的卫星的颗数对于确定无线热点的地理位置有很高的参考价值，根据这部分参数信息，可以对样本数据和增量数据进行筛选，以提高得到的地理位置预测模型的精度。
本公开中，所述步骤S12中还包括对所述样本数据进行数据预处理；所述步骤S13中还包括对所述增量数据进行数据预处理；所述步骤S22中还包括对包含海拔高度的样本数据进行数据预处理；所述步骤S23中还包括对包含海拔高度的增量数据进行数据预处理。所述数据预处理，包括对数据进行缺失值与异常值的分析，由于网络传输过程中难免出现差错，即使直接从终端设备获取数据，有时也会出现数据不完整的现象，如果这部分数据通过一定方式能够修复，则对数据进行修复，若是不能则删除该部分数据，对于一些格式异常的数据，例如从不同的系统获取的数据采取的格式不同，则进行统一格式的处理。
本公开中，在所述步骤S11之后且在所述步骤S12之前还包括对所述样本数据的特征工程的处理，包括以下步骤：
在步骤S121中，提取出所述样本数据中的所述MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数并形成第一参数信息数据集。
在步骤S122中，根据所述第一参数信息数据集，从所述样本数据中筛选出部分终端设备的经度、纬度形成第一建模数据集。
将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型，包括：基于所述第一建模数据集对无监督聚类模型进行训练，得到经纬度预测模型。
通过对所述MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数设置一定的限制条件可以选取出对于无线热点经纬度的确定占有较大的权重的数据，即所述第一建模数据集中的数据若与无线热点的关联度越大，则利用这部分数据训练的模型的精度越高。
举例说明，在对所述样本数据进行特征工程处理时，根据经验判断终端设备接收到的无线热点的信号强度在强度范围A至B内时选取的数据比较有效，那么就将满足在该数值范围内的终端设备的经度和纬度选取出来形成建模数据集。
本公开中，在所述步骤S11之后且在所述步骤S12之前还包括对所述增量数据的特征工程的处理，包括以下步骤：
在步骤S123中，提取出所述增量数据中的所述MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数并形成第二参数信息数据集。
在步骤S124中，根据所述第二参数信息数据集，从所述增量数据中筛选出部分终端设备的经度和纬度形成第一应用数据集。
将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度，包括：将所述第一应用数据集输入所述经纬度预测模型，得到所述无线热点的经纬度。
本公开中，在所述步骤S21之后且在所述步骤S22之前还包括对包含海拔高度的样本数据的特征工程的处理，包括以下步骤：
在步骤S211中，提取出所述样本数据中的所述MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数并形成第三参数信息数据集。
在步骤S212中，根据所述第三参数信息数据集，从所述样本数据中筛选出部分终端设备的经度、纬度以及海拔高度形成第二建模数据集。
基于包含海拔高度的样本数据，对无监督聚类模型进行训练，得到地理位置预测模型，包括：基于所述第二建模数据集，对无监督聚类模型进行训练，得到地理位置预测模型。
在所述步骤S21之后且在所述步骤S22之前还包括对包含海拔高度的增量数据的特征工程的处理，包括以下步骤：
在步骤S213中，提取出所述增量数据中的所述MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数并形成第四参数信息数据集。
在步骤S214中，根据所述第四参数信息数据集，从所述增量数据中筛选出部分终端设备的经度、纬度以及海拔高度形成第二应用数据集，例如所述应用数据集为一个包括N组终端设备的经纬度以及海拔高度的数据集X，所述数据集X中的每组经纬度以及海拔高度均可以形成一个空间点，即所述数据集X中包括N个空间点。
将包含海拔高度的增量数据输入所述地理位置预测模型，得到所述无线热点的地理位置，包括：将所述应用数据集输入所述地理位置预测模型，得到所述无线热点的地理位置。
本发明在对所述样本数据和所述增量数据进行特征工程的处理时，通过考虑终端设备的MAC地址、终端设备接收到的无线信号的信号强度以及端设备探测到的卫星颗数的权重而筛选出所述建模数据集和所述应用数据集，使获得的地理位置预测模型的精度更高。
本公开中，所述步骤S12中对所述样本数据进行数据预处理后且在所述步骤S121之前，还包括对样本数据进行粗大误差的处理；所述步骤S13中对所述增量数据进行数据预处理后且在所述步骤S123之前，还包括对增量数据进行粗大误差的处理；所述步骤S22中对包含海拔高度的样本数据进行数据预处理后且在所述步骤S211之前，还包括对包含海拔高度的样本数据进行粗大误差的处理；所述步骤S23中对包含海拔高度的数据进行数据预处理后且在所述步骤S213之前，还包括对包含海拔高度的数据进行粗大误差的处理。由于测量或者采样不可避免地存在测量误差，本实施例采用3σ准则剔除采集点采集到的异常值，这部分异常值本身完整且符合规范，但是对于本领域技术人员凭经验来分析为明显的异常值时，需及时剔除，以避免对模型的训练以及模型的应用造成影响。
在步骤S23中，将包含海拔高度的数据源中的另一部分数据作为增量数据，输入所述地理位置预测模型，得到所述无线热点的地理位置，包括：对包含海拔高度的增量数据采用K-Means聚类算法预测得到无线热点的地理位置。
图3是根据一示例性实施例示出的采用K-Means聚类算法预测得到无线热点的地理位置的流程示意图，如图3所示，包括以下步骤：
在步骤S231中，将所述步骤S214中的数据集X划分为K个空间区域。
在步骤S232中，在K个空间区域中任意选取一个空间点作为初始聚类中心。
在步骤S233中，针对所述数据集X中的N个空间点，依次计算与K个空间区域中的初始聚类中心的距离。
在步骤S234中，将N个空间点依次归到与所述空间点距离最近的初始聚类中心所属的空间区域。
在步骤S235中，当所述数据集X中的各个空间点初次归类完毕后，得到新的K个空间区域，计算新的每一个空间区域的质心，将所述质心作为所述空间区域新的聚类中心；
在步骤S236中，判断新的聚类中心与各自所属的空间区域的上一次的聚类中心的距离是否都小于设定的阈值，若存在不小于所述阈值，则对所述数据集X中的N个空间点，再依次计算与K个球体区域中的新的聚类中心的距离，得到新的质心，直到最后一次的聚类中心与上一次的聚类中心的距离都小于所述设定的阈值。
在步骤S237中，若都小于所述阈值，则停止计算，输出新的聚类中心，得到所述无线热点的地理位置。
首先在步骤S231中，将所述步骤S214中的数据集X划分为K个空间区域，例如，可以将所述数据集X中的空间点按照半径为30m的球体划分为K个球体区域。
在步骤S232中，在K个空间区域中任意选取一个空间点作为初始聚类中心，例如将所述数据集X中的空间点按照半径为30m的球体划分为K个球体区域后，选取的每个球体区域的初始聚类中心为：m1(1),m2(1),…,mk(1)。
在步骤S233中，针对所述数据集X中的N个空间点，依次计算与K个空间区域中的初始聚类中心的距离，例如所述数据集X＝{X1,X2,…,XN}，依次计算X1与m1(1),m2(1),…,mk(1)的距离，X2与m1(1),m2(1),…,mk(1)的距离，直到XN与m1(1),m2(1),…,mk(1)的距离。
在步骤S234中，将N个空间点依次归到与所述空间点距离最近的初始聚类中心所属的空间区域，例如，X1与第二个初始聚类中心m2(1)的距离最近，则将X1归类到m2(1)所在的球体区域，依次地，将数据集X＝{X1,X2,…,XN}，中的每一个空间点归类到与它最接近的球体区域。
在步骤S235中，当所述数据集X中的各个空间点初次归类完毕后，得到新的K个空间区域，计算新的每一个空间区域的质心，将所述质心作为所述空间区域新的聚类中心。例如，第一次归类完毕后，第一个球体区域内含有j个空间点，根据这j个空间点计算所述球体区域的质心，将所述质心作为第一个球体区域的新的聚类中心m1(2)，依次地，K个球体区域均可计算出一个新的聚类中心。
在步骤S236中，判断新的聚类中心与各自所属的空间区域的上一次的聚类中心的距离是否都小于设定的阈值，若存在不小于所述阈值，则对所述数据集X中的N个空间点，再依次计算与K个球体区域中的新的聚类中心的距离，得到新的质心，直到最后一次的聚类中心与上一次的聚类中心的距离都小于所述设定的阈值。例如，在得到的新的聚类中心后，第一个球体区域新的聚类中心m1(2)与上一次的聚类中心m1(1)之间的距离大于或等于ε，则不满足条件，继续重复执行步骤S233至步骤S236，直到第一个球体区域新的聚类中心m1(2)与上一次的聚类中心m1(1)之间的距离小于ε。
在步骤S237中，若都小于所述阈值，则停止计算，输出新的聚类中心，得到所述无线热点的地理位置。例如，第一个球体区域新的聚类中心m1(2)与上一次的聚类中心m1(1)之间的距离，若小于设定的阈值ε，则停止计算，此时，m1(2)为一个无线热点的地理位置。
图4是根据一示例性实施例示出的一种确定无线热点的经纬度的装置的框图，如图4所示，所述装置包括数据采集模块121、模型训练模块122以及模型应用模块123。
所述数据采集模块121被配置为采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度。
所述模型训练模块122被配置为将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型。
所述模型应用模块123被配置为将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度。
本公开还可以在数据源中加入连接到无线热点的终端设备的海拔高度，图5是根据一示例性实施例示出的一种确定无线热点的地理位置的装置140的一种框图，如图5所示。
所述模型训练模块122包括训练子模块1221；
所述训练子模块1221被配置为基于包含海拔高度的样本数据，对无监督聚类模型进行训练，得到地理位置预测模型。
所述模型应用模块123包括应用子模块1231；
所述应用子模块1231被配置为将包含海拔高度的增量数据输入所述地理位置预测模型，得到所述无线热点的地理位置。
本公开中，所述模型训练模块122中采用的无监督聚类模型为K-Means聚类模型；所述模型应用模块123基于采用K-Means聚类算法生成的地理位置预测模型得到无线热点的地理位置。
图6是根据一示例性实施例示出的一种被用于确定无线热点地理位置的装置的另一种框图，例如装置可以是计算机、智能手机、平板设备等。
如图6所示，所述装置可以包括以下一个或多个组件：处理组件1301、存储器1302、电力组件1303、多媒体组件1304、音频组件1305、输入/输出(I/O)的接口1306、传感器组件1307以及通信组件1308。
所述处理组件1301通常控制所述装置的整体操作，例如采集数据、划分数据、存储数据、数据建模等；处理组件1302可以包括一个或多个处理器来执行指令，以完成无线热点地理位置确定的方法的全部或者部分步骤，此外，处理组件1302可以包括一个或多个模块，便于处理组件1301和其他组件之间的交互。例如，处理组件1301可以包括多媒体模块，以方便多媒体组件1304和处理组件1302之间的交互。
存储器1302被配置为存储各种类型的数据以支持在所述装置上的操作，这些数据的示例包括被配置为在所述装置上操作的任何应用程序或方法的指令，采集的数据、划分的数据、预处理的数据、训练得到的数据模型、应用结果等。存储器1302可以由任何类型的易失性或非易失性存储设备或者他们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件1303为所述装置的各种组件提供电力，电力组件1303可以包括电源管理系统，一个或多个电源，及其他所述装置生成、管理和分配电力相关联的组件。
多媒体组件1304包括在所述装置和用户之间的提供一个输出接口的屏幕，在一些实施例中，屏幕可以包括液晶显示屏(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号，触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1304包括一个前置摄像头或后置摄像头。当所述装置处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1305被配置为输出和/或输入音频信号。例如，音频组件1305包括一个麦克风，当所述装置处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1302或经由通信组件1308发送。在一些实施例中，音频组件1305还包括一个扬声器，被配置为输出音频信号。
I/O接口1306为处理组件1301和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮。按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮以及锁定按钮。
传感器组件1307包括一个或多个传感器，被配置为为所述装置提供各个方面的状态评估。例如，传感器组件1307可以检测到所述装置的打开/关闭状态，组件的相对定位，例如所述组件为所述装置的显示器和小键盘，传感器组件1307还可以检测到所述装置或所述装置一个组件的位置改变，用户与所述装置接触的存在或不存在，所述装置方位或加速/减速和所述装置的温度变化。传感器组件1307可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1307还可以包括光传感器，如CMOS或CCD图像传感器，被配置为在成像应用中使用。在一些实施例中，该传感器组件1307还可以包括加速传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件1308被配置为便于所述装置和其他设备之间有线或无线方式的通信。所述装置可以接入基于通信标准的无线网络，如WIFI，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1308经由广播信道接收来自外部广播系统的广播信号或广播相关信息，在一个示例性实施例中，所述通信组件1308还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可以基于射频识别(RFID)技术，红外数据协会(IRDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
所述装置可以被一个或多个应用专用集成电路、数字信号处理器、数字信号处理设备、可编程逻辑器件、现场可编程门阵列、控制器、微控制器、微处理器或其他电子元件实现，被配置为执行上述确定无线热点地理位置的方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1302，上述指令可由所述装置的处理器1301执行以完成一种确定无线热点地理位置的方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图7是根据一示例性实施例示出的另一种用于确定无线热点地理位置的装置的框图，如图7所示，所述装置包括：数据源模块1401、数据划分模块1402、预处理模块1403、特征工程处理模块1404、建模与应用模块1405以及结果反馈模块1406；数据源模块1401被配置为对连接到无线热点的终端设备进行数据采集和储存，数据源模块1401包括数据采集模块121，被配置为采集连接到无线热点的终端设备的数据，包括：经纬度、海拔高度、MAC地址、所述终端设备接收到的无线信号的信号强度、所述终端设备探测到的卫星颗数等等；数据划分模块1402被配置于将数据源模块1401中的数据划分为样本数据和增量数据，预处理模块1403被配置为对所述样本数据以及所述增量数据进行缺失值与异常值分析，特征工程处理模块1404被配置为从所述样本数据中筛选出建模数据以形成建模数据集和从所述增量数据中筛选出应用数据以形成应用数据集，建模与应用模块1405包括模型训练模块122与模型应用模块123，模型训练模块122被配置为对所述建模数据集基于无监督聚类模型训练成经纬度预测模型，模型应用模块123被配置为将所述应用数据集应用到所述经纬度预测模型。
当所述建模数据集中包含海拔高度时，模型训练模块122包括训练子模块1221，此时，模型训练模块122被配置为基于包含海拔高度的建模数据集，对无监督聚类模型进行训练，得到地理位置预测模型。
当所述建模数据集中包含海拔高度时，模型应用模块123包括应用子模块1231，此时，模型应用模块123被配置为将应用数据集输入所述地理位置预测模型，得到所述无线热点的地理位置。
结果反馈模块1406被配置为将模型应用模块123得到的数据反馈到模型训练模块122以对经纬度预测模型进行分析和优化。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

Claims (10)

1.一种确定无线热点的经纬度的方法，其特征在于，所述方法包括：
采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度；
将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型；
将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度；
其中，所述无线热点的经纬度的计算包括以下步骤：
将所述增量数据划分为K个空间区域；
在K个空间区域中任意选取一个空间点作为初始聚类中心；
针对所述增量数据中的N个空间点，依次计算与所述K个空间区域中的初始聚类中心的距离；
将N个空间点依次归到与所述空间点距离最近的初始聚类中心所属的空间区域；
当所述增量数据的各个空间点初次归类完毕后，得到新的K个空间区域，计算新的每一个空间区域的质心，将所述质心作为所述空间区域新的聚类中心；
判断新的聚类中心与各自所属的空间区域的上一次的聚类中心的距离是否都小于设定的阈值，若存在不小于所述阈值，则对所述增量数据中的N个空间点，再依次计算与K个球体区域中的新的聚类中心的距离，得到新的质心，直到最后一次的聚类中心与上一次的聚类中心的距离都小于所述设定的阈值；
若都小于所述阈值，则停止计算，输出新的聚类中心，得到所述无线热点的经纬度。
2.根据权利要求1所述的方法，其特征在于，所述终端设备的数据还包括：所述终端设备的海拔高度；
基于所述样本数据，对无监督聚类模型进行训练，得到经纬度预测模型，包括：
基于包含海拔高度的样本数据，对无监督聚类模型进行训练，得到地理位置预测模型；
将所述增量数据输入所述经纬度预测模型，得到所述无线热点的经纬度，包括：
将包含海拔高度的增量数据输入所述地理位置预测模型，得到所述无线热点的地理位置。
3.根据权利要求1或2所述的方法，其特征在于，所述无监督聚类模型为K-Means聚类模型。
4.根据权利要求1或2所述的方法，其特征在于，所述终端设备的数据还包括：所述终端设备的参数信息，所述参数信息包括以下至少一者：MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数。
5.一种确定无线热点的经纬度的装置，其特征在于，包括：
数据采集模块，被配置为采集连接到无线热点的终端设备的数据，得到数据源，所述终端设备的数据至少包括：所述终端设备的经纬度；
模型训练模块，被配置为将所述数据源中的部分数据作为样本数据，对无监督聚类模型进行训练，得到经纬度预测模型；
模型应用模块，被配置为将所述数据源中的另一部分数据作为增量数据，输入所述经纬度预测模型，得到所述无线热点的经纬度；
其中，所述无线热点的经纬度的计算包括以下步骤：
将所述增量数据划分为K个空间区域；
在K个空间区域中任意选取一个空间点作为初始聚类中心；
针对所述增量数据中的N个空间点，依次计算与所述K个空间区域中的初始聚类中心的距离；
将N个空间点依次归到与所述空间点距离最近的初始聚类中心所属的空间区域；
当所述增量数据的各个空间点初次归类完毕后，得到新的K个空间区域，计算新的每一个空间区域的质心，将所述质心作为所述空间区域新的聚类中心；
判断新的聚类中心与各自所属的空间区域的上一次的聚类中心的距离是否都小于设定的阈值，若存在不小于所述阈值，则对所述增量数据中的N个空间点，再依次计算与K个球体区域中的新的聚类中心的距离，得到新的质心，直到最后一次的聚类中心与上一次的聚类中心的距离都小于所述设定的阈值；
若都小于所述阈值，则停止计算，输出新的聚类中心，得到所述无线热点的经纬度。
6.根据权利要求5所述的装置，其特征在于，所述终端设备的数据还包括：所述终端设备的海拔高度；
所述模型训练模块包括：
训练子模块，被配置为基于包含海拔高度的样本数据，对无监督聚类模型进行训练，得到地理位置预测模型；
所述模型应用模块包括：
应用子模块，被配置为将包含海拔高度的增量数据输入所述地理位置预测模型，得到所述无线热点的地理位置。
7.根据权利要求5或6所述的装置，其特征在于，所述无监督聚类模型为K-Means聚类模型。
8.根据权利要求5或6所述的装置，其特征在于，所述终端设备的数据还包括：所述终端设备的参数信息，所述参数信息包括以下至少一者：MAC地址、所述终端设备接收到的无线信号的信号强度以及所述终端设备探测到的卫星颗数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一所述的方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-4任一所述的方法的步骤。
CN201811526890.4A 2018-12-13 2018-12-13 确定无线热点地理位置的方法、装置、电子设备及介质 Active CN109688535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811526890.4A CN109688535B (zh) 2018-12-13 2018-12-13 确定无线热点地理位置的方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811526890.4A CN109688535B (zh) 2018-12-13 2018-12-13 确定无线热点地理位置的方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN109688535A CN109688535A (zh) 2019-04-26
CN109688535B true CN109688535B (zh) 2021-01-26

Family

ID=66186711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811526890.4A Active CN109688535B (zh) 2018-12-13 2018-12-13 确定无线热点地理位置的方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN109688535B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111741524B (zh) * 2019-06-04 2021-08-31 腾讯科技（深圳）有限公司 定位方法、装置、计算机可读存储介质和计算机设备
CN110794437B (zh) * 2019-10-31 2021-10-22 深圳中科保泰科技有限公司 卫星定位信号强度预测方法和装置
CN113840225B (zh) * 2020-06-23 2024-08-20 中国电信股份有限公司 终端定位方法、装置以及存储介质
CN112801189B (zh) * 2021-01-29 2024-08-09 上海寻梦信息技术有限公司 经纬度异常检测方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104507095A (zh) * 2014-12-18 2015-04-08 哈尔滨工业大学 基于用户位置分布的室内ap部署方法
CN105206046A (zh) * 2015-10-10 2015-12-30 东南大学 基于大数据的出租车服务站选址及可行性评价方法
CN107018495A (zh) * 2017-03-28 2017-08-04 徐康庭 一种基于信令数据的室内用户分层定位方法及系统
CN108415048A (zh) * 2018-01-23 2018-08-17 武汉大学 基于空间聚类的大规模网络rtk定位方法及系统
CN108519578A (zh) * 2018-03-23 2018-09-11 天津大学 一种基于群智感知的室内定位指纹库构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10057767B2 (en) * 2014-12-19 2018-08-21 Apple Inc. Methods and apparatus to support location specific control of access to services through untrusted wireless networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104507095A (zh) * 2014-12-18 2015-04-08 哈尔滨工业大学 基于用户位置分布的室内ap部署方法
CN105206046A (zh) * 2015-10-10 2015-12-30 东南大学 基于大数据的出租车服务站选址及可行性评价方法
CN107018495A (zh) * 2017-03-28 2017-08-04 徐康庭 一种基于信令数据的室内用户分层定位方法及系统
CN108415048A (zh) * 2018-01-23 2018-08-17 武汉大学 基于空间聚类的大规模网络rtk定位方法及系统
CN108519578A (zh) * 2018-03-23 2018-09-11 天津大学 一种基于群智感知的室内定位指纹库构建方法

Also Published As

Publication number Publication date
CN109688535A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109688535B (zh) 确定无线热点地理位置的方法、装置、电子设备及介质
CN110147705B (zh) 一种基于视觉感知的车辆定位方法及电子设备
CN109247070B (zh) 使用能唯一识别且未标记的位置的移动设备上的主动动作
CN110782034A (zh) 神经网络的训练方法、装置及存储介质
CN108010060B (zh) 目标检测方法及装置
CN109783771B (zh) 将轨迹序列转换为图像矩阵的处理方法、装置和存储介质
CN106407984B (zh) 目标对象识别方法及装置
CN109190648B (zh) 模拟环境生成方法、装置、移动终端及计算机可读取存储介质
EP3901827B1 (en) Image processing method and apparatus based on super network, intelligent device and computer storage medium
US20170118298A1 (en) Method, device, and computer-readable medium for pushing information
CN104285427A (zh) 根据通过使不同数据源相关确定的上下文配置终端装置
EP2913780A2 (en) Clustering method, apparatus and terminal apparatus
CN110619027B (zh) 一种房源信息的推荐方法、装置、终端设备及介质
CN112362047A (zh) 定位方法及装置、电子设备和存储介质
CN106054918A (zh) 提供无人机信息的方法和装置
CN114760339A (zh) 故障预测方法、装置、设备、介质及产品
CN111814538A (zh) 目标对象的类别识别方法、装置、电子设备及存储介质
CN112948763B (zh) 件量预测方法、装置、电子设备及存储介质
CN111586295B (zh) 图像生成方法、装置和电子设备
CN110764049B (zh) 信息处理方法、装置、终端及存储介质
CN113077370A (zh) 地理瓦片的城市功能属性识别方法、设备、介质以及产品
CN114722087A (zh) 数据采集方法、设备、存储介质及程序产品
JPWO2018037955A1 (ja) 情報処理装置および方法、並びに記録媒体
CN115022965B (zh) 小区定位方法、装置、电子设备及存储介质
CN112286609B (zh) 用于管理智能终端的快捷设置项的方法和装置

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