CN114501618B - 定位模型训练方法、定位方法和计算机可读存储介质 - Google Patents
定位模型训练方法、定位方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114501618B CN114501618B CN202210352816.5A CN202210352816A CN114501618B CN 114501618 B CN114501618 B CN 114501618B CN 202210352816 A CN202210352816 A CN 202210352816A CN 114501618 B CN114501618 B CN 114501618B
- Authority
- CN
- China
- Prior art keywords
- wireless access
- access equipment
- data
- grid
- feature map
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请涉及人工智能领域,提供了定位模型训练方法、定位方法和计算机可读存储介质,以在多种场景下实现精确定位。所述方法包括:以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据;根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图;利用第一特征图进行第一卷积神经网络训练,得到训练后的第一目标定位模型后,可利用该模型预测得到对应相关数据的召回中心;从第一特征图截取以该召回中心为中心的第二特征图,以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。本申请的技术方案可以实现多种场景下的精确定位。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种定位模型训练方法、定位方法和计算机可读存储介质。
背景技术
随着基于位置的服务技术的不断发展,市场业务对用户定位的精确度要求也越来越高。然而,在某些场景(例如,建筑物内或建筑物之间、地下停车场以及特殊天气等)下,GPS/GNSS的定位信号大概率会被干扰,从而导致定位不准甚至可能无法定位。为了解决上述问题,现有技术提出利用智能手机等智能终端采集到的无线接入点(Access Point,AP)信号信息并结合机器学习模型的方法,以估计出目标的实际位置。然而,这些方法要么所用特征单一,导致只能适用于小范围的室内定位,要么与网络选取大小具有强依赖性,也无法体现多特征的空间相关性,导致在少量AP数据存在的场景下很容易导致定位不准。
发明内容
本申请提供一种定位模型训练方法、定位方法和计算机可读存储介质,可以在多种场景下实现精确定位。
一方面,本申请提供了一种定位模型训练方法,包括:
以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,所述无线接入设备的相关数据包括所述无线接入设备的标识和信号强度;
根据所述召回的无线接入设备指纹数据,获取所述无线接入设备的相关数据对应的第一特征图;
将所述第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对所述第一卷积神经网络进行训练,得到训练后的第一目标定位模型,所述矩形框T_s是以T为中心、t*W宽度、t*H 高度的矩形,所述T是所述定位请求的实际位置经纬度转换为网格后该网格的坐标,所述W为所述相关数据对应的召回网格分布的宽度,所述H为所述相关数据对应的召回网格分布的高度,所述 t为预设值;
从所述第一特征图截取以所述相关数据的召回中心为中心的第二特征图;
以所述第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。
另一方面,本申请提供了一种定位方法,包括:
以终端发送的在线定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,所述无线接入设备的相关数据包括所述无线接入设备的标识和信号强度;
根据所述召回的无线接入设备指纹数据,获取所述定位请求中无线接入设备的相关数据对应的第一特征图;
从所述第一特征图截取以所述相关数据的召回中心为中心的第二特征图;
将所述第一特征图和第二特征图分别输入经上述定位模型训练方法训练后得到的第一目标定位模型和第二目标定位模型,得到所述终端的定位信息。
第三方面,本申请提供了一种设备,所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述定位模型训练方法的技术方案的步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述定位模型训练方法的技术方案的步骤。
从上述本申请提供的技术方案可知,一方面,由于可以根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图,相比于现有技术只能使用较为单一的特征导致的定位范围小,本申请的技术方案能够满足不同场景(包括建筑物内或建筑物之间、地下停车场以及特殊天气等特殊场景)的需求,实现室内/室外定位一体化;另一方面,以第一特征图和矩形框T_s为输入输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型,第一目标定位模型的使用可以有效确定召回网格的召回中心,而第一目标定位模型和第二目标定位模型的结合使用可更好地提取数据特征的空间相关性,提高定位的准确性。
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是本申请实施例提供的定位模型训练方法的流程图;
图2是本申请实施例提供的建立无线接入设备指纹库的流程图;
图3是本申请实施例提供的对五维特征进行最大最小归一化后形成的第一特征图的示意图;
图4是本申请实施例提供的定位方法的流程图;
图5是本申请实施例提供的设备的结构示意图;
图6本申请实施例提供的由某个无线接入设备召回的网格构造置信网格列表T包含的置信网格的示意图。
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,所描述的实施例仅仅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。
在本说明书中,诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分,而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下,参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个,而可以是元素、部件、或步骤中的一个或多个等。
在本说明书中,为了便于描述,附图中所示的各个部分的尺寸并不是按照实际的比例关系绘制的。
请参阅图1,是本申请实施例提出的定位模型训练方法流程图,主要包括步骤S101至S105,详述如下:
步骤S101:以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度。
本申请实施例中的无线接入设备可以是基站和/或WiFi设备,而无线接入设备的相关数据包括无线接入设备的标识和信号强度,其中,无线接入设备的标识根据无线接入设备是WiFi设备还是基站有所区别,当无线接入设备是WiFi设备时,可以WiFi设备的MAC地址作为其标识,当无线接入设备是基站时,可以基站的以MCC(国家地区代码)、MNC(移动网络号)、LAC(位置区域码)和CID(小区码)等组合而成的信息为该基站的标识。至于无线接入设备指纹数据,则是无线接入设备指纹库中可供召回的目标对象。无线接入设备指纹库可以预先构建,即,在以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据之前,建立无线接入设备指纹库。具体地,建立无线接入设备指纹库可以通过图2示例的步骤S201至步骤S204实现,说明如下:
步骤S201:将每个网格对应的无线接入设备的历史相关数据进行清洗,得到每个网格对应的无线接入设备的清洁相关数据。
需要说明的是,在本申请实施例中,网格是使用直接网格算法将地球划分为尺寸相对一致的四边形区域,每个网格会对应存在无线接入设备的历史相关数据,此处的无线接入设备的历史相关数据是指在过去的一段时间内采集到的无线接入设备的标识和信号强度以及这些数据采集的时刻和经纬度信息即在哪个位置采集这些数据。由于各种原因,导致采集的数据存在异常,即所采集的数据中存在GPS轨迹漂移点、数据不刷新以及数据采集设备速度太高导致实际位置信息滞后等现象。这些异常的数据应当除掉即对异常数据进行清洗,否则,将会影响无线接入设备指纹库的精确度。步骤S201的实现具体可以是:设置不同种类的阈值,过滤历史相关数据中不在阈值约束范围的数据,得到每个网格对应的无线接入设备的清洁相关数据。例如,可以设置最高速度阈值,将数据采集设备的速度超过该最高速度阈值时采集的数据过滤掉;设置时间阈值,若该时间阈值内数据不更新,则仅保留一条有效数据;设置GPS置信度阈值筛选数据;将所有经纬度划分为固定大小的网格,在固定网格内每天数据采集设备上报数据最新时刻的一条数据,防止由于上报异常出现的重复数据,等等。
步骤S202:计算无线接入设备的清洁相关数据的特征分布统计信息。
在本申请实施例中,无线接入设备的清洁相关数据的特征分布统计信息包括每个网格中各个无线接入设备的信号强度分布、采集热度分布和缓存时间分布等特征分布的统计信息。
步骤S203:清洗清洁相关数据的特征分布统计信息。
具体地,步骤S203的实现可以是:检测网格的覆盖范围是否小于预设置信边长;若该网格的覆盖范围不小于预设置信边长,则滤除该网格中对应的清洁相关数据的特征分布统计信息;若该网格的覆盖范围小于预设置信边长,则根据该网格的被采集数据次数和该网格中对应无线接入设备的数据采集次数清洗清洁相关数据的特征分布统计信息。上述实施例中,置信边长可以根据无线接入设备信号可覆盖半径进行预设,至于根据该网格的被采集数据次数和该网格中对应无线接入设备的数据采集次数清洗清洁相关数据的特征分布统计信息,具体可以是:按照网格被采集数据总次数,将网格进行排序,找出数据被采集数据总次数为中位数所对应的网格,将该网格记为(a,b);以(a,b)为中心,选取R*R的范围,该范围内含有的所有网格即置信网格列表T包含的置信网格,此处的R为预设的置信边长;计算某个无线接入设备召回的所有网格的被采集数据总次数Cnt_ALL以及置信网格列表T中该某个无线接入设备召回的网格的被采集数据总次数Cnt_T;计算Cnt_T与Cnt_ALL的比值Cnt_T/Cnt_ALL;若Cnt_T/Cnt_ALL>p,则保留该某个无线接入设备的清洁相关数据的特征分布统计信息,否则,滤除该某个无线接入设备的清洁相关数据的特征分布统计信息;上述实施例中,p的大小可以根据该某个无线接入设备的采集覆盖密度确定。如图6所示,是由某个无线接入设备召回的网格构造置信网格列表T包含的置信网格的示意图。图中标有数字的网格即该某个无线接入设备召回的所有网格,其中标有数字5的网格是由该某个无线接入设备召回的9个网格中被采集数据总次数为中位数的网格,图中的阴影部分即以数字5标识的网格为中心所选取R*R的范围,其中的网格3至9即网格置信网格列表T包含的置信网格。
步骤S204:以无线接入设备的标识为主键,存储每个网格对应的清洁相关数据的特征分布统计信息,得到无线接入设备指纹库。
以无线接入设备的标识为主键,存储每个网格对应的清洁相关数据的特征分布统计信息,得到无线接入设备指纹库,换言之,建立无线接入设备的标识、每个网格与该网格上清洁相关数据的特征分布统计信息之间的对应关系,将这种对应关系保存到数据库中,构成无线接入设备指纹库。
由于无线接入设备指纹库保存有无线接入设备的标识、每个网格与该网格上清洁相关数据的特征分布统计信息之间的对应关系,因此,步骤S101中以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据具体可以是以定位请求中无线接入设备的相关数据为主键,去查询无线接入设备指纹库。若匹配到定位请求中该无线接入设备的标识和信号强度等数据,则可以召回无线接入设备指纹库中所有无线接入设备指纹数据。
步骤S102:根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图。
具体地,步骤S102的实现可以是:计算无线接入设备的相关数据相对于所有召回的无线接入设备指纹数据的特征分布统计信息;将所有无线接入设备指纹数据的特征分布统计信息合并为M个通道的W*H*M的矩阵,得到无线接入设备的相关数据对应的第一特征图,其中,M为特征通道数,在数值上于特征种类的数量相等,W为无线接入设备的相关数据对应的召回网格分布的宽度,H为无线接入设备的相关数据对应的召回网格分布的高度。上述实施例中,无线接入设备指纹数据的特征分布统计信息包括无线接入设备的相关数据相对于所有召回的网格的信号强度概率分布、采集热度分布、缓存时间分布以及独立无线接入设备的命中分布等特征的统计信息。此处需要说明的是,若步骤101只是基站和WiFi设备中的一种无线接入设备的相关数据召回了无线接入设备指纹库中的无线接入设备指纹数据,则根一种无线接入设备的相关数据召回的无线接入设备指纹数据,获取该一种无线接入设备的相关数据对应的第一特征图;若是基站和WiFi设备的相关数据均召回无线接入设备指纹数据,则对两者召回的无线接入设备指纹数据进行融合,即,以基站对应召回的网格聚集中心为原点,保留以该原点为圆心、预设距离(例如,1公里)为半径的所有WiFi设备对应召回的无线接入设备指纹数据,将基站和以该原点为圆心、预设距离(例如,1公里)为半径的所有WiFi设备对应召回的无线接入设备指纹数据进行融合。以下以无线接入设备指纹数据的特征分布统计信息是无线接入设备的相关数据相对于所有召回的网格的信号强度概率分布为例,说明将所有无线接入设备指纹数据的特征分布统计信息合并为M个通道的W*H*M的矩阵,得到无线接入设备的相关数据对应的第一特征图的技术方案。
对所有召回的网格的信号强度信息,可按如下公式计算无线接入设备的相关数据相对于所有召回的网格的信号强度概率分布:
是表示请求无线接入设备列表中第个无线接入设备对应于第i个网
格的概率,是权重系数, 表示第i个网格采集到的信号强
度为t的次数;信号强度共分成S级分别统计。对 求和,即得到该请求对于第i个网格
的总概率。其他特征,例如采集热度分布、缓存时间分布和独立无线接入设备的命中分
布等等,都可以按照与上述计算方法相似方法进行计算。在计算无线接入设备的相关数据
相对于所有召回的无线接入设备指纹数据的特征分布统计信息之后,合并所计算的所有特
征分布统计信息即可得到W*H*M的矩阵,每个通道代表了上述一个特征(信号强度概率分
布、采集热度分布、缓存时间分布以及独立无线接入设备的命中分布等特征中的一个特征)
的分布情况。W*H*M的矩阵中第i个通道的每个元素表示了第i个特征在该网格的对应的特
征值。
如图3所示,选用了五维特征,为请求的无线接入设备信号强度值和网格强度一致的概率、相差一个等级的概率、其余等级的概率、网格总次数、该网格匹配的请求无线接入设备的数量;对各个网格填入各个特征值之后并对上述五维特征进行最大最小归一化,形成W*H*M大小的第一特征图。
步骤S103:将第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,其中,矩形框T_s是以T为中心、t*W宽度、t*H 高度的矩形,T是定位请求的实际位置经纬度转换为网格后该网格的坐标,W为相关数据对应的召回网格分布的宽度,H为相关数据对应的召回网格分布的高度, t为预设值。
具体地,步骤103的实现可以是:首先构建训练样本,即以有实际位置经纬度的历史无线接入设备数据信息作为定位请求,根据步骤S101-S102得到对应的第一特征图作为训练样本。利用该定位请求的实际位置经纬度转换为网格坐标T,得到T相对于第一特征图的相对位置W。一般可设为以T为中心,t*W宽度,t*H 高度的矩形框为W,即为训练样本的真值。利用第一卷积神经网络对上述训练样本进行训练,得到训练后的第一目标定位模型。训练完成后,该模型可实现给定第一特征图,可预测出所对应的目标矩形框 T_s。记T_s的矩形中心经纬度坐标为C,称C为该相关数据的召回中心。
在本申请实施例中,第一卷积神经网络可以是Faster R-CNN, t可以根据需要设置为0.1。
步骤S104:从第一特征图截取以相关数据的召回中心为中心的第二特征图。
具体地,步骤S104的实现可以是:将前述实施例的W*H*M的矩阵作为训练后的第一目标定位模型的输入信息,得到以为矩形框T_s为预测结果的输出信息,以矩形框T_s的中心为相关数据的召回中心从第一特征图截取N*N*M大小的特征图作为第二特征图,其中,M的意义与前述实施例M的意义相同即为特征通道数,而N是一个预设值,大小具体可根据运算资源、定位误差等综合考虑而定。需要说明的是,上述以矩形框T_s的中心为相关数据的召回中心,从第一特征图截取N*N*M大小的特征图时,若截取之后所得特征图,部分超出了第一特征图的范围,即部分不与第一特征图重叠,则在不与第一特征图重叠的位置补0。
步骤S105:以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。
在本申请实施例中,第二卷积神经网络可以是传统的CNN。在得到第二特征图后,
将其输入给第二卷积神经网络(例如,CNN)进行训练,得到训练后的第二目标定位模型。具
体可以是以召回中心经纬度与位置真值经纬度之间的球面距离作为第二卷积神经网络的
损失函数。+例如,记训练样本总量为n,第i个样本的召回中心为(,),真值为(,),则差值为(,),将此差值作为样本的标签值,将样本
计算的特征图矩阵作为模型的输入,输出值为经纬度偏差的预测值(,),
即最终预测定位结果为(+,+)。
需要说明的是,为了减少存储容量、减少网络传输和减小在线解析时间,上述实施例在建立所述无线接入设备指纹库之后,还包括:考察无线接入设备指纹库中是否存在其指纹信息覆盖的网格数大于预设阈值的无线接入设备;若无线接入设备指纹库中存在其指纹信息覆盖的网格数大于预设阈值的无线接入设备,则对无线接入设备指纹库中的无线接入设备指纹数据进行压缩,具体地,假设无线接入设备指纹库中存在其指纹信息覆盖的网格数大于预设阈值M的无线接入设备,则首先根据当前的网格边长LabelN,计算出无线接入设备指纹数据的覆盖半径MR= max{经度网格标签范围,纬度网格标签范围} * LabelN;其次,按照公式LabelM = MR/sqrt(M)计算新的网格边长LabelM,将当前的网格标签转换为经纬度,重新绘制边长为LabelM的网格,在新网格集合中,重新统计以边长为LabelM的网格为单位的强度信息,其中,sqrt(M)表示对M求取平方根;最后,将上述网格标签转换为经纬度,重新转换为原有网格边长为LabelN的网格,网格内的强度统计信息不变。
从上述附图1示例的定位模型训练方法可知,一方面,由于可以根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图,相比于现有技术只能使用较为单一的特征导致的定位范围小,本申请的技术方案能够满足不同场景(包括建筑物内或建筑物之间、地下停车场以及特殊天气等特殊场景)的需求,实现室内/室外定位一体化;另一方面,以第一特征图和矩形框T_s为输入输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型,第一目标定位模型的使用可以有效确定召回网格的召回中心,而第一目标定位模型和第二目标定位模型的结合使用可更好地提取数据特征的空间相关性,提高定位的准确性。
请参阅附图4,是本申请实施例提出的定位模型训练方法流程图,主要包括步骤S401至S405,详述如下:
步骤S401:以终端发送的在线定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度。
步骤S401的实现如图1示例的步骤S101的实现类似,不同之处在于步骤S401是离线阶段,步骤S401的终端发送的定位请求是在线定位请求。
步骤S402:根据召回的无线接入设备指纹数据,获取定位请求中无线接入设备的相关数据对应的第一特征图。
步骤S402的实现如图1示例的步骤S102的实现类似,可参阅前述实施例对步骤S102的解释和说明,此处不做赘述。
步骤S403:将第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,其中,矩形框T_s是以T为中心、t*W宽度、t*H 高度的矩形,T是定位请求的实际位置经纬度转换为网格后该网格的坐标,W为相关数据对应的召回网格分布的宽度,H为相关数据对应的召回网格分布的高度, t为预设值。
步骤S403的实现如图1示例的步骤S103的实现类似,可参阅前述实施例对步骤S103的解释和说明,此处不做赘述。
步骤S404:从第一特征图截取以相关数据的召回中心为中心的第二特征图。
步骤S404的实现如图1示例的步骤S104的实现类似,可参阅前述实施例对步骤S104的解释和说明,此处不做赘述。
步骤S405:将第二特征图输入经定位模型训练方法训练后得到的第二目标定位模型,得到终端的定位信息。
此处,定位模型训练方法训练后得到的第二目标定位模型,也即前述实施例的定位模型训练方法训练后得到的第二目标定位模型。
本实施例还提供一种定位模型训练装置,主要包括第一召回模块、第一获取模块、第一截取模块、第一训练模块和第二训练模块,其中:
第一召回模块,用于以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度;
第一训练模块,用于将第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,其中,矩形框T_s是以T为中心、t*W宽度、t*H 高度的矩形,T是定位请求的实际位置经纬度转换为网格后该网格的坐标,W为相关数据对应的召回网格分布的宽度,H为所述相关数据对应的召回网格分布的高度, t为预设值;
第一获取模块,用于根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图;
第一截取模块,用于从第一特征图截取以相关数据的召回中心为中心的第二特征图;
第二训练模块,用于以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。
本实施例还提供一种定位装置,主要包括第二召回模块、第二获取模块、第二截取模块和定位模块,其中:
第二召回模块,用于以终端发送的在线定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度;
第二获取模块,用于根据召回的无线接入设备指纹数据,获取定位请求中无线接入设备的相关数据对应的第一特征图;
第二截取模块,用于从第一特征图截取以相关数据的召回中心为中心的第二特征图;
定位模块,用于将第二特征图输入经定位模型训练装置训练后得到的第二目标定位模型,得到终端的定位信息。
图5是本申请一实施例提供的设备的结构示意图。如图5所示,该实施例的设备5主要包括:处理器50、存储器51以及存储在存储器51中并可在处理器50上运行的计算机程序52,例如定位模型训练方法的程序。处理器50执行计算机程序52时实现上述定位模型训练方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,处理器50执行计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如前述实施例所示第一召回模块、第一获取模块、第一截取模块、第一训练模块和第二训练模块的功能。
示例性地,定位模型训练方法的计算机程序52主要包括:以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度;第一训练模块,用于将第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,其中,矩形框T_s是以T为中心、t*W宽度、t*H高度的矩形,T是定位请求的实际位置经纬度转换为网格后该网格的坐标,W为相关数据对应的召回网格分布的宽度,H为所述相关数据对应的召回网格分布的高度, t为预设值;根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图;从第一特征图截取以相关数据的召回中心为中心的第二特征图;以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。计算机程序52可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器51中,并由处理器50执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序52在设备5中的执行过程。例如,计算机程序52可以被分割成第一召回模块、第一获取模块、第一截取模块、第一训练模块和第二训练模块(虚拟装置中的模块)的功能,各模块具体功能如下:第一召回模块,用于以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度;第一训练模块,用于将第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对第一卷积神经网络进行训练,得到训练后的第一目标定位模型,其中,矩形框T_s是以T为中心、t*W宽度、t*H高度的矩形,T是定位请求的实际位置经纬度转换为网格后该网格的坐标,W为相关数据对应的召回网格分布的宽度,H为所述相关数据对应的召回网格分布的高度, t为预设值;第一获取模块,用于根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图;第一截取模块,用于从第一特征图截取以相关数据的召回中心为中心的第二特征图;第二训练模块,用于以第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。
设备5可包括但不仅限于处理器50、存储器51。本领域技术人员可以理解,图5仅仅是设备5的示例,并不构成对设备5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,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器51可以是设备5的内部存储单元,例如设备5的硬盘或内存。存储器51也可以是设备5的外部存储设备,例如设备5上配备的插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器51还可以既包括设备5的内部存储单元也包括外部存储设备。存储器51用于存储计算机程序以及设备所需的其他程序和数据。存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即,将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,模块或单元的划分,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装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非临时性计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,定位模型训练方法的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤,即,以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,其中,无线接入设备的相关数据包括无线接入设备的标识和信号强度;根据召回的无线接入设备指纹数据,获取无线接入设备的相关数据对应的第一特征图;从第一特征图截取以相关数据的召回中心为中心的第二特征图;以第一特征图和第二特征图为输入信息,分别对第一卷积神经网络和第二卷积神经网络进行训练,得到训练后的第一目标定位模型和第二目标定位模型。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。非临时性计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读内存(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,非临时性计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,非临时性计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种定位模型训练方法,其特征在于,所述方法包括:
以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,所述无线接入设备的相关数据包括所述无线接入设备的标识和信号强度;
根据所述召回的无线接入设备指纹数据,获取所述无线接入设备的相关数据对应的第一特征图;
将所述第一特征图作为第一卷积神经网络的输入信息和矩形框T_s为输出信息对所述第一卷积神经网络进行训练,得到训练后的第一目标定位模型,所述矩形框T_s是以T为中心、t*W宽度、t*H 高度的矩形,所述T是所述定位请求的实际位置经纬度转换为网格后该网格的坐标,所述W为所述相关数据对应的召回网格分布的宽度,所述H为所述相关数据对应的召回网格分布的高度,所述 t为预设值;
从所述第一特征图截取以所述相关数据的召回中心为中心的第二特征图;
以所述第二特征图为输入信息,对第二卷积神经网络进行训练,得到训练后的第二目标定位模型。
2.如权利要求1所述定位模型训练方法,其特征在于,所述根据所述召回的无线接入设备指纹数据,获取所述无线接入设备的相关数据对应的第一特征图,包括:
计算所述无线接入设备的相关数据相对于所有所述召回的无线接入设备指纹数据的特征分布统计信息;
将所有所述特征分布统计信息合并为M个通道的W*H*M的矩阵,得到所述相关数据对应的第一特征图,所述M为特征通道数。
3.如权利要求2所述定位模型训练方法,其特征在于,所述从所述第一特征图截取以所述相关数据的召回中心为中心的第二特征图,包括:
将所述W*H*M的矩阵作为所述第一目标定位模型的输入信息,得到以所述矩形框T_s为预测结果的输出信息;
以所述矩形框T_s的中心为所述相关数据的召回中心,从所述第一特征图截取N*N*M大小的特征图作为所述第二特征图, 所述M为特征通道数,所述N为预设值。
4.如权利要求1至3任意一项所述定位模型训练方法,其特征在于,所述方法还包括:
在以终端发送的定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据之前,建立所述无线接入设备指纹库。
5.如权利要求4所述定位模型训练方法,其特征在于,所述建立所述无线接入设备指纹库,包括:
将每个网格对应的无线接入设备的历史相关数据进行清洗,得到所述每个网格对应的无线接入设备的清洁相关数据;
计算所述无线接入设备的清洁相关数据的特征分布统计信息;
清洗所述清洁相关数据的特征分布统计信息;
以所述无线接入设备的标识为主键,存储所述每个网格对应的清洁相关数据的特征分布统计信息,得到所述无线接入设备指纹库。
6.如权利要求5所述定位模型训练方法,其特征在于,所述将每个网格对应的无线接入设备的历史相关数据进行清洗,得到所述每个网格对应的无线接入设备的清洁相关数据,包括:设置不同种类的阈值,过滤所述历史相关数据中不在所述阈值约束范围的数据,得到所述每个网格对应的无线接入设备的清洁相关数据;
所述清洗所述清洁相关数据的特征分布统计信息,包括:检测所述网格的覆盖范围是否小于预设置信边长;若所述网格的覆盖范围不小于所述预设置信边长,则滤除所述网格中对应的清洁相关数据的特征分布统计信息;若所述网格的覆盖范围小于所述预设置信边长,则根据所述网格的被采集数据次数和所述网格中对应无线接入设备的数据采集次数清洗所述清洁相关数据的特征分布统计信息。
7.如权利要求5所述定位模型训练方法,其特征在于,所述方法还包括:
考察所述无线接入设备指纹库中是否存在其指纹信息覆盖的网格数大于预设阈值的无线接入设备;
若所述无线接入设备指纹库中存在其指纹信息覆盖的网格数大于预设阈值的无线接入设备,则对所述无线接入设备指纹库中的无线接入设备指纹数据进行压缩。
8.一种定位方法,其特征在于,所述方法包括:
以终端发送的在线定位请求中无线接入设备的相关数据召回无线接入设备指纹库中的无线接入设备指纹数据,所述无线接入设备的相关数据包括所述无线接入设备的标识和信号强度;
根据所述召回的无线接入设备指纹数据,获取所述定位请求中无线接入设备的相关数据对应的第一特征图;
从所述第一特征图截取以所述相关数据的召回中心为中心的第二特征图;
将所述第二特征图输入经权利要求1至7任意一项所述定位模型训练方法训练后得到的第二目标定位模型,得到所述终端的定位信息。
9.一种设备,所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352816.5A CN114501618B (zh) | 2022-04-06 | 2022-04-06 | 定位模型训练方法、定位方法和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352816.5A CN114501618B (zh) | 2022-04-06 | 2022-04-06 | 定位模型训练方法、定位方法和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114501618A CN114501618A (zh) | 2022-05-13 |
CN114501618B true CN114501618B (zh) | 2022-07-22 |
Family
ID=81487769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352816.5A Active CN114501618B (zh) | 2022-04-06 | 2022-04-06 | 定位模型训练方法、定位方法和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114501618B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717405B (zh) * | 2019-09-17 | 2023-11-24 | 平安科技(深圳)有限公司 | 人脸特征点定位方法、装置、介质及电子设备 |
CN111836358B (zh) * | 2019-12-24 | 2021-09-14 | 北京嘀嘀无限科技发展有限公司 | 定位方法、电子设备和计算机可读存储介质 |
CN111417066B (zh) * | 2020-03-05 | 2021-01-05 | 滴图(北京)科技有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
CN112469116B (zh) * | 2020-10-27 | 2023-06-16 | 北京嘀嘀无限科技发展有限公司 | 定位方法、装置、电子设备和计算机可读存储介质 |
-
2022
- 2022-04-06 CN CN202210352816.5A patent/CN114501618B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114501618A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107547633B (zh) | 一种用户常驻点的处理方法、装置和存储介质 | |
CN109548041B (zh) | 一种无线覆盖分析方法及系统 | |
CN111107556B (zh) | 一种移动通信网络的信号覆盖质量评估方法和装置 | |
CN110798804B (zh) | 一种室内定位方法和装置 | |
CN109413565B (zh) | 覆盖场景的服务小区的确定方法、装置及电子设备 | |
CN114173356A (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
CN111479321B (zh) | 一种网格构建方法、装置、电子设备和存储介质 | |
CN112469066A (zh) | 5g网络覆盖评估方法及装置 | |
CN103929751A (zh) | 一种确定不同网络中覆盖共同区域的小区对的方法及装置 | |
CN113873532A (zh) | 一种智慧园区5g网络规划方法 | |
CN111177298A (zh) | 一种基于面积法的通信网络信息地理网格化方法 | |
CN112867147B (zh) | 定位方法和定位装置 | |
CN114782219A (zh) | 一种人员流动数据分析方法及装置 | |
CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
CN114501618B (zh) | 定位模型训练方法、定位方法和计算机可读存储介质 | |
CN109218963B (zh) | 位置指纹数据处理方法、装置、设备及存储介质 | |
CN115936398A (zh) | 一种通信基站投资估算方法及系统 | |
CN113593244A (zh) | 一种流量确定方法、装置、存储介质及电子装置 | |
CN111935772A (zh) | 一种确定业务区域的价值的方法和装置 | |
CN114360255A (zh) | 一种流量确定方法、装置、存储介质及电子装置 | |
CN114885369A (zh) | 网络覆盖质量检测处理方法、装置、电子设备和存储介质 | |
CN115002795A (zh) | 波束赋形方法、装置、电子设备及可读存储介质 | |
CN111372270B (zh) | 疑似故障小区的确定方法、装置、设备和介质 | |
Tennekes et al. | Bayesian location estimation of mobile devices using a signal strength model | |
CN111093207A (zh) | 一种移动通信网络的信号覆盖质量评估方法和装置 |
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 |