CN117693017A - 楼层识别方法、装置、设备及存储介质 - Google Patents
楼层识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117693017A CN117693017A CN202410148141.1A CN202410148141A CN117693017A CN 117693017 A CN117693017 A CN 117693017A CN 202410148141 A CN202410148141 A CN 202410148141A CN 117693017 A CN117693017 A CN 117693017A
- Authority
- CN
- China
- Prior art keywords
- wifi
- floor
- positioning
- information
- features
- 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 115
- 238000003860 storage Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 29
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 12
- 239000000284 extract Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000007418 data mining Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002015 leaf growth Effects 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
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了一种楼层识别方法、装置、设备及存储介质,涉及地图技术领域。包括:基于定位请求中的WiFi信息进行终端定位,得到终端定位结果;基于所述终端定位结果获取楼宇数据,所述楼宇数据包含所述终端定位结果所指示位置附近目标范围内楼宇的数据;对所述WiFi信息、所述终端定位结果以及所述楼宇数据中的至少两项进行特征提取,得到楼层识别特征,所述楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种;基于所述楼层识别特征进行楼层识别,得到楼层识别结果。本申请实施例提供的方法,能够基于周围楼宇数据以及WiFi信息进行楼层定位,有利于提升楼层定位的准确性。
Description
技术领域
本申请实施例涉及地图技术领域,特别涉及一种楼层识别方法、装置、设备及存储介质。
背景技术
现如今,伴随着定位技术的发展,室外定位技术已经逐步成熟,而在实际生活中同样存在室内定位需求。
相关技术中,在进行室内定位的过程中,可以通过图神经网络对某栋建筑中的网络信号的接入点进行建模,并将采集到的控件信号接入点信息和指纹信息进行融合,得到指纹图谱,从而通过神经网络对指纹图谱进行编码,最终使用人工收集的楼层信息作为真值进行训练,并在应用中根据获取到的信息确定当前所处楼层。
然而,由于构建指纹图谱以及训练神经网络模型需要大量的数据,并且仅通过对特定建筑中的网络信号进行建模,导致相关技术所提供的方案普适性较差。
发明内容
本申请实施例提供了一种楼层识别方法、装置、设备及存储介质。所述技术方案包括以下方面。
一方面,本申请实施例提供了一种楼层识别方法,所述方法包括如下步骤。
基于定位请求中的WiFi(Wireless Fidelity,无线保真)信息进行终端定位,得到终端定位结果;基于所述终端定位结果获取楼宇数据,所述楼宇数据包含所述终端定位结果所指示位置附近目标范围内楼宇的数据;对所述WiFi信息、所述终端定位结果以及所述楼宇数据中的至少两项进行特征提取,得到楼层识别特征,所述楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种;基于所述楼层识别特征进行楼层识别,得到楼层识别结果。
另一方面,本申请实施例提供了一种楼层识别装置,所述装置包括以下模块。
定位模块,用于基于定位请求中的WiFi信息进行终端定位,得到终端定位结果;获取模块,用于基于所述终端定位结果获取楼宇数据,所述楼宇数据包含所述终端定位结果所指示位置附近目标范围内楼宇的数据;特征提取模块,用于对所述WiFi信息、所述终端定位结果以及所述楼宇数据中的至少两项进行特征提取,得到楼层识别特征,所述楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种;楼层识别模块,用于基于所述楼层识别特征进行楼层识别,得到楼层识别结果。
另一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的楼层识别方法。
另一方面,提供了一种计算机可读存储介质,所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的楼层识别方法。
另一方面,本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面提供的楼层识别方法。
本申请实施例中,在终端定位的过程中需要进行楼层识别的情况下,先通过定位请求中的WiFi信息确定终端定位结果,从而基于终端定位结果、楼宇数据以及WiFi信息中的至少两种提取楼层识别特征,有利于将WiFi的特征与终端周围的楼宇数据的特征进行融合。在进行楼层识别的过程中考虑终端周围环境情况以及楼宇内外WiFi的辐射情况,再基于楼宇识别特征进行楼层识别,有利于提升楼层识别结果的准确性,并且,由于楼层识别特征包括WiFi特征、楼宇特征以及定位特征中的至少两种,即楼层识别特征融入了能表征终端地理位置、周围楼宇情况以及周围WiFi信号情况的特征,因此,在不同场景(即终端处于不同位置)中均能够保证楼层识别的准确性,适用性更强。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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示出了本申请一个示例性实施例提供的实施环境示意图。
图2示出了本申请一个示例性实施例提供的楼层识别方法的流程图。
图3示出了本申请一个示例性实施例提供的楼宇信息的示意图。
图4示出了本申请一个示例性实施例提供的WiFi网格的示意图。
图5示出了本申请一个示例性实施例提供的数据预处理的流程图。
图6示出了本申请一个示例性实施例提供的楼层识别特征构成的示意图。
图7示出了本申请一个示例性实施例提供的样本数据集的对比图。
图8示出了本申请一个示例性实施例提供的楼层识别的流程图。
图9示出了本申请一个示例性实施例提供的楼层识别模型的训练过程示意图。
图10示出了本申请一个示例性实施例提供的确定楼层标签的流程图。
图11示出了本申请一个示例性实施例提供的楼层识别方法的整体架构图。
图12示出了本申请一个示例性实施例提供的楼层识别装置的结构框图。
图13示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
WiFi位置库:用数据挖掘的方式可以获得每个WiFi的位置信息,将各个WiFi的位置信息组织到一起得到WiFi位置库,并且可以定期对WiFi的位置库进行更新。
WiFi属性库:与上述WiFi信号位置库类似,通过数据挖掘的方式,可以得到WiFi属性信息,属性信息存储于WiFi属性库,属性信息包括WiFi信号强度、WiFi覆盖半径、WiFi位置的置信度以及WiFi被连接的次数等等。
地理网格:是对空间地理信息按照一定的面积进行划分得到的网格,每个地理网格采用唯一的序号进行标识。
WiFi位置指纹:是利用扫描到的WiFi信息对实际地理位置进行刻画的表达形式。其中WiFi信息包含扫描到的MAC(Media Access Control Address,媒体介质访问控制)地址以及信号强度等等。
WiFi指纹库:是指真实地理位置和对应的WiFi信号位置指纹形成的WiFi指纹库,指纹库中真实地理位置能够精确到上述地理网格的层级,通常在10米左右,即每个地理网格对应独特的WiFi的集合信息。
指纹定位:是指利用无线信号(或其他环境特征)在不同环境上的空间差异性,将空间中特定位置上的无线信号特征(例如信号强度)作为该位置的指纹,建立上述WiFi指纹库,从而通过对指纹匹配的方式确定终端当前位置。
聚类定位:是指利用扫描到的WiFi位置进行加权聚类,从而得到定位结果,由于WiFi信号会随距离增加而衰减,因此,WiFi信号的信号强度一定程度上可以表征终端与WiFi信号发射源(即WiFi位置)之间距离的大小,因此,可以基于WiFi信号的信号强度确定WiFi位置的权重,从而基于多个WiFi位置共同确定终端当前位置。
楼宇信息:在某个位置点周围目标范围内的楼宇信息,包括楼宇位置、形状、高度等等。
图1示出了本申请一个示例性实施例提供的实施环境示意图。该实施环境中包括终端110以及定位服务器120。其中,终端110与服务器120之间通过通信网络进行数据通信,可选的,通信网络可以是局域网、城域网以及广域网中的至少一种。
终端110是具有定位请求功能的手机、电脑、智能语音交互设备、智能家电、车载终端以及飞行器等等,本实施例对此不做限定。采用本申请实施例所提供的方法进行楼层识别的过程中,终端110中使用无线网络定位功能需处于开启状态,以使得定位服务器120获取终端110的定位数据。终端110会扫描到附近的WiFi以及WiFi信号的信号强度等信息,随后将扫描到的WiFi信息上传至位置服务器120,从而使得定位服务器120基于WiFi信息进行终端定位,得到终端定位结果。
定位服务器120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、内容分发网络(Content Delivery Network,CDN)、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。本申请实施例中,服务器120基于接收到的WiFi信息为终端提供定位服务,基于终端110发送的定位请求中的WiFi信息进行终端定位,得到终端定位结果,再依次获得楼宇数据以及楼层识别特征,并且基于楼层识别特征进行楼层识别,得到楼层识别结果并返回至终端110。
示意性的,如图1所示,终端110具有定位需求的情况下,将定位请求发送至定位服务器120,定位服务器120基于接收到的定位请求中的WiFi信息进行终端定位,得到终端定位结果。随后,定位服务器120基于终端定位结果获取楼宇数据,并且对WiFi信息、终端定位结果以及楼宇数据中的至少两项进行特征提取,得到楼宇识别特征。最后定位服务器120基于楼层识别特征进行楼层识别,得到楼层识别结果。
在另一种可能的实施方式中,终端110与定位服务器120交互执行上述步骤,实现楼层识别。终端110向定位服务器120发送定位请求,定位服务器120根据定位请求中的WiFi信息进行终端定位,得到终端定位结果后将终端定位结果返回终端110。并且定位服务器120基于终端定位结果获取楼宇数据,并将楼宇数据发送至终端110,从而使终端110对WiFi信息、终端定位结果以及楼宇数据中的至少两项进行楼层识别,得到楼层识别结果。
在另一种可能的实施方式中,上述楼层识别过程由终端110执行,终端110基于定位请求的WiFi信息,进行终端定位,从而得到终端定位结果,随后基于终端定位结果获取定位结果周围目标环境内的楼宇数据,并基于楼宇数据、WiFi信息以及终端定位结果中的至少两项确定楼层识别特征,最后基于楼层识别特征实现楼层识别,得到楼层识别结果。可选的,终端110中存储有WiFi位置库、WiFi指纹库以及楼宇数据库,WiFi位置库、WiFi指纹库以及楼宇数据库基于终端的历史定位请求构建,在基于历史定位请求进行定位的过程中,终端110会将获取到的WiFi位置信息、WiFi指纹信息与地理网格的对应关系以及历史定位结果周围的楼宇数据分别保存至WiFi位置库、WiFi指纹库以及楼宇数据库。
可选的,WiFi位置库、WiFi指纹库以及楼宇数据库存储于云服务器,终端110与云服务器建立通信连接,且具有访问WiFi位置库、WiFi指纹库以及楼宇数据库的权限,在终端110具有楼层识别需求的情况下,首先访问WiFi位置库,获取WiFi位置信息。确定WiFi位置后通过访问WiFi指纹库从而实现WiFi指纹定位,并在确定终端定位结果后基于定位结果指示的位置访问楼宇数据库,从而获取楼宇数据。
为了方便表述,下述各个实施例以楼层识别方法由计算机设备执行为例进行说明。
本申请实施例提供的楼层识别方法,至少可以应用于如下场景。
场景1:室内导航场景。
在室内导航场景中,需要确定终端所处的楼层后再进行室内导航,则首先计算机设备通过室内定位方案进行终端定位,得到终端定位结果。随后根据终端定位结果获取周围楼宇数据,并对楼宇数据、室内定位请求中的WiFi信息以及终端定位结果中的至少两项进行特征提取,并基于楼层识别特征进行楼层识别,从而确定终端所处的楼层。在确定终端所处楼层后,计算机设备获取当前楼层的楼层地区,从而确定当前楼层中可规划路线,实现室内导航。
场景2:推荐系统场景。
终端中推荐系统会根据当前用户所处环境向用户推荐当前环境周围的相关服务,例如,用户处于商场中,终端则可以根据用户当前位置向用户推荐影院、购物以及美食等推荐内容。因此,计算机设备确定终端定位结果并获取楼宇数据,从而进一步确定楼层识别特征,再基于楼层识别特征进行楼层识别,以确定用户所处楼层。在确定用户所处楼层后终端优先向用户推荐所处楼层内的推荐内容。
场景3:应急救援场景。
在应急救援场景中,救援人员可能难以快速确定被困者所处的楼层位置,例如,用户在电梯中,电梯出现故障,则电梯所显示的楼层所可能不够准确,因此,用户可以通过本申请实施例提供的楼层识别方法快速确定被困的楼层数。首先计算机设备基于WiFi信息确定终端定位结果,并基于终端定位结果获取楼宇数据,随后进一步确定楼层识别特征后,基于楼层识别特征进行楼层识别,得到楼层识别结果。得到楼层识别结果后终端可以对外发送,从而告知当前所处位置,以使得救援人员实现快速救援。
需要说明的是,上述实施例中的应用场景仅做示例性说明,在其他需要基于WiFi信息进行楼层定位的场景下,也可以采用本申请实施例提供的方案,本申请并不对此构成限定。
此外,本申请实施例提供的楼层识别方法也可以应用于室外定位场景,即终端在楼宇外部的情况下进行楼层识别,例如,飞行器支持定位功能,则可以基于本申请实施例提供的楼层识别方法确定当前飞行器所处的高度。
请参考图2,其示出了本申请一个示例性实施例提供的楼层识别方法的流程图。本实施例以该方法用于计算机设备为例进行说明,该方法包括如下步骤。
步骤201,基于定位请求中的WiFi信息进行终端定位,得到终端定位结果。
在具有定位需求时,终端会向计算机设备发送定位请求,定位请求对应有定位日志,定位日志中可能包含GPS(Global Position System,全球定位系统)信息、扫描WiFi信息、连接WiFi信息、以及蓝牙信息等等,其中扫描WiFi信息以及连接WiFi信息均属于WiFi信息。
其中,扫描WiFi信息是指终端扫描到的WiFi信息,其中包括WiFi Mac地址、扫描信号强度RSSI以及WiFi的SSID。连接WiFi信息是指终端当前所连接WiFi的信息,其中包括WiFi Mac地址、连接信号强度RSSI(Received Signal Strength Indication,接收信号强度指示)以及连接WiFi的SSID。
计算机设备在接收到定位请求后,从定位请求中提取出WiFi信息,从而根据WiFi信息进行终端定位。基于WiFi信息进行定位的过程中,计算机设备根据扫描到的各个WiFi所处的位置实现终端定位。
可选的,计算机设备可以基于WiFi信息采用聚类定位或者WiFi指纹定位的方式实现终端定位。本质上是依赖WiFi信号进行终端定位。
步骤202,基于终端定位结果获取楼宇数据。
其中,楼宇数据包含终端定位结果所指示位置附近目标范围内楼宇的数据,并且目标范围可以是一个也可以是多个,例如,目标范围可以是3km、6km以及10km等等。
在确定终端定位结果之后,由于本申请实施例提供的方案中可能需要基于楼层特征进行楼层识别,因此计算机设备以终端定位结果为中心,从楼宇数据库中提取附近目标范围内的楼宇信息(楼宇数据),其中包括楼宇位置(所处经度以及纬度)、楼宇形状(楼宇轮廓)以及楼宇高度等等。
请参考图3,其示出了本申请一个示例性实施例提供的楼宇信息的示意图,图中,横纵坐标分别表示经度以及纬度,其中线条能够表征不同楼宇的轮廓,并且在不同楼宇轮廓中所标注的数字能够表征楼宇的高度。
步骤203,对WiFi信息、终端定位结果以及楼宇数据中的至少两项进行特征提取,得到楼层识别特征。
其中,楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种。
在一种可能的实施方式中,计算机设备对WiFi信息、终端定位结果以及楼宇数据均进行特征提取,得到楼层识别特征,则得到的楼层识别特征中同时包含WiFi特征、定位特征和楼宇特征。
在另一种可能的实施方式中,计算机设备可以基于具体场景对三种特征中的至少两种进行组合,可能基于同时包含WiFi特征、定位特征和楼宇特征的楼层识别特征进行楼层识别的准确率较低,则在这种情况下,计算机设备可以确定三种特征中引起楼层识别准确度较低的特征,并将该特征从楼层识别特征中去除。例如,确定WiFi特征导致楼层识别准确度较低,则计算机设备可以对终端定位结果以及楼宇数据进行特征提取,得到楼层识别特征,该楼层识别特征中包含定位特征以及楼宇特征。
进行特征提取可能包括提取数量特征、分布特征、属性特征以及统计特征等等。提取出的楼层识别特征能够表征当前终端所处位置、所处位置WiFi以及位置周围楼宇情况中的至少两种,有利于提高基于楼层识别特征进行楼层识别的准确性。
步骤204,基于楼层识别特征进行楼层识别,得到楼层识别结果。
在确定楼层识别特征后,计算机设备根据确定的楼层识别特征进行楼层识别。可选的,计算机设备通过对楼层识别特征的特征向量进行线性处理或者非线性处理的方式实现楼层识别。
可选的,计算机设备采用楼层识别模型基于楼层识别特征进楼层识别,得到楼层识别结果。
计算机设备基于楼层识别特征进行楼层识别的过程,即为基于楼层识别特征对终端当前楼层进行判别的过程,最终得到的判别结果即为楼层识别结果。
可选的,楼层识别结果可能用于表征具体楼层,也可能表征当前所处楼层的类型,其中楼层类型包括高层中层以及低层,或者楼层类型仅包括高层以及低层。
综上所述,本申请实施例中,在终端定位的过程中需要进行楼层识别的情况下,先通过定位请求中的WiFi信息确定终端定位结果,从而基于终端定位结果、楼宇数据以及WiFi信息中的至少两种提取楼层识别特征,有利于将WiFi的特征与终端周围的楼宇数据的特征进行融合。在进行楼层识别的过程中考虑终端周围环境情况以及楼宇内外WiFi的辐射情况,再基于楼宇识别特征进行楼层识别,有利于提升楼层识别结果的准确性,并且,由于楼层识别特征包括WiFi特征、楼宇特征以及定位特征中的至少两种,即楼层识别特征融入了能表征终端地理位置、周围楼宇情况以及周围WiFi信号情况的特征,因此,在不同场景(即终端处于不同位置)中均能够保证楼层识别的准确性,适用性更强。
在一种可能的实施方式中,在进行终端定位时,可以采用WiFi指纹定位或聚类定位的方式。下面对两种定位方式分别进行说明。
方式一:WiFi指纹定位。
首先,计算机设备基于定位请求中WiFi信息生成当前WiFi指纹,WiFi指纹即为WiFi位置指纹,通过扫描到的WiFi信息,对实际地理位置进行刻画。
WiFi位置指纹能够把实际环境中的位置和某种“指纹”联系起来,每个位置对应一个独特的指纹,该指纹可能是单维或多维的,例如,终端接收或发送信息,则该指纹可以是该信息的一个特征或多个特征,例如信号强度。因此,计算机设备可以基于定位请求中WiFi信息生成当前WiFi指纹。
随后,在生成WiFi指纹后,计算机设备基于当前WiFi指纹与指纹库之间的匹配情况,确定WiFi指纹定位结果。
其中,WiFi指纹库中包含地理网格与WiFi指纹之间的映射关系,其中指纹库中地理网格可以为10米。即WiFi指纹库相当于每个地理网格对应的WiFi信号集合信息。由于WiFi指纹库中包含空间中特定位置(地理网格)对应的位置指纹,因此,可以将当前WiFi指纹与WiFi指纹库中地理网格对应的位置指纹进行匹配,从而能够确定终端所处地理网格,即确定WiFi指纹定位结果。
对WiFi指纹与指纹库进行匹配的过程可以视为对当前扫描到WiFi信号的信号特征,与WiFi指纹文库中地理网格对应位置指纹所表征的WiFi信号的信号特征进行匹配的过程。其中,WiFi信号与位置相关的特征均能够作为WiFi指纹,例如在某地理网格中WiFi信号的多径特征、在某地理网格中WiFi信号的信号强度等等。
此外,计算机设备可以根据终端扫描到的WiFi信号命中地理网格的情况确定地理网格与定位请求的匹配情况。示意性的,请参考图4,其示出了本申请一个示例性实施例提供的地理网格,其中每个小格代表一个地理网格,地理网格中所标明的数字用于表征定位请求对应的WiFi信号与该地理网格的WiFi信号集合的交集数量,即交集WiFi的数量。例如,定位请求对应第一WiFi信号、第二WiFi信号以及第三WiFi信号。而存在某一地理网格的WiFi信号集合中包括第一WiFi信号、第二WiFi信号、以及第四WiFi信号等等,则交集WiFi为第一WiFi信号以及第二WiFi信号。因此,在确定可以确定交集WiFi信号的数量为2,则在图中该地理网格中的数字应当为2。
此外,图4中存在部分地理网格的左上角标注有数字标签,该数字标签用于表征在WiFi指纹定位的过程中,该地理网格与定位请求的匹配程度,由于该定位请求对应WiFi命中多个地理网格,因此,在对WiFi指纹与指纹库进行匹配过程中,需要确定该地理网格与定位请求的匹配程度,从而最终确定WiFi指纹定位结果。则该数字标签中的数字越小,则表明该地理网格与定位请求的匹配程度越高。
方式二:聚类定位。
首先,从WiFi信息中获取置信WiFi的信号强度。
计算机设备在接收到定位请求后,根据定位请求中的WiFi信息,通过数据挖掘的方式可以获得每个WiFi的位置信息。而由于采用数据挖掘的方式获取的WiFi位置信息可能并不准确,因此在采用数据挖掘方式获取WiFi位置信息时,能够获取到各个WiFi对应的位置挖掘置信度。其中,置信WiFi即为挖掘置信度高于置信度阈值的WiFi,采用置信WiFi进行聚类定位,有利于提高聚类定位的准确度。
随后,计算机设备基于置信WiFi的信号强度确定不同置信WiFi各自对应的聚类权重。
由于信号强度会伴随距离衰减,则信号强度一定程度上可以表征终端与WiFi位置之间的距离,则基于置信WiFi的信号强度确定的聚类权重即为各个WiFi对应的距离权重,从而根据多个WiFi位置以及多个WiFi与终端之间的距离权重进行加权聚类可以确定终端当前所处位置。
由于WiFi的信号强度越强一定程度上可以表明该WiFi位置挖掘置信度越准确,则置信WiFi的信号强度与该置信WiFi对应的聚类权重呈正相关关系,即置信WiFi的信号强度越强,该置信WiFi对应的聚类权重越重,有利于进一步提升聚类定位的准确性。
最后,计算机设备基于聚类权重对各个置信WiFi的WiFi位置进行加权聚类,得到聚类定位结果。
在一种可能的实施方式中,计算机设备还可以基于基站的位置进行聚类定位,在定位请求中包含cell(蜂窝)基站信息,计算机设备利用WiFi信息以及cell基站信息进行聚类定位,或者仅基于cell基站信息进行聚类定位,得到聚类定位结果。采用cell基站信息进行聚类定位的过程与仅基于WiFi信号位置进行聚类定位的过程类似,本实施例在此不做赘述。
需要说明的是,采用WiFi指纹定位与采用聚类定位这两种定位方式确定的聚类定位结果以及WiFi指纹定位结果可能相同也可能不同。
可选的,在根据终端定位结果所指示的位置获取目标范围内的楼宇数据的过程中,计算机设备基于WiFi指纹定位结果及聚类定位结果中的至少一项进行获取楼宇数据。可选的,计算机设备基于WiFi指纹定位结果以及聚类指纹定位结果的融合定位结果所指示的位置,获取周围目标范围内的楼宇数据。其中融合定位结果是WiFi指纹定位结果与聚类指纹定位结果的均值定位结果,或者是二者的加权定位结果等等。
本申请实施例中,对WiFi信息、终端定位结果以及楼宇数据中的至少两项进行特征提取,得到楼层识别特征,下面将分别对提取WiFi特征、定位特征以及楼宇特征的过程进行说明。
一、对楼宇数据进行特征提取,得到楼宇特征。
由于楼层识别特征中包括楼宇特征,楼宇特征是通过对楼宇数据进行特征提取得到的,楼宇数据中包含楼宇高度,在终端定位结果不同的情况下目标范围内包含楼宇数量也不同,因此,计算机设备可以从楼宇数量和楼宇和高度这两个维度进行特征提取。
则计算机设备基于楼宇数量和楼宇高度中的至少一个维度,对楼宇数据进行特征提取,得到楼宇特征。
其中,楼宇特征包括楼宇数量特征和楼宇高度特征中的至少一种,则楼宇特征能够表征在终端定位结果周围楼宇的分布情况。
可选的,计算机设备以聚类定位结果为中心,获取目标范围内的楼宇数据,再对不同范围对应的楼宇子数据进行数量特征提取,或者以WiFi指纹定位结果为中心,获取目标范围内的楼宇数据,再对不同范围对应的楼宇子数据进行数量特征提取。
1.1楼宇数量维度。
计算机设备对楼宇数据中不同范围对应的楼宇子数据进行数量特征提取,得到不同范围对应的楼宇数量特征。
其中,不同范围对应的楼宇子数据可能为周围3km、6km、10km范围内的楼宇数据。在获取到不同范围对应的楼宇子数据的情况下,计算机设备可以基于不同范围的楼宇子数据对不同范围内的楼宇数量进行统计,从而得到不同范围对应的楼宇数量特征。
1.2楼宇高度维度。
首先,楼宇数据中包含楼宇高度,则计算机设备可以获取楼宇数据中不同范围对应的楼宇子数据中包含的楼宇高度数据。
随后,计算机设备再对楼宇高度数据进行高度特征提取,得到不同范围对应的楼宇高度特征。通过获取不同范围对应的楼宇高度特征,有利于更加深刻的刻画楼宇高度特征,进而提升楼层识别的准确性。
可选的,计算机设备基于不同范围对应的楼宇高度数据,确定不同范围内楼宇高度数据的统计特征,从而将该统计特征作为不同范围对应的楼宇高度特征。
在获取到不同范围对应的楼宇子数据中包含的楼宇高度数据的情况下,计算机设备将不同范围中的各个楼宇的高度情况分别形成不同范围各自对应的高度序列,随后对不同高度序列中的高度数据进行统计特征提取。可选的,统计特征包括最大值、最小值、平均值、均方差、30分位数和60分位数中的至少一种。
例如,不同范围对应的楼宇子数据可能为周围3km、6km、10km范围内的楼宇数据。则可以形成三个高度序列分别为3km范围内的第一高度序列,6km范围内的第二高度序列,以及10km范围内的第三高度序列,随后再分别计算第一高度序列、第二高度序列以及第三高度序列的统计特征。
二、对WiFi信息进行特征提取,得到WiFi特征。
WiFi信息中主要包括扫描WiFi信息以及连接WiFi信息,并且WiFi特征应当用于刻画终端当前所处信号场情况,因此,可以从WiFi数量、WiFi分布以及WiFi属性等方面对终端所处信号场进行刻画,即WiFi特征包括WiFi数量特征、WiFi分布特征和WiFi属性特征中的至少一种。
则计算机设备提取出定位请求的WiFi信息后,基于WiFi数量、WiFi分布以及WiFi属性中的至少一个维度,对WiFi信息进行特征提取,得到WiFi特征。
2.1WiFi数量维度。
WiFi信息中可能包含扫描到的多个WiFi的扫描WiFi信息以及一个连接WiFi的连接WiFi信息,且连接WiFi应当为扫描WiFi中的一个。
在一种可能的实施方式中,由于WiFi信息中包含WiFi属性信息,则可以基于各个WiFi的WiFi属性值,统计不同属性分类中不同区间的WiFi数量作为WiFi数量特征。
首先,计算机设备基于WiFi信息获取各个WiFi的WiFi属性。
在WiFi信息中包含WiFi属性信息,因此计算机设备可以基于WiFi信息获取各个WiFi的WiFi属性。
随后,计算机设备基于同类WiFi属性下不同属性值区间内WiFi的WiFi数量,确定WiFi数量特征。
同类WiFi属性是指在同一属性分类维度下的WiFi,例如,WiFi属性可能为WiFi的覆盖面积以及WiFi信号的强度等等。而在同一WiFi属性下,各个WiFi的属性值可能不同,例如,各个WiFi的WiFi半径可能不同,WiFi信号的信号强度也可能不同。
示意性的,在WiFi的半径属性下(半径属性即为WiFi信号的覆盖范围半径),不同半径区间内WiFi的WiFi数量,确定WiFi数量特征。可以参考下式进行统计。
例如,WiFi信息指示存在三个WiFi的WiFi半径分别为50m,70m以及180m,则根据上式提供的规则确定WiFi数量特征的情况下,可以确定WiFi半径在[150m,∞)区间内WiFi数量为1,WiFi半径在[30m,150m]区间内的WiFi数量为2,WiFi半径在(0,30m]区间内的WiFi信号数量为0。
2.2WiFi属性维度。
WiFi信息中包括各个WiFi的属性信息,因此,计算机设备可以基于WiFi信息中的属性信息,对不同属性分类维度中各个WiFi的属性值进行统计特征提取,从而能够确定各个属性分类维度下各个WiFi的属性特征。
首先,基于WiFi信息获取各个WiFi的WiFi属性。随后对同类WiFi属性下的属性值进行统计特征提取,得到WiFi属性特征。
可选的,每个WiFi可以通过查询WiFi属性库确定WiFi的属性信息,属性信息可能包括半径信息、信号强度信息、信号频率信息等等。在获取到同类WiFi的属性信息的情况下,将同类WiFi属性的属性值组成属性序列,随后对该属性序列进行统计特征提取。
其中,统计特征可以包括最大值、最小值、平均值、均方差、30分位数和60分位数中的至少一种。
示意性的,计算机设备可以基于WiFi名称查询WiFi属性库以获取WiFi的半径信息,WiFi半径信息能够表示WiFi的覆盖情况。随后将各个WiFi的半径信息组成一个半径序列,再对该半径序列进行统计特征提取。例如,获取到不同WiFi的WiFi半径分别为50m、70m、180m以及30m,则可以确定属性特征包括WiFi半径的最大值为180m,最小值为30m等统计特征。
示意性的,计算机设备可以从WiFi信息中获取到各个WiFi信号的信号强度,随后将各个WiFi信号的信号强度组成信号强度序列,再对信号强度序列进行统计特征提取,从而得到WiFi属性特征、例如,WiFi信息中包含5个信号强度分别为-30dBm、-35dBm、-50dBm、-50dBm以及-70dBm,组成信号强度序列后,可以确定属性特征包括最强WiFi信号为-30dBm,最弱WiFi信号为-70dBm以及其他统计特征。
2.3WiFi分布维度。
WiFi分布维度能够表征扫描到的WiFi的位置分布情况。计算机设备可以基于WiFi信息挖掘WiFi的位置,从而可供计算机设备进一步确定WiFi分布特征。
首先,计算机设备基于WiFi信息获取各个WiFi的WiFi位置以及WiFi覆盖网格中的至少一项。
其中,WiFi信息对应多个WiFi,并且每个地理网格对应有WiFi列表,该WiFi列表,该WiFi列表表征在该WiFi网格中存在的历史WiFi信息。将终端扫描到的WiFi信号与各个WiFi信号网格的WiFi列表进行匹配,从而能够确定与终端扫描到的WiFi信号相匹配的地理网格(即WiFi信号列表中的WiFi信号与终端扫描到的WiFi信号之间存在交集的地理网格),即为WiFi覆盖网格。例如,第一地理网格对应第一WiFi列表包含第一WiFi、第二WiFi、第三WiFi、第四WiFi以及第五WiFi,第二地理网格对应第二WiFi列表包含第一WiFi、第二WiFi以及第六WiFi,则在终端扫描到的WiFi中包含第二WiFi的情况下,则第一地理网格与第二地理网格均为第二WiFi的覆盖网格。
计算机设备能够基于各个WiFi的WiFi位置进行聚类定位,并且可以根据WiFi的覆盖网络进行WiFi指纹定位。WiFi位置以及WiFi覆盖网格一定程度上能够表征终端扫描到的WiFi对应的位置分布情况。
随后,计算机设备对WiFi位置和WiFi覆盖网格中的至少一项进行特征提取,得到WiFi分布特征。
即计算机设备根据WiFi指纹定位过程中采用的WiFi位置或者根据聚类定位中采用的WiFi覆盖的地理网格均能够得到WiFi分布特征。
在基于各个WiFi的位置确定WiFi分布特征的情况下,首先计算机设备基于各个WiFi的WiFi位置,确定第一均值位置。再基于置信WiFi的WiFi位置,确定第二均值位置。
即计算机设备对各个WiFi的WiFi位置的经度值求均值,再对各个WiFi的WiFi位置的纬度值求均值,从而得到第一均值位置。同样的,对各个置信WiFi的WiFi位置的经度值求均值,再对各个置信WiFi的WiFi位置的纬度值求均值,从而得到第二均值位置。
最后,计算机设备确定各个WiFi与第一均值位置之间的第一距离均值,以及各个WiFi与第二均值位置之间的第二距离均值,再基于第一距离均值和第二距离均值中的至少一种,确定第一WiFi分布特征。
可选的,计算机设备确定各个WiFi与第一均值位置之间的第一距离,以及确定各个WiFi与第二均值位置之间的第二距离,再确定所有WiFi的第一距离以及第二距离的均值,并将其确定为第一WiFi分布特征。
可选的,计算机设备将第一均值距离确定为第一WiFi分布特征,或者将第二均值距离确定为第一WiFi信号分布特征。
计算机设备确定出的第一WiFi分布特征通过计算各个WiFi与均值位置之间的距离均值,从而确定WiFi分布特征,该分布特征能够表征终端所扫描到WiFi的位置分散程度,该分散程度与距离均值呈正相关关系,距离均值越远则表明各个WiFi越分散。
在基于WiFi覆盖网格确定WiFi分布特征的情况下,首先计算机设备确定各个WiFi的WiFi覆盖网格。随后,基于WiFi覆盖网格确定各个WiFi的第一并集网格数量,以及置信WiFi的第二并集网格数量。
其中,第一并集网格数量是指终端扫描到的各个WiFi的WiFi覆盖网格并集中地理网格的数量,第二并集网格数量是指终端扫描到的各个置信WiFi的WiFi覆盖网格并集中地理网格的数量。例如,终端扫描到三个WiFi,其中第一WiFi对应的WiFi覆盖网格为第一地理网格、第二地理网格、第三地理网格,第二WiFi对应的WiFi信号覆盖网格为第一地理网格、第四地理网格、第五地理网格,第三WiFi对应的WiFi信号覆盖网格为第四地理网格、第五地理网格、第六地理网格、第七地理网格以及第八地理网格,则可以确定第一并集网格包括第一地理网格、第二地理网格、第三地理网格、第四地理网格、第五地理网格、第六地理网格、第七地理网格以及第八地理网格,则第一并集网格数量为8。若其中第一WiFi以及第二WiFi为置信WiFi,则第二并集网格数量为5。
最后,计算机设备基于第一并集网格数量和第二并集网格数量中的至少一种,确定第二WiFi分布特征。
可选的,计算机设备可以将第一并集网格数量和第二并集网格数量中的一项确定为第二WiFi分布特征,也可以将第一并集网格数量和第二并集网格数量均确定为第二WiFi分布特征。
计算机设备通过确定WiFi覆盖网格数量确定第二WiFi分布特征,该分布特征用于表示终端所扫描到WiFi的WiFi位置的分散情况,其中并集网格数量越对,则表明WiFi位置越分散,即并集网格数量与WiFi位置的分散程度呈正相关关系。
三、对终端定位结果进行特征提取,得到定位特征。
3.1在终端定位结果只包含一种定位方式对应的定位结果的情况下,计算机设备对定位结果进行独立特征提取,得到该定位方式对应的独立定位特征。
在终端定位结果包括至少两种定位方式各自对应的定位结果的情况下,首先,计算机设备对不同定位方式的终端定位结果进行独立特征提取,得到不同定位方式各自对应的独立定位特征。
其中,独立定位特征能够表征采用以一种定位方式进行定位的过程中产生的中间数据的特征,以及采用该定位方式进行定位的得到的终端定位结果的特征。
可选的,在采用WiFi指纹定位方式进行定位的情况下,终端定位结果中包含WiFi指纹定位方式对应的定位结果。则计算机设备基于当前WiFi指纹,确定WiFi指纹定位中命中的地理网格数量,并将地理网格数量确定为WiFi指纹定位的独立定位特征。
在进行WiFi指纹定位的情况下,首先计算机设备会根据WiFi信息生成当前各个WiFi各自对应的WiFi指纹,随后该WiFi指纹与WiFi指纹库进行匹配,从而将能够与WiFi指纹匹配的地理网格确定为WiFi指纹定位中命中的地理网格数量。
在WiFi指纹定位过程中,计算机设备会将WiFi信号指纹与WiFi指纹库进行匹配,在匹配过程中是将WiFi位置库中表征地理网格位置的WiFi信号指纹与定位请求对应的WiFi信号指纹进行匹配,在某地理网格存在WiFi信号指纹能够与定位请求对应的WiFi信号指纹相匹配的情况下,确定该地理网格为WiFi指纹定位中命中的地理网格,由于可能存在多个地理网格均存在WiFi信号指纹能够与定位请求对应的WiFi信号指纹相匹配,则计算机设备可以统计命中的地理网格数量作为WiFi指纹定位的独立定位特征。
例如,定位请求对应有第一WiFi信号指纹、第二WiFi信号指纹以及第三WiFi信号指纹,且第一WiFi信号指纹与第一地理网格、第二地理网格、第三地理网格中包含的WiFi信号指纹相匹配,第二WiFi信号指纹与第一地理网格以及第三地理网格中包含的WiFi信号指纹相匹配,第三WiFi信号指纹与第一地理网格、第三地理网格、第四地理网格以及第五地理网格中包含的WiFi信号指纹相匹配,则可以确定WiFi指纹定位命中的地理网格为第一地理网格、第二地理网、第三地理网格第四地理网格以及第五地理网格,对应的WiFi指纹定位中命中的地理网格数量为5。
可选的,在采用聚类定位方式进行定位的情况下,终端定位结果中包含聚类定位方式对应的定位结果。则计算机设备将聚类定位过程中置信WiFi的置信WiFi数量确定为聚类定位的独立定位特征。
由于通常情况下,采用置信WiFi进行聚类定位的定位结果更加准确,因此计算机设备可以将置信WiFi的置信WiFi数量确定为聚类定位对应的独立定位特征。
3.2对不同定位方式的终端定位结果的差异进行特征提取,得到定位差异特征。
由于采用的定位方式不同,则在定位过程中对应的中间数据也不相同,不同方式进行定位所产生的终端定位结果之间存在差异,由于终端定位结果之间的差异在一定程度上也能够反应出楼层特征,因此,可以将定位差异特征作为楼层识别特征中的一项。
则计算机设备可以确定WiFi指纹定位结果所指示位置与聚类定位结果所指示位置之间的定位距离,并将定位距离确定为定位差异特征。
例如,该定位距离可以为WiFi指纹定位结果所指示位置与聚类定位结果所指示位置之间的直线距离。
3.3对不同定位方式的终端定位结果的共性进行特征提取,得到定位共性特征。
由于是基于同一定位请求对应的WiFi信息进行终端定位,因此不同定位方式进行终端定位的中间数据可能存在一定的共性,并且终端定位结果也可能存在一定共性,因此,可以将定位共性特征作为定位特征。
首先,计算机设备确定当前WiFi指纹的命中WiFi与置信WiFi之间的交集WiFi。
其中,命中WiFi指当前WiFi指纹在WiFi指纹库中命中的WiFi,即当前WiFi指纹中能够与WiFi指纹库中的WiFi相匹配的WiFi指纹。
随后,计算机设备将交集WiFi的数量以及交集WiFi的信号强度的统计特征,确定为定位共性特征。
在确定交集WiFi的信号强度统计特征的过程中,计算机设备先从WiFi信息中提取出交集WiFi的信号强度,并将其组成信号强度列表,随后基于该信号强度列表确定信号强度的统计特征,该统计特征可以包括最大值、最小值、平均值、均方差、30分位数和60分位数中的至少一种。
请参考图5,其示出了本申请一个示例性实施例提供的数据预处理的流程图,首先计算机设备解析定位请求中的WiFi信息,随后基于WiFi信息从WiFi位置库501以及WiFi属性库502中获取WiFi位置信息以及WiFi属性信息。再利用定位请求获取聚类定位结果以及指纹定位结果,在确定指纹定位结果的过程中需要将WiFi指纹与指纹数据库503进行匹配,从而得到指纹定位结果。最后,基于终端定位结果从楼宇数据库504中获取目标范围内的楼宇数据。
请参考图6,其示出了本申请一个示例性实施例提供的楼层识别特征构成内容的示意图。其中楼层识别特征包括WiFi特征601、定位特征602和楼宇特征603中的至少两种,其中,楼宇特征603包括楼宇数量特征6031和楼宇高度特征6032中的至少一种,WiFi特征601包括WiFi数量特征6011、WiFi分布特征6012和WiFi属性特征6013中的至少一种,定位特征602包括独立定位特征6021、定位差异特征6022以及定位共性特征6023中的至少一种。
本申请实施例中,提供了获取WiFi特征、定位特征和楼宇特征的具体实现方式,能够得到用于刻画WiFi数量、WiFi分布情况以及WiFi属性的WiFi特征,用于刻画终端周围楼宇数量以及楼宇高度的楼宇特征,以及能够刻画定位方式之间共性以及差异性的定位特征,从而计算机设备能够从不同维度表征当前终端所处位置周围楼宇环境以及终端所处WiFi网络环境,从而使得楼层识别的准确性提高。并且,能够在不同场景中均通过本申请实施例提供的方案得到楼层识别特征,从而使得本申请实施例提供的楼层识别方法的普适性更强。此外,能够在楼层识别结果较差,或出现badcase较多的情况下,基于样本特征分析结果较差的原因,从而对楼层识别特征进行调整。
在一种可能的实施方式中,在进行楼层识别时为了进一步保证楼层识别结果的准确性,终端会连续发送多次定位请求,从而能够基于多次定位请求对应的多次楼层识别结果最终确定出目标楼层识别结果,并返回终端。
计算机设备基于楼层识别结果以及历史楼层识别结果,确定目标楼层识别结果。
其中,历史楼层识别结果基于定位请求的上文定位请求确定得到,上文定位请求是指本次定位请求发送之前发送的定位请求对应的楼层识别结果,本次定位请求与上文定位请求发送的时间间隔小于间隔阈值。
可选的,在楼层识别结果与至少两次历史楼层识别结果相同的情况下,计算机设备确定楼层识别结果为目标楼层识别结果。在楼层识别结果与至少两次楼层识别结果不同的情况下,将重复次数最多的楼层识别结果确定为目标楼层识别结果。
示意性的,在需要进行楼层识别时,终端发送三次定位请求,其中第三次定位请求为当前定位请求,前面两次定位请求为上文定位请求,上文定位请求对应历史楼层识别结果。在三次楼层识别结果相同的情况下,计算机设备确定楼层识别结果为目标楼层识别结果,在三次楼层识别结果不完全相同的情况下,对三次楼层识别结果进行投票,最终确定重复次数最多的楼层识别结果为目标楼层识别结果。
本申请实施例中,通过当前楼层识别结果和历史楼层识别结果确定目标楼层识别结果,有利于进一步保证楼层识别结果的准确性。
在一种可能的实施方式中,计算机设备通过楼层识别模型基于楼层识别特征进行楼层识别,得到楼层识别结果。
计算机设备将楼层识别特征输入楼层识别模型,得到楼层识别模型输出的楼层识别结果。
本申请实施例中,该楼层识别模型基于样本定位请求对应的样本楼层识别特征以及楼层标签训练得到。
可选的,该楼层识别模型可以为lightGBM(light Gradient Boosting Machine,轻量级梯度提升算法)模型以及隐马尔可夫模型等等。其中,lightGBM模型采用单边梯度采样算除法,能够有效减少计算量,并且使用leaf-wise(按叶子生长)算法的增长策略构建决策树,能够减少不必要的计算,且能够降低内存消耗。此外,在训练过程中采用直方图算法基于楼层识别特征寻找最佳分支点,提升了训练速度。
本申请实施例中采用lightGBM模型,便于在楼层识别效果较差的情况下从样本特征入手分析导致性能较差的特征,能够在不同环境中动态的调试楼层识别模型,楼层识别方法的适用性更强。
由于在不同区域内的WiFi表现和楼层数据分布不同,则同一楼层识别模型的参数可能对于各个区域不能全部适用,因此在一种可能的实施方式中,根据地理区域进行划分,不同地理区域对应不同楼层识别模型,不同楼层识别模型之间楼层识别模型的类型可能相同也可能不同,模型的类型相同的情况下,楼层识别模型的参数有所不同。
并且,本申请实施例中不同地理区域的楼层识别模型是基于不同地理区域内样本定位请求对应的样本楼层识别特征以及楼层标签训练得到的。
在相关技术中进行模型训练通常会将全部样本楼层识别特征与楼层标签整理为统一数据集合。而由于不同区域WiFi信号表现和楼宇数据分布不同,则在对楼层识别模型进行训练的过程中,可以根据地理区域构建不同的样本子数据集,例如可以20km划分地理区域,从而保证每个样本子数据集中的特征分布具有较强的相似性,提升各个地理区域内楼层识别准确度的同时提升楼层识别模型的泛化能力。
图7示出了本申请一个示例性实施例提供的样本数据集的对比图。相关技术提供的方案中通常将全部样本特征以及样本特征对应的标签组织为一个统一的数据集合701,而本申请所提供的方案中按照不同地理区域进行划分,从而构建不同地理区域对应的样本子数据集,分别为地理区域1对应的第一样本子数据集702、地理区域2对应的第二样本子数据集703以及地理区域3对应的第三样本子数据集704。
可以在不同的样本数据子集上训练不同地理区域对应的区域楼层识别模型,各个地理区域对应的楼层识别模型均保存在模型库中,以供计算机设备在接收到定位请求后加载使用。
则计算机设备在通过楼层识别模型确定终端定位结果之前,首先,基于终端定位结果,确定终端定位结果所指示地理区域对应的目标楼层识别模型。
随后,计算机设备将楼层识别特征输入目标楼层识别模型,得到目标楼层识别模型输出的楼层识别结果。
图8示出了本申请一个示例性实施例提供的楼层识别的流程图。首先在接收到楼层识别请求后,计算机设备首先基于楼层识别请求进行数据处理从楼层识别请求中解析出扫描WiFi信息、连接WiFi信息、基站信息等等,并利用这些信息完成WiFi指纹定位以及聚类定位,从而进行楼宇数据的拉取,并保留定位过程的中间结果。再基于上述获取到的数据进行特征提取,得到WiFi特征、定位特征以及楼宇特征中的至少两种。随后,根据定位结果确定地理区域ID(Identity document,身份证明),从而在模型库801中拉取该地理区域ID对应的楼层识别模型,并且通过楼层识别模型进行楼层识别,得到对应的楼层识别结果。最后,需要进行规则后处理(根据上文请求对应的历史楼层识别结果以及楼层识别结果确定目标楼层识别结果),最终得到目标楼层识别结果。
本申请实施例中,不同地理区域对应不同的楼层识别模型,从而能够确保用于训练楼层识别模型的样本特征之间具有较强的相似性,从而使得训练完成的楼层识别模型泛化性较强,能够适用于不同地理区域。并且,采用lightGBM模型能够针对坏示例调整楼层识别特征,从而在应用阶段及时调整楼层识别模型的输入特征,以确保准确度。
在使用楼层训练模型之前,应当先基于样本楼层识别特征以及楼层标签对楼层识别模型进行训练,从而得到训练完成的楼层识别模型。下面将通过一个示例性实施例对楼层识别模型的训练过程进行说明。
请参考图9,其示出了本申请一个示例性实施例提供的楼层识别模型的训练过程示意图。该过程包括以下步骤。
步骤901,获取包含WiFi连接信息的历史定位请求。
在训练楼层识别模型的过程中,需要确定样本楼层识别特征,在确定样本楼层识别特征之前,可以获取历史定位请求,从而解析历史定位请求中的WiFi信息。
在一些场景下,关于一些建筑中的楼层数能够与WiFi的SSID(Service SetIdentifier,服务集标识符)一一对应,例如,在酒店中各个酒店房间的房间号能够与该房间的WiFi的SSID相对应,或者在住宅楼中WiFi名称SSID中也可能包含楼层信息。可以从WiFi-POI绑定模块的输出中获取到相应建筑的WiFi信息。因此,可以先获取包含WiFi连接信息的历史定位请求,从而有利于确定该WiFi连接信息是否能够与建筑内的楼层具有相对应的关系。并且,WiFi信息中WiFi连接信息能够表征终端当前所连接WiFi的信息,则连接WiFi信息相较于扫描WiFi信息能够更加准确的表征终端当前的楼层特征,因此获取包含连接WiFi信息的历史定位请求,从而进一步确定样本定位请求。
步骤902,将WiFi连接信息中包含楼层信息的历史定位请求确定为样本定位请求。
由于一些WiFi对应的WiFi连接信息中并不包含与楼层相关的楼层信息,则通过这些WiFi连接信息无法的解析出楼层信息,若某个历史定位请求中全部连接WiFi信息中均不包含于楼层相关的楼层信息,则将该历史定位请求确定为样本定位请求后无法根据楼层信息确定楼层标签。因此计算机设备将连接WiFi信息中包含楼层信息的历史定位请求确定为样本定位请求,从而可以从WiFi信息中提取楼层信息,以确定楼层标签。计算机设备将连接WiFi信息中包含楼层信息的历史定位请求确定为样本定位请求,有利于更加准确的确定该定位请求对应的楼层标签,从而保证楼层识别模型的训练效果。
示意性的,表1示出了本申请一个示例性实施例提供的SSID与酒店名称对应关系表。
表1
其中,WiFi的SSID与酒店名称相对应,并且WiFi的SSID中包含对应的房间信息,该房间信息中包含楼层信息。例如,上表中SSID为HINN-429的WiFi,该SSID中包含房间信息为429,则其中对应的楼层信息为4楼。
首先,计算机设备可以使用WiFi-POI绑定模块,得到大量日志中WiFi-POI(PointOf Interest,兴趣点)的关联关系,确定关联关系主要基于WiFi名称和POI的自然语言相似性以及WiFi和POI的位置关系相似性。
随后,计算机设备在所有WiFi-POI绑定关系中根据建筑名称抽取相关的WiFi-POI关系对,形成目标SSID库,目标SSID库中包括包含建筑信息,建筑SSID信息以及建筑WiFi信息。
在确定目标SSID库之后,计算机设备可以根据SSID库确定连接信息中包含楼层信息的历史定位请求。
首先,计算机设备将WiFi连接信息中包含的已连接SSID与目标SSID库进行匹配,从而确定连接WiFi是否属于建筑WiFi,即相当于确定是否能够基于该方案生成楼层标签。在目标SSID库中不存在与已连接SSID匹配的SSID的情况下,则表明不能通过本申请实施例示出的方式确定楼层标签。其中,目标SSID库中包含历史提取到楼层信息的SSID。其中,建筑WiFi是指位于特定建筑的WiFi,特定建筑可以为酒店、写字楼、商场等等,在特定建筑中WiFi的SSID可能包含用于表征楼层的字符串。
在目标SSID库中存在与已连接SSID匹配的SSID的情况下,计算机设备基于楼层信息解析规则对已连接SSID进行解析。先从已连接SSID中解析出连接WiFi对应的房间信息,再从房间信息中解析出楼层信息。
可选的,在目标SSID库中存储有SSID关键词,在目标SSID库中存在于已连接SSID匹配的SSID关键词的情况下,基于楼层细腻解析规则对已连接SSID进行解析。
在解析得到楼层信息的情况下,计算机设备将历史定位请求确定为样本定位请求。
步骤903,基于样本定位请求进行特征提取,得到样本楼层识别特征。
获取样本楼层识别特征的具体实施方式可以参照上述实施例中获取楼层识别特征的内容,本实施例对此不做赘述。
步骤904,基于样本定位请求中WiFi连接信息包含楼层信息,生成楼层标签。
本申请实施例中,基于样本定位请求中WiFi连接信息包含楼层信息,可以生成两种形式的楼层标签,两种形式分别为用于表征楼层号的楼层标签,以及用于表征楼层类型的楼层标签。不同形式的楼层标签基于楼层识别需求确定,不同形式的楼层对应的楼层识别需求精度不同,其中用于表征楼层号的楼层标签对应的楼层识别需求精度更高,用于表征楼层类型的楼层标签对应的楼层识别需求精度较低。
则在楼层信息包括楼层号的情况下,计算机设备将楼层号确定为楼层标签;或者在楼层信息包括楼层号的情况下,计算机设备将楼层号所属的楼层类型确定为楼层标签。其中楼层类型可能为低层或高层,或者楼层类型为低层、中层以及高层。
将楼层号确定为楼层标签后,计算机设备采用该楼层标签引导楼层识别模型进行训练,则训练完成的楼层识别模型在应用阶段,会根据输入的楼层识别特征输出楼层数。
将楼层号所属的楼层类型确定为楼层标签,则可以根据以下规则确定楼层标签。
其中,为楼层标签,将楼层数大于8层作为高层样本,将楼层数小于4层作为底
层样本。
将楼层号所属的楼层类型确定为楼层标签后,计算机设备采用该楼层标签对楼层识别模型进行训练,则训练完成的楼层识别模型在应用阶段,会根据输入的楼层识别特征输出终端所处楼层的楼层类型。
步骤905,将样本楼层特征输入楼层识别模型,得到预估楼层识别结果。
得到预估楼层识别结果的具体实施步骤可以参照上述实施例中确定楼层识别结果的内容,本实施例在此不做赘述。
步骤906,基于预估楼层识别结果与楼层标签之间的预估损失,训练楼层识别模型。
预估损失即为预估楼层识别结果与楼层标签之间的差异,基于预估楼层识别结果与楼层标签之间的预估损失,训练楼层识别模型的过程即为调整楼层识别模型参数以使得预估损失逐渐减小的过程。
请参考图10,其示出了本申请一个示例性实施例提供的确定楼层标签的流程图。首先,从请求日志库1001中获取历史定位请求,并解析历史定位请求中的连接WiFi信息,其中,请求日志库1001存储有历史定位请求的请求日志,请求日志中包含GPS信息、扫描WiFi信息、连接WiFi信息以及蓝牙信息等。随后基于酒店SSID库(目标SSID库)1002对包含SSID信息的连接WiFi信息进行筛选,从而确定样本定位请求,并且解析SSID信息,以确定楼层信息,并根据楼层信息确定楼层标签。另一方面,在构建酒店SSID库1002的过程中,先基于WiFi-POI绑定关系,从请求日志库中获取WIFI-POI绑定结果,从而进行酒店WiFi信息的提取,构建酒店SSID库1002。
本申请实施例中,基于目标SSID库以及自动生成楼层标识,能够避免人工采集楼层标签,或者需要获取WiFi的AP(Access Point,无线接入点)位置信息,从而节省人工成本。另外,分区域构建训练集合,训练不同的楼层识别模型,有利于增强本方案的泛化性,能够更加准确的适配各种场景。
在一种可能的实施方式中,在定位请求中包含WiFi连接信息的情况下,从WiFi连接信息中提取已连接SSID。随后再对已连接SSID进行楼层信息提取。
其中,对已连接SSID进行楼层信息提取的具体实施过程可以参考上述步骤903,本实施例对此不做赘述。
在从已连接SSID中提取到楼层信息的情况下,计算机设备基于提取到的楼层信息以及楼层识别结果,确定目标楼层识别结果。
在一种可能的实施方式中,计算机设备能够从已连接SSID中获取到楼层信息,例如,连接SSID为“D-INN-616”,则其中包含楼层信息为6楼。然而由于WiFi的覆盖范围较大,可能用户当前不在SSID包含的楼层信息所指示的楼层,因此,若直接将已连接SSID中包含的楼层信息确定为目标楼层识别结果,则楼层识别结果不够准确,例如,用户当前处于5楼,则也可能连接到6楼的WiFi。因此,可以将楼层信息与楼层识别结果进行结合,从而确定目标楼层识别结果。
可选的,在楼层信息包括楼层号的情况下,计算机设备将楼层号与楼层识别结果进行结合,从而确定目标楼层识别结果。或者,在楼层信息包括楼层号的情况下,计算机设备将楼层号所处的楼层类型与楼层识别结果进行结合,从而确定目标楼层识别结果。
可选的,在楼层信息包括楼层号,且楼层号与楼层识别结果不同的情况下,计算机设备基于预设权重对楼层号与楼层识别结果进行加权平均,得到目标楼层识别结果,其中楼层识别结果对应的权重不低于楼层号对应的权重。
可选的,在楼层信息包括楼层号,且楼层号与楼层识别结果之间楼层差值大于差值阈值的情况下,计算机设备重新进行定位请求,以重新获取楼层定位结果直至该楼层差值小于差值阈值。
可选的,在楼层信息包括楼层号,且楼层号对应的楼层类型与楼层识别结果指示的楼层类型不一致的情况下,计算机设备重新进行定位请求,以重新获取楼层定位结果。
可选的,在楼层信息包括楼层号的情况下,计算机设备将楼层号确定为目标楼层识别结果。或者,在楼层信息包括楼层号的情况下,计算机设备将楼层号所属的楼层类型确定为目标楼层识别结果。
本申请实施例中,通过解析定位请求中的已连接SSID信息,确定楼层信息,从而基于楼层信息与楼层识别结果共同确定目标楼层识别结果,有利于进一步提高楼层识别结果的准确性。
请参考图11,其示出了本申请一个示例性实施例提供的楼层识别方法的整体架构图。其中包括离线阶段以及实时阶段两个部分,其中离线阶段对应楼层识别模型的训练阶段,实时阶段对应模型训练完成的应用阶段。其中包括数据预处理阶段1110,标签生成阶段1120,特征生成阶段1130以及线上实时阶段1140。其中,数据预处理阶段1110中,首先计算机设备解析定位请求中的WiFi信息,随后基于WiFi信息从WiFi位置库1111以及WiFi属性库1112中获取WiFi位置信息以及WiFi属性信息。再利用定位请求获取聚类定位结果以及指纹定位结果,在确定指纹定位结果的过程中需要将WiFi指纹与指纹数据库1113进行匹配,从而得到指纹定位结果。最后计算机设备基于终端定位结果从楼宇数据库1114中获取目标范围内的楼宇数据。特征生成阶段1130中,基于终端定位结果生成定位特征、WiFi特征以及楼宇特征,其中,定位特征可能包括不同定位方式的独立定位特征、定位差异特征以及定位共性特征,WiFi特征中可能包括WiFi数量特征、WiFi分布特征以及WiFi属性特征,根据周围的楼宇数量数据以及楼宇高度数据可以确定楼宇数量特征以及楼宇高度特征。在标签生成阶段1120中,计算机设备首先从请求日志库1121中获取历史定位请求的连接WiFi信息,随后从基于酒店SSID库1122确定定位请求是否为样本定位请求,并对样本定位请求对应的连接WiFi的SSID信息进行解析,确定楼层信息,从而确定楼层标签。在得到样本楼层识别特征(特征生成单元的输出数据)以及楼层标签后,基于样本楼层识别特征以及楼层标签训练lightGBM模型,并将训练后的lightGBM模型保存至模型库。在线上实时阶段1140中,计算机设备首先从模型库1141中提取地理区域对应的楼层识别模型,并进行楼层识别特征的实时计算从而使楼层识别模型根据楼层识别特征进行楼层识别。在得到楼层识别模型输出的楼层识别结果后进行规则后处理,从而得到目标楼层识别结果。
图12是本申请一个示例性实施例提供的楼层识别装置的结构框图,如图12所示,该装置包括以下模块。
定位模块1201,用于基于定位请求中的WiFi信息进行终端定位,得到终端定位结果;获取模块1202,用于基于所述终端定位结果获取楼宇数据,所述楼宇数据包含所述终端定位结果所指示位置附近目标范围内楼宇的数据;
特征提取模块1203,用于对所述WiFi信息、所述终端定位结果以及所述楼宇数据中的至少两项进行特征提取,得到楼层识别特征,所述楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种;楼层识别模块1204,用于基于所述楼层识别特征进行楼层识别,得到楼层识别结果。
可选的,楼层识别特征包括所述楼宇特征;所述特征提取模块1203,用于基于楼宇数量和楼宇高度中的至少一个维度,对所述楼宇数据进行特征提取,得到所述楼宇特征,所述楼宇特征包括楼宇数量特征和楼宇高度特征中的至少一种。
可选的,所述特征提取模块1203,用于对所述楼宇数据中不同范围对应的楼宇子数据进行数量特征提取,得到不同范围对应的所述楼宇数量特征;获取所述楼宇数据中不同范围对应的楼宇子数据中包含的楼宇高度数据;对所述楼宇高度数据进行高度特征提取,得到不同范围对应的所述楼宇高度特征。
可选的,楼层识别特征包括所述WiFi特征;所述特征提取模块1203,用于基于WiFi数量、WiFi分布以及WiFi属性中的至少一个维度,对所述WiFi信息进行特征提取,得到所述WiFi特征,所述WiFi特征包括WiFi数量特征、WiFi分布特征和WiFi属性特征中的至少一种。
可选的,所述特征提取模块1203,用于基于所述WiFi信息获取各个WiFi的WiFi属性;基于同类WiFi属性下不同属性值区间内WiFi的WiFi数量,确定所述WiFi数量特征;基于所述WiFi信息获取各个WiFi的WiFi属性;对同类WiFi属性下的属性值进行统计特征提取,得到所述WiFi属性特征;基于所述WiFi信息获取各个WiFi的WiFi位置以及WiFi覆盖网格中的至少一项,所述WiFi覆盖网格用于表征WiFi覆盖的地理网格;对所述WiFi位置和WiFi覆盖网格中的至少一项进行特征提取,得到所述WiFi分布特征。
可选的,所述特征提取模块1203,用于基于各个WiFi的所述WiFi位置,确定第一均值位置;基于置信WiFi的所述WiFi位置,确定第二均值位置;确定各个WiFi与所述第一均值位置之间的第一距离均值,以及各个WiFi与所述第二均值位置之间的第二距离均值;基于所述第一距离均值和所述第二距离均值中的至少一种,确定第一WiFi分布特征;确定各个WiFi的所述WiFi覆盖网格;基于所述WiFi覆盖网格确定各个WiFi的第一并集网格数量,以及置信WiFi的第二并集网格数量;基于所述第一并集网格数量和所述第二并集网格数量中的至少一种,确定第二WiFi分布特征;其中,所述置信WiFi为置信度高于置信度阈值的WiFi。
可选的,所述楼层识别特征包括所述定位特征,且所述终端定位结果包括至少两种定位方式各自对应的定位结果;所述特征提取模块1203,用于对不同定位方式的所述终端定位结果进行独立特征提取,得到不同定位方式各自对应的独立定位特征;对不同定位方式的所述终端定位结果的差异进行特征提取,得到定位差异特征;对不同定位方式的所述终端定位结果的共性进行特征提取,得到定位共性特征。
可选的,至少两种所述定位方式包括WiFi指纹定位以及聚类定位;所述定位模块1201,用于从所述WiFi信息中获取置信WiFi的信号强度;基于所述置信WiFi的信号强度确定不同置信WiFi各自对应的聚类权重;基于所述聚类权重对各个置信WiFi的WiFi位置进行加权聚类,得到聚类定位结果;基于所述定位请求中的所述WiFi信息生成当前WiFi指纹;基于所述当前WiFi指纹与WiFi指纹库的匹配情况,确定WiFi指纹定位结果,所述WiFi指纹库中包含地理网格与WiFi指纹之间的映射关系。
可选的,所述特征提取模块1203,用于基于所述当前WiFi指纹,确定WiFi指纹定位过程中命中的地理网格数量;将所述地理网格数量确定为WiFi指纹定位的所述独立定位特征;将聚类定位过程中所述置信WiFi的置信WiFi数量确定为聚类定位的所述独立定位特征。
可选的,所述特征提取模块1203,用于确定所述WiFi指纹定位结果所指示位置与所述聚类定位结果所指示位置之间的定位距离;将所述定位距离确定为所述定位差异特征。
可选的,所述特征提取模块1203,用于确定所述当前WiFi指纹的命中WiFi与所述置信WiFi之间的交集WiFi,所述命中WiFi指所述当前WiFi指纹在所述WiFi指纹库中命中的WiFi;将所述交集WiFi的数量以及所述交集WiFi的信号强度的统计特征,确定为所述定位共性特征。
可选的,所述装置还包括后处理模块,用于基于所述楼层识别结果以及历史楼层识别结果,确定目标楼层识别结果,所述历史楼层识别结果基于所述定位请求的上文定位请求确定得到。
可选的,所述定位模块1201,用于将所述楼层识别特征输入楼层识别模型,得到所述楼层识别模型输出的所述楼层识别结果,所述楼层识别模型基于样本定位请求对应的样本楼层识别特征以及楼层标签训练得到。
可选的,所述定位模块1201,用于基于所述终端定位结果,确定所述终端定位结果所指示地理区域对应的目标楼层识别模型,其中,不同地理区域对应不同楼层识别模型,不同地理区域的所述楼层识别模型基于不同地理区域内样本定位请求对应的所述样本楼层识别特征以及所述楼层标签训练得到;将所述楼层识别特征输入所述目标楼层识别模型,得到所述目标楼层识别模型输出的所述楼层识别结果。
可选的,所述装置还包括标签生成模块,用于获取包含WiFi连接信息的历史定位请求;所述标签生成模块,还用于将所述WiFi连接信息中包含楼层信息的所述历史定位请求确定为所述样本定位请求;所述标签生成模块,还用于基于所述样本定位请求进行特征提取,得到所述样本楼层识别特征;所述标签生成模块,还用于基于所述样本定位请求中所述WiFi连接信息包含所述楼层信息,生成所述楼层标签。
可选的,所述标签生成模块,用于将所述WiFi连接信息中包含的已连接SSID与目标SSID库进行匹配,所述目标SSID库中包含历史提取到楼层信息的SSID;在所述目标SSID库中存在与所述已连接SSID匹配的SSID的情况下,基于楼层信息解析规则对所述已连接SSID进行解析;在解析得到所述楼层信息的情况下,将所述历史定位请求确定为所述样本定位请求。
可选的,所述标签生成模块,用于在所述楼层信息包括楼层号的情况下,将所述楼层号确定为所述楼层标签;或者,在所述楼层信息包括楼层号的情况下,将所述楼层号所属的楼层类型确定为所述楼层标签。
可选的,所述装置还包括信息提取模块,用于在所述定位请求中包含WiFi连接信息的情况下,从所述WiFi连接信息中提取已连接SSID;所述信息提取模块,用于对所述已连接SSID进行楼层信息提取;确定模块,用于在从所述已连接SSID中提取到楼层信息的情况下,基于提取到的所述楼层信息以及所述楼层识别结果,确定目标楼层识别结果。
综上所述,本申请实施例中,在终端定位的过程中需要进行楼层识别的情况下,先通过定位请求中的WiFi信息确定终端定位结果,从而基于终端定位结果、楼宇数据以及WiFi信息中的至少两种提取楼层识别特征,有利于将WiFi的特征与终端周围的楼宇数据的特征进行融合。在进行楼层识别的过程中考虑终端周围环境情况以及楼宇内外WiFi的辐射情况,再基于楼宇识别特征进行楼层识别,有利于提升楼层识别结果的准确性,并且,由于楼层识别特征包括WiFi特征、楼宇特征以及定位特征中的至少两种,即楼层识别特征融入了能表征终端地理位置、周围楼宇情况以及周围WiFi信号情况的特征,因此,在不同场景(即终端处于不同位置)中均能够保证楼层识别的准确性,适用性更强。
请参考图13,其示出了本申请一个示例性实施例提供的计算机设备的结构示意图,计算机设备可实现为上述实施例中的终端或定位服务器。具体来讲:所述计算机设备1300包括中央处理单元(Central Processing Unit,CPU)1301、包括随机存取存储器1302和只读存储器1303的系统存储器1304,以及连接系统存储器1304和中央处理单元1301的系统总线1305。所述计算机设备1300还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(Input/Output,I/O系统)1306,和用于存储操作系统1313、应用程序1314和其他程序模块1315的大容量存储设备1307。
在一些实施例中,所述基本输入/输出系统1306包括有用于显示信息的显示器1308和用于用户输入信息的诸如鼠标、键盘之类的输入设备1309。其中所述显示器1308和输入设备1309都通过连接到系统总线1305的输入输出控制器1310连接到中央处理单元1301。所述基本输入/输出系统1306还可以包括输入输出控制器1310以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1310还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1307通过连接到系统总线1305的大容量存储控制器(未示出)连接到中央处理单元1301。所述大容量存储设备1307及其相关联的计算机可读介质为计算机设备1300提供非易失性存储。也就是说,所述大容量存储设备1307可以包括诸如硬盘或者驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括随机存取记忆体(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、闪存或其他固态存储其技术,只读光盘(Compact Disc Read-Only Memory,CD-ROM)、数字通用光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1304和大容量存储设备1307可以统称为存储器。
存储器存储有一个或多个程序,一个或多个程序被配置成由一个或多个中央处理单元1301执行,一个或多个程序包含用于实现上述方法的指令,中央处理单元1301执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例,所述计算机设备1300还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1300可以通过连接在所述系统总线1305上的网络接口单元1311接到网络1312,或者说,也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序,所述一个或者一个以上程序存储于存储器中,所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由计算机设备所执行的步骤。
本申请实施例还提供一种计算机可读存储介质,该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述任一实施例所述的楼层识别方法。
本申请实施例提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述方面提供的楼层识别方法。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任一方法实施例所述的楼层识别方法。
可选地,该计算机可读存储介质可以包括:ROM、RAM、固态硬盘(Solid StateDrives,SSD)或光盘等。其中,RAM可以包括电阻式随机存取记忆体(Resistance RandomAccess Memory,ReRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
需要说明的是,本申请所涉及的信息(包括但不限于终端扫描到的WiFi信息、终端定位结果)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号,均为经用户授权或者经过各方充分授权的,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。
且本申请在收集用户的相关数据之前以及在收集用户的相关数据的过程中,都可以显示提示界面、弹窗或输出语音提示信息,该提示界面、弹窗或语音提示信息用于提示用户当前正在搜集其相关数据,使得本申请仅仅在获取到用户对该提示界面或者弹窗发出的确认操作后,才开始执行获取用户相关数据的相关步骤,否则(即未获取到用户对该提示界面或者弹窗发出的确认操作时),结束获取用户相关数据的相关步骤,即不获取用户的相关数据。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。且本文中提及的“第一”、“第二”等用于区别类似对象,而并不用于限定特定的顺序或先后次序。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的可选的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (22)
1.一种楼层识别方法,其特征在于,所述方法包括:
基于定位请求中的WiFi信息进行终端定位,得到终端定位结果;
基于所述终端定位结果获取楼宇数据,所述楼宇数据包含所述终端定位结果所指示位置附近目标范围内楼宇的数据;
对所述WiFi信息、所述终端定位结果以及所述楼宇数据中的至少两项进行特征提取,得到楼层识别特征,所述楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种;
基于所述楼层识别特征进行楼层识别,得到楼层识别结果。
2.根据权利要求1所述的方法,其特征在于,所述楼层识别特征包括所述楼宇特征,对所述楼宇数据进行特征提取,得到楼层识别特征,包括:
基于楼宇数量和楼宇高度中的至少一个维度,对所述楼宇数据进行特征提取,得到所述楼宇特征,所述楼宇特征包括楼宇数量特征和楼宇高度特征中的至少一种。
3.根据权利要求2所述的方法,其特征在于,所述基于楼宇数量和楼宇高度中的至少一个维度对所述楼宇数据进行特征提取,得到所述楼宇特征,包括如下至少一种:
对所述楼宇数据中不同范围对应的楼宇子数据进行数量特征提取,得到不同范围对应的所述楼宇数量特征;
获取所述楼宇数据中不同范围对应的楼宇子数据中包含的楼宇高度数据;对所述楼宇高度数据进行高度特征提取,得到不同范围对应的所述楼宇高度特征。
4.根据权利要求1所述的方法,其特征在于,所述楼层识别特征包括所述WiFi特征;
对所述WiFi信息进行特征提取,得到楼层识别特征,包括:
基于WiFi数量、WiFi分布以及WiFi属性中的至少一个维度,对所述WiFi信息进行特征提取,得到所述WiFi特征,所述WiFi特征包括WiFi数量特征、WiFi分布特征和WiFi属性特征中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述基于WiFi数量、WiFi分布以及WiFi属性中的至少一个维度,对所述WiFi信息进行特征提取,得到所述WiFi特征,包括如下至少一种:
基于所述WiFi信息获取各个WiFi的WiFi属性;基于同类WiFi属性下不同属性值区间内WiFi的WiFi数量,确定所述WiFi数量特征;
基于所述WiFi信息获取各个WiFi的WiFi属性;对同类WiFi属性下的属性值进行统计特征提取,得到所述WiFi属性特征;
基于所述WiFi信息获取各个WiFi的WiFi位置以及WiFi覆盖网格中的至少一项,所述WiFi覆盖网格用于表征WiFi覆盖的地理网格;对所述WiFi位置和WiFi覆盖网格中的至少一项进行特征提取,得到所述WiFi分布特征。
6.根据权利要求5所述的方法,其特征在于,所述对所述WiFi位置和WiFi覆盖网格中的至少一项进行特征提取,得到所述WiFi分布特征,包括如下至少一种:
基于各个WiFi的所述WiFi位置,确定第一均值位置;基于置信WiFi的所述WiFi位置,确定第二均值位置;确定各个WiFi与所述第一均值位置之间的第一距离均值,以及各个WiFi与所述第二均值位置之间的第二距离均值;基于所述第一距离均值和所述第二距离均值中的至少一种,确定第一WiFi分布特征;
确定各个WiFi的所述WiFi覆盖网格;基于所述WiFi覆盖网格确定各个WiFi的第一并集网格数量,以及置信WiFi的第二并集网格数量;基于所述第一并集网格数量和所述第二并集网格数量中的至少一种,确定第二WiFi分布特征;
其中,所述置信WiFi为置信度高于置信度阈值的WiFi。
7.根据权利要求1所述的方法,其特征在于,所述楼层识别特征包括所述定位特征,且所述终端定位结果包括至少两种定位方式各自对应的定位结果;
对所述终端定位结果进行特征提取,得到楼层识别特征,包括如下至少一种:
对不同定位方式的所述终端定位结果进行独立特征提取,得到不同定位方式各自对应的独立定位特征;
对不同定位方式的所述终端定位结果的差异进行特征提取,得到定位差异特征;
对不同定位方式的所述终端定位结果的共性进行特征提取,得到定位共性特征。
8.根据权利要求7所述的方法,其特征在于,至少两种所述定位方式包括WiFi指纹定位以及聚类定位;
所述基于定位请求中的WiFi信息进行终端定位,得到终端定位结果,包括:
从所述WiFi信息中获取置信WiFi的信号强度;基于所述置信WiFi的信号强度确定不同置信WiFi各自对应的聚类权重;基于所述聚类权重对各个置信WiFi的WiFi位置进行加权聚类,得到聚类定位结果;
基于所述定位请求中的所述WiFi信息生成当前WiFi指纹;基于所述当前WiFi指纹与WiFi指纹库的匹配情况,确定WiFi指纹定位结果,所述WiFi指纹库中包含地理网格与WiFi指纹之间的映射关系。
9.根据权利要求8所述的方法,其特征在于,所述对不同定位方式的所述终端定位结果进行独立特征提取,得到不同定位方式各自对应的独立定位特征,包括:
基于所述当前WiFi指纹,确定WiFi指纹定位过程中命中的地理网格数量;将所述地理网格数量确定为WiFi指纹定位的所述独立定位特征;
将聚类定位过程中所述置信WiFi的置信WiFi数量确定为聚类定位的所述独立定位特征。
10.根据权利要求8所述的方法,其特征在于,所述对不同定位方式的所述终端定位结果的差异进行特征提取,得到定位差异特征,包括:
确定所述WiFi指纹定位结果所指示位置与所述聚类定位结果所指示位置之间的定位距离;
将所述定位距离确定为所述定位差异特征。
11.根据权利要求8所述的方法,其特征在于,所述对不同定位方式的所述终端定位结果的共性进行特征提取,得到定位共性特征,包括:
确定所述当前WiFi指纹的命中WiFi与所述置信WiFi之间的交集WiFi,所述命中WiFi指所述当前WiFi指纹在所述WiFi指纹库中命中的WiFi;
将所述交集WiFi的数量以及所述交集WiFi的信号强度的统计特征,确定为所述定位共性特征。
12.根据权利要求1至11任一所述的方法,其特征在于,所述得到楼层识别结果之后,所述方法还包括:
基于所述楼层识别结果以及历史楼层识别结果,确定目标楼层识别结果,所述历史楼层识别结果基于所述定位请求的上文定位请求确定得到。
13.根据权利要求1至11任一所述的方法,其特征在于,所述基于所述楼层识别特征进行楼层识别,得到楼层识别结果,包括:
将所述楼层识别特征输入楼层识别模型,得到所述楼层识别模型输出的所述楼层识别结果,所述楼层识别模型基于样本定位请求对应的样本楼层识别特征以及楼层标签训练得到。
14.根据权利要求13所述的方法,其特征在于,所述将所述楼层识别特征输入楼层识别模型,得到所述楼层识别模型输出的所述楼层识别结果,包括:
基于所述终端定位结果,确定所述终端定位结果所指示地理区域对应的目标楼层识别模型,其中,不同地理区域对应不同楼层识别模型,不同地理区域的所述楼层识别模型基于不同地理区域内样本定位请求对应的所述样本楼层识别特征以及所述楼层标签训练得到;
将所述楼层识别特征输入所述目标楼层识别模型,得到所述目标楼层识别模型输出的所述楼层识别结果。
15.根据权利要求13所述的方法,其特征在于,所述方法还包括:
获取包含WiFi连接信息的历史定位请求;
将所述WiFi连接信息中包含楼层信息的所述历史定位请求确定为所述样本定位请求;
基于所述样本定位请求进行特征提取,得到所述样本楼层识别特征;
基于所述样本定位请求中所述WiFi连接信息包含所述楼层信息,生成所述楼层标签。
16.根据权利要求15所述的方法,其特征在于,所述将所述WiFi连接信息中包含楼层信息的所述历史定位请求确定为所述样本定位请求,包括:
将所述WiFi连接信息中包含的已连接SSID与目标SSID库进行匹配,所述目标SSID库中包含历史提取到楼层信息的SSID;
在所述目标SSID库中存在与所述已连接SSID匹配的SSID的情况下,基于楼层信息解析规则对所述已连接SSID进行解析;
在解析得到所述楼层信息的情况下,将所述历史定位请求确定为所述样本定位请求。
17.根据权利要求15所述的方法,其特征在于,所述基于所述样本定位请求中所述WiFi连接信息包含所述楼层信息,生成所述楼层标签,包括:
在所述楼层信息包括楼层号的情况下,将所述楼层号确定为所述楼层标签;
或者,
在所述楼层信息包括楼层号的情况下,将所述楼层号所属的楼层类型确定为所述楼层标签。
18.根据权利要求1至11任一所述的方法,其特征在于,所述方法还包括:
在所述定位请求中包含WiFi连接信息的情况下,从所述WiFi连接信息中提取已连接SSID;
对所述已连接SSID进行楼层信息提取;
在从所述已连接SSID中提取到楼层信息的情况下,基于提取到的所述楼层信息以及所述楼层识别结果,确定目标楼层识别结果。
19.一种楼层识别装置,其特征在于,所述装置包括:
定位模块,用于基于定位请求中的WiFi信息进行终端定位,得到终端定位结果;
获取模块,用于基于所述终端定位结果获取楼宇数据,所述楼宇数据包含所述终端定位结果所指示位置附近目标范围内楼宇的数据;
特征提取模块,用于对所述WiFi信息、所述终端定位结果以及所述楼宇数据中的至少两项进行特征提取,得到楼层识别特征,所述楼层识别特征包括WiFi特征、定位特征和楼宇特征中的至少两种;
楼层识别模块,用于基于所述楼层识别特征进行楼层识别,得到楼层识别结果。
20.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一段程序,所述至少一段程序由所述处理器加载并执行以实现如权利要求1至18任一所述的楼层识别方法。
21.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有至少一段程序,所述至少一段程序由处理器加载并执行以实现如权利要求1至18任一所述的楼层识别方法。
22.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机指令,所述计算机指令存储在计算机可读存储介质中,计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令,所述处理器执行所述计算机指令以实现如权利要求1至18任一所述的楼层识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148141.1A CN117693017B (zh) | 2024-02-02 | 2024-02-02 | 楼层识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148141.1A CN117693017B (zh) | 2024-02-02 | 2024-02-02 | 楼层识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117693017A true CN117693017A (zh) | 2024-03-12 |
CN117693017B CN117693017B (zh) | 2024-05-14 |
Family
ID=90133797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148141.1A Active CN117693017B (zh) | 2024-02-02 | 2024-02-02 | 楼层识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117693017B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9843905B1 (en) * | 2016-09-08 | 2017-12-12 | Here Global B.V. | Floor detection based on determined floor detection parameters |
CN109451428A (zh) * | 2018-12-26 | 2019-03-08 | 哈尔滨工业大学 | 一种基于WiFi聚类的室内高度定位方法 |
CN112738714A (zh) * | 2020-12-29 | 2021-04-30 | 北京邮电大学 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
CN115103378A (zh) * | 2022-06-20 | 2022-09-23 | 北京东土拓明科技有限公司 | 楼宇网络差点发掘方法及装置、优化方法、设备和介质 |
CN115150739A (zh) * | 2022-04-28 | 2022-10-04 | 广东小天才科技有限公司 | 楼栋定位方法、装置、电子设备及存储介质 |
CN115550848A (zh) * | 2022-09-26 | 2022-12-30 | 西安邮电大学 | 一种室内楼层定位方法、系统、电子设备及存储介质 |
CN116234005A (zh) * | 2022-12-20 | 2023-06-06 | 同济大学 | 一种多建筑物室内定位方法 |
CN117221816A (zh) * | 2023-09-19 | 2023-12-12 | 西安邮电大学 | 一种基于Wavelet-CNN的多建筑楼层定位方法 |
-
2024
- 2024-02-02 CN CN202410148141.1A patent/CN117693017B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9843905B1 (en) * | 2016-09-08 | 2017-12-12 | Here Global B.V. | Floor detection based on determined floor detection parameters |
CN109451428A (zh) * | 2018-12-26 | 2019-03-08 | 哈尔滨工业大学 | 一种基于WiFi聚类的室内高度定位方法 |
CN112738714A (zh) * | 2020-12-29 | 2021-04-30 | 北京邮电大学 | 楼宇的楼层识别方法、电子设备及计算机可读存储介质 |
CN115150739A (zh) * | 2022-04-28 | 2022-10-04 | 广东小天才科技有限公司 | 楼栋定位方法、装置、电子设备及存储介质 |
CN115103378A (zh) * | 2022-06-20 | 2022-09-23 | 北京东土拓明科技有限公司 | 楼宇网络差点发掘方法及装置、优化方法、设备和介质 |
CN115550848A (zh) * | 2022-09-26 | 2022-12-30 | 西安邮电大学 | 一种室内楼层定位方法、系统、电子设备及存储介质 |
CN116234005A (zh) * | 2022-12-20 | 2023-06-06 | 同济大学 | 一种多建筑物室内定位方法 |
CN117221816A (zh) * | 2023-09-19 | 2023-12-12 | 西安邮电大学 | 一种基于Wavelet-CNN的多建筑楼层定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117693017B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109327841B (zh) | 基于覆盖、价值关联的多维评定及精准建设评估方法 | |
CN110166943B (zh) | 终端位置信息的处理方法 | |
CN107018495B (zh) | 一种基于信令数据的室内用户分层定位方法及系统 | |
CN110719568B (zh) | 一种室内定位方法、装置、介质以及设备 | |
US8983477B2 (en) | Generation and use of coverage area models | |
CN113596989B (zh) | 一种用于智慧车间的室内定位方法及系统 | |
CN112333820B (zh) | 一种基于频谱图层的定位方法及系统 | |
CN111931077B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113393149B (zh) | 城市民宿选址优化方法、系统、计算机设备及存储介质 | |
CN112861972A (zh) | 一种展业区域的选址方法、装置、计算机设备和介质 | |
CN112469066A (zh) | 5g网络覆盖评估方法及装置 | |
CN113133007B (zh) | 通信站点的选址方法、装置及设备 | |
CN115880466A (zh) | 基于无人机遥感的城市工程测绘方法及系统 | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
CN116823535B (zh) | 一种基于多模态大模型的行程规划及智能导览系统 | |
CN117693017B (zh) | 楼层识别方法、装置、设备及存储介质 | |
CN114547386A (zh) | 基于Wi-Fi信号的定位方法、装置,以及电子设备 | |
CN113141570B (zh) | 地下场景定位方法、装置、计算设备及计算机存储介质 | |
CN111105124B (zh) | 一种基于距离约束的多地标影响力的计算方法 | |
CN112699201A (zh) | 导航数据处理方法、装置、计算机设备和存储介质 | |
CN115979215B (zh) | 一种楼层识别方法、装置及计算机可读存储介质 | |
CN111314926B (zh) | 覆盖关系确定方法、装置及计算机可读存储介质 | |
CN111757284B (zh) | 一种室内入口定位方法及电子设备 | |
CN114881430A (zh) | 一种基于网络地图服务的社区生活便利度评价方法 | |
CN110334321B (zh) | 一种基于兴趣点数据的城市轨交站区功能识别方法 |
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 |