CN111582378B - 定位识别模型的训练生成方法、位置检测方法、装置 - Google Patents
定位识别模型的训练生成方法、位置检测方法、装置 Download PDFInfo
- Publication number
- CN111582378B CN111582378B CN202010386717.XA CN202010386717A CN111582378B CN 111582378 B CN111582378 B CN 111582378B CN 202010386717 A CN202010386717 A CN 202010386717A CN 111582378 B CN111582378 B CN 111582378B
- Authority
- CN
- China
- Prior art keywords
- positioning
- sample set
- current position
- training
- historical
- 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
- 238000012549 training Methods 0.000 title claims abstract description 152
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 238000012360 testing method Methods 0.000 claims abstract description 79
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 26
- 238000002372 labelling Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种定位识别模型的训练生成方法、装置、计算机设备和存储介质，以及一种位置检测方法、装置、计算机设备和存储介质。所述定位识别模型的训练生成方法包括：获取历史位置异常订单的数据；对历史位置异常订单的类别进行标注生成样本集；对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成定位识别模型。采用本方法通过使用多组训练样本集和测试样本集对模型进行多次训练，可以提高模型的识别性能。通过结合定位识别模型输出的分类结果生成位置检测结果，可以减弱定位误差对位置检测带来的影响，从而提高共享车辆的位置检测的准确性。
Description
技术领域
本申请涉及定位技术领域，特别是涉及一种定位识别模型的训练生成方法、装置、计算机设备和存储介质，以及一种位置检测方法、装置、计算机设备和存储介质。
背景技术
随着通信科技的发展，在导航、轨迹记录、测绘、信息查询、城市管理、军用等多个领域，人们对于GPS(Global Positioning System，全球定位系统)非常依赖。定位设备通过接收GPS卫星不断发射的信号，不断地更新接收到的信号并推算出所在的位置、速度、方向等。但是当前GPS的准确程度会受到很多外界因素的干扰，例如，大气层的影响、卫星星历误差、卫星时钟误差、多径效应、GPS芯片技术不同以及地图标准坐标系不同等。
在共享车辆领域，为了便于进行车辆管理和维护，通常车辆被识别位于固定区域内时可允许停车；若被识别不在固定区域，则会被禁止停车。由于GPS定位的准确程度会受到很多外界因素的干扰，车辆停车时GPS定位无法避免出现很多漂移现象，例如，GPS定位与实际车辆位置的距离相差一公里以外，更有甚者，GPS定位显示车辆位于其他城市。因此，在实际应用中，经常会出现由于GPS定位不准确，导致车辆实际在停车区域站点内，却无法正常停车的情况发生。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高共享车辆的停车区域识别精度的定位识别模型的训练生成方法、装置、计算机设备和存储介质，以及一种位置检测方法、装置、计算机设备和存储介质。
第一方面，本申请实施例提供一种定位识别模型的训练生成方法，包括：
获取样本集，样本集中包括多个已标注类别的历史位置异常订单，类别包括定位可靠和定位不可靠；
对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；
采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数个的初步定位识别模型；
根据预设次数个的初步定位识别模型，生成定位识别模型。
在其中一个实施例中，对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集，包括：
随机预设次数地从样本集中选取预设比例的样本集，作为训练样本集，将样本集中除训练样本集外的其他样本集作为测试样本集，生成预设次数组的训练样本集和测试样本集。
在其中一个实施例中，样本集的生成方式，包括：
获取多个历史位置异常订单的数据；
当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置不一致，则将历史位置异常订单的类别标注为定位不可靠；
当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置一致，则将历史位置异常订单的类别标注为定位可靠；
根据标注后的多个历史位置异常订单，生成样本集。
在其中一个实施例中，历史位置异常订单的数据包括多个影响因素的历史数据；采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数组的初步定位识别模型，包括：
采用每组训练样本集和测试样本集中，每个样本对应的标注数据和多个影响因素的历史数据，对待训练的定位识别模型进行训练；
对待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成每组训练样本集和测试样本集对应的初步定位识别模型。
第二方面，本申请实施例提供一种位置检测方法，包括：
获取当前位置的定位信息；
采用上述第一方面任一项实施例得到的定位识别模型，根据当前位置的定位信息对当前位置进行识别，得到定位分类结果；
根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果。
在其中一个实施例中，定位分类结果包括定位可靠和定位不可靠；根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果，包括：
根据当前位置的定位信息，确定当前位置的区域检测结果，区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个；
根据当前位置的定位信息，计算当前位置的漂移距离；
若获取当前位置的定位分类结果为定位不可靠，当前位置的区域检测结果为非停车区域和漂移频发区域，以及当前位置的漂移距离小于等于阈值时，则生成当前位置在停车区域内的位置检测结果。
第三方面，本申请实施例提供一种定位识别模型的训练生成装置，包括：
第一获取模块，用于获取样本集，所述样本集中包括多个已标注类别的历史位置异常订单，所述类别包括定位可靠和定位不可靠；
划分模块，用于对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；
训练模块，用于采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数个的初步定位识别模型；
模型生成模块，用于根据预设次数个的初步定位识别模型，生成定位识别模型。
第四方面，本申请实施例提供一种位置检测装置，包括：
第二获取模块，用于获取当前位置的定位信息；
定位识别模块，用于采用权利要求1～5中任一项得到的定位识别模型，根据所述当前位置的定位信息对所述当前位置进行识别，得到定位分类结果；
检测结果生成模块，用于根据所述定位分类结果和所述当前位置的定位信息，生成所述当前位置的位置检测结果。
第五方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面或者第二方面任一项所述方法的步骤。
第六方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或者第二方面任一项所述方法的步骤。
上述定位识别模型的训练生成方法、装置、计算机设备和存储介质，通过根据历史位置异常订单数据构建样本集，生成能够识别当前位置定位可靠或定位不可靠的定位识别模型，准确性较高；通过使用多组训练样本集和测试样本集对模型进行多次训练，得到多个初步定位识别模型。根据多个初步定位识别模型生成最终使用的定位识别模型，可以提高定位识别模型的识别精度。
上述位置检测方法、装置、计算机设备和存储介质，通过结合当前位置的定位信息，以及已训练的定位识别模型输出的定位识别分类结果生成当前位置的检测结果，可以减弱定位误差对位置检测带来的影响，从而提高共享车辆的位置检测的准确性。
附图说明
图1为一个实施例中定位识别模型的训练生成方法的应用环境图；
图2为一个实施例中定位识别模型的训练生成方法的流程示意图；
图3为一个实施例中生成样本集步骤的流程示意图；
图4为一个实施例中生成定位识别模型步骤的流程示意图；
图5为一个实施例中定位识别模型的训练生成方法的流程示意图；
图6为一个实施例中位置检测方法的应用环境图；
图7为一个实施例中位置检测方法的流程示意图；
图8为一个实施例中生成位置检测结果步骤的流程示意图；
图9为一个实施例中位置检测方法的流程示意图；
图10为一个实施例中定位识别模型的训练生成装置的结构框图；
图11为一个实施例中位置检测装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的定位识别模型的训练生成方法，可以应用于如图1所示的应用环境中。其中，终端110通过网络与服务器120进行通信。待训练的定位识别模型可以部署在终端110中，也可以部署在服务器120中。以部署在服务器120中为例。用户可以通过终端110触发模型训练的指令，或者配置触发模型训练的条件。当满足模型训练的条件时，使服务器120自动进行模型训练。模型训练的条件可以为定时训练。服务器120中存储有已结束的多个历史订单。历史订单包含历史正常订单和历史异常订单。历史异常订单中还包含历史位置异常订单。在需要对模型进行训练时，服务器120获取历史位置异常订单的数据；根据历史异常订单的数据中的历史定位数据，对历史位置异常订单的类别进行标注，生成样本集；对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数个的初步定位识别模型；根据预设次数个的初步定位识别模型，生成定位识别模型。其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种定位识别模型的训练生成方法，以该方法应用于图1中的服务器120为例进行说明，包括以下步骤：
步骤S210，获取样本集，样本集中包括多个已标注类别的历史位置异常订单，类别包括定位可靠和定位不可靠。
其中，历史位置异常订单可以是指在结束订单时，车辆所在的区域在停车区域外的订单。用户在使用车辆时即生成相应的订单。当用户想要结束使用车辆时，若根据定位数据确定用户在预设的停车区域内停车，则可以标记该订单为正常订单；若根据定位数据确定用户未在预设的停车区域内停车，则可以标记该订单为位置异常订单。由于GPS定位存在一定的误差，因此，在历史位置异常订单中存在一定比例的订单为定位不可靠的订单。即，在结束使用车辆时，车辆实际在停车区域内，但是根据定位信息判断在停车区域外。可以将历史位置异常订单中的定位不可靠的订单标注为正样本(类别为定位不可靠)，将其他订单标注为负样本(类别为定位可靠)，生成样本集。
步骤S220，对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集。
其中，预设次数可以预先配置。具体地，在生成样本集后，对样本集进行多次划分。每进行一次划分可以得到一组训练样本集和测试样本集。每次划分训练样本集和测试样本集的比例可以不同，也可以相同，依实际情况而定。
步骤S230，采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数个的初步定位识别模型。
其中，定位识别模型可以采用决策树、SVM(Support Vector Machine，支持向量机)、回归模型等。具体地，在得到多组训练样本集和测试样本集后，分别使用每组训练样本集和测试样本集对待识别的定位识别模型进行训练。对于每组训练样本集和测试样本集，首先，采用训练样本集对待训练的定位识别模型进行训练，得到使损失函数值最小的模型；然后，采用测试样本集对损失函数值最小的模型进行测试得到误差。可以将在测试样本集中误差最小的模型作为最终选取的初步定位识别模型。
步骤S240，根据预设次数个的初步定位识别模型，生成定位识别模型。
具体地，在获取预设次数个的初步定位识别模型后，根据预设次数个的初步定位识别模型中的参数生成最终使用的定位识别模型。例如，取预设次数个的初步定位识别模型中的参数的平均值，作为最终使用的定位识别模型的参数，生成最终使用的定位识别模型。
进一步地，在本实施例中，最后得到的定位识别模型可用作判断用户停止使用车辆时的定位是否可靠。若用户停止使用车辆时，识别当前位置在停车区域外，但是定位识别模型输出定位不可靠，则可以判断当前位置在停车区域内。将在停车区域内的结果返回至终端，使用户可以正常停车，并生成新的位置异常订单。该新的位置异常订单可作为后续模型训练的样本，从而可以不断强化模型，提高模型识别的准确率。
进一步地，对定位识别模型进行训练可周期性进行，由于位置异常订单具有多样性，且模型存在一定的不适应性，因此通过周期性训练模型，可以达到优化模型的目的。
上述定位识别模型的训练生成方法中，通过根据历史位置异常订单数据构建样本集，生成能够识别当前位置定位可靠或定位不可靠的定位识别模型，准确性较高；通过使用多组训练样本集和测试样本集对模型进行多次训练，得到多个初步定位识别模型。根据多个初步定位识别模型生成最终使用的定位识别模型，可以提高定位识别模型的识别精度。
在一个实施例中，步骤S220，对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集，包括：随机预设次数地从样本集中选取预设比例的样本集，作为训练样本集，将样本集中除训练样本集外的其他样本集作为测试样本集，生成预设次数组的训练样本集和测试样本集。
具体地，传统技术中进行模型训练可以使用交叉验证的方法。即，从样本集中抽取k个子集，每次采用k-1个子集作为训练样本集，另外一个子集作为测试样本集，如此循环k次。但是，传统的交叉验证方式，测试集中数据较少，很难得到准确的误差，也容易造成过拟合，从而影响模型的精度。在本实施例中，采用随机交叉方式。通过预先设定每次提取训练样本集的预设比例，预设比例可以是70％。在每次对样本集进行划分时，从样本集中随机选取预设比例作为训练样本集，其余部分则作为测试样本集，生成一组训练样本集和测试样本集。如此循环预设次数，可以得到预设次数组的训练样本集和测试样本集。本实施例中，通过采用基于定量的随机抽样方式，每次循环从样本集中抽取定量的样本量作为测试样本集，这在循环训练中不减少测试样本集的样本量，使得模型训练过程中不易出现过拟合现象。
在一个实施例中，如图3所示，生成样本集可以通过以下步骤实现。
步骤S310，获取多个历史位置异常订单的数据；
步骤S320，当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置不一致，则将历史位置异常订单的类别标注为定位不可靠。
步骤S330，当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置一致，则将历史位置异常订单的类别标注为定位可靠。
步骤S340，根据标注后的多个历史位置异常订单，生成样本集。
其中，历史位置异常订单的数据不限于包括历史定位信息、用户反馈信息等。实际位置是指停车使实际所处的位置。定位位置是指根据历史定位信息确定的位置。示例性地，历史位置异常订单的数据中包含用户反馈信息。若用户反馈信息为定位不可靠，则可以确定实际位置和定位位置不一致，将历史位置异常订单标注为正样本(类别标注为定位不可靠)；反之，则将历史位置异常订单标注为负样本(类别标注为定位可靠)。进而根据标注后的历史位置异常订单生成样本集。
进一步地，当历史位置异常订单的数据中未包含用户反馈的定位可靠或者定位不可靠的信息。则可以由运维人员实地进行测试，判断历史位置异常订单的实际位置和定位位置是否一致，并根据判断结果对历史位置异常订单进行标注。
在一个实施例中，历史位置异常订单的数据包括多个影响因素的历史数据；步骤S230中，采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数组的初步定位识别模型，包括：采用每组训练样本集和测试样本集中，每个样本对应的标注数据和多个影响因素的历史数据，对待训练的定位识别模型进行训练；对待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成每组训练样本集和测试样本集对应的初步定位识别模型。
具体地，在本实施例中，定位识别模型可以为逻辑回归模型，将多个影响因素作为逻辑回归模型的自变量，将标注数据作为因变量。历史位置异常订单的数据中包含多个影响因素的历史数据。影响因素不限于包含车辆的定位设备的定位数据，用户终端设备的定位数据，当地天气情况等。对于每组训练样本集和测试样本集，首先，采用定位识别模型根据训练样本集中的每个样本的多个影响因素的历史数据，输出对应的预测概率。采用预设的损失函数根据标注数据和预测概率计算损失值，并根据损失值更新模型变量的参数，直至达到预设停止条件。预设停止条件可以是指达到预设迭代次数，或者损失值不再变小，在此不做限定。可以选取损失函数值最小的模型，将损失函数值最小的模型对应的参数，作为初步回归系数。继续采用测试样本集对模型进行测试，从中选择准确率最高的模型作为初步定位识别模型。本实施例中，通过采用属于判别式模型逻辑回归模型，可以提高模型的训练效率，且得较高的预测概率。
在一个实施例中，如图4所示，步骤S240，根据预设次数组的初步定位识别模型，生成定位识别模型，可以通过以下步骤实现。
步骤S241，获取预设次数组的初步定位识别模型中，每个影响因素对应的初步回归系数的平均值，作为每个影响因素对应的目标回归系数。
步骤S242，根据目标回归系数，生成定位识别模型。
具体地，在得到预设次数个的初步定位识别模型后，计算预设次数个的初步定位识别模型中，每个影响因素对应的初步回归系数的平均值。将该平均值作为目标回归系数。根据该目标回归系数，生成最终使用的定位识别模型。进步一地，在本实施例中，还可以将预设次数组的测试样本集得到的均方误差MSE(Mean Squared Error)进行加和，得到交叉验证误差，使用交叉验证误差衡量模型的精确度。本实施例中，通过结合多次训练得到的模型平均水平来减少模型间的差异，可以提高最终得到的定位识别模型的准确率。
在一个实施例中，如图5所示，提供了一种具体的定位识别模型的训练生成方法，包括以下步骤：
步骤S510，获取历史位置异常订单的数据。
步骤S520，根据历史位置异常订单的数据，对历史位置异常订单的类别进行标注，生成样本集，类别包括定位可靠和定位不可靠。
其中，若根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置不一致，则将该历史位置异常订单标注为正样本(类别为定位不可靠)，可以标记为1；若确定历史位置异常订单的实际位置和定位位置一致，则将历史位置异常订单的类别标注为负样本(类别为定位可靠)，可以标记为0。为了提高模型的性能，可以设置正样本和负样本的样本数量一致。
步骤S530，随机预设次数地从样本集中选取预设比例的样本集，作为训练样本集，将样本集中除训练样本集外的其他样本集作为测试样本集，生成预设次数组的训练样本集和测试样本集。其中，预设次数可以是5次。预设比例可以是70％，即，每次划分时，随机选取70％的样本集作为训练样本集，剩余的30％样本集作为测试样本集，
步骤S540，采用每组训练样本集和测试样本集中，每个样本对应的标注数据和所述多个影响因素的历史数据，对待训练的定位识别模型进行训练，对待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成每组训练样本集和测试样本集对应的初步定位识别模型。
进一步地，为了防止训练过程中模型过拟合，提高模型的泛化能力，在训练过程中可以使用正则化。正则化是一种回归的形式，它将系数估计朝零的方向进行约束、调整或缩小，可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。正则化不限于采用L1正则化、L2正则化。
步骤S550，获取预设次数组的初步定位识别模型中，每个影响因素对应的初步回归系数的平均值，作为每个影响因素对应的目标回归系数。
步骤S560，根据目标回归系数，生成所述定位识别模型。
本申请提供的位置检测方法，可以应用于如图6所示的应用环境中。其中，终端610通过网络与服务器620进行通信。终端610可以包括多个，每个终端610与一辆共享车辆对应。已训练的定位识别模型部署在服务器620中。当用户需要停车时，可以通过终端610触发停车请求。终端610将该停车请求发送至服务器620，停车请求中携带有终端610定位到的当前位置的定位信息。服务器620获取停车请求，采用上述任一项实施例得到的定位识别模型，根据停车请求中携带的当前位置的定位信息，对当前位置进行识别，得到定位分类结果；根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果；将位置检测结果发送至终端610进行展示。其中，终端610可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器620可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图7所示，提供了一种位置检测方法，以该方法应用于图6中的服务器620为例进行说明，包括以下步骤。
步骤S710，获取当前位置的定位信息。
其中，当前位置可以是指用户想要结束使用车辆时所在的位置。当前位置的定位信息不限于包含当前位置的位置信息和外部影响因素对应的数据。当前位置的定位信息可以通过终端定位得到并上传至服务器中，也可以通过设置在车辆上的定位设备定位得到并上传至服务器中。车辆上的定位设备可以采用天线盒。当用户想要停止使用车辆时，可以通过终端触发停车请求。终端向服务器发送停车请求，根据停车请求获取当前位置的定位信息。
步骤S720，采用上述第一方面任一项实施例得到的定位识别模型，根据当前位置的定位信息对当前位置进行识别，得到定位分类结果。
步骤S730，根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果。
具体地，服务器在获取当前位置的定位信息后，可以根据定位信息中的位置信息判断当前位置是否在停车区域内，得到判断结果。若判断结果为在停车区域内，可以直接生成在停车区域内的位置检测结果，并将该位置检测结果返回至终端，使用户能够正常停车。若判断结果在停车区域外，则结合定位识别模型输出的当前位置的定位分类结果，重新确定位置检测结果。定位分类结果包括定位可靠和定位不可靠。若定位识别模型输出定位不可靠的定位分类结果，可以确定在停车区域外的判断结果不准确，进而自动进行校正，生成在停车区域内的位置检测结果，并将该位置检测结果返回至终端，使用户能够正常停车。若输出定位可靠的定位分类结果，可以确定在停车区域外的判断结果准确，则生成在停车区域外的位置检测结果，并将该位置检测结果返回至终端，提醒用户规范停车。
上述位置检测方法中，通过结合当前位置的定位信息，以及已训练的定位识别模型输出的定位识别分类结果生成当前位置的检测结果，可以减弱定位误差对位置检测带来的影响，从而提高共享车辆的位置检测的准确性。
在一个实施例中，如图8所示，定位分类结果包括定位可靠和定位不可靠；步骤S730，根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果，可以通过以下步骤实现。
步骤S731，根据当前位置的定位信息，确定当前位置的区域检测结果，区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个。
步骤S732，根据当前位置的定位信息，计算当前位置的漂移距离。
步骤S733，若获取当前位置的定位分类结果为定位不可靠，当前位置的区域检测结果为非停车区域和漂移频发区域，以及当前位置的漂移距离小于等于阈值时，则生成当前位置在停车区域内的位置检测结果。
具体地，在获取定位信息后，可以根据定位信息中的位置信息判断当前位置是否是非停车区域、停车区域或者漂移频发区域中的至少一个，得到区域检测结果。同时，根据当前位置的定位信息计算当前位置的漂移距离。其中，漂移频发区域可以根据用户反馈信确定。例如，根据反馈定位不准确的次数进行排序，将次数最多的区域作为漂移频发区域。若获取区域检测结果为非停车区域和漂移频发区域，以及当前位置的漂移距离小于等于阈值，且定位识别模型输出当前位置定位不可靠的检测结果，则生成在停车区域内的位置检测结果。将该位置检测结果发送至终端，使用户能够正常停车。
在一个实施例中，如图9所示，提供了一种具体的位置检测生成方法，以该方法应用在与共享单车对应的终端中进行说明。包括以下步骤。
步骤S910，获取当前位置的定位信息。定位信息不限于包含当前位置的位置信息和外部影响因素对应的数据。
步骤S920，根据当前位置的位置信息得到区域检测结果。区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个。具体地，若得到区域检测结果为停车区域，则生成在停车区域内的位置检测结果，生成当前位置在停车区域内的位置检测结果。否则，进入步骤S930。
步骤S930，根据当前位置的位置信息，计算当前位置的漂移距离。
步骤S940，将当前位置的漂移距离与阈值进行比较，得到漂移距离比较结果。
步骤S950，将外部影响因素对应的数据输入至定为识别模型，输出定位分类结果。定位分类结果包括定位可靠和定位不可靠。
步骤S960，根据区域检测结果、漂移距离比较结果和定位分类结果生成位置检测结果。具体地，若定位分类结果为定位不可靠，区域检测结果为非停车区域和漂移频发区域，漂移距离比较结果为漂移距离小于等于阈值，则生成在停车区域内的位置检测结果。否则生成当前位置在停车区域外的位置检测结果。
应该理解的是，虽然图1-9的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-9中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种定位识别模型的训练生成装置1000，包括：第一获取模块1001、划分模块1002、训练模块1003和模型生成模块1004，其中：
第一获取模块1001，用于获取样本集，样本集中包括多个已标注类别的历史位置异常订单，类别包括定位可靠和定位不可靠。
划分模块1002，用于对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；
训练模块1003，用于采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数组的初步定位识别模型；
模型生成模块1004，用于根据预设次数组的初步定位识别模型，生成定位识别模型。
在一个实施例中，划分模块1002，用于随机预设次数地从样本集中选取预设比例的样本集，作为训练样本集，将样本集中除训练样本集外的其他样本集作为测试样本集，生成预设次数组的训练样本集和测试样本集。
在一个实施例中，所述装置还包括样本集生成模块，用于获取多个历史位置异常订单的数据；当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置不一致，则将历史位置异常订单的类别标注为定位不可靠；当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置一致，则将历史位置异常订单的类别标注为定位可靠；根据标注后的多个历史位置异常订单，生成样本集。
在一个实施例中，历史位置异常订单的数据包括多个影响因素的历史数据；训练模块1003，用于采用每组训练样本集和测试样本集中，每个样本对应的标注数据和多个影响因素的历史数据，对待训练的定位识别模型进行训练；对待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成每组训练样本集和测试样本集对应的初步定位识别模型。
在一个实施例中，模型生成模块1004，用于获取预设次数组的初步定位识别模型中，每个影响因素对应的初步回归系数的平均值，作为每个影响因素对应的目标回归系数；根据目标回归系数，生成定位识别模型。
关于定位识别模型的训练生成装置的具体限定可以参见上文中对于定位识别模型的训练生成方法的限定，在此不再赘述。上述定位识别模型的训练生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图11所示，提供了一种位置检测装置1100，包括：第二获取模块1101、定位识别模块1102和检测结果生成模块1103，其中：
第二获取模块1101，用于获取当前位置的定位信息；
定位识别模块1102，用于采用权利要求1～5中任一项得到的定位识别模型，根据所述当前位置的定位信息对所述当前位置进行识别，得到定位分类结果；
检测结果生成模块1103，用于根据所述定位分类结果和所述当前位置的定位信息，生成所述当前位置的位置检测结果。
关于定位识别模型的训练生成装置的具体限定可以参见上文中对于定位识别模型的训练生成方法的限定，在此不再赘述。上述定位识别模型的训练生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，定位分类结果包括定位可靠和定位不可靠；检测结果生成模块1103，包括：区域检测结果生成单元，用于根据当前位置的定位信息，确定当前位置的区域检测结果，区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个；漂移距离生成单元，用于根据当前位置的定位信息，计算当前位置的漂移距离；位置检测结果生成单元，用于若获取当前位置的定位分类结果为定位不可靠，当前位置的区域检测结果为非停车区域和漂移频发区域，以及当前位置的漂移距离小于等于阈值时，则生成当前位置在停车区域内的位置检测结果。
关于位置检测装置的具体限定可以参见上文中对于位置检测装置方法的限定，在此不再赘述。上述位置检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史订单数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种定位识别模型的训练生成方法和(或)位置检测方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取样本集，样本集中包括多个已标注类别的历史位置异常订单，类别包括定位可靠和定位不可靠；对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数组的初步定位识别模型；根据预设次数组的初步定位识别模型，生成定位识别模型。
在一个实施例中，处理器执行计算机程序时实现以下步骤：
随机预设次数地从样本集中选取预设比例的样本集，作为训练样本集，将样本集中除训练样本集外的其他样本集作为测试样本集，生成预设次数组的训练样本集和测试样本集。
在一个实施例中，处理器执行计算机程序时实现以下步骤：
获取多个历史位置异常订单的数据；当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置不一致，则将历史位置异常订单的类别标注为定位不可靠；当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置一致，则将历史位置异常订单的类别标注为定位可靠；根据标注后的多个历史位置异常订单，生成样本集。
在一个实施例中，历史位置异常订单的数据包括多个影响因素的历史数据；处理器执行计算机程序时实现以下步骤，包括：
采用每组训练样本集和测试样本集中，每个样本对应的标注数据和多个影响因素的历史数据，对待训练的定位识别模型进行训练；对待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成每组训练样本集和测试样本集对应的初步定位识别模型。
在一个实施例中，处理器执行计算机程序时实现以下步骤：
获取预设次数组的初步定位识别模型中，每个影响因素对应的初步回归系数的平均值，作为每个影响因素对应的目标回归系数；根据目标回归系数，生成定位识别模型。
在一个实施例中，处理器执行计算机程序时实现以下步骤：
获取当前位置的定位信息；采用上述第一方面任一项实施例得到的定位识别模型，根据当前位置的定位信息对当前位置进行识别，得到定位分类结果；根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果。
在一个实施例中，定位分类结果包括定位可靠和定位不可靠；处理器执行计算机程序时实现以下步骤：
根据当前位置的定位信息，确定当前位置的区域检测结果，区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个；根据当前位置的定位信息，计算当前位置的漂移距离；若获取当前位置的定位分类结果为定位不可靠，当前位置的区域检测结果为非停车区域和漂移频发区域，以及当前位置的漂移距离小于等于阈值时，则生成当前位置在停车区域内的位置检测结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取样本集，样本集中包括多个已标注类别的历史位置异常订单，类别包括定位可靠和定位不可靠；对样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数组的初步定位识别模型；根据预设次数组的初步定位识别模型，生成定位识别模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
随机预设次数地从样本集中选取预设比例的样本集，作为训练样本集，将样本集中除训练样本集外的其他样本集作为测试样本集，生成预设次数组的训练样本集和测试样本集。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取多个历史位置异常订单的数据；当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置不一致，则将历史位置异常订单的类别标注为定位不可靠；当根据历史位置异常订单的数据，确定历史位置异常订单的实际位置和定位位置一致，则将历史位置异常订单的类别标注为定位可靠；根据标注后多个的历史位置异常订单，生成样本集。
在一个实施例中，历史位置异常订单的数据包括多个影响因素的历史数据；计算机程序被处理器执行时实现以下步骤，包括：
采用每组训练样本集和测试样本集中，每个样本对应的标注数据和多个影响因素的历史数据，对待训练的定位识别模型进行训练；对待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成每组训练样本集和测试样本集对应的初步定位识别模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取预设次数组的初步定位识别模型中，每个影响因素对应的初步回归系数的平均值，作为每个影响因素对应的目标回归系数；根据目标回归系数，生成定位识别模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取当前位置的定位信息；采用上述第一方面任一项实施例得到的定位识别模型，根据当前位置的定位信息对当前位置进行识别，得到定位分类结果；根据定位分类结果和当前位置的定位信息，生成当前位置的位置检测结果。
在一个实施例中，定位分类结果包括定位可靠和定位不可靠；计算机程序被处理器执行时实现以下步骤：
根据当前位置的定位信息，确定当前位置的区域检测结果，区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个；根据当前位置的定位信息，计算当前位置的漂移距离；若获取当前位置的定位分类结果为定位不可靠，当前位置的区域检测结果为非停车区域和漂移频发区域，以及当前位置的漂移距离小于等于阈值时，则生成当前位置在停车区域内的位置检测结果
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种位置检测方法，其特征在于，包括：
获取当前位置的定位信息；
采用定位识别模型，根据所述当前位置的定位信息对所述当前位置进行识别，得到定位分类结果；
根据所述定位分类结果和所述当前位置的定位信息，生成所述当前位置的位置检测结果；
其中，所述定位分类结果包括定位可靠和定位不可靠；所述根据所述定位分类结果和所述当前位置的定位信息，生成所述当前位置的位置检测结果，包括：
根据所述当前位置的定位信息，确定所述当前位置的区域检测结果，所述区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个；
根据所述当前位置的定位信息，计算所述当前位置的漂移距离；
若获取所述当前位置的定位分类结果为定位不可靠，所述当前位置的区域检测结果为非停车区域和漂移频发区域，以及所述当前位置的漂移距离小于等于阈值时，则生成所述当前位置在停车区域内的位置检测结果；
所述定位识别模型的训练生成方法包括：
获取样本集，所述样本集中包括多个已标注类别的历史位置异常订单，所述类别包括定位可靠和定位不可靠；
对所述样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；
采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数个的初步定位识别模型；
根据所述预设次数个的初步定位识别模型，生成定位识别模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集，包括：
随机预设次数地从所述样本集中选取预设比例的样本集，作为训练样本集，将所述样本集中除所述训练样本集外的其他样本集作为测试样本集，生成所述预设次数组的训练样本集和测试样本集。
3.根据权利要求1所述的方法，其特征在于，所述样本集的生成方式，包括：
获取多个历史位置异常订单的数据；
当根据历史位置异常订单的数据，确定所述历史位置异常订单的实际位置和定位位置不一致，则将所述历史位置异常订单的类别标注为定位不可靠；
当根据所述历史位置异常订单的数据，确定所述历史位置异常订单的实际位置和定位位置一致，则将所述历史位置异常订单的类别标注为定位可靠；
根据标注后的所述多个历史位置异常订单，生成所述样本集。
4.根据权利要求1所述的方法，其特征在于，所述历史位置异常订单的数据包括多个影响因素的历史数据；所述采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数组的初步定位识别模型，包括：
采用所述每组训练样本集和测试样本集中，每个样本对应的标注数据和所述多个影响因素的历史数据，对所述待训练的定位识别模型进行训练；
对所述待训练的定位识别模型的参数进行更新，直至达到预设停止条件，得到每个影响因素对应的初步回归系数，生成所述每组训练样本集和测试样本集对应的初步定位识别模型。
5.一种位置检测装置，其特征在于，所述装置包括：
第二获取模块，用于获取当前位置的定位信息；
定位识别模块，用于采用定位识别模型，根据所述当前位置的定位信息对所述当前位置进行识别，得到定位分类结果；
检测结果生成模块，用于根据所述定位分类结果和所述当前位置的定位信息，生成所述当前位置的位置检测结果；所述定位分类结果包括定位可靠和定位不可靠；所述检测结果生成模块，还用于根据所述当前位置的定位信息，确定所述当前位置的区域检测结果，所述区域检测结果包括非停车区域、停车区域和漂移频发区域中的至少一个；根据所述当前位置的定位信息，计算所述当前位置的漂移距离；若获取所述当前位置的定位分类结果为定位不可靠，所述当前位置的区域检测结果为非停车区域和漂移频发区域，以及所述当前位置的漂移距离小于等于阈值时，则生成所述当前位置在停车区域内的位置检测结果；
所述装置还包括定位识别模型的训练生成装置，包括：
第一获取模块，用于获取样本集，所述样本集中包括多个已标注类别的历史位置异常订单，所述类别包括定位可靠和定位不可靠；
标注模块，用于根据所述历史定位数据，对所述历史位置异常订单的类别进行标注，生成样本集，所述类别包括定位可靠和定位不可靠；
划分模块，用于对所述样本集进行预设次数的划分，生成预设次数组的训练样本集和测试样本集；
训练模块，用于采用每组训练样本集和测试样本集对待训练的定位识别模型进行训练，生成预设次数个的初步定位识别模型；
模型生成模块，用于根据所述预设次数个的初步定位识别模型，生成定位识别模型。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010386717.XA CN111582378B (zh) | 2020-05-09 | 2020-05-09 | 定位识别模型的训练生成方法、位置检测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010386717.XA CN111582378B (zh) | 2020-05-09 | 2020-05-09 | 定位识别模型的训练生成方法、位置检测方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111582378A CN111582378A (zh) | 2020-08-25 |
| CN111582378B true CN111582378B (zh) | 2024-02-27 |
Family
ID=72112078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010386717.XA Active CN111582378B (zh) | 2020-05-09 | 2020-05-09 | 定位识别模型的训练生成方法、位置检测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111582378B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112601173B (zh) * | 2020-11-30 | 2021-10-08 | 西安电子科技大学 | 5g定位真值检测与攻击溯源方法、系统、设备及应用 |
| CN114765634B (zh) * | 2021-01-13 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 网络协议识别方法、装置、电子设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106997687A (zh) * | 2017-05-31 | 2017-08-01 | 上海喜泊客信息技术有限公司 | 停车引导方法及系统、存储介质 |
| CN107450087A (zh) * | 2017-08-03 | 2017-12-08 | 千寻位置网络有限公司 | 一种用于共享单车高精度定位的数据质量服务端分析方法 |
| WO2019104953A1 (zh) * | 2017-12-01 | 2019-06-06 | 深圳市智能现实科技有限公司 | 定位方法及装置、移动终端 |
| CN109889981A (zh) * | 2019-03-08 | 2019-06-14 | 中南大学 | 一种基于二分类技术的定位方法及系统 |
| CN110913338A (zh) * | 2019-12-17 | 2020-03-24 | 深圳奇迹智慧网络有限公司 | 定位轨迹纠正方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-09 CN CN202010386717.XA patent/CN111582378B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106997687A (zh) * | 2017-05-31 | 2017-08-01 | 上海喜泊客信息技术有限公司 | 停车引导方法及系统、存储介质 |
| CN107450087A (zh) * | 2017-08-03 | 2017-12-08 | 千寻位置网络有限公司 | 一种用于共享单车高精度定位的数据质量服务端分析方法 |
| WO2019104953A1 (zh) * | 2017-12-01 | 2019-06-06 | 深圳市智能现实科技有限公司 | 定位方法及装置、移动终端 |
| CN109889981A (zh) * | 2019-03-08 | 2019-06-14 | 中南大学 | 一种基于二分类技术的定位方法及系统 |
| CN110913338A (zh) * | 2019-12-17 | 2020-03-24 | 深圳奇迹智慧网络有限公司 | 定位轨迹纠正方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111582378A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3875985A1 (en) | Method, apparatus, computing device and computer-readable storage medium for positioning | |
| CN111582378B (zh) | 定位识别模型的训练生成方法、位置检测方法、装置 | |
| CN110972261A (zh) | 一种基站指纹库建立方法、装置、服务器及存储介质 | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| CN112782743B (zh) | 一种车辆定位方法、装置、计算机设备及存储介质 | |
| CN112086010A (zh) | 地图生成方法、装置、设备及存储介质 | |
| CN111383246B (zh) | 条幅检测方法、装置及设备 | |
| CN111091215B (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
| CN111932945A (zh) | 水上截面线的通过流量确认方法、装置和计算机设备 | |
| CN109725287B (zh) | 定位方法、装置、可穿戴设备和存储介质 | |
| CN113222040B (zh) | 海上固定目标识别方法、装置、计算机设备和存储介质 | |
| CN116453371B (zh) | 共享车辆的还车识别方法、装置、计算机设备和存储介质 | |
| CN111695820B (zh) | 工程车辆电子联单管理方法、装置、终端及存储介质 | |
| CN116226633A (zh) | 一种船只数据实时融合识别的方法、系统、装置和介质 | |
| CN112800349B (zh) | 水上移动目标的运动状态获取方法、装置、设备和介质 | |
| CN115240400A (zh) | 车辆位置识别方法和装置、车辆位置输出方法和装置 | |
| CN112243193B (zh) | 室内定位方法、装置、计算机设备和可读存储介质 | |
| US10769768B1 (en) | Apparatus and method for providing application service using satellite image | |
| CN113917506A (zh) | 模糊度固定方法、装置、电子设备及自动驾驶设备 | |
| CN114359386A (zh) | 点云数据的处理方法、处理装置、存储介质及处理器 | |
| WO2021103027A1 (en) | Base station positioning based on convolutional neural networks | |
| CN112924519B (zh) | 一种自动寻峰谷方法、装置、介质及电子设备 | |
| CN110471088B (zh) | 定位信息处理方法、装置、计算机设备和存储介质 | |
| CN117765495A (zh) | 车辆语义定位的修正方法及装置、电子设备及存储介质 | |
| CN112767732B (zh) | 一种停车位置确定方法、装置以及电子设备 |
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 |