CN116957005A - 对应关系预测网络的训练方法、装置、设备及介质 - Google Patents
对应关系预测网络的训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116957005A CN116957005A CN202211604172.0A CN202211604172A CN116957005A CN 116957005 A CN116957005 A CN 116957005A CN 202211604172 A CN202211604172 A CN 202211604172A CN 116957005 A CN116957005 A CN 116957005A
- Authority
- CN
- China
- Prior art keywords
- corresponding relation
- preset
- node
- graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 title claims abstract description 67
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 21
- 238000013473 artificial intelligence Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000013441 quality evaluation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012384 transportation and delivery 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
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
- 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
-
- 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
- H04W4/025—Services making use of location information using location based information parameters
-
- 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
- H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请涉及一种对应关系预测网络的训练方法、装置、设备及介质。上述方法包括获取第一关联关系图;获取每一所述节点的特征信息;利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。本申请基于图学习获得对应关系预测网络,对应关系预测网络可以用来进行对应关系预测,也即预测基站能够为哪些地下建筑物对象提供定位服务,进而借助预测的对应关系提高定位准确度。本申请实施例可应用于云技术、人工智能、智慧交通、智慧娱乐等各种场景。
Description
技术领域
本申请涉及互联网通信技术领域,尤其涉及一种对应关系预测网络的训练方法、装置、设备及介质。
背景技术
对终端的定位涉及人们生活的方方面面,当终端处于定位模块(如基站、Wi-Fi定位模块、GPS定位模块等)的信号覆盖范围内时,定位模块可以为终端提供定位服务。在相关技术中,对于多种定位模块分布场景,可以通过多种定位模块分别对终端进行定位,进而得到定位结果;也可以通过至少一个预设种类的定位模块分别对终端进行定位,进而得到定位结果。然而,对于一些特殊的定位模块分布场景(如终端处于单一定位模块的信号覆盖范围;终端处于至少两个定位模块的信号覆盖范围,但只有一个定位模块的信号强度符合要求等),定位依赖于某一定位模块,这影响着定位的准确度。因此,需要提供更准确有效的定位方案。
发明内容
为了解决上述提出的至少一个技术问题,本申请提供了一种对应关系预测网络的训练方法、装置、设备及介质:
根据本申请的第一方面,提供了一种对应关系预测网络的训练方法,所述方法包括:
获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地下建筑物对象具有对应关系,所述节点对应的所述预设基站为所述目标地下建筑物对象提供定位服务,所述边表征所述相连节点之间具有关联关系;
获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地下建筑物对象;
利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
根据本申请的第二方面,提供了一种对应关系预测网络的训练装置,所述装置包括:
第一获取模块:用于获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地下建筑物对象具有对应关系,所述节点对应的所述预设基站为所述目标地下建筑物对象提供定位服务,所述边表征所述相连节点之间具有关联关系;
第二获取模块:用于获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地下建筑物对象;
预测模块:用于利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
训练模块:用于基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
根据本申请的第三方面,提供了一种电子设备,所述电子设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述至少一个处理器加载并执行以实现如第一方面所述的对应关系预测网络的训练方法。
根据本申请的第四方面,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中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面所述的对应关系预测网络的训练方法。
根据本申请的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如第一方面所述的对应关系预测网络的训练方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
实施本申请,具有以下有益效果:
本申请基于图学习获得对应关系预测网络,对应关系预测网络可以用来进行对应关系预测,也即预测基站能够为哪些地下建筑物对象提供定位服务,进而借助预测的对应关系提高定位准确度。在训练过程中将第一类节点携带的对应关系真值标注作为约束,训练获得的对应关系预测网络能够实现针对包括第二类节点在内的所有节点的对应关系预测,提高了挖掘第二类节点的对应关系的准确度和效率,提升了定位所能借助的预测的对应关系的数量,有利于提高借助预测的对应关系进行定位的准确度。对于一些特殊的定位模块分布场景(如终端处于基站的信号覆盖范围;终端处于基站、Wi-Fi定位模块的信号覆盖范围,但Wi-Fi定位模块的信号强度不符合要求等),本申请提高了捕捉预设基站与预设地下建筑物对象之间对应关系的准确度和效率,本申请提高了依赖基站进行终端定位的准确度和效率。本申请适应于无GPS信号、Wi-Fi信号少的地下定位场景,可以为用户提供准确的定位结果,进而提高用户的导航体验。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
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和优点,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的介绍,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它附图。
图1示出根据本申请实施例的一种应用环境示意图;
图2示出根据本申请实施例的一种对应关系预测网络的训练方法的流程示意图;
图3示出根据本申请实施例的获得第一类节点的对应关系预测结果的流程示意图;
图4示出根据本申请实施例的获取第一关联关系图的流程示意图;
图5也示出根据本申请实施例的构建第一关联关系图的流程示意图;
图6示出根据本申请实施例的构建定位数据库的流程示意图;
图7示出根据本申请实施例的利用构建的定位数据库进行终端定位的流程示意图;
图8示出根据本申请实施例的针对地铁定位场景的对应关系预测网络的训练方法的流程示意图;
图9示出根据本申请实施例的装置框图;
图10示出根据本申请实施例的电子设备示意图。
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的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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
对本申请实施例进行进一步详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释。
Wi-Fi:无线网络通信技术、移动热点。
MAC地址(Media Access Control Address):媒体存取控制位址。
Wi-Fi定位:使用终端(如手机)搜索到的Wi-Fi信号进行空间定位的方法,定位时终端(如手机)扫描获取周边Wi-Fi设备(提供Wi-Fi信号接入的设备)的MAC列表以及信号强度等信息,并将信息上传至定位服务器进行定位,定位精度约为10~200米。
Wi-Fi指纹:每个物理空间位置上唯一的Wi-Fi构成,包含扫描到的Wi-Fi列表及其信号强度分布信息等。
GPS定位系统:全球定位系统,它的基本原理是测量出已知位置的卫星到用户接收机之间的距离,然后综合多颗卫星的数据对用户接收机进行定位。
基站:公用移动通信基站,是移动设备接入互联网的接口设备,也是无线电台站的一种形式,是指在一定的无线电覆盖区中,通过移动通信交换中心,与移动电话终端之间进行信息传递的无线电收发信电台。
基站定位:使用终端(如手机)搜索到的基站信号进行空间定位的方法,定位时终端(如手机)扫描获取周边基站信息,并将信息上传至定位服务器进行定位,定位精度约为100~500米。
隐马尔可夫模型(Hidden Markov Model,HMM):或称作隐性马尔可夫模型,是统计模型,它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析。
Graph Convolutional Network(GCN):图卷积神经网络。
Graph Isomorphism Network(GIN):图同构网络。
Graph Attention Networks(GAT):图注意力网络。
请参阅图1,图1示出根据本申请实施例的应用环境示意图,应用环境中可以包括终端10和服务器端20。终端10与服务器端20可以通过有线或无线通信方式进行直接或间接地连接。用户通过终端10向服务器端20发送定位请求。响应于接收到的定位请求,服务器端20从定位请求中提取出基站信息,基站信息指示终端10扫描到的基站;然后,在定位数据库中确定出与基站具有对应关系的至少一个候选地下建筑物对象,定位数据库记录了多个预设基站中每一预设基站与至少一个预设地下建筑物对象之间的对应关系,对应关系表征预设基站为预设地下建筑物对象提供定位服务,对应关系通过对应关系预测网络确定;最后,基于候选地下建筑物对象的位置信息,对终端10进行定位。需要说明的是,图1仅仅是一种示例。
终端10可以是智能手机、电脑(如台式电脑、平板电脑、笔记本电脑)、增强现实(augmented rea l ity,AR)/虚拟现实(vi rtua l rea l ity,VR)设备、数字助理、智能语音交互设备(如智能音箱)、智能可穿戴设备、智能家电、车载终端等类型的实体设备。终端10所对应的操作系统可以是安卓系统(Android系统)、iOS系统(是由苹果公司开发的移动操作系统)、l i nux系统(一种操作系统)、Microsoft Wi ndows系统(微软视窗操作系统)等。
服务器端20可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content De l ivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。其中服务器可以包括有网络通信单元、处理器和存储器等等。
在实际应用中,终端10可以安装相关应用程序,服务器端20可以为相关应用程序提供后台服务。用户通过终端10向服务器端20发送定位请求,可以是用户通过对终端10展示的相关应用程序的交互控件的触发操作,相关应用程序生成定位请求并发送定位请求至服务器端20。相关应用程序可以是地图导航应用、网络约车应用、即时通信应用、网络购物应用等。以地铁定位场景为例,可以通过本申请实施例提供的对应关系预测网络的训练方案构建定位数据库,进而利用定位数据库提高用户在地铁站周围、地铁内的定位、导航的效果。比如,提高确定用户当前是否到达地铁站的准确度,提高用户使用到站提醒服务的体验,因为站定能否准确预测将决定用户的路线导航和规划效果。
通过本申请实施例提供的对应关系预测网络的训练方案训练获得对应关系预测网络的服务器端可以是服务器端A,利用该对应关系预测网络构建定位数据库的服务器端可以是服务器端B,响应终端发送的定位请求的服务器端可以是服务器端C,服务器端A、服务器端B和服务器端C可以指示同一服务器端,也可以指示不同的两个或三个服务器端。当然,终端也可以在本地保存定位数据库,从而自己处理定位请求。
本申请实施例提供的对应关系预测网络的训练方案可以用到有关人工智能(Arti f i c i a l I nte l l i gence,AI)的技术。人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
需要说明的是,对于与用户信息存在关联关系的定位请求、对应关系真值标注等,当本申请实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
图2示出根据本申请实施例的一种对应关系预测网络的训练方法的流程示意图,如图2所示,该方法包括:
S201:获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地下建筑物对象具有对应关系,所述节点对应的所述预设基站为所述目标地下建筑物对象提供定位服务,所述边表征所述相连节点之间具有关联关系;
在本申请实施例中,服务器端获取第一关联关系图。第一关联关系图包括多个节点以及相连节点之间的边,这里的多个节点与多个预设基站一一对应,多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,边表征相连节点之间具有关联关系。也就是说,作为训练样本的第一关联关系图包括两类节点。第一类节点对应的预设基站与预设地下建筑物对象的对应关系是对应关系真值,是已经确定的。第二类节点对应的预设基站与预设地下建筑物对象的对应关系可能是对应关系真值,也可能是对应关系伪值,是待确定的。两个节点相连,说明它们具有关联关系。在第一关联关系图中,两个节点对应的预设基站均与同一预设地下建筑物对象则具有对应关系,那么两个节点相连。相连节点可以由两个第一类节点构成,可以由两个第二类节点构成,也可以由一个第一类节点和一个第二类节点构成。其中,预设地下建筑物对象可以指示地铁站、地下停车场、地下室、隧道等。
例如,多个预设基站的总数为N,基站n表示第n个预设基站,n的取值范围为1-N。若基站n对应第一类节点,基站n与至少一个预设地下建筑物对象具有对应关系。该至少一个预设地下建筑物对象的总数为M,地下建筑物对象m表示第m个预设地下建筑物对象,m的取值范围为1-M。基站n与地下建筑物对象m具有对应关系,说明基站n能够为地下建筑物对象m提供定位服务,也即地下建筑物对象m的位置信息可以通过基站n定位。需要说明的是,预设地下建筑为对象的总数一般大于M,因为一般与不同预设基站具有对应关系的预设地下建筑物对象是不同的。
S202:获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地下建筑物对象;
在本申请实施例中,服务器端获取每一节点的特征信息。与周边地下建筑物对象有关的特征信息可以包括周边地下建筑物对象的对象特征、周边地下建筑物对象与预设基站的距离信息。预设基站不一定能够为它的每一周边地下建筑物对象提供定位服务。
S203:利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
在本申请实施例中,服务器端利用预设网络处理第一关联关系图和每一节点的特征信息,得到第一类节点的对应关系预测结果。可以理解,在不参考某第一类节点携带的对应关系真值标注的情况下,预设网络根据第一关联关系图中该第一类节点与其他节点的连接与否、该第一类节点的特征信息、该其他节点的特征信息,来预测该第一类节点的对应关系。预测的对应关系与该第一类节点携带的对应关系真值标注可能匹配,也可能不匹配。
S204:基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
在本申请实施例中,服务器端基于第一类节点的对应关系预测结果与第一类节点携带的对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。可以根据预测的对应关系与第一类节点携带的对应关系真值标注的匹配与否,来对预设网络的参数进行调整。是否匹配可以通过对两者进行相似度计算来确定,若相似度大于相似度阈值则认为匹配;也可以通过确定两者之间的差异来确定,若差异小于差异阈值则认为匹配。
对应关系预测网络是通过第一关联关系图和每一节点的特征信息进行机器学习训练、并在训练过程中调整预设网络的参数而获得的。在训练中,预设网络捕捉节点间的特征关系、对边进行更新、对节点对应的预设基站与预设地下建筑物对象的对应关系进行预测。预设网络的训练目的是对上述待确定对应关系真伪值进行确定。其中捕捉节点间的特征关系,可以主要捕捉第一类节点间的特征关系,例如与真边(即相连节点之间的边)形成有关的信息,如相连节点各自的特征、相连节点间的特征关系;与伪边(即不相连节点之间的虚拟边)形成有关的信息,如不相连节点各自的特征、不相连节点间的特征关系。可以基于所捕捉的节点间的特征关系(如第一类节点提供的真边形成信息和伪边形成信息)来对图中的边进行更新,更新可以包括剪掉已有边、形成新边。相连节点间的特征关系可以说明它们具有一定的相似性,它们各自对应的预设基站很可能为同一预设地下建筑物对象提供定位服务。不相连节点间的特征关系可以说明它们不具有一定的相似性,它们各自对应的预设基站很可能不为同一预设地下建筑物对象提供定位服务。由此,基于边更新后的图,可以利用上述已确定的对应关系真值来对各节点进行对应关系预测。如果一个第二类节点与一个第一类节点相连,在对该第二类节点进行对应关系预测时,可以借助该第一类节点携带的对应关系真值标注。此外,可以通过边的权重来量化相连节点之间的相似性,边的权重越大,相连节点之间的相似性越高。
这里输入预设网络的训练样本除了第一关联关系图,还引入了图中每一节点的特征信息。这样可以降低预设网络在捕捉节点间的特征关系环节的难度、提高预设网络在捕捉节点间的特征关系环节的效率。捕捉节点间的特征关系时关注这里的特征信息,并参考第一关联关系图中的真边和伪边。通过特征信息中地下建筑物对象维度的信息量,有利于捕捉节点间地下建筑物对象维度的特征关系,而训练目的也是与地下建筑物对象有关的预测,这样有利于提高对边更新后的图中节点的对应关系预测效果。
在一个实施例中,如图3所示,所述预设网络包括第一网络和第二网络,所述利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果,包括:
S301:将所述所述第一关联关系图和每一所述节点的特征信息输入所述第一网络,以及利用所述第一网络基于每一所述节点的特征信息,对所述第一关联关系图进行边更新,得到第二关联关系图;
S302:利用所述第二网络基于所述第二关联关系图,得到所述第一类节点的对应关系预测结果。
上述步骤S301中,第一网络捕捉节点间的特征关系、进而对边进行更新。在捕捉节点间的特征关系时,可以主要捕捉第一类节点间的特征关系。可以借助输入的第一类节点的特征信息,确定第一关联关系图中与两个第一类节点参与真边形成有关的信息(如这两个第一类节点间的特征关系,下称真边节点特征关系)、与两个第一类节点参与伪边形成有关的信息(如这两个第一类节点间的特征关系,下称伪边节点特征关系)。在对边进行更新时,可以将真边节点特征关系和伪边节点特征关系作为依据,重新评估任意两个节点间的特征关系,进而保留已有边、剪掉已有边、形成新边。
上述步骤S302中,第二网络基于第二关联关系图,对第一类节点进行对应关系预测。可以理解,在上述对边进行更新环节,两个第一类节点参与形成的真边、伪边发生了变化。对于第一类节点的对应关系预测,以作为第一类节点的节点d为例,可以基于节点d的特征信息、节点d的连接节点的特征信息,来预测节点d对应的预设基站与预设地下建筑物对象的对应关系。这里用到的节点d的特征信息关注节点d对应的预设基站的周边地下建筑物对象,这里用到的连接节点的特征信息关注连接节点对应的预设基站的周边地下建筑物对象。此外,节点d的连接节点可以有多个,可以根据节点d与各连接节点的边的权重大小,确定该连接节点对应的预设基站的周边地下建筑物对象在对应关系预测上的贡献度。
当然,节点的特征信息还可以包括与邻居节点有关的特征信息,与邻居节点有关的特征信息可以由第一网络从第一关联关系图中确定,与邻居节点有关的特征信息可以通过随机游走算法从图结构数据中确定。
进一步的,所述基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络,可以包括下述步骤:基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注,采用目标损失函数对所述第一网络和所述第二网络进行参数更新,直至所述目标损失函数的取值满足收敛条件,以得到所述对应关系预测网络。
如果第一类节点的对应关系预测结果与第一类节点携带的对应关系真值标注相匹配,那么说明预测网络的对应关系预测效果好;否则,需要对构成预测网络的第一网络和第二网络进行网络参数调整。那么可以基于第一类节点的对应关系预测与第一类节点携带的对应关系真值标注的差异构建目标损失函数,然后采用目标损失函数对第一网络和/或第二网络进行网络参数调整,直至目标损失函数的取值满足收敛条件,进而得到对应关系预测网络。
对应关系预测网络是经训练得到的具有高泛化能力的模型,利用对应关系预测网络进行对应关系预测,可以提高对应关系预测的适应能力和可靠性。模型的训练可以不断进行,对应关系预测网络可以不断更新。可以理解,这里的预设网络,可以是上一次训练的结果,可以是下一次训练的基础。
在实际应用中,若存在至少两个周边地下建筑物,可以将其中距离预设基站更近的周边地下建筑物对象标记为1,将剩余的周边地下建筑物对象标记为0。这里周边地下建筑物对象的标记可以作为周边地下建筑物对象的对象特征。可以对周边地下建筑物对象的对象特征、周边地下建筑物对象与预设基站的距离信息进行one-hot编码。one-hot编码结果经过embedding得到周边地下建筑物对象的词向量。周边地下建筑物对象的词向量可以通过预设网络中一层线性层(如nn.Linear)与第一关联关系图进行关联。该关联结果再依次通过预设网络中的两层GCN、dropout层和softmax层。其中dropout层用于避免模型过拟合,经softmax层输出多分类结果。在训练中,两层GCN不断迭代。可以设定迭代轮数为200。如果发现目标损失函数的取值连续20次不下降,可以提前结束训练。目标损失函数可以是两分类的交叉熵。当然,这里的GCN还可以换成GIN或GAT。
下面将对训练样本的获取、训练获得的对应关系预测网络的应用进行介绍:
一)训练样本的获取:
1)获取第一关联关系图:
在一个实施例中,如图4所示,所述获取所述第一关联关系图,包括:
S401:确定预设区域,所述预设区域包括多个预设地下建筑物对象;
S402:获取每一所述预设地下建筑物对象对应的基站扫描结果;
S403:获取多个历史轨迹记录,每一所述历史轨迹记录包括至少两个轨迹点,所述轨迹点与所述预设区域中的任一地下建筑物对象的位置信息匹配,所述轨迹点对应的定位模块是基站;
S404:基于每一所述预设地下建筑物对象对应的基站扫描结果、每一所述轨迹点对应的定位模块构建所述第一关联关系图,所述基站扫描结果对应所述第一类节点,所述定位模块对应所述第二类节点,所述边表征所述相连节点指示同一所述预设地下建筑物对象。
示例性的,以构建A城地铁站的定位数据库为例,预设区域指示A城,预设地下建筑物对象指示位于A城的部分地铁站,如地铁站1-H。若地铁站h表示第h个地铁站,h的取值范围为1-H。利用预设终端在地铁站h所在位置进行基站扫描,得到地铁站h对应的基站扫描结果。基站扫描结果具体可以是扫描到的基站的基站标识。预设终端可以扫描到至少一个基站。当然,基站扫描结果可以包括扫描到的基站的基站标识和基站信号强度。基站扫描结果可以是人工采集获得,这些基站扫描结果涉及的基站与地铁站的对应关系是已经确定的对应关系真值,这些基站扫描结果涉及的基站可以指示携带有对应关系真值标注的第一类节点。
历史轨迹记录可以来自相关应用程序的用户上报。这里关注历史轨迹记录中位置和定位模块满足相关条件的轨迹点。可以理解,每一历史轨迹记录包括至少两个候选轨迹点、每一候选轨迹点对应的定位模块。对候选轨迹点进行过滤,获得满足相关条件的轨迹点。也就是说,如果候选轨迹点与地铁站1-H中任一地铁站的位置信息均不匹配,那么将该候选轨迹点过滤掉。如果候选轨迹点对应的定位模块不是基站,那么将该候选轨迹点过滤掉。当然,还可以从时间维度对候选轨迹点进行过滤,过滤掉上报时间早于预设时间的候选定位点。历史轨迹记录中位置和定位模块满足相关条件的轨迹点,既是基站定位点,又与地铁站具有较强相关性。这些轨迹点各自对应的定位模块(即基站)与地铁站的对应关系是待确定的对应关系真值或伪值,这些轨迹点各自对应的定位模块(即基站)可以指示未携带有对应关系真值标注的第二类节点。
基于这些基站扫描结果涉及的基站和这些轨迹点各自对应的定位模块(即基站),得到第一关联关系图。可以按照涉及地铁站1-H的位置分布图,来排布基站对应的节点。比如,地铁站h对应的基站扫描结果涉及基站1-3,与地铁站h的位置信息匹配的轨迹点对应基站4,可以将基站1-4各自对应的节点设置于地铁站h在位置分布图中的位置附近,并对这4个节点进行两两连接。在实际应用中,在利用这些轨迹点各自对应的定位模块构建图时,可以按照历史轨迹记录的维度依次处理。对于一个历史轨迹记录涉及的轨迹点的位置间隔较大或上报时间间隔较大时,可以将这些轨迹点进行分段,从而按照段的维度依次处理。相较于轨迹点维度的处理,这样的处理可以过滤掉明显异常的历史轨迹记录,可以获得某些基站与地铁站的对应关系已在历史轨迹记录多次出现的信息。
在构建作为训练样本的第一关联关系图时,图中既融入了已经确定的对应关系真值,又融入了待确定的对应关系真值或伪值,这为后续提供了学习依据、训练目标。在实际应用中,相较于历史轨迹记录中满足条件的轨迹点与基站的待确定的对应关系,通过人工采集获得的已经确定的对应关系的数量是较少的。因为历史轨迹记录的获取更便捷,可以提高构建第一关联关系图的效率,进而提高构建定位数据库的效率。
进一步的,如图5所示,所述基于每一所述预设地下建筑物对象对应的基站扫描结果、每一所述轨迹点对应的定位模块构建所述第一关联关系图,包括:
S501:基于每一所述预设地下建筑物对象对应的基站扫描结果构建针对所述第一类节点的第一图;
S502:基于每一所述轨迹点对应的定位模块构建针对所述第二类节点的第二图;
S503:按照预设规则对所述第一图和所述第二图进行融合,得到所述第一关联关系图。
可以基于所有基站扫描结果涉及的基站构建针对第一类节点的第一图、以及对所有轨迹点各自对应的定位模块(即基站)构建针对所述第二类节点的第二图。在构建第一图和第二图时,对于基站对应的节点的排布可以参考前述步骤S401-S404中的相关记载,不再赘述。第一关联关系图是第一图和第二图按照预设规则的融合结果。也就是说,第一图和第二图不一定具备融合条件。通过预设规则可以保证融合获得的第一关联关系图的质量,降低因质量低影响对应关系预测网络的效果的概率,进而提高定位数据库的有效性。预设规则用于评价第二图的质量的规则,可以是覆盖率维度的质量评价规则、错误率维度的质量评价规则。覆盖率维度的质量评价规则,旨在基于第二图中边与第一图中边的重叠程度确定第二图的质量是否达标。错误率维度的质量评价规则,旨在基于第一图确定第二图中错误边,并基于第二图中错误边在第二图中边的占比确定第二图的质量是否达标。错误边可以是在第二图是真边但在第一图是伪边的第一类错误边。错误边也可以是在第二图是伪边但在第一图是真边的第二类错误边。当然,覆盖率维度的质量评价规则还可以通过匹配节点聚集区块来实现,也即基于第二图中节点聚集区块与第一图中节点聚集区块的重叠程度确定第二图的质量是否达标。
以下示出了基于覆盖率维度的质量评价规则、错误率维度的质量评价规则来评价第二图的质量,并获得第一关联关系图的示例。具体包括:1.1)确定所述第一图中边的第一总数、以及从所述第二图中确定出与所述第一图中边相同的边的第一数量;1.2)确定所述第二图中边的第二总数、在所述第一图中确定出与所述第二图中边对应的节点对、以及确定不相连的节点对的数量得到第二数量;2)在第一比较结果和/或第二比较结果符合所述预设规则的要求的情况下,融合所述第一图和所述第二图得到所述第一关联关系图,所述第一比较结果指示所述第一数量与所述第一总数的比值,所述第二比较结果指示所述第二数量与所述第二总数的比值。
第一比较结果量化了第二图中边与第一图中边的重叠程度。若第一比较结果大于第一阈值,说明第一图中被第二图命中的边数足够多。第二比较结果体现了第二图中第一类错误边在第二图中边的占比,若第二比较结果小于第二阈值,说明第二图中第一类错误边足够少。在第一比较结果大于第一阈值和/或第二比较结果小于第二阈值的情况下,可以生成包含针对第二图的质量达标的评价结果,进而可以对第一图和第二图进行融合以得到第一关联关系图。对于第二图中边与第一图中边的重叠程度的量化、对于第二图中第一类错误边在第二图中边的占比的体现,两者一起从图的完整度的角度评价了第二图的质量。
另外,若第二比较结果大于或等于第二阈值,说明第二图中第一类错误边较多。那么,可以先剪掉第二图中的第一类错误边,得到第三图。然后,融合第一图和第三图得到第一关联关系图。
2)获取每一节点的特征信息:
在一个实施例中,所述获取每一所述节点的特征信息,可以包括下述步骤:首先,确定所述节点对应的所述预设基站的表征位置;然后,确定所述表征位置所属的位置区域,以及确定位置属于所述位置区域的地下建筑物对象为所述周边地下建筑物对象;再者,基于所述周边地下建筑物对象得到所述特征信息,所述特征信息包括以下至少之一:所述周边地下建筑物对象的对象特征、所述周边地下建筑物对象的位置与所述表征位置的位置差异信息(对应上述周边地下建筑物对象与预设基站的距离信息)。
预设基站的表征位置可以是预设基站的实际真实位置,也可以是预设基站的预测位置,预测位置可能与实际真实位置相同,预测位置也可能与实际位置存在差异。可以利用相关基站位置预测网络来确定预设基站的预测位置。这样可以提高获得预设基站的表征位置的便捷性和效率,尤其对于实际真实位置查找有困难的预设基站。
位置区域的确定,确定了周边地下建筑物对象的选择范围。对于位置属于位置区域的至少两个地下建筑物对象,可以选择其中距离预设基站更近的地下建筑物对象作为周边地下建筑物对象,也可以将该至少两个地下建筑物对象均作为周边地下建筑物对象。结合第一关联关系图的构建,预设基站的周边地下建筑物一般属于多个预设地下建筑物对象。
与周边地下建筑物对象有关的特征信息的提供,为捕捉节点间地下建筑物对象维度的特征关系提供了依据和便捷性。在训练目的是与地下建筑物对象有关的预测的前提下,这样训练获得的对应关系预测模型的对应关系预测效果。
二)训练获得的对应关系预测网络的应用:
1)构建定位数据库:
在一个实施例中,如图6所示,所述基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络之后,包括:
S601:针对所述多个节点中的任一节点,利用所述对应关系预测网络得到所述节点的对应关系预测结果;
S602:基于所述多个节点各自的对应关系预测结果,构建定位数据库。
以目标节点的节点信息为输入,利用对应关系预测网络得到目标节点的对应关系预测结果,目标节点的对应关系预测结果包括目标基站与至少一个预设地下建筑物对象之间的对应关系,目标节点是多个节点中的任一节点,目标基站与目标节点对应。
示例性的,目标基站属于上述多个预设基站。多个预设基站的总数为N,基站n表示第n个预设基站,n的取值范围为1-N。多个地下建筑物对象的总数为K,地下建筑物对象k表示第k个地下建筑物对象,k的取值范围为1-K。基站n的对应关系预测结果可以指示基站n与多个地下建筑物对象中的全部或者部分地下建筑物对象具有对应关系。比如,基站n与地下建筑物对象1具有对应关系、基站n与地下建筑物对象2具有对应关系、以及基站n与地下建筑物对象3具有对应关系。那么,在定位数据库中有N条记录数据。基站n的记录数据记录着“基站n与地下建筑物对象1具有对应关系、基站n与地下建筑物对象2具有对应关系、以及基站n与地下建筑物对象3具有对应关系”。
基站n的对应关系预测结果也可以基站n与多个地下建筑物对象中的全部或者部分地下建筑物对象具有对应关系的概率,比如基站n与地下建筑物对象1具有对应关系的概率是90%、基站n与地下建筑物对象2具有对应关系的概率是80%、以及基站n与地下建筑物对象3具有对应关系的概率是70%。那么,在定位数据库中有N条记录数据。基站n的记录数据记录着“基站n与地下建筑物对象1具有对应关系的概率是90%、基站n与地下建筑物对象2具有对应关系的概率是80%、以及基站n与地下建筑物对象3具有对应关系的概率是70%”。以针对地铁站的定位数据库为例,基站n的记录数据的格式为:cell\t S1:poss1;S2:poss2;…;Sn:possn。其中,cell是基站n的基站标识。Sj表示第j个站点,j的取值范围为1-n。possi表示基站n为Sj提供定位服务的概率。对至少两个概率按照降序排布。
定位数据库记录了上述多个预设基站中每一预设基站与至少一个预设地下建筑物对象之间的对应关系。应该理解的是,在定位数据库中,多个预设基站各有一条记录数据,记录数据记录着有关一个预设基站与至少一个预设地下建筑物对象的对应关系。对于定位数据库而言,它可以是记录基站与一个类型的地下建筑物对象的对应关系的数据库。比如,针对地铁站的定位数据库,它记录了多个预设基站中每一预设基站与至少一个预设地铁站之间的对应关系。对于定位数据库而言,它也可以是记录基站与至少两个类型的地下建筑物对象的对应关系的数据库。比如,针对地铁站和地下停车场的定位数据库,它记录了多个预设基站中每一预设基站与至少一个预设地下建筑物对象之间的对应关系,其中预设地下建筑物对象可以指示地铁站和地下停车场。对于地铁定位场景,地铁在站点多为Wi-Fi定位,站点之间多为基站定位,构建准确的针对地铁站的定位数据库可以为地铁定位提供了良好的数据基础。
2)利用上述1)构建的定位数据库进行终端定位:
在一个实施例中,如图7所示,所述基于所述多个节点各自的对应关系预测结果,构建定位数据库之后,包括:
S701:从终端发送的定位请求中提取出基站信息,所述基站信息指示所述终端扫描到的基站;
S702:在所述定位数据库中确定出与所述基站具有对应关系的至少一个候选地下建筑物对象;
S703:基于所述候选地下建筑物对象的位置信息,对所述终端进行定位。
服务器端从终端发送的定位请求中提取出基站信息。一般而言,终端的当前位置是待定位的位置。定位请求中的基站信息指示终端在当前位置扫描到的基站。基站信息具体可以是基站标识。终端可以扫描到至少一个基站。例如,终端扫描到基站1-5,基站i的基站标识为标识i,其中i的取值范围为1-5。基于标识1-5生成定位请求。相应的,服务器端从定位请求中提取出标识1-5。基站标识具有唯一性,通过标识1-5可以确定基站1-5。当然,定位请求中的基站信息除了基站标识还可以包括基站信号强度。
服务器端在定位数据库中确定出与基站具有对应关系的至少一个候选地下建筑物对象。可以理解,若定位请求中的基站信息指示终端扫描到的基站为当前基站,那么在定位数据库中查找与当前基站匹配的基站,然后找到该匹配的基站对应的至少一个预设地下建筑物对象。由此,通过定位数据库找到了与当前基站具有对应关系的至少一个地下建筑物对象。
定位数据库的记录数据涉及多个预设基站,与当前基站匹配的基站可以通过下述方式从多个预设基站中确定:1)基于当前基站的基站标识确定匹配的基站,匹配的基站与当前基站的基站标识相同;2)若没有通过上述1)找到匹配的基站,从多个预设基站中,确定出与当前基站距离最近和/或与当前基站的信号覆盖范围重叠最多的预设基站,并将该预设基站作为匹配的基站。
服务器端基于候选地下建筑物对象的位置信息,对终端进行定位。在从定位数据库中确定出的候选地下建筑物对象的数量为1时,可以将该候选地下建筑物对象的位置信息作为终端的定位结果。在从定位数据库中确定出的候选地下建筑物对象的数量大于或等于2时,可以基于至少两个候选地下建筑物对象各自的位置信息得到终端的定位结果。若从定位数据库中确定出基站与该至少两个候选地下建筑物对象具有对象关系,那么基于该至少两个候选地下建筑物对象各自的位置信息分别进行经度提取和纬度提取,得到经度集合和纬度集合,然后,基于经度集合得到经度表征、以及基于纬度集合得到纬度表征;再者,基于经度表征和纬度表征得到终端的定位结果。其中,经度表征可以表征经度集合的均值或中位数,纬度表征可以表征纬度集合的均值或中位数。若从定位数据库中确定出基站与该至少两个候选地下建筑物对象具有对象关系的概率,那么可以将最大概率对应的地下建筑物对象的位置信息作为终端的定位结果;也可以以概率作为位置信息参与定位结果确定的权重来确定定位结果。比如,基于该至少两个地下候选建筑物对象各自的位置信息分别进行经度提取和纬度提取,得到经度集合和纬度集合,然后,基于经度集合得到经度表征、以及基于纬度集合得到纬度表征;再者,基于经度表征和纬度表征得到终端的定位结果。其中,经度表征可以表征按照上述权重对经度集合的处理结果,纬度表征可以表征按照上述权重对纬度集合的处理结果。
基于图学习构建定位数据库,定位数据库记载预设基站与其能够提供定位服务的预设地下建筑物对象之间的关系。在对终端进行定位时,可以从定位数据库中找到终端扫描到的基站所对应的地下建筑物对象,进而利用该地下建筑物对象的位置信息实现终端定位,准确高效。
此外,定位请求中的基站信息除了基站标识还可以包括基站信号强度。若终端扫描到至少两个基站。从定位数据库中确定出与每一基站具有对应关系的至少一个候选地下建筑物对象。若定位结果的确定涉及到不同基站各自对应的候选地下建筑物对象,可以以基站信号强度作为位置信息参与定位结果确定的权重。
进一步的,所述定位请求还携带有历史基站信息,所述历史基站信息指示所述终端扫描到的历史基站,所述基于所述候选地下建筑物对象的位置信息,对所述终端进行定位,可以包括下述步骤:基于所述候选地下建筑物对象的位置信息、以及历史地下建筑物对象的位置信息,对所述终端进行定位,所述历史地下建筑物对象是在所述定位数据库中确定出的与所述历史基站具有对应关系的地下建筑物对象。
终端的当前位置是待定位的位置。定位请求中的基站信息指示终端在当前位置扫描到的当前基站,定位请求中的历史基站信息指示终端在每一历史位置扫描到的历史基站。一个定位请求所涉及的当前位置和历史位置可以参与构成当前时间段的活动轨迹。由此,历史地下建筑物对象的位置信息可以提供约束信息,过滤掉至少一个地下建筑物对象提供的冲突位置信息,以提高利用地下建筑物对象的位置信息得到终端的定位结果的准确度。在确定约束信息时可以用到隐马尔可夫模型,以实现更准确有效的约束信息捕捉。此外,约束信息的确定可以用上终端提供的传感器信息,以帮助分析用户运动状态。
示例性的,地铁1号线包括地铁站1-10,它们按序排布。至少一个地下建筑物对象包括地铁站5和地下停车场a。历史地下建筑物对象包括地铁站1-4。历史地下建筑物对象的位置信息可以用于分析用户在当前时间段的行为模式,用户在当前时间段乘坐地铁1号线的可能性更大,可以过滤掉地下停车场a提供的冲突位置信息,进而将地铁站5的位置信息作为终端的定位结果。
此外,若定位请求中的基站信息还包括基站扫描时间,那么历史地下建筑物对象的位置信息、历史基站的基站扫描时间可以用于分析当前时间段的用户移动速度,以提供速度维度的约束信息。若至少一个地下建筑物对象包括地铁站5和地铁站6。历史地下建筑物对象包括地铁站1-4。通过历史地下建筑物对象的位置信息、历史基站的基站扫描时间和当前基站的基站扫描时间,可以确定各阶段的用户移动速度,阶段节点可以通过基站扫描时间确定。通过对用户移动速度的分析,可以判断地铁站5和地铁站6是否可达,进而过滤掉不可达地铁站提供的冲突位置信息。
以下将结合地铁定位场景,对本申请实施例提供的对应关系预测网络的训练方案进行具体介绍:
如图8所示,该方案提供的训练获得对应关系预测网络的步骤包括:
S801:获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地铁站具有对应关系,所述节点对应的所述预设基站为所述目标地铁站提供定位服务,所述边表征所述相连节点之间具有关联关系;
S802:获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地铁站;
S803:利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
S804:基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
基于图学习获得对应关系预测网络,对应关系预测网络可以用来进行对应关系预测,也即预测基站能够为哪些地铁站提供定位服务,进而借助预测的对应关系提高定位准确度。在训练过程中将第一类节点携带的对应关系真值标注作为约束,训练获得的对应关系预测网络能够实现针对包括第二类节点在内的所有节点的对应关系预测,提高了挖掘第二类节点的对应关系的准确度和效率,提升了定位所能借助的预测的对应关系的数量,有利于提高借助预测的对应关系进行定位的准确度。对于一些特殊的定位模块分布场景(如终端处于基站的信号覆盖范围;终端处于基站、Wi-Fi定位模块的信号覆盖范围,但Wi-Fi定位模块的信号强度不符合要求等),本申请提高了捕捉预设基站与预设地铁站之间对应关系的准确度和效率,本申请提高了依赖基站进行终端定位的准确度和效率。本申请适应于无GPS信号、Wi-Fi信号少的地下定位场景,可以为用户提供准确的定位结果,进而提高用户的导航体验。
相应的,在获取第一关联关系图时,与前述步骤S401-S404的区别在于所确定的预设区域包括多个预设地铁站。由此,获取每一预设地铁站对应的基站扫描结果;获取多个历史轨迹记录,每一历史轨迹记录包括至少两个轨迹点,轨迹点与预设区域中的任一地铁站的位置信息匹配,轨迹点对应的定位模块是基站;进而基于每一预设地铁站对应的基站扫描结果、每一轨迹点对应的定位模块构建第一关联关系图,基站扫描结果对应所述第一类节点,定位模块对应所述第二类节点,边表征相连节点指示同一预设地铁站。其中,与前述步骤S501-S503的区别在于基于每一预设地铁站对应的基站扫描结果构建针对第一类节点的第一图。
在获取每一节点的特征信息时,可以包括下述步骤:首先,确定节点对应的预设基站的表征位置;然后,确定表征位置所属的位置区域,以及确定位置属于位置区域的地铁站为周边地铁站;再者,基于周边地铁站得到特征信息,特征信息包括以下至少之一:周边地铁站的对象特征、周边地铁站的位置与表征位置的位置差异信息。
在此基础上,所构建的定位数据库也是针对地铁站的。在利用构建的定位数据库进行终端定位时,可以从终端发送的定位请求中提取出基站信息,基站信息指示终端扫描到的基站;然后,在定位数据库中确定出与基站具有对应关系的至少一个候选地铁站;再者,基于候选地铁站的位置信息,对终端进行定位。若定位请求还携带有历史基站信息,历史基站信息指示终端扫描到的历史基站。那么,基于候选地铁站的位置信息、以及历史地铁站的位置信息,对终端进行定位。其中,历史地铁站是在定位数据库中确定出的与历史基站具有对应关系的地铁站。
将这里提供的终端定位方式应用至相关应用程序以为用户提供定位服务。对比相关应用程序原来对于A城地铁定位场景、B城地铁定位场景的定位预测效果,应用这里提供的终端定位方式实现了定位预测效果的明显提升,可参考下表1:
城市名称 | 原来的定位预测准确度 | 现在的定位预测准确度 |
A城 | 0.950 | 0.971 |
B城 | 0.936 | 0.963 |
表1
由以上本申请实施例提供的技术方案可见,本申请实施例基于图学习获得对应关系预测网络,对应关系预测网络可以用来进行对应关系预测,也即预测基站能够为哪些地下建筑物对象提供定位服务,进而借助预测的对应关系提高定位准确度。在训练过程中将第一类节点携带的对应关系真值标注作为约束,训练获得的对应关系预测网络能够实现针对包括第二类节点在内的所有节点的对应关系预测,提高了挖掘第二类节点的对应关系的准确度和效率,提升了定位所能借助的预测的对应关系的数量,有利于提高借助预测的对应关系进行定位的准确度。对于一些特殊的定位模块分布场景(如终端处于基站的信号覆盖范围;终端处于基站、Wi-Fi定位模块的信号覆盖范围,但Wi-Fi定位模块的信号强度不符合要求等),本申请提高了捕捉预设基站与预设地下建筑物对象之间对应关系的准确度和效率,本申请提高了依赖基站进行终端定位的准确度和效率。本申请适应于无GPS信号、Wi-Fi信号少的地下定位场景,可以为用户提供准确的定位结果,进而提高用户的导航体验。
本申请实施例还提供了一种对应关系预测网络的训练装置,如图9所示,该对应关系预测网络的训练装置90包括:
第一获取模块901:用于获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地下建筑物对象具有对应关系,所述节点对应的所述预设基站为所述目标地下建筑物对象提供定位服务,所述边表征所述相连节点之间具有关联关系;
第二获取模块902:用于获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地下建筑物对象;
预测模块903:用于利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
训练模块904:用于基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
需要说明的,所述装置实施例中的装置与方法实施例基于同样的发明构思。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本申请实施例还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中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本申请实施例还提供了一种电子设备,所述电子设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述至少一个处理器加载并执行以实现上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出根据本申请实施例的一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图10,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,上述编程语言包括面向对象的编程语言—诸如Smalltalk、C+等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,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以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,上述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标准的功能也可以以不同于附图中所标准的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种对应关系预测网络的训练方法,其特征在于,所述方法包括:
获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地下建筑物对象具有对应关系,所述节点对应的所述预设基站为所述目标地下建筑物对象提供定位服务,所述边表征所述相连节点之间具有关联关系;
获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地下建筑物对象;
利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
2.根据权利要求1所述的方法,其特征在于,所述预设网络包括第一网络和第二网络,所述利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果,包括:
将所述所述第一关联关系图和每一所述节点的特征信息输入所述第一网络,以及利用所述第一网络基于每一所述节点的特征信息,对所述第一关联关系图进行边更新,得到第二关联关系图;
利用所述第二网络基于所述第二关联关系图,得到所述第一类节点的对应关系预测结果。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络,包括:
基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注,采用目标损失函数对所述第一网络和所述第二网络进行参数更新,直至所述目标损失函数的取值满足收敛条件,以得到所述对应关系预测网络。
4.根据权利要求1所述的方法,其特征在于,所述获取第一关联关系图,包括:
确定预设区域,所述预设区域包括多个预设地下建筑物对象;
获取每一所述预设地下建筑物对象对应的基站扫描结果;
获取多个历史轨迹记录,每一所述历史轨迹记录包括至少两个轨迹点,所述轨迹点与所述预设区域中的任一地下建筑物对象的位置信息匹配,所述轨迹点对应的定位模块是基站;
基于每一所述预设地下建筑物对象对应的基站扫描结果、每一所述轨迹点对应的定位模块构建所述第一关联关系图,所述基站扫描结果对应所述第一类节点,所述定位模块对应所述第二类节点,所述边表征所述相连节点指示同一所述预设地下建筑物对象。
5.根据权利要求4所述的方法,其特征在于,所述基于每一所述预设地下建筑物对象对应的基站扫描结果、每一所述轨迹点对应的定位模块构建所述第一关联关系图,包括:
基于每一所述预设地下建筑物对象对应的基站扫描结果构建针对所述第一类节点的第一图;
基于每一所述轨迹点对应的定位模块构建针对所述第二类节点的第二图;
按照预设规则对所述第一图和所述第二图进行融合,得到所述第一关联关系图。
6.根据权利要求5所述的方法,其特征在于,所述按照预设规则对所述第一图和所述第二图进行融合,得到所述第一关联关系图,包括:
确定所述第一图中边的第一总数、以及从所述第二图中确定出与所述第一图中边相同的边的第一数量;
确定所述第二图中边的第二总数、在所述第一图中确定出与所述第二图中边对应的节点对、以及确定不相连的节点对的数量得到第二数量;
在第一比较结果和/或第二比较结果符合所述预设规则的要求的情况下,融合所述第一图和所述第二图得到所述第一关联关系图,所述第一比较结果指示所述第一数量与所述第一总数的比值,所述第二比较结果指示所述第二数量与所述第二总数的比值。
7.根据权利要求1所述的方法,其特征在于,所述获取每一所述节点的特征信息,包括:
确定所述节点对应的所述预设基站的表征位置;
确定所述表征位置所属的位置区域,以及确定位置属于所述位置区域的地下建筑物对象为所述周边地下建筑物对象;
基于所述周边地下建筑物对象得到所述特征信息,所述特征信息包括以下至少之一:所述周边地下建筑物对象的对象特征、所述周边地下建筑物对象的位置与所述表征位置的位置差异信息。
8.根据权利要求1所述的方法,其特征在于,所述基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络之后,包括:
针对所述多个节点中的任一节点,利用所述对应关系预测网络得到所述节点的对应关系预测结果;
基于所述多个节点各自的对应关系预测结果,构建定位数据库。
9.根据权利要求8所述的方法,其特征在于,所述基于所述多个节点各自的对应关系预测结果,构建定位数据库之后,包括:
从终端发送的定位请求中提取出基站信息,所述基站信息指示所述终端扫描到的基站;
在所述定位数据库中确定出与所述基站具有对应关系的至少一个候选地下建筑物对象;
基于所述候选地下建筑物对象的位置信息,对所述终端进行定位。
10.根据权利要求9所述的方法,其特征在于,所述定位请求还携带有历史基站信息,所述历史基站信息指示所述终端扫描到的历史基站,所述基于所述候选地下建筑物对象的位置信息,对所述终端进行定位,包括:
基于所述候选地下建筑物对象的位置信息、以及历史地下建筑物对象的位置信息,对所述终端进行定位,所述历史地下建筑物对象是在所述定位数据库中确定出的与所述历史基站具有对应关系的地下建筑物对象。
11.一种对应关系预测网络的训练装置,其特征在于,所述装置包括:
第一获取模块:用于获取第一关联关系图,所述第一关联关系图包括多个节点以及相连节点之间的边,所述多个节点与多个预设基站一一对应,所述多个节点包括携带有对应关系真值标注的第一类节点和未携带对应关系真值标注的第二类节点,所述对应关系真值标注指示所述节点与目标地下建筑物对象具有对应关系,所述节点对应的所述预设基站为所述目标地下建筑物对象提供定位服务,所述边表征所述相连节点之间具有关联关系;
第二获取模块:用于获取每一所述节点的特征信息,所述特征信息指示所述节点对应的所述预设基站的周边地下建筑物对象;
预测模块:用于利用预设网络处理所述第一关联关系图和每一所述节点的特征信息,得到所述第一类节点的对应关系预测结果;
训练模块:用于基于所述第一类节点的对应关系预测结果与所述第一类节点携带的所述对应关系真值标注对所述预设网络进行训练,得到对应关系预测网络。
12.一种电子设备,其特征在于,所述电子设备包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由所述至少一个处理器加载并执行以实现如权利要求1-10任意一项所述的对应关系预测网络的训练方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-10任意一项所述的对应关系预测网络的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604172.0A CN116957005A (zh) | 2022-12-13 | 2022-12-13 | 对应关系预测网络的训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604172.0A CN116957005A (zh) | 2022-12-13 | 2022-12-13 | 对应关系预测网络的训练方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957005A true CN116957005A (zh) | 2023-10-27 |
Family
ID=88451721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604172.0A Pending CN116957005A (zh) | 2022-12-13 | 2022-12-13 | 对应关系预测网络的训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957005A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117459953A (zh) * | 2023-12-22 | 2024-01-26 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种多无人机基站航迹规划方法、系统、终端及存储介质 |
-
2022
- 2022-12-13 CN CN202211604172.0A patent/CN116957005A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117459953A (zh) * | 2023-12-22 | 2024-01-26 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种多无人机基站航迹规划方法、系统、终端及存储介质 |
CN117459953B (zh) * | 2023-12-22 | 2024-03-19 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种多无人机基站航迹规划方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN106600960B (zh) | 基于时空聚类分析算法的交通出行起讫点识别方法 | |
CN110457420B (zh) | 兴趣点位置识别方法、装置、设备及存储介质 | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
CN111144452B (zh) | 一种基于信令数据和聚类算法的移动用户出行链提取方法 | |
CN108898520B (zh) | 基于轨迹数据的学生安全监控方法和系统 | |
CN111222381A (zh) | 用户出行方式识别方法、装置、电子设备及存储介质 | |
CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
CN116957005A (zh) | 对应关系预测网络的训练方法、装置、设备及介质 | |
CN112699201B (zh) | 导航数据处理方法、装置、计算机设备和存储介质 | |
Fang et al. | CityTracker: Citywide individual and crowd trajectory analysis using hidden Markov model | |
CN112381298A (zh) | 空港旅客智能导航导乘自助服务系统 | |
CN116972860A (zh) | 偏航识别方法、装置、电子设备及存储介质 | |
GB2570853A (en) | Identifying sites visited by a user device | |
Jiang et al. | A framework of travel mode identification fusing deep learning and map-matching algorithm | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
CN111372182A (zh) | 一种定位方法、装置、设备及计算机可读存储介质 | |
CN111787490A (zh) | 伪基站轨迹识别方法、装置、设备和存储介质 | |
CN114245329B (zh) | 通行方式识别方法、装置、设备及存储介质 | |
Marakkalage et al. | Identifying indoor points of interest via mobile crowdsensing: An experimental study | |
CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
CN113032688A (zh) | 针对社交网络用户在未来给定时间的访问位置预测方法 | |
Wang et al. | A mobile localization algorithm based on fuzzy estimation for serious NLOS scenes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |