CN111650554A - 定位方法及装置、电子设备和存储介质 - Google Patents
定位方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111650554A CN111650554A CN202010479175.0A CN202010479175A CN111650554A CN 111650554 A CN111650554 A CN 111650554A CN 202010479175 A CN202010479175 A CN 202010479175A CN 111650554 A CN111650554 A CN 111650554A
- Authority
- CN
- China
- Prior art keywords
- floor
- xgboost model
- data
- trained
- positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims description 120
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 24
- 230000001960 triggered effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0284—Relative positioning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本公开涉及一种定位方法及装置、电子设备和存储介质，所述方法包括：获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息；将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。本公开实施例可实现无线接入点密度较低情形下的高精度楼层定位。
Description
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种定位方法及装置、电子设备和存储介质。
背景技术
在用计算机视觉实现室内定位的场景里，通常会遇到不同楼层的特征相似的问题。这种情况下，用单纯的视觉是无法分辨出场景是属于哪个楼层的。相关技术中，采用无线信号定位楼层来解决这个问题。相关技术中，无线信号定位需要在场馆内布置数量足够的无线接入点(Access Point，AP)，根据接收信号强度(Received Signal Strength，RSS)和信道状态信息(Channel State Information，CSI)构建指纹库，这种方法需要保证场馆内有足够密集的无线信号接入点，对场馆要求较高，且主要针对定点定位。
发明内容
本公开提出了一种定位方法及装置、电子设备和存储介质。
根据本公开的一方面，提供了一种定位方法，包括：
获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息；
将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。
在一种可能的实现方式中，所述楼层预测模型包括Xgboost模型，在将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中的步骤前，所述方法还包括：
训练Xgboost模型的步骤；
所述训练Xgboost模型的步骤包括：
采集定位标注数据，所述定位标注数据包括终端在多个采集位置接收到的无线信号和各采集位置对应的楼层标签；
从所述定位标注数据中获取训练数据；
采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型。
通过训练Xgboost模型作为楼层预测模型，可以有效利用Xgboost模型训练数据量小、分类精度高的特点，进一步提高无线接入点密度较低情形下的楼层定位的精度。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型，包括：
采用所述训练数据，对待训练的Xgboost模型进行训练，得到中间状态的Xgboost模型；
从所述定位标注数据中获取测试数据；
采用所述测试数据，对所述中间状态的Xgboost模型进行测试，得到所述中间状态的Xgboost模型的定位准确率；
在所述中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
通过在中间状态的Xgboost模型的定位准确性较高的情况下，将中间状态的Xgboost模型确定为所述训练完成的Xgboost模型，可以为楼层预测模型的准确性提供保障。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型还包括：
在所述中间状态的Xgboost模型的定位准确率小于或者等于所述指定阈值的情况下，确定需要补充的训练数据的数量；
按照所述数量获取补充的训练数据，所述补充的训练数据的采集位置与所述定位标注数据的采集位置不同；
采用所述补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
通过中间状态的Xgboost模型的定位准确性较低的情况下，对中间状态的Xgboost模型进行二次训练，可以提升楼层预测模型的楼层定位精度。
在一种可能的实现方式中，所述采集定位标注数据包括：
确定所述定位标注数据的采集位置；
针对每个采集位置，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识，并将终端在该采集位置接收到的无线信号和该楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。
通过针对每个采集位置分别采集无线信号和楼层标签，可以得到不同采集位置的标注定位数据，有利于Xgboost模型的训练。
在一种可能的实现方式中，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识包括：
在所述终端上显示各楼层标签对应的楼层标识和各采集位置的位置标识；
在采集控件被触发的情况下，获取无线信号，并将获取到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签。
通过触发采集控件进行无线信号和楼层标签的采集，可以简单、方便的实现定位标注数据的采集，为采集员的采集操作提供便利，提高了采集效率。
根据本公开的一方面，提供了一种定位装置，包括：
信号获取模块，用于获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息；
信号输入模块，用于将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。
在一种可能的实现方式中，所述装置还包括：
模型训练模块，用于训练Xgboost模型的步骤；
所述模型训练模块具体用于：
采集定位标注数据，所述定位标注数据包括终端在多个采集位置接收到的无线信号和各采集位置对应的楼层标签；
从所述定位标注数据中获取训练数据；
采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型，包括：
采用所述训练数据，对待训练的Xgboost模型进行训练，得到中间状态的Xgboost模型；
从所述定位标注数据中获取测试数据；
采用所述测试数据，对所述中间状态的Xgboost模型进行测试，得到所述中间状态的Xgboost模型的定位准确率；
在所述中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型还包括：
在所述中间状态的Xgboost模型的定位准确率小于或者等于所述指定阈值的情况下，确定需要补充的训练数据的数量；
按照所述数量获取补充的训练数据，所述补充的训练数据的采集位置与所述定位标注数据的采集位置不同；
采用所述补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
在一种可能的实现方式中，所述采集定位标注数据包括：
确定所述定位标注数据的采集位置；
针对每个采集位置，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识，并将终端在该采集位置接收到的无线信号和该楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。
在一种可能的实现方式中，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识包括：
在所述终端上显示各楼层标签对应的楼层标识和各采集位置的位置标识；
在采集控件被触发的情况下，获取无线信号，并将获取到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，将多个无线接入点的强度信息作为分类特征，输入楼层预层模型进行楼层标签预测，实现了无线接入点密度较低情形下的高精度楼层定位。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的定位方法的流程图；
图2示出根据本公开实施例的采集页面的一个示例；
图3示出根据本公开实施例的采集页面的又一示例；
图4示出根据本公开实施例的采集页面的又一示例；
图5示出根据本公开实施例的定位装置的框图；
图6示出根据本公开实施例的一种电子设备800的框图；
图7示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“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，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的定位方法的流程图。如图1所示，该方法可以包括：
步骤S11，获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息。
步骤S12，将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。
在本公开实施例中，将多个无线接入点的强度信息作为分类特征，输入楼层预层模型进行楼层标签预测，实现了无线接入点密度较低情形下的高精度楼层定位。
在一种可能的实现方式中，所述定位方法可以由终端或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
在步骤S11中，无线信号可以用于表征无线接入点信号的强弱。由于终端可以同时接收到多个无线接入点发出的信号，因此，终端在当前位置接收到无线信号可以包括多个无线接入点的强度信息。其中，无线接入点的强度信息可以为接收信号强度(ReceivedSignal Strength，RSS)。
举例来说，终端在当前位置可以接收到无线接入点1、无线接入点2和无线接入点3发出的信号，则终端在当前位置接收到的无线信号可以包括无线接入点1对应的无线信号1、无线接入点2对应的无线信号2和无线接入点3对英国的无线信号3。
终端在当前位置接收到的无线信号可以由终端进行采集。在一个示例中，检测到用户触发终端中楼层定位控件或者终端中的导航应用的情况下，终端可以启动楼层定位过程，此时，终端可以采集在当前位置接收到的无线信号。
需要说明的是，在步骤S12中的楼层预测模型配置在终端中的情况下，终端可以将在当前位置接收到的无线信号直接输入楼层预测模型，进而得到当前位置的楼层标签。在步骤S12中的楼层预测模型配置在服务器中的情况下，终端可以先将在当前位置接收到的无线信号发送至服务器，然后由服务器将终端在当前位置接收到的无线信号输入楼层预测模型，得到当前位置的楼层标签。之后，服务器可以楼层预测模型输出的楼层标签返回至终端。
在步骤S12中，预先训练的楼层预测模型可以表示用于进行楼层标签预测的模型。将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型之后，楼层预测模型可以输出当前位置的楼层标签。其中，楼层标签可以用于代表楼层，楼层标签与楼层一一对应。在一个示例中，楼层标签“1”可以代表一楼，楼层标签“2”可以代表二楼，楼层标签“-1”可以代表负一楼。本公开实施例对楼层表现的形式不做限制。
在一种可能的实现方式中，楼层预测模型可以包括Xgboost模型。Xgboost模型具有训练数据量小、分类精度高的特点。可以理解的是，楼层预测模型还可以包括其他分类模型，对此本公开不做限制。下面以楼层预测模型为Xgboost模型为例，对楼层预测模型的训练过程进行说明。
在一种可能的实现方式中，在步骤S12之前，所述方法还可以包括：训练Xgboost模型的步骤。
其中，训练Xgboost模型的步骤可以包括：采集定位标注数据；从所述定位标注数据中获取训练数据；采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型，即预先训练的楼层预测模型。
在本公开实施例中，定位标注数据可以包括已经标注好定位结果的无线信号，即定位标注数据可以包括终端在多个采集位置接收到的无线信号和各采集位置对应的楼层标签。
在一个示例中，采集定位标注数据可以包括：确定采集定位标注数据的采集位置；针对每个采集位置，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识，并将终端在该采集位置接收到的无线信号和该楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。
图2示出根据本公开实施例的采集页面的一个示例。该采集页面为终端中用于采集定位标注数据的应用的展示页面。该采集页面用于采集定位标注数据。如图2所示，采集页面中展示了某个楼层的平面图，以及该楼层中的采集位置。采集人员将终端置于楼层中某个采集位置之后，可以控制终端获取在该采集位置接收到的无线信号，以及该采集位置所在楼层的楼层标识。之后，终端可以将获取到的无线信号，以及获取到的楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。举例来说，终端在采集位置“第一个点”获取到无线信号“第一个点的无线信号”和楼层标识“一楼”后，可以将“第一个点的无线信号”和“一楼”对应的楼层标签(例如“1”)确定为“第一个点”的标注定位数据。
在一个示例中，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识可以包括：在所述终端上显示各楼层标签对应的楼层标识和各采集位置的位置标识；在采集控件被触发的情况下，获取无线信号，并将获取到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签。
采集页面可以显示各楼层标签对应的楼层标识(对应于图2所示的“一楼”、“二楼”、“三楼”和“四楼”)、各采集位置的位置标识(对应于图2所示的采集页面中的“·”)，以及采集控件(对应于图2所示的“采集”)。在采集控件被触发的情况下，终端可以采集无线信号，并将采集到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签，从而得到当前被触发的位置标识对应的采集位置的标注定位数据。
采集人员依次在各个采集位置触发采集控件后，终端即可采集到各个采集位置的标注定位数据。
图3示出根据本公开实施例的采集页面的又一示例。采集人员触发采集控件后，采集页面中可以显示正在采集的提示，例如图3所示的“正在采集无线信号中”。需要说明的是，由于不同的终端的无线信号扫描速度不一致，采集人员每次触发采集控件后，需要等待2-10秒钟，以便于终端采集相应位置的标注定位数据。
图4示出根据本公开实施例的采集页面的又一示例。每个采集位置的标注定位数据采集完成之后，采集页面可以进行弹框提示，以便于采集人员开始下一次采集。例如，采集页面可以显示图4所示的“无线信号收集：保存完成，共7个MAC地址”。
在一个示例中，终端可以以txt格式保存定位标注数据。
完成定位标注数据的采集之后，终端可以将定位标注数据发送至服务器。服务器可以从定位标注数据中获取训练数据。之后，服务器可以采用训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型。
之后，服务器可以使用Python的pandas库读取训练集的定位标注数据(包括无线信号和楼层标签)，再用Python的Xgboost库的XGBClassifier(即待训练的Xgboost模型)对训练集的定位标注数据进行训练，得到训练好的XGBClassifier(即训练完成的Xgboost模型)。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型可以包括：
采用所述训练数据，对待训练的Xgboost模型进行训练，得到中间状态的Xgboost模型；从所述定位标注数据中获取测试数据；采用所述测试数据，对所述中间状态的Xgboost模型进行测试，得到所述中间状态的Xgboost模型的定位准确率；在所述中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型还可以包括：
在所述中间状态的Xgboost模型的定位准确率小于或者等于所述指定阈值的情况下，确定需要补充的训练数据的数量；按照所述数量获取补充的训练数据，所述补充的训练数据的采集位置与所述定位标注数据的采集位置不同；采用所述补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
考虑到采用训练数据训练得到的Xgboost模型(即中间状态的Xgboost模型)可能存在定位准确率不足的问题。因此，可以采用测试数据对中间状态的Xgboost模型进行测试。基于测试得到的定位准确率和指定阈值，确定是否要二次训练。
在一个示例中，服务器可以采用10次10折交叉验证法将定位标注数据划分为10个训练集合和10个测试集合，并将这20个集合分别以csv格式进行保存。训练集合中包括的就是训练数据，测试集合中包括的就是测试数据。服务器还可以通过其他方式从定位标注数据中获取测试数据和测试数据，对此本公开不做限制。指定阈值可以根据需要进行设置，例如可以设置为95％。
服务器可以使用Python的pandas库读取测试集的定位标注数据(包括无线信号和楼层标签)，再调用XGBClassifier的预测(predict)函数，将测试集中定位标注数据的无线信号做为函数参数，并将函数的输出结果与测试集中定位标注数据的楼层标签进行对比，得到定位准确率。
在中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，表明中间状态的Xgboost模型的定位准确性较高，该中间状态的Xgboost模型可以直接用于楼层的预测。因此，可以将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
在中间状态的Xgboost模型的定位准确率小于或者等于指定阈值的情况下，表明中间状态的Xgboost模型的定位准确性较差，该中间状态的Xgboost模型不能直接用于楼层的预层，需要进行二次训练。因此，在这种情况下，可以确定需要补充的训练数据的数量，按照所述数量获取补充的训练数据，并采用补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
在一个示例中，终端可以向采集人员提示需要补充的训练数据的数量，便于采集人员进行采集，提升用户体验。补充的训练数据的采集位置与所述定位标注数据的采集位置不同，这样可以有效提升模型的定位准确度。
获取补充的训练数据的过程可以参照之前采集定位标注数据的过程，采用所述补充的训练数据对中间状态的Xgboost模型进行训练的过程，可以参照之前采用训练数据对待训练的Xgboost模型进行训练的过程，这里不再赘述。
由于服务器采用Python训练出的Xgboost模型为Python格式，这种格式不适用于终端(例如手机、平板等)。因此，在本公开实施例中，服务器可以将先导入Python的m2cgen库。然后，调用m2cgen库的export_to_c函数，该函数的参数为Python格式的Xgboost模型，该函数返回的即为C++格式的Xgboost模型。服务器可以将该C++格式的Xgboost模型作为步骤S12中的楼层预测模型。这样，服务器可以将C++格式的Xgboost模型发送至终端，由终端执行步骤S12。也就是说，由终端在本地进行楼层定位。这样，既可以节省流量，又可以节省定位时间，同时又不会对终端造成负担，实现了轻量级的楼层定位，解决了不同楼层之间视觉相似度高而造成的定位不准确的问题。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了定位装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种定位方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的定位装置的框图。如图5所示，所述定位装置50可以包括：
信号获取模块51，用于获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息；
信号输入模块52，用于将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。
在一种可能的实现方式中，所述装置还包括：
模型训练模块，用于训练Xgboost模型的步骤；
所述模型训练模块具体用于：
采集定位标注数据，所述定位标注数据包括终端在多个采集位置接收到的无线信号和各采集位置对应的楼层标签；
从所述定位标注数据中获取训练数据；
采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型，包括：
采用所述训练数据，对待训练的Xgboost模型进行训练，得到中间状态的Xgboost模型；
从所述定位标注数据中获取测试数据；
采用所述测试数据，对所述中间状态的Xgboost模型进行测试，得到所述中间状态的Xgboost模型的定位准确率；
在所述中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
在一种可能的实现方式中，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型还包括：
在所述中间状态的Xgboost模型的定位准确率小于或者等于所述指定阈值的情况下，确定需要补充的训练数据的数量；
按照所述数量获取补充的训练数据，所述补充的训练数据的采集位置与所述定位标注数据的采集位置不同；
采用所述补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
在一种可能的实现方式中，所述采集定位标注数据包括：
确定所述定位标注数据的采集位置；
针对每个采集位置，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识，并将终端在该采集位置接收到的无线信号和该楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。
在一种可能的实现方式中，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识包括：
在所述终端上显示各楼层标签对应的楼层标识和各采集位置的位置标识；
在采集控件被触发的情况下，获取无线信号，并将获取到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的定位方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的定位方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图6示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random-Access Memory，SRAM)，电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)，可擦除可编程只读存储器(erasable programmable read-only memory，EPROM)，可编程只读存储器(Programmable read-only memory，PROM)，只读存储器(Read-Only Memory，ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(Liquid Crystal Display，LCD)和触摸面板(Touch Panel，TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(Microphone，MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(Complementary Metal Oxide Semiconductor，CMOS)或电荷耦合元件(Charge-coupled Device，CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(Near FieldCommunication，NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RadioFrequency Identification，RFID)技术，红外数据协会(Infrared Data Association，IrDA)技术，超宽带(Ultra Wide Band，UWB)技术，蓝牙(bluetooth，BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(Digital Signal Processing Device，DSPD)、可编程逻辑器件(programmable logic device，PLD)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(random access memory，RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(StaticRandom-Access Memory，SRAM)、便携式压缩盘只读存储器(Compact Disc Read-OnlyMemory，CD-ROM)、数字多功能盘(Digital Video Disc，DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(Local Area Network，LAN)或广域网(WideArea Network，WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(Field ProgrammableGate Array，FPGA)或可编程逻辑阵列(Programmable logic arrays，PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (14)
1.一种定位方法，其特征在于，所述方法包括：
获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息；
将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。
2.根据权利要求1所述的方法，其特征在于，所述楼层预测模型包括Xgboost模型，在将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中的步骤前，所述方法还包括：训练Xgboost模型的步骤；
所述训练Xgboost模型的步骤包括：
采集定位标注数据，所述定位标注数据包括终端在多个采集位置接收到的无线信号和各位置对应的楼层标签；
从所述定位标注数据中获取训练数据；
采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型。
3.根据权利要求2所述的方法，其特征在于，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型，包括：
采用所述训练数据，对待训练的Xgboost模型进行训练，得到中间状态的Xgboost模型；
从所述定位标注数据中获取测试数据；
采用所述测试数据，对所述中间状态的Xgboost模型进行测试，得到所述中间状态的Xgboost模型的定位准确率；
在所述中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
4.根据权利要求3所述的方法，其特征在于，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型还包括：
在所述中间状态的Xgboost模型的定位准确率小于或者等于所述指定阈值的情况下，确定需要补充的训练数据的数量；
按照所述数量获取补充的训练数据，所述补充的训练数据的采集位置与所述定位标注数据的采集位置不同；
采用所述补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述采集定位标注数据包括：
确定所述定位标注数据的采集位置；
针对每个采集位置，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识，并将终端在该采集位置接收到的无线信号和该楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。
6.根据权利要求5所述的方法，其特征在于，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识包括：
在所述终端上显示各楼层标签对应的楼层标识和各采集位置的位置标识；
在采集控件被触发的情况下，获取无线信号，并将获取到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签。
7.一种定位装置，其特征在于，所述装置包括：
信号获取模块，用于获取终端在当前位置接收到的无线信号，所述无线信号包括多个无线接入点的强度信息；
信号输入模块，用于将所述终端在所述当前位置接收到的无线信号输入预先训练的楼层预测模型中，得到所述当前位置的楼层标签。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于训练Xgboost模型的步骤；
所述模型训练模块具体用于：
采集定位标注数据，所述定位标注数据包括终端在多个采集位置接收到的无线信号和各采集位置对应的楼层标签；
从所述定位标注数据中获取训练数据；
采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型。
9.根据权利要求8所述的装置，其特征在于，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型，包括：
采用所述训练数据，对待训练的Xgboost模型进行训练，得到中间状态的Xgboost模型；
从所述定位标注数据中获取测试数据；
采用所述测试数据，对所述中间状态的Xgboost模型进行测试，得到所述中间状态的Xgboost模型的定位准确率；
在所述中间状态的Xgboost模型的定位准确率大于指定阈值的情况下，将所述中间状态的Xgboost模型确定为所述训练完成的Xgboost模型。
10.根据权利要求9所述的装置，其特征在于，采用所述训练数据，对待训练的Xgboost模型进行训练，得到训练完成的Xgboost模型还包括：
在所述中间状态的Xgboost模型的定位准确率小于或者等于所述指定阈值的情况下，确定需要补充的训练数据的数量；
按照所述数量获取补充的训练数据，所述补充的训练数据的采集位置与所述定位标注数据的采集位置不同；
采用所述补充的训练数据对所述中间状态的Xgboost模型进行训练，得到所述训练完成的Xgboost模型。
11.根据权利要求8至10中任一项所述的装置，其特征在于，所述采集定位标注数据包括：
确定所述定位标注数据的采集位置；
针对每个采集位置，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识，并将终端在该采集位置接收到的无线信号和该楼层标识对应的楼层标签，确定为该采集位置的标注定位数据。
12.根据权利要求11所述的装置，其特征在于，获取终端在该采集位置接收到的无线信号和该采集位置所在楼层的楼层标识包括：
在所述终端上显示各楼层标签对应的楼层标识和各采集位置的位置标识；
在采集控件被触发的情况下，获取无线信号，并将获取到的无线信号和当前被触发的楼层标识对应的楼层标签分别确定为终端在当前被触发的位置标识对应的采集位置接收到的无线信号和该采集位置所在楼层的楼层标签。
13.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010479175.0A CN111650554A (zh) | 2020-05-29 | 2020-05-29 | 定位方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010479175.0A CN111650554A (zh) | 2020-05-29 | 2020-05-29 | 定位方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111650554A true CN111650554A (zh) | 2020-09-11 |
Family
ID=72349793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010479175.0A Pending CN111650554A (zh) | 2020-05-29 | 2020-05-29 | 定位方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111650554A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758243A (zh) * | 2022-04-29 | 2022-07-15 | 广东技术师范大学 | 基于补充训练与双类位置预测的茶叶采摘方法和装置 |
| CN114945135A (zh) * | 2022-04-25 | 2022-08-26 | 北京云迹科技股份有限公司 | 机器人所在楼层预测方法及相关设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017070969A1 (zh) * | 2015-10-31 | 2017-05-04 | 华为技术有限公司 | 一种楼层定位方法、网络设备及移动终端 |
| 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 |
| CN108513259A (zh) * | 2018-02-07 | 2018-09-07 | 平安科技（深圳）有限公司 | 电子装置、楼层定位方法和计算机可读存储介质 |
| CN109379713A (zh) * | 2018-08-23 | 2019-02-22 | 南京邮电大学 | 基于集成极限学习机和主成分分析的楼层预测方法 |
| CN109579846A (zh) * | 2018-12-13 | 2019-04-05 | 中国科学院计算技术研究所 | 基于楼层切换行为识别的混合楼层定位方法 |
| US20200015189A1 (en) * | 2018-07-06 | 2020-01-09 | Cisco Technology, Inc. | Location accuracy assessment and remediation for indoor positioning system deployments |
| US10655971B1 (en) * | 2019-05-01 | 2020-05-19 | Mapsted Corp. | Maintaining a trained neural network for mobile device RSS fingerprint based indoor navigation |
-
2020
- 2020-05-29 CN CN202010479175.0A patent/CN111650554A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017070969A1 (zh) * | 2015-10-31 | 2017-05-04 | 华为技术有限公司 | 一种楼层定位方法、网络设备及移动终端 |
| 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 |
| CN108513259A (zh) * | 2018-02-07 | 2018-09-07 | 平安科技（深圳）有限公司 | 电子装置、楼层定位方法和计算机可读存储介质 |
| US20200015189A1 (en) * | 2018-07-06 | 2020-01-09 | Cisco Technology, Inc. | Location accuracy assessment and remediation for indoor positioning system deployments |
| CN109379713A (zh) * | 2018-08-23 | 2019-02-22 | 南京邮电大学 | 基于集成极限学习机和主成分分析的楼层预测方法 |
| CN109579846A (zh) * | 2018-12-13 | 2019-04-05 | 中国科学院计算技术研究所 | 基于楼层切换行为识别的混合楼层定位方法 |
| US10655971B1 (en) * | 2019-05-01 | 2020-05-19 | Mapsted Corp. | Maintaining a trained neural network for mobile device RSS fingerprint based indoor navigation |
Non-Patent Citations (1)
| Title |
|---|
| 程光 等: "互联网大数据挖掘与分类", 东南大学出版社, pages: 14 - 15 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114945135A (zh) * | 2022-04-25 | 2022-08-26 | 北京云迹科技股份有限公司 | 机器人所在楼层预测方法及相关设备 |
| CN114758243A (zh) * | 2022-04-29 | 2022-07-15 | 广东技术师范大学 | 基于补充训练与双类位置预测的茶叶采摘方法和装置 |
| CN114758243B (zh) * | 2022-04-29 | 2022-11-11 | 广东技术师范大学 | 基于补充训练与双类位置预测的茶叶采摘方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN111274426A (zh) | 类别标注方法及装置、电子设备和存储介质 | |
| CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
| CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN110990801B (zh) | 信息校验方法及装置、电子设备和存储介质 | |
| EP3147802B1 (en) | Method and apparatus for processing information | |
| US20210326649A1 (en) | Configuration method and apparatus for detector, storage medium | |
| WO2023040202A1 (zh) | 人脸识别方法及装置、电子设备和存储介质 | |
| US11335348B2 (en) | Input method, device, apparatus, and storage medium | |
| CN113887474B (zh) | 呼吸率检测方法及装置、电子设备和存储介质 | |
| CN112085097A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111523599B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
| CN111650554A (zh) | 定位方法及装置、电子设备和存储介质 | |
| EP3099023A1 (en) | Method and device for sending message | |
| CN112948704A (zh) | 用于信息推荐的模型训练方法、装置、电子设备以及介质 | |
| CN112950712B (zh) | 定位方法及装置、电子设备和存储介质 | |
| CN113065361B (zh) | 用户亲密度的确定方法及装置、电子设备和存储介质 | |
| CN110955800A (zh) | 视频检索方法及装置 | |
| CN111339964B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112102300A (zh) | 计数方法及装置、电子设备和存储介质 | |
| CN111753753A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| WO2022110801A1 (zh) | 数据处理方法及装置、电子设备和存储介质 | |
| CN116543211A (zh) | 图像属性编辑方法、装置、电子设备和存储介质 | |
| CN104317480B (zh) | 字符按键显示方法、装置及终端 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200911 |