CN111836358B

CN111836358B - 定位方法、电子设备和计算机可读存储介质

Info

Publication number: CN111836358B
Application number: CN201911350794.3A
Authority: CN
Inventors: 束纬寰; 林宇; 尹卜一; 冯朝阳; 马利; 石立臣; 柴华
Original assignee: Beijing Didi Infinity Technology and Development Co Ltd
Current assignee: Beijing Didi Infinity Technology and Development Co Ltd
Priority date: 2019-12-24
Filing date: 2019-12-24
Publication date: 2021-09-14
Anticipated expiration: 2039-12-24
Also published as: WO2021129634A1; CN111836358A

Abstract

本发明实施例公开了一种定位方法、电子设备和计算机可读存储介质，根据预先确定的不同网格的第二指纹信息确定定位请求中的第一指纹信息对应的中心点，根据所述中心点确定多个输入网格，根据各输入网格对应的特征信息确定多个特征图，将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息，其中，各输入网格对应的特征信息中包括至少一种与第一指纹信息的特征信息，由此，本发明实施例可以较为方便地扩展特征信息，减小特征信息的损失，提高定位的准确度。

Description

定位方法、电子设备和计算机可读存储介质

技术领域

本发明涉及计算机技术领域，更具体地，涉及一种定位方法、电子设备和计算机可读存储介质。

背景技术

随着移动互联网的发展，出现了大量的基于位置的服务(LBS)。移动用户或终端的位置准确性对这些服务的效率至关重要。在相关技术中，通常采用GPS/GNSS定位或通过机器学习模型定位。但是，移动终端在某些情况下，例如在室内、或天气不好等，基于GPS/GNSS的定位可能不准确。

为了处理上述情况，通常采用构建网络位置定位NLP(Network LocationProvider)服务。NLP服务通过组合环境中的无线信号信息和保持在线的数据库信息来提供位置估计。在现有的机器学习模型定位方法中，将整个地理空间分割成大量的非常小的地理网格，并通过召回、排序、平滑等处理，得到最接近真实位置的网格作为用户或终端的位置。但是，这种方法不能描述网格在空间中的局部相关性，并且平滑过程的加入可能会导致优化目标与最终目标不一致的情况，从而可能导致定位不准确。

发明内容

有鉴于此，本发明实施例提供一种定位方法、电子设备和计算机可读存储介质，以减小特征信息的损失，提高定位的准确度。

第一方面，本发明实施例提供一种定位方法，所述方法包括：

接收定位请求，所述定位请求包括当前位置对应的第一指纹信息，所述第一指纹信息包括在所述当前位置扫描到的无线访问接入点AP的标识和信号强度；

根据预先确定的不同网格的第二指纹信息确定所述第一指纹信息对应的中心点，其中，所述网格为预先划分的地理区域；

根据所述中心点确定多个输入网格；

根据各输入网格对应的特征信息确定多个特征图，所述特征图的各像素的值对应于所述各输入网格的特征信息，其中，至少一种特征信息与所述第一指纹信息相关；

将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。

可选的，根据预先确定的不同网格的第二指纹信息确定所述第一指纹信息对应的中心点包括：

计算所述第一指纹信息与各所述第二指纹信息的相似度；

根据各相似度大小对各网格进行排序；

根据相似度排序结果获取至少一个相似网格；

根据所述至少一个相似网格的位置信息确定所述中心点。

可选的，根据所述至少一个相似网格的位置确定所述中心点包括：

计算所述至少一个相似网格的位置坐标的中位数或平均值；

将所述中位数或平均值确定为所述中心点的位置坐标。

可选的，将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息包括：

将所述多个特征图输入至所述卷积神经网络模型进行特征处理，输出位置偏移，所述位置偏移为所述定位信息相对于所述中心点位置的偏移；

根据所述位置偏移和所述中心点位置获取所述定位信息。

可选的，所述位置偏移包括经度偏移和纬度偏移。

可选的，所述特征信息包括各所述输入网格接收到的信号强度与所述定位请求中的信号强度的匹配概率。

可选的，所述匹配概率满足公式：

其中，f_p,i为所述匹配概率，S为信号强度的最高级别，h_i,s为第i个输入网格接收信号强度为s的次数，t为所述定位请求中的信号强度，h_i,t为第i个输入网格接收信号强度为t的次数，w1、w2和w3为对应的权重。

可选的，所述特征信息还包括各输入网格的热度信息、地理信息、各网格中扫描到最小信号强度、各网格中扫描到最大信号强度中的至少一项；

其中，所述热度信息用于表征对应的输入网格的可到达状态和预定时间段的到达次数。

可选的，所述卷积神经网络模型根据预定的损失函数进行训练；

所述损失函数为：

其中，Δlon_pred和Δlat_pred为所述卷积神经网络模型的预测位置与中心点在经度和纬度上的偏移，Δlon_label和Δlat_label为样本的卫星定位位置与所述中心点在经度和纬度上的偏移。

可选的，所述方法还包括：

根据置信度网络模型获取所述定位信息的置信度。

可选的，根据置信度网络模型获取所述定位信息的置信度包括：

计算各所述特征图中的非空特征像素占比；

将所述非空特征像素占比输入至所述置信度网络模型以确定所述定位信息的置信度。

可选的，所述置信度网络模型为梯度提升决策树网络模型。

可选的，其特征在于，所述特征信息还包括各所述输入网格与主基站的通信关系、与所述主基站相邻的多个基站的信号强度匹配概率之和、各所述输入网格到前基站的中心的距离、各所述输入网格与所述前基站的通信关系以及前基站的热度信息之和中的至少一项；

其中，所述主基站为所述定位请求对应的终端当前所连接的基站，所述前基站为所述终端在连接所述主基站之前连接的基站。

第二方面，本发明实施例提供一种定位装置，所述装置包括：

定位请求接收单元，被配置为接收定位请求，所述定位请求包括当前位置对应的第一指纹信息，所述第一指纹信息包括在所述当前位置扫描到的无线访问接入点AP的标识和信号强度；

中心点确定单元，被配置为根据预先确定的不同网格的第二指纹信息确定所述第一指纹信息对应的中心点，其中，所述网格为预先划分的地理区域；

输入网格确定单元，被配置为根据所述中心点确定多个输入网格；

特征图确定单元，被配置为根据各输入网格对应的特征信息确定多个特征图，所述特征图的各像素的值对应于所述各输入网格的特征信息，其中，至少一种特征信息与所述第一指纹信息相关；

定位信息获取单元，被配置为将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。

第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时以实现如上所述的方法。

本发明实施例根据预先确定的不同网格的第二指纹信息确定定位请求中的第一指纹信息对应的中心点，根据所述中心点确定多个输入网格，根据各输入网格对应的特征信息确定多个特征图，将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息，其中，各输入网格对应的特征信息中包括至少一种与第一指纹信息的特征信息，由此，本发明实施例可以较为方便地进行特征信息的扩展，减小特征信息的损失，提高定位的准确度。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是相关技术的机器学习模型的示意图；

图2是本发明实施例的定位方法的流程图；

图3是本发明实施例的确定中心点的方法流程图；

图4是本发明实施例的一种输入网格的确定过程示意图；

图5是本发明实施例的另一种输入网格的确定过程示意图；

图6是本发明实施例的一个特征图的示意图；

图7是本发明实施例的卷积神经网络模型的训练方法的流程图；

图8是本发明实施例的获取多个特征图的过程示意图；

图9是本发明实施例的定位模型的示意图；

图10是本发明实施例的卷积神经网络模型的示意图；

图11是本发明实施例的定位装置的示意图；

图12是本发明实施例的电子设备的示意图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

网络定位(NLP)是指不依赖于卫星定位系统GNSS，而是基于底面的通信网络的基础设施的信号来实现定位。网络定位具有速度快的特征。网络定位有两种方式，一种是基于WIFI定位，也即根据WIFI路由器所在位置进行定位，这种定位精度较高，但由于无法记录每个路由器的位置，因此可能会存在定位到其他地方、甚至其他省市的情况。另一种方式是基于基站定位，这种定位可靠，但由于依赖于基站的分布密度，因此，在城市的定位精度较高，在基站分布间距较大的偏远地区，定位精度较低，误差很大。

图1是相关技术的机器学习模型的示意图。如图1所示，如图1所示，在相关技术的基于NLP服务的机器学习模型中，在终端扫描GPS位置的同时，获取当前的指纹信息，指纹信息可以包括终端扫描到的无线访问接入点AP的唯一标识(SSID和/或MAC地址)、扫描到的信号强度、基站的唯一标识等，将GPS位置以及获取的指纹信息等通过网络11上传，以形成指纹数据库12。并且，可以根据指纹数据库12构建GPS位置与指纹信息之间的对应关系。具体地，以指纹信息为输入，GPS位置为输出构建样本，训练机器学习模型，如图1所示的机器学习模型13。在后续使用时，将终端侧上传的指纹信息输入机器学习模型13以预测当前的位置。

如图1所示，在相关技术中，机器学习模型13包括召回模块131、排序模块132和平滑模块133。其中，将一地区(例如一个市区)预先划分为多个地理区域，形成多个网格，每个网格大小为N*N米，N大于等于1。其中，每个网格可以记录丰富的指纹信息。在使用机器学习模型13预测当前位置时，将所有网格的指纹信息和当前终端上传的指纹信息输入至机器学习模型13中，通过召回模块131中的一些人工规则从所有网格中选取预定数量的候选网格输入至排序模块132，排序模块132对按照预定规则候选网格进行排序，以使得真值(准确位置)对应的网格排序靠前，由此，可以将定位问题转化为排序问题。由于在排序模块132的处理中，指纹信息及其它数据的偏差可能导致排序结果偏离真值较远，因此，设计平滑模块133以对排序结果进行修正。

其中，相关技术中使用的机器学习模型(例如机器学习模型13)主要是基于树的模型，在构建模型时需要进行特征工程，也即通过人为的方式将从扫描到的指纹信息转化为适合机器学习模型的高级特征，这一过程会导致特征的损失，从而会导致模型预测的准确度较低。具体来说，在相关技术中，在排序模块132的特征处理过程中，缺少对网格间的空间上的相互关系的刻画，例如缺少网格间特征的局部相关性和整体相关性，并且，通过添加平滑模块来对预测的位置进行修正，其并不是从特征层面对定位精度进行优化，而是对排序模块的排序结果进行平滑，因此预测结果与真值的偏差可能依旧存在，由此，相关技术中的采用机器学习模型来预测当前位置的准确度和精度较低。

由此，本发明实施例提供一种定位方法，根据预先确定的不同网格的第二指纹信息确定定位请求中的第一指纹信息对应的中心点，根据所述中心点确定多个输入网格，根据各输入网格对应的特征信息确定多个特征图，将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息，其中，各输入网格对应的特征信息中包括至少一种与第一指纹信息的特征信息，由此，本发明实施例可以减小特征信息的损失，提高定位的准确度。

图2是本发明实施例的定位方法的流程图。如图2所示，本发明实施例的定位方法包括以下步骤：

步骤S100，接收定位请求。其中，定位请求包括当前位置对应的第一指纹信息，第一指纹信息包括在所述当前位置扫描到的无线访问接入点AP的标识和信号强度等。可选的，无线访问接入点AP的标识可以为无线网络的名称或MAC地址。

步骤S200，根据预先确定的不同网格的第二指纹信息确定第一指纹信息对应的中心点。其中，网格为预先划分的地理区域。在本实施例中，将一个大的区域(例如一个市的区域)预先划分为多个网格，可选的，每个网格的大小为N*N，N大于或等于1米。

在一种可选的实现方式中，从指纹数据库中获取不同网格的第二指纹信息。可选的，当各用户终端在网格中请求定位时，确定该网格对应的第二指纹信息并上传至指纹数据库中，或者预先采用终端到多个网格进行扫描，以获取各网格的位置信息与在该网格中扫描的指纹信息之间的对应关系，并将各网格的位置信息和在该网格中扫描的指纹信息之间的对应关系上传至指纹数据库中。可选的，每个网格的第二指纹信息是实时更新的，例如由于AP的名称改变、新增AP或原有AP失效等情况均能导致该网格的第二指纹信息更改，因此，通过实时更新每个网格的第二指纹信息可以提高定位的准确度。

图3是本发明实施例的确定中心点的方法流程图。在一种可选的实现方式中，如图3所示，步骤S200包括：

步骤S210，计算第一指纹信息与各第二指纹信息的相似度。在一种可选的实现方式中，可以直接比较第一指纹信息中的AP标识、信号强度分别与第二指纹信息中的AP标识、信号强度的相似性和差异性，以确定相似度。在另一种可选的实现方式中，可以将第一指纹信息与第二指纹信息进行离散处理和/或归一化处理以形成对应的第一向量和第二向量，计算第一向量与第二向量的余弦相似度(或欧式距离等)，以确定相似度。容易理解，第一指纹信息与第二指纹信息的相似度越高，则用户终端的当前位置在该第二指纹信息对应的网格中的概率也相对较高。

步骤S220，根据相似度大小对各网格进行排序。可选的，可以将网格按照对应的相似度从大到小进行排序，也可将网格按照对应的相似度从小到大进行排序，本实施例并不对此进行限制。

步骤S230，根据相似度排序结果获取至少一个相似网格。可选的，获取相似度最高的前预定个网格作为相似网格。

步骤S240，根据至少一个相似网格的位置坐标确定中心点。在一种可选的实现方式中，计算各相似网格的位置坐标的中位数或平均值，将所述中位数或平均值确定为中心点的位置坐标。

可选的，采用经度和纬度来表征各相似网格及中心点的位置坐标，采用相似网格的中心的位置坐标来表征该相似网格的位置坐标，以平均值为例，中心点的位置坐标满足下列公式：

其中，center_{_lon}为中心点的经度，center_{_lat}为中心点的纬度，K为相似网格的个数，g_{k_lon}为第k个相似网格的中心的经度，g_{k_lat}为第k个相似网格的中心的纬度。

本实施例采用相似网格的中心的坐标来表征该相似网格的位置坐标，应理解，网格中其他点的坐标也均可作为该网格的位置坐标，本实施例并不对此进行限制。

应理解，其他根据相似网格的位置确定中心点的方法均可应用于本实施例中，例如，基于对应的相似度给各网格赋予权重，计算各相似网格的位置坐标的加权平均值以获取中心点的位置坐标等，本实施例并不对此进行限制。

步骤S300，根据中心点确定多个输入网格。在一种可选的实现方式中，以中心点为中心，扩展至M*M个网格作为输入网格，M大于1。可选的，在M为奇数时，如图4所示，以中心点C所在网格为中心网格Cg，扩展至M*M个网格作为输入网格Pin，图4中以M＝5为例。可选的，在M为偶数时，以中心点为相对中心，使得中心点所靠近的边界一侧的输入网格多于另一侧，如图5所示，假设M为6，则在x轴的反方向和y轴的反方向上扩展的网格数为3，在x轴的正方向和y轴的正方向上扩展的网格数为2，以形成6*6个输入网格Pin'。应理解，其他扩展方式也可应用于本实施例中，例如，随机扩展使得中心点所在网格的一侧比另一侧多行或一列网格，以形成M*M个网格。

步骤S400，根据各输入网格对应的特征信息确定多个特征图。在本实施例中，特征图的各像素的值对应于各输入网格的特征信息的特征值，其中至少一种特征信息与所述第一指纹信息相关。由此，即使计算获得的中心点相同，但是由于定位请求中的第一指纹信息不同，则与第一指纹信息相关的特征信息也不同，最终获取的定位信息也不同。可选的，特征信息的特征值可以为数值，也可以为向量或其他表现形式，本实施例并不对此进行限制。

在一种可选的实现方式，特征信息包括各输入网格接收到的信号强度与定位请求中的信号强度的匹配概率，该特征信息与定位请求中的第一指纹信息相关。由此，通过使得定位请求中的某些特征被引入卷积神经网络中进行处理，进一步减小了特征信息的损失，提高了定位的准确度。

在一种可选的实现方式中，将信号强度分为S个级别，例如0-6这7个级别，各输入网格接收到的信号强度与定位请求中的信号强度的匹配概率满足以下公式：

其中，f_p,i为所述匹配概率，S为信号强度的最高级别，h_i,s为第i个输入网格接收信号强度为s的次数，t为所述定位请求中的信号强度，h_i,t为第i个输入网格接收信号强度为t的次数，h_i,t-1为第i个输入网格接收信号强度为t-1的次数，h_i,t-1为第i个输入网格接收信号强度为t+1的次数，w1、w2和w3为对应的权重。

在一种可选的实现方式中，特征信息还包括各输入网格的热度信息、地理信息、各网格中扫描到最小信号强度、各网格中扫描到最大信号强度中的至少一项。其中，热度信息用于表征对应的输入网格的可到达状态和预定时间段的到达次数。可选的，可到达状态用于表征该网格是否处于车辆可到达的地方，例如，该网格中具有十字路口，则该网格为可到达，若该网格为一绿化区域，例如草坪，则该网格处于不可到达状态。预定时间段可以为一天、一周、一月等，本实施例并不对此进行限制。输入网格的地理信息可以表征输入网格中的建筑物密度和/或绿化密度等。应理解，还可以包括其他的特征信息，例如人流密度等，本实施例并不对此进行限制。可选的，特征信息的个数与特征图的个数相对应。

图6是本发明实施例的一个特征图的示意图。如图6所示，特征图6中的特征信息用于表征各输入网格的热度信息。也就是说，在本实施例中，每个输入网格对应于特征图6中的一个像素，该输入网格对应的热度信息为该像素的像素值。其中，像素值为0表征在预定时间段内车辆到达该网格的次数为0，像素值为24表征在预定时间段内车辆到达该网格的次数为24。可选的，各输入网格的输入信息可以从指纹数据库中获取。由此，通过将表征一类特征信息的特征值作为各输入网格对应的像素的值，得到各输入网格的该类特征信息对应的特征图。容易理解，特征信息的特征值可以为数值、向量、字符、或其他表现形式，本实施例并不对此进行限制。

步骤S500，将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。

在一种可选的实现方式中，将多个特征图输入至卷积神经网络模型进行特征处理，输出位置偏移，并根据所述位置偏移和所述中心点位置获取所述定位信息。其中，位置偏移为定位信息相对于中心点位置的偏移。

卷积神经网络CNN是一种前馈神经网络，由若干卷积层和池化层组成。CNN模型具有局部区域连接、权值共享、降采样等特征，通过权值共享减少了需要训练的权值个数，降低了网络的计算复杂度，同时使得网络对输入的局部变换具有一定的不变性，例如平移不变性、缩放不变性等，提升了网络的泛化能力。同时，CNN模型具有特征交叉提取、融合周边信息的特征，因此，本实施例采用CNN模型，无需做大量复杂的特征工作，可以较为方便地扩展特征信息，减小了输入模型的特征信息的损失，并且对于特征的添加更具灵活性。

在本实施例中，CNN模型计算定位请求对应的当前位置的位置偏移，可选的，位置偏移包括相对于中心点位置的经度偏移和纬度偏移，基于位置偏移和中心点的位置信息，就可以计算得到当前位置的位置信息。由此，可以将定位问题转化为回归问题，提高了定位的准确度。

CNN模型可以完成分类任务，也可以完成回归任务。如果将本实施例的定位问题转化为分类问题，则通过CNN模型只能确定每个网格是或者不是真值点所在的网格。在这种情况下，如果获得的M*M个网格没有覆盖真值点，则会出现无法定位的情况。因此，本实施例采用CNN模型将定位问题转化为回归问题，就始终可以输出位置偏移，提高了定位的准确度。

在一种可选的实现方式中，本实施例的卷积神经网络模型根据预定的损失函数进行训练。损失函数可以直接影响卷积神经网络模型的表现，可选的，本实施例采用的损失函数为：

由此，基于上述损失函数对卷积神经网络模型进行训练，直至最小化损失函数，也即最小化误差距离，得到训练好的卷积神经网络模型。

图7是本发明实施例的卷积神经网络模型的训练方法的流程图。如图7所示，在一种可选的实现方式中，本实施例的卷积神经网络模型的训练方法包括以下步骤：

步骤S1，获取训练数据。其中，训练数据包括多个样本数据，样本数据包括样本的卫星定位位置、样本的卫星定位位置所在网格对应的第一指纹信息以及预先确定的各网格的第二指纹信息。

步骤S2，根据各网格的第二指纹信息确定各第一指纹信息对应的中心点。

步骤S3，根据各第一指纹信息对应的中心点确定多个输入网格。

步骤S4，根据各输入网格对应的特征信息确定多个特征图。

步骤S5，将多个特征图输入至卷积神经网络模型以预测各第一指纹信息对应的定位信息。

应理解，步骤S2-S5与上述实施例中的步骤S200-S500类似，在此不再赘述。

步骤S6，基于上述损失函数，根据预测的定位信息和对应样本的卫星定位位置计算损失。

步骤S7，根据损失调整卷积神经网络模型的参数直至最小化损失函数。

本发明实施例通过计算样本的卫星定位位置所在网格的第一指纹信息与各第二指纹信息之间的相似度确定中心点，并基于有中心点确定的多个输入网格确定多个特征图，将各样本数据对应的特征图作为输入，基于上述损失函数对卷积神经网络模型进行训练，由此，可以使得训练好的卷积神经网络模型能够较为准确地根据输入的特征图预测位置信息。

在一种可选的实现方式中，本发明实施例的定位方法还包括步骤：

根据置信度网络模型获取定位信息的置信度。可选的，计算特征图中的非空特征像素占比，将非空特征像素占比输入至置信度网络模型中进行特征处理，输出误差距离，进而根据映射公式得到定位信息的置信度。可选的，本实施例的置信度网络模型为梯度提升决策树网络模型GBDT。

在一种可选的实现方式中，本实施例的GBDT模型的映射公式(2)为：

其中，confidence为置信度，用于表征基于卷积神经网络模型的输出获取的定位信息的可信度。可选的，本实施例基于训练数据获得多个特征图，根据特征图中的非空特征像素占比训练GBDT模型，回归预测位置与样本的卫星定位位置之间的误差距离，并根据误差距离和上述映射公式获取置信度confidence。由此，本实施例可以在预测位置的同时，对得到的定位信息进行置信度评估，以作为其他业务的依据。

在一种可选的实现方式中，各网格的特征信息还包括各输入网格与主基站的通信关系、与主基站相邻的多个基站的信号强度匹配概率之和、各输入网格到前基站的中心的距离、各输入网格与前基站的通信关系以及前基站的热度信息之和中的至少一项。其中，主基站为所述定位请求对应的终端当前所连接的基站，前基站为所述终端在连接所述主基站之前连接的基站。其中，输入网格与主基站的通信关系用于表征该输入网格是否在主基站的覆盖范围内。由此，本实施例通过加入基站信息，能够进一步的提高定位的准确度。

本发明实施例根据预先确定的不同网格的第二指纹信息确定定位请求中的第一指纹信息对应的中心点，根据所述中心点确定多个输入网格，根据各输入网格对应的特征信息确定多个特征图，将多个特征图输入至预先训练的卷积神经网络模型以获取定位信息，其中，各输入网格对应的特征信息中包括至少一种与第一指纹信息的特征信息，由此，本发明实施例可以较为方便地扩展特征信息，减小特征信息的损失，提高定位的准确度。

图8是本发明实施例的获取多个特征图的过程示意图。如图8所示，假设用户在位置D处使用用户终端发送定位请求，定位请求第一指纹信息，第一指纹信息至少包括用户终端扫描到的无线访问接入点AP的标识(例如名称、MAC地址等)，计算各网格的第二指纹信息与第一指纹信息的相似度，并基于相似度对各网格进行排序，根据相似度排序结果确定多个相似网格，并根据多个相似网格的位置坐标的平均值或中位数确定中心点C1，以中心点C1所在网格为中心网格，向外扩展得到M*M个输入网格Pin1。根据各输入网格对应的特征信息，例如各输入网格与第一指纹信息的匹配概率、各输入网格中的最大信号强度、最小信号强度、各网格的热度信息、地理信息等，确定多个特征图。其中，将各输入网格对应的特征信息的特征值填入对应的特征图的各像素中，得到该特征信息对应的特征图。由此，假设各输入网格具有c个特征信息，则可以得到c个尺寸为M*M的特征图。

在本实施例中，输入网格的各特征信息中至少一种特征信息与定位请求中的第一指纹信息相关。由此，即使计算获得的中心点相同，但是由于定位请求中的第一指纹信息不同，则与第一指纹信息相关的特征信息也不同，最终获取的定位信息也不同。同时，通过使得定位请求中的某些特征被引入卷积神经网络中进行处理，进一步减小了特征信息的损失，提高了定位的准确度。

图9是本发明实施例的一种定位模型的示意图。如图9所示，在本实施例中，定位模型包括预先训练的CNN模型和GBDT模型。其中，CNN模型用于预测定位请求对应的当前位置信息，GBDT模型用于获得根据CNN模型获取的当前位置信息的置信度。

在本实施例中，将获取的c个尺寸为M*M特征图输入至预先训练的CNN模型中，输出相对于中心点的经度偏移Δlon和纬度偏移Δlat，根据中心点C1的位置坐标和CNN模型输出的经度偏移Δlon和纬度偏移Δlat计算获得当前位置L的定位信息。

通过计算各特征图对应的非空特征像素占比，将各特征图的非空特征像素占比作为特征(特征91)输入至GBDT模型中进行特征处理，获得误差距离，根据上述映射公式得到对应的置信度confidence。可选的，非空特征像素占比可以为特征图中像素值不为0的像素数与总像素数的比值，例如在6所示的特征信息对应的特征图6，特征图的大小为12*12，其中像素值不为零的像素数为62个，则特征图6对应的非空特征像素占比为62/144。

本实施例通过定位请求中的第一指纹信息和各网格的第二指纹信息确定中心点，并根据中心点确定输入网格，根据输入网格的特征信息确定该定位请求对应的特征图，将多个特征图输入至预先训练的CNN模型中，输出相对于中心点位置坐标的位置偏移，根据位置偏移确定当前的定位信息，并将各特征图的非空特征像素占比作为特征输入至置信度网络模型中以获取预测的定位信息的置信度。由此，本实施例可以减小特征信息的损失，提高定位的准确度，同时，可以对得到的定位信息进行置信度评估，以作为其他业务的依据。

图10是本发明实施例的卷积神经网络模型的示意图。如图10所示，在本实施例中，卷积神经网络模型包括三个卷积层conv1-conv3以及三个全连接层connect1-connect3，其中，在第一个卷积层conv1，采用3*3、5*5和7*7三个尺寸的卷积核进行特征处理，在第二个卷积层和第三个卷积层均采用尺寸为5*5的卷积核进行特征处理，在每次卷积后，采用池化层Max_pooling进行处理。本实施例采用多种不同尺寸的卷积核能够有效的提取不同感受野上的特征，由此，可以进一步减小特征信息的损失。特征图经过三个卷积层conv1-conv3处理后得到对应的特征向量103，将特征向量103输入至第一个全连接层connect1。神经网络模型还包括全局特征提取层101，全局特征提取层101引入定位请求中对应的全局特征，例如发出定位请求的终端扫描到的AP的信号强度等，将定位请求中对应的全局特征离散化后得到对应的特征向量102，将特征向量102输入至第一个全连接层connect1，特征向量102和特征向量103在经过全连接层connect1-connect3处理后输出位置偏移，也即相对于中心点的经度偏移Δlon和纬度偏移Δlat，可根据中心点的位置坐标、相对于中心点的经度偏移Δlon和纬度偏移Δlat计算本次定位请求对应的定位信息。应理解，本实施例并不限制卷积神经网络中的卷积层的层数、卷积核的尺寸，可根据实际应用场景进行适当调整。

本实施例通过卷积神经网络对获取的特征图进行卷积处理、池化处理和全连接处理以获取定位信息，其中，通过引入定位请求中对应的全局特征和经过卷积处理的特征图一起输入至全连接层进行处理，使得定位请求中的指纹信息进一步参与位置的预测，由此，可以进一步减小特征信息的丢失，提高定位的准确度。

图11是本发明实施例的定位装置的示意图。如图11所示，本发明实施例的定位装置11包括定位请求接收单元111、中心点确定单元112、输入网格确定单元113、特征图确定单元114以及定位信息获取单元115。

请求接收单元111被配置为接收定位请求，所述定位请求包括当前位置对应的第一指纹信息，所述第一指纹信息包括在所述当前位置扫描到的无线访问接入点AP的标识和信号强度。中心点确定单元112被配置为根据预先确定的不同网格的第二指纹信息确定所述第一指纹信息对应的中心点，其中，所述网格为预先划分的地理区域。输入网格确定单元113被配置为根据所述中心点确定多个输入网格。特征图确定单元114被配置为根据各输入网格对应的特征信息确定多个特征图，所述特征图的各像素的值对应于所述各输入网格的特征信息，其中，至少一种特征信息与所述第一指纹信息相关。定位信息获取单元115被配置为将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息。

图12是本发明实施例的电子设备的示意图。如图12所示，图12所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器121和存储器122。处理器121和存储器122通过总线123连接。存储器122适于存储处理器121可执行的指令或程序。处理器121可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器121通过执行存储器122所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线123将上述多个组件连接在一起，同时将上述组件连接到显示控制器124和显示装置以及输入/输出(I/O)装置125。输入/输出(I/O)装置125可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置125通过输入/输出(I/O)控制器126与系统相连。

本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。

本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。

这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。

也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。

本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种定位方法，其特征在于，所述方法包括：

根据所述中心点确定多个输入网格；

将所述多个特征图输入至预先训练的卷积神经网络模型执行回归任务以获取定位信息。

2.根据权利要求1所述的定位方法，其特征在于，根据预先确定的不同网格的第二指纹信息确定所述第一指纹信息对应的中心点包括：

计算所述第一指纹信息与各所述第二指纹信息的相似度；

根据各相似度大小对各网格进行排序；

根据相似度排序结果获取至少一个相似网格；

根据所述至少一个相似网格的位置信息确定所述中心点。

3.根据权利要求2所述的定位方法，其特征在于，根据所述至少一个相似网格的位置确定所述中心点包括：

计算所述至少一个相似网格的位置坐标的中位数或平均值；

将所述中位数或平均值确定为所述中心点的位置坐标。

4.根据权利要求2所述的定位方法，其特征在于，将所述多个特征图输入至预先训练的卷积神经网络模型以获取定位信息包括：

根据所述位置偏移和所述中心点位置获取所述定位信息。

5.根据权利要求1所述的定位方法，其特征在于，所述特征信息包括各所述输入网格接收到的信号强度与所述定位请求中的信号强度的匹配概率。

6.根据权利要求1所述的定位方法，其特征在于，所述特征信息还包括各输入网格的热度信息、地理信息、各网格中扫描到最小信号强度、各网格中扫描到最大信号强度中的至少一项；

7.根据权利要求1所述的定位方法，其特征在于，所述方法还包括：

根据置信度网络模型获取所述定位信息的置信度。

8.根据权利要求7所述的定位方法，其特征在于，根据置信度网络模型获取所述定位信息的置信度包括：

计算各所述特征图中的非空特征像素占比；

9.根据权利要求1-8中任一项所述的定位方法，其特征在于，所述特征信息还包括各所述输入网格与主基站的通信关系、与所述主基站相邻的多个基站的信号强度匹配概率之和、各所述输入网格到前基站的中心的距离、各所述输入网格与所述前基站的通信关系以及前基站的热度信息之和中的至少一项；

10.一种定位装置，其特征在于，所述装置包括：

定位信息获取单元，被配置为将所述多个特征图输入至预先训练的卷积神经网络模型执行回归任务以获取定位信息。

11.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-9中任一项所述的方法。

12.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时以实现如权利要求1-9中任一项所述的方法。