CN112040399B - 一种面向大型公共场所的WiFi热点以及移动设备定位方法 - Google Patents

Abstract

本发明公开了一种面向大型公共场所的WiFi热点以及移动设备定位方法。该方法基于移动设备收集的部分高精度GPS位置信息以及扫描得到的WiFi列表信息，经过数据分类、精度筛选、WiFi热点定位、移动设备定位等步骤，最终获取区域内所有被扫描到的WiFi热点以及这些移动设备记录的位置。本方法所需的数据对于一般的智能移动设备是容易获取的，无需特殊的应用程序。相较于传统定位方法，本方法所需的计算量较小，运行效率较高，在节省计算性能与时间的同时保证了足够的精度。

Description

一种面向大型公共场所的WiFi热点以及移动设备定位方法

技术领域

本发明涉及WiFi定位技术，尤其涉及一种面向大型公共场所的WiFi热点以及移动设备定位方法。

背景技术

随着我国城市人口比例的不断上升，城市人员的分布呈现出不断密集化的趋势。这样的趋势既是一种可利用的资源，也为城市管理带来了挑战。对人员密集的公共场所如商场、公园、学校等区域进行人流检测，并对人流的分布进行分析，可以为公共场所管理人员提供必要的信息，方便进一步优化管理措施。传统的人流检测方法依靠监控设备开展，通过建立头和身体的模型，将其与视频监控中的画面进行图像匹配，实现对行人的追踪。然而，视频监控需要布置大量的监控设备，这提高了成本，此外，基于视频监控的方案都牵涉到个人隐私问题，在许多敏感的场合并不适用。

一种解决方案是，依托于智能移动设备如智能手机、智能手环、平板电脑等的普及，通过对移动设备的定位间接地获取个人的位置。这种方法无需铺设数量庞大的传感设备以直接监测人员，而是利用已有的广泛存在的移动设备产生的数据开展，在节约成本的同时也方便实施。同时，对移动数据进行数据挖掘时，可通过在了解模型的基础上添加扰动来解决隐私保护问题。

目前主流的定位系统是GPS定位系统，但GPS在使用上有诸多限制，例如在室外林荫道下或室内环境中，信号受到遮挡，影响定位精度。因此，引入WiFi定位系统作为GPS定位系统的补充，可以在室外与室内实现更好的定位效果。

传统的WiFi定位方法需要在区域内分布大量密集的接入点，而对于整个大学校园这类面积较大的区域而言，所需要布置的接入点数量将大得惊人；同时，这类定位算法需要使用大量矩阵计算，由于维数灾难问题，使用大量接入点意味着大大增加计算量。需要寻找一种在减少所需WIFI热点数量的同时不会明显使定位效果变差的方法，就能够显著提高定位效率。

发明内容

本发明目的在于对现有研究和技术存在的不足之处加以完善与规范化，提出一种面向大型公共场所的WiFi热点以及移动设备定位方法，该方法对大型公共场所的WiFi热点与移动设备定位方法提出整体规划的数据处理流程，在保持定位精度的同时，节约了计算量与计算资源，且具有较高的可拓展性。

本发明的目的通过以下的技术方案实现：一种面向大型公共场所的WiFi热点定位以及移动设备定位方法，该方法包括以下步骤：

(1)数据归档：根据移动设备数据记录中扫描的WiFi热点信息，即数据的wifi_list字段，以各WiFi热点的唯一mac地址为区分，对总计N条被扫描到的WiFi热点，构造WiFi热点数据集W＝{W₁，W₂，...，W_N}，其中单个WiFi热点数据W_i对应的WiFi热点为w_i，由所有扫描到w_i的总计k条的移动设备记录构成，W_i＝{m_i1，m_i2，...，m_ik}，其中每条记录m_ij＝(l_ij，a_ij，s_ij)，l_ij＝(x_ij，y_ij)为该条移动设备数据记录产生时以经纬度表示的位置，x_ij表示经度，y_ij表示纬度，a_ij为该条移动设备数据记录产生时的GPS精度，s_ij为该条移动设备数据记录产生时对w_i的接收信号强度；

(2)WiFi热点定位：根据步骤(1)中得到的已归档的WiFi热点数据集W，对扫描记录数足够的(例如可以取大于等于5条)的W_i，选取其中GPS精度小于a₀₁，接收信号强度大于s₀₁的扫描记录，假设WiFi信号强度路径损失模型为对数路径损失模型，基于极大概率似然方法，根据每条记录的位置和该条记录对w_i的接收信号强度，获取在该条记录视角下w_i在地图上各个位置的概率，将所有记录的计算结果取平均值，选取地图上概率最大者为w_i的真实位置；

(3)移动设备定位：根据步骤(2)中得到的各WiFi热点的位置以及所有GPS精度小于a₀₂的移动设备数据记录的位置，根据各个记录扫描各个WiFi热点的信号强度构造矩阵，分别计算其基于各个WiFi热点和各条记录的核权重，构造权重邻接矩阵，利用拉普拉斯特征映射获得图拉普拉斯矩阵L，通过最小化与位置已知的各记录和WiFi热点的位置的误差计算其他所有产生移动设备数据记录的移动设备的位置。

进一步地，所述步骤(2)中，每个WiFi热点w_i的位置

具体计算方法如下：

a)对每一WiFi热点，取其所有记录中GPS精度小于a₀₁且接收信号强度大于s₀₁的测量记录数据集M_q＝{m_q1，m_q2，...，m_qk}，每条记录m_qi＝(l_qi，a_qi，s_qi)，其中l_qi＝(x_qi，y_qi)为以经纬度表示的位置，x_qi表示经度，y_qi表示纬度，a_qi为GPS精度，s_qi为对w_i的接收信号强度；

根据接收信号的对数路径损失模型计算在距离d处的理论路径损失PL(d)：

其中d₀为预设的WiFi热点的一个任意的较近距离(通常取1米)，PL(d₀)为d₀处移动设备接收信号的路径损失，n_L为路径损失指数，环境中的遮挡物越多则越大；因遮蔽效应，实际距离d处的实际路径损失μ为随机变量，服从正态分布，其概率分布函数q(μ)的计算公式为：

其中σ_q为该正态分布的标准差，在实际运用中，μ的计算方法为μ＝PL(d₀)-s_qi；

b)由d为μ的反函数，对给定的μ，其对应的d也为随机变量，d的概率分布函数gi(d)的计算公式为：

c)将一维的距离概率函数关系转为平面空间中的二维概率函数的计算公式为：

其中D(l，l_i)为位置l与位置l_i之间根据经纬度计算得到的距离；对所有在预设范围内区域F的l_i，概率归一化函数H_i(l)的计算公式为：

d)计算每一条记录，最终WiFi热点在位置l处的概率Ω(l)的计算公式为：

取其最大者为该WiFi热点w_i的最终位置：

进一步地，所述步骤(3)中，每个移动设备的位置具体计算方法如下：

a)对需要定位的移动设备，调取这些移动设备数据记录扫描到的所有WiFi热点，并获取这些WiFi热点的位置及对应的RSSI；设共有m条待定位移动设备数据记录，从扫描到的热点中选取n个，m×n的信号强度矩阵S的构造方法如下：

其中s_ij表示第i条移动设备数据记录扫描第j个热点的RSSI，若某热点没有被一条移动设备数据记录扫描到，则对应的项设为默认最小值s_min；

将矩阵标准化，标准化矩阵S_N的构造方法如下：

其中s_max为预设的能够接收到的最大RSSI，σ为高斯核宽度，越大表示热点分布越稀疏；

b)移动设备数据记录邻接矩阵A_u的构造方法如下：

其中

表示S_N的第i行，若

大于阈值t，则将其添加进A_u，否则设为0；

WiFi热点邻接矩阵A_h的构造方法如下：

其中

表示S_N的第i列，若

大于阈值t，则将其添加进A_h，否则设为0；

联合邻接矩阵A的构造方法如下：

其中运算符“′”指矩阵的转置，r_u，r_s，r_h为正数，用于调整定位结果的分布；

c)初始位置矩阵y的构造方法如下：

y＝[u′，h′]

其中u＝[u₁，u₂，...，u_m]′为m×2维矩阵，表示m条移动设备数据记录的位置，如果移动设备数据记录的GPS精度小于a₀₂则加入u，否则均设为0；h＝[h₁，h₂，...，h_n]′为n×2维矩阵，表示n个WiFi热点的位置；

标示矩阵K的构造方法如下：

K＝diag(k₁，k₂，...，k_m+n)

其中若y中的第i项位置已知(GPS精度小于a₀₂的移动设备数据记录或WiFi热点)则k_i＝1，否则k_i＝0；

d)矩阵D的构造方法如下：

D＝diag(d₁，d₂，...，d_m+n)

其中A_ik为A的第i行第k列；图拉普拉斯矩阵L的构造方法如下：

L＝D-A

整体最佳坐标p^*的计算公式如下：

p^*＝(K+γL)^-1Ky

其中γ为大于0的数，用于控制坐标的光滑性。

与现有技术相比，本发明具有以下创新优势及显著效果：

(1)WiFi热点定位精度与效率较高。对于单独的WiFi热点，处理一条记录仅需约0.25秒的时间，在这种处理时间下，WiFi热点的定位精度仍然能达到20米的级别，这对于区域级别的处理已经足够。若要提升精度，提高地图的遍历范围也容易操作。

(2)设备定位所需资源较少，效率较高。本方法在将需要的WiFi热点数量压缩至800个的情况下仍然能对移动设备实现区域级别的定位，同时所消耗的时间也不超过1分钟，这说明本方法在工作能力上仍有很大的扩展空间。

(3)实现WiFi热点与移动设备位置的同步更新。计算最佳位置时同时计算WiFi热点与移动设备的位置，每次对设备进行定位都同时更新了WiFi热点的位置。

附图说明

图1是本发明的WiFi热点定位以及移动设备定位方法流程图；

图2是本发明步骤2中利用单条记录的定位结果概率分布图；

图3是本发明步骤2中综合同一mac地址下所有记录对该WiFi热点的定位结果概率分布图；

图4是本发明步骤2中测试区域内所有WiFi热点定位结果分布散点图；

图5是本发明步骤3中采样移动设备定位结果分布散点图。

具体实施方式

以下结合附图对本发明的具体实施方法与工作原理作如下详述：

实施例

本实施例对从某校园内的获取的自2018年8月14日至2018年8月20日内采集到的移动数据进行WiFi热点定位以及移动设备定位，其中数据信息为期1周，时间范围为2018.08.14 00:00:00至2018.08.20 23:59:59。数据集包括的具体变量以及相关数据信息如表1、表2、表3所示：

表1(a)杭州某区域内采集获取移动设备数据集部分数据(第一部分)

表1(b)杭州某区域内采集获取移动设备数据集部分数据(第二部分)

表2杭州某区域内采集获取移动设备数据集变量信息

表3移动设备数据集中wifi_list变量字段解释

本实施例中默认WiFi热点以及移动设备定位方法的实施数据集即为上述数据中采集自浙江大学玉泉校区的数据，方法结果为该区域内WiFi热点的位置与部分采样记录的位置，其详细实施步骤具体如下：

(1)将所有记录按字段拆分，提取其中的wifi list，并将其中的各个WiFi热点按mac地址归类为文件。每个mac地址对应的WiFi热点文件中包含所有自身被扫描到的记录，每条记录以如下格式保存：

日志产生时间|geohash解码得到的纬度|geohash解码得到的经度|gps位置精度|该条记录扫描该WiFi热点的信号强度|记录所属的区域|该WiFi热点的ssid|主基站编码号|清洗方式|地理geohash值

最后舍去次数少于5次的记录。

(2)利用步骤(1)中的各个WiFi热点的GPS精度小于a₀₁且接收信号强度大于s₀₁的移动设备数据记录数据集{m_i)计算对应的地图上的各点位置的概率{H_i)，获取各WiFi热点的位置，在本实施例中，a₀₁为5.0m，s₀₁为-100Db，相应各点位置概率H_i的计算方法如下：

μ＝PL(d₀)-s_i

其中，PL(d)为在距离d处的理论路径损失，d₀为预设的WiFi热点的一个任意的较近距离，PL(d₀)为d₀处移动设备接收信号的路径损失，s_i为接收信号强度，n_L为路径损失指数，μ为实际距离d处的实际路径损失，q(μ)为μ的概率分布函数，σ_q为正态分布的标准差，g_i(d)为d的概率分布函数，h_i(l|l_i)为将一维的距离概率函数关系转为平面空间中的二维概率函数，D(l，l_i)为位置l与位置l_i之间根据经纬度计算得到的距离，H_i(l)为概率归一化函数，F为预设范围内区域；

在本实施例中，σ_q为14.6dB，n_L为25.8，d₀为1m，PL(d₀)为53.2dB。利用单条记录的定位结果如图2所示。

相应WiFi热点的计算方法如下：

本实施例中，综合同一mac地址下所有记录对该WiFi热点的定位结果如图3所示，该区域内所有WiFi热点定位结果如图4所示。

(3)对待定位的记录数据集{r_i}，提取其扫描得到的WiFi热点，并利用从步骤2)中获取的这些WiFi热点的位置构造h′，对这些记录，GPS精度小于a₀₂的位置设为已知，其余设为(0，0)，构造u′，用u′与h′构造y＝[u′，h′]，同时标示矩阵K＝diag(k₁，k₂，...，k_m+n)，其中若y中的第i项位置已知(高精度记录或WiFi热点)则k_i＝1，否则k_i＝0。在本实施例中，a₀₂为15.0m。

其中s_ij表示第i条记录扫描第j个热点的RSSI，若某热点没有被一条记录扫描到，则对应的项设为一较小的默认值s_min。

D＝diag(d₁，d₂，...，d_m+n)

L＝D-A

其中，s_max为预设的能够接收到的最大RSSI，σ为高斯核宽度，

表示S_N的第i行，

表示S_N的第i列，若

或

小于阈值t则设为0；运算符“′”指矩阵的转置，r_u，r_s，r_h为正数，用于调整定位结果的分布；u＝[u₁，u₂，...，u_m]′为m×2维矩阵，表示m条移动设备数据记录的位置，如果移动设备数据记录的GPS精度小于a₀₂则加入u，否则均设为0；h＝[h₁，h₂，...，h_n]′为n×2维矩阵，表示n个WiFi热点的位置；A_ik为A的第i行第k列，

在本实施例中，s_min为-100dB，s_max为-20Db，σ为20，t为0.1，r_u为0.00001，r_s为0.001，r_h为0.1，整体最佳坐标p^*的计算公式如下：

p^*＝(K+γL)^-1Ky

在本实施例中，γ为0.5，采样移动设备定位结果如图5所示。

本发明一种面向大型公共场所的WiFi热点定位以及移动设备定位方法，主要通过数据归档、WiFi热点定位、移动设备定位等步骤得到最终的定位结果。图1为面向大型公共场所的WiFi热点定位以及移动设备定位方法的具体流程。整个实施例按照图1中所示的流程，对移动设备数据集进行处理并最终得出区域内定位结果。图2-图5为使用本发明进行WiFi热点与移动设备定位的各个环节结果，对移动设备数据进行分析、修正、降维相比于传统设备定位方法而言可以在保证精度的同时节省计算资源，减少处理时间，提高定位效率，为后续针对移动设备位置分析人流移动性与规律相关研究提供了更为可靠的数据支撑。

上述实施例只是本发明的举例，尽管为说明目的公开了本发明的最佳实例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。

Claims (3)

1.一种面向大型公共场所的WiFi热点以及移动设备定位方法，其特征在于，包括以下步骤：

(1)数据归档：根据移动设备数据记录中扫描的WiFi热点信息，即数据的wifi_list字段，以各WiFi热点的唯一mac地址为区分，对总计N条被扫描到的WiFi热点，构造WiFi热点数据集W＝{W₁，W₂，...，W_N}，其中单个WiFi热点数据W_i对应的WiFi热点为w_i，由所有扫描到w_i的总计k条的移动设备记录构成，W_i＝{m_i1，m_i2，...，m_ik}，其中每条记录m_ij＝(l_ij，a_ij，s_ij)，l_ij＝(x_ij，y_ij)为该条移动设备数据记录产生时以经纬度表示的位置，x_ij表示经度，y_ij表示纬度，a_ij为该条移动设备数据记录产生时的GPS精度，s_ij为该条移动设备数据记录产生时对w_i的接收信号强度;

(2)WiFi热点定位：根据步骤(1)中得到的已归档的WiFi热点数据集W，对扫描记录数足够 的W_i，选取其中GPS精度小于a₀₁，接收信号强度大于s₀₁的扫描记录，假设WiFi信号强度路径损失模型为对数路径损失模型，基于极大概率似然方法，根据每条记录的位置和该条记录对w_i的接收信号强度，获取在该条记录视角下w_i在地图上各个位置的概率，将所有记录的计算结果取平均值，选取地图上概率最大者为w_i的真实位置;

(3)移动设备定位：根据步骤(2)中得到的各WiFi热点的位置以及所有GPS精度小于a₀₂的移动设备数据记录的位置，根据各个记录扫描各个WiFi热点的信号强度构造矩阵，分别计算其基于各个WiFi热点和各条记录的核权重，构造权重邻接矩阵，利用拉普拉斯特征映射获得图拉普拉斯矩阵L，通过最小化与位置已知的各记录和WiFi热点的位置的误差计算其他所有产生移动设备数据记录的移动设备的位置。

2.根据权利要求1所述的一种面向大型公共场所的WiFi热点以及移动设备定位方法，其特征在于，所述步骤(2)中，每个WiFi热点w_i的位置

具体计算方法如下：

a)对每一WiFi热点，取其所有记录中GPS精度小于a₀₁且接收信号强度大于s₀₁的测量记录数据集M_q＝{m_q1，m_q2，...，m_qk}，每条记录m_qi＝(l_qi，a_qi，s_qi)，其中l_qi＝(x_qi，y_qi)为以经纬度表示的位置，x_qi表示经度，y_qi表示纬度，a_qi为GPS精度，s_qi为对w_i的接收信号强度；

根据接收信号的对数路径损失模型计算在距离d处的理论路径损失PL(d)：

其中d₀为预设的WiFi热点的一个任意的较近距离，PL(d₀)为d₀处移动设备接收信号的路径损失，n_L为路径损失指数，环境中的遮挡物越多则越大；因遮蔽效应，实际距离d处的实际路径损失μ为随机变量，服从正态分布，其概率分布函数q(μ)的计算公式为：

μ＝PL(d₀)-s_qi

其中σ_q为该正态分布的标准差；

b)由d为μ的反函数，对给定的μ，其对应的d也为随机变量，d的概率分布函数g_i(d)的计算公式为：

c)将一维的距离概率函数关系转为平面空间中的二维概率函数的计算公式为：

其中D(l，l_i)为位置l与位置l_i之间根据经纬度计算得到的距离；对所有在预设范围内区域F的l_i，概率归一化函数H_i(l)的计算公式为：

d)计算每一条记录，最终WiFi热点在位置l处的概率Ω(l)的计算公式为：

取其最大者为该WiFi热点w_i的最终位置：

。

3.根据权利要求1所述的一种面向大型公共场所的WiFi热点以及移动设备定位方法，其特征在于，所述步骤(3)中，每个移动设备的位置具体计算方法如下：

a)对需要定位的移动设备，调取这些移动设备数据记录扫描到的所有WiFi热点，并获取这些WiFi热点的位置及对应的RSSI；设共有m条待定位移动设备数据记录，从扫描到的热点中选取n个，m×n的信号强度矩阵S的构造方法如下：

其中s_ij表示第i条移动设备数据记录扫描第j个热点的RSSI，若某热点没有被一条移动设备数据记录扫描到，则对应的项设为默认最小值s_min；

将矩阵标准化，标准化矩阵S_N的构造方法如下：

其中s_max为预设的能够接收到的最大RSSI，σ为高斯核宽度，越大表示热点分布越稀疏；

b)移动设备数据记录邻接矩阵A_u的构造方法如下：

其中

表示S_N的第i行，若

大于阈值t，则将其添加进A_u，否则设为0；

WiFi热点邻接矩阵A_h的构造方法如下：

其中

表示S_N的第i列，若

大于阈值t，则将其添加进A_h，否则设为0；

联合邻接矩阵A的构造方法如下：

其中运算符“′”指矩阵的转置，r_u，r_s，r_h为正数，用于调整定位结果的分布；

c)初始位置矩阵y的构造方法如下：

y＝[u′，h′]

其中u＝[u₁，u₂，...，u_m]′为m×2维矩阵，表示m条移动设备数据记录的位置，如果移动设备数据记录的GPS精度小于a₀₂则加入u，否则均设为0；h＝[h₁，h₂，...，h_n]′为n×2维矩阵，表示n个WiFi热点的位置；标示矩阵K的构造方法如下：

K＝diag(k₁，k₂，...，k_m+n)

其中若y中的第i项位置已知，则k_i＝1，否则k_i＝0；

d)矩阵D的构造方法如下：

D＝diag(d₁，d₂，...，d_m+n)

其中A_ik为A的第i行第k列；图拉普拉斯矩阵L的构造方法如下：

L＝D-A

整体最佳坐标p^*的计算公式如下：

p^*＝(K+γL)^-1Ky

其中γ为大于0的数，用于控制坐标的光滑性。

Images