CN111741524A - 定位方法、装置、计算机可读存储介质和计算机设备 - Google Patents
定位方法、装置、计算机可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN111741524A CN111741524A CN201910482460.5A CN201910482460A CN111741524A CN 111741524 A CN111741524 A CN 111741524A CN 201910482460 A CN201910482460 A CN 201910482460A CN 111741524 A CN111741524 A CN 111741524A
- Authority
- CN
- China
- Prior art keywords
- target
- fingerprint
- signal set
- sample
- position information
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及一种定位方法、装置、计算机可读存储介质和计算机设备,所述方法包括:获取待定位的目标信号集合;通过已训练的向量化模型,将所述目标信号集合转化为目标指纹向量;获取所述目标指纹向量与指纹库中各指纹向量的相似度;按照所获取到的相似度从所述指纹库中选取至少一个指纹向量;根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息。本申请提供的方案能够提高定位的准确性。
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方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着定位技术的发展,逐渐出现了基于无线网络信号的定位方式,给用户提供了极大的方便。传统的定位方式,通常是预先获取各个无线网络信号发射设备的位置信息,在进行定位时,根据接收到的无线网络信号和相应的信号强度值,计算待定位位置与相应无线网络信号发射设备之间的距离,并根据计算得到的距离和相应无线网络信号发射设备的位置信息估算待定位位置相应的位置信息。然而,这种基于信号强度值和相应无线网络信号发送设备的位置信息估算位置信息的定位方式,存在定位准确性低的问题。
发明内容
基于此,有必要针对定位准确性较低的技术问题,提供一种定位方法、装置、计算机可读存储介质和计算机设备。
一种定位方法,包括:
获取待定位的目标信号集合;
通过已训练的向量化模型,将所述目标信号集合转化为目标指纹向量;
获取所述目标指纹向量与指纹库中各指纹向量的相似度;
按照所获取到的相似度从所述指纹库中选取至少一个指纹向量;
根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息。
一种定位装置,所述装置包括:
第一获取模块,用于获取待定位的目标信号集合;
转化模块,用于通过已训练的向量化模型,将所述目标信号集合转化为目标指纹向量;
第二获取模块,用于获取所述目标指纹向量与指纹库中各指纹向量的相似度;
选取模块,用于按照所获取到的相似度从所述指纹库中选取至少一个指纹向量;
定位模块,用于根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述定位方法的步骤。
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,所述计算机程序被所述处理器执行时,使得所述处理器执行所述定位方法的步骤。
上述定位方法、装置、计算机可读存储介质和计算机设备,通过已训练的向量化模型将待定位的目标信号集合转化为目标指纹向量,提高了目标指纹向量的准确性。基于准确性较高的目标指纹向量和指纹库中各指纹向量之间的相似度,从指纹库中选取与目标指纹向量相对接近的至少一个指纹向量,并基于该相对接近的指纹向量相应的位置信息确定定位结果,提高了定位准确性。
一种向量化模型的训练方法,包括:
获取样本信号集合;所述样本信号集合包括至少一个样本信号标识和所述样本信号标识相应的样本信号强度值;
根据所述样本信号强度值所属的数值范围将所述样本信号强度值映射为相应的固定信号强度值;
根据所述至少一个样本信号标识和所述样本信号标识相应的固定信号强度值,得到目标样本信号集合;
基于所述目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
一种向量化模型的训练装置,所述装置包括:
获取模块,用于获取样本信号集合;所述样本信号集合包括至少一个样本信号标识和所述样本信号标识相应的样本信号强度值;
预处理模块,用于根据所述样本信号强度值所属的数值范围将所述样本信号强度值映射为相应的固定信号强度值;
所述预处理模块,还用于根据所述至少一个样本信号标识和所述样本信号标识相应的固定信号强度值,得到目标样本信号集合;
训练模块,用于基于所述目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述向量化模型的训练方法的步骤。
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,所述计算机程序被所述处理器执行时,使得所述处理器执行所述向量化模型的训练方法的步骤。
上述向量化模型的训练方法、装置、计算机可读存储介质和计算机设备,将样本信号集合中的样本信号强度值映射为其所属数值范围相应的固定信号强度值,以减少训练数据数量,能够提高模型的训练效率,同时能够均衡样本信号强度值的采集误差。基于均衡了样本信号强度值的采集误差后所得到的目标样本信号集合,对自然语言处理模型进行训练,能够减少样本信号强度值的采集误差对模型训练的影响,从而能够提高训练得到的向量化模型的转化准确性。这样,通过转化准确性较高的向量化模型可将待定位的目标信号集合转化为准确性较高的指纹向量,然后基于准确性较高的指纹向量进行定位,能够提高定位的准确性。
附图说明
图1为一个实施例中定位方法的应用环境图;
图2为一个实施例中定位方法的流程示意图;
图3a为一个实施例中定位方法的应用场景图;
图3b为一个实施例中基于位置信息在地图中标示定位位置的界面图;
图4为一个实施例中基于待定位的目标信号集合得到预处理后的目标信号集合的流程示意图;
图5为另一个实施例中定位方法的流程示意图;
图6为一个实施例中定位方法的框架图;
图7为一个实施例中向量化模型的训练方法的流程示意图;
图8为另一个实施例中向量化模型的训练方法的流程示意图;
图9为一个实施例中定位装置的结构框图;
图10为另一个实施例中向量化模型的训练装置的结构框图;
图11为一个实施例中计算机设备的结构框图。
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,此处所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。
图1为一个实施例中定位方法的应用环境图。参照图1,该定位方法应用于定位系统。该定位系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。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。
如图2所示,在一个实施例中,提供了一种定位方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图2,该定位方法具体包括如下步骤:
S202,获取待定位的目标信号集合。
其中,待定位的目标信号集合,是指待获取相应位置信息的目标信号集合,也就是基于目标信号集合能够确定相应的位置信息,以实现相应终端的定位。目标信号集合是由在空间中与位置相关的无线信号组成的集合,具体可以是由至少一个无线信号相应的信号特征数据组成的集合。信号特征数据是用于表征无线信号特征的数据,信号特征数据具体可以包括信号标识,还可以包括信号强度值。无线信号是由信号发射设备发射的信号,包括但不限于Wi-Fi(Wireless-Fidelity,无线保真)、蓝牙、RFID、(Radio FrequencyIdentification,射频识别)和ZigBee(一种低速短距离传输的无线网上协议)等。以无线信号为Wi-Fi为例,信号发射设备包括但不限于是无线路由器、无线AP(Access Point,接入点)、Wi-Fi热点和其他能够发射无线信号的设备,信号接收设备也即终端包括但不限于是手机、平板电脑和其他能够接收无线信号的智能设备。
目标信号集合能够用于定位,具体可理解为定位指纹。顾名思义,定位指纹是指用于定位的“指纹”,具体可以是与位置相关的无线信号的信号特征数据,能够用于区分位置。定位指纹与位置相对应,根据定位指纹能够定位一个特定的位置,在每个位置处能够确定一个特定的定位指纹。
具体地,服务器获取目标定位请求,根据目标定位请求得到待定位的目标信号集合。在一个实施例中,服务器接收终端发送的目标定位请求,根据目标定位请求得到目标信号集合,以便于根据目标信号集合对终端进行定位。服务器接收到的定位请求中携带目标信号集合,解析定位请求即可得到待定位的目标信号集合。服务器也可根据定位请求从终端获取待定位的目标信号集合。
在一个实施例中,服务器接收第三方计算机设备转发的目标信号集合,转发的目标信号集合是由待定位的终端获取并发送至第三方计算机设备的,以便于第三方计算机设备在接收到服务器针对目标信号集合反馈的位置信息时,根据位置信息对终端进行控制。例如,当位置信息相对于预配置的位置信息的偏差达到偏差阈值时,也就是当根据位置信息与预配置的位置信息计算得到的距离达到距离阈值时,第三方计算机设备触发控制指令并推送至终端,以指示终端执行相应的控制操作。控制操作比如触发警报信息或锁定终端的操作权限等。第三方计算机设备比如用于监听和/或控制终端的第三方终端或第三方服务器。其中,第三方计算机设备可根据目标信号集合触发定位请求并推送至服务器。
在一个实施例中,目标信号集合包括至少一种无线信号。例如,目标信号集合仅包括至少一个Wi-Fi信号相应的信号特征数据,或者,目标信号集合同时包括Wi-Fi信号和蓝牙信号各自相应的信号特征数据。
在一个实施例中,目标信号集合中所包括的信号特征数据为信号标识。
S204,通过已训练的向量化模型,将目标信号集合转化为目标指纹向量。
其中,向量化模型是通过样本学习具备将目标信号集合进行向量化表示的能力的模型。已训练的向量化模型是基于训练样本集训练得到的能够用于将目标信号集合转化为目标指纹向量的模型。训练样本集包括多于一个的样本信号集合。在本实施例中,已训练的向量化模型是基于训练样本集进行训练,并不断调整模型参数,直至满足训练条件后停止训练而得到的向量化模型。
目标指纹向量是目标信号集合的向量化表示,能够用于确定目标信号集合与每个样本信号集合的匹配度或相似度。可以理解,根据目标指纹向量能够从多于一个的样本信号集合中筛选出与目标信号集合相对接近的一个或多个信号集合。将低维度的目标信号集合用高维度的目标指纹向量表示,能够筛选出的信号集合的准确性,从而能够提高定位的准确性。
具体地,服务器通过已训练的向量化模型对待定位的目标信号集合进行处理,以将该目标信号集合转化为相应的目标指纹向量。服务器可将待定位的目标信号集合输入已训练的向量化模型进行预测,得到目标指纹向量。服务器在获取到待定位的目标信号集合后,可通过已训练的向量化模型自动获取该目标信号集合并进行预测,得到相应的目标指纹向量。
在一个实施例中,向量化模型是基于训练样本集对自然语言处理模型训练得到的模型。自然语言处理模型包括但不限于是doc2vec模型(用于生成句向量/文本向量的模型)、word2vec模型(用于生成词向量的模型)、glove模型(一种基于共现矩阵的词向量模型)、ELMo(一种深度语境化词表征)模型和BERT模型(一种预训练语言表示模型)。
S206,获取目标指纹向量与指纹库中各指纹向量的相似度。
其中,指纹库是包括多于一个的指纹向量和每个指纹向量相应的位置信息的集合。指纹库中的每个指纹向量都对应有唯一的位置信息。指纹向量是通过已训练的向量化模型对相应信号集合进行处理得到的,具体可以是从用于训练向量化模型的训练样本集中筛选的、且对应有位置信息的信号集合转化得到的。相似度是指目标指纹向量和指纹库中的每个指纹向量之间的相似程度。相似度包括但不限于是欧氏距离相似度、余弦相似度和交叉熵等。
具体地,服务器从指纹库中查询预存储的指纹向量,并按照预设获取方式获取目标指纹向量与所查询到的每个指纹向量之间的相似度。预设获取方式比如从本地查询目标指纹向量与指纹库中每个指纹向量之间的相似度,或者基于相似度算法分别计算查询到的每个指纹向量与目标指纹向量之间的相似度。服务器可基于已有的相似度算法计算指纹向量和目标指纹向量之间的相似度,在此不再赘述。已有的相似度算法比如欧氏距离、余弦相似度和交叉熵。
在一个实施例中,待定位的目标信号集合包括一个信号标识和该信号标识相应的信号强度值。服务器通过已训练的向量化模型将该目标信号集合转化为相应的目标指纹向量,并计算该目标指纹向量与指纹库中每个指纹向量的相似度,以便于根据计算得到的相似度筛选与目标指纹向量相对接近的指纹向量,并基于筛选出的指纹向量进行准确定位。由此,相对于传统的根据基于一个信号强度值计算得到的距离能够确定多个位置信息的定位方式,该种基于目标指纹向量及相似度的定位方式,能够在降低目标信号集合的复杂度的情况下保证定位的准确性。这样,基于一个无线信号相应的信号标识和信号强度值也能够实现定位,提高了该种定位方式的适用性度。
在一个实施例中,指纹库可以是用于存储多于一个的指纹向量和每个指纹向量相应的位置信息的存储空间。服务器可预先构建指纹库,并在获取到待存储的指纹向量和相应的位置信息时,将该指纹向量和相应位置信息关联存储至指纹库。服务器也可在获取到待存储的多于一个的指纹向量和每个指纹向量相应的位置信息时,将该多于一个的指纹向量和各自相应的位置信息关联存储,以构建指纹库。
S208,按照所获取到的相似度从指纹库中选取至少一个指纹向量。
具体地,服务器在获取到指纹库中的每个指纹向量与目标指纹向量之间的相似度后,将所获取到的各个相似度进行相互比较,以根据比较结果从指纹库中选取相似度相对较高的至少一个指纹向量。
在一个实施例中,服务器根据各个相似度之间的比较结果,从指纹库中选取相似度相对较高的目标数量的指纹向量。其中,目标数量可自定义,也可根据所获取到的各个相似度动态确定。
在一个实施例中,服务器将所获取到的每个相似度分别与预配置的相似度阈值进行比较,以根据比较结果从指纹库中选取相似度大于或等于相似度阈值的一个或多个指纹向量。可以理解,服务器也可基于相似度阈值和目标数量相结合的方式,从指纹库中选取用于定位的至少一个指纹向量。
S210,根据选取的至少一个指纹向量所对应的位置信息,确定目标信号集合对应的位置信息。
其中,位置信息是用于表征位置的信息,具体可以是位置坐标。基于位置信息能够唯一确定一个位置,由此基于位置信息能够对终端进行定位。位置信息包括但不限于是经纬度坐标和平面坐标,经纬度坐标和平面坐标可以相互转换。经纬度坐标是基于预设坐标系确定的且包括经度坐标和纬度坐标的坐标组。预设坐标系包括但不限于是GCJ-02(国家测量局02号标准)和WGS84(World Geodetic System 1984,全球定位系统所基于的地心坐标系)。例如,位置信息是基于WGS84确定的GPS(Global Positioning System,全球定位系统)信息。
具体地,服务器从指纹库中选取出用于定位的至少一个指纹向量后,从指纹库中查询所选取的每个指纹向量所对应的位置信息,并根据查询到的位置信息按照预设的定位算法确定相应的位置信息,并将所确定的位置信息作为目标信号集合对应的位置信息,以实现定位。预设的定位算法比如对查询到的位置信息求平均。
在一个实施例中,当根据所获取到的相似度从指纹库中选取出一个指纹向量时,根据选取出的该指纹向量从指纹库中查询相应的位置信息,并将查询到的位置信息确定为目标信号集合对应的位置信息。
在一个实施例中,步骤S210包括:当从指纹库中选取的指纹向量多于一个时,从指纹库中查询多于一个的指纹向量各自相应的位置信息;根据查询到的位置信息得到平均位置信息;将平均位置信息确定为目标信号集合对应的位置信息。
其中,平均位置信息是指对多于一个的位置信息求平均得到的位置信息。可以理解,当每个位置信息多于一维时,按照各个维度分别对多于一个的位置信息求平均,得到平均位置信息。比如,位置信息为经纬度坐标,则对该多于一个的位置信息的经度坐标和纬度坐标分别求平均,并根据计算得到的平均经度坐标和平均纬度坐标确定平均位置信息。
具体地,当根据所获取到的相似度从指纹库中选取的指纹向量多于一个时,服务器从指纹库中查询与所选取的每个指纹向量对应的位置信息,得到多于一个的位置信息。服务器根据查询到的多于一个的位置信息得到相应的平均位置信息,并将该平均位置信息确定为目标信号集合对应的位置信息。通过对与目标指纹向量相对接近的多个指纹向量所对应的位置信息求平均,以将得到的平均位置信息确定为用作定位结果的位置信息,能够降低单个位置信息导致的定位误差,从而能够提高定位的准确性。
在一个实施例中,服务器对查询到的位置信息计算算术平均值,得到平均位置信息。服务器对查询到的各个位置信息求和,并将求和得到的位置信息除以位置信息的数量得到平均位置信息。可以理解,当位置信息为多维时,服务器按照每个维度分别对各个位置信息求算术平均值。例如,假设位置信息为经纬度坐标,服务器查询到的3个位置信息分别为(30,100)、(34,102)和(32,98),按照经度坐标和纬度坐标分别对该3个位置信息求算术平均值,得到平均经度坐标为32,平均纬度坐标为100,由此得到平均位置信息为(32,100)。
在一个实施例中,服务器对查询到的位置信息计算加权平均值,得到平均位置信息。每个位置信息的权重可自定义,也可根据相应指纹向量所对应的相似度确定,比如,将所获取到的相似度确定为相应指纹向量所对应的位置信息的权重。举例说明,假设3个位置信息(30,100)、(34,102)和(32,98)各自对应的相似度为80%,85%和70%,则将每个位置信息相应的相似度确定为该位置信息的权值,并分别对经度坐标和纬度坐标求加权平均,得到平均位置信息。
上述定位方法,通过已训练的向量化模型将待定位的目标信号集合转化为目标指纹向量,提高了目标指纹向量的准确性。基于准确性较高的目标指纹向量和指纹库中各指纹向量之间的相似度,从指纹库中选取与目标指纹向量相对接近的至少一个指纹向量,并基于该相对接近的指纹向量相应的位置信息确定定位结果,提高了定位准确性。
如图3a所示,在一个实施例中,提供了一种定位方法的应用场景图。终端110接收由多个信号发射设备130(分别记为1301、1302、…、130n)分别发射的Wi-Fi信号,根据接收到的多个Wi-Fi信号可得到如图3a中的110a所示的Wi-Fi列表。其中,Wi-Fi列表中的每一行为一个Wi-Fi信号相应的信号特征数据,信号特征数据包括信号标识和信号强度值,假设信号标识为MAC地址,信号强度值为RSSI值,则Wi-Fi列表中的第一列为Wi-Fi信号的MAC地址,第二列为Wi-Fi信号的RSSI值。终端110根据所得到的Wi-Fi列表确定待定位的目标信号集合,并将待定位的目标信号集合发送至服务器120,以指示服务器120基于所接收到的目标信号集合进行定位处理。值得说明的是,图3a所示的信号发射设备130为多个,但不用于限定信号发射设备的数量,也就是终端110可接收由一个或多个信号发射设备发射的Wi-Fi信号。图3a所示的信号发射设备并不用于具体限定实际应用中信号发射设备的类型和形状。图3a中,以无线信号为Wi-Fi信号为例,但并不用于限定无线信号为Wi-Fi信号。图3a所示的Wi-Fi列表只是示例,并不用于具体限定Wi-Fi列表的形式。图3a所示的Wi-Fi列表为终端110在后台处理得到的列表数据,而不是通过显示界面直接展示给用户的信号列表。
图3b为另一个实施例中基于位置信息在地图中标示定位位置的界面图。终端在获取到如图3a所示的Wi-Fi列表后,将根据Wi-Fi列表所确定的目标信号集合发送至服务器。服务器基于所接收到的目标信号集合执行本申请中一个或多个实施例中提供的定位方法,并将针对目标信号集合所确定的位置信息反馈至终端。终端根据服务器所反馈的位置信息在如图3b所示的地图中标示出当前的定位位置。其中,终端通过如图3b所示的标识符110b在地图中标示出当前的定位位置,但只是示例,并不用于具体限定用于标示当前的定位位置的标识符。可以理解,在用户移动过程中,终端会根据实时变化的Wi-Fi信号更新Wi-Fi列表,将根据更新的Wi-Fi列表所确定的目标信号集合发送至服务器,并根据服务器对应反馈的位置信息在地图中实时标示出当前的定位位置,以实现实时动态定位的效果。在室内环境下,该种基于Wi-Fi列表的定位方式相较于基于GPS信息的定位方式,能够提高定位的准确性。
在一个实施例中,目标信号集合包括至少一个信号标识与信号标识相应的信号强度值;步骤S204包括:确定信号强度值所属的数值范围;将信号强度值映射为数值范围相应的固定信号强度值;根据信号标识和信号标识相应的固定信号强度值得到预处理后的目标信号集合;通过已训练的向量化模型,将预处理后的目标信号集合转化为目标指纹向量。
其中,信号标识用于唯一标识无线信号,是由数字、字母和符号等字符组成的字符串。信号标识具体可以是无线信号相应的编号、名称或物理地址等,比如,发射无线信号的信号发射设备的物理地址,物理地址比如MAC(Media Access Control,介质访问控制)地址,MAC地址比如0027222239EC。
信号强度值是指接收到的无线信号的强度数值,用于表征接收到的无线信号的强弱,具体可以是RSSI值(Received Signal Strength Indicator,接收的信号强度指示),RSSI值比如-67。信号强度值可用于表征接收无线信号的终端与信号发送设备的距离。数值范围是预先设定的包括多于一个的信号强度值的数值区间,比如[-60,-69]。数值范围有多个,可根据实际需求自定义。固定信号强度值是与多于一个的信号强度值相应的信号强度值或数值,比如-60或60。固定信号强度值与数值范围相对应,一个固定信号强度值对应一个数值范围,相应地,一个数值范围对应一个固定信号强度值,比如数值范围[-60,-69]与固定信号强度值60相对应,或者,数值范围[-60,-69]与固定信号强度值60相对应。基于数值范围与固定信号强度值的对应关系,能够将每个数值范围内的多于一个的信号强度值映射为相同固定信号强度值。可以理解,多个数值范围中的每个数值范围相应的固定信号强度值同为正值或负值。
具体地,服务器在获取到待定位的目标信号集合后,解析目标信号集合得到至少一个信号标识和每个信号标识相应的信号强度值。服务器将解析得到的每个信号强度值分别与预配置的数值范围进行匹配,并根据匹配结果确定每个信号强度值所属的数值范围。服务器查询每个数值范围相应的固定信号强度值,并将每个信号强度值映射为其所属的数值范围相应的固定信号强度值,也就是将信号强度值所属的数值范围相应的固定信号强度值确定为该信号强度值相应的固定信号强度值。服务器在将每个信号标识相应的信号强度值映射为固定信号强度值后,根据解析得到的至少一个信号标识和每个信号标识相应的固定信号强度值得到预处理后的目标信号集合。服务器通过已训练的向量化模型对该预处理后的目标信号集合进行处理,以将该预处理后的目标信号集合转化为相应的目标指纹向量,并将转化得到的目标指纹向量作为待定位的目标信号集合相应的目标指纹向量。
在一个实施例中,待定位的目标信号集合包括至少一对相关联的信号标识和信号强度值。服务器解析目标信号集合得到至少一对信号相关联的信号标识和信号强度值。服务器将每一对相关联的信号标识和信号强度值进行拆分,将拆分得到的每个信号强度值映射为其所属的数值范围相应的固定信号强度值,并将拆分得到的每个信号标识与由该信号标识相关联的信号强度值映射得到的固定信号强度值,通过第一预设符号关联,得到至少一对相关联的信号标识和固定信号强度值。服务器可将每一对相关联的信号标识和固定信号强度值记为信号二元组。
当关联得到的信号二元组多于一个时,服务器将该多于一个的信号二元组通过第二预设符号以串联方式进行组合,得到预处理后的目标信号集合。串联方式是指将多于一个的信号二元组按照顺序依次连接的连接方式。第一预设符号具体可以是“-”、“_”、“+”或“&”等,第二预设符号具体可以是空格、顿号、逗号或分号等,第一预设符号与第二预设符号互不相同。可以理解,预处理后的目标信号集合中的每个信号二元组最多与两个信号二元组进行连接。当关联得到的信号二元组为一个时,服务器将该信号二元组作为预处理后的目标信号集合。
在一个实施例中,待定位的目标信号集合所包括的至少一个信号标识和相应的信号强度值通过第三预设符号连接。第三预设符号比如“&”、“-”和“|”等。服务器按照第三预设符号对目标信号集合进行拆分,得到至少一个信号标识和每个信号标识相应的信号强度值。
在一个实施例中,服务器按照信号强度值所属的数值范围将该信号强度值映射为固定信号强度值的过程,可理解为对信号强度值进行桶分类的过程,也就是将同属于一个数值范围的多个信号强度值映射为同一个固定信号强度值,以将连续的信号强度值离散化,从而减小信号强度值的误差的影响。
上述实施例中,由于可能受环境因素的影响,待定位的目标信号集合中的信号强度值通常存在误差,通过将信号强度值映射为其所属数值范围相应的固定信号强度值,能够均衡采集信号强度值时所产生的误差,从而能够减小信号强度值的误差给定位带来的影响,也即能够提高定位的准确性。通过已训练的向量化模型根据均衡误差后的目标信号集合得到准确性较高的目标指纹向量,以便于根据准确性较高的目标指纹向量进行定位时,能够进一步提高定位的准确性。
图4为一个实施例中基于待定位的目标信号集合得到预处理后的目标信号集合的流程示意图。假设目标信号集合中的信号标识为MAC地址,信号强度值为RSSI值,待定位的目标信号集合表示为“mac1&rssi1&mac2&rssi2&mac3&rssi3”,则对该目标信号集合进行拆分可得到3个信号标识“mac1”、“mac2”和“mac3”,以及该3个信号标识各自相应的信号强度值“rssi1”、“rssi2”和“rssi3”。基于每个信号强度值所属的数值范围将该信号强度值映射为相应的固定信号强度值,比如将信号强度值“rssi1”、“rssi2”和“rssi3”分别映射为固定强度值“RSSI1”、“RSSI2”和“RSSI3”。将拆分得到的每个信号标识与由相应信号强度值映射得到的固定信号强度值,通过第一预设符号关联得到相应的信号二元组,比如“mac1_RSSI1”、“mac2_RSSI1”和“mac3_RSSI1”。通过第二预设符号将关联得到的信号二元组进行组合,得到预处理后的目标信号集合,比如“mac1_RSSI1mac2_RSSI1mac3_RSSI1”。比如,第二预设符号为空格。
值得说明的是,目标信号集合中所包括的无线信号的数量不局限于3个,目标信号集合中所包括的无线信号的信号特征数据也不局限于是信号标识和信号强度值,比如可以是信号标识。相应的,目标信号集合中的信号标识不局限于是MAC地址,信号强度值也不局限于是RSSI值。目标信号集合中用于连接信号标识和信号强度值的符号不局限于是“&”,第一预设符号不局限于是“_”,第二预设符号也不局限于是空格。
举例说明,假设无线信号为Wi-Fi,目标信号集合具体可表示为“ec26ca3f9958&-92&d4ee076319ac&-85&882593cbc724&-70”,对该目标信号集合进行拆分可得到3个信号标识“ec26ca3f9958”、“d4ee076319ac”和“882593cbc724”,以及该3个信号标识各自相应的信号强度值为-92、-85和-70。假设预配置有3个数值范围分别为[-70,-79]、[-80,-89]和[-90,-99],该3个数值范围各自相应的固定信号强度值为70、80和90。
服务器将信号强度值-92映射为其所属数值范围[-90,-99]相应的固定信号强度值90,将信号强度值-85映射为其所属数值范围[-80,-89]相应的固定信号强度值80,将信号强度值-70映射为其所属数值范围[-70,-79]相应的固定信号强度值70。通过第一预设符号“_”将每个信号标识和相应的固定信号强度值关联,得到3个信号二元组“ec26ca3f9958_90”、“d4ee076319ac_80”和“882593cbc724_70”。以空格为第二预设符号,通过空格将该3个信号二元组进行组合,得到预处理后的目标信号集合,可表示为“ec26ca3f9958_90d4ee076319ac_80 882593cbc724_70”。
在一个实施例中,步骤S208包括:按照所获取到的相似度对相应的指纹向量进行排序;查询配置的目标数量;按照排序次序从已排序的指纹向量中选取目标数量的指纹向量。
其中,目标数量是预先设定的数量或数值,可根据实际情况自定义,比如5。排序次序是指相应指纹向量在已排序的指纹向量中的次序或序号,用于表征指纹向量在该已排序的指纹向量中所处的位置。
具体地,服务器在获取到指纹库中的每个指纹向量与目标指纹向量之间的相似度后,按照预设排序算法根据所获取到的相似度对相应的指纹向量进行排序。服务器从本地或其他计算机设备查询预配置的目标数据,并按照排序次序从已排序的指纹向量中选取相似度相对较高的目标数量的指纹向量。预设排序算法包括但不限于是插入排序、冒泡排序、选择排序、堆排序和归并排序等。其他计算机设备比如用于配置目标数量的配置终端或配置服务器。
在一个实施例中,服务器根据所获取到的相似度对相应指纹向量按照相似度升序的方式进行排序,得到指纹向量序列,并按照排序次序从该指纹向量序列中选取排序靠后的目标数量的指纹向量。
在一个实施例中,服务器根据所获取到的相似度对相应指纹向量按照相似度降序的方式进行排序,得到指纹向量序列,并按照排序次序从该指纹向量序列中选取排序靠前的目标数量的指纹向量。
在一个实施例中,服务器将所获取到的每个相似度分别与第一相似度阈值进行比较,并根据比较结果动态确定目标数量。当所获取到的多个相似度中大于第一相似度阈值的相似度的数量小于预设数量时,服务器将第一数量确定为目标数量,否则,将第二数量确定为目标数量。第一相似度阈值比如50%,预设数量比如4或0,第一数量比如10,第二数量比如5。
上述实施例中,通过对指纹向量按照相似度进行排序,以从指纹库中筛选与目标指纹向量相对接近的指纹向量,并基于该相对接近的指纹向量进行定位,能够提高定位的准确性。
在一个实施例中,步骤S208包括:当所获取到的多于一个的相似度大于或等于相似度阈值时,从指纹库中选取相似度大于或等于相似度阈值的指纹向量;步骤S210包括:根据选取的指纹向量所对应的位置信息得到平均位置信息;将平均位置信息确定为目标信号集合对应的位置信息。
其中,相似度阈值是预先设定的用于与相似度进行比较的数值。基于所获取到的相似度和相似度阈值从指纹库中选取用于定位的指纹向量,能够提高定位的准确性,由此相似度阈值可根据定位的准确性要求进行自定义。
具体地,服务器将所获取到的每个相似度分别与预配置的相似度阈值进行比较,并根据比较结果筛选大于或等于相似度阈值的相似度。当筛选出的相似度多于一个时,服务器从指纹库中分别选取与筛选出的相似度相应的指纹向量。也就是当所获取到的多个相似度中存在多于一个的相似度大于或等于相似度阈值时,服务器从指纹库中选取该多于一个的相似度各自相应的指纹向量。服务器从指纹库中查询与选取的该多于一个的指纹向量各自相应的位置信息,对查询到的多于一个的位置信息计算平均值,得到相应的平均位置信息,并将该平均位置信息确定为目标信号集合对应的位置信息。
在一个实施例中,当所获取到的多个相似度中存在一个相似度大于或等于相似度阈值时,服务器将该大于或等于相似度阈值的相似度与第三相似度阈值进行比较。若该相似度大于或等于第三相似度阈值,服务器将该相似度相应的指纹向量所对应的位置信息确定为目标信号集合相应的位置信息。若该相似度小于第三相似度阈值,服务器根据所获取到的多个相似度从指纹库中选取目标数量的指纹向量,并基于选取的指纹向量所对应的位置信息确定目标信号集合相应的位置信息。
在一个实施例中,当所获取到的多个相似度均小于相似度阈值时,服务器根据该多个相似度对相应指纹向量进行排序,并按照排序次序从已排序的指纹向量中选取目标数量的指纹向量。
在一个实施例中,服务器将所获取到的每个相似度分别与第三相似度阈值进行比较,若存在至少一个相似度大于或等于第三相似度阈值,服务器根据该至少一个相似度相应的位置信息确定目标信号集合相应的位置信息;否则,类似于上述一个或多个实施例提供的定位方法,服务器根据所获取到的每个相似度和相似度阈值从指纹库中选取用于定位的指纹向量,并进行定位。
上述实施例中,基于所获取到的相似度和相似度阈值,从指纹库中选取与目标指纹向量相对接近的指纹向量,并按照对该相对接近的指纹向量相应的位置信息求平均的方式进行定位,能够提高定位的准确性。
在一个实施例中,向量化模型的训练步骤包括:获取样本信号集合;样本信号集合包括至少一个样本信号标识和样本信号标识相应的样本信号强度值;根据样本信号强度值所属的数值范围将样本信号强度值映射为相应的固定信号强度值;根据至少一个样本信号标识和样本信号标识相应的固定信号强度值,得到目标样本信号集合;基于目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
其中,样本信号集合是作为训练样本的信号集合。多个样本信号集合可组成训练样本集。样本信号集合包括至少一个样本信号标识和每个样本信号标识相应的样本信号强度值。目标样本信号集合是对样本信号集合进行预处理得到的信号集合。自然语言处理模型是通过样本学习能够将预处理得到的信号集合转化为指纹向量的模型。
具体地,服务器获取样本信号集合,获取的每个样本信号集合包括至少一个样本信号标识和每个样本信号标识相应的样本信号强度值。服务器解析每个样本信号集合得到至少一个样本信号标识和每个样本信号标识相应的样本信号强度值,并将解析得到的每个样本信号强度值映射为其所属的数值范围相应的固定信号强度值。服务器将样本信号强度值映射得到的固定信号强度值作为相应样本信号标识所对应的固定信号强度值。对于每个样本信号集合,服务器将解析得到的至少一个样本信号标识与每个样本信号标识对应的固定信号强度值进行组合,得到目标样本信号集合。服务器基于目标样本信号集合对自然语言处理模型进行训练,并动态调整自然语言处理模型的模型参数,直至符合训练停止条件时停止训练,得到已训练的向量化模型。
上述实施例中,将样本信号集合中的样本信号强度值映射为其所属数值范围相应的固定信号强度值,以减少训练数据量,能够提高模型的训练效率,同时通过减少样本信号强度值的采集误差对模型训练的影响,来提高模型的预测准确性。这样基于已训练的向量化模型来预测准确的目标指纹向量,并基于目标指纹向量进行定位,能够提高定位的准确性。
在一个实施例中,样本信号集合多于一个;样本信号集合中的至少一个样本信号集合对应有位置信息;指纹库的构建步骤包括:通过向量化模型,将目标样本信号集合转化为指纹向量;从样本信号集合中筛选对应有位置信息的样本信号集合;根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
具体地,服务器获取多于一个的样本信号集合,获取的每个样本信号集合包括至少一个样本信号标识和每个样本信号标识相应的样本信号强度值。该多于一个的样本信号集合中存在至少一个样本信号集合对应有位置信息。服务器基于获取的样本信号集合按照上述训练步骤训练得到已训练的向量化模型后,通过该已训练的向量化模型,将每个样本信号集合相应的目标样本信号集合转化为指纹向量,作为该样本信号集合对应的指纹向量。服务器从所获取到的多于一个的样本信号集合中筛选对应有位置信息的样本信号集合,并根据筛选出的样本信号集合对应的指纹向量和位置信息构建指纹库。已构建的指纹库中,筛选出的每个样本信号集合对应的指纹向量和位置信息关联存储,以便于根据指纹向量能够直接查询相应的位置信息。
在一个实施例中,服务器预先从获取到的多于一个的样本信号集合中筛选对应有位置信息的样本信号集合。在通过样本学习得到已训练的向量化模型后,服务器通过该向量化模型,将筛选出的样本信号集合相应的目标样本信号集合转化为指纹向量。
在一个实施例中,服务器获取到的每个样本信号集合均对应有位置信息。在得到已训练的向量化模型后,服务器通过该向量化模型将每个样本信号集合相应的目标样本信号集合转化为指纹向量,并构建包括每个样本信号集合相应的指纹向量和位置信息的指纹库。
上述实施例中,通过已训练的向量化模型对样本信号集合进行向量化表示,得到准确性较高的指纹向量,并基于该准确性较高的指纹向量和相应的位置信息构建指纹库,以便于在进行定位时,根据与目标指纹向量相对接近的指纹向量即可快速从指纹库中获取相应的位置信息,并进行定位,从而能够提高定位的准确性。
在一个实施例中,获取样本信号集合包括:获取定位请求;当定位请求携带有信号集合和位置信息时,解析定位请求得到相应的信号集合和位置信息,并将解析得到的信号集合作为样本信号集合;当定位请求携带有信号集合时,解析定位请求得到相应的信号集合,并将解析得到的信号集合作为样本信号集合。
其中,定位请求是用于触发定位操作的请求。定位请求中携带有信号集合,还可携带有位置信息。
具体地,服务器从本地获取定位请求,或者通过网络通信等方式从其他设备获取定位请求,并解析所获取到的定位请求。当所获取到的定位请求携带信号集合和位置信息时,服务器解析该定位请求可得到相应的信号集合和位置信息,并将解析得到的信号集合确定为样本信号集合。当所获取到的定位请求携带信号集合时,服务器解析该定位请求可得到相应的信号集合,并将解析得到的信号集合确定为样本信号集合。可以理解,服务器通过获取并解析携带信号集合的定位请求来获取用作训练样本的样本信号集合,获取的定位请求多于一个,且该多于一个的定位请求中包括至少一个定位请求还携带位置信息。其他设备比如终端。
在一个实施例中,服务器将预先获取到的定位请求存储在本地,并在检测到预设触发条件时从本地获取预存储的定位请求。预设触发条件比如终端发送的模型训练指令,或者检测到当前时间与预设触发时间一致。预先获取到的定位请求可以是在用户日常定位时由用户触发并通过终端推送的定位请求。服务器也可从终端实时获取定位请求,基于实时获取的定位请求确定样本信号集合。
在一个实施例中,在模型训练阶段,服务器获取携带信号集合的定位请求,将解析定位请求得到的信号集合确定为样本信号集合,并基于样本信号集合进行模型训练得到已训练的向量化模型。在指纹库的构建阶段,服务器获取携带信号集合和位置信息的定位请求,通过已训练的向量化模型将解析定位请求得到的信号集合转化为指纹向量,并根据每个定位请求相应的指纹向量和位置信息构建指纹库。可以理解,服务器在模型训练阶段所获取到的定位请求中的全部或部分定位请求可携带有位置信息,以便于在指纹库构建阶段根据携带有位置信息的定位请求构建指纹库。
上述实施例中,通过获取定位请求来获取用作训练样本的样本信号集合,能够以较高的效率获取到较多的训练样本,从而提高模型训练的准确性和效率。
在一个实施例中,获取待定位的目标信号集合,包括:接收终端推送的携带有目标信号集合的目标定位请求;解析目标定位请求得到待定位的目标信号集合;方法还包括:将目标信号集合对应的位置信息反馈至终端。
其中,目标定位请求用于指示服务器触发定位操作,以获取目标信号集合相应的位置信息,从而实现对终端的定位。
具体地,终端检测目标信号集合,生成携带有目标信号集合的目标定位请求,并将生成的目标定位请求推送至服务器。服务器在接收到目标定位请求后,解析所接收到的目标定位请求得到待定位的目标信号集合,并基于该目标信号集合按照上述一个或多个实施例中提供的定位方法进行定位,以确定该目标信号集合对应的位置信息。服务器将目标信号集合对应的位置信息确定为响应于目标定位请求所确定的位置信息,并将该位置信息反馈至终端。
在一个实施例中,终端在检测到用户的预设触发操作时进行无线信号的检测,以获取目标信号集合。预设触发操作比如用户开启无线信号连接的触发操作,或者,用户触发定位的触发操作。预设触发操作具体可以是点击操作、按压操作或滑动操作,点击操作比如对预设触发控件的单击或双击操作。以无线信号为Wi-Fi为例,终端在检测到用户开启Wi-Fi连接的触发操作时,检测Wi-Fi列表,并根据Wi-Fi列表中的Wi-Fi信号得到目标信号集合。
在一个实施例中,终端是具有无限信号连接功能的智能设备,比如基于Android系统(一种基于Linux的自由及开放源代码的操作系统)或iOS系统(由苹果公司开发的移动操作系统)的智能设备,智能设备比如手机和平板电脑。
在一个实施例中,终端通过网络通信等方式获取目标终端的目标信号集合,将该目标信号集合推送至服务器进行定位,并接收服务器针对目标信号集合反馈的位置信息,以根据位置信息对目标终端进行定位。目标终端比如具备无线信号连接功能的可穿戴设备。举例说明,若小孩穿戴或携带有具体无线信号连接功能的可穿戴设备,大人通过该种方式即可方便的定位小孩的位置。
在一个实施例中,基于目标指纹向量与指纹库中的指纹向量之间的相似度,能够确定目标信号集合和该指纹向量相应的样本信号集合之间的相似性。当目标信号集合和样本信号集合均为Wi-Fi信号列表时,二者之间的相似性能够用于表征扫描该两个Wi-Fi信号列表时终端所处位置的接近程度。该种将低维的目标信号集合转化为高维的目标指纹向量,并基于目标指纹向量与指纹向量之间的相似度选取用于定位的指纹向量,进而基于选取的指纹向量相应的位置信息进行定位的定位方法,相较于传统的定位方法能够定位出更精确的位置信息。而且,该种定位方式能够普遍适用于室内环境、室外环境、低层区域和高层区域,尤其是在不能获取到GPS信息的区域能够达到更精准的定位效果。
在一个实施例中,服务器基于GPS信息和目标信号集合相结合的方式进行定位。例如,在能获取到GPS信息的室外环境下,服务器将获取到的GPS信息作为定位结果;在未能获取到GPS信息的室内环境或室外环境下,服务器基于目标信号集合确定定位结果;或者,根据所获取到的GPS信息和基于目标信号集合所确定的位置信息,按照加权求值的方式确定定位结果。前述定位结果的确定方式只是示例,并不用于具体限定定位结果的确定。
上述实施例中,基于终端推送的携带目标信号集合的目标定位请求即可高效而准确确定位置信息,从而实现定位,能够提高定位的准确性。
如图5所示,在一个实施例中,提供了一种定位方法,该方法具体包括以下步骤:
S502,获取待定位的目标信号集合;目标信号集合包括至少一个信号标识与信号标识相应的信号强度值。
S504,确定信号强度值所属的数值范围。
S506,将信号强度值映射为数值范围相应的固定信号强度值。
S508,根据信号标识和信号标识相应的固定信号强度值得到预处理后的目标信号集合。
S510,通过已训练的向量化模型,将预处理后的目标信号集合转化为目标指纹向量。
S512,获取目标指纹向量与指纹库中各指纹向量的相似度。
S514,按照所获取到的相似度对相应的指纹向量进行排序。
S516,查询配置的目标数量。
S518,按照排序次序从已排序的指纹向量中选取目标数量的指纹向量。
S520,当从指纹库中选取的指纹向量多于一个时,从指纹库中查询多于一个的指纹向量各自相应的位置信息。
S522,根据查询到的位置信息得到平均位置信息。
S524,将平均位置信息确定为目标信号集合对应的位置信息。
S526,当所获取到的多于一个的相似度大于或等于相似度阈值时,从指纹库中选取相似度大于或等于相似度阈值的指纹向量。
S528,根据选取的指纹向量所对应的位置信息得到平均位置信息。
S530,将平均位置信息确定为目标信号集合对应的位置信息。
上述定位方法,通过将待定位的目标信号集合中的信号强度值映射为其所属数值范围相应的固定信号强度值,能够均衡信号强度值的采集误差,从而能够减小信号强度值的采集误差给定位带来的影响,也就能够提高定位的准确性。通过已训练的向量化模型,将均衡了信号强度值的采集误差后得到的目标信号集合转化为准确性较高的目标指纹向量,基于准确性较高的目标指纹向量和指纹库中各指纹向量之间的相似度,从指纹库中选取目标数量的指纹向量,或者选取相似度大于或等于相似度阈值的指纹向量,并对选取的指纹向量相应的位置信息求平均,得到作为定位结果的平均位置信息,能够进一步提高定位的准确性。
图2和图5为分别一个实施例中定位方法的流程示意图。应该理解的是,虽然图2和图5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2和图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一个实施例中实现定位方法的框架图。如图6所示,基于无线信号进行定位主要包括离线训练阶段和定位服务阶段。离线训练阶段是指基于对应有位置信息的多个样本信号集合(假设有样本信号集合1和相应位置信息1、样本信号集合1和相应位置信息2、…、样本信号集合n和相应位置信息n)对自然语言模型进行训练,得到已训练的向量化模型,以及每个样本信号集合相应的指纹向量,每个样本信号集合对应的位置信息作为相应指纹向量所对应的位置信息,并根据所得到的多个指纹向量和相应的位置信息构建包括指纹向量和相应位置信息的指纹库。
定位服务阶段是指通过离线训练阶段训练得到的向量化模型,将待定位的目标信号集合转化为目标指纹向量,基于目标指纹向量与已构建的指纹库中的每个指纹向量的相似度,从指纹库中选取相匹配的指纹向量,并采用预配置的定位算法根据选取的指纹向量相应的位置信息进行定位,得到作为定位结果的位置信息。其中,基于相似度从指纹库中选取相匹配的指纹向量,具体可以是指按照相似度选取目标数量的指纹向量,或者选取相似度大于或等于相似度阈值的指纹向量。预配置的定位算法具体可以是指计算算术平均或加权平均。
值得说明的是,图6所示的作为训练样本的样本信号集合均对应有位置信息,但只是示例,并不用于限定作为训练样本的样本信号集合均对应有位置信息,也就是未对应有位置信息的样本信号集合也可作为训练样本。这样,可从训练样本中筛选对应有位置信息的样本信号集合相应的指纹向量和位置信息构建指纹库。在离线训练阶段,可将模型训练完毕时所得到的指纹向量作为相应样本信号集合对应的指纹向量,也可通过已训练的向量化模型将每个样本信号集合转化为相应指纹向量。
如图7所示,在一个实施例中,提供了一种向量化模型的训练方法,该方法具体包括以下步骤:
S702,获取样本信号集合;样本信号集合包括至少一个样本信号标识和样本信号标识相应的样本信号强度值。
其中,样本信号集合是作为训练样本的信号集合。样本信号集合包括至少一个样本信号标识和每个样本信号标识相应的样本信号强度值。样本信号标识用于唯一标识作为训练样本的无线信号,具体可以是无线信号相应的编号、名称或物理地址等,物理地址比如发射无线信号的信号发射设备的MAC地址,MAC地址比如0418D688E386。样本信号强度值是指接收到的作为训练样本的无线信号的强度数值,用于表征接收到的无线信号的强弱,具体可以是RSSI值,RSSI值比如-73。样本信号强度值可用于表征检测该样本信号强度值的终端与信号发射设备之间的距离。
具体地,服务器从本地获取样本信号集合,或者通过网络通信等方式从其他设备获取样本信号集合,获取的样本信号集合包括至少一个样本信号标识和每个样本信号标识相应的样本信号强度值。可以理解,服务器获取的样本信号集合多于一个,该多于一个的样本信号集合可组成训练样本集。
在一个实施例中,服务器从本地或其他设备获取定位请求,并将解析定位请求得到的信号集合作为样本信号集合。其他设备比如终端。
在一个实施例中,样本信号集合包括至少一个样本信号标识。在一个实施例中,服务器获取样本信号集合和每个样本信号集合相应的位置信息,以便于在基于所获取到的样本信号集合进行模型训练得到已训练的向量化模型后,能够基于对应有位置信息的样本信号集合构建指纹库。
S704,根据样本信号强度值所属的数值范围将样本信号强度值映射为相应的固定信号强度值。
其中,数值范围是预先设定的包括多于一个的信号强度值的数值区间,比如[-70,-79]。固定信号强度值是与多于一个的信号强度值相应的信号强度值或数值,比如-60或60。固定信号强度值与数值范围相对应,数值范围所包括的多于一个的信号强度值均可映射为该数值范围相应的固定信号强度值,比如属于数值范围[-70,-79]的每个信号强度值均可映射为固定信号强度值70。
具体地,服务器解析所获取到的每个样本信号集合,得到相应的至少一个样本信号标识和每个样本信号标识相应的样本信号强度值。服务器将解析得到的每个样本信号强度值分别与预配置的数值范围进行比较,以根据比较结果确定每个样本信号强度值所属的数值范围,并将每个样本信号强度值映射为其所属数值范围相应的固定信号强度值。
在一个实施例中,服务器对解析样本信号集合得到的至少一个样本信号标识和相应的样本信号强度值进行拆分,并将拆分得到的每个样本信号强度值映射为固定信号强度值。
S706,根据至少一个样本信号标识和样本信号标识相应的固定信号强度值,得到目标样本信号集合。
其中,目标样本信号集合是对样本信号集合进行预处理得到的信号集合。
具体地,对于获取到的每个样本信号集合,服务器在将样本信号集合中的每个样本信号强度值映射为相应固定信号强度值后,将该样本信号集合中的每个样本信号标识与由相应样本信号强度值映射得到的固定信号强度值进行关联,并将相关联的各对样本信号标识和固定信号强度值进行组合,得到目标样本信号集合。
在一个实施例中,对于每个样本信号集合,服务器将拆分样本信号集合得到的每个样本信号强度值映射为固定信号强度值后,通过第一预设符号将拆分得到的每个样本信号标识和相应的固定信号强度值进行关联,得到相关联的至少一对样本信号标识和固定信号强度值,并将每一对相关联的样本信号标识和固定信号强度值记为样本信号二元组。服务器将每个样本信号集合对应的至少一个样本信号二元组,通过第二预设符号进行组合,得到目标样本信号集合。
S708,基于目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
其中,自然语言处理模型是通过样本学习能够将目标样本信号集合转化为指纹向量的模型。自然语言处理模型包括但不限于是doc2vec模型(用于生成句向量/文本向量的模型)、word2vec模型(用于生成词向量的模型)、glove模型(一种基于共现矩阵的词向量模型)、ELMo(一种深度语境化词表征)模型和BERT模型(一种预训练语言表示模型)。已训练的向量化模型是已训练过的能够用于将目标样本信号集合转化为指纹向量的模型。
具体地,服务器基于预处理得到的目标样本信号集合对自然语言处理模型进行训练,并动态调整自然语言处理模型的模型参数,直至符合训练停止条件时停止训练,得到已训练的向量化模型。训练停止条件是结束模型训练的条件。训练停止条件可以是达到预设的迭代次数,或者是通过调整模型参数后的自然语言处理模型转化得到的指纹向量的准确性达到阈值条件,比如基于转化得到的指纹向量进行定位时的定位准确性达到阈值条件。
在一个实施例中,自然语言处理模型为doc2vec模型。目标样本信号集合作为训练样本,目标样本信号集合中的每个样本信号二元组作为一个词。基于多于一个的目标样本信号集合对doc2vec模型进行训练,得到已训练的向量化模型和每个目标样本信号集合相应的指纹向量,以及每个样本信号二元组相应的词向量或信号向量。基于训练样本对doc2vec模型进行训练的具体过程可参照公开的现有技术,在此不再赘述。可以理解,在训练完毕后,服务器可通过已训练的向量化模型将每个目标样本信号集合转化为指纹向量,并以该指纹向量替代训练过程中得到的相应指纹向量,以提高指纹向量的准确性。可以理解,每个样本信号集合中所包括的样本信号标识数量可互不相同。
在一个实施例中,服务器可将每个目标样本信号集合相应的指纹向量和至少一个词向量进行组合,并将得到的组合向量确定为该目标样本信号集合相应的指纹向量。其中,指纹向量和词向量的组合方式可以是拼接组合,也可以在各个维度上进行求和、求算术平均或者求加权平均。
在一个实施例中,自然语言处理模型为word2vec、glove、ELMo或BERT等词向量模型。服务器将目标样本信号集合所包括的每个样本信号二元组作为训练样本,得到训练样本集,并基于训练样本集对自然语言处理模型进行训练,得到,每个样本信号二元组相应的词向量。对于每个目标样本信号集合,服务器将其所包括的至少一个样本信号二元组所对应的词向量进行组合,将得到的组合向量确定为该目标样本信号集合相应的指纹向量。
上述向量化模型的训练方法,将样本信号集合中的样本信号强度值映射为其所属数值范围相应的固定信号强度值,以减少训练数据数量,能够提高模型的训练效率,同时能够均衡样本信号强度值的采集误差。基于均衡了样本信号强度值的采集误差后所得到的目标样本信号集合,对自然语言处理模型进行训练,能够减少样本信号强度值的采集误差对模型训练的影响,从而能够提高训练得到的向量化模型的转化准确性。这样,通过转化准确性较高的向量化模型可将待定位的目标信号集合转化为准确性较高的指纹向量,然后基于准确性较高的指纹向量进行定位,能够提高定位的准确性。
在一个实施例中,样本信号集合多于一个;样本信号集合中的至少一个样本信号集合对应有位置信息;上述向量化模型的训练方法还包括:通过向量化模型,将目标样本信号集合转化为指纹向量;从样本信号集合中筛选对应有位置信息的样本信号集合;根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
其中,位置信息是用于表征位置的信息,具体可以是位置坐标。位置坐标包括但不限于是经纬度坐标和平面坐标,经纬度坐标和平面坐标可以相互转换。经纬度坐标是基于预设坐标系确定的且包括经度坐标和纬度坐标的坐标组。预设坐标系比如GCJ-02和WGS84。位置信息具体可以是基于WGS84确定的GPS信息,比如(39.982816,116.30708)。指纹向量是目标样本信号集合的向量化表示。指纹库是由多于一个的指纹向量和和相应的位置信息组成的集合。
具体地,服务器获取多于一个的样本信号集合,该多于一个的样本信号集合中的至少一个对应有位置信息。在得到已训练的向量化模型后,服务器通过该向量化模型将每个样本信号集合相应的目标样本信号集合转化为指纹向量,并作为该样本信号集合相应的指纹向量。服务器从所获取到的多于一个的样本信号集合中筛选对应有位置信息的样本信号集合,并根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
在一个实施例中,服务器预先从多于一个的样本信号集合中筛选对应有位置信息的样本信号集合。在得到已训练的向量化模型后,服务器通过该向量化模型将筛选出的样本信号集合相应的目标转化为指纹向量,并根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
在一个实施例中,服务器通过模型训练得到已训练的向量化模型和每个样本信号集合对应的指纹向量,并根据对应有位置信息的样本信号集合相应的位置信息和指纹向量构建指纹库。
在一个实施例中,服务器通过终端获取用户进行日常定位时触发的定位请求,解析定位请求得到位置信息和信号集合,通过已训练的向量化模型将解析得到的信号集合转化为指纹向量,并基于指纹向量和相应位置信息构建以位置信息为标签的指纹库。可以理解,基于该种方式获取定位请求并构建指纹库,能够降低操作复杂度,从而能够降低成本。基于该种方式能够构建出位置覆盖面相对全面的指纹库,也就是指纹库包括尽可能多的位置信息相应的指纹向量,由此基于目标指纹向量和指纹库中的指纹向量进行定位时,能够选取相似度尽可能高的指纹向量进行定位,从而能够提高定位的准确性。
以无线信号为Wi-Fi为例,假设位置信息为GPS位置/信息,信号集合为Wi-Fi列表,信号集合中的信号标识为MAC地址,相应的信号强度值为RSSI值,则携带有位置信息和信号集合的定位请求可表示为“GPS位置|Wi-Fi列表”,具体可表示为“GPS位置|mac1&rssi1&mac2&rssi2&mac3&rssi3”,比如,“-0.76,-51.07|0027222239EC&-67&0418D688E386&-73&802AA83C2B2C&-82”。
上述实施例中,通过准确性较高的向量化模型将目标样本信号集合转化为准确性较高的指纹向量,并基于准确性较高的指纹向量和相应的位置信息构建指纹库,以便于在进行定位时,根据与目标指纹向量相对接近的指纹向量即可快速从指纹库中获取相应的位置信息,并基于所获取到的位置信息进行准确定位,从而能够提高定位的准确性。
如图8所示,在一个实施例中,提供了一种向量化模型的训练方法,该方法具体包括以下步骤:
S802,获取多于一个的样本信号集合;样本信号集合包括至少一个样本信号标识和样本信号标识相应的样本信号强度值;样本信号集合中的至少一个样本信号集合对应有位置信息。
S804,根据样本信号强度值所属的数值范围将样本信号强度值映射为相应的固定信号强度值。
S806,根据至少一个样本信号标识和样本信号标识相应的固定信号强度值,得到目标样本信号集合。
S808,基于目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
S810,通过向量化模型,将目标样本信号集合转化为指纹向量。
S812,从样本信号集合中筛选对应有位置信息的样本信号集合。
S814,根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
上述向量化模型的训练方法,通过将样本信号集合中的样本信号强度值映射为其所属数值范围相应的固定信号强度值,能够减少训练数据数量,以提高模型的训练效率,同时能够均衡样本信号强度值的采集误差,以减少样本信号强度值的采集误差对模型训练的影响,从而能够提高训练得到的向量化模型的转化准确性。通过向量化模型将样本信号集合转化为准确性较高的指纹向量,并基于准确性较高的指纹向量和相应的位置信息构建指纹库。这样,在进行定位时,通过向量化模型将待定位的目标信号集合转化为目标指纹向量,并基于准确性较高的目标指纹向量和指纹库中的指纹向量,选取能够用于定位的指纹向量,进而基于选取的指纹向量相应的位置信息进行定位,能够提高定位的准确性。
图7和图8分别为一个实施例中向量化模型的训练方法的流程示意图。应该理解的是,虽然图7和图8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7和图8中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图9所示,在一个实施例中,提供了一种定位装置900,包括:第一获取模块902、转化模块904、第二获取模块906、选取模块908和定位模块910,其中:
第一获取模块902,用于获取待定位的目标信号集合。
转化模块904,用于通过已训练的向量化模型,将目标信号集合转化为目标指纹向量。
第二获取模块906,用于获取目标指纹向量与指纹库中各指纹向量的相似度。
选取模块908,用于按照所获取到的相似度从指纹库中选取至少一个指纹向量。
定位模块910,用于根据选取的至少一个指纹向量所对应的位置信息,确定目标信号集合对应的位置信息。
上述定位装置,通过已训练的向量化模型将待定位的目标信号集合转化为目标指纹向量,提高了目标指纹向量的准确性。基于准确性较高的目标指纹向量和指纹库中各指纹向量之间的相似度,从指纹库中选取与目标指纹向量相对接近的至少一个指纹向量,并基于该相对接近的指纹向量相应的位置信息确定定位结果,提高了定位准确性。
在一个实施例中,目标信号集合包括至少一个信号标识与信号标识相应的信号强度值;转化模块904,还用于确定信号强度值所属的数值范围;将信号强度值映射为数值范围相应的固定信号强度值;根据信号标识和信号标识相应的固定信号强度值得到预处理后的目标信号集合;通过已训练的向量化模型,将预处理后的目标信号集合转化为目标指纹向量。
在一个实施例中,选取模块908,还用于按照所获取到的相似度对相应的指纹向量进行排序;查询配置的目标数量;按照排序次序从已排序的指纹向量中选取目标数量的指纹向量。
在一个实施例中,定位模块910,还用于当从指纹库中选取的指纹向量多于一个时,从指纹库中查询多于一个的指纹向量各自相应的位置信息;根据查询到的位置信息得到平均位置信息;将平均位置信息确定为目标信号集合对应的位置信息。
在一个实施例中,选取模块908,还用于当所获取到的多于一个的相似度大于或等于相似度阈值时,从指纹库中选取相似度大于或等于相似度阈值的指纹向量;定位模块910,还用于根据选取的指纹向量所对应的位置信息得到平均位置信息;将平均位置信息确定为目标信号集合对应的位置信息。
在一个实施例中,上述定位装置900,还包括:训练模块;
训练模块,用于获取样本信号集合;样本信号集合包括至少一个样本信号标识和样本信号标识相应的样本信号强度值;根据样本信号强度值所属的数值范围将样本信号强度值映射为相应的固定信号强度值;根据至少一个样本信号标识和样本信号标识相应的固定信号强度值,得到目标样本信号集合;基于目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
在一个实施例中,样本信号集合多于一个;样本信号集合中的至少一个样本信号集合对应有位置信息;上述定位装置900,还包括:构建模块;
构建模块,用于通过向量化模型,将目标样本信号集合转化为指纹向量;从样本信号集合中筛选对应有位置信息的样本信号集合;根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
在一个实施例中,训练模块,还用于获取定位请求;当定位请求携带有信号集合和位置信息时,解析定位请求得到相应的信号集合和位置信息,并将解析得到的信号集合作为样本信号集合;当定位请求携带有信号集合时,解析定位请求得到相应的信号集合,并将解析得到的信号集合作为样本信号集合。
在一个实施例中,第一获取模块902,还用于接收终端推送的携带有目标信号集合的目标定位请求;解析目标定位请求得到待定位的目标信号集合;定位模块910,还用于将目标信号集合对应的位置信息反馈至终端。
如图10所示,在一个实施例中,提供了一种向量化模型的训练装置1000,包括:获取模块1002、预处理模块1004和训练模块1006,其中:
获取模块1002,用于获取样本信号集合;样本信号集合包括至少一个样本信号标识和样本信号标识相应的样本信号强度值。
预处理模块1004,用于根据样本信号强度值所属的数值范围将样本信号强度值映射为相应的固定信号强度值。
预处理模块1004,还用于根据至少一个样本信号标识和样本信号标识相应的固定信号强度值,得到目标样本信号集合。
训练模块1006,用于基于目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
上述向量化模型的训练装置,将样本信号集合中的样本信号强度值映射为其所属数值范围相应的固定信号强度值,以减少训练数据数量,能够提高模型的训练效率,同时能够均衡样本信号强度值的采集误差。基于均衡了样本信号强度值的采集误差后所得到的目标样本信号集合,对自然语言处理模型进行训练,能够减少样本信号强度值的采集误差对模型训练的影响,从而能够提高训练得到的向量化模型的转化准确性。这样,通过转化准确性较高的向量化模型可将待定位的目标信号集合转化为准确性较高的指纹向量,然后基于准确性较高的指纹向量进行定位,能够提高定位的准确性。
在一个实施例中,样本信号集合多于一个;样本信号集合中的至少一个样本信号集合对应有位置信息;向量化模型的训练装置1000,还包括:构建模块;
构建模块,用于通过向量化模型,将目标样本信号集合转化为指纹向量;从样本信号集合中筛选对应有位置信息的样本信号集合;根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图11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,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现定位方法或向量化模型的训练方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行定位方法或向量化模型的训练方法。
本领域技术人员可以理解,图11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,本申请提供的定位装置和/或向量化模型的训练装置可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该定位装置和/或向量化模型的训练装置的各个程序模块。比如,图9所示的第一获取模块、转化模块、第二获取模块、选取模块和定位模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的定位方法中的步骤。还比如,图10所示的获取模块、预处理模块和训练模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的向量化模型的训练方法中的步骤。
例如,图11所示的计算机设备可以通过如图9所示的定位装置中的第一获取模块执行步骤S202。计算机设备可通过转化模块执行步骤S204。计算机设备可通过第二获取模块执行步骤S206。计算机设备可通过选取模块执行步骤S208。计算机设备可通过定位模块执行步骤S210。
例如,图11所示的计算机设备可以通过如图10所示的向量化模型的训练装置中的获取模块执行步骤S202。计算机设备可通过预处理模块执行步骤S204和步骤S206。计算机设备可通过训练模块执行步骤S208。
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,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述定位方法的步骤。此处定位方法的步骤可以是上述各个实施例的定位方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述定位方法的步骤。此处定位方法的步骤可以是上述各个实施例的定位方法中的步骤。
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,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述向量化模型的训练方法的步骤。此处向量化模型的训练方法的步骤可以是上述各个实施例的向量化模型的训练方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述向量化模型的训练方法的步骤。此处向量化模型的训练方法的步骤可以是上述各个实施例的向量化模型的训练方法中的步骤。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)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本申请专利范围的限制。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 (15)
1.一种定位方法,包括:
获取待定位的目标信号集合;
通过已训练的向量化模型,将所述目标信号集合转化为目标指纹向量;
获取所述目标指纹向量与指纹库中各指纹向量的相似度;
按照所获取到的相似度从所述指纹库中选取至少一个指纹向量;
根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述目标信号集合包括至少一个信号标识与所述信号标识相应的信号强度值;所述通过已训练的向量化模型,将所述目标信号集合转化为目标指纹向量,包括:
确定所述信号强度值所属的数值范围;
将所述信号强度值映射为所述数值范围相应的固定信号强度值;
根据所述信号标识和所述信号标识相应的固定信号强度值得到预处理后的目标信号集合;
通过已训练的向量化模型,将预处理后的目标信号集合转化为目标指纹向量。
3.根据权利要求1所述的方法,其特征在于,所述按照所获取到的相似度从所述指纹库中选取至少一个指纹向量,包括:
按照所获取到的相似度对相应的指纹向量进行排序;
查询配置的目标数量;
按照排序次序从已排序的所述指纹向量中选取所述目标数量的指纹向量。
4.根据权利要求1所述的方法,其特征在于,所述根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息,包括:
当从所述指纹库中选取的指纹向量多于一个时,从所述指纹库中查询多于一个的所述指纹向量各自相应的位置信息;
根据查询到的所述位置信息得到平均位置信息;
将所述平均位置信息确定为所述目标信号集合对应的位置信息。
5.根据权利要求1所述的方法,其特征在于,所述按照所获取到的相似度从所述指纹库中选取至少一个指纹向量,包括:
当所获取到的多于一个的相似度大于或等于相似度阈值时,从所述指纹库中选取相似度大于或等于所述相似度阈值的指纹向量;
所述根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息,包括:
根据选取的指纹向量所对应的位置信息得到平均位置信息;
将所述平均位置信息确定为所述目标信号集合对应的位置信息。
6.根据权利要求1所述的方法,其特征在于,所述向量化模型的训练步骤包括:
获取样本信号集合;所述样本信号集合包括至少一个样本信号标识和所述样本信号标识相应的样本信号强度值;
根据所述样本信号强度值所属的数值范围将所述样本信号强度值映射为相应的固定信号强度值;
根据所述至少一个样本信号标识和所述样本信号标识相应的固定信号强度值,得到目标样本信号集合;
基于所述目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
7.根据权利要求6所述的方法,其特征在于,所述样本信号集合多于一个;所述样本信号集合中的至少一个样本信号集合对应有位置信息;所述指纹库的构建步骤包括:
通过所述向量化模型,将所述目标样本信号集合转化为指纹向量;
从所述样本信号集合中筛选对应有位置信息的样本信号集合;
根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
8.根据权利要求7所述的方法,其特征在于,所述获取样本信号集合包括:
获取定位请求;
当所述定位请求携带有信号集合和位置信息时,解析所述定位请求得到相应的信号集合和位置信息,并将解析得到的信号集合作为样本信号集合;
当所述定位请求携带有信号集合时,解析所述定位请求得到相应的信号集合,并将解析得到的信号集合作为样本信号集合。
9.根据权利要求1至8中任一项所述的方法,其特征在于,所述获取待定位的目标信号集合,包括:
接收终端推送的携带有目标信号集合的目标定位请求;
解析所述目标定位请求得到待定位的目标信号集合;
所述方法还包括:
将所述目标信号集合对应的位置信息反馈至所述终端。
10.一种向量化模型的训练方法,包括:
获取样本信号集合;所述样本信号集合包括至少一个样本信号标识和所述样本信号标识相应的样本信号强度值;
根据所述样本信号强度值所属的数值范围将所述样本信号强度值映射为相应的固定信号强度值;
根据所述至少一个样本信号标识和所述样本信号标识相应的固定信号强度值,得到目标样本信号集合;
基于所述目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
11.根据权利要求10所述的方法,其特征在于,所述样本信号集合多于一个;所述样本信号集合中的至少一个样本信号集合对应有位置信息;所述方法还包括:
通过所述向量化模型,将所述目标样本信号集合转化为指纹向量;
从所述样本信号集合中筛选对应有位置信息的样本信号集合;
根据筛选出的样本信号集合相应的指纹向量和位置信息构建指纹库。
12.一种定位装置,其特征在于,所述装置包括:
第一获取模块,用于获取待定位的目标信号集合;
转化模块,用于通过已训练的向量化模型,将所述目标信号集合转化为目标指纹向量;
第二获取模块,用于获取所述目标指纹向量与指纹库中各指纹向量的相似度;
选取模块,用于按照所获取到的相似度从所述指纹库中选取至少一个指纹向量;
定位模块,用于根据选取的至少一个指纹向量所对应的位置信息,确定所述目标信号集合对应的位置信息。
13.一种向量化模型的训练装置,其特征在于,所述装置包括:
获取模块,用于获取样本信号集合;所述样本信号集合包括至少一个样本信号标识和所述样本信号标识相应的样本信号强度值;
预处理模块,用于根据所述样本信号强度值所属的数值范围将所述样本信号强度值映射为相应的固定信号强度值;
所述预处理模块,还用于根据所述至少一个样本信号标识和所述样本信号标识相应的固定信号强度值,得到目标样本信号集合;
训练模块,用于基于所述目标样本信号集合对自然语言处理模型进行训练,得到已训练的向量化模型。
14.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至11中任一项所述方法的步骤。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482460.5A CN111741524B (zh) | 2019-06-04 | 2019-06-04 | 定位方法、装置、计算机可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482460.5A CN111741524B (zh) | 2019-06-04 | 2019-06-04 | 定位方法、装置、计算机可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111741524A true CN111741524A (zh) | 2020-10-02 |
CN111741524B CN111741524B (zh) | 2021-08-31 |
Family
ID=72645896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910482460.5A Active CN111741524B (zh) | 2019-06-04 | 2019-06-04 | 定位方法、装置、计算机可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111741524B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837222A (zh) * | 2021-01-25 | 2021-05-25 | 深圳市奔凯安全技术股份有限公司 | 指纹图像拼接方法、装置、存储介质及电子设备 |
CN112987064A (zh) * | 2021-02-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 建筑物定位方法、装置、设备、存储介质和终端设备 |
CN113079468A (zh) * | 2021-03-23 | 2021-07-06 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、系统 |
CN113220689A (zh) * | 2021-05-26 | 2021-08-06 | 每日互动股份有限公司 | 基于wifi指纹信息的设备识别系统 |
CN114745673A (zh) * | 2022-04-15 | 2022-07-12 | 广州易而达科技股份有限公司 | 蓝牙耳机的连接控制方法、装置、蓝牙耳机和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140145828A1 (en) * | 2012-11-25 | 2014-05-29 | Amir Bassan-Eskenazi | Managing a sphere of wireless tags |
CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及系统 |
CN106060779A (zh) * | 2016-07-18 | 2016-10-26 | 北京方位捷讯科技有限公司 | 指纹特征匹配方法及装置 |
CN109121133A (zh) * | 2018-09-06 | 2019-01-01 | 中国科学院信息工程研究所 | 一种位置隐私保护方法及装置 |
CN109143161A (zh) * | 2018-09-30 | 2019-01-04 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
CN109444813A (zh) * | 2018-10-26 | 2019-03-08 | 南京邮电大学 | 一种基于bp和dnn双神经网络的rfid室内定位方法 |
CN109444904A (zh) * | 2018-10-30 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 定位测试数据的生成方法、装置、设备及存储介质 |
CN109688535A (zh) * | 2018-12-13 | 2019-04-26 | 大唐软件技术股份有限公司 | 确定无线热点地理位置的方法、装置、电子设备及介质 |
-
2019
- 2019-06-04 CN CN201910482460.5A patent/CN111741524B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140145828A1 (en) * | 2012-11-25 | 2014-05-29 | Amir Bassan-Eskenazi | Managing a sphere of wireless tags |
CN104469676A (zh) * | 2014-11-21 | 2015-03-25 | 北京拓明科技有限公司 | 一种移动终端的定位方法及系统 |
CN106060779A (zh) * | 2016-07-18 | 2016-10-26 | 北京方位捷讯科技有限公司 | 指纹特征匹配方法及装置 |
CN109121133A (zh) * | 2018-09-06 | 2019-01-01 | 中国科学院信息工程研究所 | 一种位置隐私保护方法及装置 |
CN109143161A (zh) * | 2018-09-30 | 2019-01-04 | 电子科技大学 | 基于混合指纹质量评价模型的高精度室内定位方法 |
CN109444813A (zh) * | 2018-10-26 | 2019-03-08 | 南京邮电大学 | 一种基于bp和dnn双神经网络的rfid室内定位方法 |
CN109444904A (zh) * | 2018-10-30 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 定位测试数据的生成方法、装置、设备及存储介质 |
CN109688535A (zh) * | 2018-12-13 | 2019-04-26 | 大唐软件技术股份有限公司 | 确定无线热点地理位置的方法、装置、电子设备及介质 |
Non-Patent Citations (1)
Title |
---|
KIM S E: "《Indoor Positioning System using geomagnetic anomalies for smartphones》", 《INTERNATIONAL CONFERENCE ON INDOOR POSITIONING AND INDOOR NAVIGATION》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837222A (zh) * | 2021-01-25 | 2021-05-25 | 深圳市奔凯安全技术股份有限公司 | 指纹图像拼接方法、装置、存储介质及电子设备 |
CN112987064A (zh) * | 2021-02-09 | 2021-06-18 | 北京百度网讯科技有限公司 | 建筑物定位方法、装置、设备、存储介质和终端设备 |
CN113079468A (zh) * | 2021-03-23 | 2021-07-06 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、系统 |
CN113079468B (zh) * | 2021-03-23 | 2022-12-09 | 西安交通大学 | 一种基于Wifi信号RSSI特征的室内定位方法、系统 |
CN113220689A (zh) * | 2021-05-26 | 2021-08-06 | 每日互动股份有限公司 | 基于wifi指纹信息的设备识别系统 |
CN113220689B (zh) * | 2021-05-26 | 2022-03-18 | 每日互动股份有限公司 | 基于wifi指纹信息的设备识别系统 |
CN114745673A (zh) * | 2022-04-15 | 2022-07-12 | 广州易而达科技股份有限公司 | 蓝牙耳机的连接控制方法、装置、蓝牙耳机和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111741524B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111741524B (zh) | 定位方法、装置、计算机可读存储介质和计算机设备 | |
US20170280299A1 (en) | Device localization based on a learning model | |
CN108228873B (zh) | 对象推荐、发布内容推送方法、装置、存储介质和设备 | |
EP3396400B1 (en) | A system and method for clustering wi-fi fingerprints for indoor-outdoor detection | |
Bozkurt et al. | A comparative study on machine learning algorithms for indoor positioning | |
US20190331485A1 (en) | Movement line information generation system, movement line information generation method and movement line information generation program | |
CN110443274B (zh) | 异常检测方法、装置、计算机设备及存储介质 | |
Yin et al. | Learning adaptive temporal radio maps for signal-strength-based location estimation | |
CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
Montoliu et al. | IndoorLoc platform: A public repository for comparing and evaluating indoor positioning systems | |
Zou et al. | Standardizing location fingerprints across heterogeneous mobile devices for indoor localization | |
CN104094287A (zh) | 用于情境识别的方法、装置以及计算机软件 | |
KR20180049634A (ko) | IoT 데이터를 생성하는 장치 및 방법 | |
CN111192025A (zh) | 职业信息匹配方法、装置、计算机设备和存储介质 | |
CN110737818B (zh) | 网络发布数据处理方法、装置、计算机设备和存储介质 | |
CN111757464B (zh) | 一种区域轮廓提取方法及装置 | |
Zou et al. | An integrative weighted path loss and extreme learning machine approach to RFID based indoor positioning | |
Labinghisa et al. | A deep learning based scene recognition algorithm for indoor localization | |
Khokhar et al. | Machine learning based indoor localization using Wi-Fi and smartphone | |
CN113299380A (zh) | 基于智慧医疗大数据的信息提示方法及智慧医疗服务系统 | |
Sun et al. | Error estimation method for matrix correlation-based Wi-Fi indoor localization | |
CN112836115A (zh) | 信息推荐方法、装置、计算机设备和存储介质 | |
Xu et al. | Variance-based fingerprint distance adjustment algorithm for indoor localization | |
Kovalev | Indoor positioning of mobile devices by combined Wi-Fi and GPS signals | |
Zhao et al. | Conditional probability-based ensemble learning for indoor landmark localization |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030161 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |