CN110493731B - 移动轨迹获取方法、装置、存储介质以及设备 - Google Patents
移动轨迹获取方法、装置、存储介质以及设备 Download PDFInfo
- Publication number
- CN110493731B CN110493731B CN201910848820.9A CN201910848820A CN110493731B CN 110493731 B CN110493731 B CN 110493731B CN 201910848820 A CN201910848820 A CN 201910848820A CN 110493731 B CN110493731 B CN 110493731B
- Authority
- CN
- China
- Prior art keywords
- sample
- acquiring
- geographic area
- current moment
- target geographic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 230000007704 transition Effects 0.000 claims description 34
- 238000012952 Resampling Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 239000002245 particle Substances 0.000 description 112
- 239000000523 sample Substances 0.000 description 105
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 238000009826 distribution Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011164 primary particle Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种移动轨迹获取方法、装置、存储介质以及设备，属于无线网络通信领域。包括：对目标地理区域进行采样，得到表征移动对象在目标地理区域内可能出现位置的多个样本；在完成采样后对移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息；获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重；基于生成的样本在当前时刻的位置信息和权重，确定当前时刻移动对象在目标地理区域内的出现位置；按照时间顺序，连接移动对象各个时刻在目标地理区域内的出现位置，得到移动轨迹。支持快速复用和大规模扩展。
Description
技术领域
本申请涉及无线网络通信技术领域，特别涉及一种移动轨迹获取方法、装置、存储介质以及设备。
背景技术
随着无线网络的快速发展以及移动终端的迅速普及，基于无线网络和移动终端的室内定位技术在商业领域中发挥了巨大的作用。比如，通过商场内开放的无线网络和商场内行人手持的移动终端，便可获取商场内行人的移动轨迹，进而基于获取到的移动轨迹，执行分析用户兴趣爱好以及优化用户体验等操作。
继续以商场为例，相关技术中行人的移动轨迹的获取过程通常为：事先由专业人员手持专业设备在商场中各个参考位置点采集RSSI(Received Signal StrengthIndication，接收信号强度指示)值，并将采集到的RSSI值的集合作为指纹信息收集到数据库中。在定位阶段，当得到行人通过移动终端测试的指纹信息后，将该指纹信息与数据库中存储的指纹信息作基于相似度的对比，将最相似的指纹信息所在的位置确定为行人位置，进而基于定位到的行人位置获取行人的移动轨迹。
针对上述移动轨迹获取方式，由于需要事先在商场内各个参考位置点进行指纹信息采集，因此线下工作量较大，难以复用和大规模扩展，即通用性差，另外，当商场内部署变更后往往还需要重新采集指纹信息，效果较差。
发明内容
本申请实施例提供了一种移动轨迹获取方法、装置、存储介质以及设备，解决了相关技术存在的因需要事先在商场内各个参考位置点进行指纹信息采集，进而导致的线下工作量大，难以复用和大规模扩展，效果较差的问题。所述技术方案如下：
一方面，提供了一种移动轨迹获取方法，所述方法包括：
对目标地理区域进行采样，得到表征移动对象在所述目标地理区域内可能出现位置的多个样本；
在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息；
获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重；
基于生成的样本在当前时刻的位置信息和权重，确定当前时刻所述移动对象在所述目标地理区域内的出现位置；
按照时间顺序，连接所述移动对象各个时刻在所述目标地理区域内的出现位置，得到所述移动对象的移动轨迹。
另一方面，提供了一种移动轨迹获取装置，所述装置包括：
样本初始化模块，用于对目标地理区域进行采样，得到表征移动对象在所述目标地理区域内可能出现位置的多个样本；
样本位置更新模块，用于在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息；
样本权重更新模块，用于在完成采样后对所述移动对象进行位置估计的各个时刻，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重；
位置估计模块，用于在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在当前时刻的位置信息和权重，确定当前时刻所述移动对象在所述目标地理区域内的出现位置；
移动轨迹生成模块，用于按照时间顺序，连接所述移动对象各个时刻在所述目标地理区域内的出现位置，得到所述移动对象的移动轨迹。
在一种可能的实现方式中，所述样本权重更新模块，还用于获取部署于所述目标地理区域内的各个接入点探测到的原始数据，所述原始数据中包括探测到的终端的身份标识和探测到终端的位置处的信号强度，其中，一个终端对应一个移动对象；在探测到的原始数据中，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度。
在一种可能的实现方式中，所述装置还包括：
数据预处理模块，用于对所述探测到的原始数据进行数据预处理；
所述样本权重更新模块，还用于在经过预处理后的原始数据中，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度；
其中，所述原始数据中还包括时间戳，所述数据预处理包括以下至少一项：
对所述原始数据中的冗余数据进行过滤处理，所述冗余数据至少包括异常数据和与所述移动对象无关的数据；
按照所述探测到的终端的身份标识和所述时间戳，将所述原始数据中包括的信号强度数据进行划分，形成以所述身份标识和所述时间戳作为索引，以所述信号强度数据作为值的对应关系。
在一种可能的实现方式中，所述样本权重更新模块，还用于对于每一个样本，获取所述样本在上一时刻的权重；在所述获取的信号强度中，获取所述各个接入点在所述样本所在的位置处探测到的信号强度；基于所述路径损耗模型，获取在所述样本所在的位置处探测到的信号强度的似然概率；基于所述样本在上一时刻的权重和所述似然概率，获取所述样本在当前时刻的权重；
其中，所述样本在当前时刻的权重正比于所述似然概率。
在一种可能的实现方式中，所述装置还包括；
参数估计模块，用于获取所述路径损耗模型中参考信号强度和路径损耗指数的取值；
其中，所述参数估计模块，还用于当部署于所述目标地理区域内的各个接入点之间的距离小于距离阈值时，获取所述各个接入点相互探测时收集到的信号强度数据，根据所述各个接入点之间的距离和所述收集到的信号强度数据，拟合出所述参考信号强度和所述路径损耗指数的取值；或，当所述各个接入点之间的距离大于所述距离阈值时，获取探测设备在不同位置处对所述各个接入点进行探测时采集到的信号强度数据；基于所述在不同位置处采集到的信号强度数据，获取所述参考信号强度和所述路径损耗指数的取值。
在一种可能的实现方式中，所述样本位置更新模块，还用于获取状态转移模型；基于生成的样本在上一时刻的位置信息和所述状态转移模型，获取生成的样本在当前时刻的位置信息。
在一种可能的实现方式中，所述样本位置更新模块，还用于获取上一时刻与当前时刻的时间间隔，获取所述移动对象的最大移动速度；根据所述时间间隔和所述最大移动速度，确定移动距离；对于每一个样本，根据所述样本在上一时刻的横坐标位置、所述移动距离、所述样本的移动角度的正弦值和所述状态转移模型，获取所述样本在当前时刻的横坐标位置；根据所述样本在上一时刻的纵坐标位置、所述移动距离、所述样本的移动角度的余弦值和所述状态转移模型，获取所述样本在当前时刻的纵坐标位置；
其中，所述移动角度服从(0,2π)的均匀分布。
在一种可能的实现方式中，所述装置还包括：
样本重采样模块，用于对于每个样本，在获取到所述样本在当前时刻的权重后，基于所述样本在当前时刻的权重获取有效样本数；当获取到的有效样本数小于数量阈值时，进行样本重新采样；
其中，重新采样后的样本在一个位置处的出现概率与重新采样之前所述位置处的样本的权重成正比，且重新采样后的不同样本之间权重相等。
在一种可能的实现方式中，所述移动轨迹生成模块，还用于将所述移动对象在前预设数目个时刻的出现位置数据过滤掉；按照时间顺序，连接所述移动对象在剩余多个时刻的出现位置，得到所述移动对象的移动轨迹。
在一种可能的实现方式中，所述样本初始化模块，还用于基于二维均匀分布对所述目标地理区域进行多次随机采样；其中，所述多个样本的初始权重相等且所述多个样本均匀地分布在所述目标地理区域内。
在一种可能的实现方式中，所述样本权重更新模块，还用于对生成的样本在当前时刻的权重进行归一化处理。
在一种可能的实现方式中，所述位置估计模块，还用于基于生成的样本在当前时刻的权重，对生成的样本在当前时刻的位置信息进行加权平均，得到当前时刻所述移动对象在所述目标地理区域内的出现位置。
另一方面，提供了一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的移动轨迹获取方法。
另一方面，提供了一种电子设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述的移动轨迹获取方法。
本申请实施例提供的技术方案带来的有益效果是：
本申请实施例在获取任意一个移动对象的移动轨迹时，可以先进行样本初始化，即对目标地理区域进行采样，得到表征移动对象在目标地理区域内可能出现位置的多个样本；在完成采样后周期性地进行位置估计，即在进行位置估计的各个时刻，本申请实施例会基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息；另外，还会进行样本的权重更新，即获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度，进而基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重；之后，基于生成的样本在当前时刻的位置信息和权重，即可确定当前时刻移动对象的出现位置；而重复执行上述样本的位置状态更新、权重更新以及位置估计过程，便可得到移动对象在各个时刻的出现位置，进而按照时间顺序连接移动对象各个时刻的出现位置，即可得到移动对象的移动轨迹。
基于以上描述可知，本申请实施例在计算任意一个移动对象的移动轨迹时，仅需获取与该移动对象携带的终端的身份标识匹配的信号强度即可，对该移动对象的位置估计无需进行基于信号强度的相似度比对，所以也就无需事先在目标地理区域内的各个参考位置点进行指纹信息采集，由于该种方法无需事先进行指纹信息采集，因此线下工作量较小，易于实现，支持快速复用和大规模扩展，通用性较好，即使目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种移动轨迹获取方法涉及的实施环境示意图；
图2是本申请实施例提供的一种移动轨迹的产品效果图；
图3是本申请实施例提供的一种移动轨迹获取方法的整体执行流程图；
图4是本申请实施例提供的一种移动轨迹获取方法的流程图；
图5是本申请实施例提供的一种粒子初始化完成后的粒子分布示意图；
图6是本申请实施例提供的一种粒子发生状态转移后的粒子分布示意图；
图7是本申请实施例提供的一种粒子权重更新后的效果图；
图8是本申请实施例提供的一种粒子重新采样后的粒子分布示意图；
图9是本申请实施例提供的一种进行位置估计后的位置分布示意图；
图10是本申请实施例提供的一种移动轨迹的产品效果图；
图11是本申请实施例提供的一种移动轨迹的产品效果图；
图12是本申请实施例提供的一种移动轨迹的产品效果图；
图13是本申请实施例提供的一种移动轨迹的产品效果图；
图14是本申请实施例提供的一种移动轨迹获取方法的流程图；
图15是本申请实施例提供的一种移动轨迹获取装置的结构示意图；
图16是本申请实施例提供的一种移动轨迹获取装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在对本申请实施例进行详细地解释说明之前，先对本申请实施例涉及的缩略语和关键术语进行定义。
AP(Access Point，接入点)：通常意义上来讲，AP是一种提供连接无线网络至有线网络的设备，即AP是移动终端进入有线网络的接入点。
在本申请实施例中，AP主要指代能够探测临近可无线上网的移动终端的MAC(Media Access Control,媒体接入控制)地址和信号强度的设备，例如无线路由器和WiFi(Wireless Fidelity,无线保真)探针。
MAC地址：指代设备用于上网的设备标识符，其为硬件地址，通过MAC地址能够识别手机等移动终端。其中，一台设备通常对应一个MAC地址；某些厂商出于隐私的考虑，可能会采用随机生成的MAC地址。
RSSI：指代收发设备之前的信号强度。
在本申请实施例中，RSSI用于表示AP与移动终端之间的信号强度。
一般来说，距离越近信号越强，距离越远信号越若。因此，可以通过RSSI来反推AP与移动终端之间的距离。
WiFi探针：一种基于WiFi探测技术自动识别附近已开启WiFi功能的设备。WiFi探针可以获得附近已开启WiFi功能的设备的MAC地址和RSSI值等数据。
其中，上述设备包括但不限于智能手机、笔记本电脑、平板电脑等。作为一个示例，WiFi探针的用途包括但不限于部署在商铺内进行客流监测等。
对数距离路径损耗模型(Log-distance Path Loss Model)：根据无线电在自由空间传播的特性，可以推出接收信号的能量与距离对数正相关，其中，对数距离路径损耗模型如下：
其中，RSSI表示收发设备之间距离为d时的信号强度值；RSSI0为在近距离d0处的参考信号强度值；作为一个示例，d0的取值通常为1米；A为路径损耗指数，表明路径损耗随距离增长的速率，它的取值依赖于周围环境和建筑物类型。
贝叶斯定理(Bayes'Theorem)：用来描述两个条件概率之间的关系。
换一种表达方式，贝叶斯定理是一则通过先验概率和似然性计算后验概率的定理，即后验概率＝(似然性*先验概率)/标准化常量，计算公式如下：
其中，H为需要计算概率的假设，D为观测数据，那么，p(H|D)即为在观测到数据D的条件下H成立的概率，即后验概率；p(H)为在未考虑数据D之前的概率，即先验概率；p(D|H)为在H假设的条件下观测到数据D的概率，即似然概率；p(D)为在任何条件下观测到数据D的概率，其是一个标准化常量。
马尔可夫链(Markov chain)：一种“无记忆”的随机过程，即下一状态的概率分布只能由当前状态决定，在时间序列中位于当前状态前面的事件均与下一状态无关。
粒子滤波(Particle Filtering)：基于蒙特卡洛方法，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。
简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本，对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这些样本被形象的称为“粒子”，故而叫粒子滤波。
换一种表达方式，粒子滤波是一种通过一组具有权重的随机样本来表示随机事件的后验概率，从含有噪声或不完整的观测序列中，估计出动态系统的状态的蒙特卡罗方法。
下面对本申请实施例提供的一种移动轨迹获取方法涉及的实施环境进行介绍说明。
参见图1，该实施环境包括：接入点101、移动对象携带的终端102和用于执行本申请实施例提供的移动轨迹获取方法的设备103。
其中，接入点101的个数通常为多个，部署在目标地理区域内，该目标地理区域可为任意有统计客流需求的地理区域，比如商场等客流量较大的场所，本申请实施例对此不进行具体限定。另外需要说明的一点是，接入点101在本申请实施例中主要指代能够探测临近可无线上网的移动终端的身份标识和信号强度的设备，例如无线路由器和WiFi探针。
作为一个示例，上述身份标识在本申请实施例中可指代终端的MAC地址。
针对终端102来讲，其通常为移动终端，类型包括但不限于智能手机、平板电脑等等。当移动对象携带终端102在目标地理区域内移动时，能够被部署在不同位置的接入点探测到。
在一种可能的实现方式中，设备103可以为服务器，设备103用于收集接入点101探测到的终端的身份标识和探测到终端的位置处的信号强度，并据此分析出移动对象在目标地理区域内的移动轨迹，图2示出了移动轨迹的产品效果图。在本申请实施例中，移动对象可以为目标地理区域内的行人。
作为一个示例，设备103可以将分析出的各个移动对象的移动轨迹推送至其他终端进行前台显示，比如，以网页形式将客人的移动轨迹推送给商家的终端，进而商家便可查看不同客人在商场内的移动轨迹。
详细来讲，本申请实施例提出了一种基于接入点101探测到的MAC地址和信号强度进行移动对象的移动轨迹分析方法。通过该方法能够了解移动对象在目标地理区域内的移动轨迹，比如能够获知各个用户在商场内的移动轨迹，从而达到了解用户的兴趣以优化用户体验的目的。
如图3所示，本申请实施例主要通过下述流程来获取移动对象的移动轨迹：
a、在接入点探测到原始数据后，对探测到的原始数据进行数据预处理。
其中，原始数据在本申请实施例中是对接入点探测到的MAC地址和信号强度的统称。
b、对路径损耗模型进行参数估计。其中，该路径损耗模型指代前述提及的对数距离路径损耗模型，本步骤即是对路径损耗模型中的参考信号强度和路径损耗指数进行估计。
需要说明的是，上述步骤a和b与下述步骤c和d的先后执行顺序任意，本申请实施例对此不进行具体限定。
c、进行粒子初始化。其中，粒子在本申请实施例中用于表征移动对象在目标地理区域内的可能出现位置。
d、基于状态转移模型进行粒子的状态转移。
e、基于贝叶斯定理进行粒子权重更新，以及进行粒子重采样。
f、结合粒子滤波算法对移动对象进行位置估计。
g、将估计出来的多个位置连接起来，得到移动对象在目标地理区域内的移动轨迹。
基于以上描述可知，随着移动对象在目标地理区域内的移动，其在不同位置时会被安装部署在不同位置的接入点探测到。由于同一个移动对象携带的终端的MAC地址通常不会改变，因此在本申请实施例中，可以将各个接入点探测到的同一个MAC地址作为携带相应终端的移动对象的身份标识，再结合各个接入点的位置部署信息，不同位置处的接入点探测同一个终端时，探测到的信号强度不同，进而能够推算出该移动对象的移动轨迹。
综上所述，本申请实施例提供的移动轨迹获取方法，无需事先在目标地理区域内各个参考位置点进行指纹信息采集，因此线下工作量较小，支持快速复用和大规模扩展，通用性较好，另外，当目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。另外，由于本方法的执行仅需目标地理区域内部署有接入点，成本较低，且WiFi信号能在一定程度上穿透诸如墙体等遮挡物，因此对于遮挡的要求没有那么严格，能够很好地支持移动轨迹获取。另外，本方法追踪同一个移动对象的实现较为便捷，仅需识别相同的MAC地址即可。简言之，本申请实施例在无需线下采集指纹信息的情况下，通过部署在不同位置处的接入点探测到的MAC地址和信号强度，基于图3所示的执行流程图，实现了对不同移动对象的移动轨迹获取。
下面对本申请实施例提供的一种移动轨迹获取方法进行详细地解释说明。
需要说明的是，下述出现的类似第一、第二、第三和第四等描述，仅是为了区分不同的对象，而不构成任何其他的限定。另外，基于前文所述，粒子在本文中也可称之为样本，换一种表达方式，在本文中粒子和样本具有统一含义，均用于表征移动对象在目标地理区域内可能出现位置。
图4是本申请实施例提供的一种移动轨迹获取方法的流程图。该方法的执行主体可以为图1中示出的设备103。参见图4，本申请实施例提供的方法流程包括：
401、获取部署于目标地理区域内的各个接入点探测到的原始数据。
其中，原始数据中包括各个接入点探测到的终端的身份标识、探测到终端的位置处的信号强度和时间戳。其中，本文中提及的终端一般指代移动终端。通常来讲，一个终端对应一个移动对象。
在本申请实施例中，目标地理区域通常为室内地理区域，以室内地理区域为商场、终端的身份标识为终端的MAC地址为例，则在商场内部署的各个AP会探测附近已开启WiFi功能的移动终端，并获取探测到的移动终端的MAC地址和信号强度值等数据。其中，为了对执行数据预处理前后的上述数据进行区分，本申请实施例将预处理之前的上述数据称之为原始数据。
在一种可能的实现方式中，原始数据为一组(ts,endpoint_mac,rssi)数据。其中，ts为时间戳用于指代探测时间，endpoint_mac指代所探测到的移动终端的MAC地址，rssi为探测到的移动终端所在位置处的信号强度。
如下述表1所示，在同一时间内一个AP可能探测到一个或多个移动终端，比如AP1既探测到了移动终端Endpoint1，也探测到了移动终端Endpoint1；另外，同一个移动终端在同一时间内也可以被多个AP探测到，比如AP1、AP2和AP3在同一时间内均探测到了移动终端Endpoint1。
表1
402、对探测到的原始数据进行数据预处理。
在一种可能的实现方式中，数据预处理包括以下至少一项：
第一、对原始数据中的冗余数据进行过滤处理。
其中，冗余数据至少包括异常数据和与移动对象无关的数据。作为一个示例，本步骤用于将原始数据中的异常数据以及与客流无关的其他数据过滤掉。例如，在凌晨商场无人时获取到的原始数据便属于与客流无关的其他数据，因为这一时段获取到的很可能为其他家电设备的数据，而非商场内行人携带的移动终端的数据。
第二、按照探测到的终端的身份标识和时间戳，将原始数据中包括的信号强度数据进行划分，形成以身份标识和时间戳作为索引，以信号强度数据作为值的对应关系。
由于不同AP的探测频率不一定同步，因此还需要根据时间戳和移动终端的MAC地址，对不同AP获取到的原始数据进行对齐。
在一种可能的实现方式中，如下述表2所示，本申请实施例会将各个AP获取到的原始数据聚合成以(ts,endpoint_mac)为索引，以各个AP获取到的移动终端的RSSI值为列的表格。
另外，需要说明的是，本申请实施会将属于同一个移动终端的数据归为一组，即，在经过该步处理后，如下述表2的每一组数据分别对应一个行人以及该行人的移动轨迹。
表2
403、对路径损耗模型进行参数估计。
作为一个示例，该路径损耗模型指代前述提及的对数距离路径损耗模型，本步骤即是对路径损耗模型中的参考信号强度和路径损耗指数进行估计。换一种表达方式，本步骤用于获取路径损耗模型中参考信号强度和路径损耗指数的取值。
在本申请实施例中，获取参考信号强度和路径损耗指数的取值，包括但不限于下述两种方式：
4031、当部署于目标地理区域内的各个接入点之间的距离小于距离阈值时，获取各个接入点相互探测时收集到的信号强度数据，根据各个接入点之间的距离和收集到的信号强度数据，拟合出参考信号强度和路径损耗指数的取值。
该种方式针对目标地理区域内AP部署较为密集的情况，即当目标地理区域内AP部署距离较密集时，各个AP之间会进行互相探测，进而收集到RSSI数据。进而通过平面计算各个AP之间的距离和相应的RSSI值，结合最小二乘法便可以拟合出参考信号强度和路径损耗指数的取值。
其中，距离阈值可为5米或10米等，本申请实施例对此不进行具体限定。
4032、当各个接入点之间的距离大于距离阈值时，获取探测设备在不同位置处对各个接入点进行探测时采集到的信号强度数据；基于在不同位置处采集到的信号强度数据，获取参考信号强度和路径损耗指数的取值。
该种方式针对目标地理区域内AP部署较为稀疏的情况，即当目标地理区域内各个AP之间不能互相探测时，可以预先由工作人员持探测设备在不同位置处对各个接入点进行探测，采集RSSI数据，进而基于在不同位置处采集到的RSSI数据，获取参考信号强度和路径损耗指数的取值。
作为一个示例，针对该种情况，可以假设AP能够探测到的RSSI最大值和RSSI最小值，比如设定某个AP探测到的RSSI最大值为距其在1米处或在最近格点处的RSSI值，探测到的RSSI最小值为其探测范围最远处(例如20米处)的RSSI值，然后基于探测到的RSSI最大值和RSSI最小值进行参数估计。
在本申请实施例中，以估计出的RSSI0的取值为b，路径损耗指数为A为例，则根据路径损耗模型，可以得到距离AP的距离为d的终端被探测到时的RSSI值：RSSI＝-A×logd+b；同理，根据路径损耗模型还可以基于AP探测到的RSSI值反推出AP与终端的距离:
需要说明的是，上述步骤401至步骤403与下述步骤404和405的先后执行顺序任意，本申请实施例对此不进行具体限定。
404、对目标地理区域进行粒子初始化。
在本申请实施例中，粒子初始化的过程即是对目标地理区域进行采样，并将采样所得的样本称为粒子，得到用于表征移动对象在目标地理区域内可能出现位置的多个粒子。
详细来讲，本申请实施例是对目标地理区域的二维平面进行粒子初始化。
在一种可能的实现方式中，对目标地理区域进行多次采样，包括但不限于：基于二维均匀分布对目标地理区域进行多次随机采样。即，在初始情况下，本申请实施例认为移动对象出现在目标地理区域内任意位置的概率相等。
作为一个示例，参见图5，本申请实施例会通过二维均匀分布进行N次随机采样。其中，N的取值为正整数，生成的粒子会均匀地分布在目标地理区域的平面中。
另外，生成的粒子的初始权重相等，即在初始情况下生成的粒子的权重相等，假设第i个粒子的权重为wi，由于
因此
其中，在图5中，深色点为AP所在位置，浅色点为采样粒子。
405、对生成的粒子执行状态转移。
其中，在时间上的每一个迭代周期内，本申请实施例均执行一轮粒子状态转移过程。时间上的每一个迭代周期指代进行一次位置估计的时间周期。
在一种可能的实现方式中，假设移动对象的位置状态是基于马尔可夫链的，即移动对象下一个时刻的位置只与其当前时刻的位置有关，而与其过去曾经出现过的位置无关，则移动对象的状态转移方程可表示为：
xk,yk＝fk(xk-1,yk-1)
其中，(xk,yk)指代粒子k时刻在目标地理区域的平面中的位置坐标，fk指代转态转移函数，(xk-1,yk-1)指代粒子k-1时刻在目标地理区域的平面中的位置坐标。基于以上描述可知，针对当前时刻，基于生成的粒子在上一时刻的位置信息，获取生成的粒子在当前时刻的位置信息。
以目标地理区域为商场为例，则(xk,yk)即为粒子k时刻在商场平面中的位置坐标。如上所述，这种用函数表示前后阶段关系的方程，即可称为状态转移方程。另外，上述状态转移方程也可称之为状态转换模型。
对于上述状态转移过程，换一种表述即为获取状态转移模型；基于生成的粒子在上一时刻的位置信息和状态转移模型，获取生成的粒子在当前时刻的位置信息。作为一个示例，基于生成的粒子在上一时刻的位置信息和状态转移模型，获取生成的粒子在当前时刻的位置信息，包括但不限于：
获取上一时刻与当前时刻的时间间隔，获取移动对象的最大移动速度；根据时间间隔和最大移动速度，确定移动距离；对于每一个粒子，根据该粒子在上一时刻的横坐标位置、上述确定出来的移动距离、该粒子的移动角度的正弦值和上述状态转移函数，获取该粒子在当前时刻的横坐标位置；根据该粒子在上一时刻的纵坐标位置、该移动距离、该粒子的移动角度的余弦值和上述状态转移函数，获取该粒子在当前时刻的纵坐标位置。
作为一个示例，假设移动对象的最大移动速度为v(m/s)，那么，在上一时刻与当前时刻的时间间隔Δt后移动对象可能在的位置便是以(xk-1,yk-1)为圆心，以vΔt为半径的圆形区域内。需要说明的是，在实际计算时应除去有墙壁等障碍物阻挡的区域。
在本申请实施例中，假设移动对象的移动是随机的，那么移动便会以相同的概率移动到该圆形区域内的任意一点，因此
xk＝xk-1+d*sinθ
yk＝yk-1+d*cosθ
其中，θ～Unif(0,2π)，d～Unif(0,vΔt)。
需要说明的是，当粒子滤波应用在机器人或自动化控制等领域时，状态转移方程通常是用来描述机器人或机械，在受到控制指令或根据动力学计算后的状态变化。而在本申请实施例中，由于移动对象移动的不可预知性，所以状态转移方程更多的是起到限制移动对象可能的移动范围的作用。
在本申请实施例中，在时间上的每一个迭代周期内，均可通过以上公式来更新生成的粒子的位置。参见图6，其示出了发生状态转移后的粒子位置。
406、对生成的粒子进行权重更新和重采样。
在一种可能的实现方式中，本申请实施例基于贝叶斯定理进行粒子权重更新。详细来讲，在时间上的每一个迭代周期内，均执行一轮粒子权重更新和重采样过程。
针对当前时刻的权重更新过程，即是获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，更新生成的粒子在当前时刻的权重；其中，获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度，包括但不限于：在经过预处理后的原始数据中，获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度。
在一种可能的实现方式中，基于获取的信号强度和路径损耗模型，更新生成的粒子在当前时刻的权重，包括如下步骤：
4061、对于每一个粒子，获取该粒子在上一时刻的权重。
4062、在上述获取的信号强度中，获取各个接入点在该粒子所在的位置处探测到的信号强度；基于路径损耗模型，获取在该粒子所在的位置处探测到的信号强度的似然概率。
假设当前时刻为k时刻，以k时刻某一AP探测到的信号强度的观测值为RSSIk为例，则如下述公式所示，可以利用贝叶斯定理，由先验概率来得到后验概率：
其中，zk＝(xk，yk)指代粒子k时刻在目标地理区域的平面中的位置坐标，RSSIk为k时刻某一AP在该位置坐标指定的位置探测到的信号强度值。
另外，在上述公式中，p(zk|RSSIk)为后验概率，指代在测量到RSSIk的条件下Zk成立的概率；p(zk)为先验概率，指代在未考虑RSSIk之前的概率；p(RSSIk|zk)为似然概率，指代在Zk成立的条件下探测到RSSIk的概率；
为标准化常量，指代在任何条件下探测到RSSIk的概率。
需要说明的是，由于该粒子所在的位置处可能各个接入点均会探测到，因此可基于各个AP在该粒子所在的位置处探测到的信号强度，分别计算在该粒子所在的位置处探测到的信号强度的似然概率，最后将得到的多个似然概率结果进行组合，得到最终的似然概率，本申请实施例对此不进行具体限定。
4063、基于该粒子在上一时刻的权重和该似然概率，获取粒子在当前时刻的权重；其中，该粒子在当前时刻的权重正比于该似然概率。
作为一个示例，以k时刻第i个随机采样的样本(也即粒子)的位置坐标为
对应的权重为
可以得到
的递归表示，
针对上述公式，本申请实施例需要计算p(RSSIk|Zk i)，即需要计算在某个位置下测量到的RSSI值的似然概率。
作为一个示例，假设该似然概率的分布为正态分布，则通过上述路径损耗模型可以得到该正态分布的期望值，即该似然概率服从正态分布，该正态分布的期望值基于前述的路径损耗模型RSSI＝-A×logd+b得到。
即根据指定的标准差σ可以得到计算似然概率的下述公式：
p(RSSI＝rssi)～N(-A*logd+b,σ)
其中，上述标准差σ可以通过实验得到，上述公式中的d可以根据AP的部署位置和粒子的位置计算得到，本申请实施例对此不进行具体限定。
另外，由于
因此，在时间上的每一个迭代周期更新完粒子权重后，还需要重新进行归一化，其中，归一化结果为
其中，图7示出了粒子权重更新后的效果图，在图7中，粒子的大小与权重的大小成正比。
在本申请实施例中，粒子权重更新过程可能会造成退化问题(degeneracyproblem)，即在经过若干次迭代后很多粒子的权重变小到可忽略不计，进而导致计算性能下降，为了避免这一问题出现，本申请实施例还需要重新采样，以剔除掉这部分粒子。在一种可能的实现方式中，重采样过程包括但不限于：
对于每个粒子，在获取到该粒子在当前时刻的权重后，基于该粒子在当前时刻的权重获取有效粒子数；当获取到的有效粒子数小于数量阈值时，则进行一次粒子重新采样；其中，重新采样后的粒子在一个位置处的出现概率与重新采样之前该位置处的粒子的权重成正比，且重新采样后的不同粒子之间权重相等。
作为一个示例，针对粒子重采样过程，首先还需要基于下述公式计算当前的有效粒子个数。
其中，w指代粒子的权重，重采样的原则可以为：当Neff的取值小于权重阈值时，例如Neff<N/2时，根据原粒子的权重进行重采样，即重采样后的粒子在某位置处的概率，与在该位置的原粒子的权重成正比。需要说明的是，重采样后还需重新令生成的粒子权重为1/N。其中，N指代粒子初始化时生成的粒子个数。
其中，图8示出了重采样后的粒子分布。
407、基于生成的粒子在当前时刻的位置信息和权重，确定当前时刻移动对象在目标地理区域内的出现位置。
本步骤即是对移动对象进行位置估计，需要说明的是，在时间上的每一个迭代周期内，均执行一轮位置估计过程。
在一种可能的实现方式中，基于生成的粒子在当前时刻的位置信息和权重，确定当前时刻移动对象在目标地理区域内的出现位置，包括但不限于：基于生成的粒子在当前时刻的权重，对生成的粒子在当前时刻的位置信息进行加权平均，得到当前时刻移动对象在目标地理区域内的出现位置。
其中，进行位置估计的计算公式为
其中，
指代估计出来的移动对象在当前时刻的出现位置，wk指代粒子的权重，zk指代粒子的位置坐标。需要说明的是，在进行位置估计时是将全部粒子的位置坐标根据权重进行加权平均。
其中，图9示出了进行位置估计的效果图，在图9中黑点即为估计出来的移动对象的位置。
408、按照时间顺序，连接移动对象各个时刻在目标地理区域内的出现位置，得到移动对象的移动轨迹。
本步骤即是形成移动对象的移动轨迹。其中，在完成各个时间周期下的位置估计后，将位置估计后的多个结果按照时间顺序连接成线即得到移动对象的移动轨迹。
在一种可能的实现方式中，由于前几个时间周期受初始化条件影响较大，因此最终生成的移动轨迹可以舍弃掉前面若干周期的位置估计结果。即，按照时间顺序，连接移动对象各个时刻在目标地理区域内的出现位置，得到移动对象的移动轨迹，包括：将移动对象在前预设数目个时刻的出现位置数据过滤掉；按照时间顺序，连接移动对象在剩余多个时刻的出现位置，得到移动对象的移动轨迹。其中，图10至图13给出了移动轨迹的效果图。
本申请实施例提供的方法，至少具有以下有益效果：
在计算任意一个移动对象的移动轨迹时，仅需获取与该移动对象携带的终端的身份标识匹配的信号强度即可，对该移动对象的位置估计无需进行基于信号强度的相似度比对，所以也就无需事先在目标地理区域内的各个参考位置点进行指纹信息采集，由于该种方法无需事先进行指纹信息采集，因此线下工作量较小，易于实现，支持快速复用和大规模扩展，通用性较好，即使目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。
换一种表达方式，通过部署在目标地理区域内不同位置处的接入点探测到的MAC地址和信号强度，即可实现对不同移动对象的移动轨迹获取。该种方法无需事先在目标地理区域内的各个参考位置点进行指纹信息采集，因此线下工作量较小，易于实现，支持快速复用和大规模扩展，通用性较好，即是目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。
另外，由于本方法的执行仅需目标地理区域内部署有接入点，成本较低，且WiFi信号能在一定程度上穿透诸如墙体等遮挡物，因此对于遮挡的要求没有那么严格，能够很好地支持移动轨迹获取。另外，本方法追踪同一个移动对象的实现较为便捷，仅需识别相同的MAC地址即可。
另外，本申请实施例还提出了一种适用于移动对象移动的状态转移模型，用于限制在一段时间内移动对象可能移动到的范围，并结合粒子滤波方法估算出移动对象在一段连续时间内的移动轨迹，进而通过移动轨迹可以了解不同人群的习惯，比如以目标地理区域为商场为例，通过了解不同人群在商场中的移动轨迹，可以快速了解不同用户的逛街购物习惯，为向不同用户提供个性化服务打下了良好的基础。
在另一个实施例中，本申请实施例提供了一种移动轨迹获取方法，参见图14，本申请实施例提供的方法流程包括：
1401、对目标地理区域进行采样，得到表征移动对象在目标地理区域内可能出现位置的多个样本。
该步骤同前述步骤404。
1402、在完成采样后对移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息。
该步骤同前述步骤405。
1403、获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重。
该步骤同前述步骤406中对生成的样本进行权重更新的过程。
1404、基于生成的样本在当前时刻的位置信息和权重，确定当前时刻移动对象在目标地理区域内的出现位置。
该步骤同前述步骤407。
1405、按照时间顺序，连接移动对象各个时刻在目标地理区域内的出现位置，得到移动对象的移动轨迹。
该步骤同前述步骤408。
本申请实施例提供的方法，在计算任意一个移动对象的移动轨迹时，仅需获取与该移动对象携带的终端的身份标识匹配的信号强度即可，对该移动对象的位置估计无需进行基于信号强度的相似度比对，所以也就无需事先在目标地理区域内的各个参考位置点进行指纹信息采集，由于该种方法无需事先进行指纹信息采集，因此线下工作量较小，易于实现，支持快速复用和大规模扩展，通用性较好，即使目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。换一种表达方式，本申请实施例通过部署在目标地理区域内不同位置处的接入点探测到的身份标识和信号强度，即可实现对不同移动对象的移动轨迹获取。该种方法无需事先在目标地理区域内的各个参考位置点进行指纹信息采集，因此线下工作量较小，易于实现，支持快速复用和大规模扩展，通用性较好，即是目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。
另外，由于本方法的执行仅需目标地理区域内部署有接入点，成本较低，且WiFi信号能在一定程度上穿透诸如墙体等遮挡物，因此对于遮挡的要求没有那么严格，能够很好地支持移动轨迹获取。另外，本方法追踪同一个移动对象的实现较为便捷，仅需识别相同的身份标识即可。
另外，在估算出移动对象在一段连续时间内的移动轨迹后，通过估算出的移动轨迹可以了解不同人群的习惯，比如以目标地理区域为商场为例，通过了解不同人群在商场中的移动轨迹，可以快速了解不同用户的逛街购物习惯，为向不同用户提供个性化服务打下了良好的基础。
在另一个实施例中，以目标地理区域为商场、移动对象为商场内的行人为例，则结合图3，对本申请实施例提供的移动轨迹获取方法的整体执行流程进行介绍。
a、获取部署在商场内不同位置处的各个接入点探测到原始数据，并对探测到的原始数据进行数据预处理。
其中，原始数据在本申请实施例中是对接入点探测到的MAC地址和信号强度的统称。
b、对路径损耗模型进行参数估计。
其中，该路径损耗模型指代前述提及的对数距离路径损耗模型，本步骤即是对路径损耗模型中的参考信号强度和路径损耗指数进行估计。
需要说明的是，上述步骤a和b与下述步骤c和d的先后执行顺序任意，本申请实施例对此不进行具体限定。
c、对商场的平面进行粒子初始化。其中，粒子在本申请实施例中用于表征行人在商场的平面内的可能出现位置。
d、基于状态转移模型，对生成的粒子执行粒子状态转移。
e、基于贝叶斯定理，对生成的粒子进行权重更新，以及进行粒子重采样。
f、对行人在商场平面内的位置进行估计。
g、将估计出来的多个位置连接起来，得到行人在商场内的移动轨迹。
在估算出行人在一段连续时间内的移动轨迹后，通过估算出的移动轨迹可以了解不同人群的习惯，在这一实施例中，通过了解不同人群在商场中的移动轨迹，可以快速了解不同用户的逛街购物习惯，为向不同用户提供个性化服务打下了良好的基础。其中，个性化服务包括但不限于向用户推送与其逛街购物习惯相关的时尚资讯或折扣消息等，本申请实施例对此不进行具体限定。
在另一个实施例中，除了前述列举的实施方式之外，本申请实施例还包括下述可选的实施方式。
在前述实施例中，移动对象的状态转移模型将移动对象在一段时间间隔内的移动范围限定为一个圆形区域，且移动对象到达该圆形区域内各个点的概率是均等的。除此之外，还可以用更精确的模型来模拟移动对象的位置状态和运动，例如将移动对象的速度和朝向加入到位置状态的估计之中，而之所以这样做的原因是在实际场景中移动对象朝同一方向运动的概率通常会比转向的概率要高。
在前述实施例中，初始化粒子采用的是基于二维均匀分布进行随机采样，在实际应用过程中，若目标地理区域内有明确的入口，则可以根据实际入口来初始化粒子。
在前述实施例中，RSSI似然概率服从正态分布，除此之外，RSSI似然概率也服从对数正态分布，或者采用实测数据来拟合对应的分布，本申请实施例对此不进行具体限定。
图15是本申请实施例提供的一种移动轨迹获取装置的结构示意图。参见图15，该装置包括：
样本初始化模块1501，用于对目标地理区域进行采样，得到表征移动对象在所述目标地理区域内可能出现位置的多个样本；
样本位置更新模块1502，用于在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息；
样本权重更新模块1503，用于在完成采样后对所述移动对象进行位置估计的各个时刻，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重；
位置估计模块1504，用于在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在当前时刻的位置信息和权重，确定当前时刻所述移动对象在所述目标地理区域内的出现位置；
移动轨迹生成模块1505，用于按照时间顺序，连接所述移动对象各个时刻在所述目标地理区域内的出现位置，得到所述移动对象的移动轨迹。
本申请实施例提供的装置，在获取任意一个移动对象的移动轨迹时，可以先进行样本初始化，即对目标地理区域进行采样，得到表征移动对象在目标地理区域内可能出现位置的多个样本；在完成采样后周期性地进行位置估计，即在进行位置估计的各个时刻，本申请实施例会基于生成的样本在上一时刻的位置信息，获取生成的样本在当前时刻的位置信息；另外，还会进行样本的权重更新，即获取当前时刻与移动对象携带的终端的身份标识匹配的信号强度，进而基于获取的信号强度和路径损耗模型，获取生成的样本在当前时刻的权重；之后，基于生成的样本在当前时刻的位置信息和权重，即可确定当前时刻移动对象的出现位置；而重复执行上述样本的位置状态更新、权重更新以及位置估计过程，便可得到移动对象在各个时刻的出现位置，之后按照时间顺序连接移动对象各个时刻的出现位置，即可得到移动对象的移动轨迹。
基于以上描述可知，本申请实施例在计算任意一个移动对象的移动轨迹时，仅需获取与该移动对象携带的终端的身份标识匹配的信号强度即可，对该移动对象的位置估计无需进行基于信号强度的相似度比对，所以也就无需事先在目标地理区域内的各个参考位置点进行指纹信息采集，由于该种方法无需事先进行指纹信息采集，因此线下工作量较小，易于实现，支持快速复用和大规模扩展，通用性较好，即使目标地理区域内部署变更后也无需再执行额外的操作，效果较佳。
在一种可能的实现方式中，所述样本权重更新模块，还用于获取部署于所述目标地理区域内的各个接入点探测到的原始数据，所述原始数据中包括探测到的终端的身份标识和探测到终端的位置处的信号强度，其中，一个终端对应一个移动对象；在探测到的原始数据中，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度。
在一种可能的实现方式中，所述装置还包括：
数据预处理模块，用于对所述探测到的原始数据进行数据预处理；
所述样本权重更新模块，还用于在经过预处理后的原始数据中，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度；
其中，所述原始数据中还包括时间戳，所述数据预处理包括以下至少一项：
对所述原始数据中的冗余数据进行过滤处理，所述冗余数据至少包括异常数据和与所述移动对象无关的数据；
按照所述探测到的终端的身份标识和所述时间戳，将所述原始数据中包括的信号强度数据进行划分，形成以所述身份标识和所述时间戳作为索引，以所述信号强度数据作为值的对应关系。
在一种可能的实现方式中，所述样本权重更新模块，还用于对于每一个样本，获取所述样本在上一时刻的权重；在所述获取的信号强度中，获取所述各个接入点在所述样本所在的位置处探测到的信号强度；基于所述路径损耗模型，获取在所述样本所在的位置处探测到的信号强度的似然概率；基于所述样本在上一时刻的权重和所述似然概率，获取所述样本在当前时刻的权重；
其中，所述样本在当前时刻的权重正比于所述似然概率。
在一种可能的实现方式中，所述装置还包括；
参数估计模块，用于获取所述路径损耗模型中参考信号强度和路径损耗指数的取值；
其中，所述参数估计模块，还用于当部署于所述目标地理区域内的各个接入点之间的距离小于距离阈值时，获取所述各个接入点相互探测时收集到的信号强度数据，根据所述各个接入点之间的距离和所述收集到的信号强度数据，拟合出所述参考信号强度和所述路径损耗指数的取值；或，当所述各个接入点之间的距离大于所述距离阈值时，获取探测设备在不同位置处对所述各个接入点进行探测时采集到的信号强度数据；基于所述在不同位置处采集到的信号强度数据，获取所述参考信号强度和所述路径损耗指数的取值。
在一种可能的实现方式中，所述样本位置更新模块，还用于获取状态转移模型；基于生成的样本在上一时刻的位置信息和所述状态转移模型，获取生成的样本在当前时刻的位置信息。
在一种可能的实现方式中，所述样本位置更新模块，还用于获取上一时刻与当前时刻的时间间隔，获取所述移动对象的最大移动速度；根据所述时间间隔和所述最大移动速度，确定移动距离；对于每一个样本，根据所述样本在上一时刻的横坐标位置、所述移动距离、所述样本的移动角度的正弦值和所述状态转移模型，获取所述样本在当前时刻的横坐标位置；根据所述样本在上一时刻的纵坐标位置、所述移动距离、所述样本的移动角度的余弦值和所述状态转移模型，获取所述样本在当前时刻的纵坐标位置；
其中，所述移动角度服从(0,2π)的均匀分布。
在一种可能的实现方式中，所述装置还包括：
样本重采样模块，用于对于每个样本，在获取到所述样本在当前时刻的权重后，基于所述样本在当前时刻的权重获取有效样本数；当获取到的有效样本数小于数量阈值时，进行样本重新采样；
其中，重新采样后的样本在一个位置处的出现概率与重新采样之前所述位置处的样本的权重成正比，且重新采样后的不同样本之间权重相等。
在一种可能的实现方式中，所述移动轨迹生成模块，还用于将所述移动对象在前预设数目个时刻的出现位置数据过滤掉；按照时间顺序，连接所述移动对象在剩余多个时刻的出现位置，得到所述移动对象的移动轨迹。
在一种可能的实现方式中，所述样本初始化模块，还用于基于二维均匀分布对所述目标地理区域进行多次随机采样；其中，所述多个样本的初始权重相等且所述多个样本均匀地分布在所述目标地理区域内。
在一种可能的实现方式中，所述样本权重更新模块，还用于对生成的样本在当前时刻的权重进行归一化处理。
在一种可能的实现方式中，所述位置估计模块，还用于基于生成的样本在当前时刻的权重，对生成的样本在当前时刻的位置信息进行加权平均，得到当前时刻所述移动对象在所述目标地理区域内的出现位置。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
需要说明的是：上述实施例提供的移动轨迹获取装置在获取移动轨迹时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的移动轨迹获取装置与移动轨迹获取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图16是本申请实施例提供的一种电子设备的结构示意图，该电子设备1600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)1601和一个或一个以上的存储器1602，其中，所述存储器1602中存储有至少一条指令，所述至少一条指令由所述处理器1601加载并执行以实现上述各个方法实施例提供的移动轨迹获取方法。当然，该电子设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该电子设备还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中的移动轨迹获取方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (14)
1.一种移动轨迹获取方法，其特征在于，所述方法包括：
对目标地理区域进行采样，得到表征移动对象在所述目标地理区域内可能出现位置的多个样本；
在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取所述生成的样本在当前时刻的位置信息；
获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取所述生成的样本在当前时刻的权重；
基于所述生成的样本在当前时刻的位置信息和权重，确定当前时刻所述移动对象在所述目标地理区域内的出现位置；
按照时间顺序，连接所述移动对象各个时刻在所述目标地理区域内的出现位置，得到所述移动对象的移动轨迹；
所述方法还包括：获取所述路径损耗模型中参考信号强度和路径损耗指数的取值；
其中，获取所述参考信号强度和路径损耗指数的取值，包括：
当部署于所述目标地理区域内的各个接入点之间的距离小于距离阈值时，获取所述各个接入点相互探测时收集到的信号强度数据，根据所述各个接入点之间的距离和所述收集到的信号强度数据，拟合出所述参考信号强度和所述路径损耗指数的取值；或，
当所述各个接入点之间的距离大于所述距离阈值时，获取探测设备在不同位置处对所述各个接入点进行探测时采集到的信号强度数据；基于在不同位置处采集到的所述信号强度数据，获取所述参考信号强度和所述路径损耗指数的取值。
2.根据权利要求1所述的方法，其特征在于，所述获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，包括：
获取部署于所述目标地理区域内的所述各个接入点探测到的原始数据，所述原始数据中包括探测到的终端的身份标识和探测到终端的位置处的信号强度，其中，一个终端对应一个移动对象；
在所述探测到的原始数据中，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述探测到的原始数据进行数据预处理；
所述获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，包括：在经过预处理后的所述原始数据中，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度；
其中，所述原始数据中还包括时间戳，所述数据预处理包括以下至少一项：
对所述原始数据中的冗余数据进行过滤处理，所述冗余数据至少包括异常数据和与所述移动对象无关的数据；
按照所述探测到的终端的身份标识和所述时间戳，将所述原始数据中包括的信号强度数据进行划分，形成以所述身份标识和所述时间戳作为索引，以所述信号强度数据作为值的对应关系。
4.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述基于获取的信号强度和路径损耗模型，获取所述生成的样本在当前时刻的权重，包括：
对于每一个样本，获取所述样本在上一时刻的权重；
在所述获取的信号强度中，获取所述各个接入点在所述样本所在的位置处探测到的信号强度；
基于所述路径损耗模型，获取在所述样本所在的位置处探测到的信号强度的似然概率；
基于所述样本在上一时刻的权重和所述似然概率，获取所述样本在当前时刻的权重；
其中，所述样本在当前时刻的权重正比于所述似然概率。
5.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述基于生成的样本在上一时刻的位置信息，获取所述生成的样本在当前时刻的位置信息，包括：
获取状态转移模型；
基于所述生成的样本在上一时刻的位置信息和所述状态转移模型，获取所述生成的样本在当前时刻的位置信息。
6.根据权利要求5所述的方法，其特征在于，所述基于所述生成的样本在上一时刻的位置信息和所述状态转移模型，获取所述生成的样本在当前时刻的位置信息，包括：
获取上一时刻与当前时刻的时间间隔，获取所述移动对象的最大移动速度；
根据所述时间间隔和所述最大移动速度，确定移动距离；
对于每一个样本，根据所述样本在上一时刻的横坐标位置、所述移动距离、所述样本的移动角度的正弦值和所述状态转移模型，获取所述样本在当前时刻的横坐标位置；
根据所述样本在上一时刻的纵坐标位置、所述移动距离、所述样本的移动角度的余弦值和所述状态转移模型，获取所述样本在当前时刻的纵坐标位置；
其中，所述移动角度服从(0,2π)的均匀分布。
7.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述方法还包括：
对于每个样本，在获取到所述样本在当前时刻的权重后，基于所述样本在当前时刻的权重获取有效样本数；
当获取到的有效样本数小于数量阈值时，进行样本重新采样；
其中，重新采样后的样本在一个位置处的出现概率与重新采样之前所述位置处的样本的权重成正比，且重新采样后的不同样本之间权重相等。
8.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述按照时间顺序，连接所述移动对象各个时刻在所述目标地理区域内的出现位置，得到所述移动对象的移动轨迹，包括：
将所述移动对象在前预设数目个时刻的出现位置数据过滤掉；
按照时间顺序，连接所述移动对象在剩余多个时刻的出现位置，得到所述移动对象的移动轨迹。
9.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述对目标地理区域进行采样，包括：
基于二维均匀分布对所述目标地理区域进行多次随机采样；
其中，所述多个样本的初始权重相等且所述多个样本均匀地分布在所述目标地理区域内。
10.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述方法还包括：
对所述生成的样本在当前时刻的权重进行归一化处理。
11.根据权利要求1至3中任一项权利要求所述的方法，其特征在于，所述基于所述生成的样本在当前时刻的位置信息和权重，确定当前时刻所述移动对象在所述目标地理区域内的出现位置，包括：
基于所述生成的样本在当前时刻的权重，对所述生成的样本在当前时刻的位置信息进行加权平均，得到当前时刻所述移动对象在所述目标地理区域内的出现位置。
12.一种移动轨迹获取装置，其特征在于，所述装置包括：
样本初始化模块，用于对目标地理区域进行采样，得到表征移动对象在所述目标地理区域内可能出现位置的多个样本；
样本位置更新模块，用于在完成采样后对所述移动对象进行位置估计的各个时刻，基于生成的样本在上一时刻的位置信息，获取所述生成的样本在当前时刻的位置信息；
样本权重更新模块，用于在完成采样后对所述移动对象进行位置估计的各个时刻，获取当前时刻与所述移动对象携带的终端的身份标识匹配的信号强度，基于获取的信号强度和路径损耗模型，获取所述生成的样本在当前时刻的权重；
位置估计模块，用于在完成采样后对所述移动对象进行位置估计的各个时刻，基于所述生成的样本在当前时刻的位置信息和权重，确定当前时刻所述移动对象在所述目标地理区域内的出现位置；
移动轨迹生成模块，用于按照时间顺序，连接所述移动对象各个时刻在所述目标地理区域内的出现位置，得到所述移动对象的移动轨迹；
参数估计模块，用于获取所述路径损耗模型中参考信号强度和路径损耗指数的取值；
其中，所述参数估计模块，还用于当部署于所述目标地理区域内的各个接入点之间的距离小于距离阈值时，获取所述各个接入点相互探测时收集到的信号强度数据，根据所述各个接入点之间的距离和所述收集到的信号强度数据，拟合出所述参考信号强度和所述路径损耗指数的取值；或，当所述各个接入点之间的距离大于所述距离阈值时，获取探测设备在不同位置处对所述各个接入点进行探测时采集到的信号强度数据；基于所述在不同位置处采集到的信号强度数据，获取所述参考信号强度和所述路径损耗指数的取值。
13.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至11中任一项权利要求所述的移动轨迹获取方法。
14.一种电子设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至11中任一项权利要求所述的移动轨迹获取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910848820.9A CN110493731B (zh) | 2019-09-09 | 2019-09-09 | 移动轨迹获取方法、装置、存储介质以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910848820.9A CN110493731B (zh) | 2019-09-09 | 2019-09-09 | 移动轨迹获取方法、装置、存储介质以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110493731A CN110493731A (zh) | 2019-11-22 |
| CN110493731B true CN110493731B (zh) | 2022-03-29 |
Family
ID=68555517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910848820.9A Active CN110493731B (zh) | 2019-09-09 | 2019-09-09 | 移动轨迹获取方法、装置、存储介质以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110493731B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113286260B (zh) * | 2020-02-20 | 2022-11-15 | 深圳奇迹智慧网络有限公司 | 人群分布确定方法、系统、计算机设备和存储介质 |
| CN113068215B (zh) * | 2021-03-12 | 2022-01-11 | 华扬联众数字技术(深圳)有限公司 | 一种基于权重与过滤的多WiFi探针MAC地址的动线算法 |
| CN115884076B (zh) * | 2022-11-01 | 2023-09-01 | 深圳心派科技有限公司 | 对象追踪方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9060284B2 (en) * | 2010-07-08 | 2015-06-16 | Sk Telecom Co., Ltd. | Method and device for estimating AP position using a map of a wireless LAN radio environment |
| CN103813450A (zh) * | 2014-03-07 | 2014-05-21 | 山东大学 | 一种优化的移动无线传感器网络节点定位方法 |
| CN104796866B (zh) * | 2015-05-06 | 2018-09-11 | 北京我联科技有限公司 | 室内定位方法和装置 |
| KR102452504B1 (ko) * | 2015-09-14 | 2022-10-11 | 삼성전자 주식회사 | 단말 및 이의 위치 측정 방법 |
| CN107132504B (zh) * | 2016-02-29 | 2020-12-22 | 富士通株式会社 | 基于粒子滤波的定位追踪装置、方法及电子设备 |
| WO2018100892A1 (ja) * | 2016-11-29 | 2018-06-07 | 株式会社村田製作所 | 位置推定装置及び位置推定方法 |
| CN106840163A (zh) * | 2016-12-29 | 2017-06-13 | 上海斐讯数据通信技术有限公司 | 一种室内定位方法及系统 |
| CN109041209B (zh) * | 2018-07-20 | 2020-06-02 | 东北电力大学 | 基于rssi的无线传感器网络节点定位误差优化方法 |
-
2019
- 2019-09-09 CN CN201910848820.9A patent/CN110493731B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110493731A (zh) | 2019-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sabek et al. | ACE: An accurate and efficient multi-entity device-free WLAN localization system | |
| Wang et al. | Target tracking in wireless sensor networks based on the combination of KF and MLE using distance measurements | |
| Guo et al. | Indoor positioning system based on particle swarm optimization algorithm | |
| CN110493731B (zh) | 移动轨迹获取方法、装置、存储介质以及设备 | |
| Belmonte-Hernández et al. | Adaptive fingerprinting in multi-sensor fusion for accurate indoor tracking | |
| Dorfan et al. | Tree-based recursive expectation-maximization algorithm for localization of acoustic sources | |
| Zhou et al. | Indoor fingerprint localization based on fuzzy c-means clustering | |
| CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
| JP2005024540A (ja) | 携帯型コンピュータデバイスの所在と動態を割り出すシステムおよび方法 | |
| CN103997717A (zh) | 一种实时室内定位系统及方法 | |
| KR101328328B1 (ko) | 로그 데이터를 이용한 장소 추정 장치 및 그 방법 | |
| Yoo | Change detection of RSSI fingerprint pattern for indoor positioning system | |
| CN109379711B (zh) | 一种定位方法 | |
| CN111148030A (zh) | 指纹数据库的更新方法、装置、服务器及存储介质 | |
| Xu et al. | Self-adapting multi-fingerprints joint indoor positioning algorithm in WLAN based on database of AP ID | |
| Kumar et al. | Target detection and localization methods using compartmental model for Internet of Things | |
| Figuera et al. | Nonparametric model comparison and uncertainty evaluation for signal strength indoor location | |
| Dashti et al. | Rssi localization with gaussian processes and tracking | |
| Zhao et al. | Sequential Monte Carlo methods and theoretical bounds for proximity report based indoor positioning | |
| Huang et al. | An Optimized Fingerprinting‐Based Indoor Positioning with Kalman Filter and Universal Kriging for 5G Internet of Things | |
| CN114449439B (zh) | 一种地下管廊空间的定位方法及装置 | |
| CA2894863A1 (en) | Indoor localization using crowdsourced data | |
| CN111194000A (zh) | 基于蓝牙融合混合滤波与神经网络的测距方法与系统 | |
| CN104821854B (zh) | 一种基于随机集的多主用户多维频谱感知方法 | |
| Xianjia et al. | Just‐in‐Time Human Gesture Recognition Using WiFi Signals |
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 |