WO2019153600A1 - 电子装置、楼层定位方法和计算机可读存储介质 - Google Patents

电子装置、楼层定位方法和计算机可读存储介质 Download PDF

Info

Publication number
WO2019153600A1
WO2019153600A1 PCT/CN2018/089423 CN2018089423W WO2019153600A1 WO 2019153600 A1 WO2019153600 A1 WO 2019153600A1 CN 2018089423 W CN2018089423 W CN 2018089423W WO 2019153600 A1 WO2019153600 A1 WO 2019153600A1
Authority
WO
WIPO (PCT)
Prior art keywords
floor
altitude
preset
feature vector
wireless device
Prior art date
Application number
PCT/CN2018/089423
Other languages
English (en)
French (fr)
Inventor
涂宏
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2019153600A1 publication Critical patent/WO2019153600A1/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • 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

Definitions

  • the present application relates to the field of wireless positioning, and in particular, to an electronic device, a floor positioning method, and a computer readable storage medium.
  • the general WiFi indoor positioning technology is mostly based on the IEEE802.11b/g protocol wireless local area network (WLAN) signal strength localization technology.
  • WLAN wireless local area network
  • the basic principle of the signal strength based positioning technology is to estimate the distance between the signal receiver and the signal source according to the strength of the received signal.
  • the triangle intensity algorithm is generally applied, but the triangle intensity algorithm has low precision and high positioning error rate. It is difficult to meet indoor positioning requirements, especially for floor positioning.
  • a first aspect of the present application provides an electronic device including a memory and a processor, wherein the memory stores a floor positioning system operable on the processor, and the floor positioning system is implemented by the processor as follows step:
  • the second aspect of the present application provides a floor positioning method, where the floor positioning method includes the following steps:
  • a third aspect of the present application provides a computer readable storage medium storing a floor positioning system, the floor positioning system being executable by at least one processor to cause the at least one processor to execute as follows step:
  • the received mobile terminal collects The device signal data of the current position is obtained, the device signal data is generated into a feature vector, and the pre-trained floor positioning classification model is input, and the floor of the mobile terminal is predicted, and then the altitude is obtained according to the acquired altitude.
  • the positional relationship is used to verify whether the predicted position of the floor relative to the floor corresponding to the initial altitude is reasonable. After the verification is reasonable, it is confirmed that the predicted floor is the floor where the mobile terminal is located.
  • the application first generates a feature vector according to the device signal data of the wireless device collected by the mobile terminal, and then inputs the feature vector into the pre-trained floor location classification model for prediction, predicting the floor, and reusing the initial altitude and the initial altitude.
  • the height corresponding to the floor is reasonable for the predicted floor verification. After the verification is reasonable, the floor where the mobile terminal is located is confirmed. Thus, the probability of floor positioning error is reduced, and the floor positioning accuracy is high.
  • FIG. 1 is a schematic flow chart of a preferred embodiment of a floor positioning method of the present application.
  • FIG. 2 is a schematic diagram of a training process of a floor positioning classification model in a preferred embodiment of the method of the present application
  • FIG. 3 is a schematic diagram of an operating environment of a preferred embodiment of a floor positioning system of the present application.
  • FIG. 4 is a block diagram of a program of a preferred embodiment of a floor positioning system of the present application.
  • FIG. 1 is a schematic flowchart of a preferred embodiment of a floor positioning method according to the present application.
  • the floor positioning method includes:
  • Step S10 periodically obtaining an altitude detected by the mobile terminal, and comparing the obtained altitude with a preset initial altitude to obtain a height difference;
  • wireless devices such as Wi-Fi devices, Bluetooth devices, wireless RF signal devices, etc.
  • the wireless signals transmitted by the wireless devices cover the entire building, and the mobile terminals (not shown) are in the building.
  • the wireless signal transmitted by the wireless device in the current building is continuously detected anywhere in each floor.
  • the wireless device takes a Wi-Fi device as an example to describe the solution of the present application in detail.
  • each wireless device has a globally unique MAC (Media Access Control) address, and the mobile terminal scans and detects surrounding Wi-Fi when the Wi-Fi connection is turned on.
  • the signal obtains the MAC address broadcasted by the surrounding wireless devices, and detects the signal strength of each wireless device.
  • MAC Media Access Control
  • the mobile terminal associates the MAC address of each wireless device with the signal strength to form device signal data to be sent to the electronic device; the mobile terminal detects The received signal strength is transmitted to the electronic device with the MAC address of the corresponding wireless device.
  • each wireless device is numbered in advance, and the MAC address, the SSID, and the preset sorting manner of each wireless device (for example, in descending order of numbers) are stored in the electronic device.
  • the feature values of multiple wireless devices are combined according to a preset sorting manner to form a feature vector. It can be understood that the signals of all the wireless devices may not be detected at the current location. For the undetected wireless device corresponding feature values, the default is -110dbm (near no signal), thus ensuring the elements in each feature vector. The number is the same. If the height difference between the acquired altitude and the initial altitude does not exceed the preset altitude threshold, the floor positioning system directly determines that the mobile terminal is still at the floor corresponding to the initial altitude, and there is no switching floor.
  • a preset altitude threshold for example, 3 m
  • Step S30 input the feature vector into a pre-trained floor location classification model, and predict a floor of the mobile terminal;
  • the predicted floor is reasonable by the relative positional relationship between the acquired altitude (ie, the current altitude of the mobile terminal) and the initial altitude. Assume that the acquired altitude is A, the predicted floor is B, the preset initial altitude is C, and the floor corresponding to the initial altitude is D; then, if A is greater than C, B is greater than D, that is, the obtained altitude It is larger than the initial altitude, and the predicted floor is also higher than the floor corresponding to the initial altitude.
  • the predicted position relationship of the floor corresponding to the initial altitude is the positional relationship with the acquired altitude relative to the initial altitude.
  • the predicted floor has a reasonable positional relationship with respect to the floor corresponding to the initial altitude; if A is greater than C, B is less than or equal to D, that is, the obtained altitude A ratio
  • the initial altitude C is large, and the predicted floor is lower than the floor corresponding to the initial altitude.
  • the predicted position relationship of the floor corresponding to the initial altitude and the positional relationship with the acquired altitude relative to the initial altitude is Inconsistent, the predicted floor is the floor corresponding to the predicted floor relative to the initial altitude.
  • Reasonable positional relationship that is consistent in accordance with the magnitude relation between the magnitude relation between A and B and C and D, to determine whether the predicted results of reasonable floor.
  • step S50 if the predicted position of the floor relative to the floor corresponding to the initial altitude is reasonable, the predicted floor is determined as the floor where the mobile terminal is located, and the preset initial is The altitude is updated to the acquired altitude, and the predicted floor is set to the floor corresponding to the updated initial altitude.
  • Steps S20, S30, and S40 are re-executed, or other measures are taken.
  • the altitude of the mobile terminal is first acquired, and according to the acquired altitude, whether the floor corresponding to the initial altitude of the mobile terminal performs floor switching is determined, and after receiving the floor switching by the mobile terminal, the received mobile terminal Collecting the device signal data of the current position, generating a feature vector of the device signal data, inputting the pre-trained floor positioning classification model, predicting the floor of the mobile terminal, and then comparing the obtained altitude to the initial altitude according to the acquired altitude The positional relationship is verified whether the predicted position of the floor relative to the floor corresponding to the initial altitude is reasonable. After the verification is reasonable, the predicted floor is confirmed as the floor where the mobile terminal is located.
  • the floor positioning scheme of the present application first generates a feature vector according to the device signal data of the wireless device collected by the mobile terminal, and then inputs the feature vector into the pre-trained floor positioning classification model for prediction, predicting the floor, and reusing the initial
  • the floor corresponding to the altitude and the initial altitude corresponds to the predicted floor verification rationality. After the verification is reasonable, the floor where the mobile terminal is located is confirmed. Thus, the probability of floor positioning error is reduced, and the floor positioning accuracy is high.
  • the training steps of the floor location classification model include:
  • F1 for each floor, uniformly select a preset number of sampling points, collect device signal data of multiple wireless devices detected at each sampling point, and extract corresponding signals of each wireless device for each device signal data. Using the intensity data as the feature value, combining the feature values of each wireless device to generate a feature vector of the sampling point;
  • a preset number for example, 500
  • a plurality of wireless devices detected at each sampling point of the floor are respectively collected by the mobile terminal.
  • the device signal data is then subjected to feature vector conversion processing for each device signal data collected (ie, for each device signal data, the signal strength data of each wireless device is extracted as a feature value, and the characteristics of each wireless device are combined.
  • the value generates a feature vector of the sample point), and the transformed feature vector of each sample point is stored in the database.
  • For each feature category calculate the distance of each feature vector to its center point feature vector, determine the feature vector closest to the center point feature vector, and use the sample point corresponding to the determined feature vector as the feature class. Key point
  • each feature category of each floor calculate the distance (Euclidean distance or cosine distance) of each feature vector of the feature category to the center point feature vector of the feature category, and find the center of the feature category
  • the point feature vector is the nearest feature vector, and the sample point corresponding to the determined feature vector is used as the key point of the feature category; thus, all the key points of each floor can be obtained.
  • F4 Label the key points of each floor with corresponding floor labels, and divide the key points into a first percentage training set and a second percentage verification set, the first percentage and the second The sum of the percentages is less than or equal to 100%;
  • Extracting the feature vector corresponding to the signal strength of all key points in the training set and the verification set from the database, and then using the feature vector corresponding to the key points in the training set to classify the preset type (this embodiment preferably adopts the SVM support vector machine model)
  • the training is performed, and after the training is completed, the accuracy of the preset type classification model is verified by using the feature vector corresponding to the key points in the verification set.
  • the accuracy rate is less than or equal to the preset threshold, indicating that the training effect of the preset type classification model has not reached the required standard, and the number of training sets may not be sufficient or verified.
  • the number of sets is not enough, so in this case, increase the value of n (for example, increase the fixed value each time), and re-execute the above steps F2 to F5, which is equivalent to increasing the number of key points on each floor, increasing the training.
  • the number of key points in the set and verification set; this cycle is executed until the requirement of step F7 is reached, and the model training is ended.
  • the model training of the preset type classification model is performed by first performing cluster analysis on the sampling points to find out n key points of each floor, and forming a training set and a verification set by using key points. While achieving a reduction in the number of training samples, it has achieved good training results.
  • the determining step of each center point feature vector of each feature category is: using a calculation formula for each feature category obtained after clustering Perform calculation to obtain the center point feature vector of each feature category.
  • n represents the number of feature vectors in the category
  • F (i) represents the i-th feature vector
  • X k represents the kth in the feature vector. The value of each element.
  • the embodiment uses the detected wireless device, and the mobile terminal acquires a set of characteristic signal strengths of the wireless device within a first preset duration (for example, 2 seconds), and the set of characteristic signal strengths If there is distortion of the characteristic signal strength, it is only individual, and most of them are characteristic signal strength data without distortion.
  • a first preset duration for example, 2 seconds
  • the set of characteristic signal strengths is used as a base, and the proportion of weights corresponding to each data is respectively assigned according to a frequency occupancy ratio of each data in the base. That is, the more times the data appears, the greater the weight.
  • the weights are allocated, all the data in the set of bases are accumulated according to the respective weights, and the obtained result value is determined as the signal strength data of the current wireless device.
  • FIG. 3 is a schematic diagram of an operating environment of a preferred embodiment of the floor positioning system 10 of the present application.
  • the obtaining module 101 is configured to periodically acquire an altitude detected by the mobile terminal, and compare the obtained altitude with a preset initial altitude to obtain a height difference;
  • the mobile terminal detects the altitude by its own GPS module. After the electronic device 1 turns on the positioning monitoring, the system periodically acquires the altitude detected by the mobile terminal (for example, every 10 seconds), and after each time the altitude is acquired, Compare the acquired altitude to the preset initial altitude.
  • the preset initial altitude is the altitude of a certain floor of the current building set by the system (for example, the altitude of the first floor of the current building, and the altitude of the tenth floor of the current building).
  • the mobile terminal associates the MAC address of each wireless device with the signal strength, and forms device signal data to be sent to the electronic device 1; the mobile terminal will The detected signal strength is transmitted to the electronic device 1 with the MAC address of the corresponding wireless device.
  • each wireless device is numbered in advance, and the MAC address, the SSID, and the preset sorting manner of each wireless device (for example, in descending order of numbers) are stored in the electronic device 1.
  • the feature values of multiple wireless devices are combined according to a preset sorting manner to form a feature vector. It can be understood that the signals of all the wireless devices may not be detected at the current location. For the undetected wireless device corresponding feature values, the default is -110dbm (near no signal), thus ensuring the elements in each feature vector. The number is the same.
  • the electronic device 1 directly determines that the mobile terminal is still at the floor corresponding to the initial altitude, and does not switch the floor.
  • a prediction module 103 configured to input the feature vector into a pre-trained floor location classification model, and predict a floor of the mobile terminal;
  • the verification module 104 is configured to verify, according to the obtained positional relationship between the altitude and the initial altitude, whether the positional relationship of the predicted floor relative to the floor corresponding to the initial altitude is reasonable;
  • the electronic device 1 After predicting the floor where the mobile terminal is located, the electronic device 1 verifies whether the predicted floor is reasonable by the relative positional relationship between the acquired altitude (ie, the current altitude of the mobile terminal) and the initial altitude. Assume that the acquired altitude is A, the predicted floor is B, the preset initial altitude is C, and the floor corresponding to the initial altitude is D; then, if A is greater than C, B is greater than D, that is, the obtained altitude It is larger than the initial altitude, and the predicted floor is also higher than the floor corresponding to the initial altitude. The predicted position relationship of the floor corresponding to the initial altitude is the positional relationship with the acquired altitude relative to the initial altitude.
  • the predicted floor has a reasonable positional relationship with respect to the floor corresponding to the initial altitude; if A is greater than C, B is less than or equal to D, that is, the obtained altitude A ratio
  • the initial altitude C is large, and the predicted floor is lower than the floor corresponding to the initial altitude.
  • the predicted position relationship of the floor corresponding to the initial altitude and the positional relationship with the acquired altitude relative to the initial altitude is Inconsistent, the predicted floor is the floor corresponding to the predicted floor relative to the initial altitude.
  • Reasonable positional relationship that is consistent in accordance with the magnitude relation between the magnitude relation between A and B and C and D, to determine whether the predicted results of reasonable floor.
  • a result determining module 105 configured to determine the predicted floor as a floor where the mobile terminal is located after the predicted position of the floor relative to the floor corresponding to the initial altitude is reasonable, and the The preset initial altitude is updated to the acquired altitude, and the predicted floor is set to the floor corresponding to the updated initial altitude.
  • the electronic device 1 After verifying that the positional relationship of the predicted floor relative to the floor corresponding to the initial altitude is reasonable, the electronic device 1 determines the predicted floor as the floor where the mobile terminal is currently located; and presets the initial The altitude is updated, the acquired altitude is taken as the new initial altitude, and the predicted floor is set as the floor corresponding to the new initial altitude, so that the altitude of the mobile terminal is acquired every time from the next time. All of them are compared with the altitude obtained in the previous time. According to the comparison result, it can be determined whether the mobile terminal performs floor switching (for example, if the altitude does not change, the mobile terminal does not perform floor switching).
  • the receiving module 102, the prediction module 103, and the verification module 104 are re-executed, or other measures are taken.
  • the altitude of the mobile terminal is first acquired, and according to the acquired altitude, whether the floor corresponding to the initial altitude of the mobile terminal performs floor switching is determined, and after receiving the floor switching by the mobile terminal, the received mobile terminal Collecting the device signal data of the current position, generating a feature vector of the device signal data, inputting the pre-trained floor positioning classification model, predicting the floor of the mobile terminal, and then comparing the obtained altitude to the initial altitude according to the acquired altitude The positional relationship is verified whether the predicted position of the floor relative to the floor corresponding to the initial altitude is reasonable. After the verification is reasonable, the predicted floor is confirmed as the floor where the mobile terminal is located.
  • the floor positioning scheme of the present application first generates a feature vector according to the device signal data of the wireless device collected by the mobile terminal, and then inputs the feature vector into the pre-trained floor positioning classification model for prediction, predicting the floor, and reusing the initial
  • the floor corresponding to the altitude and the initial altitude corresponds to the predicted floor verification rationality. After the verification is reasonable, the floor where the mobile terminal is located is confirmed. Thus, the probability of floor positioning error is reduced, and the floor positioning accuracy is high.
  • F1 for each floor, uniformly select a preset number of sampling points, collect device signal data of multiple wireless devices detected at each sampling point, and extract corresponding signals of each wireless device for each device signal data. Using the intensity data as the feature value, combining the feature values of each wireless device to generate a feature vector of the sampling point;
  • a preset number for example, 500
  • a plurality of wireless devices detected at each sampling point of the floor are respectively collected by the mobile terminal.
  • the device signal data is then subjected to feature vector conversion processing for each device signal data collected (ie, for each device signal data, the signal strength data of each wireless device is extracted as a feature value, and the characteristics of each wireless device are combined.
  • the value generates a feature vector of the sample point), and the transformed feature vector of each sample point is stored in the database.
  • each feature category of each floor calculate the distance (Euclidean distance or cosine distance) of each feature vector of the feature category to the center point feature vector of the feature category, and find the center of the feature category
  • the point feature vector is the nearest feature vector, and the sample point corresponding to the determined feature vector is used as the key point of the feature category; thus, all the key points of each floor can be obtained.
  • F4 Label the key points of each floor with corresponding floor labels, and divide the key points into a first percentage training set and a second percentage verification set, the first percentage and the second The sum of the percentages is less than or equal to 100%;
  • Extracting the feature vector corresponding to the signal strength of all key points in the training set and the verification set from the database, and then using the feature vector corresponding to the key points in the training set to classify the preset type (this embodiment preferably adopts the SVM support vector machine model)
  • the training is performed, and after the training is completed, the accuracy of the preset type classification model is verified by using the feature vector corresponding to the key points in the verification set.
  • the verification result of the verification type of the preset type classification model exceeds a preset threshold (for example, 98%), it indicates that the training effect of the preset type classification model has reached the expected standard, and then the end Model training.
  • a preset threshold for example, 98%
  • the accuracy rate is less than or equal to the preset threshold, indicating that the training effect of the preset type classification model has not reached the required standard, and the number of training sets may not be sufficient or verified.
  • the number of sets is not enough, so in this case, increase the value of n (for example, increase the fixed value each time), and re-execute the above steps F2 to F5, which is equivalent to increasing the number of key points on each floor, increasing the training.
  • the number of key points in the set and verification set; this cycle is executed until the requirement of step F7 is reached, and the model training is ended.
  • the model training of the preset type classification model is performed by first performing cluster analysis on the sampling points to find out n key points of each floor, and forming a training set and a verification set by using key points. While achieving a reduction in the number of training samples, it has achieved good training results.
  • the determining step of each center point feature vector of each feature category is: using a calculation formula for each feature category obtained after clustering Perform calculation to obtain the center point feature vector of each feature category.
  • n represents the number of feature vectors in the category
  • F (i) represents the i-th feature vector
  • X k represents the kth in the feature vector. The value of each element.
  • the determining step of the detected signal strength data of each wireless device by the mobile terminal includes:
  • the set of characteristic signal strengths is used as a base, and the proportion of weights corresponding to each data is respectively assigned according to a frequency occupancy ratio of each data in the base. That is, the more times the data appears, the greater the weight.
  • the weights are allocated, all the data in the set of bases are accumulated according to their respective weights, and the obtained result value is determined as the signal strength data of the current wireless device.
  • the present application further provides a computer readable storage medium storing a floor positioning system, the floor positioning system being executable by at least one processor to cause the at least one processor to execute The floor positioning method in any of the above embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开一种电子装置、楼层定位方法和计算机可读存储介质，该方法包括：定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，根据设备信号数据生成一个特征向量；将特征向量输入预先训练好的楼层定位分类模型中，预测出移动终端的楼层；验证预测出的楼层是否合理；若验证合理，则将预测出的楼层确定为移动终端的楼层。本申请技术方案实现了降低了楼层定位出错的概率，保证楼层定位准确性。

Description

电子装置、楼层定位方法和计算机可读存储介质
本申请基于巴黎公约申明享有2018年2月7日递交的申请号为CN 201810124486.8、名称为“电子装置、楼层定位方法和计算机可读存储介质”中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请涉及无线定位领域，特别涉及一种电子装置、楼层定位方法和计算机可读存储介质。
背景技术
目前，通用的WiFi室内定位技术大多是基于IEEE802.11b/g协议的无线局域网(WLAN)的信号强度定位技术。基于信号强度的定位技术的基本原理是根据接收到的信号的强度推算信号接收器与信号源之间的距离，目前通常应用的是三角形强度算法，但三角形强度算法精度不高，定位出错率高，难以满足室内定位要求，尤其是对于楼层定位。
发明内容
本申请的主要目的是提供一种电子装置、楼层定位方法和计算机可读存储介质，旨在降低楼层定位出错的概率，确保楼层定位准确。
本申请第一方面提供一种电子装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的楼层定位系统，所述楼层定位系统被所述处理器执行时实现如下步骤：
定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度比较；
在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将 所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
本申请第二方面提供一种楼层定位方法，该楼层定位方法包括步骤：
定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
本申请第三方面提供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楼层定位系统，所述楼层定位系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
本申请技术方案，通过先获取移动终端的海拔高度，根据获取的 海拔高度确定移动终端相对初始海拔高度对应的楼层有没有进行楼层切换，在确定移动终端进行了楼层切换后，接收的移动终端采集到的当前位置的设备信号数据，将该设备信号数据生成一个特征向量后输入预先训练好的楼层定位分类模型，预测得出移动终端的楼层，再根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，在验证合理后，确认所述预测出的楼层为所述移动终端所在的楼层。本申请先根据移动终端采集的无线设备的设备信号数据生成特征向量，再将该特征向量输入预先训练好的楼层定位分类模型中进行预测，预测得出的楼层，再利用初始海拔高度及初始海拔高度对应的楼层对预测得出的楼层验证合理性，验证合理后即确认移动终端所在的楼层，如此，降低了楼层定位出错的概率，楼层定位准确性高。
附图说明
图1为本申请楼层定位方法较佳实施例的流程示意图；
图2为本申请方法较佳实施例中楼层定位分类模型的训练流程示意图；
图3为本申请楼层定位系统较佳实施例的运行环境示意图；
图4为本申请楼层定位系统较佳实施例的程序模块图。
具体实施方式
以下结合附图对本申请的原理和特征进行描述，所举实例只用于解释本申请，并非用于限定本申请的范围。
如图1所示，图1为本申请楼层定位方法较佳实施例的流程示意图。
本实施例中，该楼层定位方法包括：
步骤S10，定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
移动终端(例如，手机)通过自身的GPS模块检测海拔高度，在电子装置开启定位监测后，定时(例如，每隔10秒)获取移动终端检测的海拔高度，每次获取海拔高度后，将获取的海拔高度与预设的初始海拔高度进行比较，以得到两者的高度差。本实施例中，预设的初始海拔高度是预先设定的当前建筑的某一楼层的海拔高度(例如，当前建筑的第一层的海拔高度或者当前建筑的第十层的海拔高度)。
步骤S20，在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的 特征值生成一个特征向量；
当前建筑内设置分布有很多个无线设备(例如，Wi-Fi设备、蓝牙设备、无线射频信号设备等)，无线设备的发射的无线信号覆盖整个建筑，移动终端(图中未示出)在建筑中的每个楼层的任意位置都会不断检测到当前建筑中的无线设备发射的无线信号。本实施例中，无线设备以Wi-Fi设备为例对本申请的方案进行详细说明。对于无线设备来说，每一台无线设备都有一个全球唯一的MAC(Media Access Control，媒体访问控制)地址，移动终端在开启Wi-Fi连接的情况下，会扫描检测到周围的Wi-Fi信号，获得周围这些无线设备广播出来的MAC地址，以及检测出各个无线设备的信号强度，移动终端将各个无线设备的MAC地址与信号强度对应，形成设备信号数据发送给电子装置；移动终端将检测到的信号强度与对应的无线设备的MAC地址发送给电子装置。需要说明的是，事先为每台无线设备进行编号排序，并将每台无线设备的MAC地址、SSID及预设的排序方式(例如按照编号从小到大的顺序)储存在电子装置中。
当获得的高度差超过预设海拔阈值(例如3m)，则接收移动终端当前检测到的多台无线设备的设备信号数据，从设备信号数据中提取出多台无线设备的信号强度数据作为特征值，按照预设的排序方式对多台无线设备的特征值进行组合，形成一个特征向量。可以理解的是，在当前位置可能检测不到所有无线设备的信号，对于未检测到的无线设备对应的特征值，默认为-110dbm(接近无信号)，这样保证每个特征向量中的元素的个数一致。若获取的海拔高度与初始海拔高度之间高度相差未超过预设海拔阈值，则楼层定位系统直接确定移动终端还在初始海拔高度所对应的楼层，没有切换楼层。
步骤S30，将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
电子装置中具有预先训练好的楼层定位分类模型(本实施例优选为基本的SVM支持向量机模型)，电子装置在根据移动终端发送的设备信号数据得到特征向量后，将该特征向量输入到该楼层定位分类模型中，楼层定位分类模型根据该特征向量预测出移动终端所在的楼层。
步骤S40，根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
在预测出移动终端所在的楼层后，再通过获取的海拔高度(即移动终端当前的海拔高度)与初始海拔高度的相对位置关系，验证所述预测出的楼层是否合理。假设，获取的海拔高度为A，预测得到的楼层为B，预设的初始海拔高度为C，初始海拔高度对应的楼层为D； 那么，若A大于C，B大于D，即获取的海拔高度比初始海拔高度大，预测得到的楼层也比初始海拔高度对应的楼层更高，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；若A大于C，B小于等于D，即获取的海拔高度A比初始海拔高度C大，预测得到的楼层却比初始海拔高度对应的楼层更低，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是不一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；即根据A与C的大小关系及B与D的大小关系是否一致，来判定预测得出的楼层是否合理。
步骤S50，若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
当验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理后，电子装置则将该预测得到的楼层确定为所述移动终端当前所在的楼层；并且将预设的初始海拔高度更新，以该获取的海拔高度作为新的初始海拔高度，以及将该预测得到的楼层设置为新的初始海拔高度对应的楼层，这样，从下一次开始，每一次获取移动终端的海拔高度，均是与前一次获取的海拔高度进行比较，根据比较的结果，可判定移动终端有没有进行楼层切换(例如海拔高度没变化，则说明移动终端没有进行楼层切换)。若出现验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系不合理时，则可能是由于无线设备瞬间信号不稳定或信号受到干扰等偶然因素造成，此时电子装置可采取重新执行步骤S20、S30和S40，或者采取其它措施。
本实施例技术方案，通过先获取移动终端的海拔高度，根据获取的海拔高度确定移动终端相对初始海拔高度对应的楼层有没有进行楼层切换，在确定移动终端进行了楼层切换后，接收的移动终端采集到的当前位置的设备信号数据，将该设备信号数据生成一个特征向量后输入预先训练好的楼层定位分类模型，预测得出移动终端的楼层，再根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，在验证合理后，确认所述预测出的楼层为所述移动终端所在的楼层。本申请的楼层定位方案，先根据移动终端采集的无线设备的设备信号数据生成特征向量，再将该特征向量输入预先训练好的楼层定 位分类模型中进行预测，预测得出的楼层，再利用初始海拔高度及初始海拔高度对应的楼层对预测得出的楼层验证合理性，验证合理后则确认移动终端所在的楼层，如此，降低了楼层定位出错的概率，楼层定位准确性高。
进一步地，参照图2，本实施例中，所述楼层定位分类模型的训练步骤包括：
F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量；
首先在建筑的每一个楼层分别均匀设置预设数量(例如500个)的采样点，然后，针对每一个楼层，分别通过移动终端采集该楼层的每一个采样点处检测到的多台无线设备的设备信号数据，然后对采集到的每个设备信号数据进行特征向量转化处理(即对每一个设备信号数据，均从中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量)，将转化得到的每个采样点的特征向量存储到数据库。
F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；
针对每一个楼层，采用聚类算法将该楼层的所有特征向量局累成预设的n个(例如10个)特征类别，并确定各个特征类别的中心点特征向量。
F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；
针对每一个楼层的每一个特征类别，分别计算出该特征类别的各个特征向量分别到该特征类别的中心点特征向量的距离(欧氏距离或余弦距离)，从中找出与该特征类别的中心点特征向量距离最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；如此，则可得到各个楼层的所有关键点。
F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；
将所有关键点分别标注上其所在楼层的楼层标签，从所有关键点中的选出第一百分比(例如65％)的关键点作为训练集，选出第二百分比(例如35％)的关键点作为验证集；具体的训练集和验证集的选取均优选采用在每个楼层挑取相近数量的关键点，避免遗漏对某些楼 层的关键点的训练，保证训练效果。
F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对训练完成的所述预设类型分类模型的准确率进行验证；
从数据库中提取出训练集和验证集中的所有关键点的信号强度对应的特征向量，然后利用训练集中的关键点对应的特征向量对预设类型分类模型(本实施例优选采用SVM支持向量机模型)进行训练，并在训练完成后，利用验证集中的关键点对应的特征向量对该预设类型分类模型的准确率进行验证。
F6、若准确率大于预设阈值，则模型训练结束；
如果经过验证集对该预设类型分类模型的验证，得到的准确率超过了预设阈值(例如，98％)，则说明对该预设类型分类模型的训练效果已经达到了预期标准，则结束模型训练。
F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。
如果经过验证集对该预设类型分类模型的验证，得到的准确率小于或等于预设阈值，说明对该预设类型分类模型的训练效果还没有达到要求标准，可能是训练集数量不够或验证集数量不够，所以，在这种情况时，则增加n值(例如，每次增大固定值)，重新执行上述步骤F2至F5，即相当于增加每一个楼层的关键点数量，增大训练集和验证集中的关键点数量；如此循环执行，直至达到了步骤F7的要求，则结束模型训练。
本实施例中，对该预设类型分类模型的模型训练通过先对采样点进行聚类分析找出每个楼层的预设的n个关键点，用关键点形成训练集和验证集，如此，在实现降低训练样本数量的同时，又达到了很好的训练效果。
进一步地，在上述楼层定位分类模型的训练步骤中，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式
Figure PCTCN2018089423-appb-000001
进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F (i)表示第i个特征向量，X k表示特征向量中第k个元素的值。
进一步地，本实施例中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
由于无线设备发射的信号都会有一定的干扰波动，有可能出现移动终端采集无线设备的信号的瞬间，无线设备发射的信号刚好失真，为了避免瞬时采集的特征信号强度失真，造成采集的信号强度数据不准确而影响样本数据的质量，本实施例采用对检测到的无线设备，移动终端获取无线设备在第一预设时长(例如2秒)内的一组特征信号强度，该组特征信号强度中，若有有失真的特征信号强度，也只是个别的，绝大多数是不失真的特征信号强度数据。
将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
在获取到该无线设备在第一预设时长内的一组特征信号强度后，将这组特征信号强度作为基数，根据基数中各个数据出现的频次占比，分别赋予各个数据对应的权重占比，即出现的次数越多的数据，其权重越大，在权重分配完后，将该组基数中所有数据根据各自对应的权重进行累加，得到的结果值确定为当前无线设备的信号强度数据。
此外，本申请还提出一种楼层定位系统。
请参阅图3，是本申请楼层定位系统10较佳实施例的运行环境示意图。
在本实施例中，楼层定位系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图3仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器11在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如楼层定位系统10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存 储器11中存储的程序代码或处理数据，例如执行楼层定位系统10等。
显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面，例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。
请参阅图4，是本申请楼层定位系统10较佳实施例的程序模块图。在本实施例中，楼层定位系统10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本申请。例如，在图4中，楼层定位系统10可以被分割成获取模块101、接收模块102、预测模块103、验证模块104及结果确定模块105。本申请所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述楼层定位系统10在电子装置1中的执行过程，其中：
获取模块101，用于定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
移动终端(例如，手机)通过自身的GPS模块检测海拔高度，在电子装置1开启定位监测后，系统定时(例如，每隔10秒)获取移动终端检测的海拔高度，每次获取海拔高度后，将获取的海拔高度与预设的初始海拔高度进行比较。本实施例中，预设的初始海拔高度是系统设定的当前建筑的某一楼层的海拔高度(例如，当前建筑的第一层的海拔高度、当前建筑的第十层的海拔高度)。
接收模块102，用于在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
当前建筑内设置分布有很多个无线设备(例如，Wi-Fi设备、蓝牙设备、无线射频信号设备等)，无线设备的发射的无线信号覆盖整个建筑，移动终端(图中未示出)在建筑中的每个楼层的任意位置都会不断检测到当前建筑中的无线设备发射的无线信号。本实施例中，无线设备以Wi-Fi设备为例对本申请的方案进行详细说明。对于无线设备来说，每一台无线设备都有一个全球唯一的MAC(Media Access Control，媒体访问控制)地址，移动终端在开启Wi-Fi连接的情况下，会扫描检测到周围的Wi-Fi信号，获得周围这些无线设备广播出来的MAC地址，以及检测出各个无线设备的信号强度，移动终端将各个无线设备的MAC地址与信号强度对应，形成设备信号数据发送给电子装置1；移动终端将检测到的信号强度与对应的无线设备的MAC地址发送给电子装置1。需要说明的是，事先为每台无线设备进行编 号排序，并将每台无线设备的MAC地址、SSID及预设的排序方式(例如按照编号从小到大的顺序)储存在电子装置1中。
当获得的高度差超过预设海拔阈值(例如3m)，则接收移动终端当前检测到的多台无线设备的设备信号数据，从设备信号数据中提取出多台无线设备的信号强度数据作为特征值，按照预设的排序方式对多台无线设备的特征值进行组合，形成一个特征向量。可以理解的是，在当前位置可能检测不到所有无线设备的信号，对于未检测到的无线设备对应的特征值，默认为-110dbm(接近无信号)，这样保证每个特征向量中的元素的个数一致。若获得的高度差(即获取的海拔高度与初始海拔高度之间高度差)未超过预设海拔阈值，则电子装置1直接确定移动终端还在初始海拔高度所对应的楼层，没有切换楼层。
预测模块103，用于将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
电子装置1中具有预先训练好的楼层定位分类模型(本实施例优选为基本的SVM支持向量机模型)，在根据移动终端发送的设备信号数据得到特征向量后，将该特征向量输入到该楼层定位分类模型中，楼层定位分类模型根据该特征向量预测出移动终端所在的楼层。
验证模块104，用于根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
电子装置1在预测出移动终端所在的楼层后，再通过获取的海拔高度(即移动终端当前的海拔高度)与初始海拔高度的相对位置关系，验证所述预测出的楼层是否合理。假设，获取的海拔高度为A，预测得到的楼层为B，预设的初始海拔高度为C，初始海拔高度对应的楼层为D；那么，若A大于C，B大于D，即获取的海拔高度比初始海拔高度大，预测得到的楼层也比初始海拔高度对应的楼层更高，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；若A大于C，B小于等于D，即获取的海拔高度A比初始海拔高度C大，预测得到的楼层却比初始海拔高度对应的楼层更低，预测得出的楼层相对初始海拔高度对应的楼层的位置关系，与获取的海拔高度相对初始海拔高度的位置关系是不一致的，则说明所述预测出的楼层则所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理；即根据A与C的大小关系及B与D的大小关系是否一致，来判定预测得出的楼层是否合理。
结果确定模块105，用于在所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理后，将所述预测出的楼层确定为所 述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
当验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理后，电子装置1则将该预测得到的楼层确定为所述移动终端当前所在的楼层；并且将预设的初始海拔高度更新，以该获取的海拔高度作为新的初始海拔高度，以及将该预测得到的楼层设置为新的初始海拔高度对应的楼层，这样，从下一次开始，每一次获取移动终端的海拔高度，均是与前一次获取的海拔高度进行比较，根据比较的结果，可判定移动终端有没有进行楼层切换(例如海拔高度没变化，则说明移动终端没有进行楼层切换)。若出现验证该预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系不合理时，则可能是由于无线设备瞬间信号不稳定或信号受到干扰等偶然因素造成，此时电子装置可采取重新执行接收模块102、预测模块103和验证模块104，或者采取其它措施。
本实施例技术方案，通过先获取移动终端的海拔高度，根据获取的海拔高度确定移动终端相对初始海拔高度对应的楼层有没有进行楼层切换，在确定移动终端进行了楼层切换后，接收的移动终端采集到的当前位置的设备信号数据，将该设备信号数据生成一个特征向量后输入预先训练好的楼层定位分类模型，预测得出移动终端的楼层，再根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理，在验证合理后，确认所述预测出的楼层为所述移动终端所在的楼层。本申请的楼层定位方案，先根据移动终端采集的无线设备的设备信号数据生成特征向量，再将该特征向量输入预先训练好的楼层定位分类模型中进行预测，预测得出的楼层，再利用初始海拔高度及初始海拔高度对应的楼层对预测得出的楼层验证合理性，验证合理后即确认移动终端所在的楼层，如此，降低了楼层定位出错的概率，楼层定位准确性高。
进一步地，本实施例中，所述楼层定位分类模型的训练步骤包括(可参照图2)：
F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量；
首先在建筑的每一个楼层分别均匀设置预设数量(例如500个)的采样点，然后，针对每一个楼层，分别通过移动终端采集该楼层的 每一个采样点处检测到的多台无线设备的设备信号数据，然后对采集到的每个设备信号数据进行特征向量转化处理(即对每一个设备信号数据，均从中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量)，将转化得到的每个采样点的特征向量存储到数据库。
F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；
针对每一个楼层，采用聚类算法将该楼层的所有特征向量局累成预设的n个(例如10个)特征类别，并确定各个特征类别的中心点特征向量。
F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；
针对每一个楼层的每一个特征类别，分别计算出该特征类别的各个特征向量分别到该特征类别的中心点特征向量的距离(欧氏距离或余弦距离)，从中找出与该特征类别的中心点特征向量距离最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；如此，则可得到各个楼层的所有关键点。
F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；
将所有关键点分别标注上其所在楼层的楼层标签，从所有关键点中的选出第一百分比(例如65％)的关键点作为训练集，选出第二百分比(例如35％)的关键点作为验证集；具体的训练集和验证集的选取均优选采用在每个楼层挑取相近数量的关键点，避免遗漏对某些楼层的关键点的训练，保证训练效果。
F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对训练完成的所述预设类型分类模型的准确率进行验证；
从数据库中提取出训练集和验证集中的所有关键点的信号强度对应的特征向量，然后利用训练集中的关键点对应的特征向量对预设类型分类模型(本实施例优选采用SVM支持向量机模型)进行训练，并在训练完成后，利用验证集中的关键点对应的特征向量对该预设类型分类模型的准确率进行验证。
F6、若准确率大于预设阈值，则模型训练结束；
如果经过验证集对该预设类型分类模型的验证，得到的准确率超过了预设阈值(例如，98％)，则说明对该预设类型分类模型的训练效果已经达到了预期标准，则结束模型训练。
F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。
如果经过验证集对该预设类型分类模型的验证，得到的准确率小于或等于预设阈值，说明对该预设类型分类模型的训练效果还没有达到要求标准，可能是训练集数量不够或验证集数量不够，所以，在这种情况时，则增加n值(例如，每次增大固定值)，重新执行上述步骤F2至F5，即相当于增加每一个楼层的关键点数量，增大训练集和验证集中的关键点数量；如此循环执行，直至达到了步骤F7的要求，则结束模型训练。
本实施例中，对该预设类型分类模型的模型训练通过先对采样点进行聚类分析找出每个楼层的预设的n个关键点，用关键点形成训练集和验证集，如此，在实现降低训练样本数量的同时，又达到了很好的训练效果。
进一步地，在上述楼层定位分类模型的训练步骤中，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式
Figure PCTCN2018089423-appb-000002
进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F (i)表示第i个特征向量，X k表示特征向量中第k个元素的值。
进一步地，在上述本实施例中，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
由于无线设备发射的信号都会有一定的干扰波动，有可能出现移动终端采集无线设备的信号的瞬间，无线设备发射的信号刚好失真，为了避免瞬时采集的特征信号强度失真，造成采集的信号强度数据不准确而影响样本数据的质量，本实施例采用对检测到的无线设备，移动终端获取无线设备在第一预设时长(例如2秒)内的一组特征信号强度，该组特征信号强度中，若有有失真的特征信号强度，也只是个别的，绝大多数是不失真的特征信号强度数据。
将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
在获取到该无线设备在第一预设时长内的一组特征信号强度后，将这组特征信号强度作为基数，根据基数中各个数据出现的频次占比，分别赋予各个数据对应的权重占比，即出现的次数越多的数据， 其权重越大，在权重分配完后，将该组基数中所有数据根据各自对应的权重进行累加，得到的结果值确定为当前无线设备的信号强度数据。
进一步地，本申请还提出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楼层定位系统，所述楼层定位系统可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例中的楼层定位方法。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是在本申请的申请构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (20)

  1. 一种电子装置，其特征在于，所述电子装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的楼层定位系统，所述楼层定位系统被所述处理器执行时实现如下步骤：
    定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
    在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
    将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
    根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
    若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
  2. 如权利要求1所述的电子装置，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  3. 如权利要求1所述的电子装置，其特征在于，所述楼层定位分类模型的训练步骤包括：
    E1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量；
    E2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；
    E3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；
    E4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；
    E5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；
    E6、若准确率大于预设阈值，则模型训练结束；
    E7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤E2至E5。
  4. 如权利要求3所述的电子装置，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  5. 如权利要求3所述的电子装置，其特征在于，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式
    Figure PCTCN2018089423-appb-100001
    进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F (i)表示第i个特征向量，X k表示特征向量中第k个元素的值。
  6. 如权利要求5所述的电子装置，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  7. 如权利要求1所述的电子装置，其特征在于，所述根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理的步骤包括：
    若所述获取的海拔高度大于等于所述初始海拔高度，判断所述预测出的楼层是否大于等于所述初始海拔高度所对应的楼层；
    若所述获取的海拔高度小于所述初始海拔高度，判断所述预测出 的楼层是否小于所述初始海拔高度所对应的楼层。
  8. 一种楼层定位方法，其特征在于，该楼层定位方法包括步骤：
    定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
    在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
    将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
    根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
    若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
  9. 如权利要求8所述的楼层定位方法，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  10. 如权利要求8所述的楼层定位方法，其特征在于，所述楼层定位分类模型的训练步骤包括：
    F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量；
    F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；
    F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；
    F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比 和第二百分比之和小于或者等于100％；
    F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；
    F6、若准确率大于预设阈值，则模型训练结束；
    F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。
  11. 如权利要求10所述的楼层定位方法，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  12. 如权利要求10所述的楼层定位方法，其特征在于，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式
    Figure PCTCN2018089423-appb-100002
    进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F (i)表示第i个特征向量，X k表示特征向量中第k个元素的值。
  13. 如权利要求12所述的楼层定位方法，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  14. 如权利要求8所述的楼层定位方法，其特征在于，所述根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理的步骤包括：
    若所述获取的海拔高度大于等于所述初始海拔高度，判断所述预测出的楼层是否大于等于所述初始海拔高度所对应的楼层；
    若所述获取的海拔高度小于所述初始海拔高度，判断所述预测出的楼层是否小于所述初始海拔高度所对应的楼层。
  15. 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存储有楼层定位系统，所述楼层定位系统可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
    定时获取移动终端检测的海拔高度，将获取的海拔高度与预设的初始海拔高度进行比较获得高度差；
    在高度差超过预设海拔阈值时，接收移动终端在当前位置检测到的多台无线设备的设备信号数据，从所述设备信号数据中提取每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成一个特征向量；
    将所述特征向量输入预先训练好的楼层定位分类模型中，预测出所述移动终端的楼层；
    根据获取的海拔高度相对所述初始海拔高度的位置关系，验证所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系是否合理；
    若所述预测出的楼层相对所述初始海拔高度所对应的楼层的位置关系合理，则将所述预测出的楼层确定为所述移动终端所在的楼层，将所述预设的初始海拔高度更新为所述获取的海拔高度，以及将所述预测出的楼层设置为更新后的初始海拔高度所对应的楼层。
  16. 如权利要求15所述的计算机可读存储介质，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求平均值，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  17. 如权利要求15所述的计算机可读存储介质，其特征在于，所述楼层定位分类模型的训练步骤包括：
    F1、针对每一楼层，均匀选定预设数量采样点，采集每一个采样点处检测到的多台无线设备的设备信号数据，对每一个设备信号数据，提取相应的每台无线设备的信号强度数据作为特征值，组合每台无线设备的特征值生成该采样点的特征向量；
    F2、通过聚类算法将计算出的各个特征向量聚类成预设的n个特征类别，并确定各个特征类别的中心点特征向量；
    F3、针对每个特征类别，计算出其各个特征向量分别到其中心点特征向量的距离，确定到其中心点特征向量最近的特征向量，将该确定的特征向量对应的采样点作为该特征类别的关键点；
    F4、将各个楼层的关键点分别标注对应的楼层标签，将所述关键 点分为第一百分比的训练集和第二百分比的验证集，所述第一百分比和第二百分比之和小于或者等于100％；
    F5、利用训练集中的关键点的信号强度的特征向量对所述预设类型分类模型进行训练，并在训练完成后利用验证集对所述预设类型分类模型的准确率进行验证；
    F6、若准确率大于预设阈值，则模型训练结束；
    F7、若准确率小于或者等于预设阈值，则增大n值，重新执行上述步骤F2至F5。
  18. 如权利要求17所述的计算机可读存储介质，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
  19. 如权利要求17所述的计算机可读存储介质，其特征在于，各个特征类别各自的中心点特征向量的确定步骤为：对聚类后得到的各个特征类别分别采用计算公式
    Figure PCTCN2018089423-appb-100003
    进行计算，以得到各个特征类别各自的中心点特征向量，所述计算公式中，n表示类别中特征向量的个数，F (i)表示第i个特征向量，X k表示特征向量中第k个元素的值。
  20. 如权利要求19所述的计算机可读存储介质，其特征在于，所述移动终端对检测到的每一个无线设备的信号强度数据的确定步骤包括：
    对检测到的无线设备，获取该无线设备在第一预设时长内的一组特征信号强度；
    将获取的该组特征信号强度作为基数，按预设的加权方式对该基数加权后求加权和，将得出的加权和确定为该无线设备的信号强度数据，所述预设的加权方式为：根据数据在其所在的基数中的出现频次占比，赋予对应的权重占比。
PCT/CN2018/089423 2018-02-07 2018-06-01 电子装置、楼层定位方法和计算机可读存储介质 WO2019153600A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810124486.8 2018-02-07
CN201810124486.8A CN108513259B (zh) 2018-02-07 2018-02-07 电子装置、楼层定位方法和计算机可读存储介质

Publications (1)

Publication Number Publication Date
WO2019153600A1 true WO2019153600A1 (zh) 2019-08-15

Family

ID=63374508

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/089423 WO2019153600A1 (zh) 2018-02-07 2018-06-01 电子装置、楼层定位方法和计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN108513259B (zh)
WO (1) WO2019153600A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109640272B (zh) * 2018-12-24 2021-06-29 维沃移动通信有限公司 一种定位方法及移动终端
CN110781122A (zh) * 2019-09-26 2020-02-11 广东小天才科技有限公司 楼层电磁信号关联方法、装置、设备及存储介质
CN111491307A (zh) * 2020-04-26 2020-08-04 中国信息通信研究院 一种移动宽带网络信号强度等级确定方法和装置
CN111650554A (zh) * 2020-05-29 2020-09-11 浙江商汤科技开发有限公司 定位方法及装置、电子设备和存储介质
CN111693938A (zh) * 2020-06-10 2020-09-22 北京云迹科技有限公司 机器人的楼层定位方法及装置、机器人、可读存储介质
CN112346006A (zh) * 2020-10-12 2021-02-09 深圳市航天华拓科技有限公司 定位方法、平台、终端、系统及存储介质
CN114599054B (zh) * 2022-03-08 2023-10-13 北京百度网讯科技有限公司 一种设备异常检测方法、装置、电子设备、介质及产品
CN114701927B (zh) * 2022-04-19 2023-07-18 湖南控网物联科技有限公司 一种楼层校准方法、装置及电梯

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103916821A (zh) * 2014-04-11 2014-07-09 北京工业大学 一种基于楼层间rssi差异的楼层判别方法
WO2014203041A1 (en) * 2013-06-20 2014-12-24 Qatar University Qstp-B System and method for rfid indoor localization
CN104602342A (zh) * 2015-01-13 2015-05-06 浙江大学 一种基于iBeacon设备的高效室内定位方法
CN106679617A (zh) * 2015-11-05 2017-05-17 北京希益丰科技有限公司 一种定位楼层水平位置和高度的方法
CN106793067A (zh) * 2016-11-29 2017-05-31 上海斐讯数据通信技术有限公司 一种基于联合网络的多楼层室内定位方法及服务器
CN106792553A (zh) * 2016-11-22 2017-05-31 上海斐讯数据通信技术有限公司 一种基于wifi的多楼层定位方法及服务器
CN107182033A (zh) * 2017-06-26 2017-09-19 深圳市万睿智能科技有限公司 人员在不同楼层移动的定位系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130094947A (ko) * 2012-02-17 2013-08-27 삼성전자주식회사 무선 액세스포인트 위치 측위 방법 및 장치
CN102821464B (zh) * 2012-08-13 2015-08-19 北京邮电大学 一种室内楼层定位方法及装置
KR102252566B1 (ko) * 2013-03-15 2021-05-17 넥스트나브, 엘엘씨 로케이션 서비스를 개선하기 위해 3차원 로케이션 정보를 사용하기 위한 시스템 및 방법
CN103874200B (zh) * 2014-03-19 2018-01-09 北京邮电大学 一种楼层识别方法及系统
CN108317996B (zh) * 2015-08-27 2021-06-29 华为终端有限公司 一种确定楼层方法、相关设备和系统
US10009869B2 (en) * 2015-12-29 2018-06-26 Sk Planet Co., Ltd. Method, device and system for estimating location
CN105704677B (zh) * 2016-03-25 2019-05-31 北京智慧图科技有限责任公司 一种基于气压计的室内定位方法及装置
CN105938189B (zh) * 2016-03-25 2020-09-29 深圳大学 多人协作式楼层定位方法和系统
CN106888426B (zh) * 2017-03-03 2018-07-31 深圳墨兔科技有限公司 一种蓝牙、WiFi及惯导技术融合的室内定位方法以及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014203041A1 (en) * 2013-06-20 2014-12-24 Qatar University Qstp-B System and method for rfid indoor localization
CN103916821A (zh) * 2014-04-11 2014-07-09 北京工业大学 一种基于楼层间rssi差异的楼层判别方法
CN104602342A (zh) * 2015-01-13 2015-05-06 浙江大学 一种基于iBeacon设备的高效室内定位方法
CN106679617A (zh) * 2015-11-05 2017-05-17 北京希益丰科技有限公司 一种定位楼层水平位置和高度的方法
CN106792553A (zh) * 2016-11-22 2017-05-31 上海斐讯数据通信技术有限公司 一种基于wifi的多楼层定位方法及服务器
CN106793067A (zh) * 2016-11-29 2017-05-31 上海斐讯数据通信技术有限公司 一种基于联合网络的多楼层室内定位方法及服务器
CN107182033A (zh) * 2017-06-26 2017-09-19 深圳市万睿智能科技有限公司 人员在不同楼层移动的定位系统

Also Published As

Publication number Publication date
CN108513259B (zh) 2021-04-23
CN108513259A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
WO2019153600A1 (zh) 电子装置、楼层定位方法和计算机可读存储介质
WO2019085336A1 (zh) 基于随机森林模型的定位方法、装置及存储介质
US20130218451A1 (en) Noise pattern acquisition device and position detection apparatus provided therewith
US20140233800A1 (en) Method of tracking object and electronic device supporting the same
CN106507475B (zh) 基于EKNN的室内区域WiFi定位方法及系统
EP2943805A1 (en) Positioning and mapping based on virtual landmarks
WO2014106363A1 (zh) 移动设备定位系统及方法
US9253750B2 (en) Location model updating apparatus and location estimating method
WO2015188324A1 (zh) 移动终端位置预测方法及装置
CN106937251B (zh) 一种室内定位方法及服务器
CN111757464B (zh) 一种区域轮廓提取方法及装置
CN109656973B (zh) 一种目标对象关联分析方法及装置
CN111726765B (zh) 一种面向大规模复杂场景的wifi室内定位方法及系统
CN106658704A (zh) 一种室内定位的起点位置的定位方法和系统
WO2021190470A1 (zh) 电子设备定位的方法、装置、服务器、系统以及存储介质
WO2019061988A1 (zh) 基于无线设备的定位装置、方法及计算机可读存储介质
CN111832579B (zh) 地图兴趣点数据处理方法、装置、电子设备以及可读介质
US10853829B2 (en) Association method, and non-transitory computer-readable storage medium
WO2019085337A1 (zh) 基于信号数据筛选的定位方法、电子装置及存储介质
CN109726726B (zh) 视频中的事件检测方法及装置
CN113989721A (zh) 目标检测方法和目标检测模型的训练方法、装置
JP2019135817A (ja) 情報処理装置及びプログラム
CN111898624B (zh) 定位信息的处理方法、装置、设备及存储介质
CN104615620A (zh) 地图搜索类型识别方法及装置、地图搜索方法及系统
CN111132309B (zh) 一种定位方法、装置、服务器及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18904688

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 03.11.2020.)

122 Ep: pct application non-entry in european phase

Ref document number: 18904688

Country of ref document: EP

Kind code of ref document: A1