CN111328012A - 一种基于楼宇WiFi立体分层定位方法及装置 - Google Patents

一种基于楼宇WiFi立体分层定位方法及装置 Download PDF

Info

Publication number
CN111328012A
CN111328012A CN201811532696.7A CN201811532696A CN111328012A CN 111328012 A CN111328012 A CN 111328012A CN 201811532696 A CN201811532696 A CN 201811532696A CN 111328012 A CN111328012 A CN 111328012A
Authority
CN
China
Prior art keywords
fingerprint
information
wifi
fingerprints
fingerprint database
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
CN201811532696.7A
Other languages
English (en)
Other versions
CN111328012B (zh
Inventor
马惠珊
戴振馨
熊国新
聂磊
陈致樑
袁智强
何慧
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong 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 China Mobile Communications Group Co Ltd, China Mobile Group Guangdong Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201811532696.7A priority Critical patent/CN111328012B/zh
Publication of CN111328012A publication Critical patent/CN111328012A/zh
Application granted granted Critical
Publication of CN111328012B publication Critical patent/CN111328012B/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
    • 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
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例提供一种基于楼宇WiFi立体分层定位方法及装置，所述方法包括：获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。利用本发明实施例通过建立的一套覆盖广且深的WiFi指纹库，在不需要增加人工成本的条件下，实现精度高、可用性强的楼宇WiFi指纹立体分层定位。

Description

一种基于楼宇WiFi立体分层定位方法及装置
技术领域
本发明实施例涉及定位技术领域，尤其涉及一种基于楼宇WiFi立体分层定位方法及装置。
背景技术
与室外环境对比，室内环境的空间较小，与之相对应的定位精度的要求也有了很大的提高。同时，室内环境中信号的传播也很大程度受到多径传播等问题的影响，所以室内定位对于定位技术提出的要求也更高了。目前主流的室内定位技术除了基于移动网络的蜂窝定位技术外，常见的室内无线定位技术还有：WiFi定位技术、蓝牙定位技术、红外线定位技术、超宽带定位技术、RFID定位技术、ZigBee定位技术和超声波定位技术。
这些技术都是各自的优势和局限性，例如WiFi定位，传统的WIFI定位是WIFI终端将数据发送到位置服务器，地图服务商的服务器就可以用一个算法计算出设备的地理位置并返回到用户设备。目前只有现有建立公共WIFI指纹移动自有WLAN的指纹信息，这些指纹对楼宇的覆盖程度的以及楼层的覆盖程度都是有限的，无法满足全面的室内定位要求，而且指纹库的建立，精度高，前期工作大，不适合无线环境变化大区域。
传统WiFi定位和人工扫楼建立WiFi指纹库需要专门人员，投入人力物力大。同时传统指纹库在自我更新的机制方面存在滞后，更新需要人工重新拨测，工作量大等问题。
发明内容
针对现有技术中存在的技术问题，本发明实施例提供一种基于楼宇WiFi立体分层定位方法及装置。
第一方面，本发明实施例提供一种基于楼宇WiFi立体分层定位方法，包括：
获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；
根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；
将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
第二方面，本发明实施例提供一种基于楼宇WiFi立体分层定位装置，包括：
获取模块，用于获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；
计算模块，用于根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；
定位模块，用于将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于楼宇WiFi立体分层定位方法及装置，所述方法包括：获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。利用本发明实施例通过建立的一套覆盖广且深的WiFi指纹库，在不需要增加人工成本的条件下，实现精度高、可用性强的楼宇WiFi指纹立体分层定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付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。
图1为本发明实施例提供的基于楼宇WiFi立体分层定位方法的流程示意图；
图2为本发明一实施例提供的基于楼宇WiFi立体分层定位方法的定位结果示意图；
图3为本发明实施例提供的K最邻近算法中k的不同取值的不同结果示意图；
图4为本发明实施例提供的RFM模型的示意图；
图5为本发明实施例提供的基于楼宇WiFi立体分层定位装置的结构示意图；
图6为本发明实施例提供的电子设备的实体结构示意图。
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中的附图，对本发明实施例中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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
图1为本发明实施例提供的基于楼宇WiFi立体分层定位方法的流程示意图，如图1所示，所述方法包括：
S101、获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；
S102、根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；
S103、将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
本发明实施例提供一种基于楼宇WiFi立体分层定位方法，获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息，根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离，其中，预先建立的指纹库具体为WiFi特征库，WiFi特征库中包含每个楼宇楼层的WiFi指纹信息，指纹信息主要是楼宇楼层的某位置点周围的WiFi到该位置点的信号强度信息；其中，任何“位置独特”的特征都能被用来做为一个位置指纹。比如某个位置上通信信号的多径结构、某个位置上是否能检测到接入点或基站、某个位置上检测到的来自基站信号的RSS(接收信号强度)、某个位置上通信时信号的往返时间或延迟，这些都能作为一个位置指纹，或者也可以将其组合起来作为位置指纹。
如图2所示，在每一个网格点上，通过一段时间的数据采样(5到15分钟，大约每秒采集一次)得到来自各个接入点AP的平均信号强度RSS，采集的时候移动设备可能有不同的朝向和角度。
在预先建立的指纹库中的M个指纹中，找到在信号空间中与RSS观测值即移动设备所在位置的信号强度的欧氏距离最近的指纹，然后将它所对应的位置坐标作为移动设备的位置。这个使用欧氏距离的方法也叫做在信号空间中找到最近邻，因为目标是在信号空间中找到一个离RSS观察值最近的指纹。决策边界可以使用泰森多边形的方法画出来，信号空间中每个泰森多边形包含的区域距离这个位置指纹最近。RSS观测值所处的泰森多边形区域中的位置指纹的位置，作为定位结果，通过本发明实施例可以获取到移动设备的位置，即在楼宇中处于哪个楼层。
本发明实施采用基于WiFi信号强度的位置指纹法进行定位，以及采用的RSS空间中的欧氏距离如下所示：
Figure BDA0001906080040000041
具体的计算结果如下表1所示：
表1
Figure BDA0001906080040000051
本发明实施例提供的基于楼宇WiFi立体分层定位方法，在建立了WiFi指纹库的基础上，结合信令解码获取的用户上报的MAC地址及强度信息。通过智能算法进行关联，获取用户的立体室内的位置，并通过智能算法实现指纹库自动更新，提升指纹定位的准确性。利用本发明实施例，建立一套覆盖广且深的WiFi指纹库，在不需要增加人工成本的条件下，实现精度高、可用性强的楼宇WiFi指纹立体分层定位。
可选地，所述方法还包括对所述预先建立的指纹库的更新，包括新增WiFi指纹的更新和失效WiFi指纹的更新。
可选地，所述新增WiFi指纹的更新具体为：采用有监督机器学习算法对用户上报的指纹信息进行计算，通过测量不同特征值之间的距离进行分类。
可选地，所述有监督机器学习算法为K最邻近分类算法。
在上述实施例的基础上，需要预先建立WiFi指纹库采用如下的步骤建立：测试机准备，安装测试软件；登陆采集app现场采集WiFi信息并进行记录，包括楼宇、楼层、WiFi信号、MAC地址、信号强度等信息；保存以上采集信息作为指纹数据。
在后续的使用过程中根据实际的情况进行自动更新，包括新增WiFi指纹的更新和失效WiFi指纹的更新。
其中，所述新增WiFi指纹的更新具体为：采用有监督机器学习算法对用户上报的指纹信息进行计算，通过测量不同特征值之间的距离进行分类。
WiFi指纹新增原则：若用户上报的同一个点的MAC地址多次出现，且不再其他楼宇出现，则将新的MAC地址加入到WiFi指纹库中。
本发明实施例利用有监督机器学习算法—K最邻近算法(KNN)，对用户上报的指纹信息进行计算，通过测量不同特征值之间的距离进行分类，能较为准确的将新增的MAC地址、信号强度加入到指定的室内位置。
优选地，本发明实施例采用K最邻近算法(KNN)，KNN算法又称为k最近邻(k-nearest neighbor classification)分类算法。所谓的k最近邻，就是指最接近的k个邻居(数据)，即每个样本都可以由它的K个邻居来表达。kNN算法的核心思想是，在一个含未知样本的空间，可以根据离这个样本最邻近的k个样本的数据类型来确定样本的数据类型。
该算法涉及3个主要因素：训练集、距离与相似的衡量、k的大小；主要考虑因素：距离与相似度的。
图3为本发明实施例提供的K最邻近算法中k的不同取值的不同结果示意图，如图3所示。在图3中，圆要被决定赋予哪个类，是三角形还是四方形？
如果K＝3，由于三角形所占比例为2/3，圆将被赋予三角形那个类，如果K＝5，由于四方形比例为3/5，因此圆被赋予四方形类。
可选地，所述方法还包括根据用户上报的XDR单，过滤用户位置；关联用户的软采MR数据，计算用户所在位置的WiFi的覆盖情况。
在上述实施例的基础上，所述方法还包括：用户信令中会上报一组MAC地址及信号强度信息。找到在信号空间中与RSS观测值的欧氏距离最近的指纹，然后将它所对应的位置坐标作为移动设备的位置。最短的点即为用户所在的楼宇楼层，同时，根据XDR单的用户行为算法，过滤用户位置。进而关联用户的软采MR数据，计算当前点的覆盖情况，最终展现覆盖情况。
可选地，所述失效WiFi指纹的更新具体为：采用RFM模型对失效WiFi指纹进行剔除。
可选地，所述采用RFM模型对失效WiFi指纹进行剔除具体为：
通过RFM模型对所述指纹库中的WiFi指纹进行评分，将分值低于预设值的WiFi指纹判定为失效指纹。
可选地，所述通过RFM模型对所述指纹库中的WiFi指纹进行评分，具体为：
将用户上传的指纹信息进行标准化处理，得到近度R、频度F和值度M；
根据计算得到的所述近度R、频度F和值度M，进行RFM计算。
在上述实施例的基础上，除了对指纹库的新增的更新外，还需要对失效的WiFi指纹进行剔除。
本发明实施例采用RFM模型对失效WiFi指纹进行剔除。
首先，通过RFM模型对WiFi指纹进行评分，根据评分的结果判断所述指纹库中的指纹是否有效。
RFM模型是衡量客户价值和客户创利能力的重要工具和手段，如图4所示。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。
R(Recency)：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则交易发生的日期越近。
F(Frequency)：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
M(Monetary)：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
具体地，所述通过RFM模型对WiFi指纹进行评分，具体为：
将用户上传的指纹信息进行标准化处理，得到近度R、频度F和值度M，其中：
对间隔天数做最大最小标准化处理，得到近度R；
对上报的次数做最大最小标准化处理，得到频度F；
对用户数做最大最小标准化处理，得到值度M；
根据得到的近度R、频度F和值度M，进行RFM计算。
下面为本发明提供的一具体的实施例，需要获取用户上报的WiFi信息表统计WiFi指纹的以下特征：
1)间隔天数：此WiFi指纹在3个月内，最后一次在该场景出现的时间点离数据统计的时间点的间隔天数。
2)上报天数：此WiFi指纹3个月内在该场景被上报的天数。
3)上报的用户数：3个月内在该场景上报此WiFi指纹的用户数。
4)信号强度是否异常：统计该条记录同一楼层内同一MAC地址的信号强度，计算可信范围(最大估计值和最小估计值之间)，看该条记录的型号强度是否落在可信范围内。落在可信范围为1，在可信范围之外为0。
a)最大估计值：Q1-k(Q3-Q1)
b)最小估计值：Q3+k(Q3-Q1)
c)Q1：下四分位数
d)Q3：上四分位数
k值可选，为确保数据更为可信，k＝1；
统计的数据如下表2所示：
表2
月份 楼层 BSSID 间隔天数 上报天数 上报的用户数 信号强度是否异常
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:5c 8 80 8 1
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:5c 8 80 8 1
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:5c 8 80 8 0
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:cb 46 41 314 0
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:cb 46 41 314 1
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:cb 46 41 314 0
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:cb 46 41 314 1
201807 广州信息港A座--第十一层 00:1f:64:dc:4a:cb 46 41 314 0
基于上述统计数据，使用RFM模型结合WiFi信号强度，判断WiFi指纹有效性，步骤如下：
1)数据标准化：使用最大最小标准化，把间隔天数，上报天数和上报用户数转换成以下指标：
近度R：对间隔天数做最大最小标准化处理，得到近度R，范围0-100；
频度F：对上报的次数做最大最小标准化处理，得到频度F，范围0-100；
值度M：对用户数做最大最小标准化处理，得到值度M，范围0-100；
最大最小标准化公式：
Figure BDA0001906080040000081
2)RFM分值计算：RFM分值＝频度F+值度M-近度R；
在上述实施例的基础上，在获得RFM结果后，判断WiFi指纹是否有效；
具体的，统计同一楼层所有WiFi指纹的分值，把分值高于总体下四分位数，且信号强度正常的WiFi作为有效WiFi指纹，将分值低于预设值的WiFi指纹判定为失效指纹。
在上述实施例基础上，在计算得到RFM分值后，进一步判断WiFi指纹是否有效：统计同一楼层所有WiFi指纹的分值，把分值高于总体下四分位数,且信号强度正常的WiFi作为有效WiFi指纹，其余为异常记录。
示例数据如下表3所示：
表3
Figure BDA0001906080040000091
例如：把分值低于既定阈值的WiFi指纹判定为失效指纹，用于删除手机热点等临时WiFi或已经过时的WiFi指纹。
本发明实施例提供的基于楼宇WiFi立体分层定位方法，能够在不增加过多的人工的成本的条件下，完成覆盖广，覆盖精度搞的WiFi指纹库，同时能够自我更新的WiFi指纹库，减少了后期维护的成本，是建立一套覆盖广且深、定位精度较高，可用性强的的WiFi指纹识别库的方法。
图5为本发明实施例提供的基于楼宇WiFi立体分层定位装置的结构示意图，如图5所示，所述装置包括获取模块10、计算模块20和定位模块30，其中，
获取模块10用于获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；
计算模块20用于根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；
定位模块30用于将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
本发明实施例提供的基于楼宇WiFi立体分层定位装置，其中，获取模块10获取移动设备所在位置的物理地址信息和信号强度信息；计算模块20根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；定位模块30将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
本发明实施例提供的基于楼宇WiFi立体分层定位装置，在建立了WiFi指纹库的基础上，结合信令解码获取的用户上报的MAC地址及强度信息。通过智能算法进行关联，获取用户的立体室内的位置，并通过智能算法实现指纹库自动更新，提升指纹定位的准确性。利用本发明实施例，建立一套覆盖广且深的WiFi指纹库，在不需要增加人工成本的条件下，实现精度高、可用性强的楼宇WiFi指纹立体分层定位。
图6为本发明实施例提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序，以执行上述各实施例提供的传输方法，例如包括：获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
另外，处理器810还可以调用存储在存储器830上并可在处理器810上运行的计算机程序，以执行上述各实施例提供的接收方法，例如包括：获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
此外，上述的存储器830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，本发明实施例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。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
本发明实施例还提供另一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的接收方法，例如包括：获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于楼宇WiFi立体分层定位方法，其特征在于，包括：
获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；
根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；
将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括对所述预先建立的指纹库的更新，包括新增WiFi指纹的更新和失效WiFi指纹的更新。
3.根据权利要求2所述的方法，其特征在于，所述新增WiFi指纹的更新具体为：采用有监督机器学习算法对用户上报的指纹信息进行计算，通过测量不同特征值之间的距离进行分类。
4.根据权利要求3所述的方法，其特征在于，所述有监督机器学习算法为K最邻近分类算法。
5.根据权利要求2所述的方法，其特征在于，所述失效WiFi指纹的更新具体为：采用RFM模型对失效WiFi指纹进行剔除。
6.根据权利要求5所述的方法，其特征在于，所述采用RFM模型对失效WiFi指纹进行剔除具体为：
通过RFM模型对所述指纹库中的WiFi指纹进行评分，将分值低于预设值的WiFi指纹判定为失效指纹。
7.根据权利要求6所述的方法，其特征在于，所述通过RFM模型对所述指纹库中的WiFi指纹进行评分，具体为：
将用户上传的指纹信息进行标准化处理，得到近度R、频度F和值度M；
根据计算得到的所述近度R、频度F和值度M，进行RFM计算。
8.一种基于楼宇WiFi立体分层定位装置，其特征在于，包括：
获取模块，用于获取移动设备所在位置的指纹信息，其中所述指纹信息至少包括物理地址信息和信号强度信息；
计算模块，用于根据所述物理地址信息和预先建立的指纹库，分别计算所述移动设备所在位置的信号强度信息和所述指纹库中的多个指纹的欧氏距离；
定位模块，用于将所述指纹库中距离所述信号强度信息的欧氏距离最近的指纹作为所述移动设备的位置。
9.一种电子设备，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，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201811532696.7A 2018-12-14 2018-12-14 一种基于楼宇WiFi立体分层定位方法及装置 Active CN111328012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811532696.7A CN111328012B (zh) 2018-12-14 2018-12-14 一种基于楼宇WiFi立体分层定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811532696.7A CN111328012B (zh) 2018-12-14 2018-12-14 一种基于楼宇WiFi立体分层定位方法及装置

Publications (2)

Publication Number Publication Date
CN111328012A true CN111328012A (zh) 2020-06-23
CN111328012B CN111328012B (zh) 2021-08-27

Family

ID=71172322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811532696.7A Active CN111328012B (zh) 2018-12-14 2018-12-14 一种基于楼宇WiFi立体分层定位方法及装置

Country Status (1)

Country Link
CN (1) CN111328012B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114698006A (zh) * 2022-03-30 2022-07-01 中国联合网络通信集团有限公司 一种故障检测方法、装置及可读存储介质
CN115580926A (zh) * 2022-11-17 2023-01-06 杭州明启数智科技有限公司 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200520A (zh) * 2013-03-06 2013-07-10 中国电子科技集团公司第二十八研究所 一种利用Wi-Fi的移动终端快速精确定位方法
CN103559630A (zh) * 2013-10-31 2014-02-05 华南师范大学 一种基于客户属性及行为特征分析的客户细分方法
CN104540221A (zh) * 2015-01-15 2015-04-22 哈尔滨工业大学 基于半监督sde算法的wlan室内定位方法
CN106529968A (zh) * 2016-09-29 2017-03-22 深圳大学 一种基于交易数据的客户分类方法及其系统
US9615206B1 (en) * 2014-05-23 2017-04-04 Amdocs Development Limited System, method, and computer program for determining geo-location of user equipment for a subscriber that is in simultaneous communication with a cellular network and a Wi-Fi network
CN108769910A (zh) * 2018-06-15 2018-11-06 闽南师范大学 一种WiFi定位的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200520A (zh) * 2013-03-06 2013-07-10 中国电子科技集团公司第二十八研究所 一种利用Wi-Fi的移动终端快速精确定位方法
CN103559630A (zh) * 2013-10-31 2014-02-05 华南师范大学 一种基于客户属性及行为特征分析的客户细分方法
US9615206B1 (en) * 2014-05-23 2017-04-04 Amdocs Development Limited System, method, and computer program for determining geo-location of user equipment for a subscriber that is in simultaneous communication with a cellular network and a Wi-Fi network
CN104540221A (zh) * 2015-01-15 2015-04-22 哈尔滨工业大学 基于半监督sde算法的wlan室内定位方法
CN106529968A (zh) * 2016-09-29 2017-03-22 深圳大学 一种基于交易数据的客户分类方法及其系统
CN108769910A (zh) * 2018-06-15 2018-11-06 闽南师范大学 一种WiFi定位的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114698006A (zh) * 2022-03-30 2022-07-01 中国联合网络通信集团有限公司 一种故障检测方法、装置及可读存储介质
CN115580926A (zh) * 2022-11-17 2023-01-06 杭州明启数智科技有限公司 一种基于wifi指纹和改进knn算法的住宅楼宇室内定位方法

Also Published As

Publication number Publication date
CN111328012B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN106792514B (zh) 基于信令数据的用户职住地分析方法
US10139471B2 (en) Supporting a collaborative collection of data
CN109246592B (zh) 一种用户终端位置信息的获取方法及装置
US10845454B2 (en) Checking the health of radio model data
CN108282860A (zh) 数据处理方法及装置
CN109936820B (zh) 一种用户终端定位方法及装置
CN103747524A (zh) 一种基于云平台的Android终端室内定位方法
DE202011110911U1 (de) Automatische Ortserkennung
CN105282758A (zh) WiFi室内定位系统指纹数据库自适应动态构建方法
KR102129400B1 (ko) 라디오 맵 구축 방법
CN108450060B (zh) 基于wi-fi接入点的定位方法、设备
CN111328012B (zh) 一种基于楼宇WiFi立体分层定位方法及装置
JP2012529635A (ja) 無線電話ネットワークの移動局のジオロケーション
WO2020024597A1 (zh) 室内定位方法和装置
CN108513301A (zh) 一种非法用户识别方法及装置
EP3273260A2 (en) Analysis and monitoring of a positioning infrastructure
CN109963253B (zh) 一种用户居住地理位置的识别方法及装置
CN110727752B (zh) 位置指纹库处理方法、设备及计算机可读存储介质
CN106922017B (zh) 定位方法以及终端
CN112860718B (zh) 地铁站指纹库更新方法、装置、计算机设备及存储介质
WO2013174013A1 (zh) 一种确定站址的方法、服务器及系统
CN108495261B (zh) 一种基于无线传感器的室内位置精准定位方法和系统
CN113947123B (zh) 人员轨迹识别方法、系统、存储介质和设备
US20100222077A1 (en) Method fro computing the geographical location of a mobile terminal
CN114095854B (zh) 基于最小化路测mdt数据的室分网络干扰源定位方法和电子设备

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