CN114095892B - 一种解决大规模信号异质性的室内人员状态检测的方法 - Google Patents
一种解决大规模信号异质性的室内人员状态检测的方法 Download PDFInfo
- Publication number
- CN114095892B CN114095892B CN202111363918.9A CN202111363918A CN114095892B CN 114095892 B CN114095892 B CN 114095892B CN 202111363918 A CN202111363918 A CN 202111363918A CN 114095892 B CN114095892 B CN 114095892B
- Authority
- CN
- China
- Prior art keywords
- similarity
- merchant
- smart phone
- store
- influence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 82
- 230000003993 interaction Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 19
- 230000007246 mechanism Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000002452 interceptive effect Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明涉及一种解决大规模信号异质性的室内人员状态检测的方法,所述方法包括以下步骤:步骤1:数据预处理,为构建图准备数据;步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性;步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数;该方案实现了基于图神经网络的大规模室内状态检测技术,该技术分析了大规模场景下环境和智能手机设备对蓝牙信号造成的异质性影响模式,并根据影响模式间的相似性来推断未知场景下的室内状态检测模型参数,无需收集额外的数据及模型再训练,最终室内状态检测的准确率和召回率分别达到93.62%和95.20%。
Description
技术领域
本发明涉及一种解决大规模信号异质性的室内人员状态检测的方法,属于通信技术领域。
背景技术
近些年来,传感器在通信和智能设备上被广泛应用,如我们日常生活中常见的智能手表和手机等,可以收集到海量蕴含人类行为信息的传感器数据,通过挖掘和分析传感器数据,可以识别出室内人员状态(本文主要研究到达/离开状态检测)。室内人员感知的需求日益增加,同时也是很多应用的核心技术,如可以获取房屋占用率,有助于提高建筑的智能化,自动调整空调的采暖与通风功能以及控制照明,从而减少能源的消耗;为大型的商场提供实时客流量,有助于商家经营;对于即时配送平台,可以提供骑手到达离开时间,有助于后续骑手调度,减少订单逾期率;可见室内人员状态检测在很多领域都有广泛的应用前景。不可否认,目前已有许多与人员状态检测相关的工作,例如基于Wi-Fi的活动识别技术、基于BLE(蓝牙低功耗设备)的检测方案、基于射频识别技术和基于LED技术等解决方案。在所有技术中,蓝牙低功耗设备凭借其低成本、能源高效且无需硬件更新的优点,成为一个在大规模场景下很有前途的解决方案,现实世界中也部署了越来越多的BLE系统。例如,已有工作在上海12109名商家中部署了一个名为aBeacon的工业BLE系统以推断骑手到达和离开状态。虽然BLE设备可以在实验室等受控环境中表现突出,但是在室外环境下存在许多影响BLE系统性能的因素。首先,智能手机硬件和软件上的微小变化可能导致所收集的传感数据上的重大差异,也就是说,即使对相同状态,不同的智能手机的反应也有所不同。其次,蓝牙信号的传播路径受蓝牙低功耗设备部署的位置和周边环境的影响。这些因素以不同的方式同时影响蓝牙信号,从而导致相同状态下,智能手机收集到的传感数据是不同的。因此,由于环境和智能手机设备异质性对蓝牙信号的影响,直接在其他场景中使用由某个场景数据训练得到的室内评估模型是非常具有挑战性的。
发明内容
本发明正是针对现有技术中存在的问题,提供一种解决大规模信号异质性的室内人员状态检测的方法,该技术方案提出了一个基于图神经网络的室内状态检测技术,首先设计了相似性提取模块,目的是学习环境和智能手机对蓝牙信号的异质性影响模式间存在的相似性。然后,基于异质性影响模式之间的相似性,设计了模型参数预测模块,来预测未知场景下的室内状态检测模型参数。最终可以得到未知场景下有效的状态检测模型,同时减轻异质性的影响。本发明设计并实现了基于图神经网络的室内状态检测技术,该技术通过学习环境和智能手机设备对蓝牙信号产生的异质性影响模式间的相似性来推断未知场景下的室内状态检测模型,最终室内状态检测的准确率和召回率分别达到93.62%和95.20%。
为了实现上述目的,本发明的技术方案如下,一种解决大规模信号异质性的室内人员状态检测的方法,其特征在于,所述方法包括以下步骤:
步骤1:数据预处理,为构建图准备数据;
步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性;
步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数。
作为本发明的一种改进,步骤1:通数据预处理,为构建图准备数据,具体如下:
由于数据收集过程中的会发生数据包丢失的情况,所以首先对RSSI时间序列进行插值,并利用Kalman过滤器去除异常值。为了将数据处理成商家-手机交互图G所需的格式,使用DTW(动态时间扭曲算法)来对齐同一智能手机检测到的所有RSSI时间序列,然后计算平均向量作为交互边E的属性信息,其中rl表示智能手机vj在商家ui检测到的第l个历史蓝牙信号时间序列,L是时间序列总数量。
为了获取已知场景下商家-手机参数图所需的室内状态检测模型参数,将预处理的时间序列划分为一组长度为m,重叠50%的滑动窗口,将其输入室内状态检测模型。经过训练获得智能手机vj和商家ui的状态检测模型参数并将其作为商家-手机参数图Et的边属性信息。此外,商家属性数据集包括商家位置的纬度、经度和商家主要类别的信息。智能手机属性数据集包括智能手机型号和操作系统类型。
作为本发明的一种改进,步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性,具体如下:
首先构建了一个商家-手机交互图,以商家和智能手机为节点,历史蓝牙信号数据为边信息。为了获得环境和智能手机对蓝牙信号异质性影响模式间的相似性,首先需要分别学习包含商家和智能手机节点对于蓝牙信号的影响模式的嵌入向量hi和zj。
设计了商家异质性模型来学习商家节点的嵌入向量。由于历史蓝牙信号包含了环境异构性的影响模式信息,图结构也包含了商店和智能手机之间丰富的交互信息。因此需联合交互作用和历史感知数据来进一步学习商家的嵌入向量hi。
为了考虑相邻智能手机节点在信息聚合过程中对商家节点的不同贡献,引入了基于边和节点属性的注意力机制。近智能手机结点vx对商家结点ui的贡献定义为:
其中,W和b是神经网络的权重和偏置项,σ表示激活函数,si是商家ui的属性,P(i)代表一组与商家ui交互的邻近智能手机结点,gix是智能手机vx的模式感知交互向量,可以共同捕获交互信息和商家的影响模式信息。现引入模式边嵌入向量mix来建模gix,首先输入边信息eix到一维卷积神经网络φm,即mix=φm(eix)。然后,将它与智能手机vx的属性结合并输入到MLPφv中,即gix=φv([mix||px])。为了便于比较商家ui的各个周边商家的贡献系数,使用softmax函数完成标准化,即
这样,商家ui的嵌入向量hi即可通过聚合不同贡献程度的邻居智能手机模式感知交互嵌入向量得到:
设计了手机异质性模型来学习手机节点的嵌入向量。商店-手机交互图包含了丰富的交互式感知数据,其中包含了从不同商店角度反映的智能手机对蓝牙信号的影响模式。因此,应该同时考虑交互信息和感知数据来学习智能手机的嵌入向量。和商家异质性模型原理相似,引入注意力机制聚集与智能手机vj交互的商店的模式感知交互向量,学习智能手机嵌入向量zj。为了从数学上表示聚合过程,使用以下公式:
其中S(j)是一组与智能手机vj交互的邻居商店节点,ajo是一个商店的模式感知交互向量,它是通过将模式边嵌入向量mjo和邻居商家uo的属性so输入到MLPφu中,即ajo=φu([mjo||so])。之后考虑商店的模式感知交互向量和智能手机vj的属性pj来学习邻居商店uo的贡献系数βjo,如下所示:
获得商家和手机的嵌入向量后将它们输入到MLP中以重构边特征,即 其中/>k是隐藏层的索引,将最后一层的输出作为重构的边特征,有/>然后,构造损失函数/>其中|Q|是已观察到的交互边数量,eij作为商家-手机的交互图中的标准边。优化损失函数Lr以学习商家-手机的交互图中商家和智能手机的嵌入向量。
现在,分别通过计算商店潜在因素之间和智能手机潜在因素之间的欧氏距离来衡量相似性,即则商家相似性图Gs即可根据/>的值构建。如果/>则判定在商家ui和商家uj间存在相似边缘,手机相似性图Gp的构建方式同理。
作为本发明的一种改进,步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数,具体如下,
模型参数预测模块的输入为由不完整的商家-手机参数图T,商家相似图Gs,手机相似图Gp这三个子图组成的商家-手机异构图,输出为完整的商家-手机参数图,根据预测得到状态检测模型参数,得到未知场景下有效的室内状态检测模型。
首先结合商家-手机参数图和商家相似性图来学习商家嵌入向量因为商店相似性图Gs包含了不同商店影响模式之间的相似性信息,可以帮助我们从更全面的角度了解商家的影响模式。具体来说,我们首先通过智能手机聚合从商家-手机参数图T中学习手机空间的商店嵌入向量/>然后从商店相似图Gs中学习相似空间商店嵌入/>最后,我们结合这两个嵌入,得到最终的商店嵌入向量/>
为了获取手机空间的商家嵌入向量需要聚集与商家ui交互的智能手机P(i)集合中的状态估计模型参数和交互信息,即/>其中,qia是商家ui和手机va间参数感知嵌入向量,用来建模商家ui和手机va间的交互信息和模型参数信息。为了获得qia,先引入参数向量nia来建模到商家ui和手机va间的模型参数信息,即/>然后,将智能手机va的属性pa与nia联合输入到MLP/>中,获得/>设计智能手机注意力机制γia来表示与智能手机va的交互在获取手机空间的商店嵌入向量/>方面的重要性。只需将参数感知向量qia和商家属性si输入到单层的神经网络中,即可得到
由于商家集合C(i)的影响模式与商家ui相似,可以帮助我们对商家ui的参数信息进行建模,所以我们捕获相似性信息来学习商家的嵌入向量。聚合商家ui的相似的邻居商家集合C(i)的手机空间的商家嵌入向量来学习相似空间的商家嵌入向量/>即
然后,引入商家相似性邻居注意力机制μic,联系连接向量及商家属性si来对相似的邻居商家节点的贡献度建模,即/>
将商家-手机参数图和商家相似度图结合考虑,得到最终的商店嵌入向量因为这两个图都从不同的方面提供了商店ui的模型参数信息。我们将/>和/>输入到MLP中,以获得最终的商店嵌入向量/> 其中/>
获取手机嵌入向量的过程与获取商店嵌入向量的过程类似,首先基于商家注意力机制ρ从商家-手机参数图T中聚合商家S(j)的交互信息和模型参数信息来学习商家空间的智能手机嵌入向量/>然后,基于智能手机相似邻居注意力机制τ从手机相似图Gp中聚合vj的相似邻居智能手机N(j)的商家空间嵌入向量,得到相似空间的智能手机嵌入向量/>最后将/>和/>联合输入MLP,获得最终的智能手机嵌入向量/>
最后利用商家嵌入向量和智能手机嵌入向量/>来预测未知场景下的有效模型参数。将两个向量连接后输入MLP,以预测缺失的模型参数/> 其中/>
为权衡商家-手机参数图T中缺失的参数边缘预测任务和状态检测任务,构建以下两个常见的损失函数。对于参数边缘预测任务构建函数如下:
其中,|O|是训练集中商家和智能手机之间未知参数边缘数量,和/>分别是这些商家和智能手机之间预测的室内状态检测模型参数和标准室内状态检测模型参数。
对于状态检测任务,先把智能手机vj位于商家ui时检测到的RSSI时间序列rij输入到由参数组成的状态检测模型CNN-LSTM中,得到为该时间序列预测的状态概率,表示为 此时损失函数可表示为
其中yi是标准状态,N为序列的数量,M为状态数量,
最终目标是提高状态检测的性能,因此总体损失函数L=Lp+ηLs,其中η是一个权衡参数。训练过程采用了Adam优化器。为了防止过拟合,对模型应用dropout策略。
为了获得用于商家-手机的参数图构建的每个源域的状态估计模型参数,并降低训练成本,首先利用源域的所有标记数据来训练一个统一的状态估计模型。然后利用每个源域的数据微调统一模型的CNN层,以获取每个源域的状态估计模型参数。
最后,为了预测缺失的参数边缘,优化了损失函数L,以联合训练参数边缘预测任务和状态估计任务。训练过程采用了Adam优化器。为了防止过拟合,对模型应用dropout策略。
总而言之,本发明在基于图神经网络实现方式下,分析了蓝牙信号中产生异构的影响模式间的相似性来推断未知情景下的影响模式,省略了额外的数据收集及模型再训练工作,成功的预测了新的目标区域里室内状态估计模型的参数。
相对于现有技术,本发明具有如下优点,该技术方案设计并实现了基于图神经网络的室内状态估计技术,该技术分析了蓝牙信号中产生异构的影响模式间的相似性来推断未知情景下的影响模式,省略了额外的数据收集及模型再训练工作,预测新的目标区域里室内状态估计模型的参数,状态估计的精确率和召回率达到93.62%和95.20%。
附图说明
图1为相似性提取模块结构示意图;
图2为参数预测模块结构示意图。
具体实施方式
实施例:一种解决大规模信号异质性的室内人员状态检测的方法,所述方法包括以下步骤:
步骤1:数据预处理,为构建图准备数据;
步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性;
步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数。
其中,步骤1:通数据预处理,为构建图准备数据,具体如下:
由于数据收集过程中的会发生数据包丢失的情况,所以首先对RSSI时间序列进行插值,并利用Kalman过滤器去除异常值。为了将数据处理成商家-手机交互图G所需的格式,使用DTW(动态时间扭曲算法)来对齐同一智能手机检测到的所有RSSI时间序列,然后计算平均向量作为交互边E的属性信息,其中rl表示智能手机vj在商家ui检测到的第l个历史蓝牙信号时间序列,L是时间序列总数量。
为了获取已知场景下商家-手机参数图所需的室内状态检测模型参数,将预处理的时间序列划分为一组长度为m,重叠50%的滑动窗口,将其输入室内状态检测模型。经过训练获得智能手机vj和商家ui的状态检测模型参数并将其作为商家-手机参数图Et的边属性信息。此外,商家属性数据集包括商家位置的纬度、经度和商家主要类别的信息。智能手机属性数据集包括智能手机型号和操作系统类型。
其中,步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性,具体如下:
首先构建了一个商家-手机交互图,以商家和智能手机为节点,历史蓝牙信号数据为边信息。为了获得环境和智能手机对蓝牙信号异质性影响模式间的相似性,首先需要分别学习包含商家和智能手机节点对于蓝牙信号的影响模式的嵌入向量hi和zj。
设计了商家异质性模型来学习商家节点的嵌入向量。由于历史蓝牙信号包含了环境异构性的影响模式信息,图结构也包含了商店和智能手机之间丰富的交互信息。因此需联合交互作用和历史感知数据来进一步学习商家的嵌入向量hi。
为了考虑相邻智能手机节点在信息聚合过程中对商家节点的不同贡献,引入了基于边和节点属性的注意力机制。近智能手机结点vx对商家结点ui的贡献定义为:
其中,W和b是神经网络的权重和偏置项,σ表示激活函数,si是商家ui的属性,P(i)代表一组与商家ui交互的邻近智能手机结点,gix是智能手机vx的模式感知交互向量,可以共同捕获交互信息和商家的影响模式信息。现引入模式边嵌入向量mix来建模gix,首先输入边信息eix到一维卷积神经网络φm,即mix=φm(eix)。然后,将它与智能手机vx的属性结合并输入到MLPφv中,即gix=φv([mix||px])。为了便于比较商家ui的各个周边商家的贡献系数,使用softmax函数完成标准化,即
这样,商家ui的嵌入向量hi即可通过聚合不同贡献程度的邻居智能手机模式感知交互嵌入向量得到:
设计了手机异质性模型来学习手机节点的嵌入向量。商店-手机交互图包含了丰富的交互式感知数据,其中包含了从不同商店角度反映的智能手机对蓝牙信号的影响模式。因此,应该同时考虑交互信息和感知数据来学习智能手机的嵌入向量。和商家异质性模型原理相似,引入注意力机制聚集与智能手机vj交互的商店的模式感知交互向量,学习智能手机嵌入向量zj。为了从数学上表示聚合过程,使用以下公式:
其中S(j)是一组与智能手机vj交互的邻居商店节点,ajo是一个商店的模式感知交互向量,它是通过将模式边嵌入向量mjo和邻居商家uo的属性so输入到MLPφu中,即ajo=φu([mjo||so])。之后考虑商店的模式感知交互向量和智能手机vj的属性pj来学习邻居商店uo的贡献系数βjo,如下所示:
。
获得商家和手机的嵌入向量后将它们输入到MLP中以重构边特征,即 其中/>k是隐藏层的索引,将最后一层的输出作为重构的边特征,有/>然后,构造损失函数/>其中|Q|是已观察到的交互边数量,eij作为商家-手机的交互图中的标准边。优化损失函数Lr以学习商家-手机的交互图中商家和智能手机的潜在因子。
现在,分别通过计算商店潜在因素之间和智能手机潜在因素之间的欧氏距离来衡量相似性,即则商家相似性图Gs即可根据/>的值构建。如果/>则判定在商家ui和商家uj间存在相似边缘,手机相似性图Gp的构建方式同理。
其中,步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数,具体如下,
模型参数预测模块的输入为由不完整的商家-手机参数图T,商家相似图Gs,手机相似图Gp这三个子图组成的商家-手机异构图,输出为完整的商家-手机参数图,根据预测得到状态检测模型参数,得到未知场景下有效的室内状态检测模型。
首先结合商家-手机参数图和商家相似性图来学习商家嵌入向量因为商店相似性图Gs包含了不同商店影响模式之间的相似性信息,可以帮助我们从更全面的角度了解商家的影响模式。具体来说,我们首先通过智能手机聚合从商家-手机参数图T中学习手机空间的商店嵌入向量/>然后从商店相似图Gs中学习相似空间商店嵌入/>最后,我们结合这两个嵌入,得到最终的商店嵌入向量/>
为了获取手机空间的商家嵌入向量需要聚集与商家ui交互的智能手机P(i)集合中的状态估计模型参数和交互信息,即/>其中,qia是商家ui和手机va间参数感知嵌入向量,用来建模商家ui和手机va间的交互信息和模型参数信息。为了获得qia,先引入参数向量nia来建模到商家ui和手机va间的模型参数信息,即/>然后,将智能手机va的属性pa与nia联合输入到MLP/>中,获得/>设计智能手机注意力机制γia来表示与智能手机va的交互在获取手机空间的商店嵌入向量/>方面的重要性。只需将参数感知向量qia和商家属性si输入到单层的神经网络中,即可得到
由于商家集合C(i)的影响模式与商家ui相似,可以帮助我们对商家ui的参数信息进行建模,所以我们捕获相似性信息来学习商家的嵌入向量。聚合商家ui的相似的邻居商家集合C(i)的手机空间的商家嵌入向量来学习相似空间的商家嵌入向量/>即
然后,引入商家相似性邻居注意力机制μic,联系连接向量及商家属性si来对相似的邻居商家节点的贡献度建模,即/>
将商家-手机参数图和商家相似度图结合考虑,得到最终的商店嵌入向量因为这两个图都从不同的方面提供了商店ui的模型参数信息。我们将/>和/>输入到MLP中,以获得最终的商店嵌入向量/> 其中/>
获取手机嵌入向量的过程与获取商店嵌入向量的过程类似,首先基于商家注意力机制ρ从商家-手机参数图T中聚合商家S(j)的交互信息和模型参数信息来学习商家空间的智能手机嵌入向量/>然后,基于智能手机相似邻居注意力机制τ从手机相似图Gp中聚合vj的相似邻居智能手机N(j)的商家空间嵌入向量,得到相似空间的智能手机嵌入向量/>最后将/>和/>联合输入MLP,获得最终的智能手机嵌入向量/>
最后利用商家嵌入向量和智能手机嵌入向量/>来预测未知场景下的有效模型参数。将两个向量连接后输入MLP,以预测缺失的模型参数/> 其中/>
为权衡商家-手机参数图T中缺失的参数边缘预测任务和状态检测任务,构建以下两个常见的损失函数。对于参数边缘预测任务构建函数如下:
其中,|O|是训练集中商家和智能手机之间未知参数边缘数量,和/>分别是这些商家和智能手机之间预测的室内状态检测模型参数和标准室内状态检测模型参数。
对于状态检测任务,先把智能手机vj位于商家ui时检测到的RSSI时间序列rij输入到由参数组成的状态检测模型CNN-LSTM中,得到为该时间序列预测的状态概率,表示为 此时损失函数可表示为
其中yi是标准状态,N为序列的数量,M为状态数量,
最终目标是提高状态检测的性能,因此总体损失函数L=Lp+ηLs,其中η是一个权衡参数。训练过程采用了Adam优化器。为了防止过拟合,对模型应用dropout策略。
为了获得用于商家-手机的参数图构建的每个源域的状态估计模型参数,并降低训练成本,首先利用源域的所有标记数据来训练一个统一的状态估计模型。然后利用每个源域的数据微调统一模型的CNN层,以获取每个源域的状态估计模型参数。
最后,为了预测缺失的参数边缘,优化了损失函数L,以联合训练参数边缘预测任务和状态估计任务。训练过程采用了Adam优化器。为了防止过拟合,对模型应用dropout策略。
总而言之,本发明在基于图神经网络实现方式下,分析了蓝牙信号中产生异构的影响模式间的相似性来推断未知情景下的影响模式,省略了额外的数据收集及模型再训练工作,成功的预测了新的目标区域里室内状态估计模型的参数。
具体实施例1:
用于快递类型的即时配送业务。
在新区域内,可利用源域的历史蓝牙数据信息建立相似性预测模型技术预测室内人员状态。
例如,应用于外卖业务、跑腿业务等。
具体实施例2:
用于商场人员室内状态检测。
本方案技术可用于检测商场内实时人员流动状况。
例如,应用于营业统计、流动估计等。
具体实施例3:
用于物流方面的配送业务。
本方案可用于检测货车司机的工作状态,利用历史数据预测司机的接单进度。
例如,应用于货物运输、搬家等。
具体实施例4:
用于快车行业的司机状态检测。
本方案可利用源域的历史蓝牙数据信息建立相似性预测模型技术预测快车司机的状态。
例如,应用于打车服务等。
需要说明的是上述实施例,并非用来限定本发明的保护范围,在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。
Claims (2)
1.一种解决大规模信号异质性的室内人员状态检测的方法,所述方法包括以下步骤:
步骤1:数据预处理,为构建图准备数据;
步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性;
步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数;
其中,步骤2:通过相似性提取模块学习环境对蓝牙信号的影响模式和智能手机设备对蓝牙信号的影响模式之间的相似性,具体如下:首先以商店和智能手机为节点,利用历史蓝牙信号数据作为边信息,构建商店-手机交互图,利用环境异质性模型和智能手机异质性模型学习商店和智能手机节点的嵌入向量,其中包含节点对于蓝牙信号的影响模式,根据不同商店对于蓝牙信号影响模式和不同智能手机对于蓝牙信号影响模式间的相似性来分别构建商店相似性图和智能手机相似性图;
其中,步骤3:基于影响模式之间的相似性,通过模型参数预测模块预测未知场景下的状态检测模型参数,具体如下,首先以商店和智能手机为节点,利用基于历史蓝牙信号数据训练得到的状态检测模型参数作为边信息,构建商店-手机参数图,结合商店相似性图和智能手机相似性图,学习商店和智能手机节点的嵌入向量,将商店和智能手机节点的嵌入向量连接后输入到多层感知器中,预测出未知场景下的状态检测模型参数。
2.根据权利要求1所述的解决大规模信号异质性的室内人员状态检测的方法,其特征在于,步骤1:数据预处理,为构建图准备数据,具体如下:将原始的蓝牙信号处理成一个合适的形式,作为商店-手机交互图的边信息,然后为带有标记数据的已有场景训练室内状态检测模型,并将模型参数作为商店-手机参数图的边信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363918.9A CN114095892B (zh) | 2021-11-17 | 2021-11-17 | 一种解决大规模信号异质性的室内人员状态检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363918.9A CN114095892B (zh) | 2021-11-17 | 2021-11-17 | 一种解决大规模信号异质性的室内人员状态检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114095892A CN114095892A (zh) | 2022-02-25 |
CN114095892B true CN114095892B (zh) | 2024-03-05 |
Family
ID=80301649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363918.9A Active CN114095892B (zh) | 2021-11-17 | 2021-11-17 | 一种解决大规模信号异质性的室内人员状态检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114095892B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363478A (zh) * | 2018-01-09 | 2018-08-03 | 北京大学 | 针对可穿戴设备深度学习应用模型分载系统及方法 |
CN109831345A (zh) * | 2019-03-26 | 2019-05-31 | 杭州勒格网络科技有限公司 | 一种基于信息网络关系预测的安全监控防御方法及系统 |
CN111737107A (zh) * | 2020-05-15 | 2020-10-02 | 南京航空航天大学 | 一种基于异质信息网络的重复缺陷报告检测方法 |
CN112035745A (zh) * | 2020-09-01 | 2020-12-04 | 重庆大学 | 一种基于对抗学习与双向长短期记忆网络的推荐算法 |
CN112487217A (zh) * | 2019-09-12 | 2021-03-12 | 腾讯科技(深圳)有限公司 | 跨模态检索方法、装置、设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210142348A1 (en) * | 2019-10-10 | 2021-05-13 | Somnath Banerjee | Multi-layered system for heterogeneous pricing decisions by continuously learning market and hotel dynamics |
-
2021
- 2021-11-17 CN CN202111363918.9A patent/CN114095892B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363478A (zh) * | 2018-01-09 | 2018-08-03 | 北京大学 | 针对可穿戴设备深度学习应用模型分载系统及方法 |
CN109831345A (zh) * | 2019-03-26 | 2019-05-31 | 杭州勒格网络科技有限公司 | 一种基于信息网络关系预测的安全监控防御方法及系统 |
CN112487217A (zh) * | 2019-09-12 | 2021-03-12 | 腾讯科技(深圳)有限公司 | 跨模态检索方法、装置、设备及计算机可读存储介质 |
CN111737107A (zh) * | 2020-05-15 | 2020-10-02 | 南京航空航天大学 | 一种基于异质信息网络的重复缺陷报告检测方法 |
CN112035745A (zh) * | 2020-09-01 | 2020-12-04 | 重庆大学 | 一种基于对抗学习与双向长短期记忆网络的推荐算法 |
Non-Patent Citations (1)
Title |
---|
基于知识图谱上下文的图注意矩阵补全;孙伟,陈平华;《计算机工程与应用》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114095892A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | Deepsense: Device-free human activity recognition via autoencoder long-term recurrent convolutional network | |
US10417570B2 (en) | Systems and methods for probabilistic semantic sensing in a sensory network | |
Zhao et al. | Digital twin-enabled dynamic spatial-temporal knowledge graph for production logistics resource allocation | |
CN104335564A (zh) | 用于标识和分析用户的个人情景的系统和方法 | |
US20220156587A1 (en) | Multi-head deep metric machine-learning architecture | |
US20200372412A1 (en) | System and methods to share machine learning functionality between cloud and an iot network | |
CN105320834B (zh) | 基于电器使用状态的人数计算方法及其监控系统 | |
US11967139B2 (en) | Adversarial masks for false detection removal | |
Sulaiman et al. | Wireless based smart parking system using zigbee | |
Huang et al. | Distributed-neuron-network based machine learning on smart-gateway network towards real-time indoor data analytics | |
TWI681306B (zh) | 基於用戶行為的群組通知方法、系統以及儲存媒體 | |
CN117788219A (zh) | 一种节能建筑用在线监测与智能运维平台 | |
CN109899932B (zh) | 空调的控制方法和装置 | |
CN114095892B (zh) | 一种解决大规模信号异质性的室内人员状态检测的方法 | |
US20230111865A1 (en) | Spatial motion attention for intelligent video analytics | |
US11978247B2 (en) | Adversarial masks for scene-customized false detection removal | |
Liu et al. | An Efficient Supervised Energy Disaggregation Scheme for Power Service in Smart Grid. | |
US20220101066A1 (en) | Reducing false detections for night vision cameras | |
Lin | Low power consumption and reliability of wireless communication network in intelligent parking system | |
US11978220B2 (en) | Object tracking with feature descriptors | |
Choujaa et al. | Activity recognition from mobile phone data: State of the art, prospects and open problems | |
Postigo-Málaga et al. | Low cost outdoors WSN parking system for metropolitan areas based on RSS | |
El Astal et al. | Office appliances identification and monitoring using deep leaning based energy disaggregation for smart buildings | |
CN105026900A (zh) | 用于个人背景环境的分光计 | |
US20240242496A1 (en) | Adversarial masks for scene-customized false detection removal |
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 |