CN113347710B - 一种定位方法和相关装置 - Google Patents

Abstract

本申请实施例公开了一种定位方法和相关装置，涉及地图领域，例如楼宇间的终端设备定位。基于处于楼宇区域中无线设备的多个网络定位数据确定体现该无线设备的信号分布情况的信号特征图。根据信号特征图和楼宇区域的楼宇分布信息，从楼宇区域中确定所述无线设备所在的目标楼宇，将目标楼宇的位置作为该无线设备的设备实际位置，并建立绑定关系。由于楼宇分布信息准确标识出了楼宇区域中所包括楼宇的位置、范围和在楼宇区域中分布情况，能够基于楼宇分布信息在目标楼宇确定过程中有效排除掉不合理的挖掘位置，起到校准网络定位信号的位置挖掘误差的作用，实现了准确的无线设备与楼宇的绑定，准确的绑定关系提高了终端设备在楼宇区域中的定位精度。

Description

一种定位方法和相关装置

技术领域

本申请涉及数据处理领域，特别是涉及一种定位方法和相关装置。

背景技术

用户可以通过使用移动终端提供的定位服务，查看到目前自己所处的位置。常用的定位方式包括全球定位系统（Global Positioning System，GPS）定位或者网络定位。当用户处于开阔地带时，主要使用GPS信号来实现定位服务，当用户周边有大量遮挡物例如处于楼宇中时，移动终端的GPS信号很弱甚至没有，这时需要使用网络定位的方式为用户提供定位服务。

目前主要基于移动终端的提供的无线保真（Wireless Fidelity，Wi-Fi）信号中携带的无线设备标识匹配Wi-Fi位置库，由于Wi-Fi位置库中包括无线设备标识与无线设备位置间的对应关系，故可以根据匹配到的无线设备位置确定移动终端的定位。

相关技术中，主要通过无线设备的服务集标识（Service Set Identifier，SSID）和楼宇标识间的匹配程度来建立Wi-Fi位置库中的对应关系，例如无线设备的SSID的名称为“A楼无线网”，与楼宇A的名称产生了关联，可将该无线设备的标识与楼宇A的位置在Wi-Fi位置库中建立对应关系。

可见，相关技术在建立Wi-Fi位置库时强烈依赖SSID的名称与楼宇名称间的关联性，一旦无线设备的拥有者修改了SSID名称而降低了与楼宇名称的关联性时，将难以确定出对应关系或者会确定出错误的对应关系，从而降低了Wi-Fi位置库的质量，低质量的Wi-Fi位置库会为楼宇中的移动终端提供不准确的定位结果。

发明内容

为了解决上述技术问题，本申请提供了一种定位方法和相关装置，实现了准确的无线设备与楼宇的绑定，提高了终端设备在楼宇区域中的定位精度。

本申请实施例公开了如下技术方案：

一方面，本申请实施例提供了一种定位方法，所述方法包括：

获取处于楼宇区域中的无线设备对应的多个网络定位数据，所述多个网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的；

基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图；

根据所述信号特征图和所述楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇；

将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系；

获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识；

根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

另一方面，本申请实施例提供了一种定位装置，所述装置包括获取单元、第一确定单元、建立单元和第二确定单元：

所述获取单元，用于获取处于楼宇区域中的无线设备对应的多个网络定位数据，所述多个网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的；

所述第一确定单元，用于基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图；

所述第一确定单元还用于根据所述信号特征图和所述楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇；

所述建立单元，用于将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系；

所述获取单元还用于获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识；

所述第二确定单元，用于根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

另一方面，本申请实施例公开了一种计算机设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行上述方面中所述的定位方法。

另一方面，本申请实施例公开了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方面中所述的定位方法。

由上述技术方案可以看出，在为终端设备提供楼宇区域的网络定位服务前，可以先获取处于楼宇区域中无线设备的多个网络定位数据，由于网络定位数据是由该无线设备信号范围内的终端设备上报的，故无线定位数据所标识设备初步位置可以体现出提供该无线设备周围的终端设备的粗略位置，从而通过多个网络定位数据所确定的信号特征图能够体现出该无线设备在楼宇区域中的信号分布情况。根据信号特征图和楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇，将目标楼宇的位置作为该无线设备的设备实际位置，并基于标识建立该无线设备与目标楼宇的绑定关系。由于在确定目标楼宇时不仅考虑了该无线设备的信号分布情况，还参考了该无线设备所在楼宇区域的楼宇分布信息，由于楼宇分布信息准确标识出了楼宇区域中所包括楼宇的位置、范围和在楼宇区域中分布情况，能够基于楼宇分布信息在目标楼宇确定过程中有效排除掉不合理的挖掘位置，起到校准网络定位信号的位置挖掘误差的作用，实现了准确的无线设备与楼宇的绑定。

当需要为目标终端设备提供网络定位服务时，由于目标终端设备的定位请求中包括了其周边无线设备的无线设备标识，故可以基于前述确定的绑定关系，准确的得到该目标终端设备的定位结果，提高目标了终端设备在楼宇区域中的定位精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1为一种无线设备的位置挖掘误差的示意图；

图2为本申请实施例提供的一种定位方法的硬件场景示意图；

图3为本申请实施例提供的一种定位方法的方法流程图；

图4为本申请实施例提供的一种基于重叠度确定无线设备所对应目标楼宇的示意图；

图5为本申请实施例提供的一种神经网络模型的模型输入的示意图；

图6为本申请实施例提供的一种通过神经网络模型得到楼宇位置预测图的示意图；

图7为本申请实施例提供的一种神经网络模型的模型结构图；

图8为本申请实施例提供的一种用于确定无线设备所对应目标楼宇的模型训练场景示意图；

图9为本申请实施例提供的一种定位装置的装置结构图；

图10为本申请实施例提供的一种计算机设备的结构图；

图11为本申请实施例提供的一种服务器的结构图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

一般情况下楼宇区域中的Wi-Fi设备安装在楼宇中的固定地点，所以扫描到该Wi-Fi设备的网络定位数据的分布如图1所示，利用这些网络定位数据多标识的定位点可以估计出一个该Wi-Fi设备的位置，生成Wi-Fi位置库，进而用于后续为处于该楼宇区域中的终端设备提供网络定位服务。

由于Wi-Fi设备的位置挖掘所需的数据是基于Wi-Fi设备周边终端设备上报的网络定位数据（例如GPS信号）生成的，而网络定位场景中的终端设备大多位于无法接收GPS信号的区域例如室内、楼宇间等，因此导致GPS数据分布相对实际Wi-Fi设备位置有一定的偏差，只依赖网络定位数据的位置挖掘存在天然的误差，如图1所示（其中的几何形状为无线设备所处楼宇区域的楼宇平面示意），挖掘出的无线设备位置与实际设备位置间出现了偏差，导致较大的定位误差，降低用户体验。

为了解决上述问题，相关技术是利用无线设备的SSID名称与楼宇/公司的POI信息的相关性作为将两者进行绑定的依据，如果无线设备的SSID名称（如A大厦的无线网）与附近楼宇名称（如A大厦）存在相关性，即认为该Wi-Fi设备的实际处于A大厦对应的位置，从而建立Wi-Fi设备与楼宇位置的绑定关系。

然而，由于SSID名称可以被所有者人为随意改动，例如改为“111”、“饭团小队”等无法与POI信息具有相关性的名称，从而导致基于相关技术构建的Wi-Fi位置库可信度不高，难以为终端设备提供楼宇区域的准确网络定位服务。

为此，本申请实施例提供了一种定位方法和相关装置，实现了准确的无线设备与楼宇的绑定，提高了终端设备在楼宇区域中的定位精度。

本申请提供的定位方法可以通过定位设备进行实施，该定位设备如终端设备、服务器等。其中，终端设备具体可以为智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端、智能电视等，但并不局限于此；服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

如图2所示的应用场景中，将服务器100作为前述定位设备进行说明。

图2左侧示出了安装在楼宇A中的无线设备，作为示例，图2中的无线设备为无线路由器。无线设备在楼宇区域中，通过建立的无线网络，可以为连接到该无线网络的终端设备提供网络服务。当有终端设备处于该无线设备周边或者说无线网络的信号覆盖范围内时，可以通过自身的无线模块扫描到或连接到该无线网络，而扫描到或连接到该无线网络的终端设备可以向服务器100提供对应该无线设备的网络定位数据。例如图2左侧的虚线框用于标识无线设备所建立无线网络的信号覆盖范围，在示出的覆盖范围内有四个终端设备，这些终端设备可以扫描到或连接上该无线网络，由此分别向服务器100发送了针对该无线设备的网络定位数据。

服务器100根据针对该无线设备的多个网络定位数据所携带的设备初步位置，可以确定出无线设备对应于楼宇区域（包含了楼宇A和其他楼宇的区域）的信号特征图。除此之外，服务器100还可以获取该楼宇区域的楼宇分布信息，该楼宇分布信息的示意在图2中有示出，其中的几何形状用于表征楼宇区域中的楼宇，几何形状间的位置关系用于体现楼宇区域中的楼宇分布情况。

根据信号特征图和楼宇分布信息，服务器100可以从楼宇区域中确定出该无线设备所在的目标楼宇：楼宇A，即图2中的阴影部分所示。将楼宇A的位置作为该无线设备的设备实际位置，服务器100可以基于标识建立该无线设备与目标楼宇间的绑定关系，并更新到该楼宇区域的Wi-Fi位置库中。由于建立Wi-Fi位置库不再依赖于SSID这类可人为改动的信息，提升了绑定关系的确定成功率，而且，在确定目标楼宇时不仅考虑了无线设备的信号分布情况，还参考了无线设备所在楼宇区域的楼宇分布信息，由于楼宇分布信息准确标识出了楼宇区域中所包括楼宇的位置、范围和在楼宇区域中分布情况，能够基于楼宇分布信息在目标楼宇确定过程中有效排除掉不合理的挖掘位置，起到校准网络定位信号的位置挖掘误差的作用，实现了准确的无线设备与楼宇的绑定。

当需要为终端设备200提供网络定位服务时，由于终端设备200的定位请求中包括了其周边无线设备的无线设备标识例如前述无线设备的无线设备标识，故可以基于前述确定的绑定关系得到楼宇A的楼宇位置，以此得到该终端设备的定位结果，提高了终端设备在楼宇区域中的定位精度。

图3为本申请实施例提供的一种定位方法的方法流程图，所述方法包括：

S301：获取处于楼宇区域中的无线设备对应的多个网络定位数据。

无线设备可以为楼宇区域中具有的多个无线设备中的任意一个，该无线设备通过自身所提供的无线网络，为连接到该无线网络的移动终端提供网络服务。也就是说，本申请实施例中将以无线设备为单位，定位设备可以基于网络定位数据中携带的无线设备标识，例如无线设备的媒体存取控制位址（Media Access Control Address，MAC）从获取的网络定位数据中确定出对应于同一个无线设备的多个网络定位数据，然后基于此完成对该无线设备的楼宇绑定处理。

本申请实施例不限定无线设备的种类，可以是各类具备创建无线网络的设备，例如路由器、台式计算机、笔记本、智能手机等。本申请实施例也不限定能够扫描到或连接上无线网络的移动终端的种类，例如可以包括智能手机、智能穿戴装置、笔记本、PAD等。

该无线设备可以为固定在楼宇中的设备，也可以在楼宇区域中的可移动设备，一般情况下，为了避免一个无线设备在楼宇区域中各个楼宇间移动而更新Wi-Fi位置库，可以仅对于放置位置较为固定的无线设备进行后续步骤的处理。

其中，网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的。当该无线设备的无线网络信号覆盖范围内具有移动终端时，移动终端的无线模块可以扫描到该无线网络，也可以自动连接或在用户操作下连接该无线网络。不论上述哪种情况，移动终端都能够发送针对该无线设备的网络定位数据，该网络定位数据中可以包括粗略的经纬度信息、上报时间戳、无线网络信号强度例如接收的信号强度指示（Received SignalStrength Indication，RSSI）等用于定位的信息。

S302：基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图。

如前所述，通过网络定位数据可以体现出上报该网络定位数据的终端设备在上报时的粗略位置，而基于信号强弱能够一定程度上标识出终端设备与无线设备的距离。从而根据多个网络定位数据分别确定的设备初步位置，能够体现出该无线设备在楼宇区域中的信号分布情况，例如大致的覆盖范围、信号强弱的趋势等。故定位设备可以根据多个网络定位数据确定出该无线设备对应于楼宇区域的信号特征图，该信号特征图的分辨率与楼宇区域具有对应关系。

S303：根据所述信号特征图和所述楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇。

S304：将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系。

定位设备基于网络定位数据的收集目的或者网络定位数据中携带的粗略位置，可以明确该无线设备处在哪一片楼宇区域，从而获取该楼宇区域的楼宇分布信息，通过楼宇分布信息明确该楼宇区域中楼宇的具体分布情况、楼宇实际位置和楼宇之间的距离关系等。

在确定目标楼宇的过程中，由于楼宇分布信息准确标识出了楼宇区域中所包括楼宇的位置、范围和在楼宇区域中分布情况，定位设备结合楼宇分布信息可以有效校准基于信号特征图所确定的无线设备的位置挖掘结果，排除掉不合理的挖掘位置，起到校准网络定位信号的位置挖掘误差的作用。例如排除位置挖掘结果中与楼宇分布信息不吻合的部分，从而可以有效的筛除掉网络定位数据中的天然误差，提高确定目标楼宇的精度，建立出的绑定关系将会具有更高的可信度。

定位设备通过将无线设备和目标楼宇的绑定关系更新到Wi-Fi位置库，可以基于该Wi-Fi位置库为处于该楼宇区域中的目标终端设备提供网络定位服务，由于通过上述部分确定出的Wi-Fi位置库的精度远高于相关技术所确定的Wi-Fi位置库，从而能够为目标终端设备提供高精度的定位结果，提高用户体验。

S305：获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识。

本申请实施例不限定本步骤中定位设备对定位请求的获取时机，可以是在完成该楼宇区域的Wi-Fi位置库后获取的定位请求，也可以在完善Wi-Fi位置库的期间获取的定位请求。

目标终端设备为处于楼宇区域中的终端设备，该定位请求可以是基于目标终端设备的自动定位功能所触发的，也可以是用户通过操作目标终端设备运行具有定位功能的应用所触发的。

一般情况下，楼宇区域中具有大量无线设备创建的无线信号，目标终端设备在发送的位请求中会携带自身扫描到的或者已经连接上的无线信号对应的无线设备标识，若目标终端设备处于前述S301-S304中所提及无线设备周边，该定位请求中将会包括该无线设备的无线设备标识（例如MAC）。

S306：根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

定位设备基于定位请求中携带的无线设备标识，通过Wi-Fi位置库中的绑定关系确定出与无线设备标识对应的楼宇标识（至少可以包括目标楼宇的楼宇标识），从而根据楼宇标识所对应楼宇的位置信息，确定出针对该定位请求，目标终端设备的定位结果。

由此可见，由于在确定目标楼宇时不仅考虑了无线设备的信号分布情况，还参考了无线设备所在楼宇区域的楼宇分布信息，有效校准了信号分布可能带来的位置挖掘误差，从而实现了准确的无线设备与楼宇的绑定。当需要为终端设备提供网络定位服务时，由于终端设备的定位请求中包括了其周边无线设备的无线设备标识，故可以基于前述确定的绑定关系，准确的得到该终端设备的定位结果，提高了终端设备在楼宇区域中的定位精度。

在楼宇区域中的人流量较大时，针对一个无线设备所上报的网络定位数据的数量将会非常多，需要提高计算效率。

而且，由于楼宇区域与网络定位数据均包含经纬度信息，以纬度为Y轴，经度为X轴，可以建立无线设备对应的信号特征图，信号特征图的大小可以为 (H, W, C)，其中H为Y轴方向，W为X轴方向，C为通道数。由于网络定位数据所标识的信号分布与楼宇区域的楼宇分布情况差异大，将网络定位数据映射到固定大小特征图上会导致不同无线设备的信号特征图的信息差异很大，例如对于大功率无线设备（无线信号覆盖面广）会造成信息丢失（固定大小的信号特征图没有囊括该无线设备的全部有效信号分布信息），对于小功率无线设备（无线信号覆盖面窄）会造成信息冗余（固定大小的信号特征图虽然囊括了该无线设备的全部有效信号分布信息，但是也囊括了大量无效信息），为固定特征图分辨率，降低计算量，需要动态估计每一个无线设备的信号特征图的H与W的大小。

为此，本申请针对S302提供了一种可能的实现方式，包括：

S3021：根据所述多个网络定位数据分别标识的设备初步位置，确定所述无线设备的设备粗略位置。

由于多个网络定位数据所标识的设备初步位置体现出无线设备的信号分布情况，综合信号分布情况可以确定出信号源即无线设备的设备粗略位置。

不同的网络定位数据的数据质量、所对应的信号强弱会有所不同，从而导致其标识的设备初步位置的可信度会有区别。为了提高确定设备粗略位置的精度，需要为设备初步位置设置对应的位置权重。

在一种可能的实现方式中，可以确定所述多个网络定位数据分别对应的位置权重；根据所述多个网络定位数据的所述设备初步位置和所述位置权重，确定所述无线设备的设备粗略位置。

可选的，采用如下公式得到无线设备的设备粗略位置P：

其中，m为多个网络定位数据分布标识的识别初步位置的数量，p_i为第i个设备初步位置，W_i为第i个设备初步位置的位置权重。

在一种可能的实现方式中，本申请实施例还提供了一种确定各个设备初步位置的位置权重的方式。针对所述多个网络定位数据中的目标定位数据，可以获取所述目标定位数据所包括多维特征分别对应的特征权重；根据所述特征权重确定所述目标定位数据对应的所述位置权重。

可选的，采用如下公式得到目标定位数据对应的位置权重W_i：

其中，目标定位数据包含f₁～f_n共n维特征，W_j为第j个特征f_i的特征权重。

S3022：以所述设备粗略位置为中心，基于所述设备初步位置由近及远从所述多个网络定位数据获取待定网络定位数据。

S3023：当所述待定网络定位数据的总位置权重达到阈值条件，根据所述待定网络定位数据所标识的区域生成所述信号特征图。

例如，以设备粗略位置P为原点，向左右两个方向等速率延伸得到直线l，将多个网络定位数据基于所标识设备初步位置的横坐标，以横坐标距离P由近及远依次映射到直线l，动态计算落入l的网络定位数据的位置权重和q，记Q为前述多个网络定位数据的位置权重的总和，当比例q/Q大于设定阈值例如80%时停止对直线l的增长，此时直线l所标识的宽度即为信号特征图的初始宽度。

可选的，为了保证待绑定的目标楼宇在信号特征图所标识区域内，可以将信号特征图的实际宽度W=α∙w，其中α>1。

同理可基于纵向延伸的方式确定信号特征图的高度H。将W与H坐标转换到图像坐标系即为无线设备的信号特征图的实际大小。

由此，根据不同无线设备的信号分布特点，可以动态确定出符合该信号分布特点的信号特征图尺寸大小，使得信号特征图中的信息能够合理反应出所对应无线设备的实际信号分布情况，且避免了信息冗余或丢失。

在一种可能的实现方式中，针对S303包括：

S3031：根据所述信号特征图确定对应所述无线设备的楼宇位置预测图。

所述楼宇位置预测图用于标识所述无线设备在所述楼宇区域中的预测楼宇位置，也就是说，可以根据信号特征图从楼宇区域中确定出无线设备可能的多个位置。

S3032：通过所述预测楼宇位置与所述楼宇分布信息中楼宇位置间的匹配关系，从所述楼宇区域中确定所述无线设备所在的目标楼宇。

由于楼宇分布信息体现出了楼宇区域中各个楼宇的实际位置，故可以基于楼宇分布信息对S3031中确定的预测楼宇位置进行校准，排除不可能的位置，以及从中找到可能性最大的楼宇。

在一种可能的实现方式中，本步骤可以基于所述预测楼宇位置的预测可信度，从所述预测楼宇位置中确定可信度最大的n个目标位置。根据所述n个目标位置与所述楼宇分布信息中的楼宇位置进行重叠度匹配，从所述楼宇位置中确定与所述n个目标位置的重叠度最大的楼宇作为所述目标楼宇。

通过选择可信度最大的n个目标位置，相当于从全部的预测楼宇位置中确定出Topn个，该n个目标位置由于可信度相对最大，基于此进行重叠度匹配不仅能够保证匹配结果的可信度，还可以降低匹配所需要的资源。

例如图4所示，图中的格子可以为一个像素单位。其中，401为楼宇分布信息所标识楼宇在楼宇区域中的位置，402为预测楼宇位置在楼宇区域中的位置，403为基于重叠度匹配的方式，根据401和402得到的目标楼宇的位置。

定位设备在进行重叠度匹配时，可以采用重叠度（Intersection over Union，IOU）的计算方式，例如图4示出的场景中，由于虚线框400所标识的区域具有两个像素单位的重叠，故可以确定虚线框所标识区域对应的楼宇为目标楼宇。

为了提高楼宇绑定效率，本申请实施例还提供了一种基于神经网络模型的目标楼宇确定方式。该神经网络模型可以是全卷积神经网络模型，也可以是其他类型的网络模型，例如随机森林模型等。

在一种可能的实现方式中，针对S3031，包括：

S31：根据所述信号特征图和所述楼宇分布信息，确定神经网络模型的模型输入。

信号特征图可以包括C个通道，将楼宇分布信息作为信号特征图的第一通道，剩余的C-1个通道在模型输入中的像素值为网络定位数据的各维特征，如用户上报量，上报最新时间，GPS速度，RSSI信号强度等。各维特征需要进行预处理，缩放至同一尺度，如(0,1)之间。特别的，某些特征取值范围很广（如1～100000之间），需要进行特征截断处理：

其中

为特征阈值。只取需要截断的特征，以位置P为标签，训练回归决策树T_f，收敛后获取每个叶子结点的划分值

，结合实际测试经验选取特征阈值

。

通过截断处理后，可以有效避免之前一些数值差别较大的特征在缩放至同一尺度后数值过小，在后续确定目标楼宇时失去了指示意义。

确定出的模型输入也属于特征图的类型，具体可以如图5所示，既能体现出信号分布情况，也能体现出楼宇区域中的楼宇分布情况，从而为神经网络模型提供了不同维度的丰富信息，有助于提高神经网络模型的知识学习效率。

S32：通过所述神经网络模型，从所述楼宇区域中确定对应所述无线设备的所述楼宇位置预测图。

为了便于神经网络模型的输出能够直观标识出预测楼宇位置，可以楼宇区域对应的像素单位与预测楼宇位置对应的像素单位间的距离，基于距离的大小来确定楼宇位置预测图中每个像素单位的像素值。也就是说，所述楼宇位置预测图中每个像素单位的像素值与所述像素单位与所述预测楼宇位置的最近距离相关。

例如图6所示，格线图中灰色部分为预测楼宇位置。楼宇区域中的位置A距离预测楼宇位置的最近距离d为4个像素单位，位置B距离预测楼宇位置的最近距离为2个像素单位，那么位置A对应的像素单位的像素值会明显区别于位置B对应的像素单位的像素值。例如可以将位置A对应的像素单位的像素值基于前述最近距离设置的较暗，将位置B对应的像素单位的像素值基于前述最近距离设置的较亮，在图6示出的场景中，得到的楼宇位置预测图为图6右侧示出的示意。

接下来将说明神经网络模型的训练方式。神经网络模型可以通过初始模型训练得到。

首先，获取作为训练样本的样本信号特征图。

其中，所述样本信号特征图由样本无线设备对应的多个样本网络定位数据确定得到，所述训练样本的样本标签为标识了所述样本无线设备实际所在楼宇的样本位置特征图，所述样本位置特征图中每个像素单位的像素值与所述像素单位与所述样本无线设备实际所在楼宇的最近距离相关。

其次，根据所述训练样本和所述样本无线设备所在样本楼宇区域的样本楼宇分布信息确定模型输入，通过初始模型得到所述训练样本的楼宇位置预测图。

最后，根据所述训练样本的楼宇位置预测图与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型。

训练样本的样本标签的获得需要人工标注，或者根据楼宇-SSID绑定等方式获得。由于楼宇面大小差异较大，形状也不固定，为了保证训练收敛于模型稳定，采用一种Pixel-Wise方法生成训练所用的Label特征图，生成方式与图6类似，首先生成与特征图大小相等的图像，填充目标楼宇所在位置像素，之后计算每一个像素距离目标楼宇最近距离d，将d值填充到对应像素位置。最终生成样本位置特征图。

由于输入图像尺度大小根据训练数据分布决定，因此使用全卷积神经网络模型训练。考虑到模型输出为与原图大小相等的特征图，且模型输入的图像较小（通常不大于256x256），分布规律明显，设计了BottleNeck形式的全卷积神经网络模型，模型结构可以如图7所示，其中@的左侧的数值为通道数，右侧的数值为分辨率，注意图7示出的网络结构中图像大小与通道数并不惟一，可以基于实际应用场景动态调整。

全卷积神经网络模型对输入的特征图的每个像素值进行分类/回归，最终输出楼宇位置预测图，与样本位置特征图进行像素级的损失函数（loss）计算，loss可以为element-wise形式的smooth-L1, MSE, Focal-Loss等常见的分类/回归目标函数。由于每个像素值都需要计算loss。

为了保证正负样本均衡，使用OHEM选取输出图像中Topn的像素的loss参与反向传播。

故在一种可能的实现方式中，可以基于所述训练样本的楼宇位置预测图中预测楼宇位置的预测可信度，确定可信度最大的n个目标位置；根据所述n个目标位置与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型。

接下来通过一个具体的应用场景来进一步说明模型训练方式，请参见图8。

首先获取用于生成训练样本的样本楼宇区域的样本楼宇分布信息，以及通过该样本楼宇区域收集的样本网络定位数据。

针对处于样本楼宇区域中的一个样本无线设备，根据该样本无线设备的样本网络定位数据和和样本楼宇区域确定样本网络定位数据所标识的有效信号区域（H，W）。

根据处于有效信号区域中的样本网络定位数据和样本楼宇分布信息，生成该样本无线设备对应的样本信号特征图，并根据该样本无线设备实际所在楼宇确定该样本信号特征图的样本标签。

将该样本信号特征图输入初始模型，得到楼宇位置预测图。

根据楼宇位置预测图和样本标签间的差异，对该初始模型进行训练，得到实际用于确定绑定关系的神经网络模型。

需要注意的是，由于无线设备的设备信号类型差别很大，例如有些无线设备的无线网络信号范围可以达到数百名，有些无线设备的无线网络信号范围只有几米或者十几米。为此，可以针对不同设备信号类型训练对应的神经网络模型，在进行无线设备与楼宇的绑定时，可以在确定了无线设备的设备信号类型后，选择与该设备信号类型对应的神经网络模型进行目标楼宇的确定，从而可以有效的提高识别精度。

故在一种可能的实现方式中，根据所述无线设备的无线设备标识确定所述无线设备的设备信号类型；从多个神经网络模型中选择与所述设备信号类型对应的目标网络模型。

相应的，在确定模型输入时，可以根据所述信号特征图和所述楼宇分布信息，确定所述目标网络模型的模型输入。

除了通过无线设备标识作为神经网络模型的区分以外，还可以基于楼宇区域的楼宇密度N，对不同无线设备的信号特征图进行聚类，以此确定出具有不同信号特点的无线设备聚类，为不同的无线设备聚类训练、配置相适应的神经网络模型，从而能够为不同的无线设备聚类中的无线设备有针对性的选择神经网络模型进行楼宇绑定，由于所选择的神经网络模型能够适应于该聚类的信号特点，故可以提高绑定的准确性。

图9为本申请实施例提供的一种定位装置的装置结构图，所述定位装置900包括获取单元901、第一确定单元902、建立单元903和第二确定单元904：

所述获取单元901，用于获取处于楼宇区域中的无线设备对应的多个网络定位数据，所述多个网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的；

所述第一确定单元902，用于基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图；

所述第一确定单元902还用于根据所述信号特征图和所述楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇；

所述建立单元903，用于将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系；

所述获取单元901还用于获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识；

所述第二确定单元904，用于根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

在一种可能的实现方式中，所述第一确定单元还用于：

根据所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备的设备粗略位置；

以所述设备粗略位置为中心，基于所述设备初步位置由近及远从所述多个网络定位数据获取待定网络定位数据；

当所述待定网络定位数据的总位置权重达到阈值条件，根据所述待定网络定位数据所标识的区域生成所述信号特征图。

在一种可能的实现方式中，所述第一确定单元还用于：

确定所述多个网络定位数据分别对应的位置权重；

根据所述多个网络定位数据的所述设备初步位置和所述位置权重，确定所述无线设备的设备粗略位置。

在一种可能的实现方式中，针对所述多个网络定位数据中的目标定位数据，所述第一确定单元还用于：

获取所述目标定位数据所包括多维特征分别对应的特征权重；

根据所述特征权重确定所述目标定位数据对应的所述位置权重。

在一种可能的实现方式中，所述第一确定单元还用于：

根据所述信号特征图确定对应所述无线设备的楼宇位置预测图，所述楼宇位置预测图用于标识所述无线设备在所述楼宇区域中的预测楼宇位置；

通过所述预测楼宇位置与所述楼宇分布信息中楼宇位置间的匹配关系，从所述楼宇区域中确定所述无线设备所在的目标楼宇。

在一种可能的实现方式中，所述第一确定单元还用于：

基于所述预测楼宇位置的预测可信度，从所述预测楼宇位置中确定可信度最大的n个目标位置；

根据所述n个目标位置与所述楼宇分布信息中的楼宇位置进行重叠度匹配，从所述楼宇位置中确定与所述n个目标位置的重叠度最大的楼宇作为所述目标楼宇。

在一种可能的实现方式中，所述第一确定单元还用于：

根据所述信号特征图和所述楼宇分布信息，确定神经网络模型的模型输入；

通过所述神经网络模型，从所述楼宇区域中确定对应所述无线设备的所述楼宇位置预测图，所述楼宇位置预测图中每个像素单位的像素值与所述像素单位与所述预测楼宇位置的最近距离相关。

在一种可能的实现方式中，所述装置还包括训练单元，所述训练单元用于：

获取作为训练样本的样本信号特征图，其中，所述样本信号特征图由样本无线设备对应的多个样本网络定位数据确定得到，所述训练样本的样本标签为标识了所述样本无线设备实际所在楼宇的样本位置特征图，所述样本位置特征图中每个像素单位的像素值与所述像素单位与所述样本无线设备实际所在楼宇的最近距离相关；

根据所述训练样本和所述样本无线设备所在样本楼宇区域的样本楼宇分布信息确定模型输入，通过初始模型得到所述训练样本的楼宇位置预测图；

根据所述训练样本的楼宇位置预测图与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型。

在一种可能的实现方式中，所述训练单元还用于：

基于所述训练样本的楼宇位置预测图中预测楼宇位置的预测可信度，确定可信度最大的n个目标位置；

根据所述n个目标位置与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型。

在一种可能的实现方式中，所述装置还包括第三确定单元，所述第三确定单元用于：

根据所述无线设备的无线设备标识确定所述无线设备的设备信号类型；

从多个神经网络模型中选择与所述设备信号类型对应的目标网络模型；

所述第一确定单元还用于：

根据所述信号特征图和所述楼宇分布信息，确定所述目标网络模型的模型输入。

由此可见，在为终端设备提供楼宇区域的网络定位服务前，可以先获取处于楼宇区域中无线设备的多个网络定位数据，由于网络定位数据是由该无线设备信号范围内的终端设备上报的，故无线定位数据所标识设备初步位置可以体现出提供该无线设备周围的终端设备的粗略位置，从而通过多个网络定位数据所确定的信号特征图能够体现出该无线设备在楼宇区域中的信号分布情况。根据信号特征图和楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇，将目标楼宇的位置作为该无线设备的设备实际位置，并基于标识建立该无线设备与目标楼宇的绑定关系。由于在确定目标楼宇时不仅考虑了该无线设备的信号分布情况，还参考了该无线设备所在楼宇区域的楼宇分布信息，由于楼宇分布信息准确标识出了楼宇区域中所包括楼宇的位置、范围和在楼宇区域中分布情况，能够基于楼宇分布信息在目标楼宇确定过程中有效排除掉不合理的挖掘位置，起到校准网络定位信号的位置挖掘误差的作用，实现了准确的无线设备与楼宇的绑定。

当需要为目标终端设备提供网络定位服务时，由于目标终端设备的定位请求中包括了其周边无线设备的无线设备标识，故可以基于前述确定的绑定关系，准确的得到该目标终端设备的定位结果，提高了目标终端设备在楼宇区域中的定位精度。

本申请实施例还提供了一种计算机设备，下面结合附图对该设备进行介绍。请参见图10所示，本申请实施例提供了一种计算机设备，该计算机设备可以是前所述及的定位设备，这里不再赘述，本申请实施例提供的定位装置也可以配置在该计算机设备中。接下来以该计算机设备为手机为例：

图10示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图10，手机包括：射频（Radio Frequency，简称RF）电路1410、存储器1420、输入单元1430、显示单元1440、传感器1450、音频电路1460、无线保真（Wireless Fidelity，简称WiFi）模块1470、处理器1480、以及电源1490等部件。本领域技术人员可以理解，图10中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图10对手机的各个构成部件进行具体的介绍：

RF电路1410可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1480处理；另外，将设计上行的数据发送给基站。通常，RF电路1410包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器（Low NoiseAmplifier，简称LNA）、双工器等。此外，RF电路1410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统（Global System of Mobile communication，简称GSM）、通用分组无线服务（GeneralPacket Radio Service，简称GPRS）、码分多址（Code Division Multiple Access，简称CDMA）、宽带码分多址（Wideband Code Division Multiple Access，简称WCDMA）、长期演进（Long Term Evolution，简称LTE）、电子邮件、短消息服务（Short Messaging Service，简称SMS）等。

存储器1420可用于存储软件程序以及模块，处理器1480通过运行存储在存储器1420的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器1420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元1430可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1430可包括触控面板1431以及其他输入设备1432。触控面板1431，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板1431上或在触控面板1431附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1431可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1480，并能接收处理器1480发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1431。除了触控面板1431，输入单元1430还可以包括其他输入设备1432。具体地，其他输入设备1432可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元1440可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1440可包括显示面板1441，可选的，可以采用液晶显示器（LiquidCrystal Display，简称LCD）、有机发光二极管（Organic Light-Emitting Diode，简称OLED）等形式来配置显示面板1441。进一步的，触控面板1431可覆盖显示面板1441，当触控面板1431检测到在其上或附近的触摸操作后，传送给处理器1480以确定触摸事件的类型，随后处理器1480根据触摸事件的类型在显示面板1441上提供相应的视觉输出。虽然在图10中，触控面板1431与显示面板1441是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1431与显示面板1441集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器1450，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1441的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1441和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等; 至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路1460、扬声器1461，传声器1462可提供用户与手机之间的音频接口。音频电路1460可将接收到的音频数据转换后的电信号，传输到扬声器1461，由扬声器1461转换为声音信号输出；另一方面，传声器1462将收集的声音信号转换为电信号，由音频电路1460接收后转换为音频数据，再将音频数据输出处理器1480处理后，经RF电路1410以发送给比如另一手机，或者将音频数据输出至存储器1420以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块1470可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1470，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器1480是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1420内的软件程序和/或模块，以及调用存储在存储器1420内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1480可包括一个或多个处理单元；优选的，处理器1480可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1480中。

手机还包括给各个部件供电的电源1490（比如电池），优选的，电源可以通过电源管理系统与处理器1480逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在本实施例中，该终端设备所包括的处理器1480还具有以下功能：

获取处于楼宇区域中的无线设备对应的多个网络定位数据，所述多个网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的；

基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图；

根据所述信号特征图和所述楼宇区域的楼宇分布信息，从所述楼宇区域中确定所述无线设备所在的目标楼宇；

将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系；

获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识；

根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

本申请实施例还提供一种服务器，请参见图11所示，图11为本申请实施例提供的服务器1500的结构图，服务器1500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（Central Processing Units，简称CPU）1522（例如，一个或一个以上处理器）和存储器1532，一个或一个以上存储应用程序1542或数据1544的存储介质1530（例如一个或一个以上海量存储设备）。其中，存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1522可以设置为与存储介质1530通信，在服务器1500上执行存储介质1530中的一系列指令操作。

服务器1500还可以包括一个或一个以上电源1526，一个或一个以上有线或无线网络接口1550，一个或一个以上输入输出接口1558，和/或，一个或一个以上操作系统1541，例如Windows Server^TM，Mac OS X^TM，Unix^TM, Linux^TM，FreeBSD^TM等等。

上述实施例中由服务器所执行的步骤可以基于图11所示的服务器结构。

另外，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的方法。

本申请实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的方法。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器（英文：Read-only Memory，缩写：ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (12)

1.一种定位方法，其特征在于，所述方法包括：

获取处于楼宇区域中的无线设备对应的多个网络定位数据，所述多个网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的；

基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图；

根据所述信号特征图确定对应所述无线设备的楼宇位置预测图，所述楼宇位置预测图用于标识所述无线设备在所述楼宇区域中的预测楼宇位置；

通过所述预测楼宇位置与所述楼宇分布信息中楼宇位置间的匹配关系，从所述楼宇区域中确定所述无线设备所在的目标楼宇；

将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系；

获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识；

根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图，包括：

根据所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备的设备粗略位置；

以所述设备粗略位置为中心，基于所述设备初步位置由近及远从所述多个网络定位数据获取待定网络定位数据；

当所述待定网络定位数据的总位置权重达到阈值条件，根据所述待定网络定位数据所标识的区域生成所述信号特征图。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备的设备粗略位置，包括：

确定所述多个网络定位数据分别对应的位置权重；

根据所述多个网络定位数据的所述设备初步位置和所述位置权重，确定所述无线设备的设备粗略位置。

4.根据权利要求3所述的方法，其特征在于，针对所述多个网络定位数据中的目标定位数据，所述确定所述多个网络定位数据分别对应的位置权重，包括：

获取所述目标定位数据所包括多维特征分别对应的特征权重；

根据所述特征权重确定所述目标定位数据对应的所述位置权重。

5.根据权利要求1所述的方法，其特征在于，所述通过所述预测楼宇位置与所述楼宇分布信息中楼宇位置间的匹配关系，从所述楼宇区域中确定所述无线设备所在的目标楼宇，包括：

基于所述预测楼宇位置的预测可信度，从所述预测楼宇位置中确定可信度最大的n个目标位置；

根据所述n个目标位置与所述楼宇分布信息中的楼宇位置进行重叠度匹配，从所述楼宇位置中确定与所述n个目标位置的重叠度最大的楼宇作为所述目标楼宇。

6.根据权利要求1所述的方法，其特征在于，所述根据所述信号特征图确定对应所述无线设备的楼宇位置预测图，包括：

根据所述信号特征图和所述楼宇分布信息，确定神经网络模型的模型输入；

通过所述神经网络模型，从所述楼宇区域中确定对应所述无线设备的所述楼宇位置预测图，所述楼宇位置预测图中每个像素单位的像素值与所述像素单位与所述预测楼宇位置的最近距离相关。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取作为训练样本的样本信号特征图，其中，所述样本信号特征图由样本无线设备对应的多个样本网络定位数据确定得到，所述训练样本的样本标签为标识了所述样本无线设备实际所在楼宇的样本位置特征图，所述样本位置特征图中每个像素单位的像素值与所述像素单位与所述样本无线设备实际所在楼宇的最近距离相关；

根据所述训练样本和所述样本无线设备所在样本楼宇区域的样本楼宇分布信息确定模型输入，通过初始模型得到所述训练样本的楼宇位置预测图；

根据所述训练样本的楼宇位置预测图与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型。

8.根据权利要求7所述的方法，其特征在于，所述根据所述训练样本的楼宇位置预测图与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型，包括：

基于所述训练样本的楼宇位置预测图中预测楼宇位置的预测可信度，确定可信度最大的n个目标位置；

根据所述n个目标位置与所述样本位置特征图间像素单位的差异确定损失函数，基于所述损失函数对所述初始模型进行训练得到所述神经网络模型。

9.根据权利要求6所述的方法，其特征在于，所述方法还包括：

根据所述无线设备的无线设备标识确定所述无线设备的设备信号类型；

从多个神经网络模型中选择与所述设备信号类型对应的目标网络模型；

所述根据所述信号特征图和所述楼宇分布信息，确定神经网络模型的模型输入，包括：

根据所述信号特征图和所述楼宇分布信息，确定所述目标网络模型的模型输入。

10.一种定位装置，其特征在于，所述装置包括获取单元、第一确定单元、建立单元和第二确定单元：

所述获取单元，用于获取处于楼宇区域中的无线设备对应的多个网络定位数据，所述多个网络定位数据是基于所述无线设备的无线信号范围内的终端设备上报的；

所述第一确定单元，用于基于所述多个网络定位数据分别标识的终端设备的设备初步位置，确定所述无线设备对应于所述楼宇区域的信号特征图；

所述第一确定单元还用于根据所述信号特征图确定对应所述无线设备的楼宇位置预测图，所述楼宇位置预测图用于标识所述无线设备在所述楼宇区域中的预测楼宇位置；通过所述预测楼宇位置与所述楼宇分布信息中楼宇位置间的匹配关系，从所述楼宇区域中确定所述无线设备所在的目标楼宇；

所述建立单元，用于将所述目标楼宇的位置作为所述无线设备的设备实际位置，并建立所述无线设备的无线设备标识与所述目标楼宇的楼宇标识间的绑定关系；

所述获取单元还用于获取目标终端设备发送的定位请求，所述定位请求包括所述无线设备标识；

所述第二确定单元，用于根据通过所述绑定关系和所述无线设备标识确定的所述楼宇标识，确定对应所述目标终端设备的定位结果。

11.一种计算机设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-9中任意一项所述的定位方法。

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-9中任意一项所述的定位方法。

Images