CN111372182A - 一种定位方法、装置、设备及计算机可读存储介质 - Google Patents
一种定位方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111372182A CN111372182A CN201811489429.6A CN201811489429A CN111372182A CN 111372182 A CN111372182 A CN 111372182A CN 201811489429 A CN201811489429 A CN 201811489429A CN 111372182 A CN111372182 A CN 111372182A
- Authority
- CN
- China
- Prior art keywords
- user
- network information
- building
- mobile network
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种定位方法、装置、设备及计算机可读存储介质,用于解决现有技术存在对室内用户定位精度差的技术问题。方法包括:在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
Description
技术领域
本发明涉及移动通信领域,特别涉及一种定位方法、装置、设备及计算机可读存储介质。
背景技术
随着长期演进(Long Term Evolution,LTE)网络覆盖的逐渐深入,目前移动数据业务70%以上发生在室内,人们在室内活动空间也越来越大,越来越复杂,停车场、大型商场、机场、火车站等场所的定位和导引需求日趋强烈。同时精准营销、儿童防丢、机器人等行业也需要网络能够在室内识别特定对象的位置。从目前的技术来看,比较成熟且常用的技术包括无线网(WIreless-Fidelity,Wi-Fi)热点地图、Wi-Fi指纹定位等多种技术,其基本原理是依赖接收机对无线电信号的接收,判断接收机与已知位置信号源的相对位置,或者将接收机接收到的位置信号特征,与预先收集的特征地图(“指纹库”)比较,得出所在位置。
但是,当前的定位技术在室内定位方面都存在一定的局限性,未得到全面普及应用,缺乏统一标准,缺乏体系,仍面临着以下问题:
1、现有的绝大多数Wi-Fi热点是为无线上网而铺设,并未考虑到定位需求,因此其铺设密度比室内定位所要求的低很多,定位精度也难以提升;同时,如果热点铺设密度过高,又会因信道间的干扰,影响正常上网,无法实现对精度要求高的室内定位引用;
2、由于商场、楼宇内的布置经常变动,信号的遮蔽、反射、散射等因素,会导致不同参考点上的Wi-Fi接收信号强度发生永久性变化,对于指纹库定位技术,需要经常更新指纹数据库,导致人工成本升高;同时,受室内人流量、信号干扰、信源稳定性等因素影响,即使室内布置不变,接收信号强度也可能发生波动,造成精度下降或出现错误。
由此可见,现有技术存在对室内用户定位精度差的技术问题。
发明内容
本发明实施例提供一种定位方法、装置、设备及计算机可读存储介质,用于解决现有技术存在对室内用户定位精度差的技术问题。
第一方面,本发明实施例提供一种定位方法,包括:
在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;
根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;
将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;其中,所述预测模型的输入为特征序列,输出为移动轨迹;
将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
可选的,所述移动网络信息包括主服小区ID、主服小区信号强度、邻小区ID以及邻小区信号强度。
可选的,将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列,包括:
将所述多条移动轨迹中每条移动轨迹中的每个采样点的移动网络信息进行向量化处理;
将所述每条移动轨迹中的所有采样点的经向量化处理后的移动网络信息按照采样时间的先后顺序进行排序,得到所述每条移动轨迹的特征序列。
可选的,所述待分析区域具体为包含有楼宇的环境区域;
在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集,具体包括:
对所述楼宇环境区域中每个楼宇分别进行三维栅格建模,获得每个楼宇的三维栅格模型,其中每个楼宇的三维栅格模型中栅格的高度为该楼宇的层高;针对所述楼宇环境区域中每个楼宇,分别选取多个栅格作为采样点,并对选取的各个栅格位置处的移动网络信息进行采集;
将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入络LSTM进行学习,生成预测模型,具体包括:
分别将所述楼宇环境区域中每个楼宇中的移动轨迹和特征序列输入LSTM进行训练,获得每个楼宇的预测模型;
将待定位用户的移动网络信息处理成特征序列输入所述预测模型,具体包括:
将待定位用户的移动网络信息处理成特征序列输入所述待定位用户所在楼宇的预测模型。
可选的,在获得每个楼宇的三维栅格模型之后,所述方法还包括:
将每个楼宇的三维栅格模型中每个栅格的位置信息作为该栅格的训练标签;其中,所述位置信息包括经纬度信息和楼层信息;
根据所述待定位用户的移动轨迹对所述待定位用户进行定位,具体包括:
根据所述待定位用户的移动轨迹所包含的栅格的训练标签确定所述待定位用户的位置信息。
可选的,在根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹之前,所述方法还包括:
将所述若干采样点中满足预设条件的采样点删除;
其中,所述预设条件包括以下几种中的一种或多种:
采样点与主服小区所在位置的距离超过第一预设范围;
采样点与邻小区所在位置的距离超过第二预设范围;
主服小区的信号强度低于第一预设值;
邻小区的信号强度低于第二预设值;
邻小区信号强度高于主服信号强度;
采样点的移动网络信息或位置信息缺失。
可选的,在将待定位用户的移动网络信息处理成特征序列输入所述预测模型之前,所述方法还包括:
获取待定位用户上报的MRO数据;
从所述MRO数据中获取所述待定位用户的移动网络信息。
第二方面,本发明实施例提供一种定位装置,包括:
采集模块,用于在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;
处理模块,用于根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;
学习模块,用于将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;其中,所述预测模型的输入为特征序列,输出为移动轨迹;
定位模块,用于将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
可选的,所述移动网络信息包括主服小区ID、主服小区信号强度、邻小区ID以及邻小区信号强度。
可选的,所述处理模块具体用于:
将所述多条移动轨迹中每条移动轨迹中的每个采样点的移动网络信息进行向量化处理;
将所述每条移动轨迹中的所有采样点的经向量化处理后的移动网络信息按照采样时间的先后顺序进行排序,得到所述每条移动轨迹的特征序列。
可选的,所述待分析区域具体为包含有楼宇的环境区域;
所述采集模块具体用于:
对所述楼宇环境区域中每个楼宇分别进行三维栅格建模,获得每个楼宇的三维栅格模型,其中每个楼宇的三维栅格模型中栅格的高度为该楼宇的层高;针对所述楼宇环境区域中每个楼宇,分别选取多个栅格作为采样点,并对选取的各个栅格位置处的移动网络信息进行采集;
所述学习模块具体用于:
分别将所述楼宇环境区域中每个楼宇中的移动轨迹和特征序列输入LSTM进行训练,获得每个楼宇的预测模型;
所述定位模块具体用于:
将待定位用户的移动网络信息处理成特征序列输入所述待定位用户所在楼宇的预测模型。
可选的,所述采集模块还用于:
在获得每个楼宇的三维栅格模型之后,将每个楼宇的三维栅格模型中每个栅格的位置信息作为该栅格的训练标签;其中,所述位置信息包括经纬度信息和楼层信息;
所述定位模块具体用于:
根据所述待定位用户的移动轨迹所包含的栅格的训练标签确定所述待定位用户的位置信息。
可选的,所述处理模块还用于:
在根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹之前,将所述若干采样点中满足预设条件的采样点删除;
其中,所述预设条件包括以下几种中的一种或多种:
采样点与主服小区所在位置的距离超过第一预设范围;
采样点与邻小区所在位置的距离超过第二预设范围;
主服小区的信号强度低于第一预设值;
邻小区的信号强度低于第二预设值;
邻小区信号强度高于主服信号强度;
采样点的移动网络信息或位置信息缺失。
可选的,所述定位模块还用于:
在将待定位用户的移动网络信息处理成特征序列输入所述预测模型之前,获取待定位用户上报的MRO数据;
从所述MRO数据中获取所述待定位用户的移动网络信息。
第三方面,本发明实施例提供一种定位设备,包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令执行本发明实施例第一方面或第一方面的任一种可选的实施方式所述的方法。
第四方面,本发明实施例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计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行本发明实施例第一方面或第一方面的任一种可选的实施方式所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本发明实施例对待分析区域的移动网络信息进行采样,基于采样时间的先后顺序生成多条移动轨迹,并将每条移动轨迹上的采样点的移动网络信息处理该移动轨迹的特征序列;然后将多条移动轨迹和多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;最后将待定位用户的移动网络信息处理成特征序列输入所述预测模型,预测出该待定位用户的移动轨迹,并根据预测出的移动轨迹对该待定位用户进行定位。与传统的Wi-Fi定位技术相比,本发明实施例中的移动网络信息的数据量更丰富、覆盖密度更高、信号强度更稳定,因而能够有效提升定位的准确性;其次,本发明技术方案利用LSTM学习的思想进行用户位置的定位,还具有效率高、成本低的技术效果。
附图说明
为了更清楚地说明本发明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要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中LSTM算法的原理示意图;
图2为本发明实施例中定位方法的流程示意图;
图3为本发明实施例中移动网络信息采样过程示意图;
图4为本发明实施例中采样信息的示意图;
图5为本发明实施例中用户移动轨迹的示意图;
图6为本发明实施例中N个用户的定位信息的示意图。
图7为本发明实施例中定位装置的结构示意图;
图8为本发明实施例中定位设备的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例的描述中“多个”,是指两个或两个以上。
本发明实施例中的术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在介绍本发明实施例技术方案前,先对本文中的“LSTM”进行介绍:
LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
LSTM算法区别于循环神经网络(Recurrent Neural Network,RNN)的地方主要在于:加入了一个判断信息是否有用的处理器(cell),一个cell中放置了三扇门,分别叫做输入门、遗忘门和输出门,一个信息进入LSTM网络当中,可以根据相应规则来判断是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。
遗忘门:决定上一时刻的单元状态c_t-1有多少保留到当前时刻c_t;
输入门:决定当前时刻网络的输入x_t有多少保存到单元状态c_t;
输出门:控制单元状态c_t有多少输出到LSTM的当前输出值h_t。
参照图1,在t时刻,LSTM的输入有三个:当前时刻网络的输入值x_t、上一时刻LSTM的输出值h_t-1、以及上一时刻的单元状态c_t-1;LSTM的输出有两个:当前时刻LSTM输出值h_t、和当前时刻的单元状态c_t。
控制长期状态方法如下:第一个开关,负责控制继续保存长期状态c;第二个开关,负责控制把即时状态输入到长期状态c;第三个开关,负责控制是否把长期状态c作为当前的LSTM的输出。
接下来,介绍本发明实施例技术方案。
本发明实施例提供一种定位方法、装置、设备及计算机可读存储介质,用于解决现有技术存在对室内用户定位精度差的技术问题。参照图2,该方法的具体流程包括:
S101:在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;
在本发明实施例中,可利用网络优化现有的专业设备采集移动网络信息或者利用专业的商务终端采集移动网络信息,本发明实施例不做具体限制。其中,采集的移动网络信息的类型具体可以是3G无线覆盖信息、4G无线覆盖信息或5G无线覆盖信息等,本发明实施例不做具体限制。移动网络信息具体可包括采样点处主服小区标识(identification,ID)、主服小区信号强度、邻小区ID以及邻小区信号强度等,本发明实施例不做具体限制。
作为一种可选的方式,如果待分析区域具体为包含有楼宇的环境区域,则对待分析区域进行移动网络信息采样的具体实施方式可以为:对每个楼宇分别进行三维栅格建模,获得每个楼宇的三维栅格模型;针对每个楼宇,分别选取多个栅格作为采样点,并对选取的各个栅格位置处的移动网络信息进行采集。其中,栅格的高度具体可以为楼宇的层高。
例如,请参照图3,移动网络信息采样的详细过程包括:
步骤201:将每个楼宇的每一层进行栅格划分;
具体的,栅格的高度具体为楼层的高度,栅格的长和宽可根据实际情况进行设定,比如设置为5cm*5cm。
步骤302:楼宇内每一平层要求至少采集500-1000个采样点;
步骤203:楼宇内每一层(包括地下车库)需要涉及到,每一层采集时间不低于20分钟;
步骤204:楼宇***100米范围内采集数据,要求采样点不低于500个。
在采集完成后,将采集到的采样数据进行解析,统计出楼宇内每一层及楼宇外的信息,如图4所示。
作为一种可选的方式,为了保证步骤S103生成的预测模型的准确性,在对待分析区域进行数据采样之后,可进一步对采样数据中的无效样本进行识别和删除。
具体实施包括:将所述若干采样点中满足预设条件的采样点删除。其中,所述预设条件包括以下几种中的一种或多种:
1)采样点与主服小区所在位置的距离超过第一预设范围;
2)采样点与邻小区所在位置的距离超过第二预设范围;
3)主服小区的信号强度低于第一预设值;
4)邻小区的信号强度低于第二预设值;
5)邻小区信号强度高于主服信号强度;
6)采样点的移动网络信息或位置信息缺失。
例如,如果栅格内主服小区所在位置距离超过1公里范围,则确定该栅格的采样数据无效;又如,如果栅格内前6强邻小区所在位置距离超过1.5公里范围,则确定该栅格的采样数据无效;又如,如果栅格内主服小区信号强度低于-95dB,则确定该栅格的采样数据无效;又如,如果栅格内邻小区信号强度高于主服信号强度,则确定该栅格的采样数据无效;又如,如果栅格内邻小区信号强度低于-120dB,则确定该栅格的采样数据无效;又如,如果栅格内楼层ID、主服小区信号强度、邻小区信号强度不完整,则确定该栅格的采样数据无效。
作为一种可选的方式,在获得每个楼宇的三维栅格模型之后,还可以将每个楼宇的三维栅格模型中每个栅格的位置信息作为该栅格的训练标签;其中,位置信息具体可包括栅格的经纬度信息、楼层信息等。
S102:根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;
其中,将每条移动轨迹所包含的采样点的移动网络信息处理成特征序列具体的实施方式包括:将每条移动轨迹中的每个采样点的移动网络信息进行向量化处理;将所述每条移动轨迹中的所有采样点的经向量化处理后的移动网络信息按照采样时间的先后顺序进行排序,得到所述每条移动轨迹的特征序列。
例如:针对每个楼宇,先将整个楼宇的小区排序,得到小区列表;然后将每个栅格处接收到的主、邻小区的场强信息处理成向量,比如将主、邻小区的参考信号接收功率(Reference Signal Receiving Power,RSRP)构成RSRP向量。为了更精准的定位用户的位置,除了利用用户接收到的小区信号的场强信息外,还进一步利用用户的历史信息及变化状况,把样本按时间处理成序列,比如按时间顺序把10个相邻RSRP连接成一个长度为10的特征序列。假设某个用户从某楼宇入口至该楼宇4层,可以有N种走法,即经过N种不同的栅格序列,则对应产生N个特征序列。
S103:将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;其中,所述预测模型的输入为特征序列,输出为移动轨迹;
其中,当待分析区域包括多个楼宇时,分别将所述楼宇环境区域中每个楼宇中的移动轨迹和特征序列输入LSTM进行训练,获得每个楼宇的预测模型。针对每一个楼宇,LSTM通过该楼宇中每个栅格序列(即移动轨迹)及其特征序列进行特征学习,进而得到整个楼宇内的所有栅格序列对应的特征序列,生成该楼宇对应的预测模型。
S104:将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
具体的,根据预测模型输出的栅格序列(移动轨迹)所包含的栅格(采样点)的训练标签确定所述待定位用户的位置信息。例如图5所示,图5中的曲线为用户移动轨迹的示意,其中五角星标识的位置为用户的当前位置。
相应的,当待分析区域包括多个楼宇时,将待定位用户的移动网络信息处理成特征序列输入所述待定位用户所在楼宇的预测模型。
作为一种可选的方式,在执行步骤S104时,可以同时对多个待测用户并行处理,实现对多个待测用户的定位。例如,图6所示,同时对N个用户进行定位,可得到N个用户的定位信息。
作为一种可选的方式,待定位用户的移动网络信息的来源可以是获取待定位用户上报的测量报告样本数据文件(Measurement Report Original,MRO)数据,从所述MRO数据中获取该待定位用户的移动网络信息。
作为一种可选的方式,在执行步骤103之后,还可以将每个栅格与该栅格处的关键质量感知指标(Key Quality Indicators,KQI)进行关联,进而可实现室内用户感知问题的智能识别和定位,提升室内网络运行质量。
本发明实施例技术方案,对待分析区域的移动网络信息进行采样,基于采样时间的先后顺序生成多条移动轨迹,并将每条移动轨迹上的采样点的移动网络信息处理该移动轨迹的特征序列;然后将多条移动轨迹和多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;最后将待定位用户的移动网络信息处理成特征序列输入所述预测模型,预测出该待定位用户的移动轨迹,并根据预测出的移动轨迹对该待定位用户进行定位。与传统的Wi-Fi定位技术相比,本发明实施例中的移动网络信息的数据量更丰富、覆盖密度更高、信号强度更稳定,因而能够有效提升定位的准确性;其次,本发明技术方案利用LSTM学习的思想进行用户位置的定位,还具有效率高、成本低的技术效果。
请参见图7,基于同一发明构思,本发明实施例还提供一种定位装置,包括:
采集模块701,用于在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;
处理模块702,用于根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;
学习模块703,用于将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;其中,所述预测模型的输入为特征序列,输出为移动轨迹;
定位模块704,用于将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
可选的,所述移动网络信息包括主服小区ID、主服小区信号强度、邻小区ID以及邻小区信号强度。
可选的,所述处理模块702具体用于:
将所述多条移动轨迹中每条移动轨迹中的每个采样点的移动网络信息进行向量化处理;
将所述每条移动轨迹中的所有采样点的经向量化处理后的移动网络信息按照采样时间的先后顺序进行排序,得到所述每条移动轨迹的特征序列。
可选的,所述待分析区域具体为包含有楼宇的环境区域;
所述采集模块701具体用于:
对所述楼宇环境区域中每个楼宇分别进行三维栅格建模,获得每个楼宇的三维栅格模型,其中每个楼宇的三维栅格模型中栅格的高度为该楼宇的层高;针对所述楼宇环境区域中每个楼宇,分别选取多个栅格作为采样点,并对选取的各个栅格位置处的移动网络信息进行采集;
所述学习模块703具体用于:
分别将所述楼宇环境区域中每个楼宇中的移动轨迹和特征序列输入LSTM进行训练,获得每个楼宇的预测模型;
所述定位模块704具体用于:
将待定位用户的移动网络信息处理成特征序列输入所述待定位用户所在楼宇的预测模型。
可选的,所述采集模块701还用于:
在获得每个楼宇的三维栅格模型之后,将每个楼宇的三维栅格模型中每个栅格的位置信息作为该栅格的训练标签;其中,所述位置信息包括经纬度信息和楼层信息;
所述定位模块704具体用于:
根据所述待定位用户的移动轨迹所包含的栅格的训练标签确定所述待定位用户的位置信息。
可选的,所述处理模块702还用于:
在根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹之前,将所述若干采样点中满足预设条件的采样点删除;
其中,所述预设条件包括以下几种中的一种或多种:
采样点与主服小区所在位置的距离超过第一预设范围;
采样点与邻小区所在位置的距离超过第二预设范围;
主服小区的信号强度低于第一预设值;
邻小区的信号强度低于第二预设值;
邻小区信号强度高于主服信号强度;
采样点的移动网络信息或位置信息缺失。
可选的,所述定位模块704还用于:
在将待定位用户的移动网络信息处理成特征序列输入所述预测模型之前,获取待定位用户上报的MRO数据;
从所述MRO数据中获取所述待定位用户的移动网络信息。
本发明所述方法和装置基于同一发明构思,由于方法及装置解决问题的原理相似,以上各单元所执行操作的具体实现方式可以参照本发明实施例上述定位方法中对应的步骤,因此装置与方法的实施可以相互参见,重复之处不再赘述。
请参见图8,基于同一发明构思,本发明实施例还提供一种定位设备,包括:
至少一个处理器801,以及
与所述至少一个处理器801通信连接的存储器802;
其中,所述存储器802存储有可被所述至少一个处理器801执行的指令,所述至少一个处理器801通过执行所述存储器802存储的指令执行如上述方法实施例中所述的方法的步骤。
可选的,处理器801具体可以包括中央处理器(central processing unit,CPU)、特定应用集成电路(application specific integrated circuit,ASIC),可以是一个或多个用于控制程序执行的集成电路,可以是使用现场可编程门阵列(field programmablegate array,FPGA)开发的硬件电路,可以是基带处理器。
可选的,处理器801可以包括至少一个处理核心。
可选的,存储器802,存储器802可以包括只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)和磁盘存储器。存储器802用于存储处理器801运行时所需的数据。
基于同一发明构思,本发明实施例还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计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如上述方法实施例中所述的方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种定位方法,其特征在于,包括:
在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;
根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;
将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入长短期记忆网络LSTM进行学习,生成预测模型;其中,所述预测模型的输入为特征序列,输出为移动轨迹;
将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
2.如权利要求1所述的方法,其特征在于,所述移动网络信息包括主服小区标识ID、主服小区信号强度、邻小区ID以及邻小区信号强度。
3.如权利要求1所述的方法,其特征在于,将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列,包括:
将所述多条移动轨迹中每条移动轨迹中的每个采样点的移动网络信息进行向量化处理;
将所述每条移动轨迹中的所有采样点的经向量化处理后的移动网络信息按照采样时间的先后顺序进行排序,得到所述每条移动轨迹的特征序列。
4.如权利要求1-3任一项所述的方法,其特征在于,所述待分析区域具体为包含有楼宇的环境区域;
在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集,具体包括:
对所述楼宇环境区域中每个楼宇分别进行三维栅格建模,获得每个楼宇的三维栅格模型,其中每个楼宇的三维栅格模型中栅格的高度为该楼宇的层高;针对所述楼宇环境区域中每个楼宇,分别选取多个栅格作为采样点,并对选取的各个栅格位置处的移动网络信息进行采集;
将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入络LSTM进行学习,生成预测模型,具体包括:
分别将所述楼宇环境区域中每个楼宇中的移动轨迹和特征序列输入LSTM进行训练,获得每个楼宇的预测模型;
将待定位用户的移动网络信息处理成特征序列输入所述预测模型,具体包括:
将待定位用户的移动网络信息处理成特征序列输入所述待定位用户所在楼宇的预测模型。
5.如权利要求4所述的方法,其特征在于,在获得每个楼宇的三维栅格模型之后,所述方法还包括:
将每个楼宇的三维栅格模型中每个栅格的位置信息作为该栅格的训练标签;其中,所述位置信息包括经纬度信息和楼层信息;
根据所述待定位用户的移动轨迹对所述待定位用户进行定位,具体包括:
根据所述待定位用户的移动轨迹所包含的栅格的训练标签确定所述待定位用户的位置信息。
6.如权利要求1-3任一项所述的方法,其特征在于,在根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹之前,所述方法还包括:
将所述若干采样点中满足预设条件的采样点删除;
其中,所述预设条件包括以下几种中的一种或多种:
采样点与主服小区所在位置的距离超过第一预设范围;
采样点与邻小区所在位置的距离超过第二预设范围;
主服小区的信号强度低于第一预设值;
邻小区的信号强度低于第二预设值;
邻小区信号强度高于主服信号强度;
采样点的移动网络信息或位置信息缺失。
7.如权利要求1-3任一项所述的方法,其特征在于,在将待定位用户的移动网络信息处理成特征序列输入所述预测模型之前,所述方法还包括:
获取待定位用户上报的测量报告样本数据文件MRO数据;
从所述MRO数据中获取所述待定位用户的移动网络信息。
8.一种定位装置,其特征在于,包括:
采集模块,用于在待分析区域中选取若干采样点,对各个采样点的移动网络信息进行采集;
处理模块,用于根据采样时间的先后顺序基于所述若干采样点生成多条移动轨迹;将所述多条移动轨迹中每条移动轨迹所包含的采样点的移动网络信息处理所述每条移动轨迹的特征序列;
学习模块,用于将所述多条移动轨迹和所述多条移动轨迹对应的特征序列输入LSTM进行学习,生成预测模型;其中,所述预测模型的输入为特征序列,输出为移动轨迹;
定位模块,用于将待定位用户的移动网络信息处理成特征序列输入所述预测模型,通过所述预测模型输出所述待定位用户的移动轨迹,并根据所述待定位用户的移动轨迹对所述待定位用户进行定位。
9.一种定位设备,其特征在于,包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令执行权利要求1-7中任一项所述的方法。
10.一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计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811489429.6A CN111372182A (zh) | 2018-12-06 | 2018-12-06 | 一种定位方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811489429.6A CN111372182A (zh) | 2018-12-06 | 2018-12-06 | 一种定位方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111372182A true CN111372182A (zh) | 2020-07-03 |
Family
ID=71209732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811489429.6A Pending CN111372182A (zh) | 2018-12-06 | 2018-12-06 | 一种定位方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111372182A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040408A (zh) * | 2020-08-14 | 2020-12-04 | 山东大学 | 一种适用于监管场所的多目标精确智能定位跟踪方法 |
CN114599082A (zh) * | 2020-12-07 | 2022-06-07 | ***通信集团山西有限公司 | 楼宇的用户定位方法、装置、设备及计算机存储介质 |
CN115451937A (zh) * | 2022-08-12 | 2022-12-09 | 合肥未来计算机技术开发有限公司 | 复杂环境下安全通道的电子地图生成***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130165143A1 (en) * | 2011-06-24 | 2013-06-27 | Russell Ziskind | Training pattern recognition systems for determining user device locations |
CN106886552A (zh) * | 2016-12-12 | 2017-06-23 | 蔚来汽车有限公司 | 位置指纹数据库更新方法及*** |
CN106912103A (zh) * | 2015-12-23 | 2017-06-30 | ***通信集团上海有限公司 | 一种终端定位方法及装置 |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
-
2018
- 2018-12-06 CN CN201811489429.6A patent/CN111372182A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130165143A1 (en) * | 2011-06-24 | 2013-06-27 | Russell Ziskind | Training pattern recognition systems for determining user device locations |
CN106912103A (zh) * | 2015-12-23 | 2017-06-30 | ***通信集团上海有限公司 | 一种终端定位方法及装置 |
CN106886552A (zh) * | 2016-12-12 | 2017-06-23 | 蔚来汽车有限公司 | 位置指纹数据库更新方法及*** |
CN107396322A (zh) * | 2017-08-28 | 2017-11-24 | 电子科技大学 | 基于路径匹配与编码译码循环神经网络的室内定位方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112040408A (zh) * | 2020-08-14 | 2020-12-04 | 山东大学 | 一种适用于监管场所的多目标精确智能定位跟踪方法 |
CN114599082A (zh) * | 2020-12-07 | 2022-06-07 | ***通信集团山西有限公司 | 楼宇的用户定位方法、装置、设备及计算机存储介质 |
CN115451937A (zh) * | 2022-08-12 | 2022-12-09 | 合肥未来计算机技术开发有限公司 | 复杂环境下安全通道的电子地图生成***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107333232B (zh) | 一种终端定位方法及网络设备 | |
Sohn et al. | Dynamic origin–destination flow estimation using cellular communication system | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及*** | |
Rezazadeh et al. | A location-based smart shopping system with IoT technology | |
CN111372182A (zh) | 一种定位方法、装置、设备及计算机可读存储介质 | |
CN110545558B (zh) | 基于Wi-Fi数据的高速服务区人群密度估计*** | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
CN102984745A (zh) | Wi-Fi AP位置及路径损耗模型的联合估测方法 | |
CN112686466A (zh) | 地铁乘客的路径确认方法及装置 | |
CN113365306B (zh) | 网络分析方法及装置、存储介质、计算机*** | |
Krijestorac et al. | Agile radio map prediction using deep learning | |
JP6223302B2 (ja) | 携帯端末を所持したユーザの滞在判定が可能な装置、プログラム及び方法 | |
Roy et al. | Indoor localization using stable set of wireless access points subject to varying granularity levels | |
CN116957005A (zh) | 对应关系预测网络的训练方法、装置、设备及介质 | |
CN113225674B (zh) | 一种指纹定位方法、***、服务器和存储介质 | |
KR20200061666A (ko) | 인구 안내 서비스 제공방법 및 장치 | |
CN112601177B (zh) | 公共区域人流导流的方法、***、服务器和存储介质 | |
CN113947123A (zh) | 人员轨迹识别方法、***、存储介质和设备 | |
KR101591566B1 (ko) | 위치 추적 방법 및 장치 | |
Lin et al. | Two-stage clustering for improve indoor positioning accuracy | |
CN109874170B (zh) | 地理坐标系盲检测方法、装置、设备及介质 | |
CN107979818B (zh) | 一种无线指纹库初始数据的处理方法 | |
CN112929938B (zh) | 一种基于无线日志信息的ap拓扑关系图生成方法及*** | |
US20240214772A1 (en) | Systems and methods for assigning user device movement states | |
CN113569978B (zh) | 一种出行轨迹识别方法、装置、计算机设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
RJ01 | Rejection of invention patent application after publication |