[发明专利]针对高度稀疏WiFi数据的网络侧定位方法与系统

说明书

技术领域

本发明涉及室内定位领域，基于网络侧AP获取的WiFi数据，结合深度学习方法，实现在数据稀疏时的高精度网络侧定位，以便向用户提供更好的基于位置的服务，尤其是在智慧商业领域。

背景技术

目前应用较多的是手机终端侧的WiFi指纹定位系统，分为离线阶段和在线阶段，如图1所示。离线阶段是指利用带有Wi-Fi模块的终端，如手机、平板电脑等，在室内指定位置(即坐标已知)搜索环境中存在的无线接入点(Access Point，AP)的信号强度，再将不同AP的信号强度组成无线信号向量(特征)；进而利用机器学习方法等构建多组无线信号向量与其对应位置关系的映射，即形成定位模型。在线阶段则是带有Wi-Fi模块的终端在未知位置获取无线信号向量，将其输入到定位模型中，计算得到位置信息，以实现定位。

上述的定位方法是目前广泛使用的定位方法，需要用户主动采集标定数据建立指纹数据库，因此对用户依赖程度较高，同时也给用户带来一定的影响。而在“互联网+”理念的引导下，传统产业正在进行转型，传统的线下商场等力图通过线上大数据为用户提供更好的服务，形成“互联网+商业”的智慧商业模式。实际系统中，由于终端和AP的握手机会少，以及手机黑屏等系统低功耗模式也会降低扫描频率，造成了网络侧获取的数据稀疏，难以形成密集的指纹数据(无线信号向量与其对应位置组成的向量为指纹向量)。

发明内容

本发明的目的在于克服现有技术中由于终端和AP的握手机会少，以及手机黑屏等系统低功耗模式也会降低扫描频率，造成了网络侧获取的数据稀疏，难以形成密集的指纹数据，从而提供一种针对高度稀疏WiFi数据的网络侧定位方法及系统。

为了实现上述目的，本发明提供了一种针对高度稀疏WiFi数据的网络侧定位方法，包括以下步骤：

当带有WiFi模块的终端处于指定已知位置时，网络侧无线访问接入点AP获取该终端的信号强度信息，形成包含所述信号强度信息的向量信息；

通过设定的通信协议将所述向量信息发送给网络侧服务器；

当所述网络侧服务器收到网络侧的n个AP发送的向量信息时，将所收到的n个向量信息与已知位置信息结合，形成并存储训练定位模型所需的指纹信息，n为自然数；

将所述指纹信息输入到具有稀疏约束的深度学习方法中，训练得到定位模型；

当有用户处于该网络环境中时，网络侧AP将感知到的该用户的WiFi信息发送给所述网络侧服务器，所述网络侧服务器将处理得到的特征向量输入到所述定位模型中，得到用户的位置信息。

进一步地，所述向量信息还包括：终端标识信息、AP标识信息和时间戳。

进一步地，所述终端标识信息为终端设备的MAC地址，所述AP标识信息为AP设备的MAC地址。

进一步地，所述将所收到的n个向量信息与已知位置信息结合，形成并存储训练定位模型所需的指纹信息步骤包括：

根据所述向量信息中的时间戳和网络侧服务器存储的时间信息，筛选环境中有效感知的AP设备；

统计出环境中的AP信息，若环境中总共有m个感知AP，则特征维数为m维，m为不小于n的自然数；

将位置信息与筛选出的AP的向量进行组合，若感知到n个有效AP，则形成的定位指纹表示为：(x_j，y_j，rss₁，...，rss_m)，其中x_j，y_j为所述位置信息的横纵坐标，如某AP不在该向量中，则该缺失的AP的信号强度则用默认值补齐。

进一步地，所述将所述指纹信息输入到具有稀疏约束的深度学习方法中，训练得到定位模型步骤包括：

确定自编码学习网络的层数，对每一层神经网络的初始连接权值和偏置进行随机赋值；

自底向上，逐层对自编码学习网络进行无监督预训练，预训练准则是对于单个自编码学习网络，在引入KL散度的约束下，求解网络参数，使得目标函数最小；

将每一层自编码学习网络的编码输出结果作为下一层网络的输入数据；

将最后一层自编码学习网络的输出输入到Logistic回归中，使用监督学习方法训练Logistic回归的参数；

对整个网络进行微调，即通过反向传播算法同时调整所有层的参数获取最终的网络参数。

为达到上述目的，本发明还提供了一种针对高度稀疏WiFi数据的网络侧定位系统，包括：位于网络侧AP端的数据获取模块和第一通信模块，以及位于网络侧服务器端的数据处理模块、数据存储模块、算法模块和第二通信模块，其中：