CN109991591A - 基于深度学习的定位方法、装置、计算机设备及存储介质 - Google Patents

基于深度学习的定位方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109991591A
CN109991591A CN201810009221.3A CN201810009221A CN109991591A CN 109991591 A CN109991591 A CN 109991591A CN 201810009221 A CN201810009221 A CN 201810009221A CN 109991591 A CN109991591 A CN 109991591A
Authority
CN
China
Prior art keywords
location point
neural network
signal parameter
class
point
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.)
Granted
Application number
CN201810009221.3A
Other languages
English (en)
Other versions
CN109991591B (zh
Inventor
张宗源
王连臣
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Priority to CN201810009221.3A priority Critical patent/CN109991591B/zh
Priority to PCT/CN2018/123111 priority patent/WO2019134549A1/zh
Publication of CN109991591A publication Critical patent/CN109991591A/zh
Application granted granted Critical
Publication of CN109991591B publication Critical patent/CN109991591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/04—Systems for determining distance or velocity not using reflection or reradiation using radio waves using angle measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例提供了一种基于深度学习的定位方法、装置、计算机设备及存储介质，属于无线定位技术领域。该基于深度学习的定位方法包括：接收移动终端上报的若干个待定位的第一小区信号参数，该第一小区信号参数不包括该移动终端的实际经纬度；将同一移动终端上报的该第一小区信号参数输入至预先训练好的聚类模型中进行分类；将分类后的每类该第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与该第一小区信号参数相对应的当前经纬度数据；将该当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据。本申请可以提高定位的稳定性及精确性。

Description

基于深度学习的定位方法、装置、计算机设备及存储介质
技术领域
本发明涉及无线定位技术领域，特别是涉及一种基于深度学习的定位方法、装置、计算机设备及存储介质。
背景技术
近年来，无论是基于移动蜂窝系统的网络连接还是WIFI的网络连接，无线定位服务逐渐成为信息服务的热点，各种定位技术层出不穷，比如基于RSSI(Received SignalStrength Indication，接收的信号强度指示)的定位方法、基于TDOA(Time difference ofArriva，到达时间差)的定位方法以及基于AOA(Angle of Arrival，到达角)的定位方法等。
上述定位算法主要利用终端接收到的某一种信号指标进行定位，但是由于多径传播、复杂的现场状况、信号本身测量误差等，这些定位算法的定位精度并不能令人满意，由此设计的定位系统表现也不够稳定。
所以，迫切需要一种稳定、精确的定位方法，以提高定位效果。
发明内容
有鉴于此，本发明的目的在于提供一种基于深度学习的定位方法、装置、计算机设备及存储介质，可以提高定位的稳定性及精确性。
本发明解决上述技术问题所采用的技术方案如下：
根据本发明的一个方面，提供的一种基于深度学习的定位方法，该方法包括：
接收移动终端上报的若干个待定位的第一小区信号参数，该第一小区信号参数不包括该移动终端的实际经纬度；
将同一移动终端上报的该第一小区信号参数输入至预先训练好的聚类模型中进行分类；
将分类后的每类该第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与该第一小区信号参数相对应的当前经纬度数据；
将该当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据。
根据本发明的另一个方面，提供的一种基于深度学习的定位装置，该装置包括：
接收模块，用于接收移动终端上报的若干个待定位的第一小区信号参数，该第一小区信号参数不包括该移动终端的实际经纬度；
分类模块，用于将同一移动终端上报的该第一小区信号参数输入至预先训练好的聚类模型中进行分类；
处理模块，用于将分类后的每类该第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与该第一小区信号参数相对应的当前经纬度数据；
该处理模块还用于将该当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据。
根据本发明的又一个发明，提供的一种计算机设备，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，该处理器执行该程序时实现上述基于深度学习的定位方法。
根据本发明的再一个发明，提供的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上述基于深度学习的定位方法中的步骤。
本发明实施例提供的一种基于深度学习的定位方法、装置、计算机设备及存储介质，通过根据移动终端上报的若干个待定位的第一小区信号参数，将该第一小区信号参数分别输入到训练好的聚类模型、前馈神经网络及循环神经网络中，可以得到移动终端当前时刻的经纬度及下一时刻的经纬度，由于该第一小区信号参数包含了上报的多种参数指标，使得依据该第一小区信号参数得到的定位信息更加准确，且由于该循环神经网络具有位置预测功能，能够实时的得到下一时刻的经纬度，使得定位功能的稳定性更强。
附图说明
图1为根据本发明的一个实施例的基于深度学习的定位方法的流程图；
图2为根据本发明的一个实施例的基于深度学习的定位方法的实现原理示意图；
图3为根据本发明的一个实施例的定位过程中的数据转化示意图；
图4为根据本发明的一个实施例的前馈神经网络的结构示意图；
图5为根据本发明的一个实施例的循环神经网络的结构示意图；
图6为根据本发明的一个实施例的前馈神经网络及循环神经网络的训练误差收敛示意图；
图7为根据本发明的一个实施例的定位精度验证示意图；
图8为根据本发明的一个实施例的基于深度学习的定位装置的示范性结构框图；
图9为根据本发明的一个实施例的计算机设备的内部结构示意图。
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
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为根据本发明的一个实施例的基于深度学习的定位方法的流程图，下面结合图1来详细描述根据本发明的一个实施例的基于深度学习的定位方法，该方法应用于计算机设备或服务器，用于对移动终端进行定位，如图1所示，该方法包括以下步骤S101至S104。
S101、接收移动终端上报的若干个待定位的第一小区信号参数，该第一小区信号参数不包括该移动终端的实际经纬度。
在其中的一个实施例中，该第一小区信号参数包括参考信号接收功率RSRP(Reference Signal Receiving Power)、参考信号接收质量RSRQ(Reference SignalReceiving Quality)、到达角AOA(Angle of Arrival)及时间提前量TA(Time Advance)。
S102、将同一移动终端上报的该第一小区信号参数输入至预先训练好的聚类模型中进行分类。
在该实施例中，聚类模型包括了该第一小区信号参数被划分的最优类数，以及以各种方式将各个第一小区信号参数对应的位置点划分到每一类中，即确定每一类所包含的第一小区信号参数。
在其中的一个实施例中，该聚类模型可以采用K-Means聚类算法对该第一小区信号参数进行分类。
S103、将分类后的每类该第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与该第一小区信号参数相对应的当前经纬度数据。
在该实施例中，该训练好的前馈神经网络如图2所示，前馈神经网络的个数与步骤S102中所划分的类数相同且一一对应，通过将聚类得到的各簇数据(为了方便说明，被划分的每一类称为一簇)输入到对应的前馈神经网络中，得到的当前经纬度数据为计算出来的与各个位置点的第一小区信号参数相对应的移动终端的经纬度数据。
在其中一个实施例中，该前馈神经网络可以选用双层BP神经网络，BP神经网络是目前比较成熟的神经网络，通过确定的最优K值即可进行创建，本申请就不过多赘述了。
S104、将该当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据，其在定位过程中的数据转化如图3所示。
在该实施例中，该训练好的循环神经网络如图2所示，循环神经网络的个数与前馈神经网络的个数相同并与前馈神经网络一一对应，也与位置点被划分的最优类数相同，用于根据前馈神经网络输入的各个位置点的经纬度，输出与各个位置点对应的下一个位置点的经纬度。
在其中一个实施例中，该循环神经网络可以选用双向LSTM神经网络，该LSTM神经网络是目前比较成熟的技术，可以利用Tensorflow工具提供的库实现该双向LSTM神经网络，本申请就不过多赘述了。
在其中的一个实施例中，该方法还包括：
接收移动终端上报的若干个位置点的第二小区信号参数，该第二小区信号参数包括该移动终端的实际经纬度；
按照上报的时间顺序对同一移动终端上报的该第二小区信号参数进行排序；
根据排序后的该第二小区信号参数，利用聚类算法将相似度高于预设值的第二小区信号参数对应的位置点归为一类；
通过确定该位置点被划分的最优类数以及每类所包含的位置点，确定该聚类模型。
在其中的一个实施例中，该第二小区信号参数还包括参考信号接收功率RSRP、参考信号接收质量RSRQ、到达角AOA及时间提前量TA；该方法还包括通过以下公式计算两个位置点之间的距离：
其中，RSRP1表示位置点S1的参考信号接收功率，RSRP2表示位置点S2的参考信号接收功率，RSRQ1表示位置点S1的参考信号接收质量，RSRQ2表示位置点S2的参考信号接收质量，TA1表示位置点S1的时间提前量，TA2表示位置点S2的时间提前量，AOA1表示位置点S1的到达角，AOA2表示位置点S2的到达角，D表示计算出的所述位置点S1与位置点S2的距离，计算出的D值越小表示位置点S1与位置点S2的相似度越高。
在其中一个实施例中，该方法还包括：
接收到输入的K值时，将所有该位置点被划分的类数确定为K类；
将该位置点分为种子点及其它位置点，随机在该位置点中确定K个种子点，计算所有其他位置点到每个该种子点的距离；
将每个该其他位置点划分到计算的距离最近的种子点所在的类中，完成第一次聚类；
计算第一次聚类后被划分在同一类中的位置点的第二小区信号参数的平均值，该第二小区信号参数包括参考信号接收功率的平均值、参考信号接收质量的平均值、时间提前量的平均值及到达角的平均值；
以计算的该第二小区信号参数的平均值对应的位置点作为新的种子点，对该其他位置点被划分的类以及划分后该第二小区信号参数的平均值进行迭代计算，直至计算的该第二小区信号参数的平均值不再变化或变化的差值小于预设的门限时，确定该位置点被划分为K类时每类所包含的位置点，以得到该聚类模型。
在其中一个实施例中，确定该最优K值的步骤包括：
接收输入的若干个枚举的K值，该K值表示所有位置点被划分的类数；
确定枚举的其中一个Ki的值，通过以下公式计算该位置点被分为Ki类时的平均轮廓系数：
其中，S(i)表示计算的与Ki对应的平均轮廓系数，a(n)表示位置点n到所有与所述位置点n划分在同一类的其它位置点的距离的平均值，b(n)表示位置点n到所有与所述位置点n划分在不同类的其它位置点的距离的平均值；
遍历枚举的所有所述K值，计算与每个所述K值对应的平均轮廓系数；
将与计算的最大平均轮廓系数对应的K值确定为所述最优K值。
在其中一个实施例中，训练该前馈神经网络的步骤包括：
在确定该位置点被划分的最优类数以及每类所包含的位置点的步骤之后，构建前馈神经网络，构建的前馈神经网络的个数与该最优类数相同且一一对应，其中，该前馈神经网络可以选用双层BP神经网络，可以利用Tensorflow实现k个双层BP神经网络；
分别对每类所包含的位置点的第二小区信号参数进行归一化处理，得到与每个位置点相对应的特征向量；
将属于同一类的位置点的特征向量作为对应前馈神经网络的输入，将接收的该位置点的实际经纬度作为对应前馈神经网络的输出，对每个该前馈神经网络进行训练，直至该前馈神经网络的输出误差收敛满足预设的第一门限，得到训练好的前馈神经网络，根据本发明的一个实施例的前馈神经网络的结构如图4所示。
在其中一个实施例中，该第二小区信号参数还包括参考信号接收功率RSRP、参考信号接收质量RSRQ、到达角AOA及时间提前量TA，上述分别对每类所包含的位置点的第二小区信号参数进行归一化处理的步骤包括：
通过以下公式对每一簇(或者说是被划分的每一类)位置点上报的该参考信号接收功率RSRP、参考信号接收质量RSRQ、到达角AOA及时间提前量TA进行归一化处理：
其中，x为数据(参考信号接收功率RSRP、参考信号接收质量RSRQ、到达角AOA或时间提前量TA原始值)的原始值，μ为同一簇中对应数据的平均值，σ为对应簇中对应数据的标准差。
对每一簇位置点上报的第二小区信号参数中包含的上述四种数据进行归一化处理之后，得到K簇输入向量，且每一簇为由[RSRP、RSRQ、AOA、TA]组成的四维输入向量，将这K簇四维输入向量分别输入到与每一簇(类)相对应的前馈神经网络中，并根据移动终端上报的该移动终端的实际经纬度即可对其进行训练。
在其中一个实施例中，训练该循环神经网络的步骤包括：
构建循环神经网络，该循环神经网络可以选用双向LSTM神经网络，可以利用Tensorflow实现该双向LSTM神经网络；
根据排序后该位置点的下一位置点的实际经纬度对该循环神经网络进行训练，直至该循环神经网络的输出误差收敛满足预设的第二门限，得到训练好的循环神经网络模型，根据本发明的一个实施例的循环神经网络的结构如图5所示。
在其中一个实施例中，在接收移动终端上报的若干个待定位的第一小区信号参数的步骤之后，该方法还包括：
按照上报时刻的先后顺序，对同一移动终端上报的该第一小区信号参数进行排序；
将排序后的第一小区信号参数输入至该聚类模型中进行分类。
在该实施例中，由于训练好的聚类模型已经确定了最优K值，即被划分的最优类别，通过聚类模型对第一小区信号参数进行分类时，即确定了该第一小区信号参数被划分的最优类数，再根据聚类模型中确定每一类所包含的位置点(或者说是每一类所包含的)的按相似度进行位置点划分的办法，对该第一小区信号参数进行划分。
根据本实施例的一个离线训练的使用场景例如以下步骤1至步骤12：
步骤1：导出上报的AGPS(Assisted Global Positioning System，辅助全球卫星定位系统)的终端数据，数据中包括IMSI(International Mobile SubscriberIdentification Number，国际移动用户识别码)、时间戳、主小区的RSRP、主小区的RSRQ、主小区TA、主小区AOA、主小区上报的AGPS，这些值以逗号拼接，同一时刻上报的数据标识为一条数据；
步骤2：剔除上报值为空的数据，以IMSI为标识，遍历所有数据，把IMSI相同的数据按时间递增顺序拼接为单个文件保存；
步骤3：利用Tensorflow提供的函数实现K-Means聚类算法，其中，Tensorflow为一种应用程序，具体方法为：
假设步骤1、2得到的原始数据为位置点S(s1,s2,…,sn)，其中每个si代表一条以IMSI为标识的有效的数据，也可以理解为一个位置点，并且以RSRP、RSRQ、TA、AOA值作为特征值进行表示。然后利用K-Means聚类算法进行分类：K-means聚类的目的是，在给定分类组数k的条件下，将原始数据分成k类。随机在数据中选取k个种子点，然后对剩余的所有数据求到这k个种子点的距离，计算距离的方法是对数据的各个特征值的欧式距离，以下是欧式距离的计算公式：
距离值越小表示两个数据的相似度越高；
对于本例来说，假设两条数据分别为s1(RSRP1，RSRQ1，TA1，AOA1)，s2(RSRP2，RSRQ2，TA2，AOA2)，则它们之间的欧式距离为：
按相似程度(距离)对数据分完组后，分别计算k分组中的四个数据的均值，并以这K个均值作为新的质心(或者说是种子点)开始下一次迭代，重复该步骤，直至各个分组中的数据均值不再变化或变化差值小于一定的门限，该门限一般由实验经验配置确定；
步骤4：任选其中某一用户的话单数据，将其输入步骤3实现的模块，枚举k值，取2到10，各自迭代相应的步骤，直至误差小于特定门限，此门限值可配，一般由实验确认，保存此时的数据；
步骤5：对步骤4中得到的数据，遍历计算平均轮廓系数，平均轮廓系数公式为其中a(n)为n向量到所有它属于的簇中其它点的距离的平均值，b(n)为n向量到所有非本身所在簇的点的平均距离的最小值。得到k个平均轮廓系数，选择轮廓系数最大的值对应的k值作为最优聚类集群数，最优k值决定了步骤6中需要创建的神经网络个数；
步骤6：利用Tensorflow工具构造k个双隐层m节点的BP神经网络，使用Relu函数作为激活函数，以数据中主小区的RSRP、主小区的RSRQ、主小区TA、主小区AOA、主小区的经度、主小区的纬度形成输入向量；
步骤7：对步骤5得到的k组数据进行归一化处理，利用Z-Score方法进行归一化，公式为其中x为数据原始值，μ为数据均值，σ为数据标准差，这里的统计维度为簇，即分别计算各簇的上述值；
步骤8：请见附图4，对步骤7得到的归一化数据，RSRP列代表x1，RSRQ代表x2，依次类推，得到k簇[主RSRP，主RSRQ，TA，AOA]4维输入向量；
步骤9：将步骤8得到的数据作为输入，上报的经纬度作为输出，对BP神经网络进行训练，选择梯度下降法优化，以步长x，训练n次直至误差收敛满足门限，根据本发明的一个实施例的前馈神经网络的训练误差收敛如图6中位于上部分的曲线所示；
步骤10：对同一话单按时间递增上报的经纬度进行缓存，得到[k,2]维的时间序列经纬度数据；
步骤11：利用Tensorflow框架实现一个双向LSTM神经网络，该神经网络为双隐层，每层具体节点数由实验过程调参确定，此处利用的是Tensorflow提供的库，然后缓存k个BP神经网络输出，分别以经度、纬度为维度，形成两组输入向量，分别以数据中上报的经度、纬度作为神经网络的输出，形成输出向量；
步骤12：利用步骤10得到的数据对步骤11得到的神经网络进行训练，选择ADAM算法优化，以特定步长训练n次直至收敛误差满足门限值，根据本发明的一个实施例的循环神经网络的训练误差收敛如图6中位于下部分的曲线所示所示，保存步骤6和步骤10创建的k+1个神经网络的训练参数，得到离线模型。
根据本实施例的一个在线预测的使用场景包括以下步骤1至步骤6：
步骤1：导出未能上报AGPS的终端数据，数据中包括IMSI、时间戳、主小区的RSRP、主小区的RSRQ、主小区TA、主小区AOA；
步骤2：剔除上报值为空的数据，以IMSI为标识对所有数据进行拼接，形成各自用户的话单，并按时间排序；
步骤3：将用户的数据输入离线训练生成的聚类算法模块进行分类；
步骤4：分类后的数据输入离线阶段步骤9中训练好的k个BP神经网络；
步骤5：重复步骤4，缓存输出，形成[m,k]维的特征数据。其中，m表示形成时间序列，缓存BP神经网络的输出就可以得到，按时间保存下来，m可以根据实验进行调整；
步骤6：将步骤5得到的数据输入训练好的LSTM网络，最终得到经纬度值。
本实施例通过利用终端用户移动轨迹的最大特点，也就是就是连续性，也就是说，某个时刻的用户位置取决于上一时刻用户所在位置，轨迹点的经纬度可以被认为是与时间强相关的一组序列。
而现有定位技术没有发掘上述特性，只是对终端位置进行离散的定位，同时，在定位过程中仅仅利用了单一的信号特征，比如只是用到了RSSI或者TA，很难对现实复杂的环境进行建模。
本发明所要解决的技术问题在于，提供一种新型的定位方法，可以充分利用移动轨迹连续性的特点和终端上报的各种指标，实现更为精确有效的定位。
不同于传统的神经网络，本实施例的循环神经网络引入了定向循环，能够处理那些输入之间前后关联的问题，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。所以本发明中引入了循环神经网络，与传统前馈神经网络组成深度学习模块，结合了聚类算法，利用终端上报数据中的主小区的RSRP、RSRQ、TA、AOA、AGPS、小区经纬度等数据，按以下关键步骤，实现了对未能上报AGPS数据的终端用户运动轨迹的定位。
请见附图2，本实施例中定位流程中关键的深度学习模块工作原理为：
(1)由前馈神经网络对聚类输出的k簇数据进行训练拟合，此阶段将会输出k组前馈神经网络超参数，用来描述各簇经纬度与上报数据中RSRP等信号指标的关系。用聚类算法对大量数据进行预处理，使得各簇中数据的相关性更高，用前馈神经网络来学习预处理过后的数据，更容易收敛，从而减少训练时间，提高模型的性能表现。
(2)循环神经网络用于对时间序列进行拟合，也就是将过去某个连续时间内前馈神经网络的输出作为循环神经网络的输入，当前的时间点的经纬度作为循环网络的输出进行训练，得到的模型就能够依据话单移动的轨迹进行下一时刻位置点的判定。
本实施例主要由离线训练阶段和在线预测阶段组成：
离线训练阶段：
第一步：获取有效上报数据，以IMSI为主建，拼接各个用户的话单；
第二步：通过枚举，令k从2到一个固定值如10，在每个k值上重复运行数次K均值算法，避免局部最优解，并计算当前k值的平均轮廓系数，最后选取轮廓系数最大的值对应的k作为最终的集群数目；
第三步：构建k个相同的多层前馈神经网络，神经网络的隐层数与各个隐层的节点数由具体实验调参过程确认；
第四步：对步骤二得到k簇数据集进行归一化；
第五步：分别将k簇话单数据输入各前馈神经网络，进行p次迭代直至误差收敛满足门限值；
第六步：缓存第五步的输出序列，形成[t，m，k]维特征数据作为循环神经网络的输入，该步缓存的目的主要是形成轨迹序列；
第七步：生成一个循环神经网络，将第六步得到的数据作为输入，终端最后上报的AGPS数据作为输出，进行p次迭代直至误差收敛满足门限值，得到离线模型。
在线预测阶段：
第一步：获取没有上报AGPS数据，以IMSI为主建，关联相同IMSI号的数据，形成待定位话单数据；
第二步：对第一步得到的数据按由离线训练阶段得到的最优k值进行聚类；
第三步：将k簇数据输入通过深度学习得到的离线模型，得到经纬度输出。
根据本实施例的一个示例，上述步骤S101～S104的标号并不用于限定本实施例中各个步骤的先后顺序，各个步骤的编号只是为了使得描述各个步骤时可以通用引用该步骤的标号进行便捷的指代，只要各个步骤执行的顺序不影响本实施例的逻辑关系即表示在本申请请求保护的范围之内。
本实施例提供的基于深度学习的定位方法通过利用聚类算法对上报的大量看似杂乱无章的数据进行学习，挖掘出相似的数据后又利用深度学习框架对各簇数据进行特征学习，最终生成离线模型，利用此模型可以有效对未上报位置信息的终端进行定位。该模型通用性强，具有很高的抗干扰能力，定位迅速并且定位精度得到了很大的提高，100米内能达到70％，根据本发明的一个实施例的定位精度验证如图7所示。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
图8为根据本发明的一个实施例的基于深度学习的定位装置的示范性结构框图，下面结合图8来详细描述根据本发明的一个实施例的基于深度学习的定位装置，如图8所示，该基于深度学习的定位装置100包括：
接收模块11，用于接收移动终端上报的若干个待定位的第一小区信号参数，该第一小区信号参数不包括该移动终端的实际经纬度；
分类模块12，用于将同一移动终端上报的该第一小区信号参数输入至预先训练好的聚类模型中进行分类；
处理模块13，用于将分类后的每类该第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与该第一小区信号参数相对应的当前经纬度数据；
该处理模块13还用于将该当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据。
在其中一个实施例中，该接收模块11还用于接收移动终端上报的若干个位置点的第二小区信号参数，该第二小区信号参数包括该移动终端的实际经纬度。
该基于深度学习的定位装置100还包括：
排序模块，用于按照上报的时间顺序对同一移动终端上报的该第二小区信号参数进行排序；
聚类模块，用于根据排序后的该第二小区信号参数，利用聚类算法将相似度高于预设值的第二小区信号参数对应的位置点归为一类；
还聚类模块还用于通过确定该位置点被划分的最优类数以及每类所包含的位置点，确定该聚类模型。
在其中的一个实施例中，该第二小区信号参数还包括参考信号接收功率RSRP、参考信号接收质量RSRQ、到达角AOA及时间提前量TA；该装置还包括计算模块，该计算模块通过以下公式计算两个位置点之间的距离：
其中，RSRP1表示位置点S1的参考信号接收功率，RSRP2表示位置点S2的参考信号接收功率，RSRQ1表示位置点S1的参考信号接收质量，RSRQ2表示位置点S2的参考信号接收质量，TA1表示位置点S1的时间提前量，TA2表示位置点S2的时间提前量，AOA1表示位置点S1的到达角，AOA2表示位置点S2的到达角，D表示计算出的所述位置点S1与位置点S2的距离，计算出的D值越小表示位置点S1与位置点S2的相似度越高。
在其中的一个实施例中，该聚类模块还用于接收到输入的K值时，将所有该位置点被划分的类数确定为K类；
上述计算模块还用于将该位置点分为种子点及其它位置点，随机在该位置点中确定K个种子点，计算所有其他位置点到每个该种子点的距离；
该聚类模块还用于将每个该其他位置点划分到计算的距离最近的种子点所在的类中，完成第一次聚类；
上述计算模块还用于计算第一次聚类后被划分在同一类中的位置点的第二小区信号参数的平均值，该第二小区信号参数包括参考信号接收功率的平均值、参考信号接收质量的平均值、时间提前量的平均值及到达角的平均值；
上述计算模块还用于以计算的该第二小区信号参数的平均值对应的位置点作为新的种子点，对该其他位置点被划分的类以及划分后该第二小区信号参数的平均值进行迭代计算，直至计算的该第二小区信号参数的平均值不再变化或变化的差值小于预设的门限时，确定该位置点被划分为K类时每类所包含的位置点，以得到该聚类模型。
在其中一个实施例中，该聚类模块还包括：
接收单元，用于接收输入的若干个枚举的K值，该K值表示所有位置点被划分的类数；
上述计算模块还用于确定枚举的其中一个Ki的值，通过以下公式计算该位置点被分为Ki类时的平均轮廓系数：
其中，S(i)表示计算的与Ki对应的平均轮廓系数，a(n)表示位置点n到所有与所述位置点n划分在同一类的其它位置点的距离的平均值，b(n)表示位置点n到所有与所述位置点n划分在不同类的其它位置点的距离的平均值；
上述计算模块还用于遍历枚举的所有所述K值，计算与每个所述K值对应的平均轮廓系数；
该聚类模块还用于将与计算的最大平均轮廓系数对应的K值确定为所述最优K值。
在其中一个实施例中，该装置还包括：
前馈神经网络构建模块，用于在确定该位置点被划分的最优类数以及每类所包含的位置点的步骤之后，构建前馈神经网络，构建的前馈神经网络的个数与该最优类数相同且一一对应；
处理模块，用于分别对每类所包含的位置点的第二小区信号参数进行归一化处理，得到与每个位置点相对应的特征向量；
第一训练模块，用于将属于同一类的位置点的特征向量作为对应前馈神经网络的输入，将接收的该位置点的实际经纬度作为对应前馈神经网络的输出，对每个该前馈神经网络进行训练，直至该前馈神经网络的输出误差收敛满足预设的第一门限，得到训练好的前馈神经网络。
在其中一个实施例中，该装置还包括：
循环神经网络构建模块，用于构建循环神经网络；
第二训练模块，用于根据排序后该位置点的下一位置点的实际经纬度对该循环神经网络进行训练，直至该循环神经网络的输出误差收敛满足预设的第二门限，得到训练好的循环神经网络模型。
在其中一个实施例中，该装置还包括：
排序模块，用于按照上报时刻的先后顺序，对同一移动终端上报的该第一小区信号参数进行排序；
该分类模块具体用于将排序后的第一小区信号参数输入至该聚类模型中进行分类。
其中，该基于深度学习的定位装置中包括的各个模块可全部或部分通过软件、硬件或其组合来实现。进一步地，该基于深度学习的定位装置中的各个模块可以是用于实现对应功能的程序段。
上述基于深度学习的定位装置可以实现为一种计算机程序的形式，计算机程序可以在如图9所示的计算机设备上运行。
需要说明的是，上述装置实施例与方法实施例属于同一构思，其具体实现过程详见方法实施例，且方法实施例中的技术特征在装置实施例中均对应适用，这里不再赘述。
根据本发明的一个实施例提供的一种计算机设备，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，该处理器执行该程序时实现上述基于深度学习的定位方法。
图9为一个实施例中计算机设备的内部结构示意图，该计算机设备可以为服务器。参照图9，该计算机设备包括通过系统总线连接的处理器、存储器、输入装置、显示屏和网络接口。其中，该存储器包括非易失性存储介质和内存储器，该计算机设备的非易失性存储介质可存储操作系统和计算机可读指令，该计算机可读指令被执行时，可使得处理器执行本申请各实施例的一种基于深度学习的定位方法，该方法的具体实现过程可参考图1至7各实施例的具体内容，在此不再赘述。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该内存储器中可储存有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种基于深度学习的定位方法。计算机设备的输入装置用于各个参数的输入，计算机设备的显示屏用于进行显示，计算机设备的网络接口用于进行网络通信。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施例中的存储器可用于存储软件程序以及各种数据。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例另提供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上述基于深度学习的定位方法中的各个步骤。
根据本实施例的一个示例，上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述程序可存储于一计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。该存储介质包括但不限于磁碟、优盘、光盘、只读存储记忆体(Read-Only Memory，ROM)等。
本实施例提供的一种基于深度学习的定位方法、装置、计算机设备及存储介质，通过根据移动终端上报的若干个待定位的第一小区信号参数，将该第一小区信号参数分别输入到训练好的聚类模型、前馈神经网络及循环神经网络中，可以得到移动终端当前时刻的经纬度及下一时刻的经纬度，由于该第一小区信号参数包含了上报的多种参数指标，使得依据该第一小区信号参数得到的定位信息更加准确，且由于该循环神经网络具有位置预测功能，能够实时的得到下一时刻的经纬度，使得定位功能的稳定性更强。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (11)

1.一种基于深度学习的定位方法，其特征在于，所述方法包括：
接收移动终端上报的若干个待定位的第一小区信号参数，所述第一小区信号参数不包括所述移动终端的实际经纬度；
将同一移动终端上报的所述第一小区信号参数输入至预先训练好的聚类模型中进行分类；
将分类后的每类所述第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与所述第一小区信号参数相对应的当前经纬度数据；
将所述当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收移动终端上报的若干个位置点的第二小区信号参数，所述第二小区信号参数包括所述移动终端的实际经纬度；
按照上报的时间顺序对同一移动终端上报的所述第二小区信号参数进行排序；
根据排序后的所述第二小区信号参数，利用聚类算法将相似度高于预设值的第二小区信号参数对应的位置点归为一类；
通过确定所述位置点被划分的最优类数以及每类所包含的位置点，确定所述聚类模型。
3.根据权利要求2所述的方法，其特征在于，所述第二小区信号参数还包括参考信号接收功率RSRP、参考信号接收质量RSRQ、到达角AOA及时间提前量TA；所述方法还包括通过以下公式计算两个位置点之间的距离：
其中，RSRP1表示位置点S1的参考信号接收功率，RSRP2表示位置点S2的参考信号接收功率，RSRQ1表示位置点S1的参考信号接收质量，RSRQ2表示位置点S2的参考信号接收质量，TA1表示位置点S1的时间提前量，TA2表示位置点S2的时间提前量，AOA1表示位置点S1的到达角，AOA2表示位置点S2的到达角，D表示计算出的所述位置点S1与位置点S2的距离，计算出的D值越小表示位置点S1与位置点S2的相似度越高。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
接收到输入的K值时，将所有所述位置点被划分的类数确定为K类；
将所述位置点分为种子点及其它位置点，随机在所述位置点中确定K个种子点，计算所有其他位置点到每个所述种子点的距离；
将每个所述其他位置点划分到计算的距离最近的种子点所在的类中，完成第一次聚类；
计算第一次聚类后被划分在同一类中的位置点的第二小区信号参数的平均值，所述第二小区信号参数包括参考信号接收功率的平均值、参考信号接收质量的平均值、时间提前量的平均值及到达角的平均值；
以计算的所述第二小区信号参数的平均值对应的位置点作为新的种子点，对所述其他位置点被划分的类以及划分后所述第二小区信号参数的平均值进行迭代计算，直至计算的所述第二小区信号参数的平均值不再变化或变化的差值小于预设的门限时，确定所述位置点被划分为K类时每类所包含的位置点，以得到所述聚类模型。
5.根据权利要求4所述的方法，其特征在于，确定所述最优K值的步骤包括：
接收输入的若干个枚举的K值，所述K值表示所有位置点被划分的类数；
确定枚举的其中一个Ki的值，通过以下公式计算所述位置点被分为Ki类时的平均轮廓系数：
其中，S(i)表示计算的与Ki对应的平均轮廓系数，a(n)表示位置点n到所有与所述位置点n划分在同一类的其它位置点的距离的平均值，b(n)表示位置点n到所有与所述位置点n划分在不同类的其它位置点的距离的平均值；
遍历枚举的所有所述K值，计算与每个所述K值对应的平均轮廓系数；
将与计算的最大平均轮廓系数对应的K值确定为所述最优K值。
6.根据权利要求2所述的方法，其特征在于，训练所述前馈神经网络的步骤包括：
在确定所述位置点被划分的最优类数以及每类所包含的位置点的步骤之后，构建前馈神经网络，构建的前馈神经网络的个数与所述最优类数相同且一一对应；
分别对每类所包含的位置点的第二小区信号参数进行归一化处理，得到与每个位置点相对应的特征向量；
将属于同一类的位置点的特征向量作为对应前馈神经网络的输入，将接收的所述位置点的实际经纬度作为对应前馈神经网络的输出，对每个所述前馈神经网络进行训练，直至所述前馈神经网络的输出误差收敛满足预设的第一门限，得到训练好的前馈神经网络。
7.根据权利要求6所述的方法，其特征在于，训练所述循环神经网络的步骤包括：
构建循环神经网络；
根据排序后所述位置点的下一位置点的实际经纬度对所述循环神经网络进行训练，直至所述循环神经网络的输出误差收敛满足预设的第二门限，得到训练好的循环神经网络模型。
8.根据权利要求1所述的方法，其特征在于，在接收移动终端上报的若干个待定位的第一小区信号参数的步骤之后，所述方法还包括：
按照上报时刻的先后顺序，对同一移动终端上报的所述第一小区信号参数进行排序；
将排序后的第一小区信号参数输入至所述聚类模型中进行分类。
9.一种基于深度学习的定位装置，其特征在于，所述装置包括：
接收模块，用于接收移动终端上报的若干个待定位的第一小区信号参数，所述第一小区信号参数不包括所述移动终端的实际经纬度；
分类模块，用于将同一移动终端上报的所述第一小区信号参数输入至预先训练好的聚类模型中进行分类；
处理模块，用于将分类后的每类所述第一小区信号参数分别输入到预先训练好的前馈神经网络中，得到与所述第一小区信号参数相对应的当前经纬度数据；
所述处理模块还用于将所述当前经纬度数据输入到预先训练好的循环神经网络中，得到下一时刻的经纬度数据。
10.一种计算机设备，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，所述处理器执行所述程序时实现如权利要求1至8中任一项的基于深度学习的定位方法。
11.一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，所述程序被处理器执行时实现如权利要求1至8任一项所述基于深度学习的定位方法中的步骤。
CN201810009221.3A 2018-01-02 2018-01-02 基于深度学习的定位方法、装置、计算机设备及存储介质 Active CN109991591B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810009221.3A CN109991591B (zh) 2018-01-02 2018-01-02 基于深度学习的定位方法、装置、计算机设备及存储介质
PCT/CN2018/123111 WO2019134549A1 (zh) 2018-01-02 2018-12-24 基于深度学习的定位方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810009221.3A CN109991591B (zh) 2018-01-02 2018-01-02 基于深度学习的定位方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109991591A true CN109991591A (zh) 2019-07-09
CN109991591B CN109991591B (zh) 2023-08-22

Family

ID=67129025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810009221.3A Active CN109991591B (zh) 2018-01-02 2018-01-02 基于深度学习的定位方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN109991591B (zh)
WO (1) WO2019134549A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112887897A (zh) * 2019-11-29 2021-06-01 中国电信股份有限公司 终端的定位方法、装置和计算机可读存储介质
CN114222238A (zh) * 2020-09-03 2022-03-22 中国电信股份有限公司 定位方法、装置和计算机可读存储介质
CN114745674A (zh) * 2022-04-27 2022-07-12 重庆邮电大学 一种基于改进bp神经网络的测距模型定位算法
WO2023040887A1 (zh) * 2021-09-18 2023-03-23 维沃移动通信有限公司 信息上报方法、装置、终端及可读存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115038040A (zh) * 2022-06-29 2022-09-09 中国联合网络通信集团有限公司 一种小区定位方法、装置、设备、系统及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577852A (zh) * 2008-05-09 2009-11-11 米特尔网络公司 用于定位移动通信设备的方法、系统和装置
CN102480677A (zh) * 2010-11-24 2012-05-30 中国移动通信集团公司 一种指纹定位误差的确定方法和设备
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
CN106604229A (zh) * 2016-12-27 2017-04-26 东南大学 一种基于流形学习与改进支持向量机的室内定位方法
CN107124696A (zh) * 2017-03-20 2017-09-01 东华大学 一种基于蓝牙rssi的无钥匙系统定位方法
WO2017220184A1 (de) * 2016-06-21 2017-12-28 Giesecke+Devrient Mobile Security Gmbh Authentifizieren eines tragbaren endgeräts

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101778399B (zh) * 2010-01-18 2012-07-04 哈尔滨工业大学 基于fcm和最小二乘曲面拟合法的wlan室内优化ann定位方法
CN105163326B (zh) * 2015-09-30 2018-09-28 南京华苏科技有限公司 一种基于无线网络话务特征的小区聚类方法和系统
CN105960021A (zh) * 2016-07-07 2016-09-21 济南东朔微电子有限公司 一种改进的位置指纹室内定位方法
CN106960256A (zh) * 2017-03-17 2017-07-18 中山大学 基于时间空间上下文的循环神经网络预测位置的方法
CN107480784A (zh) * 2017-06-28 2017-12-15 青岛科技大学 一种基于深度学习的手机信令数据行人交通轨迹预测方法
CN107517446A (zh) * 2017-09-28 2017-12-26 知谷（上海）网络科技有限公司 基于Wi‑Fi热点的室内定位方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101577852A (zh) * 2008-05-09 2009-11-11 米特尔网络公司 用于定位移动通信设备的方法、系统和装置
CN102480677A (zh) * 2010-11-24 2012-05-30 中国移动通信集团公司 一种指纹定位误差的确定方法和设备
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
WO2017220184A1 (de) * 2016-06-21 2017-12-28 Giesecke+Devrient Mobile Security Gmbh Authentifizieren eines tragbaren endgeräts
CN106604229A (zh) * 2016-12-27 2017-04-26 东南大学 一种基于流形学习与改进支持向量机的室内定位方法
CN107124696A (zh) * 2017-03-20 2017-09-01 东华大学 一种基于蓝牙rssi的无钥匙系统定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张鹏伟 等: "用卷积神经网络分类最大稳定极值区域实现汉字区域定位", 《国防科技大学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112887897A (zh) * 2019-11-29 2021-06-01 中国电信股份有限公司 终端的定位方法、装置和计算机可读存储介质
CN112887897B (zh) * 2019-11-29 2022-07-05 中国电信股份有限公司 终端的定位方法、装置和计算机可读存储介质
CN114222238A (zh) * 2020-09-03 2022-03-22 中国电信股份有限公司 定位方法、装置和计算机可读存储介质
CN114222238B (zh) * 2020-09-03 2024-04-26 中国电信股份有限公司 定位方法、装置和计算机可读存储介质
WO2023040887A1 (zh) * 2021-09-18 2023-03-23 维沃移动通信有限公司 信息上报方法、装置、终端及可读存储介质
CN115913486A (zh) * 2021-09-18 2023-04-04 维沃移动通信有限公司 信息上报方法、装置、终端及可读存储介质
CN114745674A (zh) * 2022-04-27 2022-07-12 重庆邮电大学 一种基于改进bp神经网络的测距模型定位算法
CN114745674B (zh) * 2022-04-27 2024-06-07 上海鼎为物联技术有限公司 一种基于改进bp神经网络的测距模型定位算法

Also Published As

Publication number Publication date
CN109991591B (zh) 2023-08-22
WO2019134549A1 (zh) 2019-07-11

Similar Documents

Publication Publication Date Title
CN109991591A (zh) 基于深度学习的定位方法、装置、计算机设备及存储介质
CN107071743B (zh) 一种基于随机森林的快速KNN室内WiFi定位方法
CN108513251B (zh) 一种基于mr数据的定位方法及系统
CN111867049B (zh) 定位方法、装置及存储介质
CN105101408B (zh) 基于分布式ap选择策略的室内定位方法
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN103068035A (zh) 一种无线网络定位方法、装置及系统
WO2014106363A1 (zh) 移动设备定位系统及方法
CN102480784A (zh) 一种指纹定位误差的评估方法和系统
CN107027148A (zh) 一种基于UE速度的Radio Map分类定位方法
CN113596989A (zh) 一种用于智慧车间的室内定位方法及系统
CN109640262A (zh) 一种基于混合指纹的定位方法及系统、设备、存储介质
CN111461251A (zh) 基于随机森林与自编码器的WiFi指纹的室内定位方法
CN109993753A (zh) 遥感影像中城市功能区的分割方法及装置
CN109961129A (zh) 一种基于改进粒子群的海上静止目标搜寻方案生成方法
CN106993296A (zh) 终端的性能评估方法及装置
CN109121081B (zh) 一种基于位置候选集与em算法的室内定位方法
CN112738725B (zh) 半封闭区域目标人群的实时识别方法、装置、设备和介质
CN108680897A (zh) 一种室内定位方法、装置、电子设备及存储介质
CN110852255B (zh) 一种基于u型特征金字塔的交通目标检测方法
WO2021103027A1 (en) Base station positioning based on convolutional neural networks
CN115883016B (zh) 基于联邦生成对抗网络的流量数据增强方法与装置
CN110691319A (zh) 一种使用领域自适应实现异构设备高精度室内定位的方法
CN108364125A (zh) 一种车载式移动众包多目标任务分发方法
Oza et al. Public transport tracking and its issues

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