[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118075873A - 基于无线网络数据的定位方法、数据处理方法 - Google Patents

基于无线网络数据的定位方法、数据处理方法 Download PDF

Info

Publication number
CN118075873A
CN118075873A CN202410476557.6A CN202410476557A CN118075873A CN 118075873 A CN118075873 A CN 118075873A CN 202410476557 A CN202410476557 A CN 202410476557A CN 118075873 A CN118075873 A CN 118075873A
Authority
CN
China
Prior art keywords
wireless network
sample
list
scanning
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410476557.6A
Other languages
English (en)
Other versions
CN118075873B (zh
Inventor
李向阳
周颢
郭楷文
张延�
沈国斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hummingbird Instant Information Technology Co ltd
Zhejiang Koubei Network Technology Co Ltd
Original Assignee
Shanghai Hummingbird Instant Information Technology Co ltd
Zhejiang Koubei Network Technology Co Ltd
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 Shanghai Hummingbird Instant Information Technology Co ltd, Zhejiang Koubei Network Technology Co Ltd filed Critical Shanghai Hummingbird Instant Information Technology Co ltd
Priority to CN202410476557.6A priority Critical patent/CN118075873B/zh
Publication of CN118075873A publication Critical patent/CN118075873A/zh
Application granted granted Critical
Publication of CN118075873B publication Critical patent/CN118075873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供基于无线网络数据的定位方法、数据处理方法，在基于无线网络数据的定位方法中，获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的各个位置标签样本；之后，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量；再之后，获得扫描列表样本的扫描时间处于第二时间段内的概率，进而能够将扫描列表样本与其真实所属的位置标签样本对应，进一步使得基于扫描列表特征向量、概率与位置标签样本对初始无线网络定位模型进行训练而获得的目标无线网络定位模型能够获得更为准确的位置信息且适用性更为广泛。

Description

基于无线网络数据的定位方法、数据处理方法
技术领域
本申请涉及计算机技术领域，具体涉及基于无线网络数据的定位方法、数据处理方法。
背景技术
当下随着生活质量水平的不断提升，越来越多人热衷于在线上订购商品。因而配送用户线上订购的商品也越来越重要。
在配送过程中，对配送骑手的位置进行定位成为获得订单配送状态的重要一环，在配送骑手处于室外时，可以基于配送骑手所持的配送终端的GPS（Global PositioningSystem，全球定位系统）对配送骑手进行定位；但是配送骑手在室内环境时，例如当配送骑手处于商户所处的商场内时，无法基于GPS对配送骑手进行定位。在该情形下，一般是基于配送骑手通过配送终端报告到达商户位置、离开商户位置的数据进而对配送骑手进行定位。然而，这种对配送骑手进行定位的方式，仅仅在配送骑手报告到达商户位置、离开商户位置对应的时间才能对配送骑手进行定位，无法实现在连续的时间对配送骑手进行定位；同时，这种采用配送骑手报告位置的数据进行定位的方式，由于配送骑手可能会提前报告到达商户位置或者离开商户位置，进而导致最终获得的定位信息不准确。因而在室内场景如何准确地对配送骑手进行定位成为当前亟需解决的技术问题。
发明内容
本申请提供一种基于无线网络数据的定位方法，以在室内场景准确地对配送骑手进行定位，本申请还提供数据处理方法。
本申请提供一种基于无线网络数据的定位方法，应用于服务端，所述方法包括：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；其中，每个扫描列表样本中包含多个无线网络样本；根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，其中，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
可选的，所述根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量；对所述无线网络特征向量进行注意力机制计算，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量，包括：根据所述无线网络样本与所述扫描列表样本，构建表示所述无线网络样本与所述扫描列表样本之间的关联关系的超图，其中，所述超图中的顶点表示所述无线网络样本，所述超图中的超边表示所述扫描列表样本；根据所述超图，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵；根据所述待编码矩阵，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量。
可选的，还包括：根据所述超图与所述无线网络样本的网络信号强度信息，获得用于表示所述超图中的所述无线网络样本与所述扫描列表样本之间的从属关系的邻接矩阵；所述根据所述超图，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵，包括：基于所述邻接矩阵、所述超图中的所述无线网络样本的第一度数矩阵、所述超图中的所述扫描列表样本的第二度数矩阵，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵。
可选的，所述对所述无线网络特征向量进行注意力机制计算，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：对所述无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量；对所述编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述对所述无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量，包括：采用预设的编码器对所述扫描列表样本中的无线网络样本之间的关联关系特征编码至所述无线网络特征向量中，获得编码后的无线网络特征向量。
可选的，所述对所述编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：将所述无线网络样本的网络信号强度信息作为权重对所述编码后的无线网络特征向量进行加权，获得加权后的无线网络特征向量；对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：确定所述多个扫描列表样本中的任意两个相邻扫描时间的扫描列表样本；基于所述两个相邻扫描时间的扫描列表样本，对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述获得所述扫描列表样本的扫描时间处于第二时间段内的概率，包括：将所述扫描列表样本作为扫描列表概率获得模型的输入数据，获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述扫描列表概率获得模型用于根据扫描列表获得扫描列表的扫描时间处于配送运力位于扫描列表对应的取货位置的实际时间段内的概率。
可选的，所述第一时间段信息包括配送运力记录的到达所述取货位置的第一时刻信息、配送运力记录的离开所述取货位置的第二时刻信息；所述方法还包括：根据所述第一时刻信息与所述第二时刻信息，获得配送运力实际到达所述取货位置的第三时刻信息与配送运力实际离开所述取货位置的第四时刻信息；根据所述第三时刻信息与所述第四时刻信息，确定所述第二时间段。
可选的，还包括：获得配送运力记录到达取货位置的第一时刻误差信息与记录离开取货位置的第二时刻误差信息；所述根据所述第一时刻信息与所述第二时刻信息，获得配送运力实际到达所述取货位置的第三时刻信息与配送运力实际离开所述取货位置的第四时刻信息，包括：根据所述第一时刻信息与所述第一时刻误差信息，获得所述第三时刻信息；根据所述第二时刻信息与所述第二时刻误差信息，获得所述第四时刻信息。
可选的，还包括：获得所述配送终端提供的在目标待定位位置扫描到的包含目标无线网络的目标扫描列表；将所述目标扫描列表作为所述目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签。
本申请提供一种数据处理方法，应用于配送终端，所述方法包括：获得服务端发送的用于请求获得在目标待定位位置扫描到的包含目标无线网络的目标扫描列表的第一请求消息；响应于所述第一请求消息，向所述服务端发送所述目标扫描列表；所述服务端，用于将所述目标扫描列表作为目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签；所述目标无线网络定位模型为所述服务端采用如下方式获得：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
本申请提供一种基于无线网络数据的定位装置，应用于服务端，所述装置包括：扫描列表样本获得单元，用于获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；其中，每个扫描列表样本中包含多个无线网络样本；扫描列表特征向量获得单元，用于根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；位置标签样本获得单元，用于获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；概率获得单元，用于获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；目标无线网络定位模型获得单元，用于基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，其中，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
本申请提供一种数据处理装置，应用于配送终端，所述装置包括：第一请求消息获得单元，用于获得服务端发送的用于请求获得在目标待定位位置扫描到的包含目标无线网络的目标扫描列表的第一请求消息；目标扫描列表发送单元，用于响应于所述第一请求消息，向所述服务端发送所述目标扫描列表；所述服务端，用于将所述目标扫描列表作为目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签；所述目标无线网络定位模型为所述服务端采用如下方式获得：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
本申请提供一种电子设备，包括：处理器；存储器，用于存储计算机程序，该计算机程序被处理器运行，执行上述基于无线网络数据的定位方法与数据处理方法。
本申请提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，执行上述基于无线网络数据的定位方法与数据处理方法。
与现有技术相比，本申请实施例具有以下优点：
本申请提供一种基于无线网络数据的定位方法，由于在该方法中，首先，获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；与此同时，获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本；之后，根据无线网络样本与扫描列表样本构建的超图，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量；再之后，获得扫描列表样本的扫描时间处于第二时间段内的概率；实际上通过获得扫描列表样本的扫描时间处于第二时间段内的概率，相当于对配送骑手报告的位置标签样本进行了校正，进而能够将扫描列表样本与其真实所属的位置标签样本对应，进一步使得基于扫描列表特征向量、概率与位置标签样本对初始无线网络定位模型进行训练而获得的目标无线网络定位模型能够获得更为准确的位置信息，即：通过该方法训练获得的目标无线网络定位模型能够根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表较为准确地获得待定位位置的位置标签。同时，基于该目标无线网络定位模型能够基于任意时刻的在待定位位置扫描到的包含无线网络的扫描列表，获得待定位位置的位置标签，进而使得该方法获得的目标无线网络定位模型的适用性更为广泛。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请第一实施例提供的基于无线网络数据的定位方法的流程图。
图2为本申请第一实施例提供的训练初始无线网络定位模型的结构图。
图3为基于转换器模型的双注意力机制预训练模型的示意图。
图4为本申请第二实施例提供的数据处理方法的流程图。
图5为本申请第三实施例提供的基于无线网络数据的定位装置的示意图。
图6为本申请第四实施例提供的数据处理装置的示意图。
图7为本申请第五实施例提供的电子设备的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此，本申请不受下面公开的具体实施的限制。
本申请提供基于无线网络数据的定位方法、数据处理方法、基于无线网络数据的定位装置、数据处理装置、电子设备及计算机存储介质。以下通过具体的实施例分别介绍基于无线网络数据的定位方法、数据处理方法、基于无线网络数据的定位装置、数据处理装置、电子设备及计算机存储介质。为了更清楚地理解本申请实施例提供的基于无线网络数据的定位方法，首先介绍一下本申请实施例提供的基于无线网络数据的定位方法的应用场景。
本申请的基于无线网络数据的定位方法，可以运用在配送过程中对配送骑手进行室内定位的场景中。具体地，配送骑手在配送过程中，可能会在一段时间内位于室内环境；例如在配送外卖餐品时，当提供餐品的商户处于大型商场内，配送骑手在取餐的过程中，可能处于室内环境。如果在配送骑手处于室内环境时需要对配送骑手进行定位，是无法利用GPS方式准确地对配送骑手进行定位的。
在本申请中，可以基于无线网络数据对处于室内环境的配送骑手进行定位。具体地，在配送骑手处于室内环境时，配送骑手的配送终端若处于打开无线网络扫描的功能，配送骑手处于室内不同的位置，配送终端能够扫描到不同的可用的无线网络。假设在商场的第一层存在商户1、商户2、商户3、商户4；这四家商户对应的无线网络为无线网络1、无线网络2、无线网络3、无线网络4，当配送骑手位于该商场的第一层时，配送终端可以同时扫描到无线网络1、无线网络2、无线网络3、无线网络4；假设在商场的第二层存在商户5、商户6、商户7；这三家商户对应的无线网络为无线网络5、无线网络6、无线网络7，当配送骑手位于该商场的第二层时，配送终端可以同时扫描到无线网络5、无线网络6、无线网络7；假设在商场的第二层存在商户8、商户9；这两家商户对应的无线网络为无线网络8、无线网络9，当配送骑手位于该商场的第三层时，配送终端可以同时扫描到无线网络8、无线网络9。
之所以能够基于配送终端扫描到的无线网络对配送骑手进行室内定位，是由于本申请的方法基于配送骑手在取餐过程中报告的位置标签（包括到店、取餐以及离店的数据）和配送终端扫描到的无线网络实现的。例如，假设配送骑手需要在商户9和商户1进行取餐，假设配送骑手在十一点报告在商户9取餐后离店（该配送骑手在配送终端上针对商户9的订单A在十一点报告离店），在十一点十分报告在商户1取餐后离店（该配送骑手在配送终端上针对商户1的订单B在十一点十分报告离店）。在十一点时，配送终端扫描到的包含无线网络的扫描列表中包含无线网络8、无线网络9；在十一点十分时，配送终端扫描到的包含无线网络的扫描列表中包含无线网络1、无线网络2、无线网络3、无线网络4；如果十一点二分配送终端扫描到的包含无线网络的扫描列表中包含无线网络5、无线网络6、无线网络7，则可以判断配送骑手位于该商场的第二层。实际上还可以根据扫描到的无线网络的网络信号强度信息，判断此时配送骑手位于哪个商户的附近。
假设上述包含无线网络1、无线网络2、无线网络3、无线网络4的扫描列表为扫描列表1；包含无线网络5、无线网络6、无线网络7的扫描列表为扫描列表2；包含无线网络8、无线网络9的扫描列表为扫描列表3，在配送骑手在从商场第三层的商户9取餐后，再取商户1取餐的过程中，假设配送终端扫描的第一个扫描列表为扫描列表3，第二个扫描列表为扫描列表2，第三个扫描列表为扫描列表1，实际上，扫描列表3与扫描列表2为时间相邻的两个扫描列表；扫描列表2与扫描列表1为时间相邻的两个扫描列表。通过时间相邻的两个扫描列表与其中一个扫描列表对应的位置标签，则可以确定另外一个扫描列表的位置标签，进而使得基于无线网络对配送骑手进行定位。
上述介绍的示例即为针对本申请的基于无线网络数据的定位方法的一种应用场景的图示，本申请的实施例中不对基于无线网络数据的定位方法的应用场景做具体的限定，上述基于无线网络数据的定位方法的应用场景，仅仅是本申请提供的基于无线网络数据的定位方法的应用场景的一个实施例，提供该应用场景实施例的目的是便于理解本申请提供的基于无线网络数据的定位方法，而并非用于限定本申请提供的基于无线网络数据的定位方法。本申请实施例对基于无线网络数据的定位方法的其它应用场景，不再一一赘述。
第一实施例
本申请第一实施例提供一种基于无线网络数据的定位方法。该实施例的执行主体为服务端，关于该实施例的一些具体示例或者细节请参照上述场景实施例。
请参照图1，其为本申请第一实施例提供的基于无线网络数据的定位方法的流程图。
本申请实施例的基于无线网络数据的定位方法，应用于服务端，包括如下步骤。
步骤S101：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本。
在本实施例中，主要是基于配送骑手的配送终端在待定位位置扫描到的包含无线网络的扫描列表，对配送骑手所处的待定位位置进行室内定位。具体方式可以是先训练获得一个目标无线网络定位模型，将在待定位位置扫描到的包含无线网络的扫描列表输入至目标无线网络定位模型中，即可获得待定位位置的位置标签。
具体地，请参见图2，其为本申请第一实施例提供的训练初始无线网络定位模型的结构图。在训练过程中，先采用图2中的超图构建模块构建超图。之后，采用图2中的拓扑关系提取模块对上述超图进行处理，获得包含用于表示超图中的无线网络样本之间的拓扑关系信息的待编码矩阵（参见图2的AP拓扑结构向量）；再之后，采用图2的表征学习模块获得扫描列表特征向量，最终，位置标签生成模块基于配送骑手报告的位置标签、扫描列表特征向量与配送骑手的报告习惯数据，训练得到目标无线网络定位模型。以下对各个模块中的各个信息或者数据处理过程进行详细阐述。
在外卖配送场景中，在获得待定位位置的位置标签时，位置标签可以是指处于哪个商户的附近，则将哪个商户作为位置标签。
在训练获得目标无线网络定位模型的过程中，需要获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本，每个扫描列表样本中可以包含多个无线网络样本。
具体地，每个扫描列表样本均是指配送终端扫描到的历史扫描列表，当配送骑手处于不同的位置，则会得到不同的扫描列表。例如，当配送骑手在某商场第一层时与在第二层时，配送终端扫描到的包含无线网络的扫描列表不同。具体请参见场景示例的描述。
在训练获得目标无线网络定位模型的过程中，可以筛选一些历史扫描列表作为扫描列表样本。
在获得扫描列表样本之后，还可以获得与扫描列表样本对应的位置标签样本。基于扫描列表样本与其对应的位置标签样本即可对初始无线网络定位模型进行训练进而获得目标无线网络定位模型。
步骤S102：根据无线网络样本与扫描列表样本构建的超图，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
在本实施例中，在对初始无线网络定位模型进行训练进而获得目标无线网络定位模型的过程中，可以基于用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量对初始无线网络定位模型进行训练。
在本实施例中，作为根据无线网络样本与扫描列表样本构建的超图，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量的一种方式：首先，根据无线网络样本与扫描列表样本构建的超图，获得用于对无线网络样本的特征信息进行向量表示的无线网络特征向量；之后，对无线网络特征向量进行注意力机制计算，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
具体地，根据无线网络样本与扫描列表样本构建的超图，获得用于对无线网络样本的特征信息进行向量表示的无线网络特征向量，可以是指：首先，根据无线网络样本与扫描列表样本，构建表示无线网络样本与扫描列表样本之间的关联关系的超图，其中，超图中的顶点表示无线网络样本，超图中的超边表示扫描列表样本；之后，根据超图，获得包含用于表示超图中的无线网络样本之间的拓扑关系信息的待编码矩阵；在获得待编码矩阵后，根据待编码矩阵，获得用于对无线网络样本的特征信息进行向量表示的无线网络特征向量。
在获得无线网络特征向量时，可以基于无线网络样本与扫描列表样本构建一个超图，以提供合适的数据结构。超图通过整合属性和特征，有效地捕捉无线网络样本的特征，便于后续的学习过程获取扫描列表特征向量。
在本实施例中，为了便于获得上述待编码矩阵，还包括：根据超图与无线网络样本的网络信号强度信息，获得用于表示超图中的无线网络样本与扫描列表样本之间的从属关系的邻接矩阵；在本实施中，作为根据超图，获得包含用于表示超图中的无线网络样本之间的拓扑关系信息的待编码矩阵的一种方式：基于邻接矩阵、超图中的无线网络样本的第一度数矩阵、超图中的扫描列表样本的第二度数矩阵，获得包含用于表示超图中的无线网络样本之间的拓扑关系信息的待编码矩阵。
超图是由一组顶点和一组超边组成的数学模型，可用于表示实体之间的复杂关系。与传统图不同，超图的一个超边可以连接两个以上的顶点。在本实施例中，可以将每个无线网络样本视为一个顶点，将每个扫描列表样本视为连接扫描列表样本中具有关联关系的无线网络样本的超边。
具体地，超图可以定义为图G=(V，S)，其中V={v 1 ，…，v n }表示顶点集合（即无线网络样本的集合），S={s 1 ，…，s m }表示超边的集合（即扫描列表样本的集合）。每个超边可以连接多个顶点，可以使用v∈s和v s分别表示每个无线网络样本在每个扫描列表样本中或不在每个扫描列表样本中。超图G的结构可以用如下邻接矩阵A ij 表示。
其中，RSSIv i ,s j 代表第i个无线网络样本与第j个扫描列表样本之间的网络信号强度信息；i小于等于n，j小于等于m；RSSI，即：Received Signal Strength Indication，即：接收的信号强度。
之所以获取邻接矩阵，是为了后续更便于提取无线网络样本的特征之间的关联关系，无线网络样本的特征之间的关联关系在超图中通过拓扑关系体现。
在获得邻接矩阵之后，基于邻接矩阵、超图中的无线网络样本的第一度数矩阵、超图中的扫描列表样本的第二度数矩阵，获得包含用于表示超图中的无线网络样本之间的拓扑关系信息的待编码矩阵，具体过程如下。
首先，将采集到的无线网络样本数据中的（SSID，BSSID）定义为无线网络样本的ID（Identity Document，即：识别标识）以区分不同的无线网络样本，将每个无线网络样本的特征信息可以编码为一个D维潜在空间张量（每个无线网络样本的特征信息包含无线网络样本的特征之间的关联关系），所有的无线网络样本对应的D维潜在空间张量（即：D维的初始嵌入）可以组成待编码矩阵（待编码矩阵即无线网络样本的特征的初始嵌入表示，待编码矩阵中的每一行可以代表一个无线网络样本的特征的初始嵌入）。每个无线网络样本的数据包含SSID（Service Set Identifier即：服务集标识）、BSSID（Basic Service SetIdentifier，即：基础服务集标识）与RSSI。SSID技术可以将一个无线局域网分为几个需要不同身份验证的子网络，每一个子网络都需要独立的身份验证，只有通过身份验证的用户才可以进入相应的子网络，防止未被授权的用户进入本网络。BSSID是指无线局域网中的基础服务集标识符，它是一个唯一的标识符，用于识别无线局域网中的每个无线接入点，类似于MAC地址。
考虑到无线网络样本（每个无线网络样本可以对应采用一个AP表示，即：v n 是由AP n 产生的无线网络样本，AP即Access Poin，指无线接入点，是一个无线网络的接入点，俗称“热点”，即表示无线网络样本是由该AP产生的无线网络）之间的拓扑关系可能有助于室内定位，因而使用超图信息来捕获AP之间的拓扑关系（AP之间的拓扑关系表示无线网络样本之间的拓扑关系）。
通过对超图中的相邻子图结构进行编码，可以更有效地捕获超图中的上下文信息和相互依赖关系，这将使后续能够更好地理解超图的拓扑结构，并提高处理AP之间关系的能力。待编码矩阵可以通过拉普拉斯矩阵进行计算，对称标准化后的超图拉普拉斯矩阵L如下。
其中I是单位矩阵，D v 和D s 分别代表超图中节点和超边的度数矩阵，A代表超图的邻接矩阵。由于超图的邻接矩阵包含RSSI值，因此基于邻接矩阵计算的待编码矩阵不仅可以学习到AP之间的连接关系（连接关系通过拓扑关系体现），还可以将AP之间的不同距离（距离主要是指AP与配送终端之间的距离，距离与RSSI值正相关）的影响考虑在内。
总之，通过分析超图来获取AP之间的拓扑关系（AP之间的拓扑关系体现的是无线网络样本的特征之间的关联关系），通过AP之间的拓扑关系，可以构建无线网络样本更有意义的特征空间，从而增强后续的学习，以便于获取扫描列表特征向量。
后续的学习过程实际上对应的为对无线网络特征向量进行注意力机制计算，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量的过程。学习过程负责学习与无线网络样本中特定模式相关的全局感知特征（特定模式相关的全局感知特征可以是指：针对某个扫描列表样本内的多个无线网络样本之间的关联关系），全局感知特征没有直接被编码器输出，而是在编码器自身的参数里；通过双注意力机制从无线网络样本和扫描列表样本中提取潜在特征，获得扫描列表样本的有效表征。
对于商户级的室内定位，一个关键的目标是获得包含无线网络样本的扫描列表样本的有意义的表示。学习无线网络样本和扫描列表样本之间的特定模式将有助于获得对扫描列表样本的有意义的表示（对扫描列表样本的有意义的表示即扫描列表特征向量）。
具体地，对无线网络特征向量进行注意力机制计算，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量，可以是指：首先，对无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量；之后，对编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
现有的BERT网络模型（Bidirectional Encoder Representations fromTransformers，即：双向编码的预训练自然语言处理模型）在学习时空特征和位置相关信息取得了良好的效果；在本申请中，在此基础上探索了更适合无线网络数据的模型，由于本申请扫描得到的扫描列表样本中无线网络样本的顺序是随机的，且与位置相关的信息嵌入在RSSI值中，在本申请的学习过程中特别关注扫描列表样本内无线网络样本之间与顺序无关的、相互影响的潜在信息，以及RSSI值与无线网络样本的定位之间的关系，因而在本申请中提出了基于转换器模型（即：Transformer）的双注意力机制预训练模型，如图3所示，其为基于转换器模型的双注意力机制预训练模型的示意图。
基于转换器模型的双注意力机制预训练模型包括Scanlist Self-attention（扫描列表自注意力机制，即：第一注意力机制，用于学习扫描列表样本内AP之间顺序无关的相互影响的潜在信息）和RSSI Edge attention（接收的信号强度的边注意力机制，即：第二注意力机制，也称之为RSSI边注意力机制，用于捕获RSSI值和位置之间的潜在特征）。
具体地，对无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量，可以是指：采用预设的编码器对扫描列表样本中的无线网络样本之间的关联关系特征编码至无线网络特征向量中，获得编码后的无线网络特征向量。
如图3所示，通过扫描列表自注意力机制更新AP对应的特征，实际上在采用第一注意力机制进行编码时，在无线网络样本的特征的初始嵌入基础上不断编码进新信息，之所以不断编码新信息，是由于生成待编码矩阵时，每个无线网络样本的特征的初始嵌入是损失了一些特征信息的。预设的编码器如图3中的转换器模型编码器（即：TransformerEncoder）。
由于无线网络样本在扫描列表样本中出现的顺序通常是任意的，如果要求在无线网络样本任何排列下转换器模型编码器输出的结果都保持不变，可以采用不带位置嵌入作为转换器模型编码器的输入来推断不同语义上下文中AP之间与顺序无关的依赖关系。给定AP拓扑结构向量（如图3中的AP 1 至AP n ），转换器模型编码器通过多头自注意机制更新该矩阵（即对待编码矩阵进行编码）。与此同时，还可以利用具有ReLU（Rectified Linear Unit，修正线性单元）激活的线性变换层的FFN（Feed-forward Network，前馈神经网络）和LN（LayerNormalization，层归一化）方法来提高转换器模型编码器提取特征的能力。
在获得编码后的无线网络特征向量之后（如图3中的e 1 至e n ，e 1 至e n 分别为用于表示第一个无线网络样本的编码后的无线网络特征向量至第n个无线网络样本的编码后的无线网络特征向量），对编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
具体地，对编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量，可以是指：首先，将无线网络样本的网络信号强度信息作为权重对编码后的无线网络特征向量进行加权，获得加权后的无线网络特征向量；之后，对加权后的无线网络特征向量进行聚合，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
上述过程实际上是通过接收的信号强度的边注意力机制将扫描列表样本中包含的多个无线网络样本的特征信息聚合到一起，得到用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
具体地，由于对于无线网络室内定位问题，RSSI值中包含了大量与位置相关的信息。在配送场景中，配送骑手距离AP越近，对应的RSSI值越高，对配送骑手定位位置的影响越大。因此可以将每个无线网络样本编码后的无线网络特征向量与对应的RSSI相乘后拼接到一起。需要说明的是，可以将RSSI作为一个可训练的权值矩阵，来适用不同的场景。通过将每个无线网络样本编码后的无线网络特征向量与对应的RSSI相乘后拼接到一起，可以改变向量的维度。例如，当RSSI对应的权值矩阵的维数为E维时，将每个无线网络样本编码后的无线网络特征向量（如D维）与对应的RSSI相乘后拼接到一起，可以得到E维的扫描列表特征向量。
具体地，对加权后的无线网络特征向量进行聚合，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量，可以按照如下方式。
首先，确定多个扫描列表样本中的任意两个相邻扫描时间的扫描列表样本。
之后，基于两个相邻扫描时间的扫描列表样本，对加权后的无线网络特征向量进行聚合，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
实际上，在采用第二注意力机制进行聚合的过程中，也是需要对该过程进行训练的，以便于第二注意力机制能够确定多个扫描列表样本中的任意两个相邻扫描时间的扫描列表样本。例如，请参见图3，基于e 1 至e i 可以聚合为S 1 ；基于e i+1 至e n 可以聚合为S 2 ，S 1 与S 2 即为两个相邻扫描时间的扫描列表样本的扫描列表特征向量。当然，基于第二注意力机制最终可以获得m个扫描列表样本的扫描列表特征向量。
步骤S103：获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本。
由于在本实施例中，是基于扫描列表样本与扫描列表样本对应的位置标签样本对初始无线网络定位模型进行训练的，因而可以获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本。
在配送场景中，位置标签样本如配送骑手报告的历史位置标签（包括到店、取餐以及离店报告的历史时间数据）。当然，位置标签样本中包含位置信息。
在本实施例中，位置标签样本中包含配送运力记录的位于取货位置的第一时间段信息；扫描列表样本的扫描时间处于第一时间段内。
例如，配送骑手A记录八点至八点十分在商户M内（可以是指配送骑手A报告八点到达商户M所在的位置，八点十分报告取餐完毕离开商户M所在的位置）；扫描列表样本P的扫描时间是八点一分，则扫描列表样本P的扫描时间处于八点至八点十分之间的时间段内。
步骤S104：获得扫描列表样本的扫描时间处于第二时间段内的概率。
在本实施例中，第二时间段为基于第一时间段确定的配送运力位于取货位置的实际时间段。
在实际配送过程中，配送骑手可能会存在误报或者习惯提前报告到店、取餐以及离店的数据，进而使得获得的配送骑手记录的位置标签样本与其记录的时间段不符。例如，假设配送骑手A习惯提前二分钟报告到店（配送骑手A的报告习惯数据为提前二分钟报告），则实际上述对应的配送骑手A在商户M的时间段为八点二分至八点十分。即：在该实例中，第二时间段为八点二分至八点十分，实际上，第二时间段为对第一时间段的校正时间段。在该情形，相当于需要为扫描列表样本校正配送骑手记录的位置标签样本，而该校正过程与上述获得的概率有关。
实际上，在步骤S103中，如果配送运力记录的与各个扫描列表样本对应的各个位置标签样本均为准确的（例如配送骑手能够准确地报告位置），则无需校正。
为了为扫描列表样本校正位置标签样本，可以获得扫描列表样本的扫描时间处于第二时间段内的概率，基于获得的概率进行校正。
在本实施例中，第一时间段信息包括配送运力记录的到达取货位置的第一时刻信息、配送运力记录的离开取货位置的第二时刻信息。
在本实施例中，还包括：确定与第一时间段对应的第二时间段，具体方式如下：根据第一时刻信息与第二时刻信息，获得配送运力实际到达取货位置的第三时刻信息与配送运力实际离开取货位置的第四时刻信息；根据第三时刻信息与第四时刻信息，确定第二时间段。
在本实施例中，还包括：获得配送运力记录到达取货位置的第一时刻误差信息与记录离开取货位置的第二时刻误差信息；作为根据第一时刻信息与第二时刻信息，获得配送运力实际到达取货位置的第三时刻信息与配送运力实际离开取货位置的第四时刻信息可以是指：根据第一时刻信息与第一时刻误差信息，获得第三时刻信息；根据第二时刻信息与第二时刻误差信息，获得第四时刻信息。
例如，当配送骑手A的报告习惯数据为提前报告到店，且时刻误差信息为提前二分钟报告到店，则可以基于第一时刻信息（八点）与第一时刻误差信息（提前二分钟），获得第三时刻信息（八点二分）；可以基于第二时刻信息（八点十分）与第二时刻误差信息（假设配送骑手A习惯准时报告离店数据），获得第四时刻信息（八点十分）。
作为获得扫描列表样本的扫描时间处于第二时间段内的概率的一种方式：将扫描列表样本作为扫描列表概率获得模型的输入数据，获得扫描列表样本的扫描时间处于第二时间段内的概率；扫描列表概率获得模型用于根据扫描列表获得扫描列表的扫描时间处于配送运力位于扫描列表对应的取货位置的实际时间段内的概率。
可以将配送骑手到店的真实时间[到达时刻，离开时刻]区间内的扫描列表样本标记为对应商户的正样本。然而，由于配送骑手手动报告的位置标签存在大量误差，无法直接使用，因而使用细粒度的统计结果来估算配送骑手实际到达该商户的时间段。具体方法为：基于配送骑手报告到达该商户的时刻T a 、实际到达时刻与报告到达时刻的概率分布为f a 、配送骑手报告离开该商户的时刻T d 、实际离开时刻与报告离开时刻的概率分布为f d 计算某个扫描列表样本的扫描时间在配送骑手真实到达该商户的时刻T a '至真实离开该商户的时刻T d '之间的时间区间内的概率，具体可表示为如下公式。
其中，T为处于T a '至T d '之间的当前时刻，ΔT a 为T a '与T a 之间的时间差；ΔT d 为T d '与T d 之间的时间差；Max表示配送骑手可以提前或者滞后报告到达取货位置的最大时间差（Max是根据配送领域的策略确定的）；Min表示配送骑手可以提前或者滞后报告离开取货位置的最小时间差（取值可以为0）。上述公式中第一个∑中k的取值范围为T-T a 至Max；第二个∑中k的取值范围为Min至T-T d 。
上述的概率公式对应的即为上述扫描列表概率获得模型的一种示例。
步骤S105：基于扫描列表特征向量、概率与位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型。
在计算上述概率之后，即可基于概率和对应报告的位置标签样本对报告的位置标签样本进行校正。例如，当扫描列表样本P的扫描时间是八点一分，假设配送骑手A记录离开商户N的时间为七点五十九分，但是由于配送骑手为了提前二分钟报告到达商户M，实际上提前二分钟报告离开商户N的时间，经计算上述概率，可以确认扫描列表样本P的真实的位置标签样本可能为商户N。实际上，基于计算的概率与对应报告的位置标签样本在对初始无线网络定位模型进行训练时，相当于是校正后的位置标签样本作为训练样本进行训练的。校正后的位置标签样本实际上为理论上的位置标签样本。
之后，基于扫描列表特征向量以及与对应的校正后的位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型。
初始无线网络定位模型实际上可以包含基于转换器模型的双注意力机制预训练模型、扫描列表概率获得模型与初始位置标签生成模型，步骤S105中主要是对初始位置标签生成模型进行训练。
在本实施例中，目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
在本实施例中，还包括：获得配送终端提供的在目标待定位位置扫描到的包含目标无线网络的目标扫描列表；将目标扫描列表作为目标无线网络定位模型的输入数据，获得目标待定位位置的目标位置标签。
本申请提供一种基于无线网络数据的定位方法，由于在该方法中，首先，获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；与此同时，获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本；之后，根据无线网络样本与扫描列表样本构建的超图，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量；再之后，获得扫描列表样本的扫描时间处于第二时间段内的概率；实际上通过获得扫描列表样本的扫描时间处于第二时间段内的概率，相当于对配送骑手报告的位置标签样本进行了校正，进而能够将扫描列表样本与其真实所属的位置标签样本对应，进一步使得基于扫描列表特征向量、概率与位置标签样本对初始无线网络定位模型进行训练而获得的目标无线网络定位模型能够获得更为准确的位置信息，即：通过该方法训练获得的目标无线网络定位模型能够根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表较为准确地获得待定位位置的位置标签。同时，基于该目标无线网络定位模型能够基于任意时刻的在待定位位置扫描到的包含无线网络的扫描列表，获得待定位位置的位置标签，进而使得该方法获得的目标无线网络定位模型的适用性更为广泛。
第二实施例
与第一实施例对应地，本申请第二实施例提供一种数据处理方法。该实施例的执行主体为配送终端，第二实施例中与第一实施例相同的部分不再介绍，具体请参见第一实施例与场景实施例的相关部分。
请参照图4，其为本申请第二实施例提供的数据处理方法的流程图。
本申请实施例的数据处理方法，应用于配送终端，包括如下步骤。
步骤S401：获得服务端发送的用于请求获得在目标待定位位置扫描到的包含目标无线网络的目标扫描列表的第一请求消息。
步骤S402：响应于第一请求消息，向服务端发送目标扫描列表。
在本实施例中，服务端，用于将目标扫描列表作为目标无线网络定位模型的输入数据，获得目标待定位位置的目标位置标签；目标无线网络定位模型为服务端采用如下方式获得：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；根据无线网络样本与扫描列表样本构建的超图，获得用于对扫描列表样本的特征信息进行向量表示的扫描列表特征向量；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，位置标签样本中包含配送运力记录的位于取货位置的第一时间段信息；扫描列表样本的扫描时间处于第一时间段内；获得扫描列表样本的扫描时间处于第二时间段内的概率；第二时间段为基于第一时间段确定的配送运力位于取货位置的实际时间段；基于扫描列表特征向量、概率与位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
第三实施例
与本申请第一实施例提供的基于无线网络数据的定位方法相对应的，本申请第三实施例还提供一种基于无线网络数据的定位装置。由于装置实施例基本相似于第一实施例，所以描述得比较简单，相关之处参见第一实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
请参照图5，其为本申请第三实施例提供的基于无线网络数据的定位装置的示意图。
该基于无线网络数据的定位装置500，应用于服务端，所述装置包括：扫描列表样本获得单元501，用于获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；其中，每个扫描列表样本中包含多个无线网络样本；扫描列表特征向量获得单元502，用于根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；位置标签样本获得单元503，用于获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；概率获得单元504，用于获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；目标无线网络定位模型获得单元505，用于基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，其中，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
可选的，所述扫描列表特征向量获得单元，具体用于：根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量；对所述无线网络特征向量进行注意力机制计算，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述扫描列表特征向量获得单元，具体用于：根据所述无线网络样本与所述扫描列表样本，构建表示所述无线网络样本与所述扫描列表样本之间的关联关系的超图，其中，所述超图中的顶点表示所述无线网络样本，所述超图中的超边表示所述扫描列表样本；根据所述超图，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵；根据所述待编码矩阵，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量。
可选的，还包括：邻接矩阵获得单元，用于根据所述超图与所述无线网络样本的网络信号强度信息，获得用于表示所述超图中的所述无线网络样本与所述扫描列表样本之间的从属关系的邻接矩阵；所述扫描列表特征向量获得单元，具体用于：基于所述邻接矩阵、所述超图中的所述无线网络样本的第一度数矩阵、所述超图中的所述扫描列表样本的第二度数矩阵，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵。
可选的，所述扫描列表特征向量获得单元，具体用于：对所述无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量；对所述编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述扫描列表特征向量获得单元，具体用于：采用预设的编码器对所述扫描列表样本中的无线网络样本之间的关联关系特征编码至所述无线网络特征向量中，获得编码后的无线网络特征向量。
可选的，所述扫描列表特征向量获得单元，具体用于：将所述无线网络样本的网络信号强度信息作为权重对所述编码后的无线网络特征向量进行加权，获得加权后的无线网络特征向量；对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述扫描列表特征向量获得单元，具体用于：确定所述多个扫描列表样本中的任意两个相邻扫描时间的扫描列表样本；基于所述两个相邻扫描时间的扫描列表样本，对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
可选的，所述概率获得单元，具体用于：将所述扫描列表样本作为扫描列表概率获得模型的输入数据，获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述扫描列表概率获得模型用于根据扫描列表获得扫描列表的扫描时间处于配送运力位于扫描列表对应的取货位置的实际时间段内的概率。
可选的，所述第一时间段信息包括配送运力记录的到达所述取货位置的第一时刻信息、配送运力记录的离开所述取货位置的第二时刻信息；所述装置还包括：第二时间段确定单元，具体用于：根据所述第一时刻信息与所述第二时刻信息，获得配送运力实际到达所述取货位置的第三时刻信息与配送运力实际离开所述取货位置的第四时刻信息；根据所述第三时刻信息与所述第四时刻信息，确定所述第二时间段。
可选的，还包括：误差信息获得单元，用于获得配送运力记录到达取货位置的第一时刻误差信息与记录离开取货位置的第二时刻误差信息；所述第二时间段确定单元，具体用于：根据所述第一时刻信息与所述第一时刻误差信息，获得所述第三时刻信息；根据所述第二时刻信息与所述第二时刻误差信息，获得所述第四时刻信息。
可选的，还包括：目标位置标签获得单元，具体用于：获得所述配送终端提供的在目标待定位位置扫描到的包含目标无线网络的目标扫描列表；将所述目标扫描列表作为所述目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签。
第四实施例
与本申请第二实施例提供的数据处理方法相对应的，本申请第四实施例还提供一种数据处理装置。由于装置实施例基本相似于第二实施例，所以描述得比较简单，相关之处参见第二实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
请参照图6，其为本申请第四实施例提供的数据处理装置的示意图。
该数据处理装置600，应用于配送终端，所述装置包括：第一请求消息获得单元601，用于获得服务端发送的用于请求获得在目标待定位位置扫描到的包含目标无线网络的目标扫描列表的第一请求消息；目标扫描列表发送单元602，用于响应于所述第一请求消息，向所述服务端发送所述目标扫描列表；所述服务端，用于将所述目标扫描列表作为目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签；所述目标无线网络定位模型为所述服务端采用如下方式获得：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
第五实施例
与本申请第一实施例、第二实施例的方法相对应的，本申请第五实施例还提供一种电子设备。
如图7所示，图7为本申请第五实施例提供的电子设备的示意图。
在本实施例中，该电子设备700的一种可选硬件结构可如图7所示，包括：至少一个处理器701，至少一个存储器702和至少一个通信总线705；存储器702中包含有程序703与数据704。
总线705可以是在电子设备700内部的组件之间传输数据的通信设备，诸如内部总线（例如，CPU-存储器总线，处理器即为central processing unit，简称CPU）、外部总线（例如，通用串行总线端口、外围组件互连快速端口）等。
另外，电子设备中还包括：至少一个网络接口706，至少一个外设接口707。网络接口706以提供与外部网络708（例如，因特网、内联网、局域网、移动通信网络等）相关的有线或无线通信；在一些实施例中，网络接口706可以包括任意数量的网络接口控制器(英文：network interface controller，简称NIC)、射频(英文：Radio Frequency，简称RF)模块、转发器、收发器、调制解调器、路由器、网关、有线网络适配器的任意组合、无线网络适配器、蓝牙适配器、红外适配器、近场通信（英文：Near Field Communication，简称NFC）适配器、蜂窝网络芯片等。
外设接口707用于与外设连接，外设可以如图中的外设1（图7中的709）、外设2（图7中的710）以及外设3（图7中的711）。外设即外围设备，外围设备可以包括但不限于光标控制设备（例如鼠标、触摸板或触摸屏）、键盘、显示器（例如阴极射线管显示器、液晶显示器）。显示器或发光二极管显示器、视频输入设备（例如，摄像机或通信耦合到视频档案的输入接口）等。
处理器701可能是CPU，或者是特定集成电路ASIC（Application SpecificIntegrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器702可能包含高速RAM（全称：Random Access Memory，即随机存取存储器）存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
其中，处理器701调用存储器702所存储的程序与数据，以执行本申请第一实施例、第二实施例的方法。
第六实施例
与本申请第一实施例、第二实施例的方法相对应的，本申请第六实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被处理器运行，以执行本申请第一实施例、第二实施例的方法。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、 输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器 (英文：Read-Only Memory，简称ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (英文：phase change memory；简称PRAM)、静态随机存取存储器 (英文：Static Random Access Memory；简称SRAM)、动态随机存取存储器 (英文：Dynamic Random Access Memory；简称DRAM)、 其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (英文：Electrically-Erasable Programmable Read-Only Memory；简称EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (英文：Compact Disc Read-Only Memory；简称CD-ROM)、数字多功能光盘 (英文：Digital versatile disc；简称DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读存储媒体(non-transitorycomputer readable storage media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

Claims (13)

1.一种基于无线网络数据的定位方法，应用于服务端，其特征在于，所述方法包括：
获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；其中，每个扫描列表样本中包含多个无线网络样本；
根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；
获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；
获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；
基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，其中，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
2.根据权利要求1所述的方法，其特征在于，所述根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：
根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量；
对所述无线网络特征向量进行注意力机制计算，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量，包括：
根据所述无线网络样本与所述扫描列表样本，构建表示所述无线网络样本与所述扫描列表样本之间的关联关系的超图，其中，所述超图中的顶点表示所述无线网络样本，所述超图中的超边表示所述扫描列表样本；
根据所述超图，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵；
根据所述待编码矩阵，获得用于对所述无线网络样本的特征信息进行向量表示的无线网络特征向量。
4.根据权利要求3所述的方法，其特征在于，还包括：根据所述超图与所述无线网络样本的网络信号强度信息，获得用于表示所述超图中的所述无线网络样本与所述扫描列表样本之间的从属关系的邻接矩阵；
所述根据所述超图，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵，包括：
基于所述邻接矩阵、所述超图中的所述无线网络样本的第一度数矩阵、所述超图中的所述扫描列表样本的第二度数矩阵，获得包含用于表示所述超图中的所述无线网络样本之间的拓扑关系信息的待编码矩阵。
5.根据权利要求2所述的方法，其特征在于，所述对所述无线网络特征向量进行注意力机制计算，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：
对所述无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量；
对所述编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
6.根据权利要求5所述的方法，其特征在于，所述对所述无线网络特征向量采用第一注意力机制进行编码，获得编码后的无线网络特征向量，包括：
采用预设的编码器对所述扫描列表样本中的无线网络样本之间的关联关系特征编码至所述无线网络特征向量中，获得编码后的无线网络特征向量。
7.根据权利要求5所述的方法，其特征在于，所述对所述编码后的无线网络特征向量采用第二注意力机制进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：
将所述无线网络样本的网络信号强度信息作为权重对所述编码后的无线网络特征向量进行加权，获得加权后的无线网络特征向量；
对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
8.根据权利要求7所述的方法，其特征在于，所述对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量，包括：
确定所述多个扫描列表样本中的任意两个相邻扫描时间的扫描列表样本；
基于所述两个相邻扫描时间的扫描列表样本，对所述加权后的无线网络特征向量进行聚合，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量。
9.根据权利要求1所述的方法，其特征在于，所述获得所述扫描列表样本的扫描时间处于第二时间段内的概率，包括：
将所述扫描列表样本作为扫描列表概率获得模型的输入数据，获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述扫描列表概率获得模型用于根据扫描列表获得扫描列表的扫描时间处于配送运力位于扫描列表对应的取货位置的实际时间段内的概率。
10.根据权利要求1所述的方法，其特征在于，所述第一时间段信息包括配送运力记录的到达所述取货位置的第一时刻信息、配送运力记录的离开所述取货位置的第二时刻信息；
所述方法还包括：
根据所述第一时刻信息与所述第二时刻信息，获得配送运力实际到达所述取货位置的第三时刻信息与配送运力实际离开所述取货位置的第四时刻信息；
根据所述第三时刻信息与所述第四时刻信息，确定所述第二时间段。
11.根据权利要求10所述的方法，其特征在于，还包括：获得配送运力记录到达取货位置的第一时刻误差信息与记录离开取货位置的第二时刻误差信息；
所述根据所述第一时刻信息与所述第二时刻信息，获得配送运力实际到达所述取货位置的第三时刻信息与配送运力实际离开所述取货位置的第四时刻信息，包括：
根据所述第一时刻信息与所述第一时刻误差信息，获得所述第三时刻信息；
根据所述第二时刻信息与所述第二时刻误差信息，获得所述第四时刻信息。
12.根据权利要求1所述的方法，其特征在于，还包括：
获得所述配送终端提供的在目标待定位位置扫描到的包含目标无线网络的目标扫描列表；
将所述目标扫描列表作为所述目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签。
13.一种数据处理方法，应用于配送终端，其特征在于，所述方法包括：
获得服务端发送的用于请求获得在目标待定位位置扫描到的包含目标无线网络的目标扫描列表的第一请求消息；
响应于所述第一请求消息，向所述服务端发送所述目标扫描列表；所述服务端，用于将所述目标扫描列表作为目标无线网络定位模型的输入数据，获得所述目标待定位位置的目标位置标签；所述目标无线网络定位模型为所述服务端采用如下方式获得：获得配送终端提供的扫描到的包含无线网络样本的多个扫描列表样本；根据所述无线网络样本与所述扫描列表样本构建的超图，获得用于对所述扫描列表样本的特征信息进行向量表示的扫描列表特征向量；获得配送终端提供的配送运力记录的与各个扫描列表样本的扫描时间对应的、用于表示配送运力位于取货位置的各个位置标签样本，所述位置标签样本中包含配送运力记录的位于所述取货位置的第一时间段信息；所述扫描列表样本的扫描时间处于第一时间段内；获得所述扫描列表样本的扫描时间处于第二时间段内的概率；所述第二时间段为基于所述第一时间段确定的配送运力位于所述取货位置的实际时间段；基于所述扫描列表特征向量、所述概率与所述位置标签样本，对初始无线网络定位模型进行训练，获得目标无线网络定位模型，所述目标无线网络定位模型用于根据配送终端提供的在待定位位置扫描到的包含无线网络的扫描列表获得待定位位置的位置标签。
CN202410476557.6A 2024-04-19 2024-04-19 基于无线网络数据的定位方法、数据处理方法 Active CN118075873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410476557.6A CN118075873B (zh) 2024-04-19 2024-04-19 基于无线网络数据的定位方法、数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410476557.6A CN118075873B (zh) 2024-04-19 2024-04-19 基于无线网络数据的定位方法、数据处理方法

Publications (2)

Publication Number Publication Date
CN118075873A true CN118075873A (zh) 2024-05-24
CN118075873B CN118075873B (zh) 2024-06-21

Family

ID=91107743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410476557.6A Active CN118075873B (zh) 2024-04-19 2024-04-19 基于无线网络数据的定位方法、数据处理方法

Country Status (1)

Country Link
CN (1) CN118075873B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090115609A1 (en) * 2007-07-28 2009-05-07 Frederick Michael Weaver Transaction originating proximate position unattended tracking of asset movements with or without wireless communications coverage
CN105764137A (zh) * 2016-02-02 2016-07-13 北京邮电大学 一种室内定位方法及系统
CN110278524A (zh) * 2019-05-05 2019-09-24 阿里巴巴集团控股有限公司 用户位置确定方法、图模型生成方法、装置及服务器
US20190311274A1 (en) * 2018-04-05 2019-10-10 International Business Machines Corporation Tracking Potentially Lost Items Without Beacon Tags
CN110388926A (zh) * 2019-07-12 2019-10-29 杭州电子科技大学 一种基于手机地磁和场景图像的室内定位方法
CN110472995A (zh) * 2019-07-08 2019-11-19 汉海信息技术(上海)有限公司 到店预测方法、装置、可读存储介质及电子设备
CN110472644A (zh) * 2018-05-09 2019-11-19 北京智慧图科技有限责任公司 一种室内外及建筑物的判断方法
US20200191913A1 (en) * 2015-07-17 2020-06-18 Origin Wireless, Inc. Method, apparatus, and system for wireless object scanning
CN111556431A (zh) * 2020-04-21 2020-08-18 西安交通大学 一种基于信号子空间的指纹室内定位方法
CN113168890A (zh) * 2018-12-10 2021-07-23 生命科技股份有限公司 用于Sanger测序的深度碱基识别器
CN113393068A (zh) * 2020-03-12 2021-09-14 北京三快在线科技有限公司 订单送达时间预估方法、装置、电子设备
CN113393284A (zh) * 2020-03-13 2021-09-14 北京三快在线科技有限公司 订单状态提示方法和装置、存储介质和电子设备
US20210398615A1 (en) * 2020-06-11 2021-12-23 Life Technologies Corporation Basecaller with dilated convolutional neural network
CN114004409A (zh) * 2021-11-04 2022-02-01 东南大学 一种基于多源数据的即时配送路径预测方法
CN115222109A (zh) * 2022-06-28 2022-10-21 浙江口碑网络技术有限公司 信息处理方法、装置、介质及设备
CN117641240A (zh) * 2023-10-20 2024-03-01 中科晶锐(苏州)科技有限公司 一种利用神经网络进行室内定位的方法和装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090115609A1 (en) * 2007-07-28 2009-05-07 Frederick Michael Weaver Transaction originating proximate position unattended tracking of asset movements with or without wireless communications coverage
US20200191913A1 (en) * 2015-07-17 2020-06-18 Origin Wireless, Inc. Method, apparatus, and system for wireless object scanning
CN105764137A (zh) * 2016-02-02 2016-07-13 北京邮电大学 一种室内定位方法及系统
US20190311274A1 (en) * 2018-04-05 2019-10-10 International Business Machines Corporation Tracking Potentially Lost Items Without Beacon Tags
CN110472644A (zh) * 2018-05-09 2019-11-19 北京智慧图科技有限责任公司 一种室内外及建筑物的判断方法
CN113168890A (zh) * 2018-12-10 2021-07-23 生命科技股份有限公司 用于Sanger测序的深度碱基识别器
CN110278524A (zh) * 2019-05-05 2019-09-24 阿里巴巴集团控股有限公司 用户位置确定方法、图模型生成方法、装置及服务器
CN110472995A (zh) * 2019-07-08 2019-11-19 汉海信息技术(上海)有限公司 到店预测方法、装置、可读存储介质及电子设备
CN110388926A (zh) * 2019-07-12 2019-10-29 杭州电子科技大学 一种基于手机地磁和场景图像的室内定位方法
CN113393068A (zh) * 2020-03-12 2021-09-14 北京三快在线科技有限公司 订单送达时间预估方法、装置、电子设备
CN113393284A (zh) * 2020-03-13 2021-09-14 北京三快在线科技有限公司 订单状态提示方法和装置、存储介质和电子设备
CN111556431A (zh) * 2020-04-21 2020-08-18 西安交通大学 一种基于信号子空间的指纹室内定位方法
US20210398615A1 (en) * 2020-06-11 2021-12-23 Life Technologies Corporation Basecaller with dilated convolutional neural network
CN114004409A (zh) * 2021-11-04 2022-02-01 东南大学 一种基于多源数据的即时配送路径预测方法
CN115222109A (zh) * 2022-06-28 2022-10-21 浙江口碑网络技术有限公司 信息处理方法、装置、介质及设备
CN117641240A (zh) * 2023-10-20 2024-03-01 中科晶锐(苏州)科技有限公司 一种利用神经网络进行室内定位的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡伟;: "运用GS1条码完善预包装行业配送管理", 条码与信息系统, no. 06, 7 December 2018 (2018-12-07) *

Also Published As

Publication number Publication date
CN118075873B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
CN110166943B (zh) 终端位置信息的处理方法
CN110166991B (zh) 用于定位电子设备的方法、设备、装置以及存储介质
US20210142337A1 (en) Product Authenticity Verification Based on Environment
US11451927B2 (en) Positioning method, positioning apparatus, server, and computer-readable storage medium
WO2019010861A1 (zh) 一种认知无线网络的频谱预测方法及装置
CN107909668B (zh) 一种签到方法及终端设备
CN111028016A (zh) 销量数据预测方法、装置以及相关设备
CN110392122B (zh) 地址类型的确定方法和装置、存储介质、电子装置
CN109743532B (zh) 一种门铃控制方法、电子设备、门铃系统和存储介质
CN104869019A (zh) 用于定位故障的反馈方法、装置及服务器
CN109672980A (zh) 确定兴趣点对应的无线局域网热点的方法、装置及存储介质
CN108712712A (zh) 无线保真WiFi网络关联信息显示方法及装置
US20230186402A1 (en) Systems and methods for multivariate artificial intelligence (ai) smart cards
CN112084959B (zh) 一种人群图像处理方法及装置
CN111148057B (zh) 室内定位方法、系统、计算机设备及可读存储介质
CN110601929A (zh) 一种事件提醒方法及系统、计算机可读存储介质
CN112132220A (zh) 一种自训练方法、系统、装置、电子设备及存储介质
CN115393681A (zh) 一种目标融合方法、装置、电子设备及存储介质
US20240224223A1 (en) Evaluating IP Location On A Client Device
CN109388722B (zh) 一种用于添加或查找社交联系人的方法与设备
CN112256682B (zh) 一种多维异构数据的数据质量检测方法及装置
EP3983953A1 (en) Understanding deep learning models
Guo et al. [Retracted] Automatic Parking System Based on Improved Neural Network Algorithm and Intelligent Image Analysis
KR20200017612A (ko) 딥러닝을 이용한 위치 측위 학습 방법
CN118075873B (zh) 基于无线网络数据的定位方法、数据处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant