CN110366106B - 一种移动终端的定位方法和定位系统 - Google Patents
一种移动终端的定位方法和定位系统 Download PDFInfo
- Publication number
- CN110366106B CN110366106B CN201910769867.6A CN201910769867A CN110366106B CN 110366106 B CN110366106 B CN 110366106B CN 201910769867 A CN201910769867 A CN 201910769867A CN 110366106 B CN110366106 B CN 110366106B
- Authority
- CN
- China
- Prior art keywords
- mobile terminal
- position fingerprint
- value
- terminal user
- time
- 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
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种移动终端的定位方法和定位系统,所述方法执行以下步骤:获取待定位移动终端的所处位置的信号强度;在信号强度超过预设阈值时,通过GPS定位确定待定位移动终端的位置;在信号强度低于预设阈值时,在待定位移动终端的周围环境确定若干个采样点,并提取若干个采样点对应的采样点位置指纹特征参数,根据采样点位置指纹特征参数构建离线采样位置指纹数据库;实时地获取待定位移动终端的周围环境的实时位置指纹特征参数,并将实时位置指纹特征参数与离线采样位置指纹数据库进行比较,以估计待定位移动终端的位置。此方法具有可行性高、成本低、精度高、覆盖率高的优点;而且不需要更新当前的网络设施和移动终端,因此有利于传播。
Description
技术领域
本发明涉及通信技术领域,特别涉及一种移动终端的定位方法和定位系统。
背景技术
移动终端定位技术是利用无线网络通信资源确定网络中的移动终端位置的方法,它伴随无线通信技术的应用而出现,跟随无线通信网络的演进而发展。为了满足人们对智能交通运输系统和呼叫追踪方面的需求,对于移动终端定位技术提出了更高的要求,对于移动终端定位方法的研究也越来越受到人们的关注。移动终端定位的原理是:几个基站发送包含定位分量的信号,移动终端接收所有这些信号并使用特定算法估计移动终端的位置。
目前,移动终端定位的主要方法是GPS(Global Position System,全球定位系统)定位和蓝牙定位。GPS定位技术允许移动终端从卫星发送的数据接收位置参数,通过处理数据,可以获得移动终端的位置,其优点是准确性,但其缺点是能耗大,另外,信号强度也是一个值得关注的问题,在信号受到强烈遮蔽的地方,例如室内或大都市,由于信号太弱而无法完成目标。而蓝牙定位是一种短距离的准确方法,它可以应用于点对点及点对多点模型,通过将适当的AP(Access Point,接入点)设置为蓝牙LAN(Local Area Network,局域网)并配置网络多用户基本网络连接模式,只要AP仍然控制微微网,用户可以完成作业并获得其定位信息,其优点是低能耗,且设备易于识别,但其缺点是蓝牙设备或组件现在相对昂贵。
发明内容
本发明提供一种移动终端的定位方法及定位系统,用以提高可行性、精度高和覆盖率,并降低成本。
本发明提供了一种移动终端的定位方法,所述方法执行以下步骤:
步骤1:获取待定位移动终端的所处位置的信号强度;
步骤2:在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;
步骤3:在所述信号强度低于所述预设阈值时,在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;
步骤4:实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置。
进一步地,在所述步骤2中,在通过GPS定位确定所述待定位移动终端的位置时,通过获取若干个到达时间差(TDOA)值,确定所述待定位移动终端的位置。
进一步地,在所述步骤2中,通过GPS定位确定所述待定位移动终端的位置,执行以下步骤:
步骤S201:基于移动终端用户的出行模式与用户生活状态之间的关系确定建模函数;
步骤S202:根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法。
进一步地,在所述步骤S201中,所述建模函数如下:
Y=BY+ГX+θ (1)
其中,Y为p内生变量的p*1向量变量,X为q外生变量的q*1向量变量,B和Г为阶数为p*q和p*p的系数矩阵,θ为来自p结构方程的p*1残差向量。
进一步地,在所述步骤S202中,根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法,执行以下步骤:
S2021:在所述移动终端用户加速到恒定速度期间,每隔一定时间间隔重复执行GPS定位,并获得执行所述GPS定位时的实际速度,并记录所述移动终端达到所述恒定速度期间所经过的实际距离。
S2022:根据所述恒定速度、所述实际距离和所述移动终端用户的出行总距离,计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间;
S2023:在所述被缩短的可能剩余时间之后,再次执行GPS定位,确定所述移动终端用户是否到达目的地,若所述移动终端用户到达目的地,则结束GPS定位,若所述移动终端用户未到达所述目的地,则返回步骤S2021,直到所述移动终端用户到达所述目的地。
进一步地,在所述步骤S2021之前,还包括判断所述移动终端用户的运动状态的步骤,
若所述移动终端用户静止不动,则强制停止所述步骤S2021、所述步骤S2022和所述步骤S2023;
若所述移动终端用户从静止开始移动时,则依次执行所述步骤S2021、所述步骤S2022和所述步骤S2023。
进一步地,在所述步骤S2022中,采用以下公式计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间:
t2=(Stotal–S1)/V1 (2)
其中,t2为所述被缩短的可能剩余时间,Stotal为所述移动终端用户的出行总距离,S1为所述移动终端达到所述恒定速度期间所经过的实际距离,V1为所述恒定速度。
进一步地,在所述步骤S2023中,根据以下公式确定所述移动终端用户是否到达所述目的地,
V2*t2+S1≥θ(s)*Stotal (3)
其中,V2为所述移动终端在t2时的速度,θ(s)是阈值系数,
若满足公式(3),则所述移动终端用户到达所述目的地,若不满足公式(3),则所述移动终端用户未到达所述目的地。
进一步地,在所述步骤4中,将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置,为提高所述待定位移动终端的位置的准确性,执行以下步骤:
S401:在所述步骤3中,所述位置指纹数据库中拥有M*N条数据,M为所述位置指纹数据中对应的采样点的个数,N为在每个采样点均有N条位置指纹数据,分别对每个采样点的所述N条位置指纹数据利用特殊值剔除方法进行整理,其中特殊值剔除方法为,将该采样点中的所述N条位置指纹数据分别利用公式(4)进行判断;
0.15*σi+μi≤Xi≤3.09*σi+μi
(4)
其中,Xi表示需要判断的这条位置指纹数据的第i个特征参数的值,σi表示需要判断的这条位置指纹数据对应的采样点的N条位置指纹数据的第i个特征参数的值的方差,μi表示需要判断的这条位置指纹数据对应的采样点的N条位置指纹数据的第i个特征参数的值的均值,i=1、2、3……P,P为每条位置指纹数据均含有的特征参数的值的个数,对于所述位置指纹数据库中不满足公式(4)的位置指纹数据进行剔除,进行剔除后的位置指纹数据库中还有L条位置指纹数据,且每条数据对应的采样点的位置用Y1标记,将Y1去除重复值后,形成向量Y,向量Y则含有M个值;
S402:生成一个P行M列的随机系数矩阵W,矩阵W中每个元素的值都为0到1的随机值,将随机系数矩阵W和进行剔除后的位置指纹数据库中的L条位置指纹数据,代入公式(5)进行机器学习:
f1(x,W)=max(zero(M,1),Wx)
其中,f1(x,W)为定义一个含有x和含有随机系数矩阵Wx的表达式,zero(M,1)为生成M行1列的全0矩阵,max(zero(M,1),Wx)为将Wx形成的向量中的每个值都跟0做比较,取较大的值作为结果;f2(W)为将w当做一个未知值,构建了一个表达式,f1(xi,W)j为将进行剔除后的所述位置指纹数据库中的L条位置指纹数据的第i条数据的特征参数的值作为x后代入f1(x,W)中计算后的第j个值,且j取1到M中去除Y1i后的所有整数值,Y1i为进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据对应的采样点的位置在向量Y中的位置,为将进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据的特征参数的值作为x后代入f1(x,W)中计算后的第Y1i个值,Wk,t为随机系数矩阵W的第k行t列的值,k=1、2、3……P,t=1、2、3……M;
S403:根据所述公式(5)中构建的f2(W)对随机系数矩阵W进行十万次反向调整,得到最终判定系数矩阵W;
S404:获取多次所述实时位置指纹,将获取的多次所述实时位置指纹首先利用所述公式(4)进行数据整理,将进行整理后保留的L条实时位置指纹的特征参数分别代入所述公式(5)的f1(x,W)中,其中在每次代入时x取值为实时位置指纹的特征参数值,W为最终判定系数矩阵W,提取通过f1(x,W)计算得到的向量中最大值对应的下标z,则向量Y中的第z个的采样点的位置则为本次代入的实时位置指纹的特征参数对应的位置,统计L条实时位置指纹的特征参数分别对应的位置,出现次数最多的位置则为所述待定位移动终端的位置。
本发明实施例提供的一种移动终端的定位方法,具有以下有益效果:具有可行性高、成本低、精度高、覆盖率高的优点;而且不需要更新当前的网络设施和移动终端,因此有利于传播。
本发明还提供一种移动终端的定位系统,包括:获取单元,用于获取待定位移动终端的所处位置的信号强度;
GPS定位单元,用于在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;
位置指纹定位单元,用于在所述信号强度低于所述预设阈值时,通过位置指纹数据库估计所述待定位移动终端的位置。
本发明实施例提供的一种移动终端的定位系统,具有以下有益效果:具有可行性高、成本低、精度高、覆盖率高达100%的优点;而且不需要更新当前的网络设施和移动终端,因此有利于传播。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种移动终端的定位方法的流程示意图;
图2为本发明实施例中一种移动终端的定位系统的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种移动终端的定位方法,如图1所示,所述方法执行以下步骤:
步骤1:获取待定位移动终端的所处位置的信号强度;
步骤2:在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;
步骤3:在所述信号强度低于所述预设阈值时,在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;
步骤4:实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置。
上述技术方案的工作原理为:在信号强度超过预设阈值时,通过GPS定位确定待定位移动终端的位置;在信号强度低于预设阈值时,在待定位移动终端的周围环境确定若干个采样点,并提取若干个采样点对应的采样点位置指纹特征参数,根据采样点位置指纹特征参数构建离线采样位置指纹数据库;实时地获取待定位移动终端的周围环境的实时位置指纹特征参数,并将实时位置指纹特征参数与离线采样位置指纹数据库进行比较,以估计待定位移动终端的位置。
在附近没有严重的信号掩蔽时使用GPS,减少了定位用户所需的时间并确保了准确性;在GPS信号太弱而无法完成工作的位置,在位置指纹的帮助下选择WLAN(Wide LocalArea Network,宽局域网),以保持定位高效和准确。
上述技术方案的有益效果为:具有可行性高、成本低、精度高、覆盖率高达100%的优点;而且不需要更新当前的网络设施和移动终端,因此有利于传播。
在一个实施例中,在所述步骤2中,在通过GPS定位确定所述待定位移动终端的位置时,通过获取若干个到达时间差(Time Difference of Arrival,TDOA)值,确定所述待定位移动终端的位置。
上述技术方案的工作原理为:TDOA是一种使用反向链接的方法。例如,移动终端同时向基站A和基站B发送定位请求,以便可以测量到达两个站的时间差。因此,终端必须位于双曲线上,其焦点是两个基站,并且用时间差计算一定的距离差。基站B和C的情况也是如此。两组曲线的交叉点应该是移动终端的位置。因此,可以根据若干个TDOA值,确定待定位移动终端的位置。
上述技术方案的有益效果为:TDOA消除了移动终端发送信号时对时间的依赖,由于传输信道而在接收机上迁移了共同干扰,通过TDOA值可以辅助GPS定位。
在一个实施例中,在所述步骤2中,通过GPS定位确定所述待定位移动终端的位置,执行以下步骤:
步骤S201:基于移动终端用户的出行模式与用户生活状态之间的关系确定建模函数;
步骤S202:根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法。
上述技术方案的工作原理为:运输工具的选择受年龄和周围环境的影响,可以通过分析用户状况和运输之间的关系来对出行模式进行合理的预测,在这种情况下,可以使用最少的能耗来实现定位。
上述技术方案的有益效果为:可以减轻由定位技术的不充分组合引起的能量消耗。
在一个实施例中,在所述步骤S201中,所述建模函数如下:
Y=BY+ГX+θ (1)
其中,Y为p内生变量的p*1向量变量,X为q外生变量的q*1向量变量,B和Г为阶数为p*q和p*p的系数矩阵,θ为来自p结构方程的p*1残差向量。
上述技术方案的工作原理为:以出行线为单位进行分析,考虑居民的基本理论、常识、出行模式和特点,建立结构模型,以表明出行模式与用户生活状况的关系。
上述技术方案的有益效果为:可以根据建模函数预测移动终端用户的出行模式。
在一个实施例中,在所述步骤S202中,根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法,执行以下步骤:
S2021:在所述移动终端用户加速到恒定速度期间,每隔一定时间间隔重复执行GPS定位,并获得执行所述GPS定位时的实际速度,并记录所述移动终端达到所述恒定速度期间所经过的实际距离。
S2022:根据所述恒定速度、所述实际距离和所述移动终端用户的出行总距离,计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间;
S2023:在所述被缩短的可能剩余时间之后,再次执行GPS定位,确定所述移动终端用户是否到达目的地,若所述移动终端用户到达目的地,则结束GPS定位,若所述移动终端用户未到达所述目的地,则返回步骤S2021,直到所述移动终端用户到达所述目的地。
上述技术方案的工作原理为:根据移动终端用户不同的运动状态进行实时定位。可以根据移动终端所携带的传感器,判断用户的运动状态。
上述技术方案的有益效果为:通过建模和动态定位的综合运用,可以减少定位所需的时间消耗和能量消耗。
在一个实施例中,在所述步骤S2021之前,还包括判断所述移动终端用户的运动状态的步骤,
若所述移动终端用户静止不动,则强制停止所述步骤S2021、所述步骤S2022和所述步骤S2023;
若所述移动终端用户从静止开始移动时,则依次执行所述步骤S2021、所述步骤S2022和所述步骤S2023。
上述技术方案的工作原理为:在移动终端用户从静止开始移动时,此时原点已变为当前点,再次依次执行步骤S2021、步骤S2022和步骤S2023。
上述技术方案的有益效果为:根据不同时期用户的不同特征采用不同的GPS定位方法,以进一步减少时间消耗和能量消耗。
在一个实施例中,在所述步骤S2022中,采用以下公式计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间:
t2=(Stotal–S1)/V1 (2)
其中,t2为所述被缩短的可能剩余时间,Stotal为所述移动终端用户的出行总距离,S1为所述移动终端达到所述恒定速度期间所经过的实际距离,V1为所述恒定速度。
上述技术方案的工作原理为:根据移动终端用户的出行总距离Stotal、移动终端达到恒定速度期间所经过的实际距离S1、恒定速度V1确定被缩短的可能剩余时间。
上述技术方案的有益效果为:提供了被缩短的可能剩余时间的计算公式。
在一个实施例中,在所述步骤S2023中,根据以下公式确定所述移动终端用户是否到达所述目的地,
V2*t2+S1≥θ(s)*Stotal (3)
其中,V2为所述移动终端在t2时的速度,θ(s)是阈值系数,
若满足公式(3),则所述移动终端用户到达所述目的地,若不满足公式(3),则所述移动终端用户未到达所述目的地。
上述技术方案的工作原理为:根据恒定速度V1、移动终端在t2时的速V2、阈值系数θ(s)确定移动终端用户是否到达所述目的地。
上述技术方案的有益效果为:提供了确定移动终端用户是否到达所述目的地的公式。
在一个实施例中,在所述步骤4中,将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置,为提高所述待定位移动终端的位置的准确性,需对所述指纹定位进行改进,现阶段,所述指纹定位以采用最近邻算法和概率性指纹定位技术为主,利用K近邻算法和概率性指纹定位技术虽然简单,但是由于利用选择K个最近点作为目标位置信息或者直接利用概率最大作为目标位置信息,对定位的精度没有保障,且效率极低,为提高所述定位的准确性,需改进所述指纹定位技术,所述改进的具体步骤如下;
S401:在所述步骤3中,所述位置指纹数据库中拥有M*N条数据,M为所述位置指纹数据中对应的采样点的个数,N为在每个采样点均有N条位置指纹数据,分别对每个采样点的所述N条位置指纹数据利用特殊值剔除方法进行整理,其中特殊值剔除方法为,将该采样点中的所述N条位置指纹数据分别利用公式(4)进行判断;
0.15*σi+μi≤Xi≤3.09*σi+μi
(4)
其中,Xi表示需要判断的这条位置指纹数据的第i个特征参数的值,σi表示需要判断的这条位置指纹数据对应的采样点的N条位置指纹数据的第i个特征参数的值的方差,μi表示需要判断的这条位置指纹数据对应的采样点的N条位置指纹数据的第i个特征参数的值的均值,i=1、2、3……P,P为每条位置指纹数据均含有的特征参数的值的个数,对于所述位置指纹数据库中不满足公式(4)的位置指纹数据进行剔除,进行剔除后的位置指纹数据库中还有L条位置指纹数据,且每条数据对应的采样点的位置用Y1标记,将Y1去除重复值后,形成向量Y,向量Y则含有M个值;
进行数据剔除后的位置指纹的特征参数的值保证了同一采样点中的值,不会出现因为信号干扰,或者环境因素造成的值过大或过小的情况,保证了位置指纹的特征参数的值的有效性。
S402:生成一个P行M列的随机系数矩阵W,矩阵W中每个元素的值都为0到1的随机值,将随机系数矩阵W和进行剔除后的位置指纹数据库中的L条位置指纹数据,代入公式(5)进行机器学习:
f1(x,W)=max(zero(M,1),Wx)
其中,f1(x,W)为定义一个含有x和含有随机系数矩阵Wx的表达式,zero(M,1)为生成M行1列的全0矩阵,max(zero(M,1),Wx)为将Wx形成的向量中的每个值都跟0做比较,取较大的值作为结果;f2(W)为将w当做一个未知值,构建了一个表达式,f1(xi,W)j为将进行剔除后的所述位置指纹数据库中的L条位置指纹数据的第i条数据的特征参数的值作为x后代入f1(x,W)中计算后的第j个值,且j取1到M中去除Y1i后的所有整数值,Y1i为进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据对应的采样点的位置在向量Y中的位置,为将进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据的特征参数的值作为x后代入f1(x,W)中计算后的第Y1i个值,Wk,t为随机系数矩阵W的第k行t列的值,k=1、2、3……P,t=1、2、3……M;
其中,对于max(zero(M,1),Wx)的具体举例为,例如Wx为向量(2,1,-6,0,5),利用max(zero(M,1),Wx)后则为(2,1,0,0,5),
对于j和Y1i的举例为,当向量Y含有(1,2)、(2,1)、(3,3)这3个采样点位置,且这三个采样点位置的排序为(1,2)为第一个值,(2,1)为第2个值,(3,3)为第3个值,进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据对应的采样点的位置为(2,1)则j的取值为1和3,Y1i的取值为2。
其中,在公式(5)中,利用f1(x,W)构建了一个基于线性方程强化后的非线性方程,从而使得当位置指纹数据和所对应的位置不是线性关系时利用线性方程计算得可能得到误差,从而提高了判断的精度。
同时在公式(5)中,构建的容错函数f2(W)表明将系数W和位置指纹数据代入f1(x,W)中计算得到的指纹位置信息容易出错的可能性大小;
在构建容错函数f2(W)时,并不是简单的考虑了将位置指纹数据代入f1(x,W)中计算的得到的是任意采样点位置的可能性大小与实际标注的采样点位置可能性大小之间的差值,并且还考虑了是标注的采样点位置比其它任意采样点位置的可能性要最少多0.1,使得在学习时对准确率的要求更高,达到的学习效果更好。同时在构建容错函数f2(W)时还考虑了随机系数矩阵W,避免随机系数矩阵W过大,从而在后面对随机系数矩阵W的调整时,对随机系数矩阵W进行较小的调整就能有较好的优化效果。
S403:根据所述公式(5)中构建的f2(W)对随机系数矩阵W进行十万次反向调整,得到最终判定系数矩阵W;
其中,每次对矩阵W进行反向调整的具体方式为如下公式(6):
在公式(6)中,利用公式A,将容错函数f2(W)对矩阵W中的每个元素都求偏导,当偏导大于0说明,矩阵W中的这个元素会使得f2(W)的值变大,所以在公式B中减小该元素的值,从而达到优化W的效果,当偏导小于0说明矩阵W中的这个元素会使得f2(W)的值变小,所以在公式B中增大该元素的值,从而达到优化W的效果。
经过十万次优化,矩阵W的值能达到较优值。
S404:获取多次所述实时位置指纹,将获取的多次所述实时位置指纹首先利用所述公式(4)进行数据整理,将进行整理后保留的L条实时位置指纹的特征参数分别代入所述公式(5)的f1(x,W)中,其中在每次代入时x取值为实时位置指纹的特征参数值,W为最终判定系数矩阵W,提取通过f1(x,W)计算得到的向量中最大值对应的下标z,则向量Y中的第z个的采样点的位置则为本次代入的实时位置指纹的特征参数对应的位置,统计L条实时位置指纹的特征参数分别对应的位置,出现次数最多的位置则为所述待定位移动终端的位置。
其中,例如向量Y含有(1,2)、(2,1)、(3,3)这3个采样点位置,且这三个采样点位置的排序为(1,2)为第一个值,(2,1)为第2个值,(3,3)为第3个值,L条实时位置指纹的特征参数中的第2条实时位置指纹的特征参数代入f1(x,W)中经过计算能得到向量(0.5、,0.9、0.3),则说明向量Y的第2个点对应的位置(2,1)为第2条实时位置指纹的特征参数对应的位置,若L为10,将这10次实时位置指纹的特征参数分别代入f1(x,W)后得到的位置指纹的特征参数对应的位置7次为(2,1),2次为(1,2),1次为(3,3),则(2,1)为述待定位移动终端的位置。
在上述技术中,对矩阵W的优化在构建离线采样位置指纹数据库之后,实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数之前,从而使得所述计算不会在获取述待定位移动终端的位置时进行计算,在获取所述待定位移动终端的位置时只需要进行少量的计算即可,大幅度的提高了计算效率,且采取了多次所述实时位置指纹,并对所述指纹进行了数据整理,剔除了因为环境因素造成的指纹数据出现异常情况的指纹,从而使得所保留的实时位置指纹都更能体现真实的实时位置指纹,同时用了L条实时位置指纹的特征参数与所述离线采样位置指纹数据库进行比较,取出现次数最多的位置为所述移动终端的位置,使得所述结果不是因为偶然性造成,结果更均有准确性和说服力。
上述技术方案的有益效果为:
(1)进行数据剔除后的位置指纹的特征参数的值保证了同一采样点中的值,不会出现因为信号干扰,或者环境因素造成的值过大或过小的情况,保证了数据库中位置指纹的特征参数的值的有效性。
(2)在公式(5)中,利用f1(x,W)构建了一个基于线性方程强化后的非线性方程,从而使得当位置指纹数据和所对应的位置不是线性关系时利用线性方程计算得可能得到误差,从而提高了判断的精度。
(3)在构建容错函数f2(W)时,并不是简单的考虑了将位置指纹数据代入f1(x,W)中计算的得到的是任意采样点位置的可能性大小与实际标注的采样点位置可能性大小之间的差值,并且还考虑了是标注的采样点位置比其它任意采样点位置的可能性要最少多0.1,使得在学习时对准确率的要求更高,达到的学习效果更好。
(4)在构建容错函数f2(W)时还考虑了随机系数矩阵W,避免随机系数矩阵W过大,从而在后面对随机系数矩阵W的调整时,对随机系数矩阵W进行较小的调整就能有较好的优化效果。
(5)在公式(6)中,利用公式A,将容错函数f2(W)对矩阵W中的每个元素都求偏导,当偏导大于0说明,矩阵W中的这个元素会使得f2(W)的值变大,所以在公式B中减小该元素的值,从而达到优化W的效果,当偏导小于0说明矩阵W中的这个元素会使得f2(W)的值变小,所以在公式B中增大该元素的值,从而达到优化W的效果。经过十万次优化,矩阵W的值能达到较优值。
(6)在上述技术中,对矩阵W的优化在构建离线采样位置指纹数据库之后,实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数之前,从而使得所述计算不会在获取述待定位移动终端的位置时进行计算,在获取述待定位移动终端的位置时只需要进行少量的计算即可,大幅度的提高了计算效率,且采取了多次所述实时位置指纹,并对所述指纹进行了数据整理,剔除了因为环境因素造成的指纹数据出现异常情况的指纹,从而使得所保留的实时位置指纹都更能体现真实的实时位置指纹,同时用了L条实时位置指纹的特征参与与所述离线采样位置指纹数据库进行比较,取出现次数最多的位置为所述移动终端的位置,使得所述结果不是因为偶然性造成,结果更均有准确性和说服力。
本发明实施例提供了一种移动终端的定位系统,如图2所示,包括:
获取单元201,用于获取待定位移动终端的所处位置的信号强度;
GPS定位单元202,用于在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;
位置指纹定位单元203,用于在所述信号强度低于所述预设阈值时,通过位置指纹数据库估计所述待定位移动终端的位置。
上述技术方案的工作原理为:GPS定位单元202在信号强度超过预设阈值时,通过GPS定位确定待定位移动终端的位置;位置指纹定位单元203在所述信号强度低于所述预设阈值时,通过位置指纹数据库估计所述待定位移动终端的位置。
上述技术方案的有益效果为:具有可行性高、成本低、精度高、覆盖率高达100%的优点;而且不需要更新当前的网络设施和移动终端,因此有利于传播。
在一个实施例中,所述位置指纹定位单元203包括离线采样装置和实时定位装置,其中,
所述离线采样装置用于在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;
所述实时定位装置用于实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置。
上述技术方案的工作原理为:离线采样装置在待定位移动终端的周围环境确定若干个采样点,并提取若干个采样点对应的采样点位置指纹特征参数,根据采样点位置指纹特征参数构建离线采样位置指纹数据库;实时定位装置实时地获取待定位移动终端的周围环境的实时位置指纹特征参数,并将实时位置指纹特征参数与离线采样位置指纹数据库进行比较,以估计待定位移动终端的位置。
上述技术方案的有益效果为:借助离线采样装置和实时定位装置,可以分别实现离线采样和实时定位,进一步提高可行性精和精度。
本发明实施例还提供一种电子设备,包括:处理器、存储器和总线,其中,处理器,存储器通过总线完成相互间的通信。处理器可以调用存储器中的计算机程序,以执行如下方法:获取待定位移动终端的所处位置的信号强度;在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;在所述信号强度低于所述预设阈值时,在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置。
本发明实施例还公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待定位移动终端的所处位置的信号强度;在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;在所述信号强度低于所述预设阈值时,在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待定位移动终端的所处位置的信号强度;在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;在所述信号强度低于所述预设阈值时,在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种移动终端的定位方法,其特征在于,所述方法执行以下步骤:
步骤1:获取待定位移动终端的所处位置的信号强度;
步骤2:在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;
步骤3:在所述信号强度低于所述预设阈值时,在所述待定位移动终端的周围环境确定若干个采样点,并提取所述若干个采样点对应的采样点位置指纹特征参数,根据所述采样点位置指纹特征参数构建离线采样位置指纹数据库;
步骤4:实时地获取所述待定位移动终端的周围环境的实时位置指纹特征参数,并将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置;通过GPS定位确定所述待定位移动终端的位置,执行以下步骤:
步骤S201:基于移动终端用户的出行模式与用户生活状态之间的关系确定建模函数;
步骤S202:根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法;
在所述步骤S202中,根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法,执行以下步骤:
S2021:在所述移动终端用户加速到恒定速度期间,每隔一定时间间隔重复执行GPS定位,并获得执行所述GPS定位时的实际速度,并记录所述移动终端达到所述恒定速度期间所经过的实际距离;
S2022:根据所述恒定速度、所述实际距离和所述移动终端用户的出行总距离,计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间;
S2023:在所述被缩短的可能剩余时间之后,再次执行GPS定位,确定所述移动终端用户是否到达目的地,若所述移动终端用户到达目的地,则结束GPS定位,若所述移动终端用户未到达所述目的地,则返回步骤S2021,直到所述移动终端用户到达所述目的地。
2.如权利要求1所述的移动终端的定位方法,其特征在于,在所述步骤2中,在通过GPS定位确定所述待定位移动终端的位置时,通过获取若干个到达时间差(TDOA)值,确定所述待定位移动终端的位置。
3.如权利要求1所述的移动终端的定位方法,其特征在于,在所述步骤S201中,所述建模函数如下:
Y=BY+ГX+θ (1)
其中,Y为p内生变量的p*1向量变量,X为q外生变量的q*1向量变量,B和Г为阶数为p*q和p*p的系数矩阵,θ为来自p结构方程的p*1残差向量。
4.如权利要求1所述的移动终端的定位方法,其特征在于,在所述步骤S2021之前,还包括判断所述移动终端用户的运动状态的步骤,
若所述移动终端用户静止不动,则强制停止所述步骤S2021、所述步骤S2022和所述步骤S2023;
若所述移动终端用户从静止开始移动时,则依次执行所述步骤S2021、所述步骤S2022和所述步骤S2023。
5.如权利要求1所述的移动终端的定位方法,其特征在于,在所述步骤S2022中,采用以下公式计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间:
t2=(Stotal–S1)/V1 (2)
其中,t2为所述被缩短的可能剩余时间,Stotal为所述移动终端用户的出行总距离,S1为所述移动终端达到所述恒定速度期间所经过的实际距离,V1为所述恒定速度。
6.如权利要求5所述的移动终端的定位方法,其特征在于,在所述步骤S2023中,根据以下公式确定所述移动终端用户是否到达所述目的地,
V2*t2+S1≥θ(s)*Stotal (3)
其中,V2为所述移动终端在t2时的速度,θ(s)是阈值系数,若满足公式(3),则所述移动终端用户到达所述目的地,若不满足公式(3),则所述移动终端用户未到达所述目的地。
7.如权利要求1所述的移动终端的定位方法,其特征在于,在所述步骤4中,将所述实时位置指纹特征参数与所述离线采样位置指纹数据库进行比较,以估计所述待定位移动终端的位置,为提高所述待定位移动终端的位置的准确性,执行以下步骤:
S401:在所述步骤3中,所述位置指纹数据库中拥有M*N条数据,M为所述位置指纹数据库中对应的采样点的个数,N为在每个采样点均有N条位置指纹数据,分别对每个采样点的所述N条位置指纹数据利用特殊值剔除方法进行整理,其中特殊值剔除方法为,将该采样点中的所述N条位置指纹数据分别利用公式(4)进行判断;
0.15*σi+μi≤Xi≤3.09*σi+μi (4)
其中,Xi表示需要判断的这条位置指纹数据的第i个特征参数的值,σi表示需要判断的这条位置指纹数据对应的采样点的N条位置指纹数据的第i个特征参数的值的方差,μi表示需要判断的这条位置指纹数据对应的采样点的N条位置指纹数据的第i个特征参数的值的均值,i=1、2、3……P,P为每条位置指纹数据均含有的特征参数的值的个数,对于所述位置指纹数据库中不满足公式(4)的位置指纹数据进行剔除,进行剔除后的位置指纹数据库中还有L条位置指纹数据,且每条数据对应的采样点的位置用Y1标记,将Y1去除重复值后,形成向量Y,向量Y则含有M个值;
S402:生成一个P行M列的随机系数矩阵W,矩阵W中每个元素的值都为0到1的随机值,将随机系数矩阵W和进行剔除后的位置指纹数据库中的L条位置指纹数据,代入公式(5)进行机器学习:
f1(x,W)=max(zero(M,1),Wx)
其中,f1(x,W)为定义一个含有x和含有随机系数矩阵Wx的表达式,zero(M,1)为生成M行1列的全0矩阵,max(zero(M,1),Wx)为将Wx形成的向量中的每个值都跟0做比较,取较大的值作为结果;f2(W)为将w当做一个未知值,构建了一个表达式,f1(xi,W)j为将进行剔除后的所述位置指纹数据库中的L条位置指纹数据的第i条数据的特征参数的值作为x后代入f1(x,W)中计算后的第j个值,且j取1到M中去除Y1i后的所有整数值,Y1i为进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据对应的采样点的位置在向量Y中的位置,为将进行剔除后的位置指纹数据库中的L条位置指纹数据的第i条数据的特征参数的值作为x后代入f1(x,W)中计算后的第Y1i个值,Wk,t为随机系数矩阵W的第k行t列的值,k=1、2、3……P,t=1、2、3……M;
S403:根据所述公式(5)中构建的f2(W)对随机系数矩阵W进行十万次反向调整,得到最终判定系数矩阵W;
S404:获取多次所述实时位置指纹,将获取的多次所述实时位置指纹首先利用所述公式(4)进行数据整理,将进行整理后保留的L条实时位置指纹的特征参数分别代入所述公式(5)的f1(x,W)中,其中在每次代入时x取值为实时位置指纹的特征参数值,W为最终判定系数矩阵W,提取通过f1(x,W)计算得到的向量中最大值对应的下标z,则向量Y中的第z个的采样点的位置则为本次代入的实时位置指纹的特征参数对应的位置,统计L条实时位置指纹的特征参数分别对应的位置,出现次数最多的位置则为所述待定位移动终端的位置。
8.一种移动终端的定位系统,其特征在于,包括:
获取单元,用于获取待定位移动终端的所处位置的信号强度;
GPS定位单元,用于在所述信号强度超过预设阈值时,通过GPS定位确定所述待定位移动终端的位置;
位置指纹定位单元,用于在所述信号强度低于所述预设阈值时,通过位置指纹数据库估计所述待定位移动终端的位置;通过GPS定位确定所述待定位移动终端的位置,执行以下步骤:
步骤S201:基于移动终端用户的出行模式与用户生活状态之间的关系确定建模函数;
步骤S202:根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法;
在所述步骤S202中,根据所述建模函数预测所述移动终端用户的出行模式,并在所述移动终端用户不同的运动状态下采用不同的GPS定位方法,执行以下步骤:
S2021:在所述移动终端用户加速到恒定速度期间,每隔一定时间间隔重复执行GPS定位,并获得执行所述GPS定位时的实际速度,并记录所述移动终端达到所述恒定速度期间所经过的实际距离;
S2022:根据所述恒定速度、所述实际距离和所述移动终端用户的出行总距离,计算所述移动终端在所述实际距离之后出行的被缩短的可能剩余时间;
S2023:在所述被缩短的可能剩余时间之后,再次执行GPS定位,确定所述移动终端用户是否到达目的地,若所述移动终端用户到达目的地,则结束GPS定位,若所述移动终端用户未到达所述目的地,则返回步骤S2021,直到所述移动终端用户到达所述目的地。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769867.6A CN110366106B (zh) | 2019-08-20 | 2019-08-20 | 一种移动终端的定位方法和定位系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769867.6A CN110366106B (zh) | 2019-08-20 | 2019-08-20 | 一种移动终端的定位方法和定位系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110366106A CN110366106A (zh) | 2019-10-22 |
CN110366106B true CN110366106B (zh) | 2020-11-10 |
Family
ID=68224072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910769867.6A Active CN110366106B (zh) | 2019-08-20 | 2019-08-20 | 一种移动终端的定位方法和定位系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110366106B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005039A (zh) * | 2015-07-17 | 2015-10-28 | 上海交通大学 | 基于3d建模场景动态指纹的卫星信号定位方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6188354B1 (en) * | 1999-03-29 | 2001-02-13 | Qualcomm Incorporated | Method and apparatus for determining the location of a remote station in a CDMA communication network |
CN201532466U (zh) * | 2009-11-09 | 2010-07-21 | 胡宜萍 | 便携式个人gps定位终端 |
PL2510383T3 (pl) * | 2009-12-11 | 2015-11-30 | Nokia Technologies Oy | Zarządzanie danymi pomocniczymi |
CN105445776A (zh) * | 2015-12-28 | 2016-03-30 | 天津大学 | 一种室内外无缝定位系统 |
CN106595653A (zh) * | 2016-12-08 | 2017-04-26 | 南京航空航天大学 | 一种穿戴式行人自主导航系统及其导航方法 |
CN108806249B (zh) * | 2018-06-07 | 2021-06-11 | 上海市城市建设设计研究总院(集团)有限公司 | 基于公交app软件的乘客出行优化方法 |
CN109581437B (zh) * | 2018-12-07 | 2020-11-10 | 歌尔科技有限公司 | 一种可穿戴设备及其定位方法、装置 |
CN109767141A (zh) * | 2019-03-07 | 2019-05-17 | 辽宁北斗卫星导航平台有限公司 | 一种铁路巡检的监控方法、装置、介质及设备 |
-
2019
- 2019-08-20 CN CN201910769867.6A patent/CN110366106B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005039A (zh) * | 2015-07-17 | 2015-10-28 | 上海交通大学 | 基于3d建模场景动态指纹的卫星信号定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110366106A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ibrahim et al. | CNN based indoor localization using RSS time-series | |
US8665743B2 (en) | User behavior model and statistical transition map to assist advanced WLAN applications | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN111417066B (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
US11782120B2 (en) | Methods and systems for low power wide area network localization | |
US20230180086A1 (en) | Method and apparatus for accessing network cell | |
CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN113993172B (zh) | 一种基于用户移动行为预测的超密集网络切换方法 | |
CN111148030A (zh) | 指纹数据库的更新方法、装置、服务器及存储介质 | |
CN111148057B (zh) | 室内定位方法、系统、计算机设备及可读存储介质 | |
Mansouri et al. | Secure and robust clustering for quantized target tracking in wireless sensor networks | |
Shih et al. | Intelligent radio map management for future WLAN indoor location fingerprinting | |
CN114449452A (zh) | 一种异构设备室内定位算法 | |
CN116405875A (zh) | 一种基于ISSA-Elman神经网络的低功耗蓝牙室内定位方法 | |
Xue et al. | Deep learning based channel prediction for massive MIMO systems in high-speed railway scenarios | |
CN112714397B (zh) | 一种基于测距优化和改进麻雀搜索算法的wsn节点定位方法 | |
CN117641240A (zh) | 一种利用神经网络进行室内定位的方法和装置 | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
Guo et al. | Indoor positioning optimization based on genetic algorithm and RBF neural network | |
CN110366106B (zh) | 一种移动终端的定位方法和定位系统 | |
Hamouda et al. | Metadata-based adaptive sampling for energy-efficient collaborative target tracking in wireless sensor networks | |
JP6223302B2 (ja) | 携帯端末を所持したユーザの滞在判定が可能な装置、プログラム及び方法 | |
Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
Zhang et al. | Gaussian process based radio map construction for LTE localization | |
Diao et al. | Enhancing trilateration localization by adaptive selecting distances |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220330 Address after: 050000 Building 1, science and technology center, No. 136, Huanghe Avenue, high tech Zone, Shijiazhuang City, Hebei Province Patentee after: Hegang Digital Technology Co.,Ltd. Address before: 264200 floor 2, No. 106-2, Songshan Road, Huancui District, Weihai City, Shandong Province Patentee before: Tongzhou Wisdom (Weihai) Technology Development Co.,Ltd. |
|
TR01 | Transfer of patent right |