CN115103308A - 共享设备异常处置分析方法、***、终端及介质 - Google Patents
共享设备异常处置分析方法、***、终端及介质 Download PDFInfo
- Publication number
- CN115103308A CN115103308A CN202210713513.1A CN202210713513A CN115103308A CN 115103308 A CN115103308 A CN 115103308A CN 202210713513 A CN202210713513 A CN 202210713513A CN 115103308 A CN115103308 A CN 115103308A
- Authority
- CN
- China
- Prior art keywords
- base station
- sampling
- grid
- shared device
- exception handling
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 75
- 238000000034 method Methods 0.000 claims description 45
- 238000001914 filtration Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004321 preservation Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000033999 Device damage Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供共享设备异常处置分析方法、***、终端及介质，旨在基于共享设备在使用状态下上传的定位信息及基站扫描信息等构建地块画像和基站画像；并根据共享设备在非使用状态下定时上传的基站扫描信息，使用所述地块画像和基站画像分别求取非使用状态下的共享设备在不同时刻的最大概率所处区域之间的区域差异；通过判断计算得到的区域差异是否超过警告区域范围来判断共享设备是否被异常处置。通过本发明的技术方案，可以在持续监控共享设备位置而产生的功耗、定位精度、设备资产保全等问题之间找到了最佳的平衡点。
Description
技术领域
本发明涉及定位技术领域，尤其涉及共享设备异常处置分析方法、***、终端及介质。
背景技术
随着互联网技术的发展，在各大、中型城市兴起的共享设备(如共享车辆、共享电池、共享充电宝或共享雨伞等)几乎随处可见，但实际运营中也发现有不少私用设备或破坏设备等不良行为，造成资产损失。以共享车辆为例：与“有桩”的公共自行车相比，这种随时取用和停车的“无桩”共享车辆给用户带来了极大便利，但与此同时，也发现有在不正常使用APP开锁共享车辆情况下，私运车辆、私藏车辆、破坏车辆等行为，造成共享车辆资产的巨大损失。
通常而言，共享设备可以利用卫星定位技术进行定位，并对共享设备的位置进行跟踪。但该技术在进行定位时功耗很高，共享设备本身电量有限，并不会常开，尤其当共享设备关闭状态下。
另外，基站定位是利用设备SIM卡联网的一种低功耗定位手段，但受限于基站定位技术水平，单基站定位的精度误差，离可实用性太远。另外一个技术思路就是从单个基站定位到共享设备，但其实是长期对周围基站信息的数据采集。因此，如何利用好共享设备在关闭状态下进行连续基站定位跟踪，是本领域亟需解决的一个技术问题。
发明内容
有鉴于现有技术的上述缺陷，本发明提供共享设备异常处置分析方法、***、终端及介质，所要解决的技术问题是如何利用好共享设备在关闭状态下进行连续基站定位跟踪。
为实现上述目的，本发明提供了一种共享设备异常处置分析方法，其特征在于，包括：获取共享设备在非使用状态下上传的基站扫描信息以查询对应的地块画像和基站画像；根据所述地块画像和基站画像计算所述共享设备在对应时刻下的最大概率候选网格；比较所述共享设备在不同时刻下的最大概率候选网格并计算网格阈值差；若所述网格阈值差超过警告区域范围，则判定所述共享设备被异常处置。
在本发明的较佳实施方式中，所述共享设备的最大概率候选网格的计算过程包括：根据所述基站扫描信息查询候选网格集合中的各候选网格在对应时刻的地块画像；基于上一时刻下的地块画像及上一时刻下的基站画像计算各候选网格在当前时刻下的基站画像，得到所述共享设备在各候选网格中出现的概率值，并选取概率值最大的候选网格作为所述最大概率候选网格。
在本发明的较佳实施方式中，所述基站画像的构建过程包括：获取由多个共享设备在使用状态下上传的卫星定位信息及基站扫描信息，将所述卫星定位信息及基站扫描信息按照基站编号汇聚后得到各基站的采样点集合；对所述采样点集合进行异常点剔除及采样数据质量筛查后进行基站建模，以构建所述基站画像。
在本发明的另一较佳实施方式中，对所述采样点集合进行异常点剔除的过程包括：确立所述采样点集合中的采样中心点；以所述采样中心点为圆心计算所述采样点集合中每个采样点到所述采样中心点的距离，将超过预设半径阈值的采样点作为异常采样点进行剔除；其中，所述采样中心点的确立方式包括：对所述采样点集合的经纬度进行加权平均计算，得到的计算结果作为所述采样点集合的采样中心点。
在本发明的另一较佳实施方式中，对所述采样点集合进行采样数据质量筛查的方式包括如下任一种或两种：设定卫星搜星数预设阈值，将搜星数量低于所述卫星搜星数预设阈值的采样点滤除；设定定位精度过滤阈值，将定位精度强弱度不满足所述定位精度过滤阈值的采样点滤除。
在本发明的另一较佳实施方式中，所述上一时刻下的地块画像为上一时刻下共享设备扫描到的基站在候选网格中出现的概率值；所述上一时刻下的基站画像为上一时刻下基站所在的经纬度及基站信号覆盖半径；所述当前时刻下的基站画像为当前时刻下基站所在的经纬度及基站信号覆盖半径。
在本发明的另一较佳实施方式中，所述获取共享设备在非使用状态下上传的基站扫描信息，包括：获取共享设备在非使用状态下，利用所述共享设备上的基站扫描模块按照预设的基站扫描频率扫描周边基站得到的基站编号信息和基站信号强度信息。
为实现上述目的，本发明提供了一种共享设备异常处置分析***，其特征在于，包括：画像模块，用于获取共享设备在非使用状态下上传的基站扫描信息以查询对应的地块画像和基站画像；候选网格模块，用于根据所述地块画像和基站画像计算所述共享设备在对应时刻下的最大概率候选网格；异常分析模块，用于比较所述共享设备在不同时刻下的最大概率候选网格并计算网格阈值差；若所述网格阈值差超过警告区域范围，则判定所述共享设备被异常处置。
为实现上述目的，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述共享设备异常处置分析方法。
为实现上述目的，本发明提供了一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述共享设备异常处置分析方法。
本发明提供的共享设备异常处置分析方法、***、终端及介质，具有以下技术效果：本发明基于共享设备在使用状态下上传的定位信息及基站扫描信息等构建地块画像和基站画像；并根据共享设备在非使用状态下定时上传的基站扫描信息，使用所述地块画像和基站画像分别求取非使用状态下的共享设备在不同时刻的最大概率所处区域之间的区域差异；通过判断计算得到的区域差异是否超过警告区域范围来判断共享设备是否被异常处置。通过本发明的技术方案，可以在持续监控共享设备位置而产生的功耗、定位精度、设备资产保全等问题之间找到了最佳的平衡点。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是为实现本发明实施例提供的共享设备异常处置分析方法的一个可选的应用场景示意图。
图2是本发明实施例中的一种共享设备异常处置分析方法的流程示意图。
图3是本发明实施例中的基站画像的构建过程示意图。
图4是本发明实施例中的对采样点集合进行异常点剔除的过程示意图。
图5是本发明实施例中的电子终端的结构示意图。
图6是本发明实施例中的共享设备异常处置分析***的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
为解决上述背景技术中的技术问题，本发明提供共享设备异常处置分析方法、***、终端及介质，不仅可以持续监控共享设备的位置，还能在低功耗、高精度及保全设备资产等方面取得非常好的平衡。
在对本发明进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1)卫星定位，是一种使用卫星对某物进行准确定位的技术，能够实现在任意时刻、地球上任意一点都可以同时观测到卫星，以便实现导航、定位、授时等功能。
2)基站，是移动设备接入互联网的接口设备，也是无线电台站的一种形式，是指在一定的无线电覆盖区中，通过移动通信交换中心，与移动电话终端之间进行信息传递的无线电收发信电台。
3)GeoHash，是一种地址编码算法，能将二维的经纬度编码成一维字符串，生成的字符串表示的是一个矩形范围而非一个点；基本原理就是将地球理解为一个展开的二维平面，将这个二维平面按照一定的规则划分为不同的单元格，每个单元格拥有具有唯一性的编码。
4)贝叶斯滤波，是通过贝叶斯公式对随机信号进行处理，以减小噪声带来的不确定性。
本发明实施例提供共享设备异常处置分析方法、实施共享设备异常处置分析方法的***、以及存储用于实现共享设备异常处置分析方法的可执行程序的存储介质。就共享设备异常处置分析方法的实施而言，本发明实施例提供终端侧和服务器侧实施的方案，将对共享设备异常处置分析的示例性实施场景进行说明。由于共享设备的类型较多，如共享车辆、共享电池、共享充电宝或共享雨伞等，下文仅以共享车辆为例进行说明，但本发明技术方案的应用领域并不仅限于共享车辆。
如图1所示，为实现本发明实施例提供的共享设备异常处置分析方法的一个可选的应用场景示意图，该应用场景由共享车辆11、基站设备12及服务器13构成。共享车辆11上安装有用于对车辆位置进行定位的卫星定位模块以及用于扫描车辆附近的基站编号及信号信息的通信模块。
在本应用场景中共享车辆的跟踪过程如下：用户在用车过程中(即处于使用状态下)，车辆上设置的定位模块按照预设的定位频率进行卫星定位。所述定位频率是指一定周期内卫星定位的次数，如GPS芯片常用的定位频率是10Hz甚或100Hz等。与此同时，定位模块在进行卫星定位的过程中，共享车辆上的基站扫描模块还按照预设的基站扫描频率扫描周边基站的基站编号和基站信号强度等基站扫描信息。所述基站扫描频率是指一定周期内共享设备扫描周边基站的次数，例如可设置成与卫星定位的定位频率一致，也可不一致，本实施例不作具体限定。所述基站扫描模块是指能与基站建立通信连接的通信模块(如4G基站通信模块或5G基站通信模块等)。
随后，定位模块按照预设上报概率将定位到的经纬度信息和定位时间戳信息整合统一后，连带着在这期间扫描到的周边基站的基站编号和基站信号强度等信息，一并上报到服务器13，由服务器13根据上传的这些信息构建地块画像和基站画像。
用户在关闭共享车辆11的智能锁后，共享车辆11在非使用状态下，仍会向服务器13定时上报基站扫描信息(例如每5分钟上报一次基站扫描信息)；服务器13获取到设备在非使用状态下上传的基站扫描信息后查询对应的地块画像和基站画像，并据此计算共享车辆在对应时刻下的最大概率候选网格，通过比较不同时刻下的最大概率候选网格并计算网格阈值差来判断共享车辆11是否被异常处置(例如被异常挪动等)，由此实现在功耗、定位精度及资产保全等方面找到最好的平衡点。
上文，对共享设备异常处置分析方法的一个可选的应用场景做了相应的解释；下文，就共享设备异常处置分析方法、实施共享设备异常处置分析方法的***、以及存储用于实现共享设备异常处置分析方法的可执行程序的存储介质做进一步的说明。
如图2所示，展示了本发明实施例中的一种共享设备异常处置分析方法的流程示意图，由步骤S21～S23构成。
步骤S21：获取共享设备在非使用状态下上传的基站扫描信息以查询对应的地块画像和基站画像。
具体而言，所述共享设备在非使用状态下会定时扫描设备周边的蓝牙广播设备以获取基站扫描信息，所述基站扫描信息包括但不限于基站编号信息、基站信号强度信息等。
地块画像和基站画像是由共享设备在使用状态下预先构建的。地块画像是指给定所处地块下基站编号出现的先验统计概率，是P(cell＝cell_id|grid＝grid_id)的概率分布模型名称，是指统计在grid_id网格内，基站cell_id出现的次数占所述grid_id网格内的所有基站集合的次数之和的比例。所述先验统计概率是指根据以往经验和分析得到的统计概率；在贝叶斯统计推断中，不确定数量的先验概率分布是在考虑一些因素之前表达对这一数量的置信度的概率分布。基站画像用P(grid＝gird_id|cell＝cell_id)表示；cell_id是指基站编号，gird_id是指网格编号，P(grid＝gird_id|cell＝cell_id)则是指给定基站编号为cell_id的情况下，对应的基站所在的经纬度及基站信号覆盖半径。
在一些可实现的实施方式中，所述基站画像的构建过程如图3所示，由步骤S31和S32组成：
步骤S31：获取由多个共享设备在使用状态下上传的卫星定位信息及基站扫描信息，将所述卫星定位信息及基站扫描信息按照基站编号汇聚后得到各基站的采样点集合。
具体而言，共享设备在使用状态下，会利用定位模块按照预设的定位频率进行卫星定位以得到卫星定位信息；与此同时，利用基站扫描模块按照预设的基站扫描频率扫描周边基站以得到基站扫描信息；随后，共享设备通过通讯模块将所述卫星定位信息及基站扫描信息一并上传。
其中，所述卫星定位信息包括但不限于定位经纬度信息、定位时间戳信息、搜星数量信息。所述搜星数量是指通过定位***搜到的卫星数量，通常搜星数量越多则定位精度越高。所述基站扫描信息包括但不限于基站编号信息、基站信号强度信息等。
应理解，本实施例中的定位模块可选用如下任一种或多种：GPS卫星定位模块、北斗卫星定位模块、伽利略卫星定位模块、格洛纳斯定位模块等；GPS卫星定位模块基于GPS全球定位***实现定位功能，利用导航卫星进行测时和测距，具有在海、陆、空全方位实时三维导航与定位能力；北斗卫星定位模块基于北斗全球定位***实现定位功能，由空间段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠的定位、导航、授时等服务，并具备短报文通信能力；伽利略卫星定位模块基于GSNS全球定位***实现定位功能，***由轨道高度为23616km的30颗卫星组成；格洛纳斯定位模块基于GLONASS全球定位***实现定位功能，由卫星星座、地面监测控制站和用户设备三部分组成。
由于每辆共享车辆都会上传卫星定位信息和基站扫描信息，因此由多辆共享车辆上传的卫星定位信息和基站扫描信息，按照基站编号汇聚后可以得到附近每个基站对应的采样点集合。具体来说，采样点集合是指由多个采样点所组成的信息集合；设于所述共享车辆上的定位模块在定位期间扫描到的基站信息称为该基站的一次采样点，服务器端会收到多辆共享车辆上报的采样点，将这些采样点按照基站编号汇聚后得到对应的采样点集合。
步骤S32：对所述采样点集合进行异常点剔除及采样数据质量筛查后进行基站建模，以构建所述基站画像。
在一些优选的实施方式中，在构建基站画像之前先对所述采样点集合进行异常点剔除及采样数据质量筛查，由采样点集合中剩余的高质量采样数据来构建更高精度的基站画像。
在一些示例中，对所述采样点集合进行异常点剔除的过程如图4所示，由步骤S41和S42组成：
步骤S41：确立所述采样点集合中的采样中心点。
其中，确立所述采样中心点的方式包括：对所述采样点集合的经纬度进行加权平均计算，得到的计算结果作为该采样点集合的采样中心点。可基于以采样点数据中的基站ID作为键值的采样点集合来计算每个采样点集合的采样中心点。假设所述采样点集合中共有k个采样点(也即有k辆共享车辆在定位期间扫描到该基站ID)，每次扫描对应的共享车辆定位信息分别表示为{(X1,Y1),(X2,Y2)……(Xk,Yk)}。因此，基站的中心点可被表示为(Cell_id_x,Cell_id_y)，计算方式为：
Cell_id_x＝sum(X1,X2,…Xk)/k，Cell_id_y＝sum(Y1,Y2,…Yk)/k；公式1)
步骤S42：以所述采样中心点为圆心计算采样点集合中每个采样点到所述采样中心点的距离，将超过预设半径阈值的采样点作为异常采样点进行剔除。
每个采样点与采样中心点的距离是指根据两者的经纬坐标之间的距离，经纬坐标之间的距离计算过程如下：为便于描述，下文的示例中将采样中心点记为A点，将采样点集合中的任一采样点记为B点，A点与B点之间的距离计算公式如下：
d＝111.12cos{1/[sinΦAsinΦB十cosΦAcosΦBcos(λB-λA)]}；公式2)
其中，d表示A点与B点之间的距离；λA和ΦA分别表示A点的经度与维度；λB和ΦB分别表示B点的经度与维度。另外，地球上所有地方的维度一分的距离约等于1.86公里，也就是一度等于(1.86*60)，即约为111公里，不同维度处的经度线上一分的实际长度是不同的。
在一些示例中，在对所述采样点集合进行异常点剔除后进行采样数据质量筛查的方式包括如下任一种或两种：
第一种采样数据质量筛查方式：设定卫星搜星数预设阈值，将搜星数量低于所述卫星搜星数预设阈值的采样点滤除，不参与基站画像的构建过程。
第二种采样数据质量筛查方式：设定定位精度过滤阈值，将定位精度强弱度不满足所述定位精度过滤阈值的采样点滤除，不参与基站画像的构建过程。其中，所述定位精度强弱度用PDOP(Position Dilution of Precision)值表示，是指维度、经度和高程等误差平方和的开根号值，指代的是归因于卫星的几何分布，天空中卫星分布程度越好，定位精度越高，PDOP值越小精度越高。
步骤S22：根据所述地块画像和基站画像计算所述共享设备在对应时刻下的最大概率候选网格。
在一些示例中，所述共享设备的最大概率候选网格的计算过程包括：根据所述基站扫描信息查询候选网格集合中的各候选网格在对应时刻的地块画像；基于上一时刻下的地块画像及上一时刻下的基站画像计算各候选网格在当前时刻下的基站画像，得到所述共享设备在各候选网格中出现的概率值，并选取概率值最大的候选网格作为所述最大概率候选网格；上述计算过程实则是利用贝叶斯过滤算法进行求解得到。
所述贝叶斯滤波算法的过程如下：首先进行初始化，计算初始状态的先验分布概率p(x0)；随后进行预测步骤，利用前(k-1)个观测来估计第k个隐状态；最后进行更新步骤，利用上一步的预测结果及新加入的第k个观测结合贝叶斯公式得到第k个观测的概率。
上述贝叶斯滤波算法于本实施例中的具体应用如下：
首先，应进行初始化，初始位置信息记为(X0,Y0)，利用geohash7方式投射到对应的周围阈值范围内的候选网格中，得到初始概率分布(即共享车辆在各候选网格中的概率值)。
随后，当共享车辆每次扫描基站上传基站信息更新时，上传基站编号信息id，查询候选网格所对应的地块画像，计算各候选网格在当前时刻的基站画像，并对所有基站画像进行归一化处理。
各候选网格在当前时刻的基站画像的具体计算方式如下：令当前时刻为t时刻，上一时刻为(t-1)时刻，因此基于贝叶斯滤波算法，候选网格在当前时刻的基站画像可被表示为：
P(grid_t＝grid_id|cell＝cell_id)＝
P(cell＝cell_id|grid_t-1＝grid_id)*P(grid_t-1＝grid_id)；公式3)
其中，P(grid_t＝grid_id|cell＝cell_id)表示在t时刻，扫描到基站编号为cell_id的情况下，共享车辆在编号为grid_id网格中的概率。P(grid_t-1＝grid_id)表示在(t-1)时刻，共享车辆在编号为grid_id网格中的概率。P(cell＝cell_id|grid_t-1＝grid_id)表示在(t-1)时刻，共享车辆在编号为grid_id网格中，扫描到基站编号为cell_id的概率值。
步骤S23：比较所述共享设备在不同时刻下的最大概率候选网格并计算网格阈值差；若所述网格阈值差超过警告区域范围，则判定所述共享设备被异常处置。
应理解的是，由于共享设备在非使用状态下仍会定时上报基站扫描信息，服务器根据每次上报的基站扫描信息计算最大概率候选网格。最大概率候选网格实际上是指共享设备最新的最可能的所处区域，因此通过比较共享设备在不同时刻下的最大概率候选网格，可以识别出共享设备是否被异常挪动进而造成资产损失，具体应用如下：
检查不同时刻下的最大概率候选网格，比较不同时刻下的最大概率候选网格之间的阈值差异；举例来说，若要比较时刻(t-5)和时刻t之间的差异，则先按照上述公式3)分别计算：(t-5)时刻下P(grid_t-5＝grid_id|cell＝cell_id)的最大概率候选网格，以及t时刻下P(grid_t＝grid_id|cell＝cell_id)的最大概率候选网格，比较这两个最大概率候选网格之间的区域差异，若区域差异过大已超过需要告警的区域范围，则说明共享设备被异常处置(例如非法挪动等)，这种情况下可以从云端下发资产跟踪任务，及时止损。
本发明实施例提供的共享设备异常处置分析方法可以采用终端侧或服务器侧实施，就服务器侧装置的硬件结构而言，请参阅图5：电子终端500可以是移动电话、电子终端、平板设备、个人数字处理、服务器设备等。所述电子终端500包括：少一个处理器501、存储器502、至少一个网络接口504和用户接口506。图像分类装置中的各个组件通过总线***505耦合在一起。可以理解的，总线***505用于实现这些组件之间的连接通信。总线***505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线***。
其中，用户接口506可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，StaticRandom Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous StaticRandomAccess Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类别的存储器。
本发明实施例中的存储器502用于存储各种类别的数据以支持电子终端500的操作。这些数据的示例包括：用于在电子终端500上操作的任何可执行程序，如操作***5021和应用程序5022；原始图像；对原始图像进行变换获得的新图像等；其中，操作***5021包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022可以包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例提供的图像分类方法可以包含在应用程序5022中。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器501可以是微处理器或者任何常规的处理器等。结合本发明实施例所提供的图像分类方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，电子终端500可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)，用于执行前述方法。
如图6所示，展示了本发明实施例中的一种共享设备异常处置分析***的结构示意图。所述共享设备异常处置分析***600包括：画像模块601、候选网格模块602、异常分析模块603。
画像模块601用于获取共享设备在非使用状态下上传的基站扫描信息以查询对应的地块画像和基站画像；候选网格模块602用于根据所述地块画像和基站画像计算所述共享设备的最大概率候选网格；异常分析模块603用于比较所述共享设备在不同时刻下的最大概率候选网格并计算网格阈值差；若所述网格阈值差超过警告区域范围，则判定所述共享设备被异常处置。
在一些示例中，所述画像模块601用于执行：获取由多个共享设备在使用状态下上传的卫星定位信息及基站扫描信息，将所述卫星定位信息及基站扫描信息按照基站编号汇聚后得到各基站的采样点集合；对所述采样点集合进行异常点剔除及采样数据质量筛查后进行基站建模，以构建所述基站画像。
对所述采样点集合进行异常点剔除的过程包括：确立所述采样点集合中的采样中心点；以所述采样中心点为圆心计算集合中每个采样点到所述采样中心点的距离，将超过预设半径阈值的采样点作为异常采样点进行剔除；其中，所述采样中心点的确立方式包括：对所述采样点集合的经纬度进行加权平均计算，得到的计算结果作为该采样点集合的采样中心点。
对所述采样点集合进行采样数据质量筛查的方式包括如下任一种或两种：设定卫星搜星数预设阈值，将搜星数量低于所述卫星搜星数预设阈值的采样点滤除；设定定位精度过滤阈值，将定位精度强弱度不满足所述定位精度过滤阈值的采样点滤除。
在一些示例中，所述上一时刻下的地块画像为上一时刻下共享设备扫描到的基站在候选网格中出现的概率值；所述上一时刻下的基站画像为上一时刻下基站所在的经纬度及基站信号覆盖半径；所述当前时刻下的基站画像为当前时刻基站所在的经纬度及基站信号覆盖半径。
在一些示例中，所述画像模块601获取共享设备在非使用状态下上传的基站扫描信息，包括：利用设备上的基站扫描模块按照预设的基站扫描频率扫描周边基站得到的基站编号信息和基站信号强度信息。
需要说明的是：上述实施例提供的共享设备异常处置分析***在进行共享设备异常处置分析时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的图像分类装置与图像分类方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述共享设备异常处置分析方法。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述共享设备异常处置分析方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
于本发明提供的实施例中，所述计算机可读写存储介质可以包括只读存储器、随机存取存储器、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备、闪存、U盘、移动硬盘、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。另外，任何连接都可以适当地称为计算机可读介质。例如，如果指令是使用同轴电缆、光纤光缆、双绞线、数字订户线(DSL)或者诸如红外线、无线电和微波之类的无线技术，从网站、服务器或其它远程源发送的，则所述同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线电和微波之类的无线技术包括在所述介质的定义中。然而，应当理解的是，计算机可读写存储介质和数据存储介质不包括连接、载波、信号或者其它暂时性介质，而是旨在针对于非暂时性、有形的存储介质。如申请中所使用的磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中，磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。
综上所述，本发明提供共享设备异常处置分析方法、***、终端及介质，旨在基于共享设备在使用状态下上传的定位信息及基站扫描信息等构建地块画像和基站画像；并根据共享设备在非使用状态下定时上传的基站扫描信息，使用所述地块画像和基站画像分别求取非使用状态下的共享设备在不同时刻的最大概率所处区域之间的区域差异；通过判断计算得到的区域差异是否超过警告区域范围来判断共享设备是否被异常处置。通过本发明的技术方案，可以在持续监控共享设备位置而产生的功耗、定位精度、设备资产保全等问题之间找到了最佳的平衡点。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种共享设备异常处置分析方法，其特征在于，包括：
获取共享设备在非使用状态下上传的基站扫描信息以查询对应的地块画像和基站画像；
根据所述地块画像和基站画像计算所述共享设备在对应时刻下的最大概率候选网格；
比较所述共享设备在不同时刻下的最大概率候选网格并计算网格阈值差；若所述网格阈值差超过警告区域范围，则判定所述共享设备被异常处置。
2.如权利要求1所述的共享设备异常处置分析方法，其特征在于，所述共享设备的最大概率候选网格的计算过程包括：
根据所述基站扫描信息查询候选网格集合中的各候选网格在对应时刻的地块画像；
基于上一时刻下的地块画像及上一时刻下的基站画像计算各候选网格在当前时刻下的基站画像，得到所述共享设备在各候选网格中出现的概率值，并选取概率值最大的候选网格作为所述最大概率候选网格。
3.如权利要求2所述的共享设备异常处置分析方法，其特征在于，所述基站画像的构建过程包括：
获取由多个共享设备在使用状态下上传的卫星定位信息及基站扫描信息，将所述卫星定位信息及基站扫描信息按照基站编号汇聚后得到各基站的采样点集合；
对所述采样点集合进行异常点剔除及采样数据质量筛查后进行基站建模，以构建所述基站画像。
4.如权利要求3所述的共享设备异常处置分析方法，其特征在于，对所述采样点集合进行异常点剔除的过程包括：
确立所述采样点集合中的采样中心点；
以所述采样中心点为圆心计算所述采样点集合中每个采样点到所述采样中心点的距离，将超过预设半径阈值的采样点作为异常采样点进行剔除；
其中，所述采样中心点的确立方式包括：对所述采样点集合的经纬度进行加权平均计算，得到的计算结果作为所述采样点集合的采样中心点。
5.如权利要求3所述的共享设备异常处置分析方法，其特征在于，对所述采样点集合进行采样数据质量筛查的方式包括如下任一种或两种：
设定卫星搜星数预设阈值，将搜星数量低于所述卫星搜星数预设阈值的采样点滤除；
设定定位精度过滤阈值，将定位精度强弱度不满足所述定位精度过滤阈值的采样点滤除。
6.如权利要求2所述的共享设备异常处置分析方法，其特征在于，所述上一时刻下的地块画像为上一时刻下共享设备扫描到的基站在候选网格中出现的概率值；所述上一时刻下的基站画像为上一时刻下基站所在的经纬度及基站信号覆盖半径；所述当前时刻下的基站画像为当前时刻下基站所在的经纬度及基站信号覆盖半径。
7.如权利要求1所述的共享设备异常处置分析方法，其特征在于，所述获取共享设备在非使用状态下上传的基站扫描信息，包括：
获取共享设备在非使用状态下，利用所述共享设备上的基站扫描模块按照预设的基站扫描频率扫描周边基站得到的基站编号信息和基站信号强度信息。
8.一种共享设备异常处置分析***，其特征在于，包括：
画像模块，用于获取共享设备在非使用状态下上传的基站扫描信息以查询对应的地块画像和基站画像；
候选网格模块，用于根据所述地块画像和基站画像计算所述共享设备在对应时刻下的最大概率候选网格；
异常分析模块，用于比较所述共享设备在不同时刻下的最大概率候选网格并计算网格阈值差；若所述网格阈值差超过警告区域范围，则判定所述共享设备被异常处置。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述共享设备异常处置分析方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述共享设备异常处置分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210713513.1A CN115103308A (zh) | 2022-06-22 | 2022-06-22 | 共享设备异常处置分析方法、***、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210713513.1A CN115103308A (zh) | 2022-06-22 | 2022-06-22 | 共享设备异常处置分析方法、***、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115103308A true CN115103308A (zh) | 2022-09-23 |
Family
ID=83292635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210713513.1A Pending CN115103308A (zh) | 2022-06-22 | 2022-06-22 | 共享设备异常处置分析方法、***、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115103308A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665576A (zh) * | 2017-09-04 | 2018-02-06 | 深圳市谷咔互联科技有限公司 | 一种共享单车状态监控方法及*** |
| US20180299273A1 (en) * | 2017-04-17 | 2018-10-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for positioning vehicle |
| US20200210729A1 (en) * | 2018-12-26 | 2020-07-02 | Here Global B.V. | Method and apparatus for determining a location of a shared vehicle park position |
| CN111757255A (zh) * | 2020-06-17 | 2020-10-09 | 上海钧正网络科技有限公司 | 一种定位的方法、装置、服务器及*** |
| CN111866711A (zh) * | 2020-07-03 | 2020-10-30 | 上海钧正网络科技有限公司 | 基于基站的车辆异常挪动管理方法及***、车辆管理*** |
| CN112954002A (zh) * | 2021-01-22 | 2021-06-11 | 摩拜(北京)信息技术有限公司 | 监控车辆的方法和车锁 |
-
2022
- 2022-06-22 CN CN202210713513.1A patent/CN115103308A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180299273A1 (en) * | 2017-04-17 | 2018-10-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for positioning vehicle |
| CN107665576A (zh) * | 2017-09-04 | 2018-02-06 | 深圳市谷咔互联科技有限公司 | 一种共享单车状态监控方法及*** |
| US20200210729A1 (en) * | 2018-12-26 | 2020-07-02 | Here Global B.V. | Method and apparatus for determining a location of a shared vehicle park position |
| CN111757255A (zh) * | 2020-06-17 | 2020-10-09 | 上海钧正网络科技有限公司 | 一种定位的方法、装置、服务器及*** |
| CN111866711A (zh) * | 2020-07-03 | 2020-10-30 | 上海钧正网络科技有限公司 | 基于基站的车辆异常挪动管理方法及***、车辆管理*** |
| CN112954002A (zh) * | 2021-01-22 | 2021-06-11 | 摩拜(北京)信息技术有限公司 | 监控车辆的方法和车锁 |
Non-Patent Citations (2)
| Title |
|---|
| XU YANG; YUQING YIN; ZHAOYU SUN; SHOUWAN GAO; QIANG NIU: "Autonomous Passive Localization Algorithm for Shared Bikes", IEEE ACCESS, vol. 7, 27 August 2019 (2019-08-27) * |
| 李唐超: "共享单车的关键技术研究", 中国优秀硕士学位论文全文数据库（工程科技辑）, 1 June 2019 (2019-06-01) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Isaacs et al. | Bayesian localization and mapping using GNSS SNR measurements | |
| Bai et al. | Using Sky‐pointing fish‐eye camera and LiDAR to aid GNSS single‐point positioning in urban canyons | |
| CN112508301B (zh) | 电动车辆的充电负荷预测方法、装置及存储介质 | |
| CN112526572B (zh) | 室内外无缝导航的网络切换方法与定位*** | |
| CN117580054B (zh) | 基于使用需求数据的ntn小区构建方法、装置、设备及介质 | |
| Liu et al. | NLOS signal detection and correction for smartphone using convolutional neural network and variational mode decomposition in urban environment | |
| Rodrigues et al. | Extracting 3D maps from crowdsourced GNSS skyview data | |
| CN113141570B (zh) | 地下场景定位方法、装置、计算设备及计算机存储介质 | |
| CN115103308A (zh) | 共享设备异常处置分析方法、***、终端及介质 | |
| CN115086877A (zh) | 基于蓝牙信号传播模型的设备定位方法、装置、终端及介质 | |
| Lines et al. | 3D map creation using crowdsourced GNSS data | |
| Kuratomi | GNSS position error estimated by machine learning techniques with environmental information input | |
| CN116709501A (zh) | 业务场景识别方法、电子设备及存储介质 | |
| US11374665B1 (en) | Millimeter radio wave line-of-sight prediction for base stations | |
| CN112508938B (zh) | 一种光学卫星影像几何质量评价方法、装置、设备和存储介质 | |
| CN112399555B (zh) | 一种位置定位的方法、装置、可读存储介质和电子设备 | |
| CN115166782A (zh) | 基于卫星分布的导航场景识别方法、***、设备和介质 | |
| CN113961826A (zh) | 摄像头查找方法、装置、智能终端及计算机可读存储介质 | |
| US10989786B2 (en) | Outdoor localization using hotspot labels | |
| Ghorui et al. | Area calculation using compact NavIC module: a case study | |
| CN112988934B (zh) | 基于snap架构的高分三号卫星数据转换方法及装置 | |
| CN115169526B (zh) | 一种基于深度学习的基站表示学习方法、***及存储介质 | |
| CN118311623A (zh) | 增强定位的方法、装置、设备、介质和计算机程序产品 | |
| CN114501618B (zh) | 定位模型训练方法、定位方法和计算机可读存储介质 | |
| CN216206309U (zh) | 一种地面测绘*** |
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 |