CN110166991A - 用于定位电子设备的方法、设备、装置以及存储介质 - Google Patents

Abstract

公开了一种用于定位电子设备的方法、设备、装置以及存储介质。所述方法包括：接收来自电子设备的定位请求，其中所述定位请求包括电子设备检测到的用于定位的相关信息；基于检测到的用于定位的相关信息从多个地理网格中确定多个候选地理网格，以及针对多个候选地理网格中的每一个，将用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定定位请求与该候选地理网格之间的匹配特征；利用深度神经网络对所述匹配特征进行变换，以生成变换后的匹配特征，其中变换后的匹配特征指示电子设备与该候选地理网格之间的地理距离；根据针对多个候选地理网格分别确定的多个变换后的匹配特征确定电子设备的地理位置。

Description

用于定位电子设备的方法、设备、装置以及存储介质

技术领域

本公开涉及地理定位领域，具体涉及一种用于定位电子设备的方法、设备、装置以及存储介质。

背景技术

在地理定位领域常用的定位方法包括基于卫星信号的定位、基站信号的定位以及基于Wifi信号的定位。在基站信号定位精度较低，卫星信号可能暂时无法连接的情况下，基于Wifi信号的定位成为了目前地理定位领域的重要定位手段。

发明内容

本公开的目的是提供一种用于定位电子设备的方法、设备、装置以及存储介质。利用本公开提供的方法，可以通过利用大量已知的定位数据学习出合理的匹配特征以提高定位精度。

根据本公开的一个方面，提供了一种用于在预设的地理范围内定位电子设备的方法，其中所述预设的地理范围被划分成多个地理网格，所述方法包括：接收来自电子设备的定位请求，其中所述定位请求包括所述电子设备检测到的用于定位的相关信息；基于检测到的用于定位的相关信息从所述多个地理网格中确定多个候选地理网格，以及针对所述多个候选地理网格中的每一个，将所述用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定所述定位请求与该候选地理网格之间的匹配特征；利用深度神经网络对所述匹配特征进行变换，以生成变换后的匹配特征，其中所述变换后的匹配特征指示所述电子设备与该候选地理网格之间的地理距离；根据针对所述多个候选地理网格分别确定的多个变换后的匹配特征确定对应于所述定位请求的地理位置。

在一些实施例中，根据针对所述多个候选地理网格分别确定的多个定位匹配特征确定对应于所述定位请求的地理位置包括：针对所述多个候选地理网格中的每一个，利用分类模型确定针对该候选地理网格确定的变换后的匹配特征指示的所述电子设备与该候选地理网格之间的地理距离属于第一类别的概率，其中第一类别指示该电子设备与该候选地理网格之间的地理距离小于预设的地理距离；根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置。

在一些实施例中，根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置包括：对所述多个概率进行排序，并根据属于第一类别的概率最高的候选地理网格的地理位置确定所述电子设备的地理位置。

在一些实施例中，根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置包括：对所述多个概率进行排序，并根据属于第一类别的概率最高的多个候选地理网格的地理位置的平均值或加权平均值确定为所述电子设备的地理位置。

在一些实施例中，其中所述地理网格的位置指纹是通过以下方式确定的：确定所述预设的地理范围内的多个样本定位点，其中每个样本定位点包括该样本定位点的地理位置以及在对应的地理位置检测到的用于定位的相关信息；确定所述多个地理网格的位置指纹，其中每个地理网格的位置指纹的参数是根据位于该地理网格内的样本定位点包括的用于定位的相关信息的统计量确定的。

在一些实施例中，所述深度神经网络是通过以下步骤训练的：将所述多个样本定位点中的一个确定为基准定位点，并根据所述基准定位点的地理位置在所述多个样本定位点中确定一个第一类定位点和一个第二类定位点，其中，所述第一类定位点是与所述基准定位点之间的地理距离小于预设的地理距离阈值的样本定位点，所述第二类定位点是与所述基准定位点之间的地理距离大于预设的地理距离阈值的样本定位点；根据地理位置确定所述基准定位点、所述第一类定位点以及所述非第二定位点所在的地理网格；对于所述基准定位点、所述第一类定位点以及所述非第二定位点中的每一个，将该定位点的用于定位的相关信息与该定位点所在的地理网格的位置指纹的参数进行比对，以确定该定位点与该定位点所在的地理网格之间的匹配特征；利用深度神经网络对该匹配特征进行变换，以生成变换后的匹配特征；根据所述基准定位点、所述第一类定位点以及所述第二类定位点的变换后的匹配特征，确定所述基准定位点与所述第一类定位点之间的第一距离，以及所述基准定位点与所述第二类定位点之间的第二距离；调整深度神经网络的参数使得所述第一距离小于预设的第一距离阈值，所述第二距离大于预设的第二距离阈值。

在一些实施例中，所述第一距离是用于所述基准定位点的变换后的匹配特征和用于所述第一类定位点的变换后的匹配特征的欧氏距离；所述第二距离是用于所述基准定位点的变换后的匹配特征和用于所述第二类定位点的变换后的匹配特征的欧氏距离。

在一些实施例中，用于所述基准定位点的匹配特征与所述第一类定位点的匹配特征之间的距离和用于所述基准定位点的匹配特征与所述第二类定位点的匹配特征之间的距离的差别小于预设的阈值。

在一些实施例中，所述电子设备检测到的用于定位的相关信息是所述电子设备检测到的Wifi相关的信息。

根据本公开的另一方面，还提供了一种用于定位电子设备的设备，包括：定位请求接收单元，配置成接收来自电子设备的定位请求，其中所述定位请求包括所述电子设备检测到的用于定位的相关信息；候选地理网格确定单元，配置成基于检测到的用于定位的相关信息从所述多个地理网格中确定多个候选地理网格，以及匹配特征确定单元，配置成针对所述多个候选地理网格中的每一个，将所述用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定所述定位请求与该候选地理网格之间的匹配特征；利用深度神经网络对所述匹配特征进行变换，以生成变换后的匹配特征，其中所述变换后的匹配特征指示所述电子设备与该候选地理网格之间的地理距离；地理位置确定单元，配置成根据针对所述多个候选地理网格分别确定的多个变换后的匹配特征确定对应于所述定位请求的地理位置。

在一些实施例中，所述地理位置确定单元还配置成：针对所述多个候选地理网格中的每一个，利用分类模型确定针对该候选地理网格确定的变换后的匹配特征指示的所述电子设备与该候选地理网格之间的地理距离属于第一类别的概率，其中第一类别指示该电子设备与该候选地理网格之间的地理距离小于预设的地理距离；根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置。

在一些实施例中，根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置包括：对所述多个概率进行排序，并根据属于第一类别的概率最高的候选地理网格的地理位置确定所述电子设备的地理位置。

在一些实施例中，根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置包括：对所述多个概率进行排序，并根据属于第一类别的概率最高的多个候选地理网格的地理位置的平均值或加权平均值确定为所述电子设备的地理位置。

在一些实施例中，所述地理网格的位置指纹是通过以下方式确定的：确定所述预设的地理范围内的多个样本定位点，其中每个样本定位点包括该样本定位点的地理位置以及在对应的地理位置检测到的用于定位的相关信息；确定所述多个地理网格的位置指纹，其中每个地理网格的位置指纹的参数是根据位于该地理网格内的样本定位点包括的用于定位的相关信息的统计量确定的。

在一些实施例中，所述深度神经网络是通过以下步骤训练的：将所述多个样本定位点中的一个确定为基准定位点，并根据所述基准定位点的地理位置在所述多个样本定位点中确定一个第一类定位点和一个第二类定位点，其中，所述第一类定位点是与所述基准定位点之间的地理距离小于预设的地理距离阈值的样本定位点，所述第二类定位点是与所述基准定位点之间的地理距离大于预设的地理距离阈值的样本定位点；根据地理位置确定所述基准定位点、所述第一类定位点以及所述非第二定位点所在的地理网格；对于所述基准定位点、所述第一类定位点以及所述非第二定位点中的每一个，将该定位点的用于定位的相关信息与该定位点所在的地理网格的位置指纹的参数进行比对，以确定该定位点与该定位点所在的地理网格之间的匹配特征；利用深度神经网络对该匹配特征进行变换，以生成变换后的匹配特征；根据所述基准定位点、所述第一类定位点以及所述第二类定位点的变换后的匹配特征，确定所述基准定位点与所述第一类定位点之间的第一距离，以及所述基准定位点与所述第二类定位点之间的第二距离；调整深度神经网络的参数使得所述第一距离小于预设的第一距离阈值，所述第二距离大于预设的第二距离阈值。

在一些实施例中，所述第一距离是用于所述基准定位点的变换后的匹配特征和用于所述第一类定位点的变换后的匹配特征的欧氏距离；所述第二距离是用于所述基准定位点的变换后的匹配特征和用于所述第二类定位点的变换后的匹配特征的欧氏距离。

在一些实施例中，用于所述基准定位点的匹配特征与所述第一类定位点的匹配特征之间的距离和用于所述基准定位点的匹配特征与所述第二类定位点的匹配特征之间的距离的差别小于预设的阈值。

在一些实施例中，所述电子设备检测到的用于定位的相关信息是所述电子设备检测到的Wifi相关的信息。

根据本公开的又一方面，还提供了一种用于定位电子设备的装置，所述装置包括存储器和处理器，其中所述存储器中存有指令，当利用所述处理器执行所述指令时，使得所述处理器执行如前所述的方法。

根据本公开的又一方面，还提供了一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如前所述的方法。

利用本公开提供的用于定位电子设备的方法、设备、装置以及存储介质，通过将定位请求与地理网格的位置指纹进行比对并确定匹配特征，并利用训练好的深度神经网络对匹配特征进行变换，可以得到指示所述电子设备与该候选地理网格之间的地理距离的变换后的匹配特征，从而确定电子设备的地理位置。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本公开的主旨。

图1是图示利用本公开的实施例的Wifi定位的示例性的场景；

图2示出了根据本公开的实施例的用于在预设的地理范围内定位电子设备的方法；

图3示出了根据本公开的实施例的用于变换匹配特征的深度神经网络的训练过程的流程图；

图4中示出了根据本公开的实施例的深度神经网络的训练过程的示意图；

图5示意性地示出了根据本公开的实施例的用于在预设的地理范围内定位电子设备的设备的框图；以及

图6示出了根据本公开的实施例的计算设备的架构。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外定义，本公开使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性连接或信号连接，不管是直接的还是间接的。

在目前的定位技术中，当卫星定位信号(如全球定位系统(GPS)信号、全球导航卫星系统(GLONASS)信号、北斗导航信号、伽利略定位(Galileo)信号、准天顶卫星(QAZZ)信号等)较弱或经过较长时间未能够连接卫星定位信号时，可以采用基于WiFi的定位方法。本领域技术人员可以理解，尽管本公开中以WiFi信号作为用于定位的信息为例进行说明，然而，在不脱离本公开的原理的情况下，本公开提供的方法也可以应用于以其他形式的信号作为用于定位的信息的定位技术。

图1是图示利用本公开的实施例的Wifi定位的示例性的场景。图1示出了地理区域100，其中地理区域100可以被划分成如图所示的4*4的地理网格。本领域技术人员可以理解，地理范围100也可以以任意方式被划分成其他任意数量的网格。

如图1所示，在地理范围100中示出了三个无线接入设备120-1、120-2以及120-3以及电子设备100。这里的无线接入设备可以是例如无线路由器、无线接入点等。电子设备100可以是手机、笔记本电脑、平板电脑、智能可穿戴设备、车载设备等任何移动电子设备。当电子设备110位于地理范围100以内时，可以检测到来自无线接入设备120-1、120-2以及120-3中一个或多个的信号。图1中示出的虚线指示电子设备110可以检测到无线接入设备。当电子设备100位于图1中示出的位置时，可能可以检测到无线接入设备120-1、120-2以及120-3中每一个的信号。可以理解的是，当电子设备110位于地理范围100的不同位置时，其检测到的无线接入设备的数量和信号强度是不同的。例如，当电子设备110位于图1中示出的地理范围100的左上角时，电子设备110可能仅能检测到无线接入设备120-1和120-2。当电子设备位于图1中示出的地理范围100的右上角时，电子设备110可能检测不到无线接入设备120-1、120-2以及120-3中任一个的信号。因此，可以利用预先确定地理范围100中不同的地理网格内通过电子设备可以检测到的无线接入设备和其信号强度的特征对电子设备进行定位。这样预先确定的地理网格内通过电子设备可以检测到的无线接入设备和相应的信号强度的特征可以被称作地理网格的位置指纹。当电子设备在地理范围100以内发出定位请求时，通过比对定位请求中包括的电子设备检测到的无线接入设备及其信号强度等参数和各地理网格的位置指纹，可以确定电子设备的当前地理位置。

在一些实施例中，电子设备110可以将定位请求发送给其内部的处理单元。内部处理单元可以通过访问设置在本地或远程的数据库获取此次定位请求所需的信息，例如相关的地理网格的位置指纹。在另一些实施例中，如图1所示，电子设备110也可以经由网络连接到服务器130，并将定位请求发送给服务器130。服务器130可以通过访问位于服务器本地的数据库或其他远程的数据库获取此次定位请求所需的信息。当服务器130根据定位请求和地理网格的位置指纹确定电子设备的当前地理位置后，可以将确定的当前地理位置发送给电子设备。

在一些实施例中，预设的地理范围内的地理网格的位置指纹可以是根据多个样本定位点确定的。这样的样本定位点可以来自于在预设的时间范围内(例如过去一天、过去一周或任何其他可能的时间范围)接收的定位请求，其中样本定位点包括电子设备检测到的用于定位的相关信息，例如无线接入设备及其信号强度，或卫星定位信号(如GPS信号)。在一些示例中，可以对采集的定位请求进行数据清洗，以排除异常的定位请求。例如，当定位请求中包括的GPS信号存在漂移、或Wifi和/或基站相关的信号存在异常记录时，可以认为该定位请求存在异常。因此对于样本定位点来说，可以利用卫星定位信号确定电子设备的地理位置，并且可以因此确定对应于该地理位置的位置指纹。例如，对于地理范围内的每个地理网格，可以根据该地理网格所有样本定位点的用于定位的相关信息的统计量确定为该地理网格的位置指纹的参数。在一些示例中，地理网格的位置指纹可以包括电子设备检测到的无线接入设备的MAC编码的列表，各无线接入设备的信号的强度和/或信号分布的平均值或其他任何形式的统计量。在另一些实施例中，地理网格的位置指纹还可以包括地理网格内的热度特征，例如在预定的时间周期内，在该地理网格内发起的定位请求的数量。

为了确保地理网格的位置指纹能够准确地反应该地理网格内能够检测到的用于行为的相关信息，可以以固定的周期更新地理网格的位置指纹。例如，可以以每周、每两周、每个月等任何可能的时间周期对地理网格的位置指纹进行更新。

可以理解的是，在实际情况下，电子设备可能检测到数量较多的无线接入设备，因此需要匹配多个参数以确定最匹配的地理位置。在一种现有的定位技术中，可以通过人工指定匹配规则并基于改规则计算电子设备与各地理网格之间的匹配得分，从而确定与定位请求最匹配的地理网格。在另一种现有的定位技术中，可以基于匹配的参数人工计算表示电子设备与各地理网格之间的匹配特征，并通过人工计算的特征和预设的模型确定与定位请求最匹配的地理网格。

然而，在现有的定位技术中，无法利用大量的定位数据本身的统计特性确定合理的匹配特征，并根据训练得到的匹配特征对电子设备进行定位。为此，本公开提供了一种用于定位电子设备的方法，能够利用深度神经网络学习出用于表示电子设备和地理网格之间的距离的合理的特征，并利用这样的特征定位电子设备。

图2示出了根据本公开的实施例的用于在预设的地理范围内定位电子设备的方法。其中，该预设的地理范围被划分成多个地理网格。例如，可以将预设的地理范围划分成尺寸为5m*5m、10m*10m等任何尺寸的网格。网格的形状可以是正方形、长方形或任何其他合适的几何形状。

如图2所示，在步骤S202中，可以接收来自电子设备的定位请求，其中所述定位请求包括所述电子设备检测到的用于定位的相关信息。在一些实施例中，用于定位的相关信息可以是WiFi相关的信息，包括电子设备扫描到的无线接入设备的MAC编码以及对应于每个无线接入设备的信号强度等。

在步骤S204中，可以基于检测到的用于定位的相关信息从预设的地理范围内的多个地理网格中确定多个候选地理网格。在一些实施例中，可以利用基站定位的方式确定多个候选地理网格。例如，由于基站定位的速度较快但是精度较低，因此，可以利用基站定位的方式确定电子设备的地理位置的范围，并将利用基站定位确定的地理位置的范围内的地理网格确定为候选地理网格。在一些实施例中，可以通过比对电子设备检测到的用于定位的相关信息与候选地理网格的位置指纹的参数对候选地理网格进行进一步的筛选。例如，可以比对电子设备检测到的无线接入设备的MAC编码与候选地理网格中位置指纹中包括的无线接入设备的MAC编码进行比对，如果匹配的无线接入设备的数量小于预设的阈值(例如5个，或任何数量)，则可以排除该候选地理网格。

在步骤S206中，针对所述多个候选地理网格中的每一个，可以将所述用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定所述定位请求与该候选地理网格之间的匹配特征。例如，该匹配特征可以至少包括以下各项中的一项或多项：

-定位请求中包括的电子设备检测到的无线接入设备中与该候选地理网格的位置指纹中包括的无线接入设备的列表的匹配的个数。

-定位请求中包括的电子设备检测到的无线接入设备中与该候选地理网格的位置指纹中包括的无线接入设备的列表的未能匹配的个数。

-定位请求中包括的电子设备检测到的各无线接入设备的平均信号强度与该候选地理网格的位置指纹中各无线接入设备的平均信号强度的差异。

然后，通过利用训练好的深度神经网络可以对如上所述的匹配特征进行变换，以生成变换后的匹配特征。其中所述变换后的匹配特征能够指示所述电子设备与该候选地理网格之间的地理距离。下文中将在图3中详细描述本公开提供的深度神经网络的训练方法。

在步骤S208中，可以根据针对所述多个候选地理网格分别确定的多个变换后的匹配特征确定对应于所述定位请求的地理位置。

在一些实施例中，可以利用分类模型确定针对该候选地理网格确定的变换后的匹配特征指示的所述电子设备与该候选地理网格之间的地理距离属于第一类别的概率。

上述分类模型可以是通过多分类算法构造的多分类模型。例如，该分类模型可以是决策树、支持向量机、朴素贝叶斯、学习排序(Learn to Rank，LTR)的pairwise算法等。可以根据样本定位点的经过训练好的深度神经网络处理的变换后的匹配特征对分类模型进行训练，使得分类模型能够根据由本公开提供的深度神经网络输出的变换后的匹配特征判断该匹配特征对应的电子设备和候选地理网格之间的距离是否属于预设的类别。其中该预设的类别指示该电子设备与该候选地理网格之间的地理距离。例如，可以预先定义第一类别指示该电子设备与该候选地理网格之间的地理距离位于第一地理距离范围，例如，小于等于30m。又例如，可以预先定义第二类别指示该电子设备与该候选地理网格之间的地理距离位于第二地理距离范围，例如，大于30m小于等于200m。再例如，可以预先定义第三类别指示该电子设备与该候选地理网格之间的地理距离位于第三地理距离范围，例如，大于200m。

可以理解的是，上述预先定义的第一类别、第二类别以及第三类别及其对应的地理距离范围仅是一种可能的示例。事实上，本领域技术人员可以根据实际情况预先定义任意数量的距离范围内的类别以及每个类别代表的距离范围。

利用分类模型的输出结果，可以根据针对所述多个候选地理网格分别确定的多个概率可以确定所述电子设备的当前地理位置。

在一些示例中，可以对针对多个候选地理网格分别确定的多个概率进行排序，并根据属于第一类别的概率最高的候选地理网格的地理位置确定所述电子设备的地理位置。例如，可以将属于第一类别的概率最高的候选地理网格的中心位置确定为所述电子设备的地理位置。可以理解的是，根据实际情况，可以将属于第一类别的概率最高的候选地理网格的任一位置确定为所述电子设备的地理位置。

在另一些示例中，可以对针对多个候选地理网格分别确定的多个概率进行排序，并根据属于第一类别的概率最高的多个候选地理网格的地理位置的平均值或加权平均值确定为所述电子设备的地理位置，其中，对于属于第一类别的概率最高的多个候选地理网格中的每一个，可以将分类模型输出的对应于该候选地理网格的属于第一类别的概率作为该候选地理网格的权重值。

在一些实施例中，在根据分类模型输出的类别和概率确定用于确定电子设备的地理位置的候选地理网格时，可以根据预设的规则排出异常点。例如，如果属于第一类别的概率最高的一个或多个候选地理网格中存在其中在预设的时间期间内没有其他电子设备发起定位请求的地理网格，则可以排除这样的地理网格。例如，在过去的一周期间没有任何电子设备在该地理网格内发起定位请求可能意味着该地理网格在此期间内无法通行，因此可以排除电子设备位于该地理网格内的可能性。

利用本公开提供的用于定位电子设备的方法，能够利用训练好的深度神经网络将定位请求和候选地理网格之间的匹配特征变换成能够表示电子设备和候选地理网格之间的距离的匹配特征的表达形式。通过利用大量的样本数据训练的深度神经网络能够根据大量样本数据的统计特性学习出更合理的特征的表达形式，从而能够提高电子设备的定位精度。

图3示出了根据本公开的实施例的用于变换匹配特征的深度神经网络的训练过程的流程图。

如前所述，地理网格的位置指纹是根据多个样本定位点确定的。由于这样的样本定位点包括指示该定位点的地理位置的信息(如GPS信息)和在该地理位置电子设备检测到的用于定位的相关信息(如WiFi相关的信息)，因此，可以将这些样本定位点作为训练深度神经网络的训练样本集。

下文中将以全连接网络作为深度神经网络的示例，然而，本领域技术人员可以理解，本公开中使用的深度神经网络也可以是卷积神经网络或递归神经网络等任何其他可能的形式。

在步骤S302中，可以从训练样本集中包括的多个样本定位点确定一个基准定位点。例如，可以随机从训练样本集中选择一个样本定位点作为基准定位点G_i。根据基准定位点G_i，可以根据G_i的地理位置在训练样本集中确定一个第一类定位点G_i ⁺和一个第二类定位点G_i ^-，其中第一类定位点G_i ⁺是与基准定位点G_i之间的地理距离小于预设的地理距离阈值的样本定位点，所述第二类定位点G_i ^-是与所述基准定位点G_i之间的地理距离大于预设的地理距离阈值的样本定位点。通过如上选择的三元组G_i、G_i ⁺、G_i ^-可以用于深度神经网络的一次训练。

例如，根据基准定位点G_i的地理距离可以对训练样本集中的样本定位点进行分类。例如，可以将与基准定位点G_i之间的地理距离小于30m的样本定位点分类为类别A，将与基准定位点G_i之间的地理距离大于30m并小于200m的样本定位点分类为类别B，将与基准定位点G_i之间的地理距离大于200m的样本定位点分类为类别C。

因此，对于基准定位点G_i，可以从类别A的样本定位点中随机选择一个作为第一类定位点G_i ⁺，可以从类别B或类别C的样本定位点中随机选择一个作为第二类定位点G_i ^-。利用这样的方式，可以认为G_i、G_i ⁺之间的地理距离和G_i、G_i ⁺之间的地理距离的差别足够大。

在步骤S304中，可以根据基准定位点G_i、第一类定位点G_i ⁺和一个第二类定位点G_i ^-的地理位置信息确定G_i、G_i ⁺、G_i ^-分别所在的地理网格。例如，可以根据G_i、G_i ⁺、G_i ^-的GPS信息确定G_i、G_i ⁺、G_i ^-的地理坐标，并根据该地理坐标确定包括该地理坐标的地理网格。

在步骤S306中，对于三元组G_i、G_i ⁺、G_i ^-中的每一个，可以将该定位点的用于定位的相关信息与该定位点所在的地理网格的位置指纹的参数进行比对，以确定该定位点与该定位点所在的地理网格之间的匹配特征。

该匹配特征可以被表示为向量的形式。例如，匹配特征的向量中的元素可以包括在定位处在该定位点电子设备检测到的无线接入设备中与该定位点所在的地理网格的位置指纹中包括的无线接入设备的列表的匹配的个数、在该定位点电子设备检测到的无线接入设备中与该定位点所在的地理网格的位置指纹中包括的无线接入设备的列表的未能匹配的个数、在该定位点电子设备检测到的无线接入设备的平均信号强度与该定位点所在的地理网格的位置指纹中包括的平均信号强度的差异。

在一些实施例中，可以根据分别用于G_i、G_i ⁺、G_i ^-的用于定位的信息与其所在的地理网格的位置指纹的匹配特征之间的距离确定G_i、G_i ⁺、G_i ^-是否适用于深度神经网络的训练。例如，可以计算为G_i、G_i ⁺和其所在的地理网格分别确定的匹配特征之间的欧氏距离d1以及为G_i、G_i ^-和其所在的地理网格分别确定的匹配特征之间的欧氏距离d2，并判断d1和d2之间的差异是否足够大。例如，当d1-d2小于预设的阈值K时，可以认为G_i、G_i ⁺、G_i ^-的匹配特征的欧氏距离不足以用于表示G_i、G_i ⁺、G_i ^-之间的地理距离的相对关系，即G_i、G_i ⁺之间的地理距离和G_i、G_i ⁺之间的地理距离的差别足够大。在这种情况下，可以将选择的定位点G_i、G_i ⁺、G_i ^-输入深层神经网络以学习出合适的匹配特征的表达形式。当d1-d2大于预设的阈值K时，可以从训练样本集中重新选择新的定位点用于深度神经网络的训练。

确定了用于训练深度神经网络的样本点G_i、G_i ⁺、G_i ^-后，在步骤S306中，进一步地，可以利用深度神经网络对用于G_i、G_i ⁺、G_i ^-匹配特征进行变换，以生成变换后的匹配特征。

在步骤S308中，可以根据用于三元组G_i、G_i ⁺、G_i ^-中每一个的变换后的匹配特征，分别确定G_i、G_i ⁺之间的第一距离，以及G_i、G_i ^-之间的第二距离。在一些实施例中，所述第一距离可以是用于所述基准定位点的变换后的匹配特征和用于所述第一类定位点的变换后的匹配特征的欧氏距离，所述第二距离是用于所述基准定位点的变换后的匹配特征和用于所述第二类定位点的变换后的匹配特征的欧氏距离。

根据本公开的原理，训练深度神经网络的目的是学习更合理的匹配特征，使得变换后的匹配特征能够表示G_i、G_i ⁺、G_i ^-之间的地理距离。

因此，在步骤S310中，可以调整深度神经网络的参数使得所述第一距离小于预设的第一距离阈值，所述第二距离大于预设的第二距离阈值。在一些实施例中，可以根据所述第一距离和所述第二距离构建用于训练深度神经网络的损失函数，并且可以通过优化该损失函数使得第一距离小于预设的第一距离阈值，第二距离大于预设的第二距离阈值，因此能够实现对深度神经网络的参数调整。在另一些实施例中，还可以根据第一距离和第二距离之间的差别构建损失函数，并可以通过优化损失函数使得第一距离和第二距离之间的差别大于预设的第三距离阈值。本领域技术人员可以理解，上述第一距离阈值、第二距离阈值和第三距离阈值可以是根据实际情况设置的具体数值。在此，本公开不显示上述各距离阈值的大小和范围。

利用图3中示出的深度神经网络的训练方法，可以从训练样本集中选择多个训练样本组G_i、G_i ⁺、G_i ^-对深度神经网络进行训练。该训练过程的终止条件可以是两次训练得到的损失函数的变化小于预设的变化量的阈值，或训练的次数大于预设的训练数量的阈值。

图4中示出了根据本公开的实施例的深度神经网络的训练过程的示意图。如图4所示，可以表示基准样本点的匹配特征的向量，圆形表示相对于基准样本点属于第一类别(类别A)的样本点，方形表示相对于基准样本点属于第二类别(类别B)的样本点，三角形表示相对于基准样本点属于第三类别(类别C)的样本点。如前所述，第一类别可以表示该样本点与基准样本点之间的距离属于第一地理距离范围，例如，小于等于30m，第二类别可以表示该样本点与基准样本点之间的距离属于第二地理距离范围，例如，大于30m小于等于200m，第三类别可以表示该样本点与基准样本点之间的距离属于第三地理距离范围，例如，大于200m。图4中各图形之间的距离表示通过各样本点的匹配特征的欧氏距离。从图4中的左图可以看出，在利用深度神经网络进行学习之前，不同类别的样本点的匹配特征的欧氏距离并不能指示不同类别的样本点的地理位置之间的实际地理距离。

图3、图4中示出的深度神经网络的训练过程的目的可以是通过优化预先定义的损失函数，使得通过深度神经网络变换后得到的基准样本点的变换后的匹配特征和相对于基准样本点的属于第一类别的样本点的变换后的匹配特征的欧氏距离变小，以及基准样本点的变换后的匹配特征和相对于基准样本点的不属于第一类别的样本点的的变换后的匹配特征的欧氏距离变大。如图4中的右图所示，经过深度神经网络的学习后，各样本点的变换后的匹配特征的欧氏距离能够指示不同类别的样本点的地理位置之间的实际地理距离。可以看出，基准样本点和相对于基准样本点的属于第一类别的样本点的匹配特征的欧氏距离以及基准样本点和相对于基准样本点的不属于第一类别的样本点的匹配特征的欧氏距离的差别足够远。因此，利用本申请提供的深度神经网络，能够学习出合理的匹配特征，利用深度神经网络变换后的匹配特征能够根据电子设备检测到的定位相关的信息确定最匹配的地理网格。

图5示意性地示出了根据本公开的实施例的用于在预设的地理范围内定位电子设备的设备的框图。其中，该预设的地理范围被划分成多个地理网格。例如，可以将预设的地理范围划分成尺寸为5m*5m、10m*10m等任何尺寸的网格。网格的形状可以是正方形、长方形或任何其他合适的几何形状。

如图5所示，设备500可以包括定位请求接收单元510、候选地理网格确定单元520、匹配特征确定单元530以及地理位置确定单元540。

定位请求接收单元510可以配置成接收来自电子设备的定位请求，其中所述定位请求包括所述电子设备检测到的用于定位的相关信息。在一些实施例中，用于定位的相关信息可以是WiFi相关的信息，包括电子设备扫描到的无线接入设备的MAC编码以及对应于每个无线接入设备的信号强度等。

候选地理网格确定单元520可以配置成基于检测到的用于定位的相关信息从预设的地理范围内的多个地理网格中确定多个候选地理网格。在一些实施例中，可以利用基站定位的方式确定多个候选地理网格。例如，由于基站定位的速度较快但是精度较低，因此，可以利用基站定位的方式确定电子设备的地理位置的范围，并将利用基站定位确定的地理位置的范围内的地理网格确定为候选地理网格。在一些实施例中，可以通过比对电子设备检测到的用于定位的相关信息与候选地理网格的位置指纹的参数对候选地理网格进行进一步的筛选。例如，可以比对电子设备检测到的无线接入设备的MAC编码与候选地理网格中位置指纹中包括的无线接入设备的MAC编码进行比对，如果匹配的无线接入设备的数量小于预设的阈值(例如5个，或任何数量)，则可以排除该候选地理网格。

匹配特征确定单元530可以配置成针对所述多个候选地理网格中的每一个，将所述用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定所述定位请求与该候选地理网格之间的匹配特征。例如，该匹配特征可以至少包括以下各项中的一项或多项：

-定位请求中包括的电子设备检测到的无线接入设备中与该候选地理网格的位置指纹中包括的无线接入设备的列表的匹配的个数。

-定位请求中包括的电子设备检测到的无线接入设备中与该候选地理网格的位置指纹中包括的无线接入设备的列表的未能匹配的个数。

-定位请求中包括的电子设备检测到的各无线接入设备的平均信号强度与该候选地理网格的位置指纹中包括的各无线接入设备的平均信号强度的差异。

然后，通过利用本公开图3中提供地训练好的深度神经网络可以对如上所述的匹配特征进行变换，以生成变换后的匹配特征。其中所述变换后的匹配特征能够指示所述电子设备与该候选地理网格之间的地理距离。

地理位置确定单元540可以配置成根据针对所述多个候选地理网格分别确定的多个变换后的匹配特征确定对应于所述定位请求的地理位置。

在一些实施例中，可以利用分类模型确定针对该候选地理网格确定的变换后的匹配特征指示的所述电子设备与该候选地理网格之间的地理距离属于第一类别的概率。

可以根据样本定位点的经过训练好的深度神经网络处理的变换后的匹配特征对分类模型进行训练，使得分类模型能够根据由本公开提供的深度神经网络输出的变换后的匹配特征判断该匹配特征对应的电子设备和候选地理网格之间的距离是否属于预设的类别。其中该预设的类别指示该电子设备与该候选地理网格之间的地理距离。例如，可以预先定义第一类别指示该电子设备与该候选地理网格之间的地理距离位于第一地理距离范围，例如，小于等于30m。又例如，可以预先定义第二类别指示该电子设备与该候选地理网格之间的地理距离位于第二地理距离范围，例如，大于30m小于等于200m。再例如，可以预先定义第三类别指示该电子设备与该候选地理网格之间的地理距离位于第三地理距离范围，例如，大于200m。

利用分类模型的输出结果，可以根据针对所述多个候选地理网格分别确定的多个概率可以确定所述电子设备的当前地理位置。

在一些示例中，可以对针对多个候选地理网格分别确定的多个概率进行排序，并根据属于第一类别的概率最高的候选地理网格的地理位置确定所述电子设备的地理位置。例如，可以将属于第一类别的概率最高的候选地理网格的中心位置确定为所述电子设备的地理位置。可以理解的是，根据实际情况，可以将属于第一类别的概率最高的候选地理网格的任一位置确定为所述电子设备的地理位置。

在另一些示例中，可以对针对多个候选地理网格分别确定的多个概率进行排序，并根据属于第一类别的概率最高的多个候选地理网格的地理位置的平均值或加权平均值确定为所述电子设备的地理位置，其中，对于属于第一类别的概率最高的多个候选地理网格中的每一个，可以将分类模型输出的对应于该候选地理网格的属于第一类别的概率作为该候选地理网格的权重值。

在一些实施例中，在根据分类模型输出的类别和概率确定用于确定电子设备的地理位置的候选地理网格时，可以根据预设的规则排出异常点。例如，如果属于第一类别的概率最高的一个或多个候选地理网格中存在其中在预设的时间期间内没有其他电子设备发起定位请求的地理网格，则可以排除这样的地理网格。例如，在过去的一周期间没有任何电子设备在该地理网格内发起定位请求可能意味着该地理网格在此期间内无法通行，因此可以排除电子设备位于该地理网格内的可能性。

利用本公开提供的用于定位电子设备的设备，能够利用训练好的深度神经网络将定位请求和候选地理网格之间的匹配特征变换成能够表示电子设备和候选地理网格之间的距离的匹配特征的表达形式。通过利用大量的样本数据训练的深度神经网络能够根据大量样本数据的统计特性学习出更合理的特征的表达形式，从而能够提高电子设备的定位精度。

此外，根据本公开实施例的方法或装置也可以借助于图6所示的计算设备的架构来实现。图6示出了该计算设备的架构。如图6所示，计算设备600可以包括总线610、一个或多个CPU 620、只读存储器(ROM)630、随机存取存储器(RAM)640、连接到网络的通信端口650、输入/输出组件660、硬盘670等。计算设备600中的存储设备，例如ROM 630或硬盘670可以存储本公开提供的用于定位电子设备的方法的处理和/或通信使用的各种数据或文件以及CPU所执行的程序指令。计算设备600还可以包括用户界面680。当然，图6所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图6示出的计算设备中的一个或多个组件。

本公开的实施例也可以被实现为计算机可读存储介质。根据本公开实施例的计算机可读存储介质上存储有计算机可读指令。当所述计算机可读指令由处理器运行时，可以执行参照以上附图描述的根据本公开实施例的方法。所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。

本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。

此外，如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

此外，虽然本公开对根据本公开的实施例的系统中的某些单元做出了各种引用，然而，任何数量的不同单元可以被使用并运行在客户端和/或服务器上。所述单元仅是说明性的，并且所述系统和方法的不同方面可以使用不同单元。

此外，本公开中使用了流程图用来说明根据本公开的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (15)

1.一种用于在预设的地理范围内定位电子设备的方法，其中所述预设的地理范围被划分成多个地理网格，所述方法包括：

接收来自电子设备的定位请求，其中所述定位请求包括所述电子设备检测到的用于定位的相关信息；

基于检测到的用于定位的相关信息从所述多个地理网格中确定多个候选地理网格，以及

针对所述多个候选地理网格中的每一个，

将所述用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定所述定位请求与该候选地理网格之间的匹配特征；

利用深度神经网络对所述匹配特征进行变换，以生成变换后的匹配特征，其中所述变换后的匹配特征指示所述电子设备与该候选地理网格之间的地理距离；

根据针对所述多个候选地理网格分别确定的多个变换后的匹配特征确定对应于所述定位请求的地理位置。

2.如权利要求1所述的方法，其中，根据针对所述多个候选地理网格分别确定的多个定位匹配特征确定对应于所述定位请求的地理位置包括：

针对所述多个候选地理网格中的每一个，利用分类模型确定针对该候选地理网格确定的变换后的匹配特征指示的所述电子设备与该候选地理网格之间的地理距离属于第一类别的概率，其中第一类别指示该电子设备与该候选地理网格之间的地理距离小于预设的地理距离；

根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置。

3.如权利要求2所述的方法，其中，根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置包括：

对所述多个概率进行排序，并根据属于第一类别的概率最高的候选地理网格的地理位置确定所述电子设备的地理位置。

4.如权利要求2所述的方法，其中，根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置包括：

对所述多个概率进行排序，并根据属于第一类别的概率最高的多个候选地理网格的地理位置的平均值或加权平均值确定为所述电子设备的地理位置。

5.如权利要求1至4任一项所述的方法，其中所述地理网格的位置指纹是通过以下方式确定的：

确定所述预设的地理范围内的多个样本定位点，其中每个样本定位点包括该样本定位点的地理位置以及在对应的地理位置检测到的用于定位的相关信息；

确定所述多个地理网格的位置指纹，其中每个地理网格的位置指纹的参数是根据位于该地理网格内的样本定位点包括的用于定位的相关信息的统计量确定的。

6.如权利要求5所述的方法，其中所述深度神经网络是通过以下步骤训练的：

将所述多个样本定位点中的一个确定为基准定位点，并根据所述基准定位点的地理位置在所述多个样本定位点中确定一个第一类定位点和一个第二类定位点，其中，所述第一类定位点是与所述基准定位点之间的地理距离小于预设的地理距离阈值的样本定位点，所述第二类定位点是与所述基准定位点之间的地理距离大于预设的地理距离阈值的样本定位点；

根据地理位置确定所述基准定位点、所述第一类定位点以及所述非第二定位点所在的地理网格；

对于所述基准定位点、所述第一类定位点以及所述非第二定位点中的每一个，

将该定位点的用于定位的相关信息与该定位点所在的地理网格的位置指纹的参数进行比对，以确定该定位点与该定位点所在的地理网格之间的匹配特征；

利用深度神经网络对该匹配特征进行变换，以生成变换后的匹配特征；

根据所述基准定位点、所述第一类定位点以及所述第二类定位点的变换后的匹配特征，确定所述基准定位点与所述第一类定位点之间的第一距离，以及所述基准定位点与所述第二类定位点之间的第二距离；

调整深度神经网络的参数使得所述第一距离小于预设的第一距离阈值，所述第二距离大于预设的第二距离阈值。

7.如权利要求6所述的方法，其中，

所述第一距离是用于所述基准定位点的变换后的匹配特征和用于所述第一类定位点的变换后的匹配特征的欧氏距离；

所述第二距离是用于所述基准定位点的变换后的匹配特征和用于所述第二类定位点的变换后的匹配特征的欧氏距离。

8.如权利要求6或7所述的方法，其中，用于所述基准定位点的匹配特征与所述第一类定位点的匹配特征之间的距离和用于所述基准定位点的匹配特征与所述第二类定位点的匹配特征之间的距离的差别小于预设的阈值。

9.如权利要求1-8任一项所述的方法，其中

所述电子设备检测到的用于定位的相关信息是所述电子设备检测到的Wifi相关的信息。

10.一种用于在预设的地理范围内定位电子设备的设备，其中所述预设的地理范围被划分成多个地理网格，包括：

定位请求接收单元，配置成接收来自电子设备的定位请求，其中所述定位请求包括所述电子设备检测到的用于定位的相关信息；

候选地理网格确定单元，配置成基于检测到的用于定位的相关信息从所述多个地理网格中确定多个候选地理网格，以及

定位匹配特征确定单元，配置成针对所述多个候选地理网格中的每一个，将所述用于定位的相关信息与该候选地理网格的位置指纹的参数进行比对，以确定所述定位请求与该候选地理网格之间的匹配特征；利用深度神经网络对所述匹配特征进行变换，以生成变换后的匹配特征，其中所述变换后的匹配特征指示所述电子设备与该候选地理网格之间的地理距离；

地理位置确定单元，配置成根据针对所述多个候选地理网格分别确定的多个变换后的匹配特征确定对应于所述定位请求的地理位置。

11.如权利要求10所述的设备，其中所述地理位置确定单元还配置成：

针对所述多个候选地理网格中的每一个，利用分类模型确定针对该候选地理网格确定的变换后的匹配特征指示的所述电子设备与该候选地理网格之间的地理距离属于第一类别的概率，其中第一类别指示该电子设备与该候选地理网格之间的地理距离小于预设的地理距离；

根据针对所述多个候选地理网格分别确定的多个概率确定所述电子设备的当前地理位置。

12.如权利要求10所述的设备，其中所述地理网格的位置指纹是通过以下方式确定的：

确定所述预设的地理范围内的多个样本定位点，其中每个样本定位点包括该样本定位点的地理位置以及在对应的地理位置检测到的用于定位的相关信息；

确定所述多个地理网格的位置指纹，其中每个地理网格的位置指纹的参数是根据位于该地理网格内的样本定位点包括的用于定位的相关信息的统计量确定的。

13.如权利要求10-12任一项所述的设备，其中所述深度神经网络是通过以下步骤训练的：

将所述多个样本定位点中的一个确定为基准定位点，并根据所述基准定位点的地理位置在所述多个样本定位点中确定一个第一类定位点和一个第二类定位点，其中，所述第一类定位点是与所述基准定位点之间的地理距离小于预设的地理距离阈值的样本定位点，所述第二类定位点是与所述基准定位点之间的地理距离大于预设的地理距离阈值的样本定位点；

根据地理位置确定所述基准定位点、所述第一类定位点以及所述非第二定位点所在的地理网格；

对于所述基准定位点、所述第一类定位点以及所述非第二定位点中的每一个，

将该定位点的用于定位的相关信息与该定位点所在的地理网格的位置指纹的参数进行比对，以确定该定位点与该定位点所在的地理网格之间的匹配特征；

利用深度神经网络对该匹配特征进行变换，以生成变换后的匹配特征；

根据所述基准定位点、所述第一类定位点以及所述第二类定位点的变换后的匹配特征，确定所述基准定位点与所述第一类定位点之间的第一距离，以及所述基准定位点与所述第二类定位点之间的第二距离；

调整深度神经网络的参数使得所述第一距离小于预设的第一距离阈值，所述第二距离大于预设的第二距离阈值。

14.一种用于定位电子设备的装置，所述装置包括存储器和处理器，其中所述存储器中存有指令，当利用所述处理器执行所述指令时，使得所述处理器执行如权利要求1-9中任一项所述的方法。

15.一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如权利要求1-9中任一项所述的方法。