CN113094803B - Beacon设备丢失概率的计算方法、装置、设备及存储介质 - Google Patents

Beacon设备丢失概率的计算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113094803B
CN113094803B CN202110493460.2A CN202110493460A CN113094803B CN 113094803 B CN113094803 B CN 113094803B CN 202110493460 A CN202110493460 A CN 202110493460A CN 113094803 B CN113094803 B CN 113094803B
Authority
CN
China
Prior art keywords
beacon
correlation
equipment
loss probability
probability
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
CN202110493460.2A
Other languages
English (en)
Other versions
CN113094803A (zh
Inventor
杨斌
刘宇飞
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.)
Shenzhen Qianhai Intelligent Vehicles Technology Co ltd
Original Assignee
Shenzhen Qianhai Intelligent Vehicles 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 Shenzhen Qianhai Intelligent Vehicles Technology Co ltd filed Critical Shenzhen Qianhai Intelligent Vehicles Technology Co ltd
Priority to CN202110493460.2A priority Critical patent/CN113094803B/zh
Publication of CN113094803A publication Critical patent/CN113094803A/zh
Application granted granted Critical
Publication of CN113094803B publication Critical patent/CN113094803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明适用巡检技术领域，提供了一种Beacon设备丢失概率的算法，该方法通过关联Beacon设备的时间相关度和空间相关度建立Beacon设备的丢失概率模型，通过丢失概率模型计算出Beacon设备的丢失概率，方便维护巡检人员根据Beacon设备的丢失概率有针对性地去现场检测，及时添补Beacon设备，从而节约大量的人力，提高室内定位的效果和提升用户体验。

Description

Beacon设备丢失概率的计算方法、装置、设备及存储介质
技术领域
本发明属于巡检技术领域，尤其涉及一种Beacon设备丢失概率的计算方法、装置、设备及存储介质。
背景技术
在室内定位方法中，室内Beacon的定位精度依赖于已部署的Beacon设备，如果某些已部署Beacon设备丢失，会严重影响定位的效果和导航用户的体验，及时添补丢失的Beacon设备，是维护和巡检的重要任务。传统的Beacon设备巡检，需要专业检测维护人员携带安装有定制的APP的终端设备，去实际现场逐个检测，检测过程中会耗费巨大人力，尤其对有大量Beacon设备需要维护巡检的室内建筑，耗费的资源更是惊人。
发明内容
本发明的目的在于提供一种Beacon设备丢失概率的计算方法、装置、设备及存储介质，用于解决在检测Beacon设备是否丢失的过程中需要耗费大量人力的问题。
一方面，本发明提供了一种Beacon设备丢失概率的计算方法，所述方法包括下述步骤：
获取存储在云端中心服务器中所有已部署的Beacon设备的设备参数，所述设备参数包括uuid、major、minor、mac地址、电量、时间和位置，以所述mac地址为唯一区分标识，对所述已部署的Beacon设备进行逐一编号，所述编号为0，1，2…n-1，将所述已部署的Beacon设备的参数集合记为：A＝{Ai|0≤i<n}；
获取定位和导航APP上传到云端中心服务器中扫描到的Beacon设备的所述设备参数，以mac地址为唯一区分标识，对所述扫描到的Beacon设备进行逐一编号，所述编号为0，1，2…m-1，定义一个时间周期序列0,T,2T,3T…vT，对每个所述扫描到的Beacon设备在某个时间周期p内的所述设备参数,采取新数据覆盖旧数据的策略，将所述扫描到的Beacon设备的参数集合记为：B＝{Bi，p|0≤i<m≤n,0≤p<u≤v}，其中m为集合B中某个Beacon设备在空间关系上的元素个数，最大个数为n，u为集合B中Beacon设备在时间关系上的元素个数，最大个数为v；
对所述集合A和B，以mac地址为唯一区分标识，获得集合C＝A∪B；
对所述集合C，以任一Beacon设备i与其他Beacon设备在时间和空间角度存在的相关度建立所述Beacon设备i的存在概率模型，所述Beacon设备i在时间周期p的存在概率为
Figure BDA0003053372840000021
继而计算出所述Beacon设备i的丢失概率为
Figure BDA0003053372840000022
其中，PEi,p为所述Beacon设备i在时间段p的存在概率，PLi,p为所述Beacon设备i在时间周期p的丢失概率,φij(ri,rj)为空间相关系数，i，j代表Beacon设备编号，ψp,q(tp,tq)为时间相关系数，p,q代表不同的时间周期，若p＝0，则PEi,p和PLi,p各记为PEi和PLi，分别表示所述Beacon设备i在当前时间点的存在概率和丢失概率，
E(j,q)表示所述Beacon设备j的所述设备参数Dj,q在时间周期q内是否上传并被记录，表达式为
Figure BDA0003053372840000023
所述空间参数(ri,rj)和所述时间参数(tp,tq)分别以各自矢量差值绝对值|ri-rj|和|tp-tq|为基本参数建立模型，若以x标记|ri-rj|或|tp-tq|，模型函数P(x)必须满足基本边界条件：
(1)自相关条件：Beacon设备参数与本空间点(自身)或本时间点(当时)高度相关，
(2)相关性衰减条件：空间上(或时间上)远离本Beacon设备(或本时间点)的参数相关性逐渐递减，最终归零，
所述基本边界条件表达式为
Figure BDA0003053372840000031
其中，c为常量。
进一步地，所述模型函数P(x)为级数衰减模型，所述级数衰减模型表达式为
P(x)＝(x/h+c)-k，
其中，h,c>0,k≥1,0≤x≤Xmax，h为统计临界值，对于空间相关性，h取值为部署间隔，对于时间相关性，h取值为巡检时间段，c、k和Xmax均为常量。
进一步地，所述模型函数P(x)为指数衰减模型，所述级数衰减模型表达式为
Figure BDA0003053372840000032
其中，x,h,k>0,0≤c≤1,0≤x≤Xmax，h为统计临界值，对于空间相关性，h可取值为部署间隔，对于时间相关性，h可取巡检时间周期，c、k和XMax均为常量。
进一步地，所述模型函数P(x)为阶梯模型，所述阶梯模型表达式为
Figure BDA0003053372840000033
其中，c1>c2>0，h为统计临界值，对于空间相关性，h可取值为部署间隔，对于时间相关性，h可取巡检时间段，c1和c2为常量。
进一步地，还包括，设定一个概率阈值PLth，并将所有Beacon设备的丢失概率{PLi}进行降序排序，排名靠前且丢失概率PLi≥PLth的Beacon设备即可认为处于丢失状态。
进一步地，还包括，云端中心服务器将已部署Beacon设备的丢失概率或丢失状态的统计结果发送到维护和巡检APP中。
进一步地，还包括，任意时间点或任意时间间隔触发估算所有Beacon设备的丢失概率。
另一方面，本发明提供了一种Beacon设备丢失概率的计算装置，所述装置包括：
获取模块,用于从云端中心服务器中获取已部署的Beacon设备的设备参数和定位和导航APP扫描到的Beacon设备的设备参数；
时间相关度模块,用于建立任一Beacon设备的参数与所在空间内其他Beacon设备的参数在时间角度关联的相关度模型；
空间相关度模块,用于建立任一Beacon设备的参数与所在空间内其他Beacon设备的参数在空间角度关联的相关度模型；
丢失概率统计模块，用于根据时间相关度和空间相关度建立Beacon设备的存在概率模型，并通过所述存在概率模型计算Beacon设备的丢失概率。
另一方面，本发明还提供了一种Beacon设备丢失概率的计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述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Beacon设备丢失概率的计算方法所述的步骤。
另一方面，本发明还提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现Beacon设备丢失概率的计算方法中所述的步骤。
本发明的有益效果：本发明提供了统计建筑物中各个Beacon设备的丢失概率的计算方法，方便维护巡检人员根据Beacon设备的丢失概率有针对性地去现场检测，与传统的巡检方式相比较，通过Beacon设备的丢失概率巡检Beacon设备可以节约95％以上人力，同时通过本发明的计算方法可以实时获取Beacon设备的丢失概率，方便维护巡检人员及时添补Beacon设备，提高室内定位的效果，同时提升用户体验。
附图说明
图1是本发明实施例提供的Beacon设备丢失概率的计算方法的流程图；
图2是本发明实施例提供的Beacon设备丢失概率的计算方法的示意图；
图3是本发明实施例提供的Beacon设备丢失概率的计算装置的结构示意图；
图4是本发明实施例提供的Beacon设备丢失概率的计算方法设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
如图1，参阅图2，示出了本发明实施例一提供的Beacon设备丢失概率的计算方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
步骤S101:获取存储在云端中心服务器中所有已部署的Beacon设备的设备参数，设备参数包括uuid、major、minor、mac地址、电量、时间和位置，以mac地址为唯一区分标识，对已部署的Beacon设备进行逐一编号，编号为0，1，2…n-1，将已部署的Beacon设备的参数集合记为：A＝{Ai|0≤i<n}；
步骤S102:获取定位和导航APP上传到云端中心服务器中扫描到的Beacon设备的设备参数，以mac地址为唯一区分标识，对扫描到的Beacon设备进行逐一编号，编号为0，1，2…m-1，定义一个时间周期序列0,T,2T,3T…vT，对每个扫描到的Beacon设备在某个时间周期p内的设备参数,采取新数据覆盖旧数据的策略，将扫描到的Beacon设备的参数集合记为：B＝{Bi，p|0≤i<m≤n,0≤p<u≤v}，其中m为集合B中某个Beacon设备在空间关系上的元素个数，最大个数为n，u为集合B中Beacon设备在时间关系上的元素个数，最大个数为v；
步骤S103:对集合A和B，以mac地址为唯一区分标识，获得集合C＝A∪B；
步骤S104:对集合C，以任一Beacon设备i与其他Beacon设备在时间和空间角度存在的相关度建立Beacon设备i的存在概率模型，Beacon设备i在时间周期p的存在概率为
Figure BDA0003053372840000061
继而计算出Beacon设备i的丢失概率为
Figure BDA0003053372840000062
其中，PEi,p为Beacon设备i在时间段p的存在概率，PLi,p为Beacon设备i在时间周期p的丢失概率,φij(ri,rj)为空间相关系数，i，j代表Beacon设备编号，ψp,q(tp,tq)为时间相关系数，p,q代表不同的时间周期，若p＝0，则PEi,p和PLi,p各记为PEi和PLi，分别表示Beacon设备i在当前时间点的存在概率和丢失概率，
E(j,q)表示Beacon设备j的设备参数Dj,q在时间周期q内是否上传并被记录，表达式为
Figure BDA0003053372840000063
空间参数(ri,rj)和时间参数(tp,tq)分别以各自矢量差值绝对值|ri-rj|和|tp-tq|为基本参数建立模型，若以x标记|ri-rj|或|tp-tq|，模型函数P(x)必须满足基本边界条件：
(1)自相关条件：Beacon设备参数与本空间点(自身)或本时间点(当时)高度相关，
(2)相关性衰减条件：空间上(或时间上)远离本Beacon设备(或本时间点)的参数相关性逐渐递减，最终归零，
基本边界条件表达式为
Figure BDA0003053372840000071
其中，c为常量。
若出现x＝0时，P(x)＝∞，表示不同于本参数的其它的空间或时间不予考虑，具体含义如下：
空间相关性：若本Beacon设备参数存在，其他Beacon设备参数不予考虑，计算时以1替代该相关性因子。
时间相关性：若本时间点参数存在，其他时间点参数不予考虑，计算时以1替代该相关性因子。
实际运用中，由于不同的模型对CPU的算力需求各不相同，估算的精准度也有些微差异，空间相关系数φij(ri,rj)和时间相关系数ψp,q(tp,tq)可以分别考虑，尤其可以根据自己的需求(比如统计速度、估算精准度等)各自采用不同的相关性模型。
进一步地，步骤S104中的P(x)函数模型可选择级数衰减模型，级数衰减模型表达式为
P(x)＝(x/h+c)-k，
其中，h,c>0,k≥1,0≤x≤Xmax，h为统计临界值，对于空间相关性，h取值为部署间隔，对于时间相关性，h取值为巡检时间段，c、k和Xmax均为常量。
例如，考虑到计算复杂度与估算精度之间的平衡，可以采用级数衰减模型作为空间相关系数φij(ri,rj)的P(x)函数模型，取c＝1,k＝2,Xmax＝2d，表达式为
P(x)＝(x/d+1)-2，其中0≤x≤2d，d为部署间隔。
进一步地，步骤S104中的P(x)函数模型可选择指数衰减模型，指数衰减模型表达式为
Figure BDA0003053372840000081
其中，x,h,k>0,0≤c≤1,0≤x≤Xmax，h为统计临界值，对于空间相关性，h可取值为部署间隔，对于时间相关性，h可取巡检时间周期，c、k和Xmax均为常量。
例如，考虑到定位和导航用户上传参数时间的随机性，可以采用指数衰减模型作为时间相关系数ψp,q(tp,tq)的P(x)函数模型，取k＝1,c＝ln2,h＝30(日)，x的单位是日，表达式为
P(x)＝e-ln2(x/30)，
即对于当日上传的Beacon设备参数，当日计算时P(0)＝1，30日之后P(30)＝1/2。
进一步地，步骤S104中的P(x)函选模型可选择阶梯模型，阶梯模型表达式为
Figure BDA0003053372840000082
其中，c1>c2>0，h为统计临界值，对于空间相关性，h可取值为部署间隔，对于时间相关性，h可取巡检时间段，c1和c2为常量。
例如，采用阶梯模型为空间相关系数ψij(ti,tj)的P(x)函数模型，如果取c1＝∞,c1＝1,h＝d(部署间隔)，表示任一Beacon设备丢失概率仅与自己和与其直接相邻的Beacon设备相关联，仅就最新上传数据(比如当日)，可释义如下：
若该Beacon设备参数有上传，则其他Beacon设备参数是否上传不予考虑，此时Beacon设备丢失概率为0％；
若该Beacon设备参数没有上传数据，若其直接相邻Beacon设备数目为4，如果其相邻Beacon设备参数有3个上传了，那这个Beacon设备丢失概率为25％；如果其相邻Beacon设备参数都上传了，那这个Beacon设备丢失概率为100％。
进一步地，步骤S104结束后，设定一个概率阈值PLth(比如70％)，并将所有Beacon设备的丢失概率{PLi}进行降序排序，排名靠前且丢失概率PLi≥PLth的Beacon设备即可认为处于丢失状态。
进一步地，云端中心服务器将已部署Beacon设备的丢失概率或丢失状态的统计结果发送到维护和巡检APP中，维修和巡检人员可以据此以最快速度响应现场需求。
或者，云端中心服务器也可以将系统认为处于丢失状态的Beacon设备的相关信息编制成预警信息，发送给维护和巡检人员，方便维修和巡检人员快速响应现场需求。
进一步地，在任意时间点或以任意时间间隔(比如1日)触发估算所有Beacon设备的丢失概率。
实施例二：
图3示出了本发明实施例提供的Beacon设备丢失概率的计算装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
获取模块201,用于从云端中心服务器中获取已部署的Beacon设备的设备参数和定位和导航APP扫描到的Beacon设备的设备参数；
时间相关度模块202,用于建立任一Beacon设备的参数与所在空间内其他Beacon设备的参数在时间角度关联的相关度模型；
空间相关度模块203,用于建立任一Beacon设备的参数与所在空间内其他Beacon设备的参数在空间角度关联的相关度模型；
丢失概率统计模块204，用于根据时间相关度和空间相关度建立Beacon设备的存在概率模型，并通过所述存在概率模型计算Beacon设备的丢失概率。
在本发明实施例中，统计Beacon设备丢失概率的计算装置的各模块可由相应的硬件或软件模块实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件模块，在此不用以限制本发明。
实施例三：
图4示出了本发明实施例提供的Beacon设备丢失概率的计算设备的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
在本发明实施例中，提供了一种设备，包括存储器301、处理器302以及存储在存储器中并可在处理器上运行的计算机程序303，该计算机程序被处理器执行时实现上述Beacon设备丢失概率的计算方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述Beacon设备丢失概率的计算装置中各模块的功能，例如，图3所示的模块201至204。
实施例四：
在本发明实施例中，提供了一种可读存储介质，该可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述Beacon设备丢失概率的计算方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述各装置实施例中各模块的功能，例如图4所示的各个模块的功能。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、s磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种Beacon设备丢失概率的计算方法，其特征在于，所述方法包括下述步骤：
获取存储在云端中心服务器中所有已部署的Beacon设备的设备参数，所述设备参数包括uuid、major、minor、mac地址、电量、时间和位置，以所述mac地址为唯一区分标识，对所述已部署的Beacon设备进行逐一编号，所述编号为0，1，2…n-1，将所述已部署的Beacon设备的参数集合记为：A＝{Ai|0≤i<n}；
获取定位和导航APP上传到云端中心服务器中扫描到的Beacon设备的所述设备参数，以mac地址为唯一区分标识，对所述扫描到的Beacon设备进行逐一编号，所述编号为0，1，2…m-1，定义一个时间周期序列0,T,2T,3T…vT，对每个所述扫描到的Beacon设备在某个时间周期p内的所述设备参数,采取新数据覆盖旧数据的策略，将所述扫描到的Beacon设备的参数集合记为：B＝{Bi，p|0≤i<m≤n,0≤p<u≤v}，其中m为集合B中某个Beacon设备在空间关系上的元素个数，最大个数为n，u为集合B中Beacon设备在时间关系上的元素个数，最大个数为v；
对所述集合A和B，以mac地址为唯一区分标识，获得集合C＝A∪B；
对所述集合C，以任一Beacon设备i与其他Beacon设备在时间和空间角度存在的相关度建立所述Beacon设备i的存在概率模型，所述Beacon设备i在时间周期p的存在概率为
Figure FDA0004034870910000011
继而计算出所述Beacon设备i的丢失概率为
Figure FDA0004034870910000012
其中，PEi,p为所述Beacon设备i在时间周期p的存在概率，PLi,p为所述Beacon设备i在时间周期p的丢失概率,φij(ri,rj)为空间相关系数，i，j代表Beacon设备编号，ψp,q(tp,tq)为时间相关系数，p,q代表不同的时间周期，若p＝0，则PEi,p和PLi,p各记为PEi和PLi，分别表示所述Beacon设备i在当前时间点的存在概率和丢失概率，
E(j,q)表示所述Beacon设备j的所述设备参数Dj,q在时间周期q内是否上传并被记录，表达式为
Figure FDA0004034870910000021
空间参数(ri,rj)和时间参数(tp,tq)分别以各自矢量差值绝对值|ri-rj|和|tp-tq|为基本参数建立模型，若以x标记|ri-rj|或|tp-tq|，模型函数P(x)必须满足基本边界条件：
(1)自相关条件：Beacon设备参数与本空间点或本时间点高度相关，
(2)相关性衰减条件：空间上远离本Beacon设备的参数相关性逐渐递减，最终归零，
所述基本边界条件的表达式为
Figure FDA0004034870910000022
其中，c为常量。
2.根据权利要求1所述的Beacon设备丢失概率的计算方法，其特征在于，所述模型函数P(x)为级数衰减模型，所述级数衰减模型的表达式为
P(x)＝(x/h+c)-k，
其中，h,c>0,k≥1,0≤x≤Xmax，h为统计临界值，对于空间相关性，h取值为部署间隔，对于时间相关性，h取值为巡检时间周期，c、k和Xmax均为常量。
3.根据权利要求1所述的Beacon设备丢失概率的计算方法，其特征在于，所述模型函数P(x)为指数衰减模型，所述指数衰减模型的表达式为
Figure FDA0004034870910000023
其中，x,h,k>0,0≤c≤1,0≤x≤Xmax，h为统计临界值，对于空间相关性，h取值为部署间隔，对于时间相关性，h取巡检时间周期，c、k和Xmax均为常量。
4.根据权利要求1所述的Beacon设备丢失概率的计算方法，其特征在于，所述模型函数P(x)为阶梯模型，所述阶梯模型的表达式为
Figure FDA0004034870910000031
其中，c1>c2>0，h为统计临界值，对于空间相关性，h取值为部署间隔，对于时间相关性，h取巡检时间周期，c1,c2为常量。
5.根据权利要求1所述的Beacon设备丢失概率的计算方法，其特征在于，还包括，设定一个概率阈值PLth，并将所有Beacon设备的丢失概率{PLi}进行降序排序，排名靠前且丢失概率PLi≥PLth的Beacon设备即认为处于丢失状态。
6.根据权利要求5所述的Beacon设备丢失概率的计算方法，其特征在于，还包括，云端中心服务器将已部署Beacon设备的丢失概率或丢失状态的统计结果发送到维护和巡检APP中。
7.根据权利要求1所述的Beacon设备丢失概率的计算方法，其特征在于，还包括，任意时间点或任意时间间隔触发估算所有Beacon设备的丢失概率。
8.一种Beacon设备丢失概率的计算装置，用于实现如权利要求1-7任一所述的Beacon设备丢失概率的计算方法，其特征在于，所述装置包括：
获取模块,用于从云端中心服务器中获取已部署的Beacon设备的设备参数和定位和导航APP扫描到的Beacon设备的设备参数；
时间相关度模块,用于建立任一Beacon设备的参数与所在空间内其他Beacon设备的参数在时间角度关联的相关度模型；
空间相关度模块,用于建立任一Beacon设备的参数与所在空间内其他Beacon设备的参数在空间角度关联的相关度模型；
丢失概率统计模块，用于根据时间相关度和空间相关度建立Beacon设备的存在概率模型，并通过所述存在概率模型计算Beacon设备的丢失概率。
9.一种Beacon设备丢失概率的计算设备，包括存储器、处理器以及存储在所述存储器中并在所述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如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110493460.2A 2021-05-07 2021-05-07 Beacon设备丢失概率的计算方法、装置、设备及存储介质 Active CN113094803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110493460.2A CN113094803B (zh) 2021-05-07 2021-05-07 Beacon设备丢失概率的计算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110493460.2A CN113094803B (zh) 2021-05-07 2021-05-07 Beacon设备丢失概率的计算方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113094803A CN113094803A (zh) 2021-07-09
CN113094803B true CN113094803B (zh) 2023-03-14

Family

ID=76681733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110493460.2A Active CN113094803B (zh) 2021-05-07 2021-05-07 Beacon设备丢失概率的计算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113094803B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008072413A (ja) * 2006-09-14 2008-03-27 Kddi R & D Laboratories Inc 通信放送連携システムにおける通信補完制御機能を有する端末及びプログラム
CN111523619A (zh) * 2020-07-03 2020-08-11 华人运通(上海)新能源驱动技术有限公司 目标存在概率的计算方法、装置、电子设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2498549C (en) * 2001-01-31 2011-04-05 Paul Febvre Method and apparatus for detecting the synchronization timing of a signal
GB2371952A (en) * 2001-01-31 2002-08-07 Inmarsat Ltd Frame synchronisation in a communication system
US9867117B2 (en) * 2014-07-25 2018-01-09 Comcast Cable Communications, Llc Network admission control
CN104506272B (zh) * 2014-10-28 2017-09-22 湖南大学 “x”型无线网络拓扑结构中的网络编码侦听方法
US9569589B1 (en) * 2015-02-06 2017-02-14 David Laborde System, medical item including RFID chip, data collection engine, server and method for capturing medical data
CA2933865A1 (en) * 2015-06-24 2016-12-24 Nearable Technology Corp. A method of locating a mobile device and a cloud computer system employing same

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008072413A (ja) * 2006-09-14 2008-03-27 Kddi R & D Laboratories Inc 通信放送連携システムにおける通信補完制御機能を有する端末及びプログラム
CN111523619A (zh) * 2020-07-03 2020-08-11 华人运通(上海)新能源驱动技术有限公司 目标存在概率的计算方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Spatio-temporal correlation: theory and applications for wireless sensor networks;Mehmet C. Vuran 等;《Computer Networks》;20040621;第45卷(第3期);第245-259页 *

Also Published As

Publication number Publication date
CN113094803A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN109753928B (zh) 违章建筑物识别方法和装置
CN110751675B (zh) 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN107514976B (zh) 电力线路覆冰监测方法及终端设备
CN107918688B (zh) 场景模型动态估计方法、数据分析方法及装置、电子设备
CN113989627B (zh) 一种基于异步联邦学习的城市防控图像检测方法和系统
CN111932519A (zh) 天气预测方法、装置、计算机设备和存储介质
CN114882251A (zh) 一种物联网大数据智能视频安防监控方法及装置
CN108629310B (zh) 一种工程管理监督方法及装置
CN113094803B (zh) Beacon设备丢失概率的计算方法、装置、设备及存储介质
CN116821777B (zh) 一种新型基础测绘数据整合方法及系统
CN112153320B (zh) 一种物品尺寸的测量方法、装置、电子设备和存储介质
CN113505250A (zh) 一种分布式图像分析方法、系统及存储介质
CN112036269A (zh) 跌倒检测方法、装置、计算机设备和存储介质
CN110318953B (zh) 风电机组电控系统的温度监控方法和设备
CN116563841A (zh) 配电网设备标识牌的检测方法、检测装置和电子设备
CN112016380A (zh) 野生动物监测方法及系统
CN116400165A (zh) 一种智能电网故障监测方法及系统
CN115187880A (zh) 基于图像识别的通信光缆缺陷检测方法、系统及存储介质
CN111107139B (zh) 信息推送方法、装置、设备和存储介质
CN111835541A (zh) 一种模型老化检测方法、装置、设备及系统
CN117540179B (zh) 一种用于实现环境检测的方法及系统
KR20200013136A (ko) 비전 IoT를 이용한 전력량계 전력 측정문자 학습 방법
CN117408680B (zh) 一种基于物联网的智能化配电房管理方法及系统
CN111669501B (zh) 基于无人机的拍摄方法、装置、计算机设备和介质
CN113612727B (zh) 攻击ip识别方法、装置、设备和计算机可读存储介质

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