CN111954154A - 定位方法及装置、计算机可读存储介质以及电子设备 - Google Patents

定位方法及装置、计算机可读存储介质以及电子设备 Download PDF

Info

Publication number
CN111954154A
CN111954154A CN202010836836.0A CN202010836836A CN111954154A CN 111954154 A CN111954154 A CN 111954154A CN 202010836836 A CN202010836836 A CN 202010836836A CN 111954154 A CN111954154 A CN 111954154A
Authority
CN
China
Prior art keywords
positioning
list
base station
feature
signal source
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
Application number
CN202010836836.0A
Other languages
English (en)
Other versions
CN111954154B (zh
Inventor
刘笑言
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Zhenshi Information Technology Co Ltd
Original Assignee
Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Zhenshi Information Technology Co Ltd filed Critical Beijing Jingdong Zhenshi Information Technology Co Ltd
Priority to CN202010836836.0A priority Critical patent/CN111954154B/zh
Publication of CN111954154A publication Critical patent/CN111954154A/zh
Application granted granted Critical
Publication of CN111954154B publication Critical patent/CN111954154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • 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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明实施例是关于一种定位方法及装置、计算机可读存储介质以及电子设备，涉及网络定位技术领域，该方法包括：接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。本发明实施例提高了定位结果的精确度。

Description

定位方法及装置、计算机可读存储介质以及电子设备
技术领域
本发明实施例涉及网络定位技术领域，具体而言，涉及一种定位方法、定位装置、计算机可读存储介质以及电子设备。
背景技术
网络定位是在没有GPS(Global Positioning System，全球定位系统)信号的情况下，利用手机扫描到的WIFI(行动热点)或者基站作为定位依据进行定位。
传统的网络定位通过离线训练得到WIFI或者基站的指纹信息(坐标位置或者网格)，再基于该指纹信息进行定位。
但是，上述方法存在如下缺陷：由于WIFI或者基站的覆盖范围较大，仅仅只通过一个坐标点代表WIFI或者基站，会使得定位结果的精确度较低。
因此，需要提供一种新的定位方法及装置。
需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种定位方法、定位装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的定位结果的精确度较低的问题。
根据本公开的一个方面，提供一种定位方法，包括：
接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；
计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；
将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；
将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
在本公开的一种示例性实施例中，所述计算所述信号源列表中包括的各所述信号源的词向量特征，包括：
计算所述基站列表中各基站与所述行动热点列表中各行动热点之间的关联；
将所述关联大于预设阈值的基站以及行动热点进行拼接，得到所述词向量特征。
在本公开的一种示例性实施例中，所述计算所述信号源列表中包括的各所述信号源的栅格特征，包括：
基于预设的栅格划分规则，为所述信号源列表中包括的各所述信号源划分栅格；
计算各所述栅格中的各所述信号源的属性信息；其中，所述属性信息包括访客数量、点击数量、信号强度以及相邻信号源数量；
根据各所述信号源的属性信息，生成各所述信号源的栅格特征。
在本公开的一种示例性实施例中，所述对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量，包括：
对所述词向量特征以及栅格特征进行特征压缩，并对特征压缩后的词向量特征以及栅格特征进行特征平铺，得到输入特征向量。
在本公开的一种示例性实施例中，所述定位方法还包括：
获取历史定位数据，并计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量；
计算所述基站地址以及物理地址的栅格特征，并对所述栅格特征进行压缩，得到压缩特征，并对所述编码向量以及所述压缩特征进行特征平铺，得到待训练特征；
将所述待训练特征输入至所述深度神经网络模型中，得到预测结果，并计算所述预测结果与所述历史定位数据中的全球定位系统的坐标点之间的欧式距离；
如果所述欧式距离小于预设的距离阈值，则将所述深度神经网络模型作为所述特征匹配模型。
在本公开的一种示例性实施例中，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量包括：
根据所述基站以及所述行动热点是否出现在同一条历史定位数据中，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量。
在本公开的一种示例性实施例中，将所述待训练特征输入至所述深度神经网络模型中，得到预测结果包括：
对所述待训练特征进行卷积处理，得到所述基站列表以及行动热点列表中的基站地址以及物理地址之间的关联组合特征；
对所述关联组合特征进行分类，得到所述预测结果；其中，所述预测结果包括经度坐标以及纬度坐标。
根据本公开的一个方面，提供一种定位装置，包括：
列表提取模块，用于接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；
特征提取模块，用于计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；
坐标点确定模块，用于将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；
坐标点发送模块，用于将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
根据本公开的一个方面，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任意一项所述的定位方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的定位方法。
本发明实施例提供的一种定位方法及装置，一方面，通过提取定位请求中包括的信号源列表，并计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；然后将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；最后将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位，解决了现有技术中由于WIFI或者基站的覆盖范围较大，仅仅只通过一个坐标点代表WIFI或者基站，会使得定位结果的精确度较低的问题，提高了定位结果的精确度；另一方面，由于输入特征向量中包括了词向量特征以及栅格特征，且最终的输出结果为全球定位系统的定位坐标点，进而可以避免由于仅采用一个栅格的中心点作为坐标点，导致的定位结果存在偏差的问题；再一方面，将所述输入特征向量输入至预设的特征匹配模型中，得到与基站列表以及行动热点列表对应的全球定位系统的定位坐标点，解决了现有技术中在无法进行GPS定位的情况下，无法得到全球定位系统的定位坐标点的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出根据本发明示例实施例的一种定位方法的流程图。
图2示意性示出根据本发明示例实施例的一种定位系统的框图。
图3示意性示出根据本发明示例实施例的一种计算计算信号源列表中包括的各信号源的词向量特征的方法流程图。
图4示意性示出根据本发明示例实施例的一种计算信号源列表中包括的各信号源的栅格特征的方法流程图。
图5示意性示出根据本发明示例实施例的另一种定位方法的流程图。
图6示意性示出根据本发明示例实施例的一种定位装置的框图。
图7示意性示出根据本发明示例实施例的一种用于实现上述定位方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种定位方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该定位方法可以包括以下步骤：
步骤S110.接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；
步骤S120.计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；
步骤S130.将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；
步骤S140.将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
上述定位方法中，一方面，通过提取定位请求中包括的信号源列表，并计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；然后将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；最后将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位，解决了现有技术中由于WIFI或者基站的覆盖范围较大，仅仅只通过一个坐标点代表WIFI或者基站，会使得定位结果的精确度较低的问题，提高了定位结果的精确度；另一方面，由于输入特征向量中包括了词向量特征以及栅格特征，且最终的输出结果为全球定位系统的定位坐标点，进而可以避免由于仅采用一个栅格的中心点作为坐标点，导致的定位结果存在偏差的问题；再一方面，将所述输入特征向量输入至预设的特征匹配模型中，得到与基站列表以及行动热点列表对应的全球定位系统的定位坐标点，解决了现有技术中在无法进行GPS定位的情况下，无法得到全球定位系统的定位坐标点的问题。
以下，将结合附图对本发明示例实施例定位方法中涉及的各步骤进行详细的解释以及说明。
首先，对本发明示例实施例的应用场景进行解释以及说明。
在传统的网络定位领域解决在无GPS时如何定位的问题，通常会使用设备扫描到的WIFI或基站进行定位。比较常见的方法有两种：基于训练得到的WIFI或基站坐标信息定位和基于网格特征进行定位。其中：
基于训练得到的WIFI或基站坐标信息进行定位：具体的，首先，根据采集数据需要对每个WIFI或基站训练得到一个位置信息(也称指纹信息)，然后，解析用户请求中的WIFI列表和基站列表在训练数据集(指纹库)进行匹配，最后将匹配上的WIFI或基站的指纹信息进行加权平均并输出定位坐标。不足之处在于，通过一个坐标点代表WIFI或者基站的覆盖范围，导致最终定位结果偏差很大。
基于网格特征进行定位：具体的，首先，将地球划分成网格，每个网格大小通常为25(m)*25(m)，100(m)*100(m)，800(m)*800(m)，统计网格内WIFI或基站出现概率以及其他相关特征，例如采集数、用户数、信号强度分布等特征，然后解析用户请求中的WIFI列表和基站列表，得到候选网格，进行粗排和精排两个阶段，最终选取最佳格子，并以最佳格子的中心点最为定位坐标点。该方法不足之处在于，假设每个WIFI或基站相互独立，很显然与实际不符，最终定位结果有一定偏差。
其次，对本发明示例实施例所涉及的定位系统进行解释以及说明。参考图2所示，该定位系统可以包括数据采集模块210、词向量特征计算模块220、栅格特征计算模块230、词向量特征压缩模块240、栅格特征压缩模块250、特征平铺模块260以及坐标点预测模块270。其中，数据采集模块210分别与词向量特征计算模块220以及栅格特征计算模块230连接，词向量特征计算模块220、词向量特征压缩模块240以及特征平铺模块260依次连接，栅格特征计算模块230、栅格特征压缩模块250以及特征平铺模块260依次连接，特征平铺模块260与坐标点预测模块270连接。
数据采集模块210可以用于提取所述定位请求中包括的信号源列表；
词向量特征计算模块220可以用于计算所述信号源列表中包括的各所述信号源的词向量特征；
栅格特征计算模块230可以用于计算所述信号源列表中包括的各所述信号源的栅格特征；
词向量特征压缩模块240可以用于对词向量特征进行压缩；
栅格特征压缩模块250可以用于对栅格特征进行压缩；
特征平铺模块260可以用于对压缩后的词向量以及栅格特征进行平铺；
坐标点预测模块270可以用于对输入特征向量的全球定位系统的定位坐标点进行预测。
以下，将对步骤S110-步骤S140进行解释以及说明。
在步骤S110中，接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表。
在本示例实施例中，首先，接收用户终端发送的定位请求，然后提取该定位请求中包括的信号源列表，该信号源列表中可以包括基站列表以及行动热点列表(WIFI列表)。此处需要补充说明的是，当用户终端扫描周围的WIFI或者基站的时候，往往会扫描到多个，基于此，即可根据扫描到的WIFI以及基站生成上述信号源列表。当然，为了避免扫描到的WIFI以及基站数量过多，进而导致信号源列表数据量过大，可以根据信号强弱对其进行排序，进而根据排序结果取前面若干(10个或者20个，本示例对此不做特殊限制)作为上述信号源列表。
在步骤S120中，计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量。
在本示例实施例中，首先，计算信号源列表中包括的各信号源的词向量特征。具体的，参考图3所示，计算计算信号源列表中包括的各信号源的词向量特征可以包括步骤S310以及步骤S320。其中：
在步骤S310中，计算所述基站列表中各基站与所述行动热点列表中各行动热点之间的关联；
在步骤S320中，将所述关联大于预设阈值的基站以及行动热点进行拼接，得到所述词向量特征。
以下，将对步骤S310以及步骤S320进行解释以及说明。首先，基于word2vec模型计算基站列表中各基站与行动热点列表中各行动热点之间的关联，如果基站以及行动热点之间的关联大于预设阈值，则对其进行拼接，得到词向量特征。具体的，在对word2vec模型训练的过程中，如果多个wifi或基站同时出现在一条数据样本中，意味着这些WIFI或基站在地理空间上相邻，因此，可通过word2vec思想训练每个WIFI以及基站的表示向量，且两个WIFI向量之间的相似程度能够很好地刻画两个WIFI地理空间上的相近程度。
具体的，可以将上述定位请求中所包括的信号源列表输入至word2vec模型中，然后，该word2vec模型会根据WIFI的MAC地址以及基站的地址，预测WIFI以及基站出现在同一条定位请求中的概率，如果概率较大，则对其进行拼接，然后再将该拼接结果作为上述词向量特征。此处需要补充说明的是，此处的训练过程为离线训练，通过该方法，可以降低系统的负担，提高词向量特征的计算效率，进而可以提高定位效率。
其次，计算计算所述信号源列表中包括的各所述信号源的栅格特征。具体的，参考图4所示，计算信号源列表中包括的各信号源的栅格特征可以包括步骤S410-步骤S430。其中：
在步骤S410中，基于预设的栅格划分规则，为所述信号源列表中包括的各所述信号源划分栅格；
在步骤S420中，计算各所述栅格中的各所述信号源的属性信息；其中，所述属性信息包括访客数量、点击数量、信号强度以及相邻信号源数量；
在步骤S430中，根据各所述信号源的属性信息，生成各所述信号源的栅格特征。
以下，将对步骤S410-步骤S430进行解释以及说明。首先，对于WIFI来说，其所对应的栅格例如可以是25(m)*25(m)，基站对应的栅格例如可以是100(m)*100(m)，然后再将信号源列表中所包括的WIFI以及基站划分到对应的栅格中。此处需要补充说明的是，由于WIFI的覆盖范围小于基站的覆盖范围，因此需要划分不同大小的栅格。其次，计算各栅格中各WIFI的访客数量(也就是访问该WIFI的人数)、点击数量(也就是点击该WIFI的人数)、各WIFI的信号强度以及与各WIFI相邻的WIFI数量，以及各栅格中各基站的访客数量(访问该基站的人数)、点击数量(点击该基站的人数)、各基站的信号强度以及与各基站相邻的基站数量；然后，根据上述属性信息，生成对应的栅格特征。此处需要补充说明的是，通过将访客数量、点击数量以及信号强度、相邻数量纳入考虑范围，可以对某一条定位请求是在室内发送还是室外发送(譬如，室外的信号强度要弱于室内，室内的访客数量要高于室外，室外的点击数量高于室内等等)进行区别，进而可以进一步的提高定位的准确性。
进一步的，当得到上述词向量特征以及栅格特征以后，可以对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量。具体的可以包括：对所述词向量特征以及栅格特征进行特征压缩，并对特征压缩后的词向量特征以及栅格特征进行特征平铺，得到输入特征向量。此处需要补充说明的是，通过对词向量特征以及栅格特征进行特征压缩，然后对特征压缩后的词向量特征以及栅格特征进行特征平铺，进而可以压缩存储空间，减少离线数据的存储空间，降低系统的负担。
在步骤S130中，将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的。
在本示例实施例中，首先，对上述特征匹配模型进行解释以及说明。参考图5所示，该特征匹配模型的训练方法可以包括以下步骤：
步骤S510，获取历史定位数据，并计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量。
在本示例实施例中，根据所述基站以及所述行动热点是否出现在同一条历史定位数据中，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量。
具体的，可以利用word2vec模型来判断基站以及行动热点是否出现在同一条历史定位数据中，如果同时出现在同一条历史定位数据中，则表示该基站地址以及物理地址(MAC地址)在空间上临近(存在联系)，然后对该基站地址以及物理地址进行映射(embedding)，然后再将映射后的基站地址以及物理地址进行拼接，进而得到上述编码向量。
步骤S520，计算所述基站地址以及物理地址的栅格特征，并对所述栅格特征进行压缩，得到压缩特征，并对所述编码向量以及所述压缩特征进行特征平铺，得到待训练特征。
具体的，通过栅格特征进行特征压缩，进而可以压缩存储空间，减少离线数据的存储空间，降低系统的负担。此处需要补充说明的是，为了进一步的压缩存储空间，还可以对编码向量特征进行压缩，进而对压缩后的编码向量以及压缩特征进行特征平铺，得到上述待训练特征。
步骤S530，将所述待训练特征输入至所述深度神经网络模型中，得到预测结果，并计算所述预测结果与所述历史定位数据中的全球定位系统的坐标点之间的欧式距离。
在本示例实施例中，将所述待训练特征输入至所述深度神经网络模型中，得到预测结果可以包括：首先，对所述待训练特征进行卷积处理，得到所述基站列表以及行动热点列表中的基站地址以及物理地址之间的关联组合特征；其次，对所述关联组合特征进行分类，得到所述预测结果；其中，所述预测结果包括经度坐标以及纬度坐标。
具体的，该深度神经网络模型可以包括10层神经网络，每个隐藏层有20个神经元，其所使用的激活函数可以为ReLu函数，损失函数可以采用交叉熵损失函数。基于该深度神经网络模型，通过卷积神经网络将多个WIFI向量和基站向量进行卷积，目的是一方面从多个WIFI和基站向量高度抽象其关联组合特征，另一方面起到特征降维的作用。
步骤S540，如果所述欧式距离小于预设的距离阈值，则将所述深度神经网络模型作为所述特征匹配模型。
具体的，可以将历史定位数据中的GPS点的经纬度作为真值，然后计算真值与预测值之间的误差，然后根据该误差值对深度神经网络模型进行训练。
进一步的，在本示例实施例中，当得到上述特征匹配模型以后，可以将上述输入特征向量输入至预设的特征匹配模型中，得到与基站列表以及行动热点对应的全球定位系统的定位坐标点(经度坐标以及维度坐标)。
在步骤S140中，将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
在本示例实施例中，当得到上述定位坐标点以后，可以将该定位坐标点发送至用户终端，当用户终端接收到该定位坐标点以后，即可以得到一个精确的定位。
本发明示例实施例还提供了一种定位装置。参考图6所示，该定位装置可以包括列表提取模块610、特征提取模块620、坐标点确定模块630以及坐标点发送模块640。其中：
列表提取模块610可以用于接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；
特征提取模块620可以用于计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；
坐标点确定模块630可以用于将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；
坐标点发送模块640可以用于将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
在本公开的一种示例实施例中，所述计算所述信号源列表中包括的各所述信号源的词向量特征，包括：
计算所述基站列表中各基站与所述行动热点列表中各行动热点之间的关联；
将所述关联大于预设阈值的基站以及行动热点进行拼接，得到所述词向量特征。
在本公开的一种示例实施例中，所述计算所述信号源列表中包括的各所述信号源的栅格特征，包括：
基于预设的栅格划分规则，为所述信号源列表中包括的各所述信号源划分栅格；
计算各所述栅格中的各所述信号源的属性信息；其中，所述属性信息包括访客数量、点击数量、信号强度以及相邻信号源数量；
根据各所述信号源的属性信息，生成各所述信号源的栅格特征。
在本公开的一种示例实施例中，所述对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量，包括：
对所述词向量特征以及栅格特征进行特征压缩，并对特征压缩后的词向量特征以及栅格特征进行特征平铺，得到输入特征向量。
在本公开的一种示例实施例中，所述定位装置还包括：
第一计算模块，可以用于获取历史定位数据，并计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量；
第二计算模块，可以用于计算所述基站地址以及物理地址的栅格特征，并对所述栅格特征进行压缩，得到压缩特征，并对所述编码向量以及所述压缩特征进行特征平铺，得到待训练特征；
第三计算模块，可以用于将所述待训练特征输入至所述深度神经网络模型中，得到预测结果，并计算所述预测结果与所述历史定位数据中的全球定位系统的坐标点之间的欧式距离；
匹配模型确定模块，可以用于如果所述欧式距离小于预设的距离阈值，则将所述深度神经网络模型作为所述特征匹配模型。
在本公开的一种示例实施例中，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量包括：
根据所述基站以及所述行动热点是否出现在同一条历史定位数据中，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量。
在本公开的一种示例实施例中，将所述待训练特征输入至所述深度神经网络模型中，得到预测结果包括：
对所述待训练特征进行卷积处理，得到所述基站列表以及行动热点列表中的基站地址以及物理地址之间的关联组合特征；
对所述关联组合特征进行分类，得到所述预测结果；其中，所述预测结果包括经度坐标以及纬度坐标。
上述定位装置中各模块的具体细节已经在对应的定位方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730以及显示单元740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元710可以执行如图1中所示的步骤S110：接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；步骤S120：计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；步骤S130：将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；步骤S140：将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (10)

1.一种定位方法，其特征在于，包括：
接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；
计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；
将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；
将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
2.根据权利要求1所述的定位方法，其特征在于，所述计算所述信号源列表中包括的各所述信号源的词向量特征，包括：
计算所述基站列表中各基站与所述行动热点列表中各行动热点之间的关联；
将所述关联大于预设阈值的基站以及行动热点进行拼接，得到所述词向量特征。
3.根据权利要求1所述的定位方法，其特征在于，所述计算所述信号源列表中包括的各所述信号源的栅格特征，包括：
基于预设的栅格划分规则，为所述信号源列表中包括的各所述信号源划分栅格；
计算各所述栅格中的各所述信号源的属性信息；其中，所述属性信息包括访客数量、点击数量、信号强度以及相邻信号源数量；
根据各所述信号源的属性信息，生成各所述信号源的栅格特征。
4.根据权利要求1所述的定位方法，其特征在于，所述对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量，包括：
对所述词向量特征以及栅格特征进行特征压缩，并对特征压缩后的词向量特征以及栅格特征进行特征平铺，得到输入特征向量。
5.根据权利要求1所述的定位方法，其特征在于，所述定位方法还包括：
获取历史定位数据，并计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量；
计算所述基站地址以及物理地址的栅格特征，并对所述栅格特征进行压缩，得到压缩特征，并对所述编码向量以及所述压缩特征进行特征平铺，得到待训练特征；
将所述待训练特征输入至所述深度神经网络模型中，得到预测结果，并计算所述预测结果与所述历史定位数据中的全球定位系统的坐标点之间的欧式距离；
如果所述欧式距离小于预设的距离阈值，则将所述深度神经网络模型作为所述特征匹配模型。
6.根据权利要求5所述的定位方法，其特征在于，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量包括：
根据所述基站以及所述行动热点是否出现在同一条历史定位数据中，计算所述历史定位数据中的基站列表以及行动热点列表中的基站地址以及物理地址之间的联系，得到编码向量。
7.根据权利要求5所述的定位方法，其特征在于，将所述待训练特征输入至所述深度神经网络模型中，得到预测结果包括：
对所述待训练特征进行卷积处理，得到所述基站列表以及行动热点列表中的基站地址以及物理地址之间的关联组合特征；
对所述关联组合特征进行分类，得到所述预测结果；其中，所述预测结果包括经度坐标以及纬度坐标。
8.一种定位装置，其特征在于，包括：
列表提取模块，用于接收用户终端发送的定位请求，响应所述定位请求提取所述定位请求中包括的信号源列表；其中，所述信号源列表包括基站列表以及行动热点列表；
特征提取模块，用于计算所述信号源列表中包括的各所述信号源的词向量特征以及栅格特征，并对所述词向量特征以及栅格特征进行特征平铺，得到输入特征向量；
坐标点确定模块，用于将所述输入特征向量输入至预设的特征匹配模型中，得到与所述基站列表以及行动热点列表对应的全球定位系统的定位坐标点；其中，所述预设的特征匹配模型是根据基站列表、行动热点列表以及全球定位系统对深度神经网络模型进行训练得到的；
坐标点发送模块，用于将所述定位坐标点发送至所述用户终端，以使得所述用户终端根据所述定位坐标点完成定位。
9.一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1-7任一项所述的定位方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的定位方法。
CN202010836836.0A 2020-08-19 2020-08-19 定位方法及装置、计算机可读存储介质以及电子设备 Active CN111954154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836836.0A CN111954154B (zh) 2020-08-19 2020-08-19 定位方法及装置、计算机可读存储介质以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836836.0A CN111954154B (zh) 2020-08-19 2020-08-19 定位方法及装置、计算机可读存储介质以及电子设备

Publications (2)

Publication Number Publication Date
CN111954154A true CN111954154A (zh) 2020-11-17
CN111954154B CN111954154B (zh) 2022-08-12

Family

ID=73342831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836836.0A Active CN111954154B (zh) 2020-08-19 2020-08-19 定位方法及装置、计算机可读存储介质以及电子设备

Country Status (1)

Country Link
CN (1) CN111954154B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395656A (zh) * 2021-07-08 2021-09-14 中国电信股份有限公司 用户终端的位置确定方法、装置、介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106912103A (zh) * 2015-12-23 2017-06-30 中国移动通信集团上海有限公司 一种终端定位方法及装置
CN108182191A (zh) * 2016-12-08 2018-06-19 腾讯科技（深圳）有限公司 一种热点数据处理方法及其设备
CN108924737A (zh) * 2018-06-20 2018-11-30 北京三快在线科技有限公司 定位方法、装置、设备及计算机可读存储介质
CN111239685A (zh) * 2020-01-09 2020-06-05 辽宁工程技术大学 基于均匀设计和自组织特征映射神经网络的声源定位方法
CN111417066A (zh) * 2020-03-05 2020-07-14 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质
CN111464938A (zh) * 2020-03-30 2020-07-28 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106912103A (zh) * 2015-12-23 2017-06-30 中国移动通信集团上海有限公司 一种终端定位方法及装置
CN108182191A (zh) * 2016-12-08 2018-06-19 腾讯科技（深圳）有限公司 一种热点数据处理方法及其设备
CN108924737A (zh) * 2018-06-20 2018-11-30 北京三快在线科技有限公司 定位方法、装置、设备及计算机可读存储介质
CN111239685A (zh) * 2020-01-09 2020-06-05 辽宁工程技术大学 基于均匀设计和自组织特征映射神经网络的声源定位方法
CN111417066A (zh) * 2020-03-05 2020-07-14 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质
CN111464938A (zh) * 2020-03-30 2020-07-28 滴图(北京)科技有限公司 定位方法、装置、电子设备和计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395656A (zh) * 2021-07-08 2021-09-14 中国电信股份有限公司 用户终端的位置确定方法、装置、介质及电子设备
CN113395656B (zh) * 2021-07-08 2023-03-14 中国电信股份有限公司 用户终端的位置确定方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN111954154B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
JP6594988B2 (ja) 住所テキストを処理する方法及び機器
CN110442856B (zh) 一种地址信息标准化方法、装置、计算机设备及存储介质
CN111866727B (zh) 司机聚集点的展示方法、装置、电子设备、存储介质
CN110309433B (zh) 一种数据处理方法、装置及服务器
CN109492066B (zh) 一种兴趣点分支名称的确定方法、装置、设备及存储介质
CN111757464B (zh) 一种区域轮廓提取方法及装置
CN109872230B (zh) 金融数据分析系统的测试方法、装置、介质、电子设备
CN112818685A (zh) 地址匹配方法、装置、电子设备及存储介质
CN113536152A (zh) 一种地图兴趣点展示方法、装置及电子设备
CN111954154B (zh) 定位方法及装置、计算机可读存储介质以及电子设备
CN111209351B (zh) 对象关系预测、对象推荐方法及装置、电子设备、介质
CN112818314A (zh) 一种设备检测方法、装置、设备及存储介质
CN111177167B (zh) 增强现实的地图更新方法、装置、系统、存储与设备
CN114372133A (zh) 查询信息问答方法、相关装置及计算机程序产品
CN110309244B (zh) 一种目标点定位的方法和装置
CN110737820B (zh) 用于生成事件信息的方法和装置
CN111782980B (zh) 地图兴趣点的挖掘方法、装置、设备及存储介质
CN111126422A (zh) 行业模型的建立及行业的确定方法、装置、设备及介质
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
CN110348581B (zh) 用户特征群中用户特征寻优方法、装置、介质及电子设备
CN114547386A (zh) 基于Wi-Fi信号的定位方法、装置，以及电子设备
JP7433383B2 (ja) 信号処理方法、装置、機器及び記憶媒体
CN110691336A (zh) 一种基于集成学习和相对定位的双尺度定位算法
CN112235723B (zh) 定位方法、装置、电子设备及计算机可读存储介质
CN111078812B (zh) 围栏的生成方法、装置和电子设备

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