CN111756455B - 电子设备与基准站的连接状态预警方法及相关装置 - Google Patents
电子设备与基准站的连接状态预警方法及相关装置 Download PDFInfo
- Publication number
- CN111756455B CN111756455B CN201911368397.9A CN201911368397A CN111756455B CN 111756455 B CN111756455 B CN 111756455B CN 201911368397 A CN201911368397 A CN 201911368397A CN 111756455 B CN111756455 B CN 111756455B
- Authority
- CN
- China
- Prior art keywords
- data
- connection
- electronic equipment
- electronic device
- reference station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims description 46
- 238000013145 classification model Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 16
- 238000012790 confirmation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 208000033748 Device issues Diseases 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 239000005433 ionosphere Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供了一种电子设备与基准站的连接状态预警方法及相关装置，涉及无线通信领域。方法包括：获取电子设备的当前状态数据；将当前状态数据输入至预先训练好的第一神经网络模型，得到第一神经网络模型输出的第一连接预估值；当第一连接预估值位于第一预设范围时，通过电子设备的预警模块向用户发出第一预警信息；第一预设范围表征电子设备与基准站RTK连接的预估状态差。由于根据第一连接预估值预测出当前时间及条件下电子设备与基准站的连接状态，实现在电子设备在与基准站的连接状态变差时进行提前预警，以避免电子设备在进入RTK模式时被迫退出RTK模式，确保电子设备持续进入RTK模式，提高电子设备的作业效率。
Description
技术领域
本申请涉及无线通信领域，具体而言，涉及一种电子设备与基准站的连接状态预警方法及相关装置。
背景技术
具备定位功能的电子设备(例如，测绘器、移动基站、无人机、无人车等)通常使用RTK(Real-time kinematic，载波相位差分技术)技术进行定位。以无人机为例，其在进行作业时，通常需要高精度的实时定位，因此需要与基准站连接，通过基准站对卫星信号进行调参，使得定位精度符合需求。而上述无人机能够连接至基准站这一过程，称为进入RTK模式。
但是，电子设备可能会出现进入不了RTK模式或者在RTK模式下被迫退出RTK模式，这会导致电子设备的定位精度降低，而现有的技术不能对电子设备在与基准站的连接状态变差时进行提前预警。
发明内容
本申请的目的包括，例如，提供了一种电子设备与基准站的连接状态预警方法及相关装置，其能够预测出当前时间及条件下电子设备与基准站的连接状态，实现在电子设备在与基准站的连接状态变差时进行提前预警。
本申请的实施例可以这样实现：
第一方面，本申请的实施例提供一种电子设备与基准站的连接状态预警方法，所述方法包括：获取电子设备的当前状态数据；所述当前状态数据包括多类状态信息，每类所述状态信息为所述电子设备的RTK连接参数；将所述当前状态数据输入至预先训练好的第一神经网络模型，得到所述第一神经网络模型输出的第一连接预估值；所述第一连接预估值的大小表征所述电子设备与基准站RTK连接的预估状态；当所述第一连接预估值位于第一预设范围时，通过所述电子设备的预警模块向用户发出第一预警信息；所述第一预设范围表征所述电子设备与基准站RTK连接的预估状态差。
在可选的实施方式中，所述第一神经网络模型的训练过程包括：获取所述电子设备的第一历史记录数据；其中，所述第一历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项和历史连接质量项的对应关系，所述历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接；获取第一表项集合中每条表项的历史状态项的数据作为第一目标数据集合；其中，所述第一表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第三类型数据；获取第二表项集合中每条表项的历史状态项的数据作为第二目标数据集合；其中，所述第二表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第一类型数据；对所述第一目标数据集合中的每个数据添加正类样本标签，对所述第二目标数据集合中的每个数据添加负类样本标签；根据添加标签后的多个数据训练预先建立好的分类模型，得到所述第一神经网络模型。
在可选的实施方式中，获取所述电子设备的第一历史记录数据的步骤包括：获取所述电子设备的历史记录数据中所有位于预设时间范围内的数据作为第一历史记录数据；所述预设时间范围包括所述电子设备所处位置为夜间的时间段。
在可选的实施方式中，所述方法还包括：获取所述电子设备当前坐标数据，所述当前坐标数据包括当前位置数据、当前时间数据以及当前距离数据；所述当前距离数据为所述电子设备与所述基准站之间的距离；将所述当前坐标数据输入至预先训练好的第二神经网络模型，得到所述第二神经网络模型输出的第二连接预估值；所述第二连接预估值的大小表征所述电子设备与基准站的距离是否满足安全连接条件；当所述第二连接预估值位于第二预设范围时，通过所述电子设备的预警模块向用户发出第二预警信息；所述第二预设范围表征所述电子设备与基准站的距离不满足安全连接条件。
在可选的实施方式中，所述第二神经网络模型的训练过程包括：获取所述电子设备的第二历史记录数据；其中，所述第二历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项、历史坐标项和历史连接质量项的对应关系，所述历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接；将每条所述对应关系的历史状态项的数据输入至所述第一神经网络模型，得到多个输出数据；获取所述多个输出数据中所有位于预设阈值范围的输出数据作为待处理数据集合；位于所述预设阈值范围内的输出数据表征所述电子设备与基准站RTK连接的预估状态好；从所述待处理数据集合中获取第一子集以及第二子集；所述第一子集中的每个数据对应的历史连接质量项的数据为进入RTK模式，所述第二子集包括至少一个数据集，每个所述数据集的数据个数大于或等于预设值，每个所述数据集中的各个数据对应的历史连接质量项的数据均为未进入RTK模式，且每个所述数据集中的各个数据在时间先后排序上连续；对所述第一子集中的每个数据对应的历史坐标项的数据添加正类样本标签，对所述第二子集中的每个数据对应的历史坐标项的数据添加负类样本标签；根据添加标签后的多个数据训练预先建立好的分类模型，得到所述第二神经网络模型。
在可选的实施方式中，将所述当前坐标数据输入至预先训练好的第二神经网络模型，得到所述第二神经网络模型输出的第二连接预估值的步骤之后，所述方法还包括：当超过预设时长内的所有第二连接预估值均位于第三预设范围时，通过所述电子设备的预警模块向用户发出电子设备的连接状态差信息；所述第三预设范围表征所述电子设备与基准站的距离位于不稳定连接范围。
在可选的实施方式中，所述电子设备包括驱动模块，在所述电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，所述方法还包括：向所述驱动模块发送控制指令，以使所述电子设备向与其连接的基准站靠近。
在可选的实施方式中，在所述电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，所述方法还包括：获取所述电子设备周围的至少一个基准站；从所述至少一个基准站中确定出与所述电子设备稳定连接的目标基准站；将所述电子设备与所述目标基准站连接。
第二方面，本申请的实施例提供一种电子设备与基准站的连接状态预警装置，包括：获取模块，用于获取电子设备的当前状态数据；所述当前状态数据包括多类状态信息，每类所述状态信息为所述电子设备的RTK连接参数；预警模块，用于将所述当前状态数据输入至预先训练好的第一神经网络模型，得到所述第一神经网络模型输出的第一连接预估值；所述第一连接预估值的大小表征所述电子设备与基准站RTK连接的预估状态；所述预警模块，还用于当所述第一连接预估值位于第一预设范围时，通过所述电子设备的预警模块向用户发出第一预警信息；所述第一预设范围表征所述电子设备与基准站RTK连接的预估状态差。
在可选的实施方式中，所述装置还包括训练模块，用于获取所述电子设备的第一历史记录数据；其中，所述第一历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项和历史连接质量项的对应关系，所述历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接；所述训练模块还用于获取第一表项集合中每条表项的历史状态项的数据作为第一目标数据集合；其中，所述第一表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第三类型数据；所述训练模块还用于获取第二表项集合中每条表项的历史状态项的数据作为第二目标数据集合；其中，所述第二表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第一类型数据；所述训练模块还用于对所述第一目标数据集合中的每个数据添加正类样本标签，对所述第二目标数据集合中的每个数据添加负类样本标签；所述训练模块还用于根据添加标签后的多个数据训练预先建立好的分类模型，得到所述第一神经网络模型。
在可选的实施方式中，所述训练模块，用于获取所述电子设备的历史记录数据中所有位于预设时间范围内的数据作为第一历史记录数据；所述预设时间范围包括所述电子设备所处位置为夜间的时间段。
在可选的实施方式中，所述获取模块，用于获取所述电子设备当前坐标数据，所述当前坐标数据包括当前位置数据、当前时间数据以及当前距离数据；所述当前距离数据为所述电子设备与所述基准站之间的距离；所述预警模块，用于将所述当前坐标数据输入至预先训练好的第二神经网络模型，得到所述第二神经网络模型输出的第二连接预估值；所述第二连接预估值的大小表征所述电子设备与基准站的距离是否满足安全连接条件；所述预警模块，还用于当所述第二连接预估值位于第二预设范围时，通过所述电子设备的预警模块向用户发出第二预警信息；所述第二预设范围表征所述电子设备与基准站的距离不满足安全连接条件。
在可选的实施方式中，所述训练模块用于获取所述电子设备的第二历史记录数据；其中，所述第二历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项、历史坐标项和历史连接质量项的对应关系，所述历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接；所述训练模块还用于将每条所述对应关系的历史状态项的数据输入至所述第一神经网络模型，得到多个输出数据；所述训练模块还用于获取所述多个输出数据中所有位于预设阈值范围的输出数据作为待处理数据集合；位于所述预设阈值范围内的输出数据表征所述电子设备与基准站RTK连接的预估状态好；所述训练模块还用于从所述待处理数据集合中获取第一子集以及第二子集；所述第一子集中的每个数据对应的历史连接质量项的数据为进入RTK模式，所述第二子集包括至少一个数据集，每个所述数据集的数据个数大于或等于预设值，每个所述数据集中的各个数据对应的历史连接质量项的数据均为未进入RTK模式，且每个所述数据集中的各个数据在时间先后排序上连续；所述训练模块还用于对所述第一子集中的每个数据对应的历史坐标项的数据添加正类样本标签，对所述第二子集中的每个数据对应的历史坐标项的数据添加负类样本标签；所述训练模块还用于根据添加标签后的多个数据训练预先建立好的分类模型，得到所述第二神经网络模型。
在可选的实施方式中，所述预警模块，还用于当超过预设时长内的所有第二连接预估值均位于第三预设范围时，通过所述电子设备的预警模块向用户发出电子设备的连接状态差信息；所述第三预设范围表征所述电子设备与基准站的距离位于不稳定连接范围。
在可选的实施方式中，所述电子设备包括驱动模块，在所述电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，所述预警模块用于向所述驱动模块发送控制指令，以使所述电子设备向与其连接的基准站靠近。
在可选的实施方式中，在所述电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，所述预警模块用于获取所述电子设备周围的至少一个基准站；所述预警模块还用于从所述至少一个基准站中确定出与所述电子设备稳定连接的目标基准站；所述预警模块还用于将所述电子设备与所述目标基准站连接。
第三方面，本申请的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如前述实施方式中任一项所述的电子设备与基准站的连接状态预警方法。
第四方面，本申请的实施例提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如前述实施方式中任一项所述的电子设备与基准站的连接状态预警方法。
本申请实施例的有益效果包括，例如：由于通过将电子设备的当前状态数据输入至第一神经网络模型，得到第一连接预估值，该第一连接预估值的大小表征电子设备与基准站RTK连接的预估状态，换句话说，本申请能够根据第一连接预估值预测出当前时间及条件下电子设备与基准站的连接状态，进而实现在电子设备在与基准站的连接状态变差时进行提前预警，以避免电子设备在进入RTK模式时被迫退出RTK模式，确保电子设备持续进入RTK模式，提高电子设备的作业效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的电子设备的一种结构框图；
图2为本申请实施例所提供的第一神经网络模型的训练方法的流程示意图；
图3为一段时间内“FixMode”值的序列的示意图；
图4为本申请实施例所提供的预先建立好的用于训练第一神经网络模型的分类模型的示意图；
图5为本申请实施例提供的电子设备与基准站的连接状态预警方法的一种流程图；
图6为本申请实施例所提供的第二神经网络模型的训练方法的流程示意图；
图7为本申请实施例所提供的预先建立好的用于训练第二神经网络模型的分类模型的示意图；
图8为本申请实施例提供的电子设备与基准站的连接状态预警方法的另一种流程图；
图9为本申请实施例提供的电子设备与基准站的场景示意图；
图10为本申请实施例提供的电子设备与基准站的连接状态预警方法的另一种流程图；
图11为本申请实施例提供的电子设备与基准站的连接状态预警方法的另一种流程图；
图12为本申请实施例提供的电子设备与基准站的连接状态预警方法的另一种流程图；
图13为本申请实施例提供的电子设备与基准站的连接状态预警装置的一种功能模块图；
图14为本申请实施例提供的电子设备与基准站的连接状态预警装置的另一种功能模块图。
图标：100-电子设备；110-存储器；120-处理器；130-总线；140-通信接口；200-基准站；300-电子设备与基准站的连接状态预警装置；310-获取模块；320-预警模块；330-训练模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
在实现本申请实施例的技术方案的过程中，本申请发明人发现：
具备定位功能的电子设备(例如，测绘器、移动基站、无人机、无人车等)通常使用RTK技术进行定位。以无人机为例，无人机在进行喷洒作业或者测绘作业时，需要高精度的实时定位，且实时定位的误差精度需求在厘米以内。要达到这么高的误差精度，无人机需要与基准站连接，通过基准站对卫星信号进行调参，使得定位精度符合需求。其中，上述的包括无人机在内的具备定位功能的电子设备能够连接至基准站这一过程，称为进入RTK模式，反之(电子设备与基准站断开连接)则称为退出RTK模式。
电子设备进入RTK模式是一种可变状态，随着环境及电子设备自身的变化，电子设备在进入RTK模式后随时可能会被迫退出RTK模式，甚至不能进入RTK模式。其原因主要包括：一方面是与基准站的连接没有RTK固定解所导致的不能进入RTK模式，另一方面是进入RTK模式后，与基准站不能持续的有RTK固定解所导致的退出RTK模式。
为了在作业时间段内保持高精度的实时定位，电子设备在进入RTK模式后需要在作业时间段内保持这一状态(进入RTK模式)，而现有的技术手段只能判断电子设备与基准站的连接是否存在固定解，不能做到预测出当前时间及条件下的电子设备与基准站的连接状态是否稳定，也不能实现在电子设备在与基准站的连接状态变差时进行提前预警。
为了改善上述缺陷，本申请实施例提出一种电子设备与基准站的连接状态预警方法、装置、存储介质和电子设备，其能够预测出当前时间及条件下电子设备与基准站的连接状态，实现在电子设备在与基准站的连接状态变差时进行提前预警。需要说明的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。
请参照图1，为本申请实施例所提供的电子设备100的一种结构框图。该电子设备100可以包括存储器110、处理器120、总线130和通信接口140，该存储器110、处理器120和通信接口140相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条总线130或信号线实现电性连接。处理器120可以处理与电子设备与基准站的连接状态预警有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器120可以获取电子设备的当前状态数据，并根据上述数据进行电子设备与基准站的连接状态预警，进而实现本申请提供的电子设备与基准站的连接状态预警方法。
存储器110可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器120可以是一种集成电路芯片，具有信号处理能力。该处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图1所示的结构仅为示意，该电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。在实际应用中，该电子设备100可以是测绘器、移动基站、无人机、无人车、移动终端等，因此本申请实施例对电子设备100的类型不做限制。
在实际应用中，上述的电子设备100可以以日志表的形式对每个时刻的自身工作的数据进行记录(即该电子设备100可以获取到自身的历史记录数据)。如下表1(电子设备各个时刻的数据记录日志表)所示，该电子设备100记录了自身工作的“卫星数”、“信号”、“电流”等状态情况，并且该电子设备100还记录了与基准站连接的情况(即“FixMode”)。
表1
| 时间 | 卫星数 | 信号 | 电流 | …… | FixMode |
| 14.55.51 | 3 | 5 | 1.1 | … | 1 |
| 14.55.58 | 4 | 6 | 1.2 | … | 2 |
| 14.56.05 | 6 | 9 | 1.1 | … | 3 |
其中，“卫星数”表示电子设备所有能接收信号的卫星的数量，“信号”表示电子设备所接收到的卫星信号的值，“电流”表示电子设备在该时刻下的工作电流情况，“FixMode”表示电子设备与基准站连接的情况。
当上述的“FixMode”为1时，表示电子设备与基准站的连接为单点解；当“FixMode”为2时，表示电子设备与基准站的连接为非固定解；当“FixMode”为3时，表示电子设备与基准站的连接为固定解；当“FixMode”为4时，表示电子设备与基准站的连接处于架设基站引点完成状态(即电子设备与基准站稳定连接)。即，当“FixMode”为1时，电子设备与基准站的连接质量最差，当“FixMode”为2时，电子设备与基准站的连接质量较差，当“FixMode”为3时，电子设备与基准站的连接质量较好，当“FixMode”为4时，电子设备与基准站的连接质量最好，换句话说，“FixMode”的取值依次从1至4时，电子设备与基准站的连接质量越来越好。
根据上述表1还可以看出，不同的时刻下“FixMode”的值可能是不同的，也即是说，电子设备与基准站连接的情况会随时间而改变，但是相邻时刻之间“FixMode”的值的变化没有规律。因此可以理解，在现有技术中，“FixMode”仅能表示出当前时刻电子设备与基准站连接的情况，即现有的技术手段只能判断电子设备与基准站的连接是否存在固定解(即是否进入RTK模式)，而不能做到预测出当前时间及条件下电子设备与基准站的连接状态(即在进入RTK模式时，有多大概率会退出RTK模式)，实现在电子设备在与基准站的连接状态变差时进行提前预警。
换句话说，现有技术中的“FixMode”仅能简单的反映出电子设备与基准站连接的质量(即电子设备与基准站连接的解的情况)，“FixMode”不能起到预测出当前时间及条件下电子设备与基准站的连接状态的作用。
而发明人发现影响电子设备与基准站之间的连接的原因为电子设备的综合状态情况(即综合的设备状况)，换句话说，电子设备的综合状态情况越好，其与基准站的连接越容易进入RTK模式(即电子设备与基准站的连接越容易有固定解)，例如，在电子设备的“FixMode”为2时，虽然其与基准站的连接为非固定解，但是，当电子设备的综合状态情况越好时，电子设备的“FixMode”越容易变至3或4；而当电子设备的“FixMode”为3时，虽然其与基准站的连接为固定解，但是，当电子设备的综合状态情况越差时，电子设备的“FixMode”越容易变至2。而电子设备的综合状态情况实际是由上述的自身工作的“卫星数”、“信号”、“电流”等单个状态情况联合决定的。基于该特性，发明人提出了电子设备与基准站的连接状态预警方法，该方法能够预测出当前时间及条件下电子设备与基准站的连接状态，实现在电子设备在与基准站的连接状态变差时进行提前预警，进而解决了现有技术的问题。
为了便于理解，本申请以下实施例将以图1所示的电子设备100为例，结合附图，对本申请实施例提供的电子设备与基准站的连接状态预警方法进行具体阐述。
首先，本申请实施例提供了如何训练预先建立好的分类模型，以得到第一神经网络模型的训练方法，请参照图2，该训练过程可以包括如下步骤：
S10，获取电子设备的第一历史记录数据；
其中，第一历史记录数据包括按时间先后排序的多条对应关系，每条对应关系为历史状态项和历史连接质量项的对应关系，历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，第一类型数据表征电子设备未进入RTK模式，第二类型数据表征电子设备进入RTK模式，第三类型数据表征电子设备与基准站稳定连接。
在一些可能的实施例中，电子设备100获取的第一历史记录数据可以如上表1所示的日志表，该日志表中包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项和历史连接质量项的对应关系，每个时刻下的“卫星数”、“信号”、“电流”等状态情况数据即为前述的历史状态项，每个时刻下的“FixMode”即为前述的历史连接质量项。其中，历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，历史连接质量项的数据为第一类型数据时表示“FixMode”的取值为1或2，历史连接质量项的数据为第一类型数据时表示“FixMode”的取值为3，历史连接质量项的数据为第一类型数据时表示“FixMode”的取值为4。
需要说明的是，电子设备100可以从自身的存储介质中直接获取历史记录数据或者通过网络从其他设备的存储介质中获取第一历史记录数据，本申请对于获取第一历史记录数据的方式不做限定。
还需要补充的是，经发明人多次实验后发现，本申请中的历史状态项至少包括“卫星数”、“信号”时，能够较准确地预测出当前时间及条件下电子设备与基准站的连接状态。并且，发明人还发现，当历史状态项包括的种类越多时，预测出当前时间及条件下电子设备与基准站的连接状态的精度越高，因此，为了进一步提高本申请提供的方法的预测精度，实现准确地预警，本申请提供的历史状态项在至少包括“卫星数”、“信号”状态情况的条件下，还可以包括“电流”，“电压”，“海拔”，“温度”，“超时时间”等状态情况中的至少一项。
在实际应用时，发明人还发现影响电子设备与基准站之间的连接的原因还包括：电子设备与基准站之间的距离，而该因素会影响所训练出的第一神经网络模型的预测准确率。为了提高第一神经网络模型预测准确率，对于如何获取电子设备的第一历史记录数据，S10可以包括：获取电子设备的历史记录数据中所有位于预设时间范围内的数据作为第一历史记录数据；预设时间范围包括电子设备所处位置为夜间的时间段。
在本实施例中，发明人发现，电子设备与基准站的连接受到电离层的影响，且到了中午时分影响最大，即中午时分电子设备与基准站之间能够连接的安全距离最短，这种影响可以看作是以中午12点为中心且值最大的正态分布，而当太阳下山的时候，电离层对安全距离的影响可以忽略不计，因此夜间的时间段电子设备与基准站之间的连接不受到电离层的影响，此时电子设备与基准站的连接的安全距离最长，从而可以使得所获取的电子设备的历史记录数据尽可能地满足电子设备与基准站的连接的距离在安全距离内。进而还可以理解的是，电子设备的历史记录数据均满足电子设备与基准站的连接的距离在安全距离内的条件。
S11，获取第一表项集合中每条表项的历史状态项的数据作为第一目标数据集合；其中，第一表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第三类型数据；
在一些可能的实施例中，请参照图3，图3示出了一段时间内“FixMode”值的序列，其中，在这一段时间内，C时刻的“FixMode”为第二类型数据，且C时刻的下一时刻的“FixMode”为第三类型数据，因此电子设备100可以获取到C时刻的“FixMode”，并将C时刻的“FixMode”加入第一目标数据集合。对于第一历史记录数据中的所有数据均可以按前述方式将满足历史连接质量项的数据为第二类型数据，且相邻的下一表项的历史连接质量项为第三类型数据的表项的历史连接质量项的数据加入第一目标数据集合。进而实现第一表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第三类型数据。
S12，获取第二表项集合中每条表项的历史状态项的数据作为第二目标数据集合；其中，第二表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第一类型数据。
在一些可能的实施例中，请继续参照图3，在这一段时间内，A、B时刻的“FixMode”为第二类型数据，且A、B时刻的下一时刻的“FixMode”为第一类型数据，因此电子设备100可以获取到A、B时刻的“FixMode”，并将A、B时刻的“FixMode”加入第二目标数据集合。对于第一历史记录数据中的所有数据均可以按前述方式将满足历史连接质量项的数据为第二类型数据，且相邻的下一表项的历史连接质量项为第一类型数据的表项的历史连接质量项的数据加入第二目标数据集合。进而实现第二表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项为第一类型数据。
换句话说，A、B时刻的“FixMode”均为即将从第二类型数据转变为第一类型数据的数据，C时刻的“FixMode”为即将从第二类型数据转变为第三类型数据的数据，电子设备100可以获取到A、B时刻的“FixMode”，并将A、B时刻的“FixMode”作为第二目标数据集合，以及获取到C时刻的“FixMode”，并将C时刻的“FixMode”作为第一目标数据集合。
可以理解，第一目标数据集合中的每个数据均表示电子设备的综合状态情况好，第二目标数据集合中的每个数据均表示电子设备的综合状态情况差。第一目标数据集合和第二目标数据集合中的数据均为历史状态项的数据。
S13，对第一目标数据集合中的每个数据添加正类样本标签，对第二目标数据集合中的每个数据添加负类样本标签；
S14，根据添加标签后的多个数据训练预先建立好的分类模型，得到第一神经网络模型。
在一些可能的实施例中，电子设备100可以根据添加标签后的多个数据训练如图4所示的分类模型，得到第一神经网络模型，经过发明人的多次试验发现，图4所示的分类模型能够极大地提高所训练出的第一神经网络模型的预测准确率。
在图4所示的分类模型中，可以将添加标签后的多个数据进行数据标准化然后输入至输入层，隐藏层可以对数据进行RELU激活，Dropout层可以降低过拟合，输出层输出的数据还可以经过softmax函数计算进而实现对数据的分类，各个层的具体计算方式可以参考现有的技术手段，在此不再赘述。
其中，根据添加标签后的多个数据训练如图4所示的分类模型，得到第一神经网络模型的过程可以是：可以根据预设的损失函数的值对该分类模型的参数进行迭代调整，直至该分类模型收敛，最后将收敛的分类模型作为第一神经网络模型。
应理解，由于第一目标数据集合中的每个数据均表示电子设备的综合状态情况好，第二目标数据集合中的每个数据均表示电子设备的综合状态情况差。通过对第一目标数据集合中的每个数据添加正类样本标签，对第二目标数据集合中的每个数据添加负类样本标签，然后根据添加标签后的多个数据训练预先建立好的分类模型，得到第一神经网络模型。故而所得到的第一神经网络模型能够根据输入的电子设备的当前状态数据准确地预测出此时的电子设备的综合状态情况，换句话说，第一神经网络模型能够根据输入的电子设备的当前状态数据准确地预测出此时的电子设备的与基准站RTK连接的预估状态。
请参照图5，图5示出了本申请实施例提供的电子设备与基准站的连接状态预警方法的一种流程图。该电子设备与基准站的连接状态预警方法可以应用于上述的电子设备100，该电子设备与基准站的连接状态预警方法可以包括以下步骤：
S100，获取电子设备的当前状态数据；当前状态数据包括多类状态信息，每类状态信息为电子设备的RTK连接参数。
在一些可能的实施例中，电子设备的当前状态数据可以如上表1所示的日志表中的“卫星数”、“信号”、“电流”等状态情况数据(即当前状态数据包括多类状态信息)，其中，当前状态数据的可能形式可以参考上述的S10，在此不再赘述。
可以理解的是，本实施例中的当前状态数据包括多类状态信息的具体累呗是由预先训练好的第一神经网络模型决定，即采用了怎样的历史状态项对第一神经网络模型进行训练，则可以用怎样的当前状态数据。
S110，将当前状态数据输入至预先训练好的第一神经网络模型，得到第一神经网络模型输出的第一连接预估值；第一连接预估值的大小表征电子设备与基准站RTK连接的预估状态。
可以理解的是，第一神经网络模型是利用上述电子设备的历史记录数据进行训练得到的。
S120，当第一连接预估值位于第一预设范围时，通过电子设备的预警模块向用户发出第一预警信息；第一预设范围表征电子设备与基准站RTK连接的预估状态差。
在一些可能的实施例中，假设第一连接预估值为取值为0-1之间的数值，并且取值越接近0，表示电子设备的综合状态情况越差，电子设备与基准站RTK连接的预估状态越差；取值越接近1，表示电子设备的综合状态情况越好，电子设备与基准站RTK连接的预估状态越好，且第一预设范围为0-0.4(即0-0.4表征电子设备与基准站RTK连接的预估状态差)，因此当第一连接预估值位于第一预设范围时，可以通过电子设备的预警模块向用户发出第一预警信息。
可以理解的是，本申请对于通过电子设备的预警模块向用户发出第一预警信息的形式不做限定，在实际应用时，可以根据实际情况采用不同的形式，例如通过声光电的形式发出预警，或者通过网络将预警信息发送至后台，以远程提醒用户。
应理解的是，由于当电子设备的综合状态情况越好时，电子设备与基准站之间的连接越稳定，而第一神经网络模型能够根据输入的电子设备的当前状态数据准确地预测出此时的电子设备的综合状态情况，因此本申请能够通过预测出的综合状态情况预测出当前时间及条件下电子设备与基准站RTK连接的预估状态情况，实现在电子设备在与基准站的连接状态变差时进行提前预警，以避免电子设备在进入RTK模式时被迫退出RTK模式，确保电子设备持续进入RTK模式，提高电子设备的作业效率。
进一步的，由于电子设备与基准站的连接还受到电子设备与基准站之间的距离的影响，为了更加全面地预测出当前时间及条件下电子设备与基准站的连接状态，本申请实施例还提供了如何训练预先建立好的分类模型，以得到第二神经网络模型的训练方法，请参照图6，该训练过程可以包括如下步骤：
S20，获取电子设备的第二历史记录数据；
其中，第二历史记录数据包括按时间先后排序的多条对应关系，每条对应关系为历史状态项、历史坐标项和历史连接质量项的对应关系，历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，第一类型数据表征电子设备未进入RTK模式，第二类型数据表征电子设备进入RTK模式，第三类型数据表征电子设备与基准站稳定连接。
在一些可能的实施例中，电子设备100可以以日志表的形式对每个时刻的自身工作的数据进行记录(即该电子设备100可以获取到历史记录数据)。如下表2(电子设备各个时刻的数据记录日志表)所示，该电子设备100记录了自身工作的“卫星数”、“信号”、“电流”等状态情况，与基准站连接的情况(即“FixMode”)，并且该电子设备100还记录了各个时刻的当前坐标数据(每个当前坐标数据包括有当前位置数据、当前时间数据以及当前距离数据，而所有的各个时刻的当前坐标数据组成了历史坐标数据)，其中，在各个时刻下，状态情况数据与当前坐标数据对应。
表2
在一些可能的实施例中，电子设备100获取的第二历史记录数据可以如上表2所示的日志表，该日志表中包括按时间先后排序的多条对应关系，每条对应关系为历史状态项、历史坐标项和历史连接质量项的对应关系，每个时刻下的“卫星数”、“信号”、“电流”等状态情况数据即为前述的历史状态项，每个时刻下的“FixMode”即为前述的历史连接质量项，每个时刻下的坐标数据即为前述的历史坐标项。其中，历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，历史连接质量项的数据为第一类型数据时表示“FixMode”的取值为1或2，历史连接质量项的数据为第一类型数据时表示“FixMode”的取值为3，历史连接质量项的数据为第一类型数据时表示“FixMode”的取值为4。
需要说明的是，电子设备100可以从自身的存储介质中直接获取历史记录数据或者通过网络从其他设备的存储介质中获取第一历史记录数据，本申请对于获取第一历史记录数据的方式不做限定。可以理解，该步骤中的第二历史记录数据实际可以参考S10。
S21，将每条对应关系的历史状态项的数据输入至第一神经网络模型，得到多个输出数据。
继续以上表2所示的日志表为例，可以将各个时刻下的状态情况数据输入至第一神经网络模型，得到多个输出数据。可以理解，该多个输出数据表示的是各个时刻下的电子设备的综合状态情况(即电子设备与基准站RTK连接的预估状态情况的好坏)。
S22，获取多个输出数据中所有位于预设阈值范围的输出数据作为待处理数据集合；位于预设阈值范围内的输出数据表征电子设备与基准站RTK连接的预估状态好。
在将每条对应关系的历史状态项的数据输入至第一神经网络模型，得到多个输出数据后，为了避免电子设备的综合状态情况对电子设备与基准站之间的连接产生影响，仅处理受到电子设备的当前距离(即电子设备与基准站之间的距离)的影响的数据，可以仅筛选出电子设备的综合状态情况好时的输出数据。
因此可以获取多个输出数据中所有位于预设阈值范围的输出数据作为待处理数据集合；且位于预设阈值范围内的输出数据表征电子设备与基准站RTK连接的预估状态好，也即是说，筛选出电子设备的综合状态情况好的输出数据作为待处理数据集合。
应理解，虽然待处理数据集合中的所有数据对应下的电子设备的综合状态情况均好，但由于电子设备还受到当前距离的影响，其与基准站之间的连接依然可能存在进入RTK模式和未进入RTK模式的情况，即待处理数据集合中各个数据对应时刻下的电子设备存在进入RTK模式和未进入RTK模式的情况。
S23，从待处理数据集合中获取第一子集以及第二子集；第一子集中的每个数据对应的历史连接质量项的数据为进入RTK模式，第二子集包括至少一个数据集，每个数据集的数据个数大于或等于预设值，每个数据集中的各个数据对应的历史连接质量项的数据均为未进入RTK模式，且每个数据集中的各个数据在时间先后排序上连续。
在一些可能的实施例中，继续以上表2所示的日志表为例，假设预设阈值范围为0.6-1，预设值为4，将第一至第十条对应关系的历史状态项的数据(即表2中时刻为14.55.51至14.56.53的十行状态情况数据)输入至第一神经网络模型，得到输出数据1(假设为0.1)、输出数据2(假设为0.5)、输出数据3(假设为0.8)、输出数据4(假设为0.9)、输出数据5(假设为0.9)、输出数据6(假设为0.7)、输出数据7(假设为0.6)、输出数据8(假设为0.8)、输出数据9(假设为0.7)、输出数据10(假设为0.9)后，可以确定出待处理数据集合包括输出数据3-10。由于输出数据3、4、6对应的“FixMode”为3，故而可以确定出第一子集包括输出数据3、4、6；由于输出数据7、8、9、10(4个数据)对应的“FixMode”为2，且各个数据在时间先后排序上连续，故而可以确定出第二子集包括输出数据7、8、9、10。
应理解，由于每个数据集的数据个数大于或等于预设值，且每个数据集中的各个数据在时间先后排序上连续，因此，在第二子集中的每个数据集也可理解为该数据集中的所有数据在采集时间上连续，且时间间隔大于预设时间间隔。
S24，对第一子集中的每个数据对应的历史坐标项的数据添加正类样本标签，对第二子集中的每个数据对应的历史坐标项的数据添加负类样本标签。
继续参照表2所示的日志表以及S23中的例子，由于第一子集包括输出数据3、4、6，第二子集包括输出数据7、8、9、10。故而可以对输出数据3、4、6对应的历史坐标项(即表2中的坐标数据列)的数据添加正类样本标签，对输出数据7、8、9、10对应的历史坐标项(即表2中的坐标数据列)的数据添加负类样本标签。
应理解，第一子集中的每个数据对应时刻下的电子设备均进入RTK模式，第二子集中的每个数据对应时刻下的电子设备均未进入RTK模式，也即是说，第一子集中的每个数据对应时刻下的电子设备均由于与基准站之间的距离过长导致不能进入RTK模式，第二子集中的每个数据对应时刻下的电子设备均由于与基准站之间的距离适度导致能进入RTK模式。
S25，根据添加标签后的多个数据训练预先建立好的分类模型，得到第二神经网络模型。
在一些可能的实施例中，请参照图7，电子设备100可以根据添加标签后的多个数据训练如图7所示的分类模型，得到第二神经网络模型，经过发明人的多次试验发现，图7所示的分类模型能够极大地提高所训练出的第二神经网络模型的预测准确率。
其中，对于如何根据添加标签后的多个数据训练预先建立好的分类模型，可以参考S10，在此不再赘述。
应理解，由于第一子集中的每个数据对应时刻下的电子设备均由于与基准站之间的距离过长导致不能进入RTK模式，第二子集中的每个数据对应时刻下的电子设备均由于与基准站之间的距离适度进而能进入RTK模式。因此所得到的第二神经网络模型能够根据输入的电子设备当前坐标数据准确地预测出此时的电子设备与基准站之间的距离是否满足安全连接条件(即第二神经网络模型的输出结果的大小能够表征电子设备与基准站之间的距离距离是否满足安全连接条件)。换句话说，所得到的第二神经网络模型能够根据输入的电子设备当前坐标数据准确地预测出此时的电子设备与基准站之间的距离是否超出安全距离。
基于上述训练好的第二神经网络模型以及图5所示的方法，请参照图8，本申请所提供的方法还可以包括：
S130，获取电子设备当前坐标数据，当前坐标数据包括当前位置数据、当前时间数据以及当前距离数据；当前距离数据为电子设备与基准站之间的距离。
在一些可能的实施例中，电子设备的当前坐标数据可以如上表2所示的日志表中的当前位置数据、当前时间数据以及当前距离数据。其中，当前位置数据可以是经纬度数据。
可以理解的是，本实施例中的当前坐标数据的具体数据内容是由预先训练好的第二神经网络模型决定，即采用了怎样的历史坐标数据对第二神经网络模型进行训练，则可以用怎样的当前状态数据。
S140，将当前坐标数据输入至预先训练好的第二神经网络模型，得到第二神经网络模型输出的第二连接预估值；第二连接预估值的大小表征电子设备与基准站的距离是否满足安全连接条件。
可以理解的是，由于所得到的第二神经网络模型能够根据输入的电子设备当前坐标数据准确地预测出此时的电子设备与基准站之间的距离是否超出安全距离，故而第二连接预估值的大小表征电子设备与基准站的距离是否满足安全连接条件，该安全连接条件可以理解为电子设备与基准站之间的距离是否超出安全距离。
应理解，第二连接预估值的大小也可以理解为电子设备与基准站的连接健康值，如图9所示，假设第二连接预估值为取值为0-1之间的数值，并且当第二连接预估值的取值为0.5时，其对应的电子设备100与基准站200之间的距离为安全距离，进而对应图9，以基准站200为圆心，安全距离为半径的区域S为安全范围，当电子设备100位于区域S内，且越靠近基准站200时，其第二连接预估值的取值越大，电子设备100与基准站200之间的距离超出安全距离的程度越小，连接健康值越大；当电子设备100位于区域S外，且越远离基准站200时，其第二连接预估值的取值越小，电子设备100与基准站200之间的距离超出安全距离的程度越大，连接健康值越小。
S150，当第二连接预估值位于第二预设范围时，通过电子设备的预警模块向用户发出第二预警信息；第二预设范围表征电子设备与基准站的距离不满足安全连接条件。
在一些可能的实施例中，假设第二连接预估值为取值为0-1之间的数值，并且取值越接近0，表示电子设备与基准站之间的距离超出安全距离的程度越大；取值越接近1，表示电子设备与基准站之间的距离超出安全距离的程度越小，且第二预设范围为0-0.4，即此时表征电子设备与基准站的距离不满足安全连接条件，因此当第二连接预估值位于第二预设范围时，可以通过电子设备的预警模块向用户发出第二预警信息。
继续以图9为例，假设第二连接预估值为取值为0-1之间的数值，并且当第二连接预估值的取值为0.5时，其对应的电子设备100与基准站200之间的距离为安全距离。换句话说，第二预设范围为0-0.5，当第二连接预估值位于第二预设范围时，即表示电子设备100位于区域S以外，此时可以通过电子设备的预警模块向用户发出电子设备与基准站的距离大于安全距离信息，以提醒用户在这个时空下的电子设备不在安全范围内。
需要说明的是，随着时间的改变，安全距离的大小会出现变化，本申请提供的S150实际可以达到实时将不同时刻下电子设备的当前坐标数据输入至第二神经网络模型，预测出对应的第二连接预估值，并根据第二连接预估值进行预警，进而解决在安全距离的大小出现变化条件下进行预警的问题。
可以理解的是，本申请对于通过电子设备的预警模块向用户发出第二预警信息的形式不做限定，在实际应用时，可以根据实际情况采用不同的形式，例如通过声光电的形式发出预警，或者通过网络将预警信息发送至后台，以远程提醒用户。
可选地，为了更好地向用户发出预警信息，在图8的基础上，请参照图10，方法可以包括：
S160，当超过预设时长内的所有第二连接预估值均位于第三预设范围时，通过电子设备的预警模块向用户发出电子设备的连接状态差信息；第三预设范围表征电子设备与基准站的距离位于不稳定连接范围。
继续以图9为例，假设第二连接预估值为取值为0-1之间的数值，并且当第二连接预估值的取值为0.5时，其对应的电子设备100与基准站200之间的距离为安全距离，第三预设范围为0.5-0.6。当第二连接预估值位于第三预设范围时，即表示电子设备100位于区域S以内，但非常靠近安全范围边沿。当超过预设时长内连续存在多个第二连接预估值位于第三预设范围时，可以通过电子设备的预警模块向用户发出电子设备的连接状态差信息，以提醒用户电子设备与基准站的连接健康值较低，电子设备非常靠近安全范围边沿。
进一步的，本申请还可以在电子设备进入安全范围内并尝试进入RTK模式时获取第二连接预估值以检测设备与基准站的连接健康值，若长时间设备的状态健康值比较低，可以给予用户预警。
应理解，本申请提供的S150、S160可以支持用户对电子设备进行更加有效的操作控制，提升电子设备的工作效率。
可选地，上述的电子设备100可以包括驱动模块，在电子设备100发出预警信息且超过预设时间长度未检测到用户的确认操作时，为了避免电子设备在运行过程中由于信号质量差导致定位不准，在图10的基础上，请参照图11，方法还可以包括：
S170，向驱动模块发送控制指令，以使电子设备向基准站靠近。
当电子设备100为无人机时，该无人机可以包括：机体、驱动模块以及无人机控制设备。驱动模块安装在机体，用于为无人机提供飞行的动力。当电子设备100发出预警信息(例如，该预警信息可以是上述的第一预警信息或第二预警信息)且超过预设时间长度未检测到用户的确认操作(例如，该确认操作可以是用户通过控制终端向无人机发送返航指令、停飞指令等操作)时，无人机可以向驱动模块发送控制指令，以使其向与其连接的基准站靠近。
其中，上述的驱动模块可以包括电动机、电源以及螺旋桨等组件中的至少一种。无人机控制设备与驱动模块通信连接，用于控制无人机的沿航线飞行，在一些可能的实施例中，无人机控制设备可以是无人机飞行控制器。其中，本申请实施例所提供的无人机包括但不限于植保无人机、巡查无人机、农用无人机、气象无人机、勘探无人机以及测绘无人机等。
可选地，在电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，为了进一步避免电子设备在运行过程中由于信号质量差导致定位不准，请参照图12，方法还可以包括：
S180，获取电子设备周围的至少一个基准站。
电子设备可以通过向服务器发送其位置，由服务器向其反馈其周围的至少一个基准站；或者，电子设备的存储介质中也可以预先存储有记录基准站位置信息的地图数据，由电子设备自身根据该地图数据以及其位置获取到周围的至少一个基准站。其中，上述的获取电子设备周围的至少一个基准站的方式可以是：获取以电子设备的位置为中心预设范围内的所有基准站。
需要说明的是，上述获取的至少一个基准站，这些基准站均未与电子设备连接。
S181，从至少一个基准站中确定出与电子设备稳定连接的目标基准站。
在获取到电子设备周围的至少一个基准站后，可以从至少一个基准站中确定出与电子设备稳定连接的目标基准站。例如，可以直接将至少一个基准站中距离电子设备最近的基准站作为与电子设备稳定连接的目标基准站。
S182，将电子设备与目标基准站连接。
应理解，由于在电子设备100发出预警信息且超过预设时间长度未检测到用户的确认操作时，本申请可以通过“向所述驱动模块发送控制指令，以使所述电子设备向与其连接的基准站靠近”的方式提升电子设备100的信号质量，或者可以通过上述S180-S182的方式提升电子设备100的信号质量，进而达到避免电子设备在运行过程中由于信号质量差导致定位不准的目的。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种电子设备与基准站的连接状态预警装置的实现方式，请参阅图13，图13示出了本申请实施例提供的电子设备与基准站的连接状态预警装置的一种功能模块图。需要说明的是，本实施例所提供的电子设备与基准站的连接状态预警装置300，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该电子设备与基准站的连接状态预警装置300包括：获取模块310、预警模块320。
可选地，上述模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本申请提供的电子设备100的操作系统(Operating System，OS)中，并可由电子设备100中的处理器执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器中。
其中，获取模块310可以用于支持电子设备100执行上述S100、S130等，和/或用于本文所描述的技术的其他过程。
预警模块320可以用于支持电子设备100执行上述S110、S120、S140、S150、S160、S170、S180、S181、S182等，和/或用于本文所描述的技术的其他过程。
进一步的，本实施例所提供的电子设备与基准站的连接状态预警装置300还包括训练模块330，请参照图14。训练模块330可以用于支持电子设备100执行上述S10、S11、S12、S13、S14、S20、S21、S22、S23、S24、S25等，和/或用于本文所描述的技术的其他过程。
基于上述方法实施例，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述电子设备与基准站的连接状态预警方法的步骤。
可选地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述电子设备与基准站的连接状态预警方法，从而解决现有的技术不能对电子设备在与基准站的连接状态变差时进行提前预警的技术问题，达到能够预测出当前时间及条件下电子设备与基准站的连接状态，实现在电子设备在与基准站的连接状态变差时进行提前预警的技术效果。
综上所述，本申请实施例提供了一种电子设备与基准站的连接状态预警方法及相关装置，方法包括：获取电子设备的当前状态数据；将当前状态数据输入至预先训练好的第一神经网络模型，得到第一神经网络模型输出的第一连接预估值；当第一连接预估值位于第一预设范围时，通过电子设备的预警模块向用户发出第一预警信息；第一预设范围表征电子设备与基准站RTK连接的预估状态差。由于根据第一连接预估值预测出当前时间及条件下电子设备与基准站的连接状态，实现在电子设备在与基准站的连接状态变差时进行提前预警，以避免电子设备在进入RTK模式时被迫退出RTK模式，确保电子设备持续进入RTK模式，提高电子设备的作业效率。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (15)
1.一种电子设备与基准站的连接状态预警方法，其特征在于，所述方法包括：
获取电子设备的当前状态数据；所述当前状态数据包括多类状态信息，每类所述状态信息为所述电子设备的RTK连接参数；
将所述当前状态数据输入至预先训练好的第一神经网络模型，得到所述第一神经网络模型输出的第一连接预估值；所述第一连接预估值的大小表征所述电子设备与基准站RTK连接的预估状态；
当所述第一连接预估值位于第一预设范围时，通过所述电子设备的预警模块向用户发出第一预警信息；所述第一预设范围表征所述电子设备与基准站RTK连接的预估状态差；
其中，所述第一神经网络模型由预先建立好的分类模型基于添加有正类样本标签的第一目标数据集合中的数据和添加有负类样本标签的第二目标数据集合中的数据训练所得；
所述第一目标数据集合包括第一表项集合中每条表项的历史状态项的数据，第一表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项的数据为第三类型数据；
所述第二目标数据集合包括第二表项集合中每条表项的历史状态项的数据，第二表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项的数据为第一类型数据；
所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接。
2.根据权利要求1所述的方法，其特征在于，所述第一表项集合中的数据和所述第二表项集合中的数据是基于所述电子设备的第一历史记录数据获得；
其中，所述第一历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为所述历史状态项和所述历史连接质量项的对应关系，所述历史连接质量项包括所述第一类型数据、所述第二类型数据以及所述第三类型数据。
3.根据权利要求2所述的方法，其特征在于，获取所述电子设备的第一历史记录数据的步骤包括：
获取所述电子设备的历史记录数据中所有位于预设时间范围内的数据作为第一历史记录数据；所述预设时间范围包括所述电子设备所处位置为夜间的时间段。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
获取所述电子设备当前坐标数据，所述当前坐标数据包括当前位置数据、当前时间数据以及当前距离数据；所述当前距离数据为所述电子设备与所述基准站之间的距离；
将所述当前坐标数据输入至预先训练好的第二神经网络模型，得到所述第二神经网络模型输出的第二连接预估值；所述第二连接预估值的大小表征所述电子设备与基准站的距离是否满足安全连接条件；
当所述第二连接预估值位于第二预设范围时，通过所述电子设备的预警模块向用户发出第二预警信息；所述第二预设范围表征所述电子设备与基准站的距离不满足安全连接条件。
5.根据权利要求4所述的方法，其特征在于，所述第二神经网络模型的训练过程包括：
获取所述电子设备的第二历史记录数据；
其中，所述第二历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项、历史坐标项和历史连接质量项的对应关系，所述历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接；
将每条所述对应关系的历史状态项的数据输入至所述第一神经网络模型，得到多个输出数据；
获取所述多个输出数据中所有位于预设阈值范围的输出数据作为待处理数据集合；位于所述预设阈值范围内的输出数据表征所述电子设备与基准站RTK连接的预估状态好；
从所述待处理数据集合中获取第一子集以及第二子集；所述第一子集中的每个数据对应的历史连接质量项的数据为进入RTK模式，所述第二子集包括至少一个数据集，每个所述数据集的数据个数大于或等于预设值，每个所述数据集中的各个数据对应的历史连接质量项的数据均为未进入RTK模式，且每个所述数据集中的各个数据在时间先后排序上连续；
对所述第一子集中的每个数据对应的历史坐标项的数据添加正类样本标签，对所述第二子集中的每个数据对应的历史坐标项的数据添加负类样本标签；
根据添加标签后的多个数据训练预先建立好的分类模型，得到所述第二神经网络模型。
6.根据权利要求4所述的方法，其特征在于，将所述当前坐标数据输入至预先训练好的第二神经网络模型，得到所述第二神经网络模型输出的第二连接预估值的步骤之后，所述方法还包括：
当超过预设时长内的所有第二连接预估值均位于第三预设范围时，通过所述电子设备的预警模块向用户发出电子设备的连接状态差信息；所述第三预设范围表征所述电子设备与基准站的距离位于不稳定连接范围。
7.根据权利要求1-3或5-6任一项所述的方法，其特征在于，所述电子设备包括驱动模块，在所述电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，所述方法还包括：
向所述驱动模块发送控制指令，以使所述电子设备向与其连接的基准站靠近。
8.根据权利要求1-3或5-6任一项所述的方法，其特征在于，在所述电子设备发出预警信息且超过预设时间长度未检测到用户的确认操作时，所述方法还包括：
获取所述电子设备周围的至少一个基准站；
从所述至少一个基准站中确定出与所述电子设备稳定连接的目标基准站；
将所述电子设备与所述目标基准站连接。
9.一种电子设备与基准站的连接状态预警装置，其特征在于，包括：
获取模块，用于获取电子设备的当前状态数据；所述当前状态数据包括多类状态信息，每类所述状态信息为所述电子设备的RTK连接参数；
预警模块，用于将所述当前状态数据输入至预先训练好的第一神经网络模型，得到所述第一神经网络模型输出的第一连接预估值；所述第一连接预估值的大小表征所述电子设备与基准站RTK连接的预估状态；
所述预警模块，还用于当所述第一连接预估值位于第一预设范围时，通过所述电子设备的预警模块向用户发出第一预警信息；所述第一预设范围表征所述电子设备与基准站RTK连接的预估状态差；
其中，所述第一神经网络模型由预先建立好的分类模型基于添加有正类样本标签的第一目标数据集合中的数据和添加有负类样本标签的第二目标数据集合中的数据训练所得；
所述第一目标数据集合包括第一表项集合中每条表项的历史状态项的数据，第一表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项的数据为第三类型数据；
所述第二目标数据集合包括第二表项集合中每条表项的历史状态项的数据，第二表项集合中每条表项的历史连接质量项的数据为第二类型数据，且与每条表项相邻的下一表项的历史连接质量项的数据为第一类型数据；
所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接。
10.根据权利要求9所述的装置，其特征在于，所述第一表项集合中的数据和所述第二表项集合中的数据是通过训练模块基于所述电子设备的第一历史记录数据获得；
其中，所述第一历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为所述历史状态项和所述历史连接质量项的对应关系，所述历史连接质量项包括所述第一类型数据、所述第二类型数据以及所述第三类型数据。
11.根据权利要求10所述的装置，其特征在于，所述训练模块，用于获取所述电子设备的历史记录数据中所有位于预设时间范围内的数据作为第一历史记录数据；所述预设时间范围包括所述电子设备所处位置为夜间的时间段。
12.根据权利要求9-11任一项所述的装置，其特征在于，所述获取模块，用于获取所述电子设备当前坐标数据，所述当前坐标数据包括当前位置数据、当前时间数据以及当前距离数据；所述当前距离数据为所述电子设备与所述基准站之间的距离；
所述预警模块，用于将所述当前坐标数据输入至预先训练好的第二神经网络模型，得到所述第二神经网络模型输出的第二连接预估值；所述第二连接预估值的大小表征所述电子设备与基准站的距离是否满足安全连接条件；
所述预警模块，还用于当所述第二连接预估值位于第二预设范围时，通过所述电子设备的预警模块向用户发出第二预警信息；所述第二预设范围表征所述电子设备与基准站的距离不满足安全连接条件。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括训练模块，用于获取所述电子设备的第二历史记录数据；
其中，所述第二历史记录数据包括按时间先后排序的多条对应关系，每条所述对应关系为历史状态项、历史坐标项和历史连接质量项的对应关系，所述历史连接质量项包括第一类型数据、第二类型数据以及第三类型数据，所述第一类型数据表征所述电子设备未进入RTK模式，所述第二类型数据表征所述电子设备进入RTK模式，所述第三类型数据表征所述电子设备与基准站稳定连接；
所述训练模块还用于将每条所述对应关系的历史状态项的数据输入至所述第一神经网络模型，得到多个输出数据；
所述训练模块还用于获取所述多个输出数据中所有位于预设阈值范围的输出数据作为待处理数据集合；位于所述预设阈值范围内的输出数据表征所述电子设备与基准站RTK连接的预估状态好；
所述训练模块还用于从所述待处理数据集合中获取第一子集以及第二子集；所述第一子集中的每个数据对应的历史连接质量项的数据为进入RTK模式，所述第二子集包括至少一个数据集，每个所述数据集的数据个数大于或等于预设值，每个所述数据集中的各个数据对应的历史连接质量项的数据均为未进入RTK模式，且每个所述数据集中的各个数据在时间先后排序上连续；
所述训练模块还用于对所述第一子集中的每个数据对应的历史坐标项的数据添加正类样本标签，对所述第二子集中的每个数据对应的历史坐标项的数据添加负类样本标签；
所述训练模块还用于根据添加标签后的多个数据训练预先建立好的分类模型，得到所述第二神经网络模型。
14.一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如权利要求1-8中任一项所述的电子设备与基准站的连接状态预警方法。
15.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有机器可读指令，当所述电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1-8中任一项所述的电子设备与基准站的连接状态预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911368397.9A CN111756455B (zh) | 2019-12-26 | 2019-12-26 | 电子设备与基准站的连接状态预警方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911368397.9A CN111756455B (zh) | 2019-12-26 | 2019-12-26 | 电子设备与基准站的连接状态预警方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111756455A CN111756455A (zh) | 2020-10-09 |
| CN111756455B true CN111756455B (zh) | 2022-09-13 |
Family
ID=72672980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911368397.9A Active CN111756455B (zh) | 2019-12-26 | 2019-12-26 | 电子设备与基准站的连接状态预警方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111756455B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905591B (zh) * | 2021-02-04 | 2022-08-26 | 成都信息工程大学 | 一种基于机器学习的数据表连接顺序选择方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014190388A1 (en) * | 2013-05-31 | 2014-12-04 | Pinpark Ip Pty Ltd | Implementing location based actions |
| WO2017107402A1 (zh) * | 2015-12-24 | 2017-06-29 | 广州市中海达测绘仪器有限公司 | Rtk定位精度的预报方法及系统 |
| WO2018108115A1 (zh) * | 2016-12-13 | 2018-06-21 | 苏州宝时得电动工具有限公司 | 自移动设备、自动工作系统、网络rtk定位系统、计算设备及运行方法 |
| CN109669837A (zh) * | 2018-10-31 | 2019-04-23 | 平安科技（深圳）有限公司 | 设备状态预警方法、系统、计算机装置及可读存储介质 |
| CN109839650A (zh) * | 2019-01-04 | 2019-06-04 | 哈瓦国际航空技术（深圳）有限公司 | 一种无人机兼容rtk定位方法、系统、设备和存储介质 |
| CN110389364A (zh) * | 2019-07-31 | 2019-10-29 | 广州市中海达测绘仪器有限公司 | 定位方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6700388B2 (ja) * | 2015-10-29 | 2020-05-27 | 華為技術有限公司Ｈｕａｗｅｉ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｃｏ．，Ｌｔｄ． | モバイルネットワークにおける測位方法、基地局、及びモバイル端末 |
| US10524226B2 (en) * | 2017-10-06 | 2019-12-31 | Skycatch, Inc. | Determining the location of a UAV in flight utilizing real time kinematic satellite navigation and precise point positioning |
-
2019
- 2019-12-26 CN CN201911368397.9A patent/CN111756455B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014190388A1 (en) * | 2013-05-31 | 2014-12-04 | Pinpark Ip Pty Ltd | Implementing location based actions |
| WO2017107402A1 (zh) * | 2015-12-24 | 2017-06-29 | 广州市中海达测绘仪器有限公司 | Rtk定位精度的预报方法及系统 |
| WO2018108115A1 (zh) * | 2016-12-13 | 2018-06-21 | 苏州宝时得电动工具有限公司 | 自移动设备、自动工作系统、网络rtk定位系统、计算设备及运行方法 |
| CN109669837A (zh) * | 2018-10-31 | 2019-04-23 | 平安科技（深圳）有限公司 | 设备状态预警方法、系统、计算机装置及可读存储介质 |
| CN109839650A (zh) * | 2019-01-04 | 2019-06-04 | 哈瓦国际航空技术（深圳）有限公司 | 一种无人机兼容rtk定位方法、系统、设备和存储介质 |
| CN110389364A (zh) * | 2019-07-31 | 2019-10-29 | 广州市中海达测绘仪器有限公司 | 定位方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111756455A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11200358B2 (en) | Prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission for a vehicle using machine learning | |
| JP6506460B2 (ja) | サービスの供給状況を管理するシステム及び方法 | |
| US10268198B2 (en) | System and method for tracking pollution | |
| US20240015196A1 (en) | Low latency wireless communication system for teleoperated vehicle environments | |
| US9422002B2 (en) | Fuel cell and battery powered vehicle parking | |
| US20150281906A1 (en) | Crowd enhanced connectivity map for data transfer intermittency mitigation | |
| EP3513226B1 (en) | Distributed weather monitoring system | |
| US11514800B2 (en) | System and methods for monitoring unmanned traffic management infrastructure | |
| CA2874275C (en) | Task supervising system and method thereof | |
| CN101515031B (zh) | Gps接收机自主完好性监测可用性预测方法、服务器及系统 | |
| US20200351901A1 (en) | Vehicle connectivity unit | |
| CN109885058A (zh) | 行车轨迹规划方法、装置、电子设备及存储介质 | |
| CN110244769A (zh) | 离线作业方法和装置 | |
| CN111756455B (zh) | 电子设备与基准站的连接状态预警方法及相关装置 | |
| CN103995968A (zh) | 无人飞行器对地面目标运动轨迹预测的装置及其方法 | |
| JPWO2020153171A1 (ja) | 情報処理装置 | |
| CN102298799B (zh) | 手持装置及利用其控制无人飞行载具的方法 | |
| AU2023219248A1 (en) | Vessel movement prediction | |
| JP2020074133A (ja) | 飛行経路決定装置及び飛行経路決定方法 | |
| CN115309189A (zh) | 基于GeoHash算法的无人机起飞及避险方法、系统及介质 | |
| Neves et al. | Shore Control Centre for Multi-Domain Heterogeneous Robotic Vehicles | |
| US20210021500A1 (en) | System and method for collaborative centralized latency characterization | |
| CN114995514B (zh) | 二维平面下多旋翼无人机分布式飞行避碰方法和装置 | |
| US12056963B2 (en) | Technologies for switching between communication modes in a telematics device | |
| US20230198956A1 (en) | Data transmission method and apparatus |
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 | ||
| CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |