CN110933604A - 基于位置指纹时序特征的knn室内定位方法 - Google Patents

Abstract

本发明涉及室内定位技术领域，尤其涉及基于位置指纹时序特征的KNN室内定位方法，包括构建定位区域的WIFI位置指纹库，通过客户端捕获当前时刻位置的无线接入点的信号强度数据；利用欧式距离计算当前时刻位置与历史位置指纹之间的相似度，找出前K个相似位置指纹；计算前K个相似位置指纹中每个位置指纹与上一时刻定位结果之间的距离，得到预估距离；分别计算前K个相似位置指纹的偏移量和权值；对前K个相似位置指纹的位置坐标进行加权求和，得到当前时刻的位置坐标，完成定位。本发明的室内定位策略使用当前时刻的指纹进行基准坐标选择，然后再利用前几个时刻的定位结果对每个基准坐标进行权值修正，有效提高室内定位的精度，降低了平均定位误差。

Description

基于位置指纹时序特征的KNN室内定位方法

技术领域

本发明涉及室内定位技术领域，尤其涉及基于位置指纹时序特征的KNN室内定位方法。

背景技术

根据定位环境的不同，定位技术可以分为室外定位和室内定位。室外定位主要依靠传统的卫星定位技术，其主要是通过时间测距定位、多普勒测速定位等方法获得用户的地理位置信息，比如全球定位系统(Global Position System,GPS)和北斗卫星导航系统(BeiDou Navigation Satellite System，BDS)。目前，该技术已成熟地运用于各个领域并日趋完善，能在广阔的室外空间为人们提供精准位置服务，使得人们在室外的定位需求基本得到了满足。我国城镇化进程的不断加快促进了建筑的复杂化、大型化发展，为了给人们生活提供了更加舒适、便捷的环境，人们对于室内定位精度同样有着较高的需求，但是由于卫星信号难以穿透建筑物墙体，并且易受多径效应的干扰，使卫星定位系统在室内环境中精度大大下降，甚至无法进行定位。面对人们在工作生活中对于室内定位的急切需求，室内定位技术受到了学术界和工业界的广泛关注。

目前智能手机室内定位方法按技术类别可以分为基于无线网络、基于测量传感器以及基于视觉的定位方法。基于视觉的室内定位技术有着精度高、价格低等优点，尤其当深度学习理论应用在图像处理上面时，定位误差能够达到小于1m。然而，它必须频繁地使用摄像设备来获得图像信息，使用上的不便导致这种方法很难应用在现实当中。无线通信技术具有安装方便、技术成熟、体积小等优点，但是其中的红外线、超声波、RFID等室内定位技术需要专有的接收端设备，定位成本昂贵，并不能实现大范围的室内定位。

随着智能终端和移动互联网的快速发展，越来越多的用户选择使用WIFI作为接入互联网的主要方式，因此无线接入点(Access Points,AP)被广泛分布在各种室内公共场所。WIFI信号有着覆盖范围广、安装简单的优点，并且接收装置为人们日常使用的智能手机，不需要额外专用设备，利用WIFI实现室内定位不仅满足了人们上网的需求，同时也解决了室内位置服务的问题。因此，通过搜集WIFI信号进行指纹定位已成为目前最主流的室内定位方法之一。若室内的任一点位置都有独特的位置特征，像指纹一样一一对应，那么就可以通过位置指纹库来与待测“指纹”进行匹配，依据相应的数据处理与定位算法即可实现定位。基于WIFI位置指纹的定位技术无需额外的硬件设备支持，甚至不需要用户连接所提供的WIFI，只要用户打开自身携带移动终端的WIFI开关即可，这大大降低了对WIFI热点的网络要求和技术门槛，相比较其他技术方法有着独特的成本优势与多功能性，故其也是当前室内定位领域的研究热点。

人的行走是一个具有强时序关联性的行为，由于人日常行走中通常保持匀速行进，很少出现跳跃的情况，因此每一步位置都和上几步的位置息息相关。现有传统WIFI室内定位算法只利用了当前时刻的指纹信息进行定位估计，忽视了相邻时刻指纹之间的时序信息，对指纹数据的利用率没有达到最大值，这就会对定位精度造成一定影响。

发明内容

有鉴于此，本发明的目的是提供基于位置指纹时序特征的KNN室内定位方法，该室内定位策略使用当前时刻的指纹进行基准坐标选择，然后再利用前几个时刻的定位结果对每个基准坐标进行权值修正，有效提高了室内定位的精度，降低了平均定位误差。

本发明通过以下技术手段解决上述技术问题：

基于位置指纹时序特征的KNN室内定位方法，所述室内定位策略如下：

构建定位区域的WIFI位置指纹库；

通过客户端捕获当前时刻位置的无线接入点的信号强度数据；

利用欧式距离计算当前时刻位置与历史位置指纹之间的相似度，按照相似度从高到低排序，找出前K个相似位置指纹；

计算前K个相似位置指纹中每个位置指纹与上一时刻定位结果之间的距离，得到预估距离；

分别计算前K个相似位置指纹的预估距离与理论距离的偏移量，以及分别计算前K个相似位置指纹的权值；

对前K个相似位置指纹的位置坐标进行加权求和，得到当前时刻的位置坐标，完成定位。

进一步，所述WIFI位置指纹库的构建步骤如下：

将室内定位区域划分为呈网格状的多个区块；

在室内定位区域部署多个无线接入点，采集每个区块来自所有无线接入点的接收信号强度数据；

每个区块检测到的所有接收信号强度数据的相关信息，构成对应每个区块的位置指纹；

将每个区块的位置指纹与各区块的位置坐标信息关联建立一一对应的关系，即构成WIFI位置指纹库。

进一步，所述无线接入点包括覆盖型AP和引导型AP，所述覆盖型AP部署在单通道区域，每个所述区块至少能够检测到三个WIFI信号，所述引导型AP部署在两个通道的汇集区域或两个以上通道的汇集区域。

进一步，每个所述区块检测到的所有接收信号强度数据的相关信息，包括在所述区块出来自所有无线接入点的接收信号强度数据的平均值、标准差以及所有无线接入点的名称。

进一步，所述当前时刻位置与历史位置指纹之间的相似度的获取方式如下：

其中，R为当前时刻位置所接收到的实时指纹数据，L_i是指纹库中的第i个历史指纹数据，D(R，L_i)表示两者之间的相似程度。

进一步，所述预估距离的获取方式如下：

其中，设定当前时刻为t时刻，(x_k，y_k)为当前时刻下，第k位相似指纹所属的物理位置坐标，(x_t-1，y_t-1)为上一时刻最终定位结果的坐标，d_t，k表示第k位相似指纹的预估距离。

进一步，所述预估距离与理论距离的偏移量的计算方法如下：

θ_k＝|d_t，k-0.5·N_S|

其中，0.5表示人的行走平均速度为0.5m，N_S表示每个区块间隔内行走的步数，θ_k表示第k位相似指纹的预估距离与理论距离的偏移量。

进一步，所述相似位置指纹的权值的计算方法如下：

其中，ω_k表示第k个相似指纹的权值，ε是一个比较小的数，ε取值范围为：0.1-0.01，避免分母为0。

进一步，所述当前时刻的位置坐标获取方式如下：

其中，(x_t，y_t)表示当前时刻定位结果的坐标，(x_k，y_k)表示第k位指纹所属的物理位置坐标，ω_k表示第k个相似指纹的权值。

本发明的基于位置指纹时序特征的KNN室内定位方法，利用K近邻算法(KNN)的思想，使用欧式距离计算位置指纹之间的相似度，找出前K个相似位置指纹，并依次计算每个指纹与上一时刻定位结构之间的预估距离，再获得预估距离与理论距离的偏移量，进而获得每个相似指纹的权值，最后为前K个相似指纹的位置坐标进行加权后的和，即得到当前时刻位置定位结果的坐标。本发明的室内定位策略使用当前时刻的指纹进行基准坐标选择，然后再利用前几个时刻的定位结果对每个基准坐标进行权值修正，有效提高了室内定位的精度，降低了平均定位误差。

附图说明

图1是本发明基于位置指纹时序特征的KNN室内定位方法的算法流程图；

图2是位置指纹数据采集系统的结构示意图；

图3是实时定位系统的结构示意图；

图4是某广场定位区域的区块划分图；

图5是某广场定位区域的无线接入点部署图；

图6是KNN、WKNN、TS-KNN三种算法的定位累计分布曲线图；

图7是不同无线接入点数量下的定位准确率；

图8是不同位置指纹数量下的定位准确率；

图9是不同K值下的定位准确率。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容了解本发明的优点和功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

人的行走是一个具有强时序关联性的行为，由于人日常行走中通常保持匀速行进，很少出现跳跃的情况，因此每一步位置都和上几步的位置息息相关。本发明利用行走时相邻时刻定位结果的时间序列趋势，提出了TS-KNN(Timing Sequence based K-NearestNeighbor)算法。该算法的基本思想是利用相近时刻的历史结果修正当前时刻的预测结果。

本发明的室内定位策略基于室内定位系统，该室内定位系统包括位置指纹数据采集系统和实时定位系统。指纹数据采集系统服务于室内定位的离线阶段，主要实现原始信号采集、信号修正与处理和位置指纹数据存储等功能，位置指纹数据采集系统结构如图2所示。位置指纹数据采集系统包含一个客户端和一个服务端，客户端利用位置参数填写、原始信号采集和信号修正与处理等功能，实现了离线阶段指纹数据的采集。实时定位系统服务于室内定位的在线阶段，主要用于实现实时位置指纹采集、位置坐标估计和定位可视化等功能，实时定位系统的整体结构如图3所示。客户端是一个基于Android系统的APP，利用位置指纹数据采集和地图可视化等功能，实现了在线阶段的位置实时估计与显示。当客户端接收到实时指纹数据后，发送Http向服务端提出位置估计的请求。服务端的Web Server接收到请求后对其进行响应，调用python接口，将处理后的数据传入python中的模型，得到估计位置坐标后将上传结果返回至客户端进行可视化显示。

如图1所示，本发明的基于位置指纹时序特征的KNN室内定位方法的具体步骤如下：

步骤一：构建定位区域的WIFI位置指纹库。

综合考虑室内定位区域的环境大小以及定位精度的要求，将室内定位区域划分为呈网格状的多个大小基本相同的区块，将每个网格的中心作为检测点，如图4所示。在室内定位区域部署多个无线接入点，部署的无线接入点包括覆盖型AP和引导型AP，覆盖型AP部署在单通道区域，例如笔直无岔路的走廊，覆盖型AP的部署标准为每个区块至少能够检测到三个WIFI信号；引导型AP部署在误差影响较大的区域，即两个通道的汇集区域或两个以上通道的汇集区域，例如T字路口，如图5所示，用于增强该区域信号分布的特异性，在局部上减少出现误差的概率。

随后通过定位系统中的位置指纹数据采集系统采集每个区块来自所有无线接入点的接收信号强度数据，对每个区块采集到的接收信号强度数据求平均值、标准差等算法操作，获得每个区块对应的所有无线接入点的接收信号强度数据的平均值、标准差以及所有无线接入点的名称等相关信息，从而构成对应每个区块的位置指纹。将每个区块的位置指纹与各区块的位置坐标信息关联建立一一对应的关系，即组建形成了WIFI位置指纹库。

步骤二：通过客户端捕获当前时刻位置的无线接入点的信号强度数据。

通过基于Android系统的APP软件，以一定的频率轮询该终端可接收到的无线接入点的信号强度，将当前时刻捕获到的无线接入点的实时信号强度进行记录，并发送到实时定位系统的服务端，便获得当前时刻位置的无线接入点的信号强度数据。

步骤三：利用欧式距离计算当前时刻位置与历史位置指纹之间的相似度，按照相似度从高到低排序，找出前K个相似位置指纹。

使用欧式距离计算位置指纹之间的相似度，找出前K个相似位置指纹，计算方法如式(1)所示：

其中，R为当前时刻位置所接收到的实时指纹数据，L_i是指纹库中的第i个历史指纹数据，D(R，L_i)表示两者之间的相似程度。

步骤四：计算前K个相似位置指纹中每个位置指纹与上一时刻定位结果之间的距离，得到预估距离。

找出前K个相似位置指纹后，需要依次计算每个指纹与上一时刻定位结果之间的距离，即预估距离。假设当前定位时刻为t时刻，预估距离的计算方式如式(2)所示：

其中，设定当前时刻为t时刻，(x_k，y_k)为当前时刻下，第k位相似指纹所属的物理位置坐标，(x_t-1，y_t-1)为上一时刻最终定位结果的坐标，d_t，k表示第k位相似指纹的预估距离。

步骤五：分别计算前K个相似位置指纹的预估距离与理论距离的偏移量，以及分别计算前K个相似位置指纹的权值。

通常情况下，在较短时间段内，人的行走距离是非常有限的。由于人的行走速度大约是0.5m每步，假设每个区块内行走的步数为N_S，那么d_t，k的理论值应为0.5·N_S，那么，预估距离与理论距离的偏移量的计算方式如式(3)下：

θ_k＝|d_t，k-0.5·N_S| (3)

其中，θ_k表示第k位相似指纹的预估距离与理论距离的偏移量。

一个指纹的偏移量越大，说明该指纹的位置坐标离真实坐标的距离就越大，那么就需要在坐标计算中减弱该指纹的权值。第k个相似指纹的权值ω_k计算方法如式(4)所示：

其中，ω_k表示第k个相似指纹的权值，ε是一个比较小的数，ε取值范围为：0.1-0.01，防止分母为0。

步骤六：对前K个相似位置指纹的位置坐标进行加权求和，得到当前时刻的位置坐标，完成定位。

最终定位结果的坐标计算方式如式(5)所示：

其中，(x_t，y_t)表示当前时刻定位结果的坐标，(x_k，y_k)表示第k位指纹所属的物理位置坐标，ω_k表示第k个相似指纹的权值。

为了验证本发明的基于位置指纹时序特征的KNN室内定位方法的室内定位效果，选取了某广场B1层其中一段较长的过道进行实验测试，该定位区域包含10个店铺、两部扶梯和电梯，以及一间洗手间，总面积约340平方米。按照本发明的室内定位策略的无线接入点部署规则，在该定位区域部署无线接入点，具体部署方式如图5所示。

由于WIFI信号在室内传播的复杂性，每个区块处的信号强度观测值具有很强的波动性，并且不同的手机朝向也会导致不同的信号强度观测值。因此在采集WIFI数据时，为了得到分布较为全面的数据，本试验使用5种不同型号的手机(华为P7、小米5、荣耀6、小米3、华为P8)进行位置指纹的采集，在每一个参考节点上采集朝向正东、正南、正西和正东四个方向上的WIFI数据，每个手机在各个参考节点上采集120条WIFI数据，其中每个朝向各30条。定位区域区块划分图如下图4所示。每个区块采集的无线接入点的接收信号强度相关信息和各区块的位置坐标确定了一个独一无二的参考点，将其存入室内定位系统中，构成该广场定位区域的WIFI位置指纹数据库。通过APP采集当前时刻位置的无线接入点的信号强度数据，为了检验本发明的TS-KNN算法的定位效果，本试验选择采用KNN、WKNN、TS-KNN三种算法的定位结果进行比较，三种算法的定位累计分布曲线如图6所示。

由图6可以看出，TS-KNN算法在任何定位误差下的准确率都高于其他两者。当定位误差阈值为3m时，其定位准确率接近90％，基本符合室内定位的要求。除此之外，还可以看出，当定位误差小于1m时，三者算法的准确率差别较小，都小于25％，这是因为WIFI信号强度在1m内变化不大，信号—空间映射关系的分辨率比较低，这是WIFI的固有属性，单纯改进算法很难分辨出差异性。虽然三种算法在极小误差下的准确率都差强人意，但当误差阈值达到3m时，三种算法的准确率形成了极大的差别，TS-KNN：87％，WKNN：69％，KNN：48％，这是因为TS-KNN算法区别于WKNN和KNN算法，利用了WIFI的时序特征，大大提高了定位的精度。同时，因为WIFI信号在较大范围内有着明显差异，三种算法在定位误差等于6m时都达到了比较高的准确率。

为了探究无线接入点数量对定位效果的影响，将定位区域布置的无线接入点的数量分别设为2、3…15，同时利用TS-KNN算法计算各种情况下的准确率，结果如下图7所示。图7显示了当定位误差小于4m时，不同无线接入点数量下TS-KNN算法的定位准确率。可以从曲线形状上看出，在大趋势上，无线接入点数量与定位准确率成正比，但出现了极个别无线接入点数量增加而准确率下降的情况，这可能是因为TS-KNN是一种基于距离的定位算法，而新增加的无线接入点虽然丰富了空间中的信号数量，但降低了信号的差异性，是一个坏特征。准确率曲线的斜率越来越低，说明当无线接入点到达一定数量后，虽然准确率仍然会随着无线接入点数量的增加而上升，但涨幅非常小，因此最终定位区域的无线接入点数量的确定，需要综合考虑定位需求和定位成本。

为了探究位置指纹数量对定位效果的影响，将每个参考节点的指纹采集数量设为40、80、120、160、200、240、280、320、360、400、440、480和520共13组位置指纹数量，利用TS-KNN算法计算各个数量下的准确率，结果如图8所示。从图8显示的曲线趋势可以看出，当位置指纹数量小于400时，TS-KNN算法的准确率随指纹数量的增加稳步上升，并在指纹数量为400时达到最高值91％，之后趋于稳定，不再出现较大的变化。

为了探究K的取值对定位效果的影响，利用TS-KNN算法计算各个K值下的定位准确率，结果如下图9所示。图9显示了当定位误差小于4m时，不同K值下TS-KNN算法的定位准确率。当K值等于1时的TS-KNN大致相当于NN算法，不仅丢失了位置指纹间的时序信息，并且大幅降低了算法的鲁棒性，定位准确率最低。当K值逐渐增加后，TS-KNN在时序信息利用上的优势就体现出来了，定位准确率随之升高，并在K值为7时达到最高。当K的取值大于7时，TS-KNN算法可能过多考虑了误差较大的定位结果，导致定位准确率下降，因此，在利用本发明的室内定位系统进行定位时，一般找出前5-7个相似位置指纹即可。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。

Claims (9)

1.基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述室内定位策略如下：

构建定位区域的WIFI位置指纹库；

通过客户端捕获当前时刻位置的无线接入点的信号强度数据；

利用欧式距离计算当前时刻位置与历史位置指纹之间的相似度，按照相似度从高到低排序，找出前K个相似位置指纹；

计算前K个相似位置指纹中每个位置指纹与上一时刻定位结果之间的距离，得到预估距离；

分别计算前K个相似位置指纹的预估距离与理论距离的偏移量，以及分别计算前K个相似位置指纹的权值；

对前K个相似位置指纹的位置坐标进行加权求和，得到当前时刻的位置坐标，完成定位。

2.根据权利要求1所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述WIFI位置指纹库的构建步骤如下：

将室内定位区域划分为呈网格状的多个区块；

在室内定位区域部署多个无线接入点，采集每个区块来自所有无线接入点的接收信号强度数据；

每个区块检测到的所有接收信号强度数据的相关信息，构成对应每个区块的位置指纹；

将每个区块的位置指纹与各区块的位置坐标信息关联建立一一对应的关系，即构成WIFI位置指纹库。

3.根据权利要求2所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述无线接入点包括覆盖型AP和引导型AP，所述覆盖型AP部署在单通道区域，每个所述区块至少能够检测到三个WIFI信号，所述引导型AP部署在两个通道的汇集区域或两个以上通道的汇集区域。

4.根据权利要求3所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，每个所述区块检测到的所有接收信号强度数据的相关信息，包括在所述区块出来自所有无线接入点的接收信号强度数据的平均值、标准差以及所有无线接入点的名称。

5.根据权利要求1所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述当前时刻位置与历史位置指纹之间的相似度的获取方式如下：

其中，R为当前时刻位置所接收到的实时指纹数据，L_i是指纹库中的第i个历史指纹数据，D(R，L_i)表示两者之间的相似程度。

6.根据权利要求5所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述预估距离的获取方式如下：

其中，设定当前时刻为t时刻，(x_k，y_k)为当前时刻下，第k位相似指纹所属的物理位置坐标，(x_t-1，y_t-1)为上一时刻最终定位结果的坐标，d_t，k表示第k位相似指纹的预估距离。

7.根据权利要求6所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述预估距离与理论距离的偏移量的计算方法如下：

θ_k＝|d_t，k-0.5·N_S|

其中，0.5表示人的行走平均速度为0.5m，N_s表示每个区块间隔内行走的步数，θ_k表示第k位相似指纹的预估距离与理论距离的偏移量。

8.根据权利要求7所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述相似位置指纹的权值的计算方法如下：

其中，ω_k表示第k个相似指纹的权值，ε取值范围为：0.1-0.01。

9.根据权利要求8所述的基于位置指纹时序特征的KNN室内定位方法，其特征在于，所述当前时刻的位置坐标获取方式如下：

其中，(x_t，y_t)表示当前时刻定位结果的坐标，(x_k，y_k)表示第k位指纹所属的物理位置坐标，ω_k表示第k个相似指纹的权值。

Images