CN113873423A - 终端定位方法、装置及系统 - Google Patents
终端定位方法、装置及系统 Download PDFInfo
- Publication number
- CN113873423A CN113873423A CN202010602650.9A CN202010602650A CN113873423A CN 113873423 A CN113873423 A CN 113873423A CN 202010602650 A CN202010602650 A CN 202010602650A CN 113873423 A CN113873423 A CN 113873423A
- Authority
- CN
- China
- Prior art keywords
- terminal
- base stations
- signal data
- nearby base
- base station
- 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 43
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 102100029651 Arginine/serine-rich protein 1 Human genes 0.000 description 1
- 101000728589 Homo sapiens Arginine/serine-rich protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- 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)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及终端定位方法、装置及系统、计算机可存储介质,涉及通信技术领域。终端定位方法包括:获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据;根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置。根据本公开,提高了机器学习模型的泛化能力,提高了定位精度。
Description
技术领域
本公开涉及通信技术领域,特别涉及终端定位方法、装置及系统、计算机可存储介质。
背景技术
相关技术中,以基站ID(Identity Document,身份证标识号)作为指纹特征,利用神经网络对终端进行定位。
发明内容
发明人认为:相关技术中,基站ID只是数字编号,神经网络,尤其是采用深度学习算法的神经网络,无法从基站ID中提取具有计算价值的特征,导致即使训练数据不断增加,也无法提高机器学习模型的泛化能力,定位精度仍然不高。
针对上述技术问题,本公开提出了一种解决方案,提高了机器学习模型的泛化能力,提高了定位精度。
根据本公开的第一方面,提供了一种终端定位方法,包括:获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据;根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置。
在一些实施例中,获取所述多个第一附近基站的位置拓扑数据包括:获取所述多个第一附近基站的基站标识;根据所述多个基站标识,确定所述多个第一附近基站的位置坐标;根据所述多个第一附近基站的位置坐标,确定所述多个第一附近基站之间的相对距离,作为所述多个第一附近基站的位置拓扑数据。
在一些实施例中,根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置包括:获取所述待定位终端所在定位区域的网格信息,所述网格信息包括划分所述定位区域得到的多个网格的唯一的网格标识和经纬度范围;根据所述地磁信号数据、所述多个第一附近基站的基站信号数据、所述多个第一附近基站的位置拓扑数据和所述网格信息,利用机器学习模型,确定所述待定位终端的当前位置。
在一些实施例中,终端定位方法还包括:获取训练终端在多个历史时刻的位置坐标、地磁信号数据、多个第二附近基站的基站信号数据和所述多个第二附近基站的位置拓扑数据;根据定位精度需求,将定位区域划分为多个具有唯一的网格标识和经纬度范围的网格,得到所述定位区域的网格信息;对于每个历史时刻,根据所述训练终端的位置坐标和所述网格信息,确定所述训练终端所在网格的网格标识;以所述训练终端在多个历史时刻的地磁信号数据、多个第二附近基站的基站信号数据和所述多个第二附近基站的位置拓扑数据为输入,以所述训练终端在多个历史时刻所在网格的网格标识为标签,训练所述机器学习模型。
在一些实施例中,所述地磁信号数据包括多个地磁分量,根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置包括:融合所述多个地磁分量的平均值、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,得到定位参考信息;根据所述定位参考信息,利用机器学习模型,确定所述待定位终端的当前位置。
在一些实施例中,所述基站信号数据包括参考信号接收功率和参考信号接收质量中的至少一种。
根据本公开第二方面,提供了一种终端定位装置,包括:获取模块,被配置为获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据;确定模块,被配置为根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置。
根据本公开第三方面,提供了一种终端定位装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行上述任一实施例所述的终端定位方法。
根据本公开的第四方面,提供了一种终端定位系统,包括:上述任一实施例所述的终端定位装置。
在一些实施例,终端定位系统还包括:无线通信模块,被配置为采集待定位终端在当前时刻的多个第一附近基站的基站信号数据和基站标识;地磁传感器,被配置为采集待定位终端在当前时刻的地磁信号数据。
根据本公开的第五方面,提供了一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述任一实施例所述的终端定位方法。
在上述实施例中,提高了机器学习模型的泛化能力,提高了定位精度。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1是示出根据本公开一些实施例的终端定位方法的流程图;
图2是示出根据本公开一些实施例的终端定位系统的框图;
图3是示出根据本公开一些实施例的多个第一附近基站的位置拓扑示意图;
图4是示出根据本公开一些实施例的训练方法的流程图;
图5是示出根据本公开一些实施例的终端定位装置的框图;
图6是示出根据本公开另一些实施例的终端定位装置的框图;
图7是示出根据本公开另一些实施例的终端定位系统的框图;
图8是示出用于实现本公开一些实施例的计算机系统的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
下面将结合图1和图2详细描述本公开一些实施例的终端定位方法。
图1是示出根据本公开一些实施例的终端定位方法的流程图。
图2是示出根据本公开一些实施例的终端定位系统的框图。
如图1所示,终端定位方法包括:步骤S110,获取地磁信号数据、多个第一附近基站的基站信号数据和位置拓扑数据;和步骤S120,根据地磁信号数据、多个第一附近基站的基站信号数据和位置拓扑数据,利用机器学习模型,确定待定位终端的当前位置。例如,终端定位方法可用于室外定位。
上述实施例中,通过根据地磁信号数据、基站信号数据和多个第一附近基站的位置拓扑数据,利用机器学习模型,确定待定位终端的当前位置,使得机器学习模型能够从地磁信号数据、基站信号数据和多个第一附近基站的位置拓扑数据中提取具有计算价值和业务意义的特征数据,更利于深度学习技术发现隐含的位置与地磁信号数据、基站信号数据和基站的位置拓扑数据之间的关联关系,提高了机器学习模型的泛化能力,提高了定位精度。
另外,相对WiFi(Wireless Fidelity,无线局域网)定位、蓝牙定位而言,根据地磁信号数据进行定位,不需要部署信标,成本低。将运营商的基站信号数据与地磁信号数据结合以实现对终端的定位,既可节省部署成本,又可以进一步提高定位精度。
在步骤S110中,获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据。第一附近基站为位于待定位终端附近的基站。待定位终端位于多个第一附近基站的基站信号覆盖范围内,能够接收到多个第一附近基站的基站信号。
在一些实施例中,地磁信号数据包括多个地磁分量。例如,由图2的待定位终端20中的地磁传感器202采集地磁信号数据,并发送给终端定位装置21中的生成模块211。在一些实施例中,地磁传感器202在某时刻采集的地磁信号数据表示为(Mx,My,Mz)。Mx、My、Mz为该时刻的三个地磁分量。三个地磁分量分别为北分量(x分量)、东分量(y分量)和垂直分量(z分量)。在待定位终端20移动的过程中,可以采集到多个时刻的地磁信号数据,得到地磁信号数据的时序序列(Mx,My,Mz)×n。n为正整数,表示时刻。在一些实施例中,每个时刻为一秒。
例如,基站信号数据包括参考信号接收功率(Reference Signal ReceivingPower,RSRP)和参考信号接收质量(Reference Signal Receiving Quality,RSRQ)中的至少一种。
例如,通过如下方式获取多个第一附近基站的位置拓扑数据。
首先,获取多个第一附近基站的基站标识。
例如,由图2所示的终端定位系统2中的待定位终端20中的无线通信模块201采集多个第一附近基站的基站标识,并发送给终端定位装置21中的生成模块211。在一些实施例中,图2的无线通信模块201在采集多个第一附近基站的基站标识的同时,采集每个第一附近基站的基站信号数据和当前时刻的时间戳,并发送给终端定位装置21中的生成模块211。
在一些实施例中,图2的无线通信模块201采集的基站标识和基站信号数据可以表示为(Celli,RSRPi,RSRQi)。Celli表示第i个第一附近基站的基站标识,i为正整数。在一些实施例中,由于终端在某时刻只能采集到一个基站的一个小区标识,因此基站标识还可以用基站的小区标识表示。RSRPi和RSRQi分别为第i个第一附近基站的参考信号接收功率和参考信号接收质量,作为第i个第一附近基站的基站信号数据。
例如,某次采集到6个基站的时间戳、基站标识和基站信号数据表示为:
(Cell1,RSRP1,RSRQ1)(Cell2,RSRP2,RSRQ2)
(Cell3,RSRP3,RSRQ3)(Cell4,RSRP4,RSRQ4)
(Cell5,RSRP5,RSRQ5)(Cell6,RSRP6,RSRQ6)
10:12:13。
例如,由图2的无线通信模块201将采集到的时间戳、基站标识和基站信号数据发送到终端定位装置21的生成模块211。
然后,在获取多个第一附近基站的基站标识后,根据多个基站标识,确定多个第一附近基站的位置坐标。
例如,图2的终端定位装置21的数据库212中存储基站标识和位置坐标的对应关系。生成模块211根据多个基站标识,从数据库212中获取与多个基站标识对应的多个第一附近基站的位置坐标。
最后,在确定多个第一附近基站的位置坐标后,根据多个第一附近基站的位置坐标,确定多个第一附近基站之间的相对距离,作为多个第一附近基站的位置拓扑数据。
例如,图2的生成模块211根据多个第一附近基站的位置坐标,计算多个第一附近基站中两两之间的相对距离。在一些实施例中,第i个第一附近基站和第j个第一附近基站之间的相对距离表示为Ci_j。i、j均为正整数。
下面将结合图3详细描述多个第一附近基站的位置拓扑数据。
图3是示出根据本公开一些实施例的多个第一附近基站的位置拓扑示意图。
如图3所示,待定位终端附近存在6个第一附近基站:第一附近基站1~第一附近基站6。第一附近基站1与其他第一附近基站之间的相对距离为C1_2~C1_6。第一附近基站6与其他第一附近基站之间的相对距离为C6_1~C6_5。同理,可以获得第一附近基站2~5分别与其他第一附近基站之间的相对距离。通过上述方式可以获得6组相对距离,这6组相对距离就构成了6个第一附近基站的位置拓扑数据。在一些实施例中,每一组相对距离可以按照从大到小的顺序排序。通过从大到小的排序,有助于机器学习模型更好地学习特征数据,提高机器学习模型的定位效率。
例如,6个第一附近基站的位置拓扑数据表示为:
返回图1,在获取地磁信号数据、多个第一附近基站的基站信号数据和位置拓扑数据后,执行步骤S120。
在步骤S120中,根据地磁信号数据、多个第一附近基站的基站信号数据和多个第一附近基站的位置拓扑数据,利用机器学习模型,确定待定位终端的当前位置。在一些实施例中,机器学习模型为LSTM(Long-Short Term Memory,长短期记忆网络)模型。
例如,通过如下方式实现步骤S120中的确定待定位终端的当前位置。
首先,获取待定位终端所在定位区域的网格信息。网格信息包括划分定位区域得到的多个网格的唯一的网格标识和经纬度范围。例如,网格标识表示为Label。
在一些实施例中,图2的划分模块214将地图上定位区域的经度和纬度分别转换为x坐标和y坐标,并将转换后的坐标系内的定位区域划分为多个网格。例如,根据不同的定位精度需求,每个网格的大小可以为80米×80米或者40米×40米。例如,每个网格的唯一的网格标识采用坐标自然数编号。例如,采用x坐标范围和y坐标范围表示每个网格的经纬度范围。
然后,在获取待定位终端所在定位区域的网格信息后,根据地磁信号数据、多个第一附近基站的基站信号数据、多个第一附近基站的位置拓扑数据和网格信息,利用机器学习模型,确定待定位终端的当前位置。
在一些实施例中,将待定位终端所在网格的网格标识确定为待定位终端的当前位置。
在另一些实施例中,根据待定位终端所在网格的网格标识,确定待定位终端所在网格的经纬度范围,进而根据待定位终端所在网格的经纬度范围,确定待定位终端的当前位置。例如,根据待定位终端所在网格的经纬度范围,确定所在网格的中心位置的经纬度坐标,作为待定位终端的当前位置。
例如,通过如下方式实现根据地磁信号数据、多个第一附近基站的基站信号数据、多个第一附近基站的位置拓扑数据和网格信息,利用机器学习模型,确定待定位终端的当前位置。
首先,融合多个地磁分量的平均值、多个第一附近基站的基站信号数据和多个第一附近基站的位置拓扑数据,得到定位参考信息。例如,由图2的生成模块211执行融合操作,得到定位参考信息。在一些实施例中,生成模块211部署于待定位终端。在另一些实施例中,生成模块211部署于服务器上。
例如,多个地磁分量的平均值表示为Mxyz=(Mx+My+Mz)/3。
在一些实施例中,多个第一附近基站的基站信号数据和多个第一附近基站的位置拓扑数据采用二维矩阵表示。例如,以待定位终端附近存在6个第一附近基站为例,多个第一附近基站的基站信号数据和多个第一附近基站的位置拓扑数据表示为:
在一些实施例中,定位参考信息表示为:
。t为采集该定位参考信息的时间戳,即当前时刻。
然后,根据定位参考信息,利用机器学习模型,确定待定位终端的当前位置。例如,将定位参考信息输入到机器学习模型中,机器学习模型的输出就是待定位终端的当前位置。
例如,将定位参考信息输入到图2的位置获取模块216的机器学习模型2161中,得到待定位终端的当前位置。在一些实施例中,位置获取模块216部署于待定位终端。在另一些实施例中,位置获取模块216部署于服务器上。
在一些实施例中,终端定位方法还包括如图4所示的步骤S101-步骤S104。终端定位方法通过步骤S101-步骤S104的训练方法得到用于对待定位终端进行定位的机器学习模型。例如,步骤S101-步骤S104所示的训练方法在步骤S110之前执行。
图4是示出根据本公开一些实施例的训练方法的流程图。
在步骤S101中,获取训练终端在多个历史时刻的位置坐标、地磁信号数据、多个第二附近基站的基站信号数据和多个第二附近基站的位置拓扑数据。
例如,由图2的训练终端20'的无线通信模块201'采集多个历史时刻的多个第二附近基站的基站信号数据。由地磁传感器202'采集多个历史时刻的地磁信号数据。由位置传感器203'采集多个历史时刻的位置坐标。在一些实施例中,位置传感器203'为GPS(GlobalPositioning System,全球定位系统)。
例如,图2的无线通信模块201'在采集多个历史时刻的基站信号数据的同时,还会采集多个历史时刻的多个第二附近基站的基站标识,并将采集到的基站信号数据和基站标识发送到图2的生成模块211。进而,图2的生成模块211根据多个基站标识从数据库212中获取多个第二附近基站的位置坐标,从而得到每个历史时刻的多个第二附近基站的位置拓扑数据。应当理解,多个第二附近基站可以与多个第一附近基站相同或部分重合或完全不同。该过程与对待定位终端的相关数据进行处理的方式类似,此处不再赘述。
在步骤S102中,根据定位精度需求,将定位区域划分为多个具有唯一的网格标识和经纬度范围的网格,得到定位区域的网格信息。例如,由图2的划分模块214对定位区域进行划分,得到定位区域的网格信息,并将定位区域的网格信息存储在数据库212中。
在步骤S103中,对于每个历史时刻,根据训练终端的位置坐标和网格信息,确定训练终端所在网格的网格标识。
例如,对训练终端的位置坐标和所在网格的经纬度范围进行匹配操作,确定训练终端所在网格的网格标识。在一些实施例中,训练终端的位置坐标为经纬度坐标,所在网格的经纬度范围采用x坐标范围和y坐标范围表示,将经纬度坐标转换为x-y坐标系下的坐标后,与所在网格的经纬度范围进行匹配操作,确定训练终端所在网格的网格标识。
在步骤S104中,以训练终端在多个历史时刻的地磁信号数据、多个第二附近基站的基站信号数据和多个第二附近基站的位置拓扑数据为输入,以训练终端在多个历史时刻所在网格的网格标识为标签,训练机器学习模型。
例如,训练终端在每个历史时刻的地磁信号数据、多个第二附近基站的基站信号数据和多个第二附近基站的位置拓扑数据表示为:
。t为不同历史时刻的时间戳,Mxyz为与时间戳对应的地磁分量的平均值,Label为与时间戳对应的网格标识。
在一些实施例中,机器学习模型为LSTM模型,利用机器学习库TensorFlow对LSTM模型进行训练。训练好的LSTM模型为定位模型。
在一些实施例中,训练完成后,由图2的加载模块215将训练好的机器学习模型2161加载到位置获取模块216。
图5是示出根据本公开一些实施例的终端定位装置的框图。
如图5所示,终端定位装置51包括获取模块511和确定模块512。例如,终端定位装置51与图2的终端定位装置21的结构和功能类似。
获取模块511被配置为获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,例如执行如图1所示的步骤S110。
确定模块512被配置为根据地磁信号数据、多个第一附近基站的基站信号数据和多个第一附近基站的位置拓扑数据,利用机器学习模型,确定待定位终端的当前位置,例如执行如图1所示的步骤S120。
图6是示出根据本公开另一些实施例的终端定位装置的框图。
如图6所示,终端定位装置61包括存储器611;以及耦接至该存储器611的处理器612。存储器611用于存储执行终端定位方法对应实施例的指令。处理器612被配置为基于存储在存储器611中的指令,执行本公开中任意一些实施例中的终端定位方法。例如,终端定位装置61和图2的终端定位装置21、图5的终端定位装置51的结构和功能类似。
图7是示出根据本公开另一些实施例的终端定位系统的框图。
如图7所示,终端定位系统7包括本公开任意一些实施例中的终端定位装置71。例如,终端定位装置71与图2的终端定位装置21、图5的终端定位装置51、图6的终端定位装置61的结构和功能类似。
在一些实施例中,终端定位系统7还包括无线通信模块72和地磁传感器73。例如,无线通信模块72和地磁传感器73位于待定位终端内。
无线通信模块72被配置为采集待定位终端在当前时刻的多个第一附近基站的基站信号数据和基站标识。基站标识用于获取多个第一附近基站的位置拓扑数据。
地磁传感器73被配置为采集待定位终端在当前时刻的地磁信号数据。
图8是示出用于实现本公开一些实施例的计算机系统的框图。
如图8所示,计算机系统80可以通用计算设备的形式表现。计算机系统80包括存储器810、处理器820和连接不同系统组件的总线800。
存储器810例如可以包括系统存储器、非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。系统存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行终端定位方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器820可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地,诸如判断模块和确定模块的每个模块,可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现,也可以通过执行相应步骤的专用电路来实现。
总线800可以使用多种总线结构中的任意总线结构。例如,总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、外围组件互连(PCI)总线。
计算机系统80还可以包括输入输出接口830、网络接口840、存储接口850等。这些接口830、840、850以及存储器810和处理器820之间可以通过总线800连接。输入输出接口830可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口840为各种联网设备提供连接接口。存储接口850为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里,参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个框以及各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器,以产生一个机器,使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中,这些指令使得计算机以特定方式工作,从而产生一个制造品,包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
通过上述实施例中的终端定位方法、装置及系统、计算机可存储介质,提高了机器学习模型的泛化能力,提高了定位精度。
至此,已经详细描述了根据本公开的终端定位方法、装置及系统、计算机可存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
Claims (11)
1.一种终端定位方法,包括:
获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据;
根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置。
2.根据权利要求1所述的终端定位方法,其中,获取所述多个第一附近基站的位置拓扑数据包括:
获取所述多个第一附近基站的基站标识;
根据所述多个基站标识,确定所述多个第一附近基站的位置坐标;
根据所述多个第一附近基站的位置坐标,确定所述多个第一附近基站之间的相对距离,作为所述多个第一附近基站的位置拓扑数据。
3.根据权利要求1所述的终端定位方法,其中,根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置包括:
获取所述待定位终端所在定位区域的网格信息,所述网格信息包括划分所述定位区域得到的多个网格的唯一的网格标识和经纬度范围;
根据所述地磁信号数据、所述多个第一附近基站的基站信号数据、所述多个第一附近基站的位置拓扑数据和所述网格信息,利用机器学习模型,确定所述待定位终端的当前位置。
4.根据权利要求1所述的终端定位方法,还包括:
获取训练终端在多个历史时刻的位置坐标、地磁信号数据、多个第二附近基站的基站信号数据和所述多个第二附近基站的位置拓扑数据;
根据定位精度需求,将定位区域划分为多个具有唯一的网格标识和经纬度范围的网格,得到所述定位区域的网格信息;
对于每个历史时刻,根据所述训练终端的位置坐标和所述网格信息,确定所述训练终端所在网格的网格标识;
以所述训练终端在多个历史时刻的地磁信号数据、多个第二附近基站的基站信号数据和所述多个第二附近基站的位置拓扑数据为输入,以所述训练终端在多个历史时刻所在网格的网格标识为标签,训练所述机器学习模型。
5.根据权利要求1至4任一项所述的终端定位方法,其中,所述地磁信号数据包括多个地磁分量,根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置包括:
融合所述多个地磁分量的平均值、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,得到定位参考信息;
根据所述定位参考信息,利用机器学习模型,确定所述待定位终端的当前位置。
6.根据权利要求1至4任一项所述的终端定位方法,其中,所述基站信号数据包括参考信号接收功率和参考信号接收质量中的至少一种。
7.一种终端定位装置,包括:
获取模块,被配置为获取待定位终端在当前时刻的地磁信号数据、多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据;
确定模块,被配置为根据所述地磁信号数据、所述多个第一附近基站的基站信号数据和所述多个第一附近基站的位置拓扑数据,利用机器学习模型,确定所述待定位终端的当前位置。
8.一种终端定位装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行如权利要求1至6任一项所述的终端定位方法。
9.一种终端定位系统,包括:
如权利要求7至8任一项所述的终端定位装置。
10.根据权利要求9所述的终端定位系统,还包括:
无线通信模块,被配置为采集待定位终端在当前时刻的多个第一附近基站的基站信号数据和基站标识;
地磁传感器,被配置为采集待定位终端在当前时刻的地磁信号数据。
11.一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现如权利要求1至6任一项所述的终端定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602650.9A CN113873423B (zh) | 2020-06-29 | 2020-06-29 | 终端定位方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602650.9A CN113873423B (zh) | 2020-06-29 | 2020-06-29 | 终端定位方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113873423A true CN113873423A (zh) | 2021-12-31 |
CN113873423B CN113873423B (zh) | 2024-01-26 |
Family
ID=78980915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602650.9A Active CN113873423B (zh) | 2020-06-29 | 2020-06-29 | 终端定位方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113873423B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN115802282B (zh) * | 2022-12-16 | 2024-06-07 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160021503A1 (en) * | 2014-07-16 | 2016-01-21 | TUPL, Inc. | Machine learning-based geolocation and hotspot area identification |
CN106507478A (zh) * | 2016-11-28 | 2017-03-15 | 成都理想境界科技有限公司 | 一种定位方法、定位网络和定位系统 |
CN109151890A (zh) * | 2017-06-19 | 2019-01-04 | 中国移动通信集团浙江有限公司 | 一种移动终端定位方法及装置 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
CN111182452A (zh) * | 2020-01-19 | 2020-05-19 | 上海数川数据科技有限公司 | 一种基于分类自学习的wifi定位方法及系统 |
-
2020
- 2020-06-29 CN CN202010602650.9A patent/CN113873423B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160021503A1 (en) * | 2014-07-16 | 2016-01-21 | TUPL, Inc. | Machine learning-based geolocation and hotspot area identification |
CN106507478A (zh) * | 2016-11-28 | 2017-03-15 | 成都理想境界科技有限公司 | 一种定位方法、定位网络和定位系统 |
CN109151890A (zh) * | 2017-06-19 | 2019-01-04 | 中国移动通信集团浙江有限公司 | 一种移动终端定位方法及装置 |
CN111182452A (zh) * | 2020-01-19 | 2020-05-19 | 上海数川数据科技有限公司 | 一种基于分类自学习的wifi定位方法及系统 |
CN111123340A (zh) * | 2020-02-10 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 物流配送导航方法及系统、近场定位导航装置、存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115802282A (zh) * | 2022-12-16 | 2023-03-14 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
CN115802282B (zh) * | 2022-12-16 | 2024-06-07 | 兰笺(苏州)科技有限公司 | 无线信号场的协同定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113873423B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Terán et al. | IoT-based system for indoor location using bluetooth low energy | |
CN106658399B (zh) | 一种基于手机用户位置指纹进行手机位置定位的方法 | |
CN106802426B (zh) | 一种协作rtk定位方法及系统 | |
CN108040318B (zh) | 一种定位方法、电子设备及计算机可读存储介质 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN105512627A (zh) | 一种关键点的定位方法及终端 | |
CN112218330B (zh) | 定位方法及通信装置 | |
CN112035591B (zh) | 一种路网匹配方法、装置、设备和存储介质 | |
CN103220777A (zh) | 一种移动设备定位系统 | |
CN105044662A (zh) | 一种基于wifi信号强度的指纹聚类多点联合室内定位方法 | |
CN102098780A (zh) | 一种定位方法和装置 | |
CN109947881B (zh) | 一种poi判重方法、装置、移动终端及计算机可读存储介质 | |
US20140149070A1 (en) | Method and system for analyzing movement trajectories | |
CN103761539A (zh) | 一种基于环境特征物体的室内定位方法 | |
CN110726970B (zh) | 目标定位方法及终端设备 | |
CN112887897A (zh) | 终端的定位方法、装置和计算机可读存储介质 | |
CN105392196A (zh) | 一种定位方法及装置 | |
CN103913720B (zh) | 一种面向非特定Wi-Fi设备的室内定位方法 | |
CN105592420A (zh) | 环境特征库生成及基于环境特征库的室内定位方法和装置 | |
CN103177189B (zh) | 一种众源位置签到数据质量分析方法 | |
CN112393735A (zh) | 定位方法及装置、存储介质、电子装置 | |
CN113970328B (zh) | 室内定位方法、装置及系统 | |
CN111782980B (zh) | 地图兴趣点的挖掘方法、装置、设备及存储介质 | |
CN113873423B (zh) | 终端定位方法、装置及系统 | |
CN105992239A (zh) | 一种实时定位伪基站的方法、装置和设备 |
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 |