CN112243193B - 室内定位方法、装置、计算机设备和可读存储介质 - Google Patents

室内定位方法、装置、计算机设备和可读存储介质 Download PDF

Info

Publication number
CN112243193B
CN112243193B CN202011049709.2A CN202011049709A CN112243193B CN 112243193 B CN112243193 B CN 112243193B CN 202011049709 A CN202011049709 A CN 202011049709A CN 112243193 B CN112243193 B CN 112243193B
Authority
CN
China
Prior art keywords
rssi
target
data set
classification tree
tree model
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
Application number
CN202011049709.2A
Other languages
English (en)
Other versions
CN112243193A (zh
Inventor
柳孟轲
王昆
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.)
Chengdu Changhong Network Technology Co ltd
Original Assignee
Chengdu Changhong Network 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 Chengdu Changhong Network Technology Co ltd filed Critical Chengdu Changhong Network Technology Co ltd
Priority to CN202011049709.2A priority Critical patent/CN112243193B/zh
Publication of CN112243193A publication Critical patent/CN112243193A/zh
Application granted granted Critical
Publication of CN112243193B publication Critical patent/CN112243193B/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
    • 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
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供的室内定位方法、装置、计算机设备和可读存储介质，应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述方法包括：建立目标分类树模型；在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标；解决了现有技术在基于指纹识别的蓝牙定位中需要遍历所有指纹计算欧式距离，导致计算速度慢、计算量大的问题，不仅提高了计算速度，还提高了定位精度。

Description

室内定位方法、装置、计算机设备和可读存储介质
技术领域
本发明涉及室内定位技术领域，具体涉及室内定位方法、装置、计算机设备和可读存储介质。
背景技术
GPS、北斗等卫星定位技术在户外交通、旅游等行业领域广泛应用，而室内建筑中由于内部结构复杂，受到障碍物干扰导致卫星信号环境复杂的因素，卫星定位无法在室内地下等环境中实现较好的定位效果；蓝牙室内定位技术由于有成本低，部署简单，耗电量少后期维护简单等优势成为当前室内定位的主流技术。
蓝牙室内定位技术主要分为两类，三边定位法和位置指纹识别法。三边定位发是利用蓝牙信号的在室内的衰减规律计算和对应蓝牙基站的距离，通过到三个基站的距离测算目标位置。指纹识别法是先在目标位置记录基站信号建立指纹库，定位时查询各指纹库找到符合的指纹再根据指纹获取对应位置信息。
但是，现有技术在基于指纹识别的蓝牙定位中需要遍历所有指纹计算欧式距离，导致计算速度慢、计算量大的问题。
发明内容
针对现有技术中所存在的不足，本发明提供的室内定位方法、装置、计算机设备和可读存储介质，其解决了现有技术在基于指纹识别的蓝牙定位中需要遍历所有指纹计算欧式距离，导致计算速度慢、计算量大的问题，不仅提高了计算速度，还提高了定位精度。
第一方面，本发明提供一种室内定位方法，应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述方法包括：建立目标分类树模型；在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
可选地，所述建立目标分类树模型，包括：在每个参考点获取到所述每个蓝牙基站的RSSI参考值，得到RSSI参考数据集；将所述每个参考点的坐标与所述RSSI参考数据集，构建指纹地图库；将所述指纹地图库加入随机数，得到多组虚拟指纹地图库；将所述虚拟指纹地图库进行分类树训练，得到所述目标分类树模型。
可选地，将所述虚拟指纹地图库进行分类树训练，得到所述目标分类树模型，包括：将所述多组虚拟指纹地图库中进行分类树训练，得到源分类树模型；将所述指纹地图库中的RSSI数据集输入所述源分类树模型进行测试，得到测试坐标集；获取所述测试坐标集与所述指纹地图库中的相应坐标的误差值；当所述误差值小于或等于预设误差时，将所述源分类树模型作为所述目标分类树模型；
可选地，所述方法还包括：当所述误差值大于所述预设误差时，调整所述随机数，得到更新后的虚拟指纹地图库；将所述更新后的虚拟指纹地图库进行一下次分类树训练。
可选地，根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集，包括：根据每个参考点的坐标，得到所述多个参考点的指纹关系图；根据所述预测坐标和所述指纹关系图，得到与所述预测坐标相邻的多个相邻参考点；根据所述指纹地图库，获取每个相邻参考点对应的RSSI相邻数据集；根据所述RSSI目标数据集与每个RSSI相邻数据集，计算出所述目标位置到每个相邻参考点的欧式距离；根据每个相邻参考点的欧式距离，获取到每个相邻参考点的权重数据。
可选地，每个相邻参考点的权重数据计算公式为：
Figure GDA0003725699500000021
其中，Wi为相邻参考点的权重，P表示相邻参考点的总个数，i＝(1，p)，di表示第i个相邻参考点的欧式距离。
可选地，所述在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集，包括：在预设时长内，在所述待定位的目标位置获取到每个蓝牙基站的多个RSSI原始值；通过高斯函数，对所述每个蓝牙基站的多个RSSI原始值进行滤波，得到多个RSSI滤波值；获取所述多个RSSI滤波值的均值，得到所述每个蓝牙基站对应的RSSI目标值；根据所有蓝牙基站对应的RSSI目标值，得到RSSI目标数据集。
第二方面，本发明提供一种室内定位装置，应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述装置包括：模型建立模块，用于建立目标分类树模型；目标数据集获取模块，用于在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；预测坐标获取模块，用于将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；权重数据获取模块，用于根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；实际坐标计算模块，用于根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
第三方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：建立目标分类树模型；在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
第四方面，本发明提供一种可读存储介质，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以下步骤：建立目标分类树模型；在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
本发明的工作原理为：
本发明在待定位的目标位置获取多个蓝牙基站的RSSI目标值，得到RSSI目标数据集，将所述RSSI目标数据集通过所述目标分类树模型进行预测得到所述目标位置的预测坐标；根据所述预测坐标获取到所述预测坐标附近的相邻参考点，再遍历计算出所有相邻参考点的权重数据，根据所述相邻参考点的权重数据和坐标，计算出所述带定位的目标位置的实际坐标。
相比于现有技术，本发明具有如下有益效果：
1、本发明通过目标分类树模型预测出待定位目标位置的预测位置，再根据预测位置附近的相邻参考点的权重数据和坐标计算出实际位置，因此本发明只需对几个相邻参考点进行数据的处理和计算，不需要对每个参考点的数据进行处理，减少了计算量、提高了计算速度。
2、本发明通过目标分类树模型对定位目标的一次粗略预测，通过相邻参考点的坐标和权重作为计算基础进行二次的精确计算，提高了室内定位的准确度。
附图说明
图1所示为本发明实施例提供的一种室内定位方法的流程示意图；
图2所示为图1中步骤S101的具体流程示意图；
图3所示为图1中步骤S104的具体流程示意图；
图4所示为本发明实施例提供的一种参考点RSSI概率密度分布图；
图5所示为本发明实施例提供的另一种室内定位方法的流程示意图；
图6所示为本发明实施例提供的一种室内定位装置的结构框图。
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的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的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。
实施例一
图1所示为本发明实施例提供的一种室内定位方法的流程示意图；如图1所示，该室内定位方法应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述方法具体包括以下步骤：
步骤S101，建立目标分类树模型。
在本实施例中，如图2所示，所述建立目标分类树模型具体包括以下步骤：
步骤S201，在每个参考点获取到所述每个蓝牙基站的RSSI参考值，得到RSSI参考数据集；
步骤S202，将所述每个参考点的坐标与所述RSSI参考数据集，构建指纹地图库；
步骤S203，将所述指纹地图库加入随机数，得到多组虚拟指纹地图库；
步骤S204，将所述多组虚拟指纹地图库中进行分类树训练，得到源分类树模型；
步骤S205，将所述指纹地图库中的RSSI数据集输入所述源分类树模型进行测试，得到测试坐标集；
步骤S206，获取所述测试坐标集与所述指纹地图库中的相应坐标的误差值；
步骤S207，判断所述误差值是否大于预设误差，当所述误差值大于所述预设误差时执行步骤S208，当所述误差值小于或等于所述预设误差时执行步骤S209；
步骤S208，调整所述随机数，继续执行步骤S203；
步骤S209，将所述源分类树模型作为所述目标分类树模型。
需要说明的是，室内部署K个基站，设置N个参考点(longitudei,latitudei)，i∈(1,2,…,N)，在每个参考点收集RSSI的值，令位置Pn处收到RSSI测量值为Rn＝(r1,n,r2, n..ri,n..rk,n)，ri,n为第i个基站在位置Pn收到的RSSI的值，由此得到指纹地图库(Rn，(longituden,latituden)；将指纹地图库中的RSSI值作为特征，将坐标位置作为标签引入随机数作为信号噪声使RSSI进行一定范围内的随机增减，生成多组虚拟指纹库，将所述多组虚拟指纹库输入到开源的LightGBM算法框架进行第一次训练得到源分类树模型；然后将所述指纹地图库中的RSSI数据集输入所述源分类树模型进行测试，得到测试坐标集，测试坐标集与所述指纹地图库中的原始坐标进行比对，如果比对结果是误差小于预设误差时，判定源分类树模型的训练效果理想，可以作为目标分类树模型；如果比对结果是误差大于预设误差时，判定源分类树模型的训练效果欠佳，需要调整随机数重新进行虚拟指纹地图库的生成，并将所述更新后的虚拟指纹地图库进行下一下训练，直到所述目标分类树模型达到预设的效果为止。
步骤S102，在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；
在本实施例中，室内部署K个蓝牙基站，则在待定位的目标位置处收到每个蓝牙基站的RSSI目标值分别为R1，R2……Rk，由(i,Ri)组成了RSSI目标数据集，其中i∈(1,2,…,K)。
步骤S103，将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标.
在本实施例中，在本实施例中所述目标分类树模型的输入参数为RSSI值时，输出参数为坐标值；因此将在待定位的目标位置获取到的RSSI目标数据集输入到所述目标分类树模型中进行计算，得出所述待定位目标位置的预测坐标。
步骤S104，根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集。
在本实施例中，图3所示为图1中步骤S104的具体流程示意图，如图2所示，步骤S104，根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集具体包括如下步骤：
步骤S301，根据每个参考点的坐标，得到所述多个参考点的指纹关系图；
步骤S302，根据所述预测坐标和所述指纹关系图，得到与所述预测坐标相邻的多个相邻参考点；
步骤S303，根据所述指纹地图库，获取每个相邻参考点对应的RSSI相邻数据集；
步骤S304，根据所述RSSI目标数据集与每个RSSI相邻数据集，计算出所述目标位置到每个相邻参考点的欧式距离；
步骤S305，根据每个相邻参考点的欧式距离，获取到每个相邻参考点的权重数据。
需要说明的是，在本实施例中根据每个参考点的坐标位置，可以得到与每个参考点相邻的多个参考点的指纹关系图，例如参考点的数量为9个时，与5号参考点可能相邻的参考点为2号参考点、4号参考点、6号参考点和8号参考点，当所述预测坐标为5号参考点时，根据上述指纹关系图可以得出与所述预测坐标相邻的多个参相邻考点，根据所述RSSI目标数据集与每个RSSI相邻数据集，计算出所述目标位置到每个相邻参考点的欧式距离，其中欧式距离的计算公式为：
Figure GDA0003725699500000061
rk为待定位的目标位置采集到的RSSI值，ri,k表示参考点i接收到基站k的RSSI值，N为基站总数。
每个相邻参考点的权重数据计算公式为：
Figure GDA0003725699500000062
其中，Wi为相邻参考点的权重，P表示相邻参考点的总个数，i＝(1，p)，di表示第i个相邻参考点的欧式距离。
步骤S105，根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
在本实施例中，获取到每个相邻参考点的权重后，再对每个相邻参考点的坐标乘以相应权重后再求和，得到所述目标位置的实际坐标。
本发明的工作原理为：
本发明在待定位的目标位置获取多个蓝牙基站的RSSI目标值，得到RSSI目标数据集，将所述RSSI目标数据集通过所述目标分类树模型进行预测得到所述目标位置的预测坐标；根据所述预测坐标获取到所述预测坐标附近的相邻参考点，再遍历计算出所有相邻参考点的权重数据，根据所述相邻参考点的权重数据和坐标，计算出所述带定位的目标位置的实际坐标。
相比于现有技术，本发明具有如下有益效果：
2、本发明通过目标分类树模型预测出待定位目标位置的预测位置，再根据预测位置附近的相邻参考点的权重数据和坐标计算出实际位置，因此本发明只需对几个相邻参考点进行数据的处理和计算，不需要对每个参考点的数据进行处理，减少了计算量、提高了计算速度。
3、本发明通过目标分类树模型对定位目标的一次粗略预测，通过相邻参考点的坐标和权重作为计算基础进行二次的精确计算，提高了室内定位的准确度。
实施例二
在本实施例中，所述在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集，包括：在预设时长内，在所述待定位的目标位置获取到每个蓝牙基站的多个RSSI原始值；通过高斯函数，对所述每个蓝牙基站的多个RSSI原始值进行滤波，得到多个RSSI滤波值；获取所述多个RSSI滤波值的均值，得到所述每个蓝牙基站对应的RSSI目标值；根据所有蓝牙基站对应的RSSI目标值，得到RSSI目标数据集。
图4所示为本发明实施例提供的一种参考点RSSI概率密度分布图，由图4可知，在一个参考点获取到同一个蓝牙基站的多个RSSI值分布在均值附近的概率最大，因此可以通过高斯函数对多个RSSI原始值进行滤波，再对滤出杂波信号后的多个RSSI滤波值取均值后得到在所述目标位置获取到每个蓝牙基站的RSSI目标值。
实施例三
图5所示为本发明实施例提供的另一种室内定位方法的流程示意图；如图5所示，本实施例提供的另一种室内定位方法具体包括以下步骤：
步骤1：安装定位基站，确认基站工况后在室内呈三角形部署。
步骤2：记录各目标位置经纬度并采集对应位置各基站蓝牙信号得到指纹库，在室内各预定位置收集基站蓝牙信号并上报对应经纬度坐标。
其中采集的蓝牙信号正态分布概率密度函数符合高斯函数
Figure GDA0003725699500000071
σ表示待测点的RSSI标准差μ对应RSSI均值，由函数可知分布在均值附近概率最大，函数曲线下68.268949％的面积在平均数左右的一个标准差范围内。取滤波后的RSSI作为对应基站在指纹点处的特征值。
步骤3：指纹库建立无向图构建指纹间关系，每个指纹视为图的顶点，则有V(G)＝{V1，V2，V3，V4，V5}，可能的临近基站路线有E(G)＝{(V1，V2)，(V1，V4)，(V2，V3)，(V2，V5)，(V3，V4)，(V3，V5)，(V4，V5)}。
步骤4：通过指纹库引入噪声得到虚拟指纹库，指纹库RSSI值作为特征、指纹位置作为标签引入随机数作为信号噪声使RSSI进行一定范围内的随机增减，生成多组虚拟指纹库。
步骤5：虚拟指纹库进行离线学习使用指纹库进行比对不断调整噪声和虚拟指纹库数量直到准确率到达标准，由此得到基站信号-指纹分类模型，采用Microsoft开源的LightGBM算法框架作为训练基础，该算法实习那了GBDT(Gradient Boosting DecisionTree),其核心思想死利用决策树迭代训练出最优模型，在工业级中应用广泛。
首先将虚拟指纹库切分特征值(指纹处各基站信号的集合)和标签值(指纹处坐标)，之后切分训练集和测试集比例为7:3，之后使用训练集进行训练，训练后使用测试集的特征值数据进行测试获取一组训练标签值，训练标签值和测试标签值一一对比，得到训练结果误差，根据误差判定模型效果，根据效果调整步骤4中的信号噪声值，直到训练结果准确率满足工业需求。将训练结果保存并植入到定位系统中，启动时加载模型。
步骤6：待定位目标上报各基站蓝牙信号，上报信号经过基站白名单过滤和高斯滤波二维化，进入等待定位状态。
步骤7：通过分类模型预测上报信号所在坐标附近指纹，通过预测指纹和指纹无向图获取预测指纹附近指纹形成指纹预测群，二维话的定位信号进入定位系统，通过离线训练模型得到预测指纹点和其经纬度，预测指纹点作为无向图的顶点获取其顶点边上所有其他指纹点，得到指纹群。
步骤8：通过指纹预测群计算每个指纹和上报数据之间的欧式距离通过欧式距离求倒数得到对应指纹权重，通过预测指纹群的指纹权重得到对应坐标权重叠加得到最终坐标；具体地，从指纹无向图中获取对应指纹路径上的其他顶点，对获取的临近指纹点和预测指纹点组成的指纹新群进行遍历，上报数据高斯滤波后，计算对应每个指纹欧式距离，对欧式距离进行取反，距离作为分母得到对应权重，每个指纹权重即为对应指纹坐标权重，遍历新群每个指纹坐标乘以权重叠加获取最终坐标。
实施例四
图6所示为本发明实施例提供的一种室内定位装置的结构框图，本发明提供一种室内定位装置，应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述装置包括：
模型建立模块610，用于建立目标分类树模型；
目标数据集获取模块620，用于在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；
预测坐标获取模块630，用于将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；
权重数据获取模块640，用于根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；
实际坐标计算模块650，用于根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
在本发明的一个实施例中，所述模型建立模块610包括：RSSI参考数据集获取模块，用于在每个参考点获取到所述每个蓝牙基站的RSSI参考值，得到RSSI参考数据集；指纹地图库构建模块，用于将所述每个参考点的坐标与所述RSSI参考数据集，构建指纹地图库；虚拟指纹地图库获取模块，用于将所述指纹地图库加入随机数，得到多组虚拟指纹地图库；训练模块，用于将所述虚拟指纹地图库进行分类树训练，得到所述目标分类树模型。
所述训练模块包括：源分类树模型获取模块，用于将所述多组虚拟指纹地图库中进行分类树训练，得到源分类树模型；测试坐标集获取模块，用于将所述指纹地图库中的RSSI数据集输入所述源分类树模型进行测试，得到测试坐标集；误差值获取模块，用于获取所述测试坐标集与所述指纹地图库中的相应坐标的误差值；目标分类树模型获取模块，用于当所述误差值小于或等于预设误差时，将所述源分类树模型作为所述目标分类树模型；调整模块，用于当所述误差值大于所述预设误差时，调整所述随机数，得到更新后的虚拟指纹地图库；将所述更新后的虚拟指纹地图库进行一下次分类树训练。
在本发明的一个实施例中，所述权重数据获取模块640包括：指纹关系图获取模块，用于根据每个参考点的坐标，得到所述多个参考点的指纹关系图；相邻参考点获取模块，用于根据所述预测坐标和所述指纹关系图，得到与所述预测坐标相邻的多个相邻参考点；相邻数据集获取模块，用于根据所述指纹地图库，获取每个相邻参考点对应的RSSI相邻数据集；欧式距离计算模块，用于根据所述RSSI目标数据集与每个RSSI相邻数据集，计算出所述目标位置到每个相邻参考点的欧式距离；权重数据获取模块，用于根据每个相邻参考点的欧式距离，获取到每个相邻参考点的权重数据。
在本发明的一个实施例中，所述目标数据集获取模块620包括：RSSI原始值获取模块，用于在预设时长内，在所述待定位的目标位置获取到每个蓝牙基站的多个RSSI原始值；滤波模块，用于通过高斯函数，对所述每个蓝牙基站的多个RSSI原始值进行滤波，得到多个RSSI滤波值；RSSI目标值获取模块，用于获取所述多个RSSI滤波值的均值，得到所述每个蓝牙基站对应的RSSI目标值；目标数据集获取模块，用于根据所有蓝牙基站对应的RSSI目标值，得到RSSI目标数据集。
在本发明的另一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：建立目标分类树模型；在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
在本发明的又一个实施例中，提供一种可读存储介质，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以下步骤：建立目标分类树模型；在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (9)

1.一种室内定位方法，其特征在于，应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述方法包括：
建立目标分类树模型；
在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；
将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；
根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；
根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标；
其中，所述建立目标分类树模型，包括：在每个参考点获取到所述每个蓝牙基站的RSSI参考值，得到RSSI参考数据集；将所述每个参考点的坐标与所述RSSI参考数据集，构建指纹地图库；将所述指纹地图库加入随机数，得到多组虚拟指纹地图库；将所述虚拟指纹地图库进行分类树训练，得到所述目标分类树模型。
2.如权利要求1所述的室内定位方法，其特征在于，将所述虚拟指纹地图库进行分类树训练，得到所述目标分类树模型，包括：
将所述多组虚拟指纹地图库中进行分类树训练，得到源分类树模型；
将所述指纹地图库中的RSSI数据集输入所述源分类树模型进行测试，得到测试坐标集；
获取所述测试坐标集与所述指纹地图库中的相应坐标的误差值；
当所述误差值小于或等于预设误差时，将所述源分类树模型作为所述目标分类树模型。
3.如权利要求2所述的室内定位方法，其特征在于，所述方法还包括：
当所述误差值大于所述预设误差时，调整所述随机数，得到更新后的虚拟指纹地图库；
将所述更新后的虚拟指纹地图库进行一下次分类树训练。
4.如权利要求1所述的室内定位方法，其特征在于，根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集，包括：
根据每个参考点的坐标，得到所述多个参考点的指纹关系图；
根据所述预测坐标和所述指纹关系图，得到与所述预测坐标相邻的多个相邻参考点；
根据所述指纹地图库，获取每个相邻参考点对应的RSSI相邻数据集；
根据所述RSSI目标数据集与每个RSSI相邻数据集，计算出所述目标位置到每个相邻参考点的欧式距离；
根据所述每个相邻参考点的欧式距离，获取到每个相邻参考点的权重数据。
5.如权利要求4所述的室内定位方法，其特征在于，每个相邻参考点的权重数据计算公式为：
Figure FDA0003725699490000021
其中，Wi为相邻参考点的权重，P表示相邻参考点的总个数，i＝(1，p)，di表示第i个相邻参考点的欧式距离。
6.如权利要求1所述的室内定位方法，其特征在于，所述在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集，包括：
在预设时长内，在所述待定位的目标位置获取到每个蓝牙基站的多个RSSI原始值；
通过高斯函数，对所述每个蓝牙基站的多个RSSI原始值进行滤波，得到多个RSSI滤波值；
获取所述多个RSSI滤波值的均值，得到所述每个蓝牙基站对应的RSSI目标值；
根据所有蓝牙基站对应的RSSI目标值，得到RSSI目标数据集。
7.一种室内定位装置，其特征在于，应用于室内定位系统，所述系统包括多个蓝牙基站和多个参考点，所述装置包括：
模型建立模块，用于建立目标分类树模型；
目标数据集获取模块，用于在待定位的目标位置获取到每个蓝牙基站的RSSI目标值，得到RSSI目标数据集；
预测坐标获取模块，用于将所述RSSI目标数据集输入所述目标分类树模型进行预测，得到所述目标位置的预测坐标；
权重数据获取模块，用于根据所述预测坐标和所述RSSI目标数据集，获取多个相邻参考点的权重数据集；
实际坐标计算模块，用于根据所述权重数据集和所述每个相邻参考点的坐标，计算出所述目标位置的实际坐标；
其中，所述建立目标分类树模型还用于在每个参考点获取到所述每个蓝牙基站的RSSI参考值，得到RSSI参考数据集；将所述每个参考点的坐标与所述RSSI参考数据集，构建指纹地图库；将所述指纹地图库加入随机数，得到多组虚拟指纹地图库；将所述虚拟指纹地图库进行分类树训练，得到所述目标分类树模型。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种可读存储介质，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至6中任一项所述方法的步骤。
CN202011049709.2A 2020-09-29 2020-09-29 室内定位方法、装置、计算机设备和可读存储介质 Active CN112243193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011049709.2A CN112243193B (zh) 2020-09-29 2020-09-29 室内定位方法、装置、计算机设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011049709.2A CN112243193B (zh) 2020-09-29 2020-09-29 室内定位方法、装置、计算机设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN112243193A CN112243193A (zh) 2021-01-19
CN112243193B true CN112243193B (zh) 2022-08-12

Family

ID=74171488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011049709.2A Active CN112243193B (zh) 2020-09-29 2020-09-29 室内定位方法、装置、计算机设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN112243193B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113316080B (zh) * 2021-04-19 2023-04-07 北京工业大学 基于Wi-Fi与图像融合指纹的室内定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015085948A1 (en) * 2013-12-13 2015-06-18 Tencent Technology (Shenzhen) Company Limited Method, device, and server for friend recommendation
CN106851571A (zh) * 2017-01-20 2017-06-13 华南理工大学 一种基于决策树的快速KNN室内WiFi定位方法
CN108627798A (zh) * 2018-04-04 2018-10-09 北京工业大学 基于线性判别分析和梯度提升树的wlan室内定位算法
CN109275095A (zh) * 2018-11-09 2019-01-25 中科数字健康科学研究院（南京）有限公司 一种基于蓝牙的室内定位系统、定位设备和定位方法
CN110996280A (zh) * 2019-11-06 2020-04-10 山东大学 一种rfid室内定位指纹库更新系统及方法
CN111405461A (zh) * 2020-03-16 2020-07-10 南京邮电大学 一种优化等间隔指纹采样个数的无线室内定位方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015085948A1 (en) * 2013-12-13 2015-06-18 Tencent Technology (Shenzhen) Company Limited Method, device, and server for friend recommendation
CN106851571A (zh) * 2017-01-20 2017-06-13 华南理工大学 一种基于决策树的快速KNN室内WiFi定位方法
CN108627798A (zh) * 2018-04-04 2018-10-09 北京工业大学 基于线性判别分析和梯度提升树的wlan室内定位算法
CN109275095A (zh) * 2018-11-09 2019-01-25 中科数字健康科学研究院（南京）有限公司 一种基于蓝牙的室内定位系统、定位设备和定位方法
CN110996280A (zh) * 2019-11-06 2020-04-10 山东大学 一种rfid室内定位指纹库更新系统及方法
CN111405461A (zh) * 2020-03-16 2020-07-10 南京邮电大学 一种优化等间隔指纹采样个数的无线室内定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Performance Comparison and Evaluation of Indoor Positioning Technology Based on Machine Learning Algorithms;Mengmeng Li;《2019 IEEE 19th International Conference on Communication Technology》;20191019;全文 *
基于GBDT的Wi-Fi室内定位算法研究;刘付杰等;《数字通信世界》;20181001(第10期);全文 *
基于WiFi指纹的高精度室内定位融合算法;康晓非等;《西安科技大学学报》;20200531(第03期);全文 *
基于位置指纹的WIFI室内定位技术研究;邓渊;《中国优秀硕士论文电子期刊网》;20200115;全文 *

Also Published As

Publication number Publication date
CN112243193A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN107153894B (zh) 一种风电场的预测风速校正方法及装置
US11206555B2 (en) Method for implementing antenna azimuth correction based on user data
CN113344291B (zh) 城市内涝淹没范围的预报方法、装置、介质和设备
CN109523066B (zh) 一种基于克里金插值的pm2.5新增移动站点选址方法
CN112418632B (zh) 一种生态修复关键区域识别方法及系统
CN110738354A (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN114723188A (zh) 水质预测方法、装置、计算机设备和存储介质
CN112243193B (zh) 室内定位方法、装置、计算机设备和可读存储介质
CN115859805A (zh) 基于混合加点准则的自适应序贯试验设计方法和装置
CN113704693A (zh) 一种高精度的有效波高数据估计方法
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN113822892B (zh) 仿真雷达的评测方法、装置、设备及计算机存储介质
CN114916059A (zh) 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法
CN111582378B (zh) 定位识别模型的训练生成方法、位置检测方法、装置
CN111474516B (zh) 一种基于众包样本曲面拟合的多层次室内定位方法及系统
CN111881964A (zh) 一种基于Delaunay三角网的线性建筑物模式识别方法与系统
CN116629415A (zh) 一种基于地理加权回归的就业岗位预测方法、设备、介质
CN116774316A (zh) 短临降水的预测方法、装置、存储介质及计算机设备
CN116299543A (zh) 边坡形变监测方法、装置、飞行设备及存储介质
CN116542692A (zh) 网点选址方法、装置、电子设备及计算机可读存储介质
CN115311574A (zh) 一种建筑物监测方法、设备及介质
CN113053106B (zh) 基于多传感器信息融合的交通状态估计方法和装置
CN113887058A (zh) 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法
CN110426755B (zh) 一种基于改进反距离加权的地面气温资料质量控制方法
CN112033879A (zh) 一种大气腐蚀性数据插值方法及系统

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