CN111405484A - 一种网络位置挖掘方法、装置、设备及存储介质 - Google Patents
一种网络位置挖掘方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111405484A CN111405484A CN202010176068.0A CN202010176068A CN111405484A CN 111405484 A CN111405484 A CN 111405484A CN 202010176068 A CN202010176068 A CN 202010176068A CN 111405484 A CN111405484 A CN 111405484A
- Authority
- CN
- China
- Prior art keywords
- positioning
- density
- data
- local area
- area network
- 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
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
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种网络位置挖掘方法、装置、设备及存储介质,所述方法包括:获取目标局域网地址对应的多个定位特征数据;将多个定位特征数据作为定位密度识别模型的输入,对多个定位特征数据进行定位密度识别,得到表征定位特征数据对应的地理位置处定位特征数据的密集程度的定位密度;基于定位密度确定出多个定位特征数据;对这些定位特征数据进行聚类处理,得到多个定位特征簇;基于定位特征簇对应定位密度确定出目标定位特征簇;根据目标定位特征簇中定位特征数据的地理位置和定位密度,实现网络位置挖掘。利用本申请提供的技术方案可以有效提高网络位置挖掘的准确性、定位精度、处理效率和普适性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种网络位置挖掘方法、装置、设备及存储介质。
背景技术
随着移动通信技术的发展和计算机技术的普及,基于位置的服务(LBS,Location-Based Service)技术正在走进人们的生活。LBS技术的应用中,可以通过网络位置挖掘用户的手机等终端设备的位置,来提供与位置相关服务。
目前,应用最广泛的定位技术是GPS(Global Positioning System,全球网络位置挖掘系统)。但在一些GPS不可用的情况下,例如卫星信号无法覆盖,常常可以采用网络定位。现有技术中,网络定位往往是需要预先挖掘大量网络的MAC(MediaAccessControlAddress,局域网地址)对应的地理位置作为网络的地理位置,相应的,在网络定位服务时,可以直接根据用户返回的MAC,返回定位信息;现有技术中,往往采用人工的方式,从大量MAC对应的定位特征数据中找出MAC的地理位置,但目前可用于定位的MAC数量在十亿级别以上,MAC对应的定位特征数据分布复杂,导致需要人工的方式效率低,成本高,普适性差,且人工分析过程带有一定的主观性,无法准确分析定位特征数据分布情况,导致在某些特定分布下无法准确定位出准确的MAC地理位置,导致定位精度核准确率降低。因此,需要提供更可靠或更有效的方案。
发明内容
本申请提供了一种网络位置挖掘方法、装置、设备及存储介质,可以有效提高网络位置挖掘的准确性和定位的精度,同时也提高处理效率和网络地理位置挖掘的普适性。
一方面,本申请提供了一种网络位置挖掘方法,所述方法包括:
获取目标局域网地址对应的多个定位特征数据,每一定位特征数据对应一个地理位置;
将所述多个定位特征数据作为定位密度识别模型的输入,对所述多个定位特征数据进行定位密度识别,得到每一定位特征数据的定位密度,所述定位密度表征定位特征数据对应的地理位置处定位特征数据的密集程度;
基于所述定位密度从所述多个定位特征数据中确定出第一数量个定位特征数据;
对所述第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇;
基于每一定位特征簇中定位特征数据的定位密度确定出目标定位特征簇;
根据所述目标定位特征簇中定位特征数据的地理位置和定位特征数据的定位密度,确定所述目标局域网地址对应无线局域网的地理位置。
另一方面提供了一种网络位置挖掘装置,所述装置包括:
第一定位特征数据获取模块,用于获取目标局域网地址对应的多个定位特征数据,每一定位特征数据对应一个地理位置;
定位密度识别模块,用于将所述多个定位特征数据作为定位密度识别模型的输入,对所述多个定位特征数据进行定位密度识别,得到每一定位特征数据的定位密度,所述定位密度表征定位特征数据对应的地理位置处定位特征数据的密集程度;
定位特征数据筛选模块,用于基于所述定位密度从所述多个定位特征数据中确定出第一数量个定位特征数据;
聚类处理模块,用于对所述第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇;
目标定位特征簇确定模块,用于基于每一定位特征簇中定位特征数据的定位密度确定出目标定位特征簇;
地理位置确定模块,用于根据所述目标定位特征簇中定位特征数据的地理位置和定位特征数据的定位密度,确定所述目标局域网地址对应无线局域网的地理位置。
另一方面提供了一种网络位置挖掘设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的网络位置挖掘方法。
另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的网络位置挖掘方法。
本申请提供的网络位置挖掘方法、装置、设备及存储介质,具有如下技术效果:
本申请通过机器学习算法来确定目标局域网地址对应多个定位特征数据的定位密度,通过该定位密度可以准确反映出定位特征数据对应的地理位置处定位特征数据的密集程度,然后,结合该定位密度,筛选出定位密度较高的多个定位特征数据;并通过对这些定位特征数据进行聚类,划分成多个定位特征簇;接着,通过定位特征簇中定位特征数据的定位密度,进一步筛选出定位特征数据的较密集的区域;最后,从定位特征数据的较密集的区域中从选出目标局域网地址对应无线局域网的地理位置,有效提高了网络位置挖掘的准确性和定位的精度,同时也提高了处理效率,和网络地理位置挖掘的普适性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例提供的一种网络位置挖掘系统的示意图;
图2是本申请实施例提供的分布式系统200应用于区块链系统的一个可选的结构示意图;
图3是本申请实施例提供的一种网络位置挖掘方法的流程示意图;
图4是本申请实施例提供的一种获取目标局域网地址对应的任一定位特征数据的方法流程示意图;
图5是本申请实施例提供的一种确定定位特征数据与其相邻的定位特征数据间的差分特征的示意图;
图6是本申请实施例提供的一种训练出定位密度识别模型的方法流程示意图;
图7是本申请实施例提供的一种定位密度标注的示意图;
图8是本申请实施例提供的一种网络位置挖掘装置的示意图;
图9是本申请实施例提供的一种网络位置挖掘方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及人工智能的机器学习/深度学习等技术,具体通过如下实施例进行说明:
请参阅图1,图1是本申请实施例提供的一种应用环境的示意图,如图1所示,该应用环境可以包括多个设备01、服务器02和数据库03。
本说明书实施例中,设备01可以用于在任一地理位置连接或扫描到无线局域网时,上报的该无线局域网的局域网地址;本说明书实施例中,因为无线相容性认证(WiFi,WirelessFidelity)技术是目前普遍使用的无线局域网技术,因此在本说明书实施例中无线局域网可以包括WiFi网络,但不应视排除其他无线局域网技术。具体的,所述设备01可以包括智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的终端设备。
本说明书实施例中,所述服务器02可以用于在接收到设备01在任一地理位置上报所连接或所扫描到的无线局域网的局域网地址时,记录设备01的上报关联数据,并生成相应的定位特征数据,以及用于基于大量无线局域网的大量定位特征数据训练出可以准确识别出定位特征数据的定位密度的定位密度识别模型,并结合该定位密度识别模型准确挖掘出局域网地址对应网络的地理位置。本说明书实施例中,网络(无线局域网)的地理位置可以包括无线局域网所覆盖区域中的任意位置,优选的,可以包括但不限于无线局域网的信号覆盖区域的中心位置、最强信号位置、无线局域网中无线接入点的位置、无线局域网中无线路由器的位置等。在一个具体的实施例中,当无线局域网中设置有多个无线接入点和/或无线路由器时,无线局域网的位置可以是多个无线接入点和/或无线路由器的中心位置。具体的,服务器02可以包括独立的物理服务器,也可以包括多个物理服务器构成的服务器集群或者分布式系统,还可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本说明书实施例中,数据库03可以用于存储设备01的上报关联数据,定位特征数据以及,挖掘出的大量网络的局域网地址与地理位置的映射关系等;具体的,数据库03可以包括但不限于MySQL(关系型数据库管理系统)、MongoDB(基于分布式文件存储的数据库)等。
具体的,本申请实施例涉及的多个设备01和服务器02可以是通过网络通信的形式连接形成的分布式系统。
以分布式系统为区块链系统为例,参见图2,图2是本申请实施例提供的分布式系统200应用于区块链系统的一个可选的结构示意图,由多个节点(接入网络中的任意形式的计算设备,如服务器、用户终端)和客户端形成,节点之间形成组成的点对点(P2P,Peer ToPeer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。在分布式系统中,任何机器如服务器、终端都可以加入而成为节点,节点包括硬件层、中间层、操作系统层和应用层。
参见图2示出的区块链系统中各节点的功能,涉及的功能包括:
1)路由,节点具有的基本功能,用于支持节点之间的通信。
节点除具有路由功能外,还可以具有以下功能:
2)应用,用于部署在区块链中,根据实际业务需求而实现特定业务,记录实现功能相关的数据形成记录数据,在记录数据中携带数字签名以表示任务数据的来源,将记录数据发送到区块链系统中的其他节点,供其他节点在验证记录数据来源以及完整性成功时,将记录数据添加到临时区块中。
3)区块链,包括一系列按照产生的先后时间顺序相互接续的区块(Block),新区块一旦加入到区块链中就不会再被移除,区块中记录了区块链系统中节点提交的记录数据。
此外,需要说明的是,基于本申请实施例提供的定位密度识别模型可以提供人工智能云服务,人工智能云服务一般也被称作是AIaaS(AI as a Service,中文为“AI即服务”)。这是目前主流的一种人工智能平台的服务方式,具体来说AIaaS平台会把几类常见的AI服务进行拆分,并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城:所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务,部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。
以下介绍本申请一种网络位置挖掘方法,图3是本申请实施例提供的一种网络位置挖掘方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器等产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图3所示,所述方法可以包括:
S301:获取目标局域网地址对应的多个定位特征数据。
本说明书实施例中,目标局域网地址可以为任一需要定位的无线局域网的局域网地址。在实际应用中,目标局域网地址对应的多个定位特征数据可以为在多个地理位置上上报目标局域网地址时,所确定的数据;相应的,每一定位特征数据对应一个地理位置。
本说明书实施例中,每一定位特征数据可以包括能够反映对应的地理位置是否处于目标局域网地址对应无线局域网的密集区域的数据;在实际应用中,以无线局域网的信号覆盖区域的中心位置、最强信号位置、无线局域网中无线接入点的位置、无线局域网中无线路由器的位置等为中心的预设区域(一般的,预设区域在所述无线局域网的信号覆盖区域,且小于无线局域网的信号覆盖区域)可以作为无线局域网的密集区域;一般的,该密集区域中连接或扫描该无线局域网的设备较多,相应的,定位特征数据也越密集。
在实际应用中,定位特征数据包括一个或多个维度的数据,在一些实施例中,定位特征数据可以包括但不限于上报量、平均网络信号强度、最新上报时间、平均移动速度中的至少一种。相应的,如图4所示,目标局域网地址对应的任一定位特征数据可以采用下述方式获取:
S401:当接收到设备在任一地理位置上报所述目标局域网地址时,记录所述设备的上报关联数据。
具体的实施例中,上报关联数据可以包括网络信号强度、上报时间和移动速度;其中,网络信号强度为设备上报目标局域网地址时该目标局域网地址对应无线局域网的信号强度;上报时间为设备上报目标局域网地址时的时间;移动速度为设备上报目标局域网地址时的移动速度。
S403:获取预设时间段内记录的上报关联数据。
本说明书实施例中,预设时间段可以结合实际应用中对定位特征数据的数据量需求来设定的最近的一段历史时间段。
S405:根据所述预设时间段内记录的上报关联数据的数量,确定在所述地理位置上报所述目标局域网地址的上报量。
具体的,可以直接将预设时间段内记录的上报关联数据的数量作为目标局域网地址的上报量。
S407:根据所述预设时间段内记录的所述上报关联数据中的网络信号强度和所述上报量,确定在所述地理位置上报所述目标局域网地址时设备的平均网络信号强度。
S409:根据所述预设时间段内记录的所述上报关联数据中的上报时间,确定在所述地理位置上报所述目标局域网地址的最新上报时间。
S411:根据所述预设时间段内记录的所述上报关联数据中的移动速度,确定在所述地理位置上报所述目标局域网地址时设备的平均移动速度。
S413:将所述上报量、所述平均网络信号强度、所述最新上报时间、所述平均移动速度中的至少一种,作为所述地理位置上所述目标局域网地址对应的定位特征数据。
本说明书实施例中,通过任一地理位置上报目标局域网地址时,所确定的上报量、平均网络信号强度、最新上报时间、平均移动速度等数据,可以有效反映该地理位置是否处于目标局域网地址对应无线局域网的密集区域的数据。
在一些实施例中,为了保证定位特征数据可以更好的反映地理位置是否处于目标局域网地址对应无线局域网的密集区域,可以结合位置的相邻关系,对各个地理位置对应的定位特征数据之间进行比较,进一步获取更多的特征作为定位特征数据,相应的,所述获取目标局域网地址对应的任一定位特征数据还可以包括:
1)将多个地理位置对应的上报量、平均网络信号强度、最新上报时间和平均移动速度分别按照对应的地理位置关系排列;
2)基于预设卷积核对排列后的每一上报量和相邻的上报量进行卷积,得到上报量的差分特征;
3)基于预设卷积核对排列后的每一平均网络信号强度和相邻的平均网络信号强度进行卷积,得到平均网络信号强度的差分特征;
4)基于预设卷积核对排列后的每一最新上报时间和相邻的最新上报时间进行卷积,得到最新上报时间的差分特征;
5)基于预设卷积核对排列后的每一平均移动速度和相邻的平均移动速度进行卷积,得到平均移动速度的差分特征;
6)将所述上报量的差分特征、所述平均网络信号强度的差分特征、所述最新上报时间的差分特征和所述平均移动速度的差分特征中的至少一种差分特征,作为所述目标局域网地址对应的多个定位特征数据。
本说明书实施例中,每一维度对应的差分特征可以表征该维度的相邻定位特征数据间的差异关系;具体的,例如,平均网络信号强度维度对应的差分特征,可以表征地理位置相邻的定位特征数据中平均网络信号强度间的差异关系。
本说明书实施例中,预设卷积核可以结合实际应用需求选取不同大小不同类型的卷积核,例如3*3、5*5,卷积核的类型可以包括但不限于拉普拉斯核、高斯核等,在一个具体的实施例中,如图5所示,选取任一维度的定位特征数据,以3*3的拉普拉斯核为预设卷积核,进行该维度的任一定位特征数据(假设为第i个定位特征数据)和其相邻的定位特征数据(其附近3*3范围内的定位特征数据)的卷积,得到该定位特征数据与其相邻的定位特征数据间的差分特征,具体的,结合图5,假设第i个定位特征数据为4,其相邻的定位特征数据包括1、0、2、2、5、4、3、5;相应的,结合图中的拉普拉斯核可以得到差分特征为1*(-1)+0*0+2*1+2*1+5*1+4*0+3*(-1)+5*(-1)=0。
在一些实施例中,考虑到如网络信号强度等连续的定位特征数据,计算量大,且某些区间的数据(如网络信号强度),对判断对应的地理位置是否处于密集区域的影响差异不大;本说明书实施例中,对于连续型的定位特征数据,可以进行离散化处理,相应的,在一些实施例中,当所述定位特征数据包括平均网络信号强度时,所述方法还包括:
对所述多个定位特征数据中的平均网络信号强度进行离散化处理,得到离散化后的平均网络信号强度;
相应的,将所述多个定位特征数据中的平均网络信号强度替换为所述离散化后的平均网络信号强度。
具体的实施例中,可以确定出多个平均网络信号强度的区间,每个区间对应一个阈值,将在同一区间的平均网络信号强度修正为该区间对应的阈值。具体的,这里的区间和阈值可以预先结合实际情况,由相关工作人员预先设定。
在另一些实施例中,考虑到上报量等定位特征数据在大于一定值之后,对判断对应的地理位置是否处于密集区域的影响差异不大;相应的,对这类定位特征数据,可以进行截断化处理,以降低数据处理量;相应的,在一些实施例中,当所述定位特征数据包括上报量时,所述方法还可以包括:
对所述多个定位特征数据中的上报量进行截断化处理,得到截断化后的上报量;
相应的,将所述多个定位特征数据中的上报量替换为所述截断化后的上报量。
具体的实施例中,可以确定出一个阈值,将大于该阈值的上报量重置该阈值,小于等于该阈值的上报量依然等于该上报量。具体的,这里的阈值可以预先结合实际情况,由相关工作人员预设设定。
进一步的,由于不同设备的定量标准不同,本说明书实施例中,可以对不同地理位置对应的上报量、平均网络信号强度、最新上报时间、平均移动速度、差分特征等数据分别进行归一化后,作为定位特征数据。
此外,需要说明的是,在实际应用中还可以包括更多能够反映地理位置是否处于目标局域网地址对应无线局域网的密集区域的数据,并不仅限于上报量、平均网络信号强度、最新上报时间、平均移动速度、差分特征等,例如还可以包括:位置分布特征(反映定位特征数据对应的地理位置的位置分布情况的信息)等。
S303:将所述多个定位特征数据作为定位密度识别模型的输入,对所述多个定位特征数据进行定位密度识别,得到每一定位特征数据的定位密度。
本说明书实施例中,定位密度识别模型可以包括基于具有定位密度标注的定位特征数据对预设机器学习算法进行定位密度训练后得到的模型。具体的,如图6所示,定位密度识别模型可以包括采用下述方式确定:
S601:获取多个样本局域网地址对应的定位特征数据,其中每一样本局域网地址对应多个定位特征数。
具体的,这里获取样本局域网地址的定位特征数据的具体步骤,可以参见获取目标局域网地址对应的定位特征数据的相关步骤,在此不再赘述。
S603:分别获取多个与每一样本局域网地址在同一定位日志信息中的GPS定位信息;
本说明书实施例中,定位日志信息可以包括大量设备基于卫星定位系统(例如GPS)的定位记录(设备的所在地理位置)和所处的无线局域网的局域网地址等特征。
S605:基于每一样本局域网地址对应的多个GPS定位信息和对应的多个定位特征数据对应的地理位置,为所述对应的多个定位特征数据进行定位密度标注;
S607:将具有定位密度标注的定位特征数据作为预设机器学习算法的训练数据,进行定位密度识别训练,生成定位密度识别模型。
本说明书实施例中,定位密度可以表征定位特征数据对应的地理位置处定位特征数据的密集程度。具体的,定位特征数据对应的地理位置处定位特征数据的密集程度越高,该地理位置为相应无线局域网的准确地理位置的概率越高。
本说明书实施例中,定位密度的标注可以包括密集和非密集;具体的,定位密度的标注为密集时,可以表征定位特征数据对应的地理位置处于定位特征数据的密集区域;反之,定位密度的标注为非密集时,可以表征定位特征数据对应的地理位置处于定位特征数据的非密集区域。在一个具体的实施例中,所述基于每一样本局域网地址对应的多个GPS定位信息和对应的多个定位特征数据对应的地理位置,为所述对应的多个定位特征数据进行定位密度标注可以包括:
1)分别计算每一样本局域网地址对应的每一GPS定位信息和多个定位特征数据对应的地理位置间的距离;
2)对与GPS定位信息距离小于等于预设阈值的地理位置对应的定位特征数据进行密集的定位密度标注;
3)对与GPS定位信息距离大于预设阈值的地理位置对应的定位特征数据进行非密集的定位密度标注。
本说明书实施例中,当一个定位特征数据对应的地理位置与GPS定位信息距离越近,即该地理位置与样本局域网地址对应无线局域网的实际地理位置(GPS定位信息)越近,相应的该地理位置处定位特征数据的越密集,该地理位置为无线局域网的准确地理位置的概率越高。本说明书实施例中,预设阈值可以为结合实际应用中对密集的定义进行设定。
具体的,如图7所示,以其中一个样本局域网地址为例,假设该样本局域网地址对应M个定位特征数据,且获取到N条与该样本局域网地址在同一定位日志信息中的GPS定位信息;从图7中可见,通过计算每一定位特征数据对应的地理位置与每一GPS定位信息间的距离,以及结合距离的大小,可以为每一定位特征数据确定一个定位密度标注,相应的,基于N条GPS定位信息可以得到时M*N个具有定位密度标注的定位特征数据。
本说明书实施例中,通过定位日志信息对定位特征数据进行定位密度的标注,可以有效提高训练数据的标注效率。
本说明书实施例中,预设机器学习算法可以包括但不限于分类学习、排序学习等机器学习算法;具体的,分类学习算法可以包括但不限于逻辑回归、SVM(SupportVectorMachine,支持向量机)等算法,当采用分类学习算法时,可以直接将大量具有定位密度标注的定位特征数据作为训练数据。
具体的,排序学习算法可以包括但不限于pairwise(基于对)、listwise(基于列)的排序学习,当采用排序学习算法时,可以以定位特征数据对应的地理位置与GPS定位信息间的距离,对大量具有定位密度标注的定位特征数据进行升序排序(距离GPS位置越近的定位特征数据在排序中越靠前),排序后具有定位密度标注的定位特征数据作为排序学习模型的训练数据。
在进行模型训练时,可以以分类/排序的准确率为指标,当分类/排序准确率达到一个模型收敛稳定的阈值时,停止训练,生成定位密度识别模型。
本说明书实施例中,通过具有定位密度标注的定位特征数据来训练定位密度识别模型,后续将一个定位特征数据输入该定位密度识别模型,就可以得到定位密度,具体的,这里的定位密度可以为一个表征定位特征数据对应的地理位置处定位特征数据的密集程度的数值,该数值越高,对应的地理位置为无线局域网的准确地理位置的概率越高。
本说明书实施例中,通过机器学习算法来确定表征定位特征数据对应的地理位置处定位特征数据的密集程度的定位密度,可以准确的反映出定位特征数据分布情况,且有效提高处理效率和普适性,也大大降低了人力成本。
另外,在实际应用中,在上述离散化和截断化的区间、阈值确定过程中,还可以以定位密度标注的定位特征数据为训练数据,结合决策树,获得决策树每个叶子节点的特征和阈值,确定出离散化与截断化所需要的阈值和区间,进而避免人工观察设定阈值和区间的所带来的效率成本问题。
S305:基于所述定位密度从所述多个定位特征数据中确定出第一数量个定位特征数据。
本说明书实施例中,可以按照定位密度的大小由大到小,对定位特征数据进行排序,并筛选出排序靠前的第一数量定位特征数据;在另一些实施例中,也可以按照定位密度的大小,选出定位密度大于等于预设定位密度阈值的定位特征数据(选出的定位特征数据的数量为第一数量)。
S307:对所述第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇。
本说明书实施例中,在选出定位密度较高的第一数量个定位特征数据之后,可以对第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇。具体的,可以基于第一数量个定位特征数据对应的地理位置对第一数量个定位特征数据进行聚类处理。
本说明书实施例中,聚类处理的算法可以包括但不限于层次聚类法、K-Means(k-means clustering algorithm,k均值聚类算法)等聚类算法。
S309:基于每一定位特征簇中定位特征数据的定位密度确定出目标定位特征簇。
本说明书实施例中,在得到第二数量个定位特征簇之后,可以计算每一定位特征簇中定位特征数据的定位密度之和,将定位密度之和最大的定位特征簇作为目标定位特征簇。
S311:根据所述目标定位特征簇中定位特征数据的地理位置和定位特征数据的定位密度,确定所述目标局域网地址对应无线局域网的地理位置。
具体的实施例中,可以将定位特征数据的定位密度作为权重,对目标定位特征簇中定位特征数据的地理位置(经纬度)进行加权平均,将加权平均后的地理位置作为目标局域网地址对应无线局域网的地理位置。
本说明书实施例中,在得到目标局域网地址对应无线局域网的地理位置之后,可以建立目标局域网地址与地理位置间的映射关系,相应的,在后续的定位服务产品中,当遇到需要进行网络定位的场景时,可以结合本申请实施例挖掘的网络的地理位置,在用户的终端设备返回局域网地址后,向用户返回该局域网地址对应的地理位置,实现网络定位。
由以上本说明书实施例提供的技术方案可见,本说明书通过机器学习算法来确定目标局域网地址对应多个定位特征数据的定位密度,通过该定位密度可以准确反映出定位特征数据对应的地理位置处定位特征数据的密集程度,然后,结合该定位密度,筛选出定位密度较高的多个定位特征数据;并通过对这些定位特征数据进行聚类,划分成多个定位特征簇;接着,通过定位特征簇中定位特征数据的定位密度,进一步筛选出定位特征数据的较密集的区域;最后,从定位特征数据的较密集的区域中从选出目标局域网地址对应无线局域网的地理位置,有效提高了网络位置挖掘的准确性和定位的精度,同时也提高了处理效率,和网络地理位置挖掘的普适性。
本申请实施例还提供了一种网络位置挖掘装置,如图8所示,所述装置包括:
第一定位特征数据获取模块810,可以用于获取目标局域网地址对应的多个定位特征数据,每一定位特征数据对应一个地理位置;
定位密度识别模块820,可以用于将所述多个定位特征数据作为定位密度识别模型的输入,对所述多个定位特征数据进行定位密度识别,得到每一定位特征数据的定位密度,所述定位密度表征定位特征数据对应的地理位置处定位特征数据的密集程度;
定位特征数据筛选模块830,可以用于基于所述定位密度从所述多个定位特征数据中确定出第一数量个定位特征数据;
聚类处理模块840,可以用于对所述第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇;
目标定位特征簇确定模块850,可以用于基于每一定位特征簇中定位特征数据的定位密度确定出目标定位特征簇;
地理位置确定模块860,可以用于根据所述目标定位特征簇中定位特征数据的地理位置和定位特征数据的定位密度,确定所述目标局域网地址对应无线局域网的地理位置。
在一些实施例中,所述装置还包括:
第二定位特征数据获取模块,用于获取多个样本局域网地址对应的定位特征数据,其中每一样本局域网地址对应多个定位特征数;
GPS定位信息获取模块,用于分别获取多个与每一样本局域网地址在同一定位日志信息中的GPS定位信息;
定位密度标注模块,用于基于每一样本局域网地址对应的多个GPS定位信息和对应的多个定位特征数据对应的地理位置,为所述对应的多个定位特征数据进行定位密度标注;
定位密度识别训练模块,用于将具有定位密度标注的定位特征数据作为预设机器学习算法的训练数据,进行定位密度识别训练,生成所述定位密度识别模型。
在一些实施例中,所述定位密度的标注包括密集和非密集;
所述定位密度标注模块可以包括:
距离计单元,用于分别计算每一样本局域网地址对应的每一GPS定位信息和多个定位特征数据对应的地理位置间的距离;
密集标注单元,用于对与GPS定位信息距离小于等于预设阈值的地理位置对应的定位特征数据进行密集的定位密度标注;
非密集标注单元,用于对与GPS定位信息距离大于预设阈值的地理位置对应的定位特征数据进行非密集的定位密度标注。
在一些实施例中,所述目标局域网地址对应的任一定位特征数据采用下述单元获取:
上报关联数据记录单元,用于当接收到设备在任一地理位置上报所述目标局域网地址时,记录所述设备的上报关联数据,所述上报关联数据包括网络信号强度、上报时间和移动速度;
上报关联数据获取单元,用于获取预设时间段内记录的上报关联数据;
上报量确定单元,用于根据所述预设时间段内记录的上报关联数据的数量,确定在所述地理位置上报所述目标局域网地址的上报量;
平均网络信号强度确定单元,用于根据所述预设时间段内记录的所述上报关联数据中的网络信号强度和所述上报量,确定在所述地理位置上报所述目标局域网地址时设备的平均网络信号强度;
最新上报时间确定单元,用于根据所述预设时间段内记录的所述上报关联数据中的上报时间,确定在所述地理位置上报所述目标局域网地址的最新上报时间;
平均移动速度确定单元,用于根据所述预设时间段内记录的所述上报关联数据中的移动速度,确定在所述地理位置上报所述目标局域网地址时设备的平均移动速度;
第一定位特征数据生成单元,用于将所述上报量、所述平均网络信号强度、所述最新上报时间、所述平均移动速度中的至少一种,作为所述地理位置上所述目标局域网地址对应的定位特征数据。
在一些实施例中,获取目标局域网地址对应的任一定位特征数据还包括采用下述单元:
排列单元,用于将多个地理位置对应的所述上报量、所述平均网络信号强度、所述最新上报时间和所述平均移动速度分别按照对应的地理位置关系排列;
第一卷积单元,用于基于预设卷积核对排列后的每一上报量和相邻的上报量进行卷积,得到上报量的差分特征;
第二卷积单元,用于基于预设卷积核对排列后的每一平均网络信号强度和相邻的平均网络信号强度进行卷积,得到平均网络信号强度的差分特征;
第三卷积单元,用于基于预设卷积核对排列后的每一最新上报时间和相邻的最新上报时间进行卷积,得到最新上报时间的差分特征;
第四卷积单元,用于基于预设卷积核对排列后的每一平均移动速度和相邻的平均移动速度进行卷积,得到平均移动速度的差分特征;
第二定位特征数据生成单元,用于将所述上报量的差分特征、所述平均网络信号强度的差分特征、所述最新上报时间的差分特征和所述平均移动速度的差分特征中的至少一种差分特征,作为所述目标局域网地址对应的多个定位特征数据。
在一些实施例中,当所述定位特征数据包括平均网络信号强度时,所述装置还包括:
离散化处理单元,用于对所述多个定位特征数据中的平均网络信号强度进行离散化处理,得到离散化后的平均网络信号强度;
相应的,将所述多个定位特征数据中的平均网络信号强度替换为所述离散化后的平均网络信号强度。
在一些实施例中,当所述定位特征数据包括上报量时,所述装置还包括:
截断化处理单元,用于对所述多个定位特征数据中的上报量进行截断化处理,得到截断化后的上报量;
相应的,将所述多个定位特征数据中的上报量替换为所述截断化后的上报量。
所述的装置实施例中的装置与方法实施例基于同样的申请构思。
本申请实施例提供了一种网络位置挖掘设备,该网络位置挖掘设备器包括处理器和存储器,该存储器中存储有至少一条指令、或至少一段程序,该至少一条指令、或至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的网络位置挖掘方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。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、功能所需的应用程序等;存储数据区可存储根据所述设备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。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图9是本申请实施例提供的一种网络位置挖掘方法的服务器的硬件结构框图。如图9所示,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器900还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
本申请的实施例还提供了一种存储介质,所述存储介质可设置于设备之中以保存用于实现方法实施例中一种网络位置挖掘方法相关的至少一条指令、或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的网络位置挖掘方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的网络位置挖掘方法、装置、设备、服务器或存储介质的实施例可见,本申请中通过机器学习算法来确定目标局域网地址对应多个定位特征数据的定位密度,通过该定位密度可以准确反映出定位特征数据对应的地理位置处定位特征数据的密集程度,然后,结合该定位密度,筛选出定位密度较高的多个定位特征数据;并通过对这些定位特征数据进行聚类,划分成多个定位特征簇;接着,通过定位特征簇中定位特征数据的定位密度,进一步筛选出定位特征数据的较密集的区域;最后,从定位特征数据的较密集的区域中从选出目标局域网地址对应无线局域网的地理位置,有效提高了网络位置挖掘的准确性和定位的精度,同时也提高了处理效率,和网络地理位置挖掘的普适性。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、服务器和存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种网络位置挖掘方法,其特征在于,所述方法包括:
获取目标局域网地址对应的多个定位特征数据,每一定位特征数据对应一个地理位置;
将所述多个定位特征数据作为定位密度识别模型的输入,对所述多个定位特征数据进行定位密度识别,得到每一定位特征数据的定位密度,所述定位密度表征定位特征数据对应的地理位置处定位特征数据的密集程度;
基于所述定位密度从所述多个定位特征数据中确定出第一数量个定位特征数据;
对所述第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇;
基于每一定位特征簇中定位特征数据的定位密度确定出目标定位特征簇;
根据所述目标定位特征簇中定位特征数据的地理位置和定位特征数据的定位密度,确定所述目标局域网地址对应无线局域网的地理位置。
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:
获取多个样本局域网地址对应的定位特征数据,其中每一样本局域网地址对应多个定位特征数;
分别获取多个与每一样本局域网地址在同一定位日志信息中的GPS定位信息;
基于每一样本局域网地址对应的多个GPS定位信息和对应的多个定位特征数据对应的地理位置,为所述对应的多个定位特征数据进行定位密度标注;
将具有定位密度标注的定位特征数据作为预设机器学习算法的训练数据,进行定位密度识别训练,生成所述定位密度识别模型。
3.根据权利要求2所述的方法,其特征在于,所述定位密度的标注包括密集和非密集;
所述基于每一样本局域网地址对应的多个GPS定位信息和对应的多个定位特征数据对应的地理位置,为所述对应的多个定位特征数据进行定位密度标注包括:
分别计算每一样本局域网地址对应的每一GPS定位信息和多个定位特征数据对应的地理位置间的距离;
对与GPS定位信息距离小于等于预设阈值的地理位置对应的定位特征数据进行密集的定位密度标注;
对与GPS定位信息距离大于预设阈值的地理位置对应的定位特征数据进行非密集的定位密度标注。
4.根据权利要求1所述的方法,其特征在于,所述目标局域网地址对应的任一定位特征数据采用下述方式获取:
当接收到设备在任一地理位置上报所述目标局域网地址时,记录所述设备的上报关联数据,所述上报关联数据包括网络信号强度、上报时间和移动速度;
获取预设时间段内记录的上报关联数据;
根据所述预设时间段内记录的上报关联数据的数量,确定在所述地理位置上报所述目标局域网地址的上报量;
根据所述预设时间段内记录的所述上报关联数据中的网络信号强度和所述上报量,确定在所述地理位置上报所述目标局域网地址时设备的平均网络信号强度;
根据所述预设时间段内记录的所述上报关联数据中的上报时间,确定在所述地理位置上报所述目标局域网地址的最新上报时间;
根据所述预设时间段内记录的所述上报关联数据中的移动速度,确定在所述地理位置上报所述目标局域网地址时设备的平均移动速度;
将所述上报量、所述平均网络信号强度、所述最新上报时间、所述平均移动速度中的至少一种,作为所述地理位置上所述目标局域网地址对应的定位特征数据。
5.根据权利要求4所述的方法,其特征在于,获取目标局域网地址对应的任一定位特征数据还包括:
将多个地理位置对应的所述上报量、所述平均网络信号强度、所述最新上报时间和所述平均移动速度分别按照对应的地理位置关系排列;
基于预设卷积核对排列后的每一上报量和相邻的上报量进行卷积,得到上报量的差分特征;
基于预设卷积核对排列后的每一平均网络信号强度和相邻的平均网络信号强度进行卷积,得到平均网络信号强度的差分特征;
基于预设卷积核对排列后的每一最新上报时间和相邻的最新上报时间进行卷积,得到最新上报时间的差分特征;
基于预设卷积核对排列后的每一平均移动速度和相邻的平均移动速度进行卷积,得到平均移动速度的差分特征;
将所述上报量的差分特征、所述平均网络信号强度的差分特征、所述最新上报时间的差分特征和所述平均移动速度的差分特征中的至少一种差分特征,作为所述目标局域网地址对应的多个定位特征数据。
6.根据权利要求4所述的方法,其特征在于,当所述定位特征数据包括平均网络信号强度时,所述方法还包括:
对所述多个定位特征数据中的平均网络信号强度进行离散化处理,得到离散化后的平均网络信号强度;
相应的,将所述多个定位特征数据中的平均网络信号强度替换为所述离散化后的平均网络信号强度。
7.根据权利要求4所述的方法,其特征在于,当所述定位特征数据包括上报量时,所述方法还包括:
对所述多个定位特征数据中的上报量进行截断化处理,得到截断化后的上报量;
相应的,将所述多个定位特征数据中的上报量替换为所述截断化后的上报量。
8.一种网络位置挖掘装置,其特征在于,所述装置包括:
第一定位特征数据获取模块,用于获取目标局域网地址对应的多个定位特征数据,每一定位特征数据对应一个地理位置;
定位密度识别模块,用于将所述多个定位特征数据作为定位密度识别模型的输入,对所述多个定位特征数据进行定位密度识别,得到每一定位特征数据的定位密度,所述定位密度表征定位特征数据对应的地理位置处定位特征数据的密集程度;
定位特征数据筛选模块,用于基于所述定位密度从所述多个定位特征数据中确定出第一数量个定位特征数据;
聚类处理模块,用于对所述第一数量个定位特征数据进行聚类处理,得到第二数量个定位特征簇;
目标定位特征簇确定模块,用于基于每一定位特征簇中定位特征数据的定位密度确定出目标定位特征簇;
地理位置确定模块,用于根据所述目标定位特征簇中定位特征数据的地理位置和定位特征数据的定位密度,确定所述目标局域网地址对应无线局域网的地理位置。
9.一种网络位置挖掘设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一所述的网络位置挖掘方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的网络位置挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176068.0A CN111405484B (zh) | 2020-03-13 | 2020-03-13 | 一种网络位置挖掘方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010176068.0A CN111405484B (zh) | 2020-03-13 | 2020-03-13 | 一种网络位置挖掘方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111405484A true CN111405484A (zh) | 2020-07-10 |
CN111405484B CN111405484B (zh) | 2021-05-14 |
Family
ID=71430781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010176068.0A Active CN111405484B (zh) | 2020-03-13 | 2020-03-13 | 一种网络位置挖掘方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111405484B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277823A (zh) * | 2022-07-08 | 2022-11-01 | 北京达佳互联信息技术有限公司 | 定位方法、装置、电子设备及存储介质 |
CN115600057A (zh) * | 2022-10-21 | 2023-01-13 | 中国测绘科学研究院(Cn) | 排序截断化处理的抗差估计方法、电子设备及可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196556A (zh) * | 2010-03-18 | 2011-09-21 | 中国移动通信集团设计院有限公司 | 一种wifi网络的ap的位置、覆盖半径确定系统及方法 |
EP3008965A1 (en) * | 2013-07-12 | 2016-04-20 | MediaTek Singapore Pte. Ltd. | Method of channel access control in wireless local area networks |
CN106102164A (zh) * | 2016-06-12 | 2016-11-09 | 北京三快在线科技有限公司 | 一种确定接入点位置的方法与装置 |
CN106714097A (zh) * | 2015-07-31 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种确定无线局域网部署信息、终端定位方法及相关装置 |
-
2020
- 2020-03-13 CN CN202010176068.0A patent/CN111405484B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102196556A (zh) * | 2010-03-18 | 2011-09-21 | 中国移动通信集团设计院有限公司 | 一种wifi网络的ap的位置、覆盖半径确定系统及方法 |
EP3008965A1 (en) * | 2013-07-12 | 2016-04-20 | MediaTek Singapore Pte. Ltd. | Method of channel access control in wireless local area networks |
CN106714097A (zh) * | 2015-07-31 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种确定无线局域网部署信息、终端定位方法及相关装置 |
CN106102164A (zh) * | 2016-06-12 | 2016-11-09 | 北京三快在线科技有限公司 | 一种确定接入点位置的方法与装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277823A (zh) * | 2022-07-08 | 2022-11-01 | 北京达佳互联信息技术有限公司 | 定位方法、装置、电子设备及存储介质 |
CN115600057A (zh) * | 2022-10-21 | 2023-01-13 | 中国测绘科学研究院(Cn) | 排序截断化处理的抗差估计方法、电子设备及可读介质 |
CN115600057B (zh) * | 2022-10-21 | 2023-05-02 | 中国测绘科学研究院 | 排序截断化处理的抗差估计方法、电子设备及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111405484B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Castro-Ginard et al. | Hunting for open clusters in Gaia DR2: 582 new open clusters in the Galactic disc | |
CN113254254B (zh) | 系统故障的根因定位方法、装置、存储介质及电子装置 | |
CN111405484B (zh) | 一种网络位置挖掘方法、装置、设备及存储介质 | |
CN110362492B (zh) | 人工智能算法测试方法、装置、服务器、终端及存储介质 | |
CN113098932A (zh) | 基于5g和云计算的物联网设备处理方法及系统 | |
US9501509B2 (en) | Throwaway spatial index structure for dynamic point data | |
CN114556381A (zh) | 开发机器学习模型 | |
CN111601361A (zh) | 一种实时检测Ad hoc网络关键节点的方法及装置 | |
CN105338082A (zh) | 基于应用代理服务器的负载均衡方法及装置 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
US20210400438A1 (en) | High fidelity geolocation using machine learning | |
CN110380890A (zh) | 一种cdn系统服务质量检测方法及系统 | |
CN112235714A (zh) | 基于人工智能的poi定位方法、装置、计算机设备及介质 | |
CN111444440A (zh) | 一种身份信息识别方法、装置、电子设备和存储介质 | |
CN110287344A (zh) | 影像产品数据获取方法和装置 | |
CN115794398A (zh) | 资源分配方法、装置、电子设备及存储介质 | |
CN110471926B (zh) | 一种档案建立方法及装置 | |
CN110610206A (zh) | 图片的低俗归因识别方法、装置及设备 | |
CN115408534B (zh) | 一种知识图谱更新方法、装置、设备及存储介质 | |
CN110856253B (zh) | 定位方法、装置、服务器及存储介质 | |
CN114071580B (zh) | 一种数据传输方法、装置及电子设备 | |
Bouchair et al. | A cluster-oriented policy for virtual network embedding in SDN-enabled distributed cloud | |
CN110455297B (zh) | 识别道路交口相邻关系的方法及装置 | |
CN118276878A (zh) | 多平台的模型部署方法、设备及存储介质 | |
Frasson | ActiveCrowds: A Human-in-the-Loop |
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 |