CN113347661A - 无线信号的特征提取方法及基于无线信号的定位方法 - Google Patents
无线信号的特征提取方法及基于无线信号的定位方法 Download PDFInfo
- Publication number
- CN113347661A CN113347661A CN202110896134.6A CN202110896134A CN113347661A CN 113347661 A CN113347661 A CN 113347661A CN 202110896134 A CN202110896134 A CN 202110896134A CN 113347661 A CN113347661 A CN 113347661A
- Authority
- CN
- China
- Prior art keywords
- wireless signal
- signal
- reference point
- wireless
- relative position
- 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
- 238000000034 method Methods 0.000 title claims abstract description 119
- 238000000605 extraction Methods 0.000 title description 21
- 238000013528 artificial neural network Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 30
- 230000004931 aggregating effect Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 description 164
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000004807 localization Effects 0.000 description 4
- 239000004570 mortar (masonry) Substances 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本说明书提供一种无线信号的特征提取方法及基于无线信号的定位方法，该定位方法可以包括：获取用户客户端在当前所处地点检测到的目标无线信号的特征数据和相对位置特征，任一无线信号的相对位置特征包括在信号图谱中任一无线信号与其他无线信号以及与各参考点之间的相对位置特征；基于目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在任一参考点检测到的无线信号的相对位置特征和特征数据得到；确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据匹配关系和相应参考点的位置对当前所处地点进行定位。
Description
技术领域
本说明书一个或多个实施例涉及通讯技术领域，尤其涉及一种无线信号的特征提取方法及基于无线信号的定位方法。
背景技术
WiFi技术广泛应用于家庭、旅馆、咖啡馆、机场、商场等各类大型或小型建筑物内。针对该应用场景，可通过WiFi指纹数据来对用户进行定位，自动检测用户针对某一建筑的到达、离开等行为。以商圈POI（Point of Interest，兴趣点）为例，可通过商圈内某一实体门店的WiFi指纹数据来判断用户是否到店、离店等行为。
在相关技术中，通常测量某个地点的WiFi信号的AP（Access Point，无线接入点）的RSS（Received Signal Strength，接收信号强度）作为该地点的WiFi指纹。然而，由于RSS测量的不确定性，通常存在较大的噪声，导致得到的WiFi指纹不稳定，进而导致定位的准确率下降。
发明内容
有鉴于此，本说明书一个或多个实施例提供一种无线信号的特征提取方法及基于无线信号的定位方法。
为实现上述目的，本说明书一个或多个实施例提供技术方案如下：
根据本说明书一个或多个实施例的第一方面，提出了一种基于无线信号的定位方法，包括：
获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取所述目标无线信号的相对位置特征；其中，任一无线信号的相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到；
确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位。
可选的，
所述任一无线信号的相对位置特征包括：所述任一无线信号对应的节点在通过对所述信号图谱进行图嵌入学习得到的嵌入空间中的坐标值；
通过以下方式得到任一地点的无线信号特征：根据在所述任一地点检测到的无线信号的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一地点的无线信号特征，所述任一地点包括任一参考点和用户客户端的当前所处地点。
可选的，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
可选的，通过以下方式得到各无线信号对应的节点在所述嵌入空间中的坐标值：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述将构建出的节点特征和所述信号图谱输入图神经网络，包括：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，所述确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位，包括：
确定各参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位；
或者，将当前所处地点的无线信号特征输入至定位模型，以根据所述定位模型的输出结果对当前所处地点进行定位；其中，所述定位模型通过以下方式训练得到：分别获取在各个地点检测到的针对所述目标无线信号的特征数据，基于所述目标无线信号的相对位置特征和获取到的特征数据，获取各相应地点的无线信号特征，根据各个地点与参考点之间的位置关系分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型。
根据本说明书一个或多个实施例的第二方面，提出了一种基于无线信号的定位方法，包括：
在当前所处地点检测目标无线信号的特征数据；其中，针对任一无线信号构建有相应的相对位置特征，所述相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
向服务端发送所述特征数据，以由所述服务端获取所述目标无线信号的相对位置特征，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位；其中，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
根据本说明书一个或多个实施例的第三方面，提出了一种无线信号的特征提取方法，包括：
分别获取在各个参考点检测到的无线信号的特征数据；
以参考点和无线信号为节点对所述特征数据进行聚合得到信号图谱，分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征；
针对任一参考点，基于在所述任一参考点处检测到的无线信号对应的相对位置特征和特征数据，获取所述任一参考点的无线信号特征。
可选的，
所述分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征，包括：对所述信号图谱进行图嵌入学习以构建嵌入空间，并确定各个无线信号对应的节点在所述嵌入空间中的坐标值以作为所述相对位置特征；
所述基于在所述任一参考点处检测到的无线信号对应的相对位置特征和特征数据，获取所述任一参考点的无线信号特征，包括：根据在所述任一参考点处检测到的无线信号对应的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一参考点的无线信号特征。
可选的，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
可选的，所述对所述信号图谱进行图学习以构建嵌入空间，并确定各个无线信号对应的节点在所述嵌入空间中的坐标值，包括：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述将构建出的节点特征和所述信号图谱输入图神经网络，包括：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，参考点包括配送业务中配送物品的领取地点；所述分别获取在各个参考点检测到的无线信号的特征数据，包括：
分别获取各配送方在各领取地点对应的配送业务的执行过程中，在物品领取阶段检测到的无线信号的特征数据，所述物品领取阶段为从配送方到达领取地点后到所述配送方离开所述领取地点之前的阶段。
可选的，所述无线信号包括WiFi信号，特征序列记录的特征数据包括WiFi信号的多径结构和/或WiFi信号的接收信号强度。
根据本说明书一个或多个实施例的第四方面，提出了一种基于无线信号的定位方法，包括：
获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取如上述任一实施例中所述方法得到的针对所述目标无线信号的相对位置特征；
基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征；
确定如上述任一实施例中所述方法得到的参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位。
根据本说明书一个或多个实施例的第五方面，提出了一种定位模型的训练方法，包括：
分别获取在各个地点检测到的针对目标无线信号的特征数据，并获取如上述任一实施例中所述方法得到的针对所述目标无线信号的相对位置特征；
基于所述目标无线信号的相对位置特征和特征数据，获取各相应地点的无线信号特征；
根据各个地点与如上述任一实施例中任一项所述方法中参考点之间的位置关系，分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型；其中，所述定位模型用于根据输入的用户客户端当前所处地点的无线信号特征，确定出当前所处地点与所述参考点之间的位置关系。
根据本说明书一个或多个实施例的第六方面，提出了一种基于无线信号的定位装置，包括：
数据获取单元，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取所述目标无线信号的相对位置特征；其中，任一无线信号的相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
特征获取单元，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到；
定位单元，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位。
可选的，
所述任一无线信号的相对位置特征包括：所述任一无线信号对应的节点在通过对所述信号图谱进行图嵌入学习得到的嵌入空间中的坐标值；
通过以下方式得到任一地点的无线信号特征：根据在所述任一地点检测到的无线信号的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一地点的无线信号特征，所述任一地点包括任一参考点和用户客户端的当前所处地点。
可选的，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
可选的，通过以下方式得到各无线信号对应的节点在所述嵌入空间中的坐标值：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述将构建出的节点特征和所述信号图谱输入图神经网络，包括：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，所述定位单元具体用于：
确定各参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位；
或者，将当前所处地点的无线信号特征输入至定位模型，以根据所述定位模型的输出结果对当前所处地点进行定位；其中，所述定位模型通过以下方式训练得到：分别获取在各个地点检测到的针对所述目标无线信号的特征数据，基于所述目标无线信号的相对位置特征和获取到的特征数据，获取各相应地点的无线信号特征，根据各个地点与参考点之间的位置关系分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型。
根据本说明书一个或多个实施例的第七方面，提出了一种基于无线信号的定位装置，包括：
检测单元，在当前所处地点检测目标无线信号的特征数据；其中，针对任一无线信号构建有相应的相对位置特征，所述相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
发送单元，向服务端发送所述特征数据，以由所述服务端获取所述目标无线信号的相对位置特征，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位；其中，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
根据本说明书一个或多个实施例的第八方面，提出了一种无线信号的特征提取装置，包括：
数据获取单元，分别获取在各个参考点检测到的无线信号的特征数据；
聚合单元，以参考点和无线信号为节点对所述特征数据进行聚合得到信号图谱，分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征；
特征获取单元，针对任一参考点，基于在所述任一参考点处检测到的无线信号对应的相对位置特征和特征数据，获取所述任一参考点的无线信号特征。
可选的，
所述聚合单元具体用于：对所述信号图谱进行图嵌入学习以构建嵌入空间，并确定各个无线信号对应的节点在所述嵌入空间中的坐标值以作为所述相对位置特征；
所述特征获取单元具体用于：根据在所述任一参考点处检测到的无线信号对应的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一参考点的无线信号特征。
可选的，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
可选的，所述聚合单元进一步用于：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述聚合单元进一步用于：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，参考点包括配送业务中配送物品的领取地点；所述数据获取单元具体用于：
分别获取各配送方在各领取地点对应的配送业务的执行过程中，在物品领取阶段检测到的无线信号的特征数据，所述物品领取阶段为从配送方到达领取地点后到所述配送方离开所述领取地点之前的阶段。
可选的，所述无线信号包括WiFi信号，特征序列记录的特征数据包括WiFi信号的多径结构和/或WiFi信号的接收信号强度。
根据本说明书一个或多个实施例的第九方面，提出了一种基于无线信号的定位装置，包括：
数据获取单元，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取如上述任一实施例中所述方法得到的针对所述目标无线信号的相对位置特征；
特征获取单元，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征；
定位单元，确定如上述任一实施例中所述方法得到的参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位。
根据本说明书一个或多个实施例的第十方面，提出了一种定位模型的训练装置，包括：
数据获取单元，分别获取在各个地点检测到的针对目标无线信号的特征数据，并获取如上述任一实施例中所述方法得到的针对所述目标无线信号的相对位置特征；
特征获取单元，基于所述目标无线信号的相对位置特征和特征数据，获取各相应地点的无线信号特征；
训练单元，根据各个地点与如上述任一实施例中所述方法中参考点之间的位置关系，分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型；其中，所述定位模型用于根据输入的用户客户端当前所处地点的无线信号特征，确定出当前所处地点与所述参考点之间的位置关系。
根据本说明书一个或多个实施例的第十一方面，提出了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如上述任一实施例中所述的方法。
根据本说明书一个或多个实施例的第十二方面，提出了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述实施例中任一所述方法的步骤。
在本说明书的技术方案中，在获取到在各个参考点处检测到的无线信号的特征数据后，通过以参考点和无线信号为节点对特征数据进行聚类得到信号图谱，可由信号图谱从图结构上反映出参考点和无线信号之间的空间关系，该空间关系可体现出各无线信号与其他无线信号以及与各参考点之间的相对位置关系（即相对位置特征）。
相比于单独描述某一参考点处检测到的无线信号的信号特征来表征该参考点的无线信号特征，通过上述相对位置关系来描述无线信号的信号特征则更为稳定，进而基于在参考点处能够检测到的无线信号的相对位置特征和特征数据来表征该参考点的无线信号特征，可降低误差，提高特征提取的准确率。那么，后续在基于上述无线信号特征进行定位时，则可提高定位的稳定性和准确率。
进一步的，可将配送方在执行配送业务的过程中在物品领取阶段检测到的针对无线信号的特征数据作为上述特征序列。针对上述物品领取阶段，配送方处于领取地点，能够检测到对应于领取地点的无线信号。那么，在物品领取阶段内配送方检测到的无线信号的特征数据，则可以作为对应于领取地点的特征序列。一方面，上述获取特征序列的过程并不需要配送员在使用配送方进行配送的过程中添加额外操作，由配送方上传检测到的特征数据即可，因此并不会影响配送员的正常配送过程，可在保证配送业务不被影响执行的前提下，避免人工专门检测特征数据，从而降低了成本，提高了检测效率。另一方面，只要领取地点存在配送方执行的配送业务即可采用本说明书的特征提取方案来获取该领取地点的特征数据，即使得本说明书的特征提取方案可覆盖所有存在配送业务的领取地点，从而提升了覆盖率。
附图说明
图1是一示例性实施例提供的一种无线信号的特征提取方法的流程图。
图2A、图2B和图2C是一示例性实施例提供的一种参考点处无线信号的示意图。
图3A、图3B和图3C是一示例性实施例提供的一种聚类特征数据的示意图。
图4是一示例性实施例提供的一种信号图谱的示意图。
图5是一示例性实施例提供的一种基于无线信号的定位方法的流程图。
图6是一示例性实施例提供的一种定位模型的训练方法的流程图。
图7是一示例性实施例提供的另一种基于无线信号的定位方法的流程图。
图8是一示例性实施例提供的另一种基于无线信号的定位方法的流程图。
图9是一示例性实施例提供的一种设备的结构示意图。
图10是一示例性实施例提供的一种无线信号的特征提取装置的框图。
图11是一示例性实施例提供的一种基于无线信号的定位装置的框图。
图12是一示例性实施例提供的一种定位模型的训练装置的框图。
图13是一示例性实施例提供的另一种基于无线信号的定位装置的框图。
图14是一示例性实施例提供的另一种基于无线信号的定位装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
请参见图1，图1是一示例性实施例提供的一种无线信号的特征提取方法的流程图。如图1所示，该方法可应用于任意用于特征提取的电子设备，可以包括以下步骤：
步骤102，分别获取在各个参考点检测到的无线信号的特征数据。
在本实施例中，本说明书针对的无线信号可以包括WiFi信号。在该情况下，特征序列记录的特征数据可以包括WiFi信号的多径结构和/或WiFi信号的接收信号强度（RSS）。当然，还可采用其他任意近距离通讯技术，只要具备“范围限制”的特点即可。比如，还可采用、IrDA（Infrared Data Association，红外数据组织）红外数据传输、ZigBee、NFC（NearField Communication，近场通信）、UWB（Ultra WideBand，超宽频）、DECT（DigitalEnhanced Cordless Telecommunications，数字增强无绳通信）等通讯技术。
在不同的应用场景下，参考点的选取也随之不同。以配送场景为例，用户可在电商平台上针对任意商品进行下单。在一些情况下，用户下单的商品需要从实体门店或仓库配送至用户所在地点。因此，需要配送业务平台（比如为电商平台或者其他与之合作的配送平台）针对配送物品生成相应的配送业务，并向配送方（配送员使用的客户端设备）分配该配送业务。配送员在承接配送业务后，前往配送物品的领取地点（比如为上述实体门店或者仓库）领取该配送物品，并在领取成功后将配送物品配送至用户所在地。
比如，在外卖场景下，由用户通过用户客户端向外卖平台上的某一实体门店下单，由外卖平台生成相应的外卖订单后向配送方（该情况下为骑手使用的客户端设备）分配外卖订单，从而由骑手前往该实体门店（即配送物品的领取地点）领取外卖，并配送至用户指定的地点。又如，在快递场景下，针对仓库存放的配送物品，快递平台生成相应的快递订单后向配送方分配快递订单，从而由快递员前往仓库（即配送物品的领取地点）取货并配送至收件人所在的地点。
可见，配送业务的执行过程包括前往配送物品的领取地点的阶段、到达领取地点后领取配送物品的阶段（即物品领取阶段，从配送方到达领取地点后到该配送方离开领取地点之前的阶段）和离开领取地点后对配送物品实施配送的阶段。与此同时，领取地点存在对应的无线信号。比如，领取地点处配置有AP，配送方配置有WiFi模块，在获得配送方用户的授权的前提（授权配送方可在执行配送业务的过程中检测WiFi信号）下，配送方可在一定范围内检测到从领取地点发射的WiFi信号。那么，可由配送方在执行配送业务的过程中检测无线信号的特征数据，基于无线信号在信号范围上的限制（超出一定范围则无法被检测到），针对前往领取地点和离开领取地点后的阶段，配送方检测到的无线信号并非对应于领取地点的无线信号，而针对上述物品领取阶段，配送方则是处于领取地点，能够检测到对应于领取地点的无线信号。因此，在物品领取阶段内配送方检测到的无线信号的特征数据，可以记录于对应于领取地点（作为参考点）的特征序列中。
由此可见，在上述配送场景下，参考点可以包括配送业务中配送物品的领取地点。那么，可以分别获取各配送方在各领取地点对应的配送业务的执行过程中，在物品领取阶段检测到的无线信号的特征数据，从而将获取到的特征数据记录于相应的领取地点对应的特征序列中。
由于配送员承接的配送业务可以覆盖多个领取地点，且同一领取地点的配送业务也可由不同的配送员承接，通过上述方式可以获取到多个领取地点对应的特征序列，并且针对同一领取地点可以获取到多个特征数据（即针对同一领取地点的多次检测），从而使得特征数据更为准确全面。
配送业务的执行过程在时间顺序上覆盖了配送员前往领取地点的阶段（前往阶段）、物品领取阶段和离开领取地点后对配送物品实施配送的阶段（物品配送阶段）。换言之，配送方在整个执行过程中检测到的特征数据包含配送方在前往阶段、物品领取阶段和物品配送阶段检测到的所有无线信号的特征数据。配送方可在整个执行过程中按照预设检测周期检测无线信号在预设特征维度上的特征值。可将这些特征值记录于信号特征集合中，由于信号特征集合覆盖整个配送业务的执行过程，信号特征集合可按照阶段被划分为分别对应于前往阶段、物品领取阶段和物品配送阶段的特征子集，而各个特征子集包含配送方在相应的阶段内检测到的特征值。
进一步的，对于前往阶段和物品配送阶段，由于配送方在上述两阶段内均在不断移动且移动范围较大，导致配送方检测到的无线信号的特征值也随之频繁发生变化。而对于物品领取阶段，由于配送方处于领取地点内，无需不断移动且移动范围较小，导致配送方检测到的无线信号的特征值也随之较为稳定。因此，相比于前往阶段和物品配送阶段，在物品领取阶段中的各个检测周期内检测得到的特征序列之间的相似度更大。基于上述特点，可根据各个特征子集所包含的特征数据之间相似度的差异，识别信号特征集合中对应于物品领取阶段的目标特征子集。
需要说明的是，还可通过其他方式来选取上述目标特征子集，本说明书并不对此进行限制。比如，配送员在配送过程中，可通过配送方主动上报自身当前所处的阶段。举例而言，配送方上报的对应于物品领取阶段的时间信息可以包括配送员通过配送方分别上传的到达领取地点的时刻和离开领取地点的时刻。以外卖场景为例，骑手可手动点击骑手客户端上的到店触发控件和离店触发控件，到店触发控件用于触发骑手客户端上报到店事件（记录有到店时刻），离店触发控件用于触发骑手客户端上报离店事件（记录有离店时刻）。那么，由骑手点击的到店时刻和骑手点击的离店时刻构成的时间段可标记上述物品领取阶段。
步骤104，以参考点和无线信号为节点对所述特征数据进行聚合得到信号图谱，分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征。
在相关技术中，采用在某一参考点处检测到的无线信号的信号特征来表征该参考点的无线信号特征。然而，该表征方式误差较大，导致后续基于该特征进行定位的效果不佳。下面结合图2A-图2C进行举例说明。
如图2A所示，在参考点（reference point）RP1处存在AP1-AP4可访问的WiFi信号，即在RP1处可检测到AP1-AP4的特征数据。在相关技术中，将在RP1处检测到的AP1-AP4的RSS值作为RP1的无线信号特征。
如图2B所示，当某一用户处于RP1处时，理论上该用户的客户端设备也能够检测到AP1-AP4的RSS值，并且与上述图2A中检测到的各个AP的RSS值相匹配。换言之，若某一客户端设备检测到的各个AP的RSS值与RP1的无线信号特征的RSS值相匹配，则可判定该客户端设备位于RP1的位置。然而，由于WiFI信号的不确定性，客户端设备检测到的RSS值可能与理论上存在较大偏差。例如，即便客户端设备位于RP1的位置，检测到的对应于AP2和AP4的RSS值也可能较弱（即与图2A中对应于AP2和AP4的RSS值偏差较大）。那么，按照相关技术中的定位原理，由于用户的客户端设备检测到的对应于AP2的RSS值与图2A中对应于AP2的RSS值不相匹配，以及检测到的对应于AP4的RSS值与图2A中对应于AP4的RSS值不相匹配，判定该用户未处于RP1的位置。
如图2C所示，假设某一区域设定有参考点RP1和RP2，以及包含AP1-AP5共5个WiFi信号；其中，AP1-AP4的信号范围可覆盖RP1和RP2，而AP5的信号范围无法覆盖至RP1。那么，以参考点AP1-AP5以及RP1-RP2为节点进行聚类，以上述覆盖关系来确定AP和RP对应的节点之间是否需要设置连边。基于上述方式得到的信号图谱，可将各AP与其他AP以及与各RP之间在图形结构上的相对位置关系考虑进特征提取的过程中。虽然单独测量一个AP的RSS值可能存在较大的噪声，但是描述一个AP相对于其他AP以及RP的相对位置则更为稳定。
由此可见，相比于单独描述某一参考点处检测到的无线信号的信号特征来表征该参考点的无线信号特征，通过上述相对位置关系来描述无线信号的信号特征（相对位置特征）则更为稳定，进而基于在参考点处能够检测到的无线信号的相对位置特征和特征数据来共同表征该参考点的无线信号特征，可降低误差，提高特征提取的准确率。那么，后续在基于上述无线信号特征进行定位时，则可提高定位的稳定性和准确率。
步骤106，针对任一参考点，基于所述任一参考点对应的特征序列所包含无线信号的相对位置特征和特征数据，表征所述任一参考点的无线信号特征。
本说明书的特征提取方案旨在表征参考点的无线信号特征。上述通过相对位置关系描述的针对无线信号的信号特征，可理解为无线信号的相对位置特征。那么，针对任一参考点，在表征该参考点的无线信号特征时，首先确定出在该参考点处能够检测到的无线信号，然后基于该无线信号的相对位置特征和特征数据来共同表征该参考点的无线信号特征。
而对于信号图谱中上述相对位置关系的表示，可利用图嵌入学习来完成。图嵌入（Graph Embedding，也叫Network Embedding）是一种将图数据（通常为高维稠密的矩阵）映射为低微稠密向量的过程。具体而言，可对信号图谱进行图嵌入学习以构建嵌入空间（embedding space），并确定各个无线信号对应的节点在该嵌入空间中的坐标值以表征上述相对位置关系。进一步的，基于对嵌入空间的构建，那么在结合无线信号的相对位置特征和特征数据表征参考点的无线信号特征时，可根据在该参考点处检测到的无线信号对应的相对位置特征，将该无线信号的特征数据映射至上述嵌入空间得到相应的坐标值，从而作为该参考点的无线信号特征。
其中，上述图嵌入学习的过程可采用GNN（Graph Neural Network，图神经网络）来完成。GNN可以把神经网络用在图结构（Graph）中，GNN包括多种类型，比如 GCN（GraphConvolutional Network，图卷积网络）、 GAT（Graph Attention Network，图注意力网络）、GAE（Graph Auto-Encoder，图自编码器） 等。当然，也可以采用其他任意可对图谱中节点进行特征提取的算法，比如Graph RNN（Recurrent Neural Network，循环神经网络）算法、Graph RL（Reinforcement Learning，图强化学习）算法等等，本说明书并不对此进行限制。
在图嵌入学习的过程中，可先从信号图谱中选取若干目标参考点作为地标（landmark），基于地标来构建信号图谱中各个节点的节点特征，从而根据节点特征和整个信号图谱之间的关系来构建嵌入空间，并确定各节点在嵌入空间中的坐标值。具体而言，可从上述多个参考点中选取出至少一个目标参考点，然后分别计算各无线信号对应的节点到所有目标参考点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征。
其中，对于目标参考点的数量，可根据实际需求灵活设定，本说明书并不对此进行限制。比如，目标参考点的数量与特征提取的全面程度和准确率呈正相关，因此为了使得提取出的特征足够全面准确，可以将所有的参考点都作为目标参考点。又如，目标参考点的数量与特征提取过程中计算的复杂度呈负相关，因此为了降低计算复杂度，可以尽可能少地选取目标参考点。又如，针对上述全面程度、准确率和计算复杂度的问题，可以采取“折中”的方式。以上述配送场景下检测无线信号的特征数据为例，针对获取到的在执行配送业务的过程中检测到的特征数据，可选取其中一半数量的领取地点作为地标。而对于选取方式，可采用随机选取或者其他任意方式，本说明书并不对此进行限制。
在选取出目标参考点后，可计算信号图谱中每个节点（表示无线信号的节点）到每个地标的距离以构建节点特征。其中，信号图谱中任意两节点之间的距离为“单位1”，即任意两节点之间的连边表示单位1的距离。在该衡量距离的机制之下，无线信号对应的节点与地标之间可能存在多条路径，那么可先确定出两节点之间的最短路径，然后将该最短路径的距离作为两节点之间的距离，从而该距离可作为相应节点的节点特征。比如，可采用WeightSum函数查找信号图谱中两节点之间的最短路径，当然，也可采用其他任意算法来查找最短路径，比如迪杰斯特拉（Dijkstra）算法、弗洛伊德（Floyd）算法等等，本说明书并不对此进行限制。
在构建得到各个节点的节点特征之后，为了得到各个无线信号对应的节点在整个信号图谱中在空间维度上的特征，可将构建出的节点特征和信号图谱（以矩阵向量的形式）输入GNN，以得到各无线信号对应的节点在嵌入空间中的坐标值。其中，在聚类信号图谱的过程中，信号图谱可采用无向加权图，从而可采用信号图谱中节点之间边的权重来构造GNN的损失函数。
具体而言，特征数据为无线信号在预设维度上的特征值（比如为RSS），该特征值体现于信号图谱中边的权重。比如，对于在某一参考点处检测到的无线信号，该参考点与该无线信号对应的节点之间则应当设置边进行连接，且该边的权重为在该参考点处检测到的该无线信号的特征值。基于上述构建信号图谱的方式，可根据信号图谱中边的权重构建损失函数，从而将构建出的节点特征和信号图谱输入图神经网络，并基于损失函数对图神经网络进行训练，以得到各无线信号对应的节点在嵌入空间中的坐标值。
而在得到各个无线信号的相对位置特征后，针对这些无线信号的特征数据，可通过以下公式将无线信号的特征数据映射至嵌入空间得到相应的坐标值：
其中，X表示所有无线信号（在参考点处检测到的所有无线信号）的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值（即相对位置特征）；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
为了便于理解，下面结合图3A-3C和图4对上述特征提取过程进行举例说明。
特征数据的格式为：[rssi，WiFi_id]；其中，WiFi_id为WiFi信号的信号标识，比如可采用发射WiFi信号的硬件设备的mac地址作为信号标识，rssi为RSS值。以外卖场景为例，针对各个领取地点获取到的特征数据如表1所示：
| 领取地点 | 特征数据 |
| 商户1 | [-90,AP1]、[-70,AP1]、[-88,AP2] |
| 商户2 | [-50,AP2]、[-50,AP3] |
| 商户3 | [-30,AP3] |
表1
对表1中的特征数据按照商户的维度聚类，得到以商户为中心的子图，该子图的节点为商户和AP，商户和AP之间存在连边，权重为rssi的统计均值。然后，将不同商户的子图聚合，得到包含多个商户和AP的信号图谱。
如图3A所示，以商户1为例，对应于商户1的特征数据涉及AP1和AP2，因此子图上商户1应与AP1以及AP2相连。同时，由于针对AP1包含两个特征值-90和-70，商户1与AP1之间连边的权重为两特征值的平均值-80；针对AP2仅包含一个特征值-88，商户1与AP2之间连边的权重直接为-88。当然，还可设定一阈值，只有在商户与相应AP之间的统计均值超过该阈值的情况下，才为该商户和AP之间设置连边，阈值的取值情况可根据实际情况灵活设定，本说明书并不对此进行限制。
如图3B所示，以商户2为例，对应于商户2的特征数据涉及AP2和AP3，因此子图上商户2应与AP2以及AP3相连。同时，由于针对AP2仅包含一个特征值-50，商户2与AP2之间连边的权重直接为-50。同理，商户2与AP3之间连边的权重直接为-50。
如图3C所示，以商户3为例，对应于商户3的特征数据涉及AP3，因此子图上商户3应与AP3相连。同时，由于针对AP3仅包含一个特征值-30，商户3与AP3之间连边的权重直接为-30。
如图4所示，在得到各个商户的子图之后，将所有商户的子图聚合得到包含所有商户和所有AP的信号图谱。以商户1-3作为地标构建节点特征为例进行说明。信号图谱中AP1与商户1的距离为1。AP1与商户2之间通过AP2关联，路径包括AP1—商户1、商户1—AP2以及AP2—商户2，因此距离为3。同理，AP1与商户3之间通过AP2和AP3关联，路径包括AP1—商户1、商户1—AP2、AP2—商户2、商户2—AP3以及AP3—商户3，因此距离为5。
与上述类似，最终可得到如表2所示的节点特征：
| WiFi信号 | 节点特征 |
| AP1 | [1,3,5] |
| AP2 | [1,1,3] |
| AP3 | [3,1,1] |
表2
在得到节点特征之后，将节点特征和信号图谱以矩阵向量的形式输入GCN，以得到各无线信号对应的节点在嵌入空间中的坐标值。其中，可采用LDPL（对数距离路径损耗，logarithmic distance path loss）模型，并利用AP和商户之间连边的权重来构造损失函数。
例如，设计损失函数如下：
其中，Y 是节点嵌入矩阵，D 是对应子图的度矩阵，L = D - A 是图的拉普拉斯矩阵，| · |F 表示Frobenius范数。
当然，也可采用其他任意基于图结构信息的损失函数，本说明书并不对此进行限制。比如，还可设计如下损失函数：
其中，
是类似神经网络的可微分函数， 在无向图
中，假设有N个节点
，
为节点特征向量构成的矩阵，其中
表示节点
的特征向量，边
，邻接
矩阵表示为
（可以是二值的(bianry)，也可以是加权的(weighted)），度矩阵
。
表示无向图
的未正则化图拉普拉斯算子。上述损失函
数希望对相邻节点的特征向量做限制，希望它们能尽量相近。
承接于上述举例，基于上述损失函数最终得到如表3所示的坐标值：
| WiFi信号AP | 无线信号在嵌入空间中的坐标WD<sub>i</sub> |
| AP1 | [0.1,0.2,0.7] |
| AP2 | [0.2,0.3,0.5] |
| AP3 | [0.3,0.3,0.4] |
表3
在上述公式中，WDi表示无线信号i对应的节点在嵌入空间中的坐标值，可表征无线信号i与各个属于地标的商户之间的相对位置关系，Wi表示检测无线信号i的设备与无线信号i之间的相对位置关系，因此，基于上述两相对位置关系可以确定出该设备与商户之间的相对位置关系，即通过无线信号i的特征数据将该设备映射至同样的嵌入空间，以将得到的坐标值用于表征设备与商户之间在嵌入空间中的相对位置关系。
举例而言，以商户1为例，对于表1中商户1的第一组特征数据[-90,AP1]，
；对于表1中商户1的第二组特征数据[-70,AP1]，
；对于表1中商户1的第三组特征数据[-88,AP2]，
。其中，由于上述三组特征数据均为在商户1处检测得到，因此
基于上述三组特征数据中的任一特征数据计算得到的X均可用于表征商户1处的无线信号
特征。当然，针对基于同一AP对应的特征数据（比如上述第一组和第二组特征数据）计算得
到的X，还可进一步进行加权、求平均数等处理，进而通过处理得到的坐标值表征商户1处的
无线信号特征，本说明书并不对此进行限制。
由上述实施例可见，在获取到在各个参考点处检测到的无线信号的特征数据后，通过以参考点和无线信号为节点对特征数据进行聚类得到信号图谱，可由信号图谱从图结构上反映出参考点和无线信号之间的空间关系，该空间关系可体现出各无线信号与其他无线信号以及与各参考点之间的相对位置关系。相比于单独描述某一参考点处检测到的无线信号的信号特征来表征该参考点的无线信号特征，通过上述相对位置关系来描述无线信号的信号特征则更为稳定，进而基于在参考点处能够检测到的无线信号的相对位置特征和特征数据来表征该参考点的无线信号特征，可降低误差，提高特征提取的准确率。那么，后续在基于参考点的无线信号特征进行定位时，则可提高定位的稳定性和准确率。下面结合图5-8对基于无线信号进行定位的方案进行详细说明。
请参见图5，图5是一示例性实施例提供的一种基于无线信号的定位方法的流程图。如图5所示，该方法可应用于任意用于定位的电子设备，可以包括以下步骤：
步骤502，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取针对所述目标无线信号的相对位置特征。
在本实施例中，上述图1所示实施例中完成了对无线信号的相对位置特征的提取，以及对参考点的无线信号特征的提取，同时基于无线信号“范围限制”的特点，只有在上述图1所示实施例中参考点附近的地点才能够检测到这些无线信号。因此，若用户携带用户客户端处于上述参考点附近，则可先获取用户客户端检测到的目标无线信号的相对位置特征，然后同样采用上述图1所示实施例中的方式，利用目标无线信号的特征数据和相对位置特征来表征当前所处地点的无线信号特征，从而根据当前所处地点的无线信号特征与上述参考点的无线信号特征之间的匹配关系来进行定位。
步骤504，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征。
步骤506，确定参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位。
在本实施例中，由于参考点的位置已知，可选取与当前所处地点的无线信号特征最相似的无线信号特征作为目标无线信号特征，也可选取出多个与当前所处地点的无线信号特征相似（比如相似度在预设阈值之内）的无线信号特征，然后利用该多个无线信号特征对应的参考点的位置进行加权得到当前所处地点的位置。
例如，可采用KNN（K-NearestNeighbor，K最近邻）分类算法在上述构建的嵌入空间中查找出 K 个与用户位置最近的RP，然后通过计算这些 RP 位置（例如坐标）的加权来估计用户位置。或者，可在嵌入空间中查找出与用户位置最近的RP以对用户位置进行估计，本说明书并不对此进行限制。
上述定位方案可应用于多种场景。比如，在外卖场景下，参考点为商户的实体门店的位置，骑手的客户端设备可实时检测无线信号的特征值，那么可据此对前往实体门店的骑手进行定位，判断骑手是否到店。例如，当骑手开始配送后，若利用上述定位方案确定出骑手的客户端设备（代表骑手的位置）位于相应的实体门店内，则可判定骑手到店；进一步的，若后续再利用上述定位方案确定出骑手的客户端设备并非位于该实体门店内，则可判定骑手离店。
又如，在室内定位的场景下，参考点为室内区域中的预设位置（理论上可以设置足够多），用户的客户端设备可实时检测无线信号的特征值，那么可据此对位于该室内区域中的用户进行定位，判断用户当前的位置。
除此之外，还可结合机器学习来实现定位，判断用户是否到达参考点。请参见图6，图6是一示例性实施例提供的一种定位模型的训练方法的流程图。如图6所示，该方法可应用于任意用于模型训练的电子设备，可以包括以下步骤：
步骤602，分别获取在各个地点检测到的针对目标无线信号的特征数据，并获取针对所述目标无线信号的相对位置特征。
步骤604，基于所述目标无线信号的相对位置特征和特征数据，获取各相应地点的无线信号特征。
步骤606，根据各个地点与参考点之间的位置关系，分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型；其中，所述定位模型用于根据输入的用户客户端当前所处地点的无线信号特征，确定出当前所处地点与所述参考点之间的位置关系。
在本实施例中，由于采用机器学习的方式来进行定位，需要配置样本数据进行标注，从而输入至有监督学习算法进行训练得到定位模型。其中，以处于参考点处的无线信号特征作为正样本，以未处于参考点处的无线信号特征作为负样本。那么，在选取样本数据时，可将至少部分上述图1所示实施例中得到的参考点的无线信号特征直接作为正样本，还可另外重新选取在上述参考点处检测到的无线信号的特征数据，然后基于该无线信号的相对位置特征和特征数据表征无线信号特征以作为正样本。与此同时，再选取其他不属于参考点的地点的无线信号特征作为负样本，从而利用正样本和负样本训练定位模型。以外卖场景为例，可针对每个商户训练相应的定位模型，以用于判断骑手是否到店（到达相应商户的实体门店）。在该情况下，除直接将上述图1所示实施例中表征商户的无线信号特征标注为“到店”的标签之外，还可另外获取骑手在执行该商户下的配送业务（区别于上述构建嵌入空间所采用的配送业务）的过程中采集到的特征数据，从而基于这些特征数据表征无线信号特征，再标注相应的标签。
比如，承接于上述表3的举例，获取到的特征数据为
，那么
；其中，
，
，
。然后，根据检测得到该特征数据时骑手是否
到店将计算得到的X标注为相应的标签。比如，到店的标签为“1”，未到店的标签为“0”。换言
之，基于在前往阶段和物品配送阶段检测到的特征数据计算得到的X，应将其标注为“0”，基
于在物品领取阶段检测到的特征数据计算得到的X，应将其标注为“1”。
有监督学习常见的算法包括逻辑回归、神经网络、决策树、支持向量机、贝叶斯分类器等等。以分类器f为例，可将X作为分类器f的输入，X的标签“0”和“1”作为输出Y，得到f（X）=Y进行训练。那么在训练完成后，该分类器f便可用于判断骑手是否位于实体门店内。
当然，也可针对所有的实体门店训练一个统一的定位模型，用于定位骑手具体到达哪个实体门店。那么，在标注X时，标签为商户的门店id，即定位模型的输入为骑手当前所处地点的无线信号特征X，输出为门店id。
基于训练得到的定位模型，可获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取针对目标无线信号的相对位置特征，从而基于目标无线信号的相对位置特征和特征数据，表征当前所处地点的无线信号特征。然后，将当前所处地点的无线信号特征输入至定位模型，以根据定位模型的输出结果对当前所处地点进行定位。
需要说明的是，表征当前所处地点的无线信号特征的过程与上述步骤502-504的过程类似，在此不再赘述。
下面以执行定位操作的电子设备的角度对本说明书的定位方案进行说明。
请参见图7，图7是一示例性实施例提供的另一种基于无线信号的定位方法的流程图。如图7所示，该方法可应用于任意用于定位的电子设备，可以包括以下步骤：
步骤702，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取所述目标无线信号的相对位置特征；其中，任一无线信号的相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到。
步骤704，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
步骤706，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位。
如前所述，所述任一无线信号的相对位置特征包括：所述任一无线信号对应的节点在通过对所述信号图谱进行图嵌入学习得到的嵌入空间中的坐标值。可通过以下方式得到任一地点的无线信号特征：根据在所述任一地点检测到的无线信号的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一地点的无线信号特征，所述任一地点包括任一参考点和用户客户端的当前所处地点。
如前所述，可通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
如前所述，可通过以下方式得到各无线信号对应的节点在所述嵌入空间中的坐标值：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
如前所述，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；那么可根据所述信号图谱中边的权重构建损失函数，然后将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
如前所述，可确定各参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位。
或者，可将当前所处地点的无线信号特征输入至定位模型，以根据所述定位模型的输出结果对当前所处地点进行定位。如前所述，定位模型通过以下方式训练得到：分别获取在各个地点检测到的针对所述目标无线信号的特征数据，基于所述目标无线信号的相对位置特征和获取到的特征数据，获取各相应地点的无线信号特征，根据各个地点与参考点之间的位置关系分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型。
需要说明的是，可将定位模型部署于用户客户端中，以由用户客户端采集特征数据后直接输入本地部署的定位模型进行定位，从而降低延迟，提高实时性。当然，也可将定位模型部署于后台的服务端中，由服务端获取用户客户端采集的特征数据以进行定位。
请参见图8，图8是一示例性实施例提供的另一种基于无线信号的定位方法的流程图。如图8所示，该方法应用于用户客户端，可以包括以下步骤：
步骤802，在当前所处地点检测目标无线信号的特征数据；其中，针对任一无线信号构建有相应的相对位置特征，所述相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到。
步骤804，向服务端发送所述特征数据，以由所述服务端获取所述目标无线信号的相对位置特征，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位；其中，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
需要说明的是，上述图1、图5和图6示出的实施例所涉及的描述同样可以适用于上述图7-8示出的实施例中，本说明书不再对此进行赘述。
与上述方法实施例相对应，本说明书还提供了相应的装置实施例。
图9是一示例性实施例提供的一种设备的示意结构图。请参考图9，在硬件层面，该设备包括处理器902、内部总线904、网络接口906、内存908以及非易失性存储器910，当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器902从非易失性存储器910中读取对应的计算机程序到内存908中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
请参考图10，无线信号的特征提取装置可以应用于如图9所示的设备中，以实现本说明书的技术方案。其中，该无线信号的特征提取装置可以包括：
数据获取单元1001，分别获取在各个参考点检测到的无线信号的特征数据；
聚合单元1002，以参考点和无线信号为节点对所述特征数据进行聚合得到信号图谱，分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征；
特征获取单元1003，针对任一参考点，基于在所述任一参考点处检测到的无线信号对应的相对位置特征和特征数据，获取所述任一参考点的无线信号特征。
可选的，
所述聚合单元1002具体用于：对所述信号图谱进行图嵌入学习以构建嵌入空间，并确定各个无线信号对应的节点在所述嵌入空间中的坐标值以作为所述相对位置特征；
所述特征获取单元1003具体用于：根据在所述任一参考点处检测到的无线信号对应的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一参考点的无线信号特征。
可选的，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
可选的，所述聚合单元1002进一步用于：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述聚合单元1002进一步用于：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，参考点包括配送业务中配送物品的领取地点；所述数据获取单元1001具体用于：
分别获取各配送方在各领取地点对应的配送业务的执行过程中，在物品领取阶段检测到的无线信号的特征数据，所述物品领取阶段为从配送方到达领取地点后到所述配送方离开所述领取地点之前的阶段。
可选的，所述无线信号包括WiFi信号，特征序列记录的特征数据包括WiFi信号的多径结构和/或WiFi信号的接收信号强度。
请参考图11，基于无线信号的定位装置可以应用于如图9所示的设备中，以实现本说明书的技术方案。其中，该基于无线信号的定位装置可以包括：
数据获取单元1101，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取如上述任一实施例中所述方法得到的针对所述目标无线信号的相对位置特征；
特征获取单元1102，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征；
定位单元1103，确定如上述任一实施例中所述方法得到的参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位。
请参考图12，定位模型的训练装置可以应用于如图9所示的设备中，以实现本说明书的技术方案。其中，该定位模型的训练装置可以包括：
数据获取单元1201，分别获取在各个地点检测到的针对目标无线信号的特征数据，并获取如上述任一实施例中所述方法得到的针对所述目标无线信号的相对位置特征；
特征获取单元1202，基于所述目标无线信号的相对位置特征和特征数据，获取各相应地点的无线信号特征；
训练单元1203，根据各个地点与如上述任一实施例中所述方法中参考点之间的位置关系，分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型；其中，所述定位模型用于根据输入的用户客户端当前所处地点的无线信号特征，确定出当前所处地点与所述参考点之间的位置关系。
请参考图13，基于无线信号的定位装置可以应用于如图9所示的设备中，以实现本说明书的技术方案。其中，该基于无线信号的定位装置可以包括：
数据获取单元1301，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取所述目标无线信号的相对位置特征；其中，任一无线信号的相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
特征获取单元1302，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到；
定位单元1303，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位。
可选的，
所述任一无线信号的相对位置特征包括：所述任一无线信号对应的节点在通过对所述信号图谱进行图嵌入学习得到的嵌入空间中的坐标值；
通过以下方式得到任一地点的无线信号特征：根据在所述任一地点检测到的无线信号的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一地点的无线信号特征，所述任一地点包括任一参考点和用户客户端的当前所处地点。
可选的，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
可选的，通过以下方式得到各无线信号对应的节点在所述嵌入空间中的坐标值：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述将构建出的节点特征和所述信号图谱输入图神经网络，包括：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
可选的，所述定位单元1303具体用于：
确定各参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位；
或者，将当前所处地点的无线信号特征输入至定位模型，以根据所述定位模型的输出结果对当前所处地点进行定位；其中，所述定位模型通过以下方式训练得到：分别获取在各个地点检测到的针对所述目标无线信号的特征数据，基于所述目标无线信号的相对位置特征和获取到的特征数据，获取各相应地点的无线信号特征，根据各个地点与参考点之间的位置关系分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型。
请参考图14，基于无线信号的定位装置可以应用于如图9所示的设备中，以实现本说明书的技术方案。其中，该基于无线信号的定位装置可以包括：
检测单元1401，在当前所处地点检测目标无线信号的特征数据；其中，针对任一无线信号构建有相应的相对位置特征，所述相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
发送单元1402，向服务端发送所述特征数据，以由所述服务端获取所述目标无线信号的相对位置特征，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位；其中，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中，计算机包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (20)
1.一种基于无线信号的定位方法，其特征在于，包括：
获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取所述目标无线信号的相对位置特征；其中，任一无线信号的相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到；
确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位。
2.根据权利要求1所述的方法，其特征在于，
所述任一无线信号的相对位置特征包括：所述任一无线信号对应的节点在通过对所述信号图谱进行图嵌入学习得到的嵌入空间中的坐标值；
通过以下方式得到任一地点的无线信号特征：根据在所述任一地点检测到的无线信号的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一地点的无线信号特征，所述任一地点包括任一参考点和用户客户端的当前所处地点。
3.根据权利要求2所述的方法，其特征在于，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
4.根据权利要求2所述的方法，其特征在于，通过以下方式得到各无线信号对应的节点在所述嵌入空间中的坐标值：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
5.根据权利要求4所述的方法，其特征在于，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述将构建出的节点特征和所述信号图谱输入图神经网络，包括：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
6.根据权利要求1所述的方法，其特征在于，所述确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位，包括：
确定各参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位；
或者，将当前所处地点的无线信号特征输入至定位模型，以根据所述定位模型的输出结果对当前所处地点进行定位；其中，所述定位模型通过以下方式训练得到：分别获取在各个地点检测到的针对所述目标无线信号的特征数据，基于所述目标无线信号的相对位置特征和获取到的特征数据，获取各相应地点的无线信号特征，根据各个地点与参考点之间的位置关系分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型。
7.一种基于无线信号的定位方法，其特征在于，包括：
在当前所处地点检测目标无线信号的特征数据；其中，针对任一无线信号构建有相应的相对位置特征，所述相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
向服务端发送所述特征数据，以由所述服务端获取所述目标无线信号的相对位置特征，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位；其中，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
8.一种无线信号的特征提取方法，其特征在于，包括：
分别获取在各个参考点检测到的无线信号的特征数据；
以参考点和无线信号为节点对所述特征数据进行聚合得到信号图谱，分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征；
针对任一参考点，基于在所述任一参考点处检测到的无线信号对应的相对位置特征和特征数据，获取所述任一参考点的无线信号特征。
9.根据权利要求8所述的方法，其特征在于，
所述分别确定所述信号图谱中各无线信号与其他无线信号以及与各参考点之间的相对位置特征，包括：对所述信号图谱进行图嵌入学习以构建嵌入空间，并确定各个无线信号对应的节点在所述嵌入空间中的坐标值以作为所述相对位置特征；
所述基于在所述任一参考点处检测到的无线信号对应的相对位置特征和特征数据，获取所述任一参考点的无线信号特征，包括：根据在所述任一参考点处检测到的无线信号对应的相对位置特征，将该无线信号的特征数据映射至所述嵌入空间得到相应的坐标值以作为所述任一参考点的无线信号特征。
10.根据权利要求9所述的方法，其特征在于，通过以下公式将无线信号的特征数据映射至所述嵌入空间得到相应的坐标值：
其中，X表示所有无线信号的特征数据在嵌入空间中的坐标值；
WDi表示无线信号i对应的节点在嵌入空间中的坐标值；
Ki表示无线信号i的特征数据中的特征值；
i表示无线信号的信号标识。
11.根据权利要求9所述的方法，其特征在于，所述对所述信号图谱进行图学习以构建嵌入空间，并确定各个无线信号对应的节点在所述嵌入空间中的坐标值，包括：
从各个参考点中选取出至少一个目标参考点；
分别计算所述信号图谱中各无线信号对应的节点到所有目标参考点对应的节点之间的距离，根据计算出的距离构建各无线信号对应的节点的节点特征；
将构建出的节点特征和所述信号图谱输入图神经网络，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
12.根据权利要求11所述的方法，其特征在于，特征数据包括无线信号的特征值，所述信号图谱中边的权重为所述特征值；所述将构建出的节点特征和所述信号图谱输入图神经网络，包括：
根据所述信号图谱中边的权重构建损失函数；
将构建出的节点特征和所述信号图谱输入图神经网络，并基于所述损失函数对所述图神经网络进行训练，以得到各无线信号对应的节点在所述嵌入空间中的坐标值。
13.根据权利要求8所述的方法，其特征在于，参考点包括配送业务中配送物品的领取地点；所述分别获取在各个参考点检测到的无线信号的特征数据，包括：
分别获取各配送方在各领取地点对应的配送业务的执行过程中，在物品领取阶段检测到的无线信号的特征数据，所述物品领取阶段为从配送方到达领取地点后到所述配送方离开所述领取地点之前的阶段。
14.根据权利要求8所述的方法，其特征在于，所述无线信号包括WiFi信号，特征序列记录的特征数据包括WiFi信号的多径结构和/或WiFi信号的接收信号强度。
15.一种基于无线信号的定位方法，其特征在于，包括：
获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取如权利要求8-14中任一项所述方法得到的针对所述目标无线信号的相对位置特征；
基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征；
确定如权利要求8-14中任一项所述方法得到的参考点的无线信号特征中，与当前所处地点的无线信号特征相匹配的无线信号特征，并根据确定出的无线信号特征对应的参考点的位置对当前所处地点进行定位。
16.一种定位模型的训练方法，其特征在于，包括：
分别获取在各个地点检测到的针对目标无线信号的特征数据，并获取如权利要求8-14中任一项所述方法得到的针对所述目标无线信号的相对位置特征；
基于所述目标无线信号的相对位置特征和特征数据，获取各相应地点的无线信号特征；
根据各个地点与如权利要求8-14中任一项所述方法中参考点之间的位置关系，分别对各个地点的无线信号特征进行标注，并将标注后的无线信号特征输入有监督学习算法进行训练得到定位模型；其中，所述定位模型用于根据输入的用户客户端当前所处地点的无线信号特征，确定出当前所处地点与所述参考点之间的位置关系。
17.一种基于无线信号的定位装置，其特征在于，包括：
数据获取单元，获取用户客户端在当前所处地点检测到的目标无线信号的特征数据，并获取所述目标无线信号的相对位置特征；其中，任一无线信号的相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
特征获取单元，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到；
定位单元，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位。
18.一种基于无线信号的定位装置，其特征在于，包括：
检测单元，在当前所处地点检测目标无线信号的特征数据；其中，针对任一无线信号构建有相应的相对位置特征，所述相对位置特征包括在信号图谱中所述任一无线信号与其他无线信号以及与各参考点之间的相对位置特征，所述信号图谱通过以参考点和无线信号为节点，对在各个参考点检测到的无线信号的特征数据进行聚合得到；
发送单元，向服务端发送所述特征数据，以由所述服务端获取所述目标无线信号的相对位置特征，基于所述目标无线信号的相对位置特征和特征数据，获取当前所处地点的无线信号特征，以及获取所述信号图谱中参考点的无线信号特征，确定当前所处地点的无线信号特征与各参考点的无线信号特征之间的匹配关系，并根据所述匹配关系和相应参考点的位置对当前所处地点进行定位；其中，任一参考点的无线信号特征基于在所述任一参考点检测到的无线信号的相对位置特征和特征数据得到。
19.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1-16中任一项所述的方法。
20.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-16中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110896134.6A CN113347661B (zh) | 2021-08-05 | 2021-08-05 | 无线信号的特征提取方法及基于无线信号的定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110896134.6A CN113347661B (zh) | 2021-08-05 | 2021-08-05 | 无线信号的特征提取方法及基于无线信号的定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113347661A true CN113347661A (zh) | 2021-09-03 |
| CN113347661B CN113347661B (zh) | 2021-11-02 |
Family
ID=77480836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110896134.6A Active CN113347661B (zh) | 2021-08-05 | 2021-08-05 | 无线信号的特征提取方法及基于无线信号的定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113347661B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988238A (zh) * | 2021-11-04 | 2022-01-28 | 中国电子科技集团公司第二十研究所 | 一种基于动态计算的文物定位方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160165566A1 (en) * | 2014-12-04 | 2016-06-09 | Hyundai Mobis Co., Ltd. | Method for building database for fingerprinting positioning and fingerprinting positioning method using the built database |
| CN106028443A (zh) * | 2016-06-30 | 2016-10-12 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
| CN110035384A (zh) * | 2019-05-09 | 2019-07-19 | 桂林电子科技大学 | 一种融合多传感器信号滤波优化的室内定位方法 |
| CN110049442A (zh) * | 2019-05-23 | 2019-07-23 | 江西师范大学 | 基于智能手机的室内WiFi指纹定位自动标定方法及系统 |
| CN112135248A (zh) * | 2020-10-09 | 2020-12-25 | 西安建筑科技大学 | 一种基于K-means最优估计的WIFI指纹定位方法 |
| CN112235722A (zh) * | 2020-12-11 | 2021-01-15 | 浙江口碑网络技术有限公司 | 信息输出方法、装置、计算机设备及可读存储介质 |
| CN112887909A (zh) * | 2021-04-14 | 2021-06-01 | 中国科学技术大学 | 一种基于Wi-Fi信号的室内定位方法 |
-
2021
- 2021-08-05 CN CN202110896134.6A patent/CN113347661B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160165566A1 (en) * | 2014-12-04 | 2016-06-09 | Hyundai Mobis Co., Ltd. | Method for building database for fingerprinting positioning and fingerprinting positioning method using the built database |
| CN106028443A (zh) * | 2016-06-30 | 2016-10-12 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
| CN110035384A (zh) * | 2019-05-09 | 2019-07-19 | 桂林电子科技大学 | 一种融合多传感器信号滤波优化的室内定位方法 |
| CN110049442A (zh) * | 2019-05-23 | 2019-07-23 | 江西师范大学 | 基于智能手机的室内WiFi指纹定位自动标定方法及系统 |
| CN112135248A (zh) * | 2020-10-09 | 2020-12-25 | 西安建筑科技大学 | 一种基于K-means最优估计的WIFI指纹定位方法 |
| CN112235722A (zh) * | 2020-12-11 | 2021-01-15 | 浙江口碑网络技术有限公司 | 信息输出方法、装置、计算机设备及可读存储介质 |
| CN112887909A (zh) * | 2021-04-14 | 2021-06-01 | 中国科学技术大学 | 一种基于Wi-Fi信号的室内定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 涂志: "基于位置指纹的室内三维定位技术研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
| 饶文利: "室内三维定位分类、方法、技术综述", 《测绘与空间地理信息》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988238A (zh) * | 2021-11-04 | 2022-01-28 | 中国电子科技集团公司第二十研究所 | 一种基于动态计算的文物定位方法 |
| CN113988238B (zh) * | 2021-11-04 | 2024-05-14 | 中国电子科技集团公司第二十研究所 | 一种基于动态计算的文物定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113347661B (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chriki et al. | SVM-based indoor localization in wireless sensor networks | |
| US10895454B2 (en) | Movement line information generation system, movement line information generation method and movement line information generation program | |
| CN107071743B (zh) | 一种基于随机森林的快速KNN室内WiFi定位方法 | |
| CN106851571B (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
| CN111479231A (zh) | 一种用于毫米波大规模mimo系统的室内指纹定位方法 | |
| WO2014203041A1 (en) | System and method for rfid indoor localization | |
| Rezgui et al. | An efficient normalized rank based SVM for room level indoor WiFi localization with diverse devices | |
| CN112566033B (zh) | 无线信号的特征上传及获取方法、装置 | |
| Piciarelli | Visual indoor localization in known environments | |
| CN113347661B (zh) | 无线信号的特征提取方法及基于无线信号的定位方法 | |
| Abdullah et al. | Machine learning algorithm for wireless indoor localization | |
| Alitaleshi et al. | WiFi fingerprinting based floor detection with hierarchical extreme learning machine | |
| Caso et al. | Frequentist inference for WiFi fingerprinting 3D indoor positioning | |
| Pandey et al. | SELE: RSS-based Siamese embedding location estimator for a dynamic IoT environment | |
| Vorst et al. | Efficient self-adjusting, similarity-based location fingerprinting with passive UHF RFID | |
| Yang et al. | Multi-floor indoor localization based on RBF network with initialization, calibration, and update | |
| Jiang et al. | Indoor localization with a signal tree | |
| CN109121081B (zh) | 一种基于位置候选集与em算法的室内定位方法 | |
| CN114727385B (zh) | 基于无线信号的定位方法及装置、电子设备、存储介质 | |
| Zhuo et al. | GRAFICS: Graph embedding-based floor identification using crowdsourced RF signals | |
| Lee et al. | Indoor cell-level localization based on RSSI classification | |
| e Silva et al. | Challenges and solutions in received signal strength-based seamless positioning | |
| Afousi et al. | Wi-Fi RSS indoor positioning system using online layer clustering and weighted DCP-KNN | |
| CN113316251A (zh) | 基于无线信号的定位方法及装置、电子设备、存储介质 | |
| Tran et al. | Fast and accurate indoor localization based on spatially hierarchical classification |
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 |