CN113626731A - 基于人工智能的位置预测的方法及装置 - Google Patents

基于人工智能的位置预测的方法及装置 Download PDF

Info

Publication number
CN113626731A
CN113626731A CN202110910167.1A CN202110910167A CN113626731A CN 113626731 A CN113626731 A CN 113626731A CN 202110910167 A CN202110910167 A CN 202110910167A CN 113626731 A CN113626731 A CN 113626731A
Authority
CN
China
Prior art keywords
grid
grids
sequence
adjacent
internet
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.)
Withdrawn
Application number
CN202110910167.1A
Other languages
English (en)
Inventor
杨亮
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.)
Gujian Wenchuang Shenzhen Technology Co ltd
Original Assignee
Gujian Wenchuang Shenzhen Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gujian Wenchuang Shenzhen Technology Co ltd filed Critical Gujian Wenchuang Shenzhen Technology Co ltd
Priority to CN202110910167.1A priority Critical patent/CN113626731A/zh
Publication of CN113626731A publication Critical patent/CN113626731A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/75—Information technology; Communication
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/60—Positioning; Navigation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于人工智能的位置预测的方法，包括：云服务器获取物联网设备的上报信息，所述上报信息包括地理位置数据序列及对应的时间数据序列；所述云服务器建立地图的蜂窝状网格，并设置所述蜂窝状网格中每一个网格的顶点坐标；优化所述蜂窝状网格，并将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，获取多元网格序列；基于所述多元网格序列，获取所述物联网设备的移动轨迹对应的网格编号序列；将所述网格编号序列输入至循环神经网络模型中，以预测所述物联网设备未来的移动轨迹，输出与所述未来的移动轨迹对应的网格编号。

Description

基于人工智能的位置预测的方法及装置
技术领域
本申请涉及物联网技术领域，尤其涉及基于人工智能的位置预测的方法及装置。
背景技术
随着科技的迅猛发展，用户对于定位的需求日益增加，尤其是物联网的大力发展，使得许多原本无法定位的传统设备再加入了定位传感器，并结合云计算、大数据技术后，即可进行高精度定位。
目前，设备定位的技术应用广泛，可以应用于电子商务的商品物流、工业互联网中的工厂生产原件管理，以及各式各样的外部终端定位管理。适用于智慧商务、智慧交通、智能家居、虚拟现实VR、增强现实AR及智慧小区等各个领域。
目前的设备定位主流技术包括基于三角关系和运算的定位技术，但是该技术会受制于室外环境复杂多变的干扰，导致定位准确率不高，因此，无法基于正确的定位来进行分析和预测。
发明内容
本申请实施例提供一种基于人工智能的位置预测的方法及装置，用于解决现有技术中对于设备定位不准确而无法进行位置的分析和预测的问题。
本发明实施例提供一种基于人工智能的位置预测的方法，包括：
云服务器获取物联网设备的上报信息，所述上报信息包括地理位置数据序列及对应的时间数据序列；
所述云服务器建立地图的蜂窝状网格，并设置所述蜂窝状网格中每一个网格的顶点坐标；
优化所述蜂窝状网格，并将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，获取多元网格序列；
基于所述多元网格序列，获取所述物联网设备的移动轨迹对应的网格编号序列；
将所述网格编号序列输入至循环神经网络模型中，以预测所述物联网设备未来的移动轨迹，输出与所述未来的移动轨迹对应的网格编号。
可选地，所述优化所述蜂窝状网格，包括：
将所述蜂窝状网格设置为正六边形的网格集合，相邻六边形网格至少有一条公共边；
获取每一正六边形的网格中六个顶点的位置坐标；
设置每一个网格的编号，并按照地理类型进行网格分类；
根据所述每一个网格的类型，设置所述每一个网格的激活态，所述激活态为有效或失效状态。
可选地，所述方法还包括：
遍历所述蜂窝状网格的类型，将相邻且类型一致的网格进行合并。
可选地，所述将相邻且类型一致的网格进行合并，包括：
获取第一网格，所述第一网格的激活态为有效状态；
以所述第一网格的至多三条边为基准边，横向或纵向查找所述第一网格的相邻网格，查找结果设置为相邻网格集合，所述相邻网格集合由多个有效状态的相邻网络组成；
在所述相邻网格集合中寻找与所述第一网格相同类型的相邻网格，并将所述第一网格与所述与所述第一网格相同类型的相邻网格进行合并；
获取第i网格，重复上述查找及合并过程，直至遍历完所有的网格，其中i为大于1的正整数。
可选地，所述将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，包括：
获取每一个正六边形网格的6个顶点坐标；
将所述地理位置数据序列按照时间序列从旧到新进行排序；
将排序后的地理位置数据序列与每一个正六边形网格的6个顶点坐标进行比对，以确定所述排序后的地理位置数据落入的网格的网格编号。
可选地，所述方法还包括：
若所述排序后的地理位置数据落入相邻网格的顶点或边界，则按照网格编号优先分配规则所述地理位置数据落入的网格的网格编号。
可选地，所述将所述网格编号序列输入至循环神经网络模型，以预测所述物联网设备未来的移动轨迹，包括：
获取所述网格编号对应的网格的质心位置坐标；
对所述网格进行特征提取，并将所述提取出的特征输入至逻辑回归模型中，以输出所述每一个网格编号对应的权重值；
将所述每个网格质心位置坐标与对应的权重值进行拼接，获取拼接元素；并确定与所述拼接元素对应的向量；
将所述向量输入至循环神经网络模型中，预测所述物联网设备未来的移动轨迹，确定所述移动轨迹对应的网格编号。
可选地，所述上报信息还包括LBS辅助定位信息和LBS的信号强度RSSI信息。
可选地，在输出所述每一个网格编号对应的权重值之后，所述方法还包括：
利用所述LBS的RSSI信息，对所述权重值进行校对。
本发明实施例还提供一种装置，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
本发明实施例提供的方法，通过设立蜂窝状网格的形式，将物联网设别在不同时间的地理位置信息匹配到不同的网格内部，并获取网格编号，基于该网格编号，采用循环神经网络进行轨迹预测，输出与该预测出的轨迹匹配的网格，反馈该网格编号给物联网设备。提升了定位精度，并解决了无法进行位置预测的问题。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为一个实施例中基于人工智能的位置预测的流程示意图；
图2为一个实施例中蜂窝状网格的结构示意图；
图3为一个实施例中移动轨迹预测显示在网格上的示意图；
图4为一个实施例中装置的硬件组成示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
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”和“包含”指示所描述特征、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它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
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。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或时间]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或时间]”或“响应于检测到[所描述条件或时间]”。
图1是本发明实施例的其中一个基于人工智能的位置预测的方法流程图，如图1所示，该方法包括：
S101.云服务器获取物联网设备的上报信息，所述上报信息包括地理位置数据序列及对应的时间数据序列；
在本发明实施例中，云服务器可以是分布式的服务器集群，具备典型的云架构，具备良好的拓展性与数据分析、处理能力。云服务器与物联网设备通过公网或局域网进行无线连接，例如通过LTE、5G、WIFI、蓝牙等方式进行连接，当连接成功后，物联网设备将自身的状态进行上报，上报过程可以采用心跳包机制，即周期性地将自身的状态信息发送给云服务器。
物联网设备可以是常用的手机终端，也可以是具备无线通信功能及定位功能的各个设备，例如定位器、对讲机、各类户外传感器、物流追踪器等，可以应用于各行各业，例如VR/AR、电子商务、智慧城市等。物联网设备具备低功耗、长待机等特点，周期性地将自身状态通过各类无线协议的一种或多种的组合上报给云服务器。
在物联网设备上报的信息中，不仅包含物联网设备自身的状态信息(例如是否异常、功率状态等)，还包括地理位置数据的序列(或集合)，以及对应的时间数据序列。地理位置数据包括经度信息和纬度信息，可以为标准的GPS数据格式，其精度可以到小数点后4-5位，每一条经纬度信息对应一个精确的时间，示例性地，一串完成的数据包格式可以为：
$GPRMC,080655.00,A,4546.40891,N,12639.65641,E,1.045,328.42,170809,,,A*60。
具体的数据信息可以参考GPRMC的格式包解析，本发明实施例不再累述。
此外，在本发明实施例中，上报信息还包括LBS(Location Based Services)辅助定位信息(例如基站定位、室内定位等)和LBS的信号强度RSSI信息。
S102.所述云服务器建立地图的蜂窝状网格，并设置所述蜂窝状网格中每一个网格的顶点坐标；
在本发明实施例中，利用区域网格划分的方法，将地图进行网格划分，为了方便定位及后续的分析，本发明实施例采用了蜂窝状网格的划分方法，蜂窝状网格中每一个网格呈现出正六边形/等边六边形，其好处是可以朝着六个方向进行拓展，比起正方体的网格其扩展性更好。此外，正六边形易于进行网格合并，六边形可以朝着6条边的方向进行查找及合并，简化网格的管理。
如图2所示，在本发明实施例中，云服务器建立地图，并利用区域网格划分技术将地图划分为大小均等的10个正六边形网格，形成蜂窝状网格，其中，每一个网格的顶点坐标可以从地图的地理信息上进行获取。
S103.优化所述蜂窝状网格，并将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，获取多元网格序列；
不同于现有技术，在本发明实施例中，蜂窝状网络需要先进行优化，以降低网格数量，提升网格的应用效率。具体地，在本发明实施例中，优化的流程主要可以分为设置网格状态和合并同类型网格两部分。
其中，设置网格状态的具体步骤可以为：
S11.将所述蜂窝状网格设置为正六边形的网格集合，相邻六边形网格至少有一条公共边；如图2所示；
S12.获取每一正六边形的网格中六个顶点的位置坐标；
S13.设置每一个网格的编号，并按照地理类型进行网格分类；如图2所示，在本发明实施例中，网格编号可以自定义规则进行号码的分配。此外，由于每一个网格都是与地图的每一个地理信息强相关的，因此，还需要对每一个网格进行类型划分，地图上的地理类型包括道路、建筑、河流及其他类型，因此，网格的类型与所在区域的地理类型一致，示例性地，可划分网格1为道路，网格2为河流等等。
S14.根据所述每一个网格的类型，设置所述每一个网格的激活态，所述激活态为有效或失效状态。激活态为网格的有效状态，在本发明实施例中，若网格的类型为河流、绿化地带等与定位和轨迹预测无关的地带，则该网格属于“无用”网格，不需要记录其具体的位置坐标，在实际的运算和分析处理中也不需要考虑其网格，因此，将该“无用”网格置为无效状态。反之，若该网格属于道路或建筑等与定位和轨迹预测强相关的地带，则定义其激活态为有效状态。
此外，网格合并同类型的步骤中，云服务器遍历所述蜂窝状网格的类型，将相邻且类型一致的网格进行合并。具体地，
S21.云服务器获取第一网格，所述第一网格的激活态为有效状态；
第一网格为蜂窝状网格中的任一网格，为方便说明，设置第一网格为图2中的网格1，该网格1的激活态为有效状态。
S22.以所述第一网格的至多三条边为基准边，横向或纵向查找所述第一网格的相邻网格，查找结果设置为相邻网格集合，所述相邻网格集合由多个有效状态的相邻网络组成；
示例性地，在图2中，网格1的至多三条边(即小于等于三条边)为基准边，向斜上、纵向和斜下进行查找，分别查找到相邻网格2，4和5(均为有效状态)，形成相邻网络集合{网格2,网格4,网格5}。
S23.在所述相邻网格集合中寻找与所述第一网格相同类型的相邻网格，并将所述第一网格与所述与所述第一网格相同类型的相邻网格进行合并；
同上一个示例，假设网格1的类型为道路，网格2的类型为道路，网格4的类型为建筑，网格5的类型为建筑，则网格1和2为同一类型，与4或5均不属于同一类型，因此，网格1与网格2进行合并，而不允许与网格4或5进行合并。
需要说明的是，现有技术的网格合并，通常是在遍历所有网格时，寻找相同标识或相同特征元素的网格进行合并，并没有考虑到相邻网格的地理位置相关性，因此，现有技术的合并很多情况下是跨相邻网格(非相邻网格)的合并，也并没有考虑到合并后的网格是否有效无效，会造成无法成片聚类，也无法解决提升地理位置匹配网格的精准度的问题。此外，现有技术中的网格划分通常是正方形，其优点是较为容易划分，可快速划分，但缺点也同样明显，划分的正方形至多只能合并横向及纵向的4个网格，且精度不如正六边形的网格。
S24.获取第i网格，重复上述查找及合并过程，直至遍历完所有的网格，其中i为大于1的正整数。
在网格1查找和合并完成后，云服务器获取第二网格，按照S21-S23的步骤进行查找和合并，完成之后，获取第三网格，重复S21-23步骤进行查找和合并...直到遍历完所有的网格。示例性地，第二网格可以是网格3(网格1和2已经合并，故不是网格2)，按照S21-23的步骤后，网格3可以和网格5进行合并。由于其他的网格查找和合并的规则与第一网格是一致的，本发明实施例不再一一叙述。
在完成了网格的优化后，下一步是将采集到的物联网设备在不同时序中的地理位置映射到蜂窝状网格中。映射的原理为：云服务器可以获取每一个网格的顶点，从几何图形中即可知道每一个网格区域内的经纬度信息，这样在获取到物联网设备实际的经纬度信息后即可映射到对应的网格中，即落入网格的区域内。
具体地，S103中，将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，具体可以为：
获取每一个正六边形网格的6个顶点坐标；
将所述地理位置数据序列按照时间序列从旧到新进行排序；
将排序后的地理位置数据序列与每一个正六边形网格的6个顶点坐标进行比对，以确定所述排序后的地理位置数据落入的网格的网格编号。示例性地，T0时刻时，物联网设备的地理位置在网格1中，T1时刻和T2时刻在网格3中，而T3时刻在网格7中，可以按照不同的时刻进行网格与地理位置的匹配，并进行轨迹路线的绘制。
此外，若某一部分排序后的地理位置数据并没有落入网格内部，而是落入相邻网格的顶点或边界，则按照网格编号优先分配规则所述地理位置数据落入的网格的网格编号。示例性地，若该地理位置数据落入网格1和网格5的共同边上，按照落入规则，该地理位置数据既属于网格1，也属于网格5，显然不妥，因此，需要设置一定的规则防止该情况的发生，例如，选择网格编号小的作为优先，则该地理位置数据属于网格1不属于网格5，又或者选择网格中落入地理位置数据少的作为优先，具体规则可以自定义。
需要说明的是，网格的大小可以自定义调整，同时，同一个网格可以分裂为多个小网格，更精确地对地理位置信息进行标注。
S104.基于所述多元网格序列，获取所述物联网设备的移动轨迹对应的网格编号序列；
在全部将地理位置数据按照时间从旧到新落入到对应的网格中后，即可确定出该物联网设备的历史移动轨迹，获取该移动轨迹对应的网络编号的序列(集合)。移动轨迹对应的网格定义为多元网格序列，即包含了多个历史地理信息的网格。
S105.将所述网格编号序列输入至循环神经网络RNN模型中，以预测所述物联网设备未来的移动轨迹，输出与所述未来的移动轨迹对应的网格编号。
其中，S105的具体步骤可以为：
S1051.获取所述网格编号对应的网格的质心位置坐标；
S1052.对所述网格进行特征提取，并将所述提取出的特征输入至逻辑回归模型中，以输出所述每一个网格编号对应的权重值；可选地，该特征可以是物联网设备停留在该网格的时间长度，连接状态等。示例性地，可获得物联网设备的历史轨迹在不同的网格中的停留时间长短，从而采用逻辑回归模型输出不同网格的权重值。
此外，当上报的信息还包括RSSI信息时，需要利用所述LBS的RSSI信息，对所述权重值进行校对。具体地，该物联网设备在不同的网格中其信号强度有强有弱，信号强度的强弱会影像网格匹配的精准度，因此，对于预测未来时刻的移动轨迹技术而言，需要将信号强度高的网格进行权重提升，将信号强度低的网格进行权重降低，以提升精准度。
S1053.将所述每个网格质心位置坐标与对应的权重值进行拼接，获取拼接元素；并确定与所述拼接元素对应的向量；拼接即表示将位置坐标字符串与权重值字符串合并在一起，从而形成一个拼接元素，并根据预设的向量生成算法，确定与该拼接元素对应的向量。
S1054.将所述向量输入至循环神经网络模型中，预测所述物联网设备未来的移动轨迹，确定所述移动轨迹对应的网格编号。逻辑回归模型和循环神经网络模型是现有算法，具体可参见《神经网络与深度学习——基于TensorFlow框架和Python技术实现》，这里不再累述。
如图3所示，T0-T1时刻是过去时刻，T2是现在的时刻，而T3和T4是未来时刻。基于T0-T2时刻物联网设备移动轨迹对应的网格，可预测其进一步的移动方向及范围，从而预测到T3和T4时刻该物联网设备移动轨迹对应的网格，形成未来时刻下的运动轨迹。在本发明实施例中，历史数据越多其样本越丰富，预测得越精准。
本发明实施例提供的方法，通过设立蜂窝状网格的形式，将物联网设别在不同时间的地理位置信息匹配到不同的网格内部，并获取网格编号，基于该网格编号，采用循环神经网络进行轨迹预测，输出与该预测出的轨迹匹配的网格，反馈该网格编号给物联网设备。提升了定位精度，并解决了无法进行位置预测的问题。
本发明实施例还包括一种装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机可执行指令，该计算机可执行指令用于执行上述实施例中的方法。
图4为一个实施例中装置的硬件组成示意图。可以理解的是，图4仅仅示出了装置的简化设计。在实际应用中，装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出系统、处理器、控制器、存储器等，而所有可以实现本申请实施例的大数据管理方法的装置都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。
输入系统用于输入数据和/或信号，以及输出系统用于输出数据和/或信号。输出系统和输入系统可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
以上仅为本申请的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的位置预测的方法，其特征在于，包括：
云服务器获取物联网设备的上报信息，所述上报信息包括地理位置数据序列及对应的时间数据序列；
所述云服务器建立地图的蜂窝状网格，并设置所述蜂窝状网格中每一个网格的顶点坐标；
优化所述蜂窝状网格，并将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，获取多元网格序列；
基于所述多元网格序列，获取所述物联网设备的移动轨迹对应的网格编号序列；
将所述网格编号序列输入至循环神经网络模型中，以预测所述物联网设备未来的移动轨迹，输出与所述未来的移动轨迹对应的网格编号。
2.根据权利要求1所述的方法，其特征在于，所述优化所述蜂窝状网格，包括：
将所述蜂窝状网格设置为正六边形的网格集合，相邻六边形网格至少有一条公共边；
获取每一正六边形的网格中六个顶点的位置坐标；
设置每一个网格的编号，并按照地理类型进行网格分类；
根据所述每一个网格的类型，设置所述每一个网格的激活态，所述激活态为有效或失效状态。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
遍历所述蜂窝状网格的类型，将相邻且类型一致的网格进行合并。
4.根据权利要求3所述的方法，其特征在于，所述将相邻且类型一致的网格进行合并，包括：
获取第一网格，所述第一网格的激活态为有效状态；
以所述第一网格的至多三条边为基准边，横向或纵向查找所述第一网格的相邻网格，查找结果设置为相邻网格集合，所述相邻网格集合由多个有效状态的相邻网络组成；
在所述相邻网格集合中寻找与所述第一网格相同类型的相邻网格，并将所述第一网格与所述与所述第一网格相同类型的相邻网格进行合并；
获取第i网格，重复上述查找及合并过程，直至遍历完所有的网格，其中i为大于1的正整数。
5.根据权利要求2所述的方法，其特征在于，所述将所述地理位置数据按照对应的时间数据序列分别匹配至所述优化后的蜂窝状网格中，包括：
获取每一个正六边形网格的6个顶点坐标；
将所述地理位置数据序列按照时间序列从旧到新进行排序；
将排序后的地理位置数据序列与每一个正六边形网格的6个顶点坐标进行比对，以确定所述排序后的地理位置数据落入的网格的网格编号。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
若所述排序后的地理位置数据落入相邻网格的顶点或边界，则按照网格编号优先分配规则所述地理位置数据落入的网格的网格编号。
7.根据权利要求1所述的方法，其特征在于，所述将所述网格编号序列输入至循环神经网络模型，以预测所述物联网设备未来的移动轨迹，包括：
获取所述网格编号对应的网格的质心位置坐标；
对所述网格进行特征提取，并将所述提取出的特征输入至逻辑回归模型中，以输出所述每一个网格编号对应的权重值；
将所述每个网格质心位置坐标与对应的权重值进行拼接，获取拼接元素；并确定与所述拼接元素对应的向量；
将所述向量输入至循环神经网络模型中，预测所述物联网设备未来的移动轨迹，确定所述移动轨迹对应的网格编号。
8.根据权利要求7所述的方法，其特征在于，所述上报信息还包括LBS辅助定位信息和LBS的信号强度RSSI信息。
9.根据权利要求8所述的方法，其特征在于，在输出所述每一个网格编号对应的权重值之后，所述方法还包括：
利用所述LBS的RSSI信息，对所述权重值进行校对。
10.一种装置，其特征在于，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现权利要求1至9任一项所述的方法。
CN202110910167.1A 2021-08-09 2021-08-09 基于人工智能的位置预测的方法及装置 Withdrawn CN113626731A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110910167.1A CN113626731A (zh) 2021-08-09 2021-08-09 基于人工智能的位置预测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110910167.1A CN113626731A (zh) 2021-08-09 2021-08-09 基于人工智能的位置预测的方法及装置

Publications (1)

Publication Number Publication Date
CN113626731A true CN113626731A (zh) 2021-11-09

Family

ID=78383742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110910167.1A Withdrawn CN113626731A (zh) 2021-08-09 2021-08-09 基于人工智能的位置预测的方法及装置

Country Status (1)

Country Link
CN (1) CN113626731A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326448A (zh) * 2021-12-30 2022-04-12 中山东菱威力电器有限公司 一种智能马桶盖控制方法及智能马桶盖控制系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326448A (zh) * 2021-12-30 2022-04-12 中山东菱威力电器有限公司 一种智能马桶盖控制方法及智能马桶盖控制系统

Similar Documents

Publication Publication Date Title
CN106462627B (zh) 根据多个位置数据报告分析语义地点和相关数据
JP5395963B2 (ja) ネットワークに基づくポジショニングシステムの位置データベースの管理
CN107679558A (zh) 一种基于度量学习的用户轨迹相似性度量方法
CN111461410B (zh) 一种基于迁移学习的空气质量的预测方法及装置
JP2015053678A (ja) 位置データベースを用いた移動装置の位置の判定
KR102044354B1 (ko) 데이터베이스 구축을 위한 자기장 맵을 생성하는 방법 및 장치
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
Modi et al. A comprehensive review on intelligent traffic management using machine learning algorithms
CN111475746B (zh) 兴趣点位置挖掘方法、装置、计算机设备和存储介质
Gloudemans et al. Interstate-24 motion: Closing the loop on smart mobility
CN113626731A (zh) 基于人工智能的位置预测的方法及装置
Wei et al. Hsm-smcs: Task assignment based on hybrid sensing modes in sparse mobile crowdsensing
CN113240175B (zh) 配送路线的生成方法、设备、存储介质和程序产品
CN112381078B (zh) 基于高架的道路识别方法、装置、计算机设备和存储介质
CN113326449A (zh) 预测交通流量的方法、装置、电子设备和介质
CN105516251A (zh) 一种定位校准方法及其位置服务推送系统
CN108574927B (zh) 一种移动终端定位方法及装置
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
CN111741525A (zh) 定位指纹的更新方法、装置、存储介质和电子设备
CN109286900B (zh) 一种Wi-Fi样本数据优化方法
Wang et al. Influential spatial facility prediction over large scale cyber-physical vehicles in smart city
Xue et al. Urban population density estimation based on spatio‐temporal trajectories
Chen et al. Disatra: A real-time distributed abstract trajectory clustering
Konstantinidis et al. Radio map prefetching for indoor navigation in intermittently connected wi-fi networks
Bin et al. A cost-sensitive method for wireless sensor network min beacon node set construction

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211109