[发明专利]一种基于众包数据的室内定位方法

摘要

本发明涉及一种基于众包数据的室内定位方法。本发明首先搭建分布式的实时计算系统,实时计算系统遵循基于移动通信的网络辅助体系结构。然后数据分析中心收集数据、采用LiCS算法实时分析与定位：数据分析中心实时收集步骤一中各个移动终端上报的数据，每一条记录包含用户最新的时间戳；数据分析中心运行LiCS算法对收集到的数据进行实时分析与定位。最后，数据分析中心将目标的准确定位发送至移动终端。本发明实时更新位置估计、定位更准确、无需专门硬件、无需在移动设备上进行专门设置、免除明显的校准工作、无需相关地图、对环境动态变化具有适应性，更加便于推广。

主权项

1.一种基于众包数据的室内定位方法，包括如下步骤：步骤一：搭建分布式的实时计算系统：实时计算系统遵循基于移动通信的网络辅助体系结构，看作由N个固定信号发射器T＝{t1,t2,…tN}和M个移动信号接收器R＝{r1,r2,…rM}组成的无线网，各个移动终端周期性地通过数据库向数据分析中心上报数据；具体实施时固定信号发射器指WiFi路由器或支持蓝牙的个人电脑，移动信号接收器指各个用户支持WiFi和蓝牙的移动终端；步骤二：数据分析中心收集数据、采用LiCS算法实时分析与定位：数据分析中心实时收集步骤一中各个移动终端上报的数据，每一条记录包含用户最新的时间戳；数据分析中心运行LiCS算法对收集到的数据进行实时分析与定位；首先用EM聚类算法分析群体行为，然后实时训练出最优位置估计神经网络，从而实现实时定位，使得每一条记录带有聚簇序号来指示其位置；EM聚类算法给出每条记录具体步骤如下：步骤1、使用EM聚类算法对数据分析中心收集到的各终端的无线移动数据进行聚类，分析其群体行为，为每条记录计算属于每一个聚簇的后验概率，EM聚类算法将当前记录划分到后验概率最大的聚簇中。由于EM聚类算法采用极大似然估计来确定模型的参数，初始化参数后的参数迭代公式极大化训练集的似然值，即发生概率，所以最终的似然值表征聚类结果的好坏，随着算法的持续迭代而增加，越高的似然值代表聚类结果越好。对每一个聚簇计算该聚簇的聚簇中心的位置，给该聚簇标上唯一的序号，用以指示聚簇位置，建立一张序号‑聚簇中心位置索引表，每一条记录都将被划入它的聚簇中并带有该聚簇的序号。步骤2、搭建一个神经网络，训练并进行定位，具体步骤如下：步骤2.1、数据预处理：将所有的记录整理成信号三元组RSS、MACT和MACR，即对于特定地点的接收信号强度RSS，MACT是通信信号发射器的MAC地址，MACR是通信信号接收器的MAC地址；步骤2.2、搭建神经网络：以p(t)表示在时刻t对移动终端位置的估计，最初收集数据中用记录中的聚簇序号来指示，我们搭建一个神经网络用已观察到的值p(t)，p(t‑1)，p(t‑2)，…,p(t‑i+1)来计算p(t+1)，见式⑶：α_j(j＝0,1,2,…,s)为神经网络的隐层第j个节点到输出节点的连接权重；β_ij(i＝0,1,2,…r；j＝0,1,2,…,s)为第i个输入值到第j个隐层节点的连接权重；r为用于计算当前定位的已观察到的位置的数量；s为隐层节点的数量；∈为估计误差；使用逻辑斯蒂函数作为隐层的激活函数。步骤2.3、搭建完毕后的训练：训练时将每个用户的记录都按时间先后顺序排序，将带有聚簇位置的时序信号三元组作为神经网络的输入，以最小化输出和真实位置的偏差为目标，采用随机梯度下降法，得到参数αj和βij的最优值配置，从而获得一个拥有最优参数配置的位置估计模型。步骤2.4、用带有最优参数配置的神经网络定位目标：给出目标的起始位置p(0)，计算接收到的新的信号三元组和所有聚簇中心的欧几里得距离，即新的信号三元组来自定位目标，如果聚簇序号K拥有最短距离，则p(0)＝k；使用训练得到的最优位置估计模型，从起始位置p(0)开始，获得位置的时间序列，基于已观察到的位置p(t)，p(t‑1)，p(t‑2)，…,p(t‑k+1)，使用式⑶计算出p(t+1)；步骤2.5、对步骤2.1～2.4中数据收集、EM聚类分析、神经网络位置估计实时进行，不断更新；借助新获取的信号三元组，能够周期性地训练最优位置估计模型；如果接收器能够检测到更多的信号发射器，更有效地区分不同的位置以提高定位准确度；步骤三、数据分析中心将目标的准确定位发送至移动终端。