CN113516794B - 一种基于层次分析法的多因素融合签到方法 - Google Patents

一种基于层次分析法的多因素融合签到方法 Download PDF

Info

Publication number
CN113516794B
CN113516794B CN202110224326.2A CN202110224326A CN113516794B CN 113516794 B CN113516794 B CN 113516794B CN 202110224326 A CN202110224326 A CN 202110224326A CN 113516794 B CN113516794 B CN 113516794B
Authority
CN
China
Prior art keywords
check
weight
factor
result
positioning result
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
CN202110224326.2A
Other languages
English (en)
Other versions
CN113516794A (zh
Inventor
武继刚
刘昱君
陈龙
王勇
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110224326.2A priority Critical patent/CN113516794B/zh
Publication of CN113516794A publication Critical patent/CN113516794A/zh
Application granted granted Critical
Publication of CN113516794B publication Critical patent/CN113516794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供一种基于层次分析法的多因素融合签到方法，包括以下步骤：S1：根据各个因素与签到结果之间的关系建立层次结构模型；S2：分析层次结构模型中各个因素的权重，并构建相应的判断矩阵；S3：对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量；S4：对权重因子向量进行层次总排序和一致性检验，从而得到权重分配表；S5：根据权重分配表对签到时采集到的数据进行计算，得到签到结果。本发明提供一种基于层次分析法的多因素融合签到方法，解决了现有的考勤签到方法的准确性不够高的问题。

Description

一种基于层次分析法的多因素融合签到方法
技术领域
本发明涉及计算机技术领域，更具体的，涉及一种基于层次分析法的多因素融合签到方法。
背景技术
层次分析法是一种将多目标的复杂问题进行定性与定量相结合的决策分析方法，该方法首先通过决策者衡量各目标在衡量标准下的相对重要程度，然后通过给定各个决策方案中每个因子的权数来进行定量分析，即利用权数确定各方案的优劣次序，有效地解决难以定量描述的决策问题。
现有的考勤签到方法通常基于用户地理位置或用户身份进行签到，然而，其存在诸多不足，如GPS定位服务不稳定，人脸识别易遭受欺诈攻击，从而容易导致签到结果的准确性不够高。
现有技术中，如2018-02-09公开的中国专利，基于签到大数据的考勤方法和系统，公开号为CN107680016A，基于签到大数据进行进行考勤核实，能够识别出冒充签到和未到现场进行远程签到，提高了考勤的公平性、客观性，使得签到考勤更准确，能提高出勤率和出勤积极性，但没有结合多个因素融合判断签到结果。
发明内容
本发明为克服现有的考勤签到方法的准确性不够高的技术缺陷，提供一种基于层次分析法的多因素融合签到方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于层次分析法的多因素融合签到方法，包括以下步骤：
S1：根据各个因素与签到结果之间的关系建立层次结构模型；
S2：分析层次结构模型中各个因素的权重，并构建相应的判断矩阵；
S3：对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量；
S4：对权重因子向量进行层次总排序和一致性检验，从而得到权重分配表；
S5：根据权重分配表对签到时采集到的数据进行计算，得到签到结果。
优选的，在步骤S1中，所述层次结构模型包括目标层、准则层和因素层；其中，
所述目标层为多因素融合签到；
所述准则层包括准确性和可靠性；
所述因素层包括GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数；
多因素融合签到的准确性根据GPS定位结果、WIFI定位结果和WLAN定位结果进行判断；
多因素融合签到的可靠性根据用户在签到范围内的时长和周围同事蓝牙设备个数进行判断。
优选的，在步骤S2中，基于组合赋权法分析层次结构模型中各个因素的权重，具体包括以下步骤：
根据实际情况将准确性与可靠性的权重比设置为a1:a2，以及将用户在签到范围内的时长与周围同事蓝牙设备个数的权重比设置为c1:c2；
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整，GPS定位结果、WIFI定位结果和WLAN定位结果的权重比表示为b1:b2:b3；
根据准确性与可靠性的权重比构造判断矩阵Aa：
Figure GDA0003932005880000021
根据GPS定位结果、WIFI定位结果和WLAN定位结果的权重比构造判断矩阵Ab：
Figure GDA0003932005880000022
根据用户在签到范围内的时长与周围同事蓝牙设备个数的权重比构造判断矩阵Ac：
Figure GDA0003932005880000031
优选的，利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整的具体步骤为：
S2.1：将用户签到时的位置与签到点之间的距离记作X＝[x1,x2,x3]；其中，x1表示GPS定位结果，x2表示WIFI定位结果，x3表示WLAN定位结果；
S2.2：求出每组距离中单项结果xi与平均值
Figure GDA0003932005880000032
的相对误差，记作
Figure GDA0003932005880000033
Figure GDA0003932005880000034
以及所有单项结果xi与平均值
Figure GDA0003932005880000035
的绝对误差值和，记作Yr，统计Xr与Yr得到定位误差数据集
Figure GDA0003932005880000036
其中，xi∈X，
Figure GDA0003932005880000037
为T中样本的单项结果xi对平均值
Figure GDA0003932005880000038
的相对误差特征，
Figure GDA0003932005880000039
为T中样本的所有单项结果xi对平均值
Figure GDA00039320058800000310
绝对误差之和的特征，
Figure GDA00039320058800000311
为T中m个样本的单项结果xi对平均值
Figure GDA00039320058800000312
的相对误差特征，
Figure GDA00039320058800000313
为T中m个样本的所有单项结果xi对平均值
Figure GDA00039320058800000314
绝对误差之和的特征；
S2.3：用hθ(x)表示Yr，得到目标函数：
Figure GDA00039320058800000315
其中，θi为权重，
Figure GDA00039320058800000316
为Xr每项特征的值，n为Xr的特征数量；
S2.4：从T中随机抽取1000组数据作为训练集，若为初次训练，则通过以下公式任取训练集中一组数据初始化
Figure GDA00039320058800000317
Figure GDA00039320058800000318
其中，
Figure GDA00039320058800000319
为权重，
Figure GDA00039320058800000320
为Xr每项特征的值，
Figure GDA00039320058800000321
为1，初始θ0默认为1，若非初次训练而是参数调整阶段，则默认初始化
Figure GDA00039320058800000322
为上一次训练结果；
S2.5：定义损失函数J(θ)为最小二乘损失函数，其表达式为：
Figure GDA00039320058800000323
在计算下降最快的方向时随机从训练集中选择数据进行计算，并通过以下公式迭代更新参数θ：
Figure GDA00039320058800000324
从而求得最佳损失函数最小时的参数θ；
其中，x(i)为第i轮选择的样本特征，y(i)为第i轮选择的样本特征对应的输出，
Figure GDA0003932005880000041
为第i轮的参数，
Figure GDA0003932005880000042
为第i+1轮的参数，i＝1,2,…,n，j＝0,1,2,3，α为步长，控制参数θ每次向损失函数变小的方向迭代时的变化幅度；
S2.6：目标函数hθ(x)中
Figure GDA0003932005880000043
对应参数
Figure GDA0003932005880000044
的倒数之比即为GPS定位结果、WIFI定位结果和WLAN定位结果的权重比b1:b2:b3，即
Figure GDA0003932005880000045
优选的，在步骤S3中，具体包括以下步骤：
S3.1：计算判断矩阵的每一行元素的乘积Mi；
S3.2：计算Mi的n次方根得到权重因子向量：
Figure GDA0003932005880000046
S3.3：通过以下公式对
Figure GDA0003932005880000047
进行归一化处理：
Figure GDA0003932005880000048
S3.4：通过以下公式计算出最大特征值：
Figure GDA0003932005880000049
其中，n为判断矩阵阶数，BW为判断矩阵
Figure GDA00039320058800000410
与权重因子向量w＝(w1w2…wn)相乘的结果；
S3.5：通过以下公式计算随机一致性比率：
Figure GDA00039320058800000411
CI＝(λmax-n)/(n-1)
其中CI为一致性指标，λmax为判断矩阵的最大特征值，RI为随机一致性指标，当CR小于0.10时，认为判断矩阵的一致性合理。
优选的，在步骤S4中，
目标层的层次单排序的结果即为总排序的结果；
准则层中准确性和可靠性的排序为
Figure GDA00039320058800000412
因素层的五个因素对准则层中准确性的层次单排序为
Figure GDA0003932005880000051
对准则层中可靠性的层次单排序为
Figure GDA0003932005880000052
则因素层的层次总排序为
Figure GDA0003932005880000053
Figure GDA0003932005880000054
利用以下公式计算得到层次总排序的一致性比率CR：
CR＝CI/RI
CI＝(λmax-n)/(n-1)
Figure GDA0003932005880000055
Figure GDA0003932005880000056
Figure GDA0003932005880000057
当CR小于0.10时则认为层次总排序通过一致性检验，最后根据计算结果构建权重分配表；
其中，
Figure GDA0003932005880000058
为权重因子向量，wi为归一化后的权重因子向量，λmax为判断矩阵的最大特征值，n为判断矩阵阶数，BW为判断矩阵
Figure GDA0003932005880000059
与权重因子向量w＝(w1w2…wn)相乘的结果，CI为一致性指标，RI为随机一致性指标。
优选的，在步骤S5中，具体包括以下步骤：
S5.1：根据用户签到时采集到的数据计算得到GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数；
S5.2：结合权重分配表分别计算各个因素的实际权重；
S5.3：利用以下公式融合各个因素的实际权重，得到融合结果：
Figure GDA0003932005880000061
S5.4：判断融合结果ω是否大于或等于0.9；
若是，则签到结果为签到成功并增加一条签到记录；
若否，则签到结果为签到失败。
优选的，在步骤S5.1中，
通过以下步骤得到GPS定位结果：
根据用户的GPS定位点A的经纬度(LinA，LatA)与预设的签到点B的经纬度(LinB，LatB)进行计算，对A、B两点经纬度进行0度经线的基准处理，即按照0度经线的基准，东经取经度正值，西经取经度负值，北纬取90-纬度值，南纬取90+纬度值，经过0度经线的基准处理后两个位置点分别被记为(MLonA,MLatA)和(MLonB,MLatB)，带入以下公式得出GPS定位所在地与签到点的距离sg作为GPS定位结果：
C＝sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
sg＝R*Arc cos(C)*Pi/180
其中，Lon为经度，Lat为纬度，R为地球的平均半径；
通过以下步骤得到WIFI定位结果：
判断用户连接的WIFI是否为预设的签到点的WIFI；
若否，则继续搜索并连接签到点的WIFI；
若是，则将用户连接的WIFI的经纬度设置为签到的经纬度并根据该WIFI的信号强度计算出用户与WIFI的距离sw作为WIFI定位结果；
通过以下步骤得到WLAN定位结果：
设GPS定位点D的经纬度为(LonD，LatD)，签到点E的经纬度为(LonE，LatE)，经过0度经线的基准处理后D、E两点分别被记为(MLonD,MLatD)和(MLonE,MLatE)，带入以下公式得出WLAN定位所在地与签到点的距离sn作为WLAN定位结果：
F＝sin(MLatD)*sin(MLatF)*cos(MLonD-MLonF)+cos(MLatD)*cos(MLatF)
sn＝R*Arccos(F)*Pi/180；
在步骤S5.2中，
选择500m作为GPS定位结果和WLAN定位结果的判定基准，150m作为WIFI定位结果的判定基准；
当sg大于500m时，判定用户在签到点之外，否则，从权重分配表中获取签到中的定位因子权重w＝[w1,w2,w3]；其中，w1表示权重分配表中GPS定位方式分配的权重，w2表示权重分配表中WIFI定位方式分配的权重，w3表示权重分配表中WLAN定位方式分配的权重；
通过以下公式计算GPS定位因子的实际权重：
Figure GDA0003932005880000071
通过以下公式计算WIFI定位因子或WLAN定位因子的实际权重：
Figure GDA0003932005880000072
其中，i＝2，3，s为测得定位地点与签到点之间的距离。
优选的，根据用户签到时获取到的蓝牙信息与预设的蓝牙信息列表进行匹配，得到用户周围且存在于蓝牙信息列表中的蓝牙设备的数量作为周围同事蓝牙设备个数；设置周围同事蓝牙设备个数的最小数量为5台，当用户签到时获取到的周围同事蓝牙设备个数大于或等于5个，则直接从权重分配表中得到实际权重，否则由以下公式计算周围同事蓝牙设备个数这一因素所占的实际权重：
Figure GDA0003932005880000073
其中，n为用户签到时获取到的周围同事蓝牙设备个数。
优选的，设置用户在签到范围内的时长的上限为60秒，当用户在签到范围停留时间超过限制时，则认为用户已经满足存在条件，直接从权重分配表中得到该因素的实际权重，否则通过以下公式计算该因素的实际权重：
Figure GDA0003932005880000074
其中，t为用户在签到范围内的时长。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种基于层次分析法的多因素融合签到方法，采用层次分析法融合多个因素进行签到判定，可有效降低外界环境影响误差增大对签到结果的影响，从而提升签到结果的准确性和可靠性。
附图说明
图1为本发明的技术方案实施步骤流程图；
图2为本发明的层次结构模型示意图；
图3为本发明中利用基于机器学习的随机梯度下降法对权重进行分配以及动态调整的步骤流程图；
图4为本发明中计算得到签到结果的步骤流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种基于层次分析法的多因素融合签到方法，包括以下步骤：
S1：根据各个因素与签到结果之间的关系建立层次结构模型；
S2：分析层次结构模型中各个因素的权重，并构建相应的判断矩阵；
S3：对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量；
S4：对权重因子向量进行层次总排序和一致性检验，从而得到权重分配表；
S5：根据权重分配表对签到时采集到的数据进行计算，得到签到结果。
更具体的，如图2所示，在步骤S1中，所述层次结构模型包括目标层、准则层和因素层；其中，
所述目标层为多因素融合签到；
所述准则层包括准确性和可靠性；
所述因素层包括GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数；
多因素融合签到的准确性根据GPS定位结果、WIFI定位结果和WLAN定位结果进行判断；
多因素融合签到的可靠性根据用户在签到范围内的时长和周围同事蓝牙设备个数进行判断。
更具体的，在步骤S2中，基于组合赋权法分析层次结构模型中各个因素的权重，具体包括以下步骤：
根据实际情况将准确性与可靠性的权重比设置为a1:a2，以及将用户在签到范围内的时长与周围同事蓝牙设备个数的权重比设置为c1:c2；
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整，GPS定位结果、WIFI定位结果和WLAN定位结果的权重比表示为b1:b2:b3；
根据准确性与可靠性的权重比构造判断矩阵Aa：
Figure GDA0003932005880000091
根据GPS定位结果、WIFI定位结果和WLAN定位结果的权重比构造判断矩阵Ab：
Figure GDA0003932005880000092
根据用户在签到范围内的时长与周围同事蓝牙设备个数的权重比构造判断矩阵Ac：
Figure GDA0003932005880000093
更具体的，如图3所示，利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整的具体步骤为：
S2.1：将用户签到时的位置与签到点之间的距离记作X＝[x1,x2,x3]；其中，x1表示GPS定位结果，x2表示WIFI定位结果，x3表示WLAN定位结果；
S2.2：求出每组距离中单项结果xi与平均值
Figure GDA0003932005880000094
的相对误差，记作
Figure GDA0003932005880000095
Figure GDA0003932005880000096
以及所有单项结果xi与平均值
Figure GDA0003932005880000097
的绝对误差值和，记作Yr，统计Xr与Yr得到定位误差数据集
Figure GDA0003932005880000101
其中，xi∈X，
Figure GDA0003932005880000102
为T中样本的单项结果xi对平均值
Figure GDA0003932005880000103
的相对误差特征，
Figure GDA0003932005880000104
为T中样本的所有单项结果xi对平均值
Figure GDA0003932005880000105
绝对误差之和的特征，
Figure GDA0003932005880000106
为T中m个样本的单项结果xi对平均值
Figure GDA0003932005880000107
的相对误差特征，
Figure GDA0003932005880000108
为T中m个样本的所有单项结果xi对平均值
Figure GDA0003932005880000109
绝对误差之和的特征；
S2.3：用hθ(x)表示Yr，得到目标函数：
Figure GDA00039320058800001010
其中，θi为权重，
Figure GDA00039320058800001011
为Xr每项特征的值，n为Xr的特征数量；
S2.4：从T中随机抽取1000组数据作为训练集，若为初次训练，则通过以下公式任取训练集中一组数据初始化
Figure GDA00039320058800001012
Figure GDA00039320058800001013
其中，
Figure GDA00039320058800001014
为权重，
Figure GDA00039320058800001015
为Xr每项特征的值，
Figure GDA00039320058800001016
为1，初始θ0默认为1，若非初次训练而是参数调整阶段，则默认初始化
Figure GDA00039320058800001017
为上一次训练结果；
S2.5：定义损失函数J(θ)为最小二乘损失函数，其表达式为：
Figure GDA00039320058800001018
在计算下降最快的方向时随机从训练集中选择数据进行计算，并通过以下公式迭代更新参数θ：
Figure GDA00039320058800001019
从而求得最佳损失函数最小时的参数θ；
其中，x(i)为第i轮选择的样本特征，y(i)为第i轮选择的样本特征对应的输出，
Figure GDA00039320058800001020
为第i轮的参数，
Figure GDA00039320058800001021
为第i+1轮的参数，i＝1,2,…,n，j＝0,1,2,3，α为步长，控制参数θ每次向损失函数变小的方向迭代时的变化幅度；
S2.6：目标函数hθ(x)中
Figure GDA00039320058800001022
对应参数
Figure GDA00039320058800001023
的倒数之比即为GPS定位结果、WIFI定位结果和WLAN定位结果的权重比b1:b2:b3，即
Figure GDA00039320058800001024
更具体的，在步骤S3中，具体包括以下步骤：
S3.1：计算判断矩阵的每一行元素的乘积Mi；
S3.2：计算Mi的n次方根得到权重因子向量：
Figure GDA0003932005880000111
S3.3：通过以下公式对
Figure GDA0003932005880000112
进行归一化处理：
Figure GDA0003932005880000113
S3.4：通过以下公式计算出最大特征值：
Figure GDA0003932005880000114
其中，n为判断矩阵阶数，BW为判断矩阵
Figure GDA0003932005880000115
与权重因子向量w＝(w1w2…wn)相乘的结果；
S3.5：通过以下公式计算随机一致性比率：
Figure GDA0003932005880000116
CI＝(λmax-n)/(n-1)
其中CI为一致性指标，λmax为判断矩阵的最大特征值，RI为随机一致性指标，当CR小于0.10时，认为判断矩阵的一致性合理。
更具体的，在步骤S4中，
目标层的层次单排序的结果即为总排序的结果；
准则层中准确性和可靠性的排序为
Figure GDA0003932005880000117
因素层的五个因素对准则层中准确性的层次单排序为
Figure GDA0003932005880000118
对准则层中可靠性的层次单排序为
Figure GDA0003932005880000119
则因素层的层次总排序为
Figure GDA00039320058800001110
Figure GDA00039320058800001111
利用以下公式计算得到层次总排序的一致性比率CR：
CR＝CI/RI
CI＝(λmax-n)/(n-1)
Figure GDA0003932005880000121
Figure GDA0003932005880000122
Figure GDA0003932005880000123
当CR小于0.10时则认为层次总排序通过一致性检验，最后根据计算结果构建权重分配表；
其中，
Figure GDA0003932005880000124
为权重因子向量，wi为归一化后的权重因子向量，λmax为判断矩阵的最大特征值，n为判断矩阵阶数，BW为判断矩阵
Figure GDA0003932005880000125
与权重因子向量w＝(w1w2…wn)相乘的结果，CI为一致性指标，RI为随机一致性指标。
更具体的，如图4所示，在步骤S5中，具体包括以下步骤：
S5.1：根据用户签到时采集到的数据计算得到GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数；
S5.2：结合权重分配表分别计算各个因素的实际权重；
S5.3：利用以下公式融合各个因素的实际权重，得到融合结果：
Figure GDA0003932005880000126
S5.4：判断融合结果ω是否大于或等于0.9；
若是，则签到结果为签到成功并增加一条签到记录；
若否，则签到结果为签到失败。
更具体的，在步骤S5.1中，
通过以下步骤得到GPS定位结果：
根据用户的GPS定位点A的经纬度(LonA，LatA)与预设的签到点B的经纬度(LonB，LatB)进行计算，对A、B两点经纬度进行0度经线的基准处理，即按照0度经线的基准，东经取经度正值，西经取经度负值，北纬取90-纬度值，南纬取90+纬度值，经过0度经线的基准处理后两个位置点分别被记为(MLonA,MLatA)和(MLonB,MLatB)，带入以下公式得出GPS定位所在地与签到点的距离sg作为GPS定位结果：
C＝sin(NLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
sg＝R*Arccos(C)*Pi/180
其中，Lon为经度，Lat为纬度，R为地球的平均半径；
通过以下步骤得到WIFI定位结果：
判断用户连接的WIFI是否为预设的签到点的WIFI；
若否，则继续搜索并连接签到点的WIFI；
若是，则将用户连接的WIFI的经纬度设置为签到的经纬度并根据该WIFI的信号强度计算出用户与WIFI的距离sw作为WIFI定位结果；
通过以下步骤得到WLAN定位结果：
设GPS定位点D的经纬度为(LonD，LatD)，签到点E的经纬度为(LonE，LatE)，经过0度经线的基准处理后D、E两点分别被记为(MLonD,MLatD)和(MLonE,MLatE)，带入以下公式得出WLAN定位所在地与签到点的距离sn作为WLAN定位结果：
F＝sin(MLatD)*sin(MLatF)*cos(MLonD-MLonF)+cos(MLatD)*cos(MLatF)
sn＝R*Arc cos(F)*Pi/180；
在步骤S5.2中，
选择500m作为GPS定位结果和WLAN定位结果的判定基准，150m作为WIFI定位结果的判定基准；
当sg大于500m时，判定用户在签到点之外，否则，从权重分配表中获取签到中的定位因子权重w＝[w1,w2,w3]；其中，w1表示权重分配表中GPS定位方式分配的权重，w2表示权重分配表中WIFI定位方式分配的权重，w3表示权重分配表中WLAN定位方式分配的权重；
通过以下公式计算GPS定位因子的实际权重：
Figure GDA0003932005880000141
通过以下公式计算WIFI定位因子或WLAN定位因子的实际权重：
Figure GDA0003932005880000142
其中，i＝2，3，s为测得定位地点与签到点之间的距离。
更具体的，根据用户签到时获取到的蓝牙信息与预设的蓝牙信息列表进行匹配，得到用户周围且存在于蓝牙信息列表中的蓝牙设备的数量作为周围同事蓝牙设备个数；设置周围同事蓝牙设备个数的最小数量为5台，当用户签到时获取到的周围同事蓝牙设备个数大于或等于5个，则直接从权重分配表中得到实际权重，否则由以下公式计算周围同事蓝牙设备个数这一因素所占的实际权重：
Figure GDA0003932005880000143
其中，n为用户签到时获取到的周围同事蓝牙设备个数。
更具体的，设置用户在签到范围内的时长的上限为60秒，当用户在签到范围停留时间超过限制时，则认为用户已经满足存在条件，直接从权重分配表中得到该因素的实际权重，否则通过以下公式计算该因素的实际权重：
Figure GDA0003932005880000144
其中，t为用户在签到范围内的时长。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于层次分析法的多因素融合签到方法，其特征在于，包括以下步骤：
S1：根据各个因素与签到结果之间的关系建立层次结构模型；
S2：分析层次结构模型中各个因素的权重，并构建相应的判断矩阵；
S3：对每个判断矩阵进行层次单排序和一致性检验以获取各个判断矩阵的权重因子向量；
S4：对权重因子向量进行层次总排序和一致性检验，从而得到权重分配表；
S5：根据权重分配表对签到时采集到的数据进行计算，得到签到结果；
在步骤S1中，所述层次结构模型包括目标层、准则层和因素层；其中，
所述目标层为多因素融合签到；
所述准则层包括准确性和可靠性；
所述因素层包括GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数；
多因素融合签到的准确性根据GPS定位结果、WIFI定位结果和WLAN定位结果进行判断；
多因素融合签到的可靠性根据用户在签到范围内的时长和周围同事蓝牙设备个数进行判断；
在步骤S2中，基于组合赋权法分析层次结构模型中各个因素的权重，具体包括以下步骤：
根据实际情况将准确性与可靠性的权重比设置为a1:a2，以及将用户在签到范围内的时长与周围同事蓝牙设备个数的权重比设置为c1:c2；
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整，GPS定位结果、WIFI定位结果和WLAN定位结果的权重比表示为b1:b2:b3；
根据准确性与可靠性的权重比构造判断矩阵Aa：
Figure FDA0003939305700000011
根据GPS定位结果、WIFI定位结果和WLAN定位结果的权重比构造判断矩阵Ab：
Figure FDA0003939305700000021
根据用户在签到范围内的时长与周围同事蓝牙设备个数的权重比构造判断矩阵Ac：
Figure FDA0003939305700000022
利用基于机器学习的随机梯度下降法对GPS定位结果、WIFI定位结果和WLAN定位结果的权重进行分配以及动态调整的具体步骤为：
S2.1：将用户签到时的位置与签到点之间的距离记作X＝[x1,x2,x3]；其中，x1表示GPS定位结果，x2表示WIFI定位结果，x3表示WLAN定位结果；
S2.2：求出每组距离中单项结果xi与平均值
Figure FDA0003939305700000023
的相对误差，记作
Figure FDA0003939305700000024
Figure FDA0003939305700000025
以及所有单项结果xi与平均值
Figure FDA0003939305700000026
的绝对误差值和，记作Yr，统计Xr与Yr得到定位误差数据集
Figure FDA0003939305700000027
其中，xi∈X，
Figure FDA0003939305700000028
为T中样本的单项结果xi对平均值
Figure FDA0003939305700000029
的相对误差特征，
Figure FDA00039393057000000210
为T中样本的所有单项结果xi对平均值
Figure FDA00039393057000000211
绝对误差之和的特征，
Figure FDA00039393057000000212
为T中m个样本的单项结果xi对平均值
Figure FDA00039393057000000213
的相对误差特征，
Figure FDA00039393057000000214
为T中m个样本的所有单项结果xi对平均值
Figure FDA00039393057000000215
绝对误差之和的特征；
S2.3：用hθ(x)表示Yr，得到目标函数：
Figure FDA00039393057000000216
其中，θi为权重，
Figure FDA00039393057000000217
为Xr每项特征的值，n为Xr的特征数量；
S2.4：从T中随机抽取1000组数据作为训练集，若为初次训练，则通过以下公式任取训练集中一组数据初始化
Figure FDA00039393057000000218
Figure FDA00039393057000000219
其中，
Figure FDA00039393057000000220
为权重，
Figure FDA00039393057000000221
为Xr每项特征的值，
Figure FDA00039393057000000222
为1，初始θ0默认为1，若非初次训练而是参数调整阶段，则默认初始化
Figure FDA00039393057000000223
为上一次训练结果；
S2.5：定义损失函数J(θ)为最小二乘损失函数，其表达式为：
Figure FDA0003939305700000031
在计算下降最快的方向时随机从训练集中选择数据进行计算，并通过以下公式迭代更新参数θ：
Figure FDA0003939305700000032
从而求得最佳损失函数最小时的参数θ；
其中，x(i)为第i轮选择的样本特征，y(i)为第i轮选择的样本特征对应的输出，
Figure FDA0003939305700000033
为第i轮的参数，
Figure FDA0003939305700000034
为第i+1轮的参数，i＝1,2,…,n，j＝0,1,2,3，α为步长，控制参数θ每次向损失函数变小的方向迭代时的变化幅度；
S2.6：目标函数hθ(x)中
Figure FDA0003939305700000035
对应参数
Figure FDA0003939305700000036
的倒数之比即为GPS定位结果、WIFI定位结果和WLAN定位结果的权重比b1:b2:b3，即
Figure FDA0003939305700000037
在步骤S5中，具体包括以下步骤：
S5.1：根据用户签到时采集到的数据计算得到GPS定位结果、WIFI定位结果、WLAN定位结果、用户在签到范围内的时长和周围同事蓝牙设备个数；
S5.2：结合权重分配表分别计算各个因素的实际权重；
S5.3：利用以下公式融合各个因素的实际权重，得到融合结果：
Figure FDA0003939305700000038
S5.4：判断融合结果ω是否大于或等于0.9；
若是，则签到结果为签到成功并增加一条签到记录；
若否，则签到结果为签到失败；
在步骤S5.1中，
通过以下步骤得到GPS定位结果：
根据用户的GPS定位点A的经纬度(LonA，LatA)与预设的签到点B的经纬度(LonB，LatB)进行计算，对A、B两点经纬度进行0度经线的基准处理，即按照0度经线的基准，东经取经度正值，西经取经度负值，北纬取90-纬度值，南纬取90+纬度值，经过0度经线的基准处理后两个位置点分别被记为(MLonA,MLatA)和(MLonB,MLatB)，带入以下公式得出GPS定位所在地与签到点的距离sg作为GPS定位结果：
C＝sin(MLatA)*sin(MLatB)*cos(MLonA-MLonB)+cos(MLatA)*cos(MLatB)
sg＝R*Arc cos(C)*Pi/180
其中，Lon为经度，Lat为纬度，R为地球的平均半径；
通过以下步骤得到WIFI定位结果：
判断用户连接的WIFI是否为预设的签到点的WIFI；
若否，则继续搜索并连接签到点的WIFI；
若是，则将用户连接的WIFI的经纬度设置为签到的经纬度并根据该WIFI的信号强度计算出用户与WIFI的距离sw作为WIFI定位结果；
通过以下步骤得到WLAN定位结果：
设GPS定位点D的经纬度为(LonD，LatD)，签到点E的经纬度为(LonE，LatE)，经过0度经线的基准处理后D、E两点分别被记为(MLonD,MLatD)和(MLonE,MLatE)，带入以下公式得出WLAN定位所在地与签到点的距离sn作为WLAN定位结果：
F＝sin(MLatD)*sin(MLatF)*cos(MLonD-MLonF)+cos(MLatD)*cos(MLatF)
sn＝R*Arccos(F)*Pi/180；
在步骤S5.2中，
选择500m作为GPS定位结果和WLAN定位结果的判定基准，150m作为WIFI定位结果的判定基准；
当sg大于500m时，判定用户在签到点之外，否则，从权重分配表中获取签到中的定位因子权重w＝[w1,w2,w3]；其中，w1表示权重分配表中GPS定位方式分配的权重，w2表示权重分配表中WIFI定位方式分配的权重，w3表示权重分配表中WLAN定位方式分配的权重；
通过以下公式计算GPS定位因子的实际权重：
Figure FDA0003939305700000041
通过以下公式计算WIFI定位因子或WLAN定位因子的实际权重：
Figure FDA0003939305700000042
其中，i＝2，3，s为测得定位地点与签到点之间的距离；
根据用户签到时获取到的蓝牙信息与预设的蓝牙信息列表进行匹配，得到用户周围且存在于蓝牙信息列表中的蓝牙设备的数量作为周围同事蓝牙设备个数；设置周围同事蓝牙设备个数的最小数量为5台，当用户签到时获取到的周围同事蓝牙设备个数大于或等于5个，则直接从权重分配表中得到实际权重，否则由以下公式计算周围同事蓝牙设备个数这一因素所占的实际权重：
Figure FDA0003939305700000051
其中，n为用户签到时获取到的周围同事蓝牙设备个数，w4为权重分配表中周围同事蓝牙设备个数因素所占权重；
设置用户在签到范围内的时长的上限为60秒，当用户在签到范围停留时间超过限制时，则认为用户已经满足存在条件，直接从权重分配表中得到该因素的实际权重，否则通过以下公式计算该因素的实际权重：
Figure FDA0003939305700000052
其中，t为用户在签到范围内的时长，w5为权重分配表中用户在签到范围内的时长因素所占权重。
2.根据权利要求1所述的一种基于层次分析法的多因素融合签到方法，其特征在于，在步骤S3中，具体包括以下步骤：
S3.1：计算判断矩阵的每一行元素的乘积Mi；
S3.2：计算Mi的n次方根得到权重因子向量：
Figure FDA0003939305700000053
S3.3：通过以下公式对
Figure FDA0003939305700000054
进行归一化处理：
Figure FDA0003939305700000055
S3.4：通过以下公式计算出最大特征值：
Figure FDA0003939305700000056
其中，n为判断矩阵阶数，BW为判断矩阵
Figure FDA0003939305700000061
与权重因子向量w＝(w1w2…wn)相乘的结果；
S3.5：通过以下公式计算随机一致性比率：
Figure FDA0003939305700000062
CI＝(λmax-n)/(n-1)
其中CI为一致性指标，λmax为判断矩阵的最大特征值，RI为随机一致性指标，当CR小于0.10时，认为判断矩阵的一致性合理。
3.根据权利要求1所述的一种基于层次分析法的多因素融合签到方法，其特征在于，在步骤S4中，
目标层的层次单排序的结果即为总排序的结果；
准则层中准确性和可靠性的排序为
Figure FDA0003939305700000063
因素层的五个因素对准则层中准确性的层次单排序为
Figure FDA0003939305700000064
对准则层中可靠性的层次单排序为
Figure FDA0003939305700000065
则因素层的层次总排序为
Figure FDA0003939305700000066
Figure FDA0003939305700000067
利用以下公式计算得到层次总排序的一致性比率CR：
CR＝CI/RI
CI＝(λmax-n)/(n-1)
Figure FDA0003939305700000068
Figure FDA0003939305700000069
Figure FDA00039393057000000610
当CR小于0.10时则认为层次总排序通过一致性检验，最后根据计算结果构建权重分配表；
其中，
Figure FDA0003939305700000071
为权重因子向量，wi为归一化后的权重因子向量，λmax为判断矩阵的最大特征值，n为判断矩阵阶数，BW为判断矩阵
Figure FDA0003939305700000072
与权重因子向量w＝(w1w2…wn)相乘的结果，CI为一致性指标，RI为随机一致性指标。
CN202110224326.2A 2021-03-01 2021-03-01 一种基于层次分析法的多因素融合签到方法 Active CN113516794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110224326.2A CN113516794B (zh) 2021-03-01 2021-03-01 一种基于层次分析法的多因素融合签到方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110224326.2A CN113516794B (zh) 2021-03-01 2021-03-01 一种基于层次分析法的多因素融合签到方法

Publications (2)

Publication Number Publication Date
CN113516794A CN113516794A (zh) 2021-10-19
CN113516794B true CN113516794B (zh) 2023-03-17

Family

ID=78060293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110224326.2A Active CN113516794B (zh) 2021-03-01 2021-03-01 一种基于层次分析法的多因素融合签到方法

Country Status (1)

Country Link
CN (1) CN113516794B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1520557A (zh) * 1999-09-03 2004-08-11 产品生产过程中的参数值优化方法
JP2005071098A (ja) * 2003-08-25 2005-03-17 Kajima Corp 意思決定支援システム及び意思決定支援プログラム
CN103825735A (zh) * 2012-11-19 2014-05-28 成都芯软科技发展有限公司 全自动智能身份信息识别系统及其实现方法
KR101675198B1 (ko) * 2014-07-22 2016-11-11 성균관대학교산학협력단 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법
CN108665571B (zh) * 2017-03-29 2021-04-02 中兴通讯股份有限公司 签到方法和装置
CN109670394B (zh) * 2018-10-25 2024-03-01 平安科技（深圳）有限公司 一种基于生物特征相似度的视频会议签到方法及相关设备
CN110225535B (zh) * 2019-06-04 2021-07-20 吉林大学 基于深度确定性策略梯度的异构无线网络垂直切换方法

Also Published As

Publication number Publication date
CN113516794A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN104346372B (zh) 用于评估预测模型的方法和装置
US11562448B2 (en) Device and method for performing validation and authentication of a physical structure or physical object
JP2019096319A (ja) データラベリング作業検査方法及びプログラム
CN108830837A (zh) 一种用于检测钢包溶蚀缺陷的方法和装置
US10984518B2 (en) Methods and systems for assessing the quality of geospatial data
CN115239127B (zh) 生态脆弱性评价方法、计算机设备、存储介质和验证方法
CN112699553A (zh) 一种岩爆烈度等级智能预测系统方法
CN109451304A (zh) 一种摄像头模组批量对焦测试方法及系统
CN111612241A (zh) 智能船舶路径规划功能实现性的综合评价方法
CN107832982A (zh) 一种基于大数据旅游出行评估模型区域适旅指数计算方法
CN108154271A (zh) 一种基于空间相关性和曲面拟合的地面气温质量控制方法
CN108563895A (zh) 一种考虑相关性的区间模型修正方法
CN109886337A (zh) 基于自适应采样的深度度量学习方法及系统
CN116665489A (zh) 航路网络拥堵区域识别方法
King et al. Cluster mass profiles from weak lensing II
CN113516794B (zh) 一种基于层次分析法的多因素融合签到方法
Cornwell et al. Forecasting the success of the WEAVE Wide-Field Cluster Survey on the extraction of the cosmic web filaments around galaxy clusters
CN116665482B (zh) 一种基于智慧停车的停车位推荐方法及装置
CN112950022A (zh) 基于模糊综合评价法的路面状况综合评价方法
CN115829209A (zh) 基于碳路径的绿色智能仓库环保质量分析方法及装置
CN108924753A (zh) 用于场景的实时检测的方法和装置
CN114679683A (zh) 一种基于派生指纹迁移的室内智能定位方法
CN112528417B (zh) 一种飞行器半实物仿真的评估方法
CN114821322A (zh) 基于注意力机制的小样本遥感影像分类方法及系统
CN110472559B (zh) 一种遥感影像建筑区域土地利用属性空间迁移方法

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