CN113259851A - 一种基于移动终端室内外检测方法及系统 - Google Patents
一种基于移动终端室内外检测方法及系统 Download PDFInfo
- Publication number
- CN113259851A CN113259851A CN202110536515.3A CN202110536515A CN113259851A CN 113259851 A CN113259851 A CN 113259851A CN 202110536515 A CN202110536515 A CN 202110536515A CN 113259851 A CN113259851 A CN 113259851A
- Authority
- CN
- China
- Prior art keywords
- indoor
- outdoor
- positioning data
- gps
- data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000010295 mobile communication Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 abstract description 12
- 239000007787 solid Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 230000002035 prolonged effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
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
- H04W4/024—Guidance services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于移动终端室内外检测方法及系统,包括:根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。本发明的技术效果:通过使用GPS定位数据,以及移动定位数据或/和WIFI定位数据,利用机器学习算法构建的模型,来判断设备是处于室内还是室外,从而解决了传统技术中使用单一传感器时检测不准确,稳定性差的问题,提高了检测精度,和检测的稳定性,从而为后续的使用打下了坚实的基础。
Description
技术领域
本发明涉及设备位置定位,特别涉及一种基于移动终端室内外检测方法及系统。
背景技术
基于位置服务的应用越来越广泛,市面上应用较为广泛的是基于GPS定位的室外位置服务,但随着超大型商业综合体的建立和城市化的进程加速,人们的定位需求不仅仅局限于室外,室内的定位需求也较为迫切,通过携带的移动终端设备来检测室内外的状态从而进行无缝的室内外定位具有良好的应用前景。此外,在家庭成员的看护上,室内外检测同样具有很好的应用场景,通过家庭成员随身携带的移动终端(手机、穿戴式设备)来检测成员的处于何种场景下进而进行有效的看护。室内外检测在优化移动终端的能量利用率上也有较高的应用价值,通过检测到的室内外状态可以控制设备上的各个传感器的开闭状态,调节传感器采样速率,节省电量,延长设备使用时间。
目前工业中的室内外检测多基于状态机的形式,通过一系列判断逻辑来大致确定当前的场景状态,且结合传感器单一,多为GPS定位系统,通过GPS的有效性来检测室内外的状态,容易出现误判的情况,检测精度较低,稳定性差。
发明内容
为解决上述技术问题,本发明提供一种基于移动终端室内外检测方法及系统,具体的技术方案如下:
一方面,提供一种基于移动终端室内外检测方法,包括:
根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
优选地,还包括:当所述室内外判别结果为室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果作为实际定位结果。
优选地,还包括:当所述室内外判别结果为室内时,控制所述GPS传感器处于关闭状态;
周期性打开所述GPS传感器,以获取GPS定位数据;
将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入所述室内外判别模型,产生室内外判别结果;
当所述室内外判别结果为室外时,控制所述GPS传感器处于打开状态,否则继续周期性打开所述GPS传感器,以获取GPS定位数据。
优选地,还包括:训练所述室内外判别模型;
具体包括:采集室内外各种场景下的所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,形成初始数据集;
对所述初始数据集中的每一条初始数据进行室内外真值标定,从而形成训练数据集;
根据所述训练数据集,通过K近邻算法,产生所述室内外判别模型;在所述K近邻算法中,使用欧氏距离作为距离度量方法。
优选地,在所述训练数据集中,所述GPS定位数据,为所述GPS传感器测量到的n颗可见卫星的卫星信号强度,并按照所述卫星信号强度大小依次排列;
所述移动定位数据,为所述移动通信模块测量到的n个可见基站的基站信号强度,并按照所述基站信号强度大小依次排列;
所述WIFI定位数据,为所述WIFI定位模块测量到的n个可见路由器的WIFI信号强度,并按照所述WIFI信号强度大小依次排列。
另一方面,提供一种基于移动终端室内外检测系统,包括:
定位数据获取模块,用于根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
室内外判别结果产生模块,用于将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
优选地,还包括:实际定位模块,用于当所述室内外判别结果为室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果作为实际定位结果。
优选地,还包括:
GPS省电模块,具体包括:
GPS关闭模块,用于当所述室内外判别结果为室内时,控制所述GPS传感器处于关闭状态,否则控制所述控制所述GPS传感器处于打开状态;
GPS打开模块,用于当所述室内外判别结果为室内时,周期性打开所述GPS传感器,以使所述室内外判别结果产生模块,产生室内外判别结果。
优选地,还包括:判别模型训练模块,用于训练所述室内外判别模型;
所述判别模型训练模块,具体包括:
数据采集模块,用于采集室内外各种场景下的所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,形成初始数据集;
真值标定模块,用于对所述初始数据集中的每一条初始数据进行室内外真值标定,从而形成训练数据集;
训练模块,用于根据所述训练数据集,通过K近邻算法,产生所述室内外判别模型;在所述K近邻算法中,使用欧氏距离作为距离度量方法。
优选地,在所述训练数据集中,所述GPS定位数据,所述GPS传感器测量到的n颗可见卫星的卫星信号强度,并按照所述卫星信号强度大小依次排列;
所述移动定位数据,为所述移动通信模块测量到的n个可见基站的基站信号强度,并按照所述基站信号强度大小依次排列;
所述WIFI定位数据,为所述WIFI定位模块测量到的n个可见路由器的WIFI信号强度,并按照所述WIFI信号强度大小依次排列。
本发明至少包括以下一项技术效果:
(1)通过使用GPS定位数据,以及移动定位数据或/和WIFI定位数据,利用机器学习算法构建的模型,来判断设备是处于室内还是室外,从而解决了传统技术中使用单一传感器时检测不准确,稳定性差的问题,提高了检测精度,和检测的稳定性,从而为后续的使用打下了坚实的基础。
(2)通过当设备在室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果,避免了在定位过程中,由于使用GPS定位数据而对实际的定位结果所造成的干扰,提高了定位的精度;
(3)通过当设备在室内时,关闭GPS定位,并且周期性的打开GPS定位系统,从而在保证定位质量的前提下,尽可能的减少了由于GPS定位而产生的电量影响,延长了设备的使用时间;
(4)通过使用机器学习的手段,在检测准确度提高的基础上,具有机器学习和深度学习的持续优化能力,准确度随着数据量的提升而提升,能在不同的移动终端上迁移使用,可靠性强。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的流程示意图;
图2为本发明实施例1的优选的实施例的流程示意图;
图3为本发明实施例2的流程示意图;
图4为本发明实施例3的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘出了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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,并获得其他的实施方式。
实施例1:
如图1所示,本实施例提供了一种基于移动终端室内外检测方法,包括:
S1:根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
S2:将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
在传统的技术方案中,对于室内外的检测,一般基于状态机的形式,通过一系列判断逻辑来大致确定当前的场景状态,使用GPS传感器来判断是否是处于室内,而该种方法容易出现误判的情况,检测精度较低,稳定性差。而通过室内和室外状态下,传感器具有不同的特点,例如GPS信号在室内存在遮挡会和室外有所不同,移动网络在室内和室外也存在接收信号强度不同的区别等这类特征,能得到不同的数据对室内外的状态进行区分,具有很强的科学依据。
故在本实施例中,采用机器学习的方法,使用预先训练好的室内外判别模型,综合目前的GPS传感器,以及移动通信模块或/和WIFI定位模块的定位结果,来判断目前到底是处于室内还是室外,从而为后续的使用场景提供坚实的基础。
如图2所示,优选地,还包括:S3:当所述室内外判别结果为室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果作为实际定位结果。
在本实施例中,具体到实际的应用场景上,由于在室内时,GPS的实际效果极差,其定位与实际的定位会产生极大的误差,实际上已经不具有实际的参考价值,故在该种情形下,并不适用GPS进行定位,所以当判别结果为室内时,便直接使用移动通信模块或者WIFI定位模块的定位结果作为实际定位结果,而不采用传统的二者或者三者结合的方式进行,从而提高了定位精度。
如图2所示,优选地,还包括:S4:当所述室内外判别结果为室内时,控制所述GPS传感器处于关闭状态;
S5:周期性打开所述GPS传感器,以获取GPS定位数据;
S6:将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入所述室内外判别模型,产生室内外判别结果;
S7:判断所述室内外判别结果是否为室外,进入S8,否则进入S5;
S8:控制所述GPS传感器处于打开状态。
同时,在本实施例中,由于GPS通讯本身就是一个耗电大户,故在实际的使用用过程,通过室内外检测在优化移动终端的能量利用率上也有较高的应用价值,通过检测到的室内外状态可以控制设备上的各个传感器的开闭状态,调节传感器采样速率,节省电量,延长设备使用时间。
具体而言,便是当室内外判别结果为室内时,关闭没有参考意义的GPS传感器来省电,并且周期性的打开,来判断是否已经处于室外,如果是处于室外,便打开,如果还是在室内,便继续处于关闭状态,从而减少电力的损耗。
本实施例通过使用GPS定位数据,以及移动定位数据或/和WIFI定位数据,利用机器学习算法构建的模型,来判断设备是处于室内还是室外,从而解决了传统技术中使用单一传感器时检测不准确,稳定性差的问题,提高了检测精度,和检测的稳定性,从而为后续的使用打下了坚实的基础。
同时通过当设备在室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果,避免了在定位过程中,由于使用GPS定位数据而对实际的定位结果所造成的干扰,提高了定位的精度;
并且通过当设备在室内时,关闭GPS定位,并且周期性的打开GPS定位系统,从而在保证定位质量的前提下,尽可能的减少了由于GPS定位而产生的电量影响,延长了设备的使用时间。
实施例2:
如图3所示,本实施例提供了一种基于移动终端室内外检测方法,包括:
S0-1:采集室内外各种场景下的所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,形成初始数据集;
S0-2:对所述初始数据集中的每一条初始数据进行室内外真值标定,从而形成训练数据集;
S0-3:根据所述训练数据集,通过K近邻算法,产生所述室内外判别模型;在所述K近邻算法中,使用欧氏距离作为距离度量方法;
S1:根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
S2:将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
在所述训练数据集中,所述GPS定位数据,为所述GPS传感器测量到的n颗可见卫星的卫星信号强度,并按照所述卫星信号强度大小依次排列;
所述移动定位数据,为所述移动通信模块测量到的n个可见基站的基站信号强度,并按照所述基站信号强度大小依次排列;
所述WIFI定位数据,为所述WIFI定位模块测量到的n个可见路由器的WIFI信号强度,并按照所述WIFI信号强度大小依次排列。
在本实施例中,为实现使用移动终端进行室内外检测,采用了三种传感器进行数据测量与采集。GPS测量当前可见卫星数量及其信号强度,移动通信模块测量当前可见移动通信基站及其接收信号强度,WIFI模块测量当前可见路由器终端的数量及其接收信号强度。
首先采集室内外各种场景下的传感器数据,同时进行真值的标定;第二步进行样本数据的训练,得到预测模型;第三步将场景数据代入模型中进行检测;第四步输出检测结果,得到当前场景属于室内还是室外。在样本训练前对数据进行清洗处理。在采集时,为防止异常数据干扰数据采集,会在采样点进行多次采样,剔除异常数据后对剩下的数据取均值作为样本数据。
对传感器数据进行分析,选择以下数据建立样本数据库,作为后续训练数据。
DATA={ABC}
A:{a1,a2,a3,…,an},为GPS测量到的n颗可见卫星的信号强度,从大到小进行排序B:{b1,b2,b3,…,bn},为移动通信模块测量到的n个可见基站的接收信号强度,从大到小进行排列C:{c1,c2,c3,…,cn},为WiFi模块测量到的n个可见路由器的接收信号强度,从大到小排列。
使用K近邻算法对样本进行训练,采用欧氏距离作为距离度量方法。两个向量之间的欧式距离计算公式如式(1)所示,xi,yi为向量x,y中的值,总共n个。同时,由于室内外状态的检测属于分类问题,可以通过K近邻算法进行分类,能得到较高的准确性,同时,使用了三种传感器的数据使用K近邻算法进行分类,使用任意单一传感器或使用其他分类算法也可作为检测依据,检测准确性和稳定性会有所区别。
样本训练完成后得到预测模型,在用户使用移动终端的过程中,移动终端会采集到三种传感器数据,将数据代入预测模型中即可完成室内外状态的检测。
在本实施例中,通过使用机器学习的手段,在检测准确度提高的基础上,具有机器学习和深度学习的持续优化能力,准确度随着数据量的提升而提升,能在不同的移动终端上迁移使用,可靠性强。
实施例3:
如图4所示,本实施例提供一种基于移动终端室内外检测系统,包括:
定位数据获取模块,用于根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
室内外判别结果产生模块,用于将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
在传统的技术方案中,对于室内外的检测,一般基于状态机的形式,通过一系列判断逻辑来大致确定当前的场景状态,使用GPS传感器来判断是否是处于室内,而该种方法容易出现误判的情况,检测精度较低,稳定性差。而通过室内和室外状态下,传感器具有不同的特点,例如GPS信号在室内存在遮挡会和室外有所不同,移动网络在室内和室外也存在接收信号强度不同的区别等这类特征,能得到不同的数据对室内外的状态进行区分,具有很强的科学依据。
故在本实施例中,采用机器学习的方法,使用预先训练好的室内外判别模型,综合目前的GPS传感器,以及移动通信模块或/和WIFI定位模块的定位结果,来判断目前到底是处于室内还是室外,从而为后续的使用场景提供坚实的基础。
优选地,还包括:实际定位模块,用于当所述室内外判别结果为室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果作为实际定位结果。
在本实施例中,具体到实际的应用场景上,由于在室内时,GPS的实际效果极差,其定位与实际的定位会产生极大的误差,实际上已经不具有实际的参考价值,故在该种情形下,并不适用GPS进行定位,所以当判别结果为室内时,便直接使用移动通信模块或者WIFI定位模块的定位结果作为实际定位结果,而不采用传统的二者或者三者结合的方式进行。
优选地,还包括:GPS省电模块,具体包括:
GPS关闭模块,用于当所述室内外判别结果为室内时,控制所述GPS传感器处于关闭状态,否则控制所述控制所述GPS传感器处于打开状态;
GPS打开模块,用于当所述室内外判别结果为室内时,周期性打开所述GPS传感器,以使所述室内外判别结果产生模块,产生室内外判别结果。
同时,在本实施例中,由于GPS通讯本身就是一个耗电大户,故在实际的使用用过程,通过室内外检测在优化移动终端的能量利用率上也有较高的应用价值,通过检测到的室内外状态可以控制设备上的各个传感器的开闭状态,调节传感器采样速率,节省电量,延长设备使用时间。
具体而言,便是当室内外判别结果为室内时,关闭没有参考意义的GPS传感器来省电,并且周期性的打开,来判断是否已经处于室外,如果是处于室外,便打开,如果还是在室内,便继续处于关闭状态,从而减少电力的损耗。
本实施例通过使用GPS定位数据,以及移动定位数据或/和WIFI定位数据,利用机器学习算法构建的模型,来判断设备是处于室内还是室外,从而解决了传统技术中使用单一传感器时检测不准确,稳定性差的问题,提高了检测精度,和检测的稳定性,从而为后续的使用打下了坚实的基础。
同时通过当设备在室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果,避免了在定位过程中,由于使用GPS定位数据而对实际的定位结果所造成的干扰,提高了定位的精度;
并且通过当设备在室内时,关闭GPS定位,并且周期性的打开GPS定位系统,从而在保证定位质量的前提下,尽可能的减少了由于GPS定位而产生的电量影响,延长了设备的使用时间。
实施例4:
本实施例基于实施例3,提供一种基于移动终端室内外检测系统,包括:
判别模型训练模块,用于训练所述室内外判别模型;所述判别模型训练模块,具体包括:
数据采集模块,用于采集室内外各种场景下的所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,形成初始数据集;
真值标定模块,用于对所述初始数据集中的每一条初始数据进行室内外真值标定,从而形成训练数据集;
训练模块,用于根据所述训练数据集,通过K近邻算法,产生所述室内外判别模型;在所述K近邻算法中,使用欧氏距离作为距离度量方法。
在所述训练数据集中,所述GPS定位数据,所述GPS传感器测量到的n颗可见卫星的卫星信号强度,并按照所述卫星信号强度大小依次排列;
所述移动定位数据,为所述移动通信模块测量到的n个可见基站的基站信号强度,并按照所述基站信号强度大小依次排列;
所述WIFI定位数据,为所述WIFI定位模块测量到的n个可见路由器的WIFI信号强度,并按照所述WIFI信号强度大小依次排列。
在本实施例中,为实现使用移动终端进行室内外检测,采用了三种传感器进行数据测量与采集。GPS测量当前可见卫星数量及其信号强度,移动通信模块测量当前可见移动通信基站及其接收信号强度,WIFI模块测量当前可见路由器终端的数量及其接收信号强度。
首先采集室内外各种场景下的传感器数据,同时进行真值的标定;第二步进行样本数据的训练,得到预测模型;第三步将场景数据代入模型中进行检测;第四步输出检测结果,得到当前场景属于室内还是室外。在样本训练前对数据进行清洗处理。在采集时,为防止异常数据干扰数据采集,会在采样点进行多次采样,剔除异常数据后对剩下的数据取均值作为样本数据。
对传感器数据进行分析,选择以下数据建立样本数据库,作为后续训练数据。
DATA={ABC}
A:{a1,a2,a3,…,an},为GPS测量到的n颗可见卫星的信号强度,从大到小进行排序B:{b1,b2,b3,…,bn},为移动通信模块测量到的n个可见基站的接收信号强度,从大到小进行排列C:{c1,c2,c3,…,cn},为WiFi模块测量到的n个可见路由器的接收信号强度,从大到小排列。
使用K近邻算法对样本进行训练,采用欧氏距离作为距离度量方法。两个向量之间的欧式距离计算公式如式(1)所示,xi,yi为向量x,y中的值,总共n个。同时,由于室内外状态的检测属于分类问题,可以通过K近邻算法进行分类,能得到较高的准确性。
样本训练完成后得到预测模型,在用户使用移动终端的过程中,移动终端会采集到三种传感器数据,将数据代入预测模型中即可完成室内外状态的检测
在本实施例中,通过使用机器学习的手段,在检测准确度提高的基础上,具有机器学习和深度学习的持续优化能力,准确度随着数据量的提升而提升,能在不同的移动终端上迁移使用,可靠性强。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于移动终端室内外检测方法,其特征在于,包括:
根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
将所述GPS定位数据,以及所述移动定位数据或/和所述WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
2.根据权利要求1所述的一种基于移动终端室内外检测方法,其特征在于,还包括:当所述室内外判别结果为室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果作为实际定位结果。
3.根据权利要求1或者2所述的一种基于移动终端室内外检测方法,其特征在于,还包括:当所述室内外判别结果为室内时,控制所述GPS传感器处于关闭状态;
周期性打开所述GPS传感器,以获取GPS定位数据;
将所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,导入所述室内外判别模型,产生室内外判别结果;
当所述室内外判别结果为室外时,控制所述GPS传感器处于打开状态,否则继续周期性打开所述GPS传感器,以获取GPS定位数据。
4.根据权利要求1所述的一种基于移动终端室内外检测方法,其特征在于,还包括:采集室内外各种场景下的所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,形成初始数据集;
对所述初始数据集中的每一条初始数据进行室内外真值标定,从而形成训练数据集;
根据所述训练数据集,通过K近邻算法,产生所述室内外判别模型;在所述K近邻算法中,使用欧氏距离作为距离度量方法。
5.根据权利要求4所述的一种基于移动终端室内外检测方法,其特征在于,在所述训练数据集中,所述GPS定位数据,为所述GPS传感器测量到的n颗可见卫星的卫星信号强度,并按照所述卫星信号强度大小依次排列;
所述移动定位数据,为所述移动通信模块测量到的n个可见基站的基站信号强度,并按照所述基站信号强度大小依次排列;
所述WIFI定位数据,为所述WIFI定位模块测量到的n个可见路由器的WIFI信号强度,并按照所述WIFI信号强度大小依次排列。
6.一种基于移动终端室内外检测系统,其特征在于,包括:
定位数据获取模块,用于根据GPS传感器,以及移动通信模块或/和WIFI定位模块,获取GPS定位数据,以及移动定位数据或/和WIFI定位数据;
室内外判别结果产生模块,用于将所述GPS定位数据,以及所述移动定位数据或/和所述WIFI定位数据,导入预先训练的室内外判别模型,产生室内外判别结果。
7.根据权利要求6所述的一种基于移动终端室内外检测系统,其特征在于,还包括:
实际定位模块,用于当所述室内外判别结果为室内时,仅使用移动通信模块或/和WIFI定位模块的定位结果作为实际定位结果。
8.根据权利要求6或者7所述的一种基于移动终端室内外检测系统,其特征在于,还包括:
GPS省电模块,具体包括:
GPS关闭模块,用于当所述室内外判别结果为室内时,控制所述GPS传感器处于关闭状态,否则控制所述控制所述GPS传感器处于打开状态;
GPS打开模块,用于当所述室内外判别结果为室内时,周期性打开所述GPS传感器,以使所述室内外判别结果产生模块,产生室内外判别结果。
9.根据权利要求6所述的一种基于移动终端室内外检测系统,其特征在于,还包括:
数据采集模块,用于采集室内外各种场景下的所述GPS定位数据,以及移动定位数据或/和WIFI定位数据,形成初始数据集;
真值标定模块,用于对所述初始数据集中的每一条初始数据进行室内外真值标定,从而形成训练数据集;
训练模块,用于根据所述训练数据集,通过K近邻算法,产生所述室内外判别模型;在所述K近邻算法中,使用欧氏距离作为距离度量方法。
10.根据权利要求9所述的一种基于移动终端室内外检测系统,其特征在于,在所述训练数据集中,所述GPS定位数据,所述GPS传感器测量到的n颗可见卫星的卫星信号强度,并按照所述卫星信号强度大小依次排列;
所述移动定位数据,为所述移动通信模块测量到的n个可见基站的基站信号强度,并按照所述基站信号强度大小依次排列;
所述WIFI定位数据,为所述WIFI定位模块测量到的n个可见路由器的WIFI信号强度,并按照所述WIFI信号强度大小依次排列。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536515.3A CN113259851A (zh) | 2021-05-17 | 2021-05-17 | 一种基于移动终端室内外检测方法及系统 |
PCT/CN2021/097177 WO2022241823A1 (zh) | 2021-05-17 | 2021-05-31 | 一种基于移动终端室内外检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536515.3A CN113259851A (zh) | 2021-05-17 | 2021-05-17 | 一种基于移动终端室内外检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113259851A true CN113259851A (zh) | 2021-08-13 |
Family
ID=77182338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536515.3A Pending CN113259851A (zh) | 2021-05-17 | 2021-05-17 | 一种基于移动终端室内外检测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113259851A (zh) |
WO (1) | WO2022241823A1 (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170078854A1 (en) * | 2015-09-14 | 2017-03-16 | Qualcomm Incorporated | Augmenting indoor-outdoor detection using side information |
CN106879032A (zh) * | 2015-12-11 | 2017-06-20 | 北斗导航位置服务(北京)有限公司 | 一种基于模式分类的室内外无缝切换方法及系统 |
CN107180245A (zh) * | 2016-03-10 | 2017-09-19 | 滴滴(中国)科技有限公司 | 一种室内外场景识别方法及装置 |
CN108151743A (zh) * | 2017-12-13 | 2018-06-12 | 联想(北京)有限公司 | 室内外位置识别方法及系统 |
CN109828294A (zh) * | 2018-11-15 | 2019-05-31 | 中国科学院深圳先进技术研究院 | 一种室内外状态判别方法、系统及电子设备 |
CN110320544A (zh) * | 2018-03-30 | 2019-10-11 | 北京百度网讯科技有限公司 | 识别终端设备位置的方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010038895A (ja) * | 2008-07-09 | 2010-02-18 | Ntt Docomo Inc | 測位システム、測位方法及び測位プログラム |
US8106817B2 (en) * | 2009-12-31 | 2012-01-31 | Polaris Wireless, Inc. | Positioning system and positioning method |
US20130311080A1 (en) * | 2011-02-03 | 2013-11-21 | Nokia Corporation | Apparatus Configured to Select a Context Specific Positioning System |
CN104822133B (zh) * | 2015-04-22 | 2018-09-14 | 广东欧珀移动通信有限公司 | 一种智能终端的定位模式的控制方法及装置 |
CN106211078B (zh) * | 2016-09-19 | 2019-12-06 | 广州视源电子科技股份有限公司 | 定位方法、装置、设备及系统 |
-
2021
- 2021-05-17 CN CN202110536515.3A patent/CN113259851A/zh active Pending
- 2021-05-31 WO PCT/CN2021/097177 patent/WO2022241823A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170078854A1 (en) * | 2015-09-14 | 2017-03-16 | Qualcomm Incorporated | Augmenting indoor-outdoor detection using side information |
CN106879032A (zh) * | 2015-12-11 | 2017-06-20 | 北斗导航位置服务(北京)有限公司 | 一种基于模式分类的室内外无缝切换方法及系统 |
CN107180245A (zh) * | 2016-03-10 | 2017-09-19 | 滴滴(中国)科技有限公司 | 一种室内外场景识别方法及装置 |
CN108151743A (zh) * | 2017-12-13 | 2018-06-12 | 联想(北京)有限公司 | 室内外位置识别方法及系统 |
CN110320544A (zh) * | 2018-03-30 | 2019-10-11 | 北京百度网讯科技有限公司 | 识别终端设备位置的方法、装置、设备及存储介质 |
CN109828294A (zh) * | 2018-11-15 | 2019-05-31 | 中国科学院深圳先进技术研究院 | 一种室内外状态判别方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
鄢松等: "基于泛在信号融合的室内外场景鲁棒感知算法", 《全球定位系统》 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022241823A1 (zh) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103916954B (zh) | 基于wlan的概率定位方法及定位装置 | |
CN106793082B (zh) | 一种在wlan/蓝牙异构网络环境中的移动设备定位方法 | |
Dong et al. | A calibration-free localization solution for handling signal strength variance | |
CN105472621B (zh) | 一种基于rssi的伪ap检测方法 | |
CN105142216B (zh) | 基于特征信号指纹库的室内外定位切换方法 | |
CN109951798A (zh) | 融合Wi-Fi和蓝牙的增强位置指纹室内定位方法 | |
CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
CN106658704A (zh) | 一种室内定位的起点位置的定位方法和系统 | |
CN105933975A (zh) | 一种基于WiFi指纹的精度改善的室内定位方法 | |
CN109459705A (zh) | 一种抗野值鲁棒无迹卡尔曼滤波的动力电池soc估计方法 | |
CN106646339A (zh) | 一种无线位置指纹室内定位中在线匹配定位方法 | |
CN107360552B (zh) | 一种多分类器全局动态融合的室内定位方法 | |
CN108174343A (zh) | 一种面向电力室内通信运维场景的无线定位方法及系统 | |
Yang et al. | Localization algorithm in wireless sensor networks based on semi-supervised manifold learning and its application | |
CN107861098B (zh) | 一种智能球场定位系统及方法 | |
CN107655564A (zh) | 一种基于智能终端的多种技术融合的室内外环境检测方法 | |
CN110351660A (zh) | 一种基于双步指纹匹配架构的蓝牙室内定位方法 | |
CN106992822A (zh) | 一种无线传感器网络盲节点的定位方法 | |
CN106954187A (zh) | 一种基于异构网络的室内定位方法 | |
CN110366244A (zh) | 一种WiFi指纹室内定位方法 | |
Liu et al. | A real-time algorithm for fingerprint localization based on clustering and spatial diversity | |
CN113453148B (zh) | 联合深度学习与加权k邻近算法的室内位置指纹定位方法 | |
CN107290714B (zh) | 一种基于多标识指纹定位的定位方法 | |
CN105866732A (zh) | 一种改进mk模型和wknn算法相结合的混合室内定位方法 | |
CN113259851A (zh) | 一种基于移动终端室内外检测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |