CN112187502A - 一种深度覆盖需求定位的方法 - Google Patents
一种深度覆盖需求定位的方法 Download PDFInfo
- Publication number
- CN112187502A CN112187502A CN201910604287.1A CN201910604287A CN112187502A CN 112187502 A CN112187502 A CN 112187502A CN 201910604287 A CN201910604287 A CN 201910604287A CN 112187502 A CN112187502 A CN 112187502A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- target area
- target
- subset
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了深度覆盖需求定位的方法,属于通信技术领域。所述深度覆盖需求定位的方法,包括采集样本数据,在样本数据有效时,利用样本数据判断建筑物数据中的地下空间类别,从而可以客观、快速地完成目标区域数据所对应的目标区域内深度覆盖需求的定位,解决了目前采用人工勘测获得目标区域数据所对应的目标区域内地下层数所导致的效率低、主观性强且难以勘测深度区域的问题。
Description
技术领域
本发明涉及通信领域,尤其涉及一种深度覆盖需求定位的方法。
背景技术
窄带物联网(Narrow Band Internet of Things,NB-IOT)作为新兴窄带蜂窝物联网的典型代表,具有低功耗、广覆盖、大连接、低成本等技术优势。近年来,物联网的服务对象由人扩展到物体,覆盖区域也从有人群活动的浅层区域拓展到水表、电表等仪表物体所在的建筑物深度区域。衡量城市建筑物中物联网覆盖良好与否的关键在于确定物联网的覆盖深度。
目前,一般通过人工实际勘察规划物联网在目标区域内的深度覆盖。然而,人工勘测效率低、主观性强,且很难勘测到水表、电表等仪表所在的目标区域的深度位置。
发明内容
为了解决上述问题,本发明提供一种深度覆盖需求定位的方法。
第一方面,本发明提供的深度覆盖需求定位的方法,包括:
采集样本区域的数据,作为样本数据;
根据所述样本数据中的地下空间类别,将所述样本数据进行分类,获得各类样本集合,每个所述样本集合包括至少一个样本子集,所述样本子集的数量与所述样本集合中所包含的数据属性一一对应;
当所述样本数据有效时,获取与所述样本区域的地质结构相同的目标区域,获取目标区域数据;
将所述目标区域数据分为至少一个目标子集,所述目标子集的数量与所述目标区域数据所包含的数据属性一一对应;
分别获取每个所述目标子集与所述各类样本集合中对应所述样本子集的相似度,取其中相似度最高的样本集合所对应的地下空间类别,作为所述目标区域的地下空间类别。
上述的方法,所述数据属性包括:高度信息、面积信息和使用属性信息中的至少之一。
上述的方法,在所述当所述样本数据有效时中,包括:获取各类所述样本集合之间的独立程度,当所述独立程度小于预设程度,则所述样本数据有效,否则,重新采集样本数据。
上述的方法,在所述当所述样本数据有效时之前,还包括:
对各类所述样本集合中所包括的所有样本对象进行聚类计算,得到各所述样本集合的平均值;
在所述当所述样本数据有效时中,包括:基于各所述样本集合的平均值,计算各类样本集合之间的独立程度。
上述的方法,所述聚类计算为K-均值算法。
上述的方法,在所述分别获取每个所述目标子集与所述各类样本集合的相似度中,包括:
基于最小距离分类器的计算原理,获取每个所述目标子集与所述各类样本集合的相似度。
上述的方法,所述地下空间类别包括:
按地下层数划分的类别,或者是按地下空间用途划分的类别。
第二方面,本发明提供一种服务器,包括存储器和处理器;
存储器存储样本数据和目标区域数据;
处理器用于判断所述样本数据的有效性,并在所述样本数据有效时,计算每个所述目标子集与各类样本集合的相似度,以获得所述目标区域的地下空间的类别。
第三方面,本发明提供一种设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上任一项所述的方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质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上任一项所述的方法的步骤。
本发明提供的深度覆盖需求定位的方法,包括采集样本数据,在样本数据有效时,利用样本数据判断建筑物数据中的地下空间类别,从而可以客观、快速地完成目标区域数据所对应的目标区域内深度覆盖需求的定位,解决了目前采用人工勘测获得目标区域数据所对应的目标区域内地下层数所导致的效率低、主观性强且难以勘测深度区域的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一示范性实施例中的深度覆盖需求定位的方法的流程图;
图2为建筑物数据归类之后的效果图;
图3为本发明又一示范性实施例中服务器的结构图。
附图标记:
300-服务器;310-存储器;320-处理器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在城市中,物联网一般主要分布在建筑物的内壁,包括地下室、车库、电梯间、弱电井等区域,为了实现物联网在建筑物内部的深度覆盖,需要对建筑物内部进行人工勘测,勘测完成后即完成需求定位,以方便后续布置物联网覆盖。然而,人工勘测效率低、主观性强,且很难勘测到水表、电表等仪表所在的建筑物深度区域。
为此,本发明实施例提供一种深度覆盖需求定位的方法,图1为本发明一示范性实施例中的深度覆盖需求定位的方法的流程图,包括以下步骤:
S102:采集样本区域的数据,作为样本数据;
可以从与需要进行深度覆盖需求定位的目标地区具有相同或相似地质结构区域中选择样本区域,采集该样本区域的数据,作为样本数据。例如第一区域与第二区域的地址结构相同或相似,则其高层建筑地下空间的使用方式也可以相同,因此为了定位第一区域的深度覆盖需求,可以从第二区域中采集样本数据。当然,第一区域和第二区域可以部分重叠,也可以完全不重叠。具体的,采集样本数据是指寻找样本区域上的建筑物的信息作为样本数据。
S104:根据所述样本数据中的地下空间类别,将所述样本数据进行分类,获得各类样本集合,每个所述样本集合包括至少一个样本子集,所述样本子集的数量与所述样本集合中所包含的数据属性一一对应。
其中,地下空间类别包括但不限于以下分类:按地下层数划分的类别,或者是按地下空间用途划分的类别。按地下层数划分的类别,则可以获取目标区域的地下层数。地下层数的划分可以是:地下一层、地下两层、或地下三层,还可以包括但不限于地下四层、地下五层等等。按地下空间用途划分的类别,则可以获取目标区域的地下空间用途。地下空间用途的划分可以是:人防工程,以及其他工程等等。
下面以按地下层数划分的类别作为本发明实施例地下空间类别为例,说明样本数据的分类。
统计样本区域上存在地下一层的大楼信息,记为第一样本集合A,第一样本集合的包括高度、面积、使用属性等三个数据属性中至少之一,样本区域中存在地下一层的大楼数量为m,即第一样本集合A中有m个样本对象;统计样本区域上存在地下二层的大楼信息,记为第二样本集合B,样本区域中存在地下二层的大楼数量为n,即第二样本集合B中有n个样本对象;统计样本区域上存在地下三层的大楼信息,记为第三样本集合C,样本区域中存在地下二层的大楼数量为e,即第三样本集合C中有e个样本对象;以此类推,还可以存在第四样本集合D、第五样本集合E等等。
具体到每一栋楼,若其存在地下二层,则其属于第二样本集合B而不属于第一样本集合A,也不属于第三样本集合C。
例如,第一样本集合A、第二样本集合B和第三样本集合C均可以包括高度、面积、使用属性三个数据属性。则第一样本集合包括三个样本子集,分别是存在地下一层的每个建筑物的高度{a11,a12,a13,,,a1m},存在地下一层的每个建筑物的面积{a21,a22,a23,,,a2m},存在地下一层的每个建筑物的使用属性{a31,a32,a33,,,a3m}。第二样本集合包括三个样本子集,分别是存在地下二层的每个建筑物的高度{b11,b12,b13,,,b1n},存在地下二层的每个建筑物的面积{b21,b22,b23,,,b2n},存在地下二层的每个建筑物的使用属性{b31,b32,b33,,,b3n}。第三样本集合包括三个样本子集,分别是存在地下三层的每个建筑物的高度{c11,c12,c13,,,c1e},存在地下三层的每个建筑物的面积{c21,c22,c23,,,c2e},存在地下三层的每个建筑物的使用属性{c31,c32,c33,,,c3e}。
S106:对各类所述样本集合中所包括的所有样本对象进行聚类计算,得到各所述样本集合的平均值。具体的,对每个样本集合中所包括的所有样本对象进行聚类计算,直到确定其中一个样本对象为聚类中心时,该样本对象对应的高度、面积、使用属性即为该样本集合的平均值。例如,上述第一样本集合A中,包括m个样本对象,当确定其中第x个样本对象为聚类中心时,则a1x、a2x、a3x为第一样本集合的平均值。以此类推,可以分别计算第二样本集合B和第三样本集合C的平均值。
具体的,可以基于K-均值算法的方法对上述各类样本集合进行聚类计算,得到各所述样本集合的平均值。当然,也可以采用其他能够替代K-均值算法的聚类算法。下面对K-均值算法做简要介绍。
K-均值算法是一种人工智能的自动迭代型聚类算法.采用欧式距离计算定义相似性指标,从而发现给定数据集中的有限的类别,且每个类的中心是根据几个集合中所有值的均值得到,每个类用聚类完成后的数据中心来描述。对于给定的一个包含多个不同维数据点的数据集以及要分得的类别K,选取欧式距离作为相似度指标,聚类目标是使得各类的聚类平方和最小,即最小化。聚类中心为对应类别中各数据点的迭代平均值,为了使得算法快速收敛,所以在迭代过程中,应使最终的聚类中心尽可能出现扰动和偏差控制在合理范围内。
K-均值是一个反复迭代的过程,算法分为如下步骤:(a)选取数据空间中的K个对象作为初始中心,每个对象代表一个聚类中心;(b)对于样本中的数据对象,根据它们与这些聚类中心的欧氏距离,按距离最近的准则将它们分到距离它们最近的聚类中心所对应的类;(c)更新聚类中心:将每个类别中所有对象所对应的均值作为该类别的聚类中心,计算目标函数的值;(d)判断聚类中心和目标函数的值是否发生改变,若不变,则输出结果,得到聚类中心,即得到平均值,若改变,则返回步骤(b)。
S108:获取各类所述样本集合之间的独立程度,当所述独立程度小于预设程度,则所述样本数据有效,否则,重新采集样本数据。
关于独立程度计算,可以取样本集合A中的任一子集,如果该子集不存在在样本集合B或样本集合C中,说明A独立于B或C。同理,取样本集合B中的任一子集,如果该子集不存在在样本集合A或样本集合C中,说明B独立于A或C。但实际应用中,不存在完全独立的情况,因此定义独立系数:
Z=X/Y,
其中,X定义为上述计算方法中的A或者B,C的样本子集,存在于其他样本集合中的总次数的统计;Y,定义为存在和不存在的总次数的统计。独立系数小于预设标准值时,代表样本数据可用,则可以进入下一步,否则,返回S102。其中,预设标准值可以取10%、15%或20%。
实际计算中,可以基于上述独立系数的关系式直接计算样本集合A、B和C的独立系数。也可以在经过上述步骤S106得到平均值后,计算平均值之间的独立程度,可以更加准确的获知样本集合A、B和C之间的独立性。
S110:当所述样本数据有效时,获取与所述样本区域的地质结构相同的目标区域,获取目标区域数据。
即在样本数据可用时,开始选择与样本区域的相同地质结构的目标区域,即选择与样本区域的地质结构相同的需要进行深度覆盖需求定位的目标区域,并获得该定位区域的相关目标区域数据。需说明的是,本发明实施例中,地质结构相同是指两者的地质结构可以为完全一致,也可以是相类似的。
S112:将所述目标区域数据分为至少一个目标子集,所述目标子集的数量与所述目标区域数据所包含的数据属性一一对应。
目标区域数据的属性可以包括每个建筑的高度信息、面积信息和使用属性信息至少之一,与样本数据中的每个样本集合的数据属性相同。
例如,上述每个样本集合的信息包括高度信息、面积信息和使用属性信息三个属性,则目标区域数据也可以包括高度信息、面积信息和使用属性信息三个属性。按数据属性划分,目标区域数据中可以包括高度信息子集{s11,s12,s13,,,,s1f}、面积信息子集{s21,s22,s23,,,,s2f}和使用属性信息子集{s31,s32,s33,,,,s3f}。
S114:分别获取每个所述目标子集与所述各类样本集合中对应所述样本子集的相似度,取其中相似度最高的样本集合所对应的地下空间类别,作为所述目标区域的地下空间类别。
具体的,分别计算上述高度信息子集{s11,s12,s13,,,,s1f}与样本集合A、B、C中的高度子集{a11,a12,a13,,,a1m},高度子集{b11,b12,b13,,,b1n},高度子集{c11,c12,c13,,,c1e}的相似度,分别计算上述面积信息子集{s21,s22,s23,,,s2f,}与样本集合A、B、C中的面积子集{a21,a22,a23,,,a2m},面积子集{b21,b22,b23,,,b2n},面积子集{c21,c22,c23,,,c2e}的相似度,分别计算上述使用属性信息子集{s31,s32,s33,,,,s3f}与样本集合A、B、C中的使用属性{a31,a32,a33,,,a3m},使用属性{b31,b32,b33,,,b3n}和使用属性{c31,c32,c33,,,c3e}的相似度,取最大相似度中目标区域数据的子集作为目标区域数据的子集代表。与该子集代表的相似度最高的高度子集、面积子集或使用属性子集所属的样本集合的地下空间类别,作为目标区域的地下空间类别。例如,高度信息子集{s11,s12,s13,,,,s1f}与样本集合B中的高度子集{b11,b12,b13,,,b1n}的相似度最大,则{s11,s12,s13,,,,s1f}为目标区域数据的子集代表,集合样本B所对应的地下空间类别为地下二层,因此,目标区域的地下空间类别也为地下二层。
上述相似度的计算中,可以基于最小距离分类器的计算原理得到,当然,也可以其余其他的计算方法得到最小距离,不再赘述。
下面简要介绍最小距离分类器的计算原理。
最小距离分类计算原理如下:
D(X,Ui)=T[(X-Ui)](X-Ui) (1)
其中,D(X,Ui)为距离定义;X代表需要分类的多维度数据向量;Ui代表多维度的数据中心向量,Ui是已知的,是已经得到的向量中心描述;T代表矩阵的转置运算符号,用于矩阵向量的转置运算。
由于最小距离分类存在固有的缺陷,具体包括:(a)每个维度的数据的离散度不同;(b)所有维度的数据之间的相关度不一致;(c)每个维度的单位量纲也不同。因此,最小距离分类器需要适当进行修正。
NEW-D(S,H)=1/var(A)*D(S,H) (2)
公式(2)中,NEW-D(S,H)代表改进的距离定义;var(H)代表样本集合的方差;S代表需要分类的目标区域数据;H代表已经存在的目标区域数据的中心。由于样本集合的离散度大,分类器效果越弱,因此采用方差的倒数来加权该数据维度。
改进最小距离分类器用于计算相似度的流程如下:(a)分别计算出A,B,C的方差值;(b)计算每个目标区域数据分别到A,B,C的改进距离的大小;(c)S的类别取决于那个最小的改进距离所属的A,B,C的类别。
目标区域的建筑物归类之后的效果如图2所示,不同的建筑物类别针对覆盖需求不同,确定物联网覆盖深度的地理需求,便于支撑规划资源的精准投放。
以上完成了深度覆盖需求定位,本发明实施例提供的深度覆盖需求定位的方法,包括采集样本数据,在样本数据有效时,利用样本数据经过计算获取建筑物数据中的地下层数的类别,从而可以客观、快速地完成建筑物数据所对应的建筑物内深度覆盖需求的定位,解决了目前采用人工勘测获得建筑物数据所对应的建筑物内地下层数所导致的效率低、主观性强且难以勘测深度区域的问题。
在确定了建筑物内的地下层数的类别后,自然的,可以对该建筑物内的物联网进行覆盖设置。覆盖设置可以借助已有的成熟无线网络,即可以在已有的无线网络上报数据的基础上进行物联网修补,以满足建筑物内部的物联网覆盖要求。具体的,物联网修补可以包括:(a)根据已有的无线网络上班的数据确定覆盖空洞集合;(b)结合建筑物位置信息,获取覆盖空洞集合与建筑物位置信息的交集,对该交集的地理位置进行物联网修补。
本发明实施例中深度覆盖需求定位的方法,其执行主体可以是服务器。
本发明实施例还提供一种服务器300,图3为本发明又一示范性实施例中服务器300的结构图,包括存储器310和处理器320。存储器310存储所述样本数据和所述建筑物数据。处理器320用于判断所述样本数据的有效性,并在所述样本数据有效时,每个所述建筑物子集与所述各类样本集合的相似度,以获得所述建筑师数据的地下层数的类别。
本申请实施例提供的服务器300还可以执行图1中服务器执行的方法,并实现服务器在图1所示实施例的功能,在此不再赘述。
本发明实施例还提供一种设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被所述处理器执行时实现上述深度覆盖需求定位的方法的步骤。
本发明实施例还提供一种计算机可读存储介质,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执行时实现上述深度覆盖需求定位的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述的具体实例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种深度覆盖需求定位的方法,其特征在于,包括:
采集样本区域的数据,作为样本数据;
根据所述样本数据中的地下空间类别,将所述样本数据进行分类,获得各类样本集合,每个所述样本集合包括至少一个样本子集,所述样本子集的数量与所述样本集合中所包含的数据属性一一对应;
当所述样本数据有效时,获取与所述样本区域的地质结构相同的目标区域,获取目标区域数据;
将所述目标区域数据分为至少一个目标子集,所述目标子集的数量与所述目标区域数据所包含的数据属性一一对应;
分别获取每个所述目标子集与所述各类样本集合中对应所述样本子集的相似度,取其中相似度最高的样本集合所对应的地下空间类别,作为所述目标区域的地下空间类别。
2.根据权利要求1所述的方法,其特征在于,所述数据属性包括:高度信息、面积信息和使用属性信息中的至少之一。
3.根据权利要求1所述的方法,其特征在于,在所述当所述样本数据有效时中,包括:获取各类所述样本集合之间的独立程度,当所述独立程度小于预设程度,则所述样本数据有效,否则,重新采集样本数据。
4.根据权利要求3所述的方法,其特征在于,在所述当所述样本数据有效时之前,还包括:
对各类所述样本集合中所包括的所有样本对象进行聚类计算,得到各所述样本集合的平均值;
在所述当所述样本数据有效时中,包括:基于各所述样本集合的平均值,计算各类样本集合之间的独立程度。
5.根据权利要求4所述的方法,其特征在于,所述聚类计算为K-均值算法。
6.根据权利要求1所述的方法,其特征在于,在所述分别获取每个所述目标子集与所述各类样本集合的相似度中,包括:
基于最小距离分类器的计算原理,获取每个所述目标子集与所述各类样本集合的相似度。
7.根据权利要求1所述的方法,其特征在于,所述地下空间类别包括:
按地下层数划分的类别,或者是按地下空间用途划分的类别。
8.一种服务器,其特征在于,包括存储器和处理器;
存储器存储样本数据和目标区域数据;
处理器用于判断所述样本数据的有效性,并在所述样本数据有效时,计算每个所述目标子集与各类样本集合的相似度,以获得所述目标区域的地下空间的类别。
9.一种设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604287.1A CN112187502B (zh) | 2019-07-05 | 2019-07-05 | 一种深度覆盖需求定位的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604287.1A CN112187502B (zh) | 2019-07-05 | 2019-07-05 | 一种深度覆盖需求定位的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112187502A true CN112187502A (zh) | 2021-01-05 |
CN112187502B CN112187502B (zh) | 2022-12-23 |
Family
ID=73916072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910604287.1A Active CN112187502B (zh) | 2019-07-05 | 2019-07-05 | 一种深度覆盖需求定位的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112187502B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103534617A (zh) * | 2011-02-25 | 2014-01-22 | 全球科技服务有限公司 | 用于定位地下矿体的方法、系统及装置 |
US20160092790A1 (en) * | 2014-09-25 | 2016-03-31 | Samsung Eletrônica da Amazônia Ltda. | Method for multiclass classification in open-set scenarios and uses thereof |
CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及系统 |
CN107832978A (zh) * | 2017-12-05 | 2018-03-23 | 星汉智能科技股份有限公司 | 基于蜂窝的窄带物联网技术的资产定位管理系统 |
US20180341700A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial intelligence based method and apparatus for determining regional information |
CN109165679A (zh) * | 2018-07-31 | 2019-01-08 | 咪咕文化科技有限公司 | 一种数据处理方法及装置 |
CN109685905A (zh) * | 2017-10-18 | 2019-04-26 | 深圳市掌网科技股份有限公司 | 基于增强现实的小区规划方法和系统 |
-
2019
- 2019-07-05 CN CN201910604287.1A patent/CN112187502B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103534617A (zh) * | 2011-02-25 | 2014-01-22 | 全球科技服务有限公司 | 用于定位地下矿体的方法、系统及装置 |
US20160092790A1 (en) * | 2014-09-25 | 2016-03-31 | Samsung Eletrônica da Amazônia Ltda. | Method for multiclass classification in open-set scenarios and uses thereof |
CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及系统 |
US20180341700A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Artificial intelligence based method and apparatus for determining regional information |
CN109685905A (zh) * | 2017-10-18 | 2019-04-26 | 深圳市掌网科技股份有限公司 | 基于增强现实的小区规划方法和系统 |
CN107832978A (zh) * | 2017-12-05 | 2018-03-23 | 星汉智能科技股份有限公司 | 基于蜂窝的窄带物联网技术的资产定位管理系统 |
CN109165679A (zh) * | 2018-07-31 | 2019-01-08 | 咪咕文化科技有限公司 | 一种数据处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
喻根: "LTE室分深度覆盖优化建设方案", 《通信与信息技术》 * |
张隽: "数据挖掘在电信客户细分中的应用研究", 《山东工业技术》 * |
文聪聪等: "主题模型与SVM组合的小尺度街区用地分类方法", 《地球信息科学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112187502B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719568B (zh) | 一种室内定位方法、装置、介质以及设备 | |
US8995988B2 (en) | Communication characteristic analyzing system, communication characteristic analyzing method, and communication characteristic analyzing program | |
US9332382B1 (en) | System and method of location estimation based on intersections and range estimation | |
JP5273664B2 (ja) | 通信特性解析システム、通信特性解析方法、及び通信特性解析プログラム | |
US20060245572A1 (en) | Geocoding method using multidimensional vector spaces | |
CN105188030B (zh) | 一种移动网络数据进行地理栅格映射的方法 | |
WO2020107712A1 (zh) | 基于用户数据实现天线方位角纠偏的方法 | |
CN103533647A (zh) | 一种基于分簇机制及稳健回归的射频地图自适应定位方法 | |
CN109143156B (zh) | 一种定位指纹库的校准方法及装置 | |
WO2020024597A1 (zh) | 室内定位方法和装置 | |
CN102253365B (zh) | 基于无线信号源参数估计的室内定位方法 | |
CN111291145A (zh) | 无线热点与兴趣点的映射方法、装置和存储介质 | |
CN117171288B (zh) | 一种栅格地图解析方法、装置、设备和介质 | |
CN112187502B (zh) | 一种深度覆盖需求定位的方法 | |
Zhao et al. | Urban spatial structure analysis: quantitative identification of urban social functions using building footprints | |
KR20140119333A (ko) | 위치 정확도 향상을 위한 위치 측위 방법 및 장치 | |
CN116017526A (zh) | 网络性能评估方法、装置、设备及存储介质 | |
CN112887909B (zh) | 一种基于Wi-Fi信号的室内定位方法 | |
CN114710742A (zh) | 一种基于多链插值构建指纹地图的室内定位方法 | |
Mondal et al. | Genetic algorithm optimized grid-based RF fingerprint positioning in heterogeneous small cell networks | |
CN114679683A (zh) | 一种基于派生指纹迁移的室内智能定位方法 | |
Sung et al. | Estimating ap location using crowdsourced wi-fi fingerprints with inaccurate location labels | |
Mendoza-Silva et al. | Situation goodness method for weighted centroid-based Wi-Fi aps localization | |
CN116170761B (zh) | 一种手机信令数据综合扩样校核方法及系统 | |
Han et al. | Holistic visual data representation for built environment assessment |
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 |