一种Wi‑Fi位置指纹地图自动构建方法及系统与流程
本发明涉及位置服务技术领域，尤其涉及的是一种Wi-Fi位置指纹地图自动构建方法及系统。
背景技术：
Wi-Fi位置指纹法是一种常用的室内定位方法，这种方法可以利用现有的无线局域网基础设施，且通过智能手机即可实现定位，无需用户增加额外设备，因此其应用最为广泛。
现有的Wi-Fi位置指纹法包括离线指纹采集及在线定位两步。离线指纹采集的目的在于构建室内区域的Wi-Fi位置指纹数据库。在离线采集阶段，需要在每个采集点采集一段时间的数据，以提高位置指纹数据库的质量。而在线定位阶段，通过用户实时获取的Wi-Fi信号强度信息，利用定位算法将其与Wi-Fi位置指纹数据库中的信息进行匹配比较，从而估计用户的位置。
由上述Wi-Fi位置指纹定位的原理可知，Wi-Fi位置指纹数据库的构建准确与否非常重要。离线采集阶段需要大量的采集点样本，数据采集的工作量较大，特别是对于大范围的室内区域，位置指纹样本的采集工作需要耗费大量的人力物力，严重的限制了Wi-Fi位置指纹法的大规模普及和应用。
目前的Wi-Fi位置指纹自动构建及更新方法，使用行为地图匹配，通过众包轨迹数据自动构建Wi-Fi位置指纹地图。然而，这种方法只能得到地图约束较好区域的位置指纹，对于开阔区域，由于智能手机的行人航位推算方法精度较差，无法获取采集位置指纹时刻的位置标签，因此，该种方法的应用受到了很大的限制。
因此，现有技术还有待于改进和发展。
技术实现要素：
鉴于上述现有技术的不足，本发明的目的在于提供一种Wi-Fi位置指纹地图自动构建方法及系统，旨在解决现有技术中只能得到地图约束较好区域的位置指纹，对于开阔区域，由于智能手机的行人航位推算方法精度较差，无法获取采集位置指纹时刻的位置标签的问题。
本发明的技术方案如下：
一种Wi-Fi位置指纹地图自动构建方法，其中，所述方法包括以下步骤：
A、获取众包数据，使用行人航位推算方法、及机器学习方法构建Wi-Fi位置指纹地图，并根据室内地图筛选得到带有位置标签的Wi-Fi强度信息；
B、将带有位置标签的Wi-Fi强度信息作为高斯过程的训练样本，得到信号强度和位置信息的函数关系，求解高斯过程中的超参数，并根据超参数预测得到室内地图约束较差区域的Wi-Fi强度信息；其中，当室内地图障碍物之间距离大于预设的距离阈值、或者室内地图墙壁与障碍物之间的距离大于预设的距离阈值时，则该区域为室内地图约束较差区域。
所述Wi-Fi位置指纹地图自动构建方法，其中，所述步骤A具体包括：
A1、获取相关的众包数据；
A2、基于所述众包数据，使用行人航位推算方法计算获得用户的相对运动轨迹；
A3、通过机器学习方法识别包括若干种行为类型的用户的特定行为；
A4、构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；
A5、生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边；
A6、通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息；
A7、基于所述室内位置坐标信息及众包数据，构建地图约束较好区域的Wi-Fi位置指纹地图；其中，当室内地图障碍物之间距离小于或等于所述距离阈值、或者室内地图墙壁与障碍物之间的距离小于或等于所述距离阈值时，则该区域为室内地图约束较好区域；
A8、根据室内地图筛选得到带有位置标签的Wi-Fi强度信息，并作为样本。
所述Wi-Fi位置指纹地图自动构建方法，其中，所述步骤B具体包括：
B1、将样本中所包括的样本点记为{p1，...，pi，...pn}，样本点的Wi-Fi信号强度记为f，且根据高斯过程对样本点的Wi-Fi信号强度和位置信息建模，得到Wi-Fi信号强度和位置信息建模的函数关系；其中，将函数关系记为f，则f的分布为：
其中，m(·)为高斯过程的均值函数，k(·，·)为高斯过程的协方差函数；
B2、根据信号传播模型，对Wi-Fi信号强度和距离之间的关系进行建模，得到接收信号的强度f(pi)＝γ-10αlog10(||pi-ps||)+Ψ(pi，ps)；其中，γ为常数，α为信号路径衰减系数，Ψ(pi，ps)是描述Wi-Fi接入点位置ps和Wi-Fi接入点位置pi之间的信号衰减的位置相关的参数；
B3、根据训练样本Sj＝{(p1，f(p1))，(p2，f(p2))，...，(pn，f(pn))}，及包含了训练样本的二维坐标得到包含了训练样本中的Wi-Fi信号强度且包含了训练样本中的Wi-Fi信号强度中的fj服从多维联合高斯分并记为其中，C为n×n的矩阵，每个元素当i＝j时δij＝1，其他情况时δij＝0；dc是相关距离，为衰减方差，ε为测量噪声；
B4、将需要预测的位置p*处的信号强度表示为并将y和f组成一个(n+1)×1列的多维高斯变量[f；y]：由高斯随机变量的条件分布得到其中1≤i≤n，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度均值，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度方差。
所述Wi-Fi位置指纹地图自动构建方法，其中，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及Wi-Fi数据。
所述Wi-Fi位置指纹地图自动构建方法，其中，所述行人航位推算方法具体包括：
基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数；
通过步频步长模型，估算用户的行走步长；
依据磁力计数据获得用户的前进方向；
依据所述行进步数及行走步长，计算获得前进距离；并且依据所述前进距离及前进方向，生成用户的相对运动轨迹。
所述Wi-Fi位置指纹地图自动构建方法，其中，所述机器学习方法具体包括：
采集包含若干特定行为的样本时序数据；
通过预定长度的滑动窗口分割所述样本时序数据从而获得特定行为样本；
提取所述特定行为样本的特征；
基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；
使用相同的滑动窗口对所述众包数据进行分割，并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。
一种Wi-Fi位置指纹地图自动构建系统，其中，包括：
训练样本获取模块，用于获取众包数据，使用行人航位推算方法、及机器学习方法构建Wi-Fi位置指纹地图，并根据室内地图筛选得到带有位置标签的Wi-Fi强度信息；
预测模块，用于将带有位置标签的Wi-Fi强度信息作为高斯过程的训练样本，得到信号强度和位置信息的函数关系，求解高斯过程中的超参数，并根据超参数预测得到室内地图约束较差区域的Wi-Fi强度信息；其中，当室内地图障碍物之间距离大于预设的距离阈值、或者室内地图墙壁与障碍物之间的距离大于预设的距离阈值时，则该区域为室内地图约束较差区域。
所述Wi-Fi位置指纹地图自动构建系统，其中，所述训练样本获取模块具体包括：
数据获取单元，用于获取相关的众包数据；
相对运动轨迹生成单元，用于基于所述众包数据，使用行人航位推算方法计算获得用户的相对运动轨迹；
特定行为识别单元，用于通过机器学习方法识别包括若干种行为类型的用户的特定行为；
行为序列生成单元，用于构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；
点线模型生成单元，用于生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边；
匹配单元，用于通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息；
指纹地图生成单元，用于基于所述室内位置坐标信息及众包数据，构建地图约束较好区域的Wi-Fi位置指纹地图；其中，当室内地图障碍物之间距离小于或等于所述距离阈值、或者室内地图墙壁与障碍物之间的距离小于或等于所述距离阈值时，则该区域为室内地图约束较好区域；
样本获取单元，用于根据室内地图筛选得到带有位置标签的Wi-Fi强度信息，并作为样本。
所述Wi-Fi位置指纹地图自动构建系统，其中，所述预测模块具体包括：
函数关系获取单元，用于将样本中所包括的样本点记为{p1，...，pi，...pn}，样本点的Wi-Fi信号强度记为f，且根据高斯过程对样本点的Wi-Fi信号强度和位置信息建模，得到Wi-Fi信号强度和位置信息建模的函数关系；其中，将函数关系记为f，则f的分布为：
其中，m(·)为高斯过程的均值函数，k(·，·)为高斯过程的协方差函数；
样本点信号强度获取单元，用于根据信号传播模型，对Wi-Fi信号强度和距离之间的关系进行建模，得到接收信号的强度f(pi)＝γ-10αlog10(||pi-ps||)+Ψ(pi，ps)；其中，γ为常数，α为信号路径衰减系数，Ψ(pi，ps)是描述Wi-Fi接入点位置ps和Wi-Fi接入点位置pi之间的信号衰减的位置相关的参数；
训练单元，用于根据训练样本Sj＝{(p1，f(p1))，(p2，f(p2))，...，(pn，f(pn))}，及包含了训练样本的二维坐标得到包含了训练样本中的Wi-Fi信号强度且包含了训练样本中的Wi-Fi信号强度中的fj服从多维联合高斯分并记为其中，C为n×n的矩阵，每个元素当i＝j时δij＝1，其他情况时δij＝0；dc是相关距离，为衰减方差，ε为测量噪声；
均值及方差获取单元，用于将需要预测的位置p*处的信号强度表示为并将y和f组成一个(n+1)×1列的多维高斯变量[f；y]：由高斯随机变量的条件分布得到其中1≤i≤n，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度均值，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度方差。
所述Wi-Fi位置指纹地图自动构建系统，其中，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及Wi-Fi数据。
本发明所提供的Wi-Fi位置指纹地图自动构建方法及系统，方法包括：获取众包数据，使用行人航位推算方法、及机器学习方法构建Wi-Fi位置指纹地图，并根据室内地图筛选得到带有位置标签的Wi-Fi强度信息；将带有位置标签的Wi-Fi强度信息作为高斯过程的训练样本，得到信号强度和位置信息的函数关系，求解高斯过程中的超参数，并根据超参数预测得到室内地图约束较差区域的Wi-Fi强度信息。本发明采用高斯过程回归，基于地图约束较好区域的Wi-Fi位置指纹信息，预测开阔区域的Wi-Fi位置指纹，从而实现整个室内区域的Wi-Fi位置指纹地图自动构建。
附图说明
图1为本发明所述Wi-Fi位置指纹地图自动构建方法较佳实施例的流程图。
图2为本发明所述Wi-Fi位置指纹地图自动构建方法中室内区域的示意图。
图3为本发明所述Wi-Fi位置指纹地图自动构建系统较佳实施例的功能结构框图。
具体实施方式
本发明提供一种Wi-Fi位置指纹地图自动构建方法及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明所述Wi-Fi位置指纹地图自动构建方法较佳实施例的流程图，所述方法包括以下步骤：
步骤S100、获取众包数据，使用行人航位推算方法、及机器学习方法构建Wi-Fi位置指纹地图，并根据室内地图筛选得到带有位置标签的Wi-Fi强度信息；
步骤S200、将带有位置标签的Wi-Fi强度信息作为高斯过程的训练样本，得到信号强度和位置信息的函数关系，求解高斯过程中的超参数，并根据超参数预测得到室内地图约束较差区域的Wi-Fi强度信息；其中，当室内地图障碍物之间距离大于预设的距离阈值、或者室内地图墙壁与障碍物之间的距离大于预设的距离阈值时，则该区域为室内地图约束较差区域。
采用现有的Wi-Fi位置指纹地图构建方法，可以得到地图约束区域较好的Wi-Fi位置指纹信息，即每个坐标对应的Wi-Fi信号强度。可以得到图2种细长的走廊区域(位于图2中天井的周围)的位置指纹，而对于开阔区域(如图2中的长方块区域)，由于地图约束较差，无法使用一维的电线模型描述整个区域，因此，无法得到该区域的位置指纹强度。在步骤S200中，预设的距离阈值的最佳值为2m，且距离阈值可调整大小，并跟室内地图的精度相关。
本发明的实施例中，首先通过地图约束较好区域得到的Wi-Fi位置指纹地图作为训练样本，得到高斯过程回归模型的超参数，在此基础上，预测开阔区域的Wi-Fi位置指纹。
优选的，所述步骤S100具体包括：
步骤S101、获取相关的众包数据。
所述众包数据是指从若干众包用户的终端上获取的多种不同类型的传感器数据。众包是指一种非选择指向的模式，亦即包含有各种不同类型、各种范围的用户。
所述用户的终端可以是任何合适的，至少具有一个传感器的终端设备，例如智能手机、智能手表、各种可穿戴设备等等。
具体的，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及Wi-Fi数据。其中Wi-Fi数据可以包括MAC地址、SSID、强度RSSI。
步骤S102、基于所述众包数据，使用行人航位推算方法计算获得用户的相对运动轨迹。
具体的，所述行人航位推算方法具体包括：
基于所述加速度数据，通过峰值检测算法计算获得用户的行进步数；
通过步频步长模型，估算用户的行走步长；
依据磁力计数据获得用户的前进方向；
依据所述行进步数及行走步长，计算获得前进距离；并且依据所述前进距离及前进方向，生成用户的相对运动轨迹。
所述步频步长模型具体可以由如下算式所定义：
sl＝a·f+b
其中，sl为步长，f为步频，a和b为常数参数。
依据所述行进步数及行走步长，将两者相乘即可计算获得前进距离。最后，依据所述前进距离及前进方向，生成用户的相对运动轨迹(S24)。
所述相对运动轨迹可以由xy坐标轴上对应的坐标来表示。具体可以通过如下公式计算：
其中，xt和yt分别为t时刻用户的位置，xt-1和yt-1分别为t-1时刻用户的位置，Δd为前进距离，为前进方向。
步骤S103、通过机器学习方法识别包括若干种行为类型的用户的特定行为。
所述特定行为具体是指用户(行人)在室内特殊位置的行为(亦即除正常行走外的一些行为类型)，例如，行人在转角处的转弯行为，行人在乘电梯时发生的超重和失重行为等。
通过众包数据(例如加速度计、陀螺仪、磁力计和气压计数据)，可以使用合适的机器学习方法识别出上述不同的行为类型。
所述机器学习方法具体包括：
采集包含若干特定行为的样本时序数据；
通过预定长度的滑动窗口分割所述样本时序数据从而获得特定行为样本；
提取所述特定行为样本的特征；
基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器；
使用相同的滑动窗口对所述众包数据进行分割，并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。
即首先，采集包含若干特定行为的样本时序数据。一般而言，移动终端(例如智能手机)的传感器数据(亦即众包数据)均为时序数据。
然后，通过预定长度的滑动窗口分割所述样本时序数据从而获得每个特定行为样本。时间窗口可以设置为2秒。
然后，提取所述特定行为样本的特征。所使用的特征具体可以依据实际情况进行选择并确定。例如基于本发明具体实施例的众包数据的数据类型，可以使用三轴加速度的均值和标准差、三轴角速度的均值和标准差以及气压的变化值作为样本的特征。
其具体计算方法由如下算式表示：
其中和σa为三轴加速度的均值和标准差，和σg为三轴角速度的均值和标准差，Δp为气压的变化值，n为行为样本中传感器数据的个数，np为用户计算气压均值的数据个数，为常数np≤n
然后进入训练阶段：基于所述特定行为样本的特征，训练用于对特定行为进行分类的分类器。具体选择使用的分类器及相对应的分类器参数可以又实际情况所决定。
最后，使用相同的滑动窗口对所述众包数据进行分割并且使用训练完成的分类器进行分类，生成所述众包数据的特定行为的类型。
步骤S104、构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型。
将上述步骤得到的相对运动轨迹以及特定行为的识别结果进行建模，即可获得包含有特定行为之间的相对空间关系以及特定行为种类的模型，在此使用“行为序列模型”这一词语表示这一模型。
步骤S105、生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边。
所述点线模型可以通过手动方法实现，也可以通过自动方法获得。例如，可以使用voronoi图方法生成室内地图的点线模型，也可以使用其他合适的自动生成方法获得符合使用要求的点线模型。
步骤S106、通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息。
步骤S106具体包括：
首先，使用隐马尔可夫模型匹配特定行为发生位置与所述点线模型的相对应的点。
其具体的匹配方法如下：
1、隐状态：图结构中的节点。
2、观测值：行人航位推算得到的特定行为发生时刻之间的相对位移。
3、状态转移概率：当识别出一个特定行为时，会生成一个隐状态之间的的转移概率。通过室内地图的拓扑结构，可以得到隐状态之间的转移概率矩阵。因为行人(用户)只能在相邻的点之间移动，所以可以假设每个点与它相邻点的转移概率为均匀分布，由此可以得到整个室内地图的状态转移矩阵。例如如图3所示，为本发明所述状态转移概率计算的示意图。
4、输出概率：输出概率描述每个隐状态下观测值的概率分布。在本发明所采用的隐马尔可夫模型中，观测值为由行人航位推算得到的特定行为之间的相对位移。
根据行人航位推算的原理，相对位移误差由距离估计误差和角度误差两部分组成。因此，观测值概率分布由距离观测值概率分布和角度观测值概率分布两部分组成。由于距离和角度观测值是相互独立的，因此观测值概率分布为：其中，σd是距离测量值的标准差，是角度测量值的标准差。
5、初始概率分布：初始概率分布假设为均匀分布，当识别出第一个特定行为时，认为此时的位置在每个相应节点的概率相等。
6、维特比算法：维特比算法用于寻找与用户的相对运动轨迹匹配概率最大的隐状态序列，即通过用户的相对运动轨迹中包含的特定行为以及特定行为之间的相对位移，将用户相对运动轨迹与点线模型中的点进行匹配，从而实现对相对运动位移中的每一步进行定位。使用数学模型表示O＝(O1,O2,...,OT)为轨迹中包含的特定行为，维特比变量通过下式定义：
其中，δt(i)是时刻t在状态i的概率，aij是状态i到j的状态转移概率，bj(Ot+1)为状态j的观测值输出概率。为了得到可能性最大的状态，ρt+1(j)定义如下：
根据行为识别得到的轨迹中连续多个特定行为，通过与点线模型中的若干点匹配，得到轨迹的绝对坐标(室内地图的坐标位置)，将与轨迹中特定行为匹配的点称作“节点链”。使用下式计算每个获选节点链的概率：
pt+1(j)＝pt(i)·aij·bj(Ot+1),1≤t≤T
其中，pt(i)是t时刻候选节点链的概率。当最大候选节点链的概率值与概率值次大的节点链概率值之比大于阈值C时，概率值最大的候选节点链即为匹配的结果。
然后，依据行为序列模型中，相邻特定行为之间的步数及点线模型中相对应的两个点之间的距离计算获得每一步在室内地图中对应的坐标信息。亦即根据轨迹中特定行为之间的步数，将轨迹进行插值，根据室内路网中节点之间的距离，得到每一步的绝对坐标信息。
步骤S107、基于所述室内位置坐标信息及众包数据，构建地图约束较好区域的Wi-Fi位置指纹地图；其中，当室内地图障碍物之间距离小于或等于所述距离阈值、或者室内地图墙壁与障碍物之间的距离小于或等于所述距离阈值时，则该区域为室内地图约束较好区域。
步骤S107中具体包括：
首先，将所述室内地图网格化。即使用等间距的纵向及横向线将室内地图划分为一个个大小相同的网格。
然后，依据相对运动轨迹的室内地图坐标信息，选择与网格中心距离最近的Wi-Fi信息作为网格的第一位置指纹信息。
亦即，对于每一相对运动轨迹，根据轨迹中用户每一步的位置信息，选择与其欧式距离最近的Wi-Fi格网中心坐标，作为该步检测时刻获取的Wi-Fi指纹的坐标信息。
对众包数据中的多个相对运动轨迹重复执行前述步骤，获得多个第一位置指纹信息。
最后，将与多个相对运动轨迹相对应的网格的多个第一位置指纹信息平均后形成网格的第二位置指纹信息。具体的，所述位置指纹可以是每个AP(即热点，可根据MAC地址确认)的信号强度的平均值。
所述众包数据中包含多条相对运动轨迹(与不同的用户相对)。因此，通过整合上述众包数据及运算得出的绝对位置(即室内位置坐标信息)可以构建最终的Wi-Fi位置指纹地图或者指纹地图数据库。
步骤S108、根据室内地图筛选得到带有位置标签的Wi-Fi强度信息，并作为样本。
通过筛选(将地图约束较好，例如走廊区域的指纹挑选出来)，可以得到带有位置标签的Wi-Fi强度信息，以此作为样本。假设得到n个样本，表示为：其中(xi，yi)是第i个样本的坐标信息，是第i个样本中第j个Wi-Fi接入点的信号强度，1＜i＜n，1＜j＜m，n为样本的数目，m为样本中包含的Wi-Fi接入点的数目。
优选的，所述步骤S200具体包括：
步骤S201、将样本中所包括的样本点记为{p1，...，pi，...pn}，样本点的Wi-Fi信号强度记为f，且根据高斯过程对样本点的Wi-Fi信号强度和位置信息建模，得到Wi-Fi信号强度和位置信息建模的函数关系；其中，将函数关系记为f，则f的分布为：
其中，m(·)为高斯过程的均值函数，k(·，·)为高斯过程的协方差函数。
整个室内区域可以划分成R个格网，其中n个为通过行为地图匹配得到的样本，n＜R。本方法通过众包轨迹得到的样本，预测整个室内区域剩下格网的Wi-Fi信号强度，两者分别记为：S和A，
假设整个室内区域有m个Wi-Fi接入点，位置pi处接收到的第j个Wi-Fi接入点的信号强度表示为函数fj(pi)，pi＝(xi，yi)，(不失一般性，为了简化公式表示，将之后公式里下标j去掉)该点的信号强度观测值则为：
y(pi)＝f(pi)+ε (1)
其中，ε为测量噪声，为正态高斯分布
使用高斯过程对f(pi)进行建模，该高斯过程通过样本集S进行训练，通过训练得到高斯过程回归的超参数，最后通过训练出的超参数，对未知区域的格网信号强度进行预测，以此实现整个室内区域的Wi-Fi位置指纹地图自动构建及更新。
步骤S202、根据信号传播模型，对Wi-Fi信号强度和距离之间的关系进行建模，得到接收信号的强度f(pi)＝γ-10αlog10(||pi-ps||)+Ψ(pi，ps)；其中，γ为常数，α为信号路径衰减系数，Ψ(pi，ps)是描述Wi-Fi接入点位置ps和Wi-Fi接入点位置pi之间的信号衰减的位置相关的参数。
S＝(<p1，rss1>，<p2，rss2>，...，<pn，rssn>)为所述得到的带有位置标签的样本，样本点为{p1，...，pi，...pn}}，这些样本点的信号强度表示为使用高斯过程对样本点的信号强度和位置信息进行建模，得到信号强度和位置信息的函数关系f，该高斯过程的均值函数为m(·)，协方差函数为k(·，·)。则具有如下分布：
通常使用如下形式表示高斯过程：
m(p)＝E[f(p)] (4)
k(p，p′)＝E[(f(p)-m(p))(f(p′)-m(p′))] (5)
发明的目的是通过高斯过程预测各个输入位置坐标点处的信号强度，fj(p*)为位置p*处Wi-Fi接入点j的信号强度。
将fj(pi)建模成高斯过程(公式(3)-(5))：
这里使用开放空间的信号传播模型(不局限于该信号传播模型)对Wi-Fi信号强度和距离之间的关系进行建模，接收信号强度(单位为dB)可以描述为：
f(pi)＝γ-10αlog10(||pi-ps||)+Ψ(pi，ps) (7)
其中，γ为常数，α为信号路径衰减系数，Ψ(pi，ps)为位置相关的参数，描述了Wi-Fi接入点位置ps和位置pi之间的信号衰减。假设Ψ(pi，ps)服从正态分布，即：
其中，为衰减方差。
位置pi和pj的协方差由下式得到：
其中，dc是相关距离。
步骤S203、根据训练样本Sj＝{(p1，f(p1))，(p2，f(p2))，...，(pn，f(pn))}，及包含了训练样本的二维坐标得到包含了训练样本中的Wi-Fi信号强度且包含了训练样本中的Wi-Fi信号强度中的fj服从多维联合高斯分并记为其中，C为n×n的矩阵，每个元素当i＝j时δij＝1，其他情况时δij＝0；dc是相关距离，为衰减方差，ε为测量噪声。
步骤S204、将需要预测的位置p*处的信号强度表示为并将y和f组成一个(n+1)×1列的多维高斯变量[f；y]：由高斯随机变量的条件分布得到其中1≤i≤n，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度均值，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度方差。
Sj＝{(p1，f(p1))，(p2，f(p2))，...，(pn，f(pn))}为训练样本，其中f(·)由公式(1)得到，n为训练样本的个数。为n×2的矩阵，包含了训练样本的二维坐标。为n维的列向量，包含了训练样本中的接收信号强度。
由于公式(1)中的ε为正态高斯分布，因此fj(pi)为两个高斯随机变量的和。因此，噪声观测向量fj服从多维联合高斯分布：
其中，C为n×n的矩阵，每个元素当i＝j时，δij＝1，其他情况，δij＝0。
用表示需要预测的位置为p*处的信号强度。y和f组成一个(n+1)×1列的多维高斯变量[f；y]：
其中，
由高斯随机变量的条件分布可得：
通过公式(12)-(14)，采用高斯过程回归，可以预测没有采集样本区域的信号强度的均值(公式(13))和方差(公式(14))。
基于上述方法实施例，本发明还提供一种Wi-Fi位置指纹地图自动构建系统。如图3所示，所述Wi-Fi位置指纹地图自动构建系统包括：
训练样本获取模块100，用于获取众包数据，使用行人航位推算方法、及机器学习方法构建Wi-Fi位置指纹地图，并根据室内地图筛选得到带有位置标签的Wi-Fi强度信息；
预测模块200，用于将带有位置标签的Wi-Fi强度信息作为高斯过程的训练样本，得到信号强度和位置信息的函数关系，求解高斯过程中的超参数，并根据超参数预测得到室内地图约束较差区域的Wi-Fi强度信息；其中，当室内地图障碍物之间距离大于预设的距离阈值、或者室内地图墙壁与障碍物之间的距离大于预设的距离阈值时，则该区域为室内地图约束较差区域。
优选的，在所述Wi-Fi位置指纹地图自动构建系统中，所述训练样本获取模块具体包括：
数据获取单元，用于获取相关的众包数据；
相对运动轨迹生成单元，用于基于所述众包数据，使用行人航位推算方法计算获得用户的相对运动轨迹；
特定行为识别单元，用于通过机器学习方法识别包括若干种行为类型的用户的特定行为；
行为序列生成单元，用于构建相对运动轨迹中的特定行为的类型以及特定行为之间的相对空间关系形成的行为序列模型；
点线模型生成单元，用于生成室内地图的点线模型，其中，所述点为发生所述特定行为的位置，线为连接点的边；
匹配单元，用于通过隐马尔科夫模型，匹配所述点线模型与行为序列模型从而获得相对运动轨迹的室内地图坐标信息；
指纹地图生成单元，用于基于所述室内位置坐标信息及众包数据，构建地图约束较好区域的Wi-Fi位置指纹地图；其中，当室内地图障碍物之间距离小于或等于所述距离阈值、或者室内地图墙壁与障碍物之间的距离小于或等于所述距离阈值时，则该区域为室内地图约束较好区域；
样本获取单元，用于根据室内地图筛选得到带有位置标签的Wi-Fi强度信息，并作为样本。
优选的，在所述Wi-Fi位置指纹地图自动构建系统中，所述预测模块具体包括：
函数关系获取单元，用于将样本中所包括的样本点记为{p1，...，pi，...pn}，样本点的Wi-Fi信号强度记为f，且根据高斯过程对样本点的Wi-Fi信号强度和位置信息建模，得到Wi-Fi信号强度和位置信息建模的函数关系；其中，将函数关系记为f，则f的分布为：
其中，m(·)为高斯过程的均值函数，k(·，·)为高斯过程的协方差函数；
样本点信号强度获取单元，用于根据信号传播模型，对Wi-Fi信号强度和距离之间的关系进行建模，得到接收信号的强度f(pi)＝γ-10αlog10(||pi-ps||)+Ψ(pi，ps)；其中，γ为常数，α为信号路径衰减系数，Ψ(pi，ps)是描述Wi-Fi接入点位置ps和Wi-Fi接入点位置pi之间的信号衰减的位置相关的参数；
训练单元，用于根据训练样本Sj＝{(p1，f(p1))，(p2，f(p2))，...，(pn，f(pn))}，及包含了训练样本的二维坐标得到包含了训练样本中的Wi-Fi信号强度且包含了训练样本中的Wi-Fi信号强度中的fj服从多维联合高斯分并记为其中，C为n×n的矩阵，每个元素当i＝j时δij＝1，其他情况时δij＝0；dc是相关距离，为衰减方差，ε为测量噪声；
均值及方差获取单元，用于将需要预测的位置p*处的信号强度表示为并将y和f组成一个(n+1)×1列的多维高斯变量[f；y]：由高斯随机变量的条件分布得到其中1≤i≤n，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度均值，为Wi-Fi位置指纹地图未带有位置标签的Wi-Fi强度方差。
优选的，在所述Wi-Fi位置指纹地图自动构建系统中，所述众包数据包括：众包用户的加速度数据、陀螺仪数据、磁力计数据、气压计数据以及Wi-Fi数据。
综上所述，本发明所提供的Wi-Fi位置指纹地图自动构建方法及系统，方法包括：获取众包数据，使用行人航位推算方法、及机器学习方法构建Wi-Fi位置指纹地图，并根据室内地图筛选得到带有位置标签的Wi-Fi强度信息；将带有位置标签的Wi-Fi强度信息作为高斯过程的训练样本，得到信号强度和位置信息的函数关系，求解高斯过程中的超参数，并根据超参数预测得到室内地图约束较差区域的Wi-Fi强度信息。本发明采用高斯过程回归，基于地图约束较好区域的Wi-Fi位置指纹信息，预测开阔区域的Wi-Fi位置指纹，从而实现整个室内区域的Wi-Fi位置指纹地图自动构建。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！