基于线段密度的室内WLAN用户定位与行为分析方法技术

本发明专利技术公开了一种基于线段密度的室内WLAN用户定位与行为分析方法，首先将目标区域划分为多个子区域，并对区域内用户的运动路径模式进行观测，同时采集区域内用户的RSS序列；然后，利用多维尺度MDS方法对采集的RSS序列进行降维处理，得到每条RSS序列在二维信号空间中所对应的路径坐标，将路径坐标按时间戳顺序依次连接成线段；其次，对线段进行聚类以得到信号逻辑图并且根据子区域连接关系得到物理逻辑图；最后，根据信号逻辑图中线段聚类间的转移概率和物理逻辑图中子区域间的转移概率，建立信号逻辑图与物理逻辑图的热点映射，以实现对运动用户的定位与行为分析。本发明专利技术降低了人力消耗与时间开销，并能够完成对运动用户的定位与行为分析。

【技术实现步骤摘要】
基于线段密度的室内WLAN用户定位与行为分析方法
本专利技术属于室内定位技术，具体涉及一种基于线段密度的室内WLAN用户定位与行为分析方法。
技术介绍
随着移动通信的飞速发展，基于位置的服务LBS(LocationBasedService)受到越来越多的关注，而在室内场所(如商场、机场及地下停车场等)，现有的室外定位系统，如全球定位系统GPS(GlobalPositioningSystem)，由于受到建筑物等设施的遮蔽，难以在室内实现精确定位。与此同时，由于无线局域网WLAN(WirelessLocalAreaNetwork)的大规模部署及WLAN高速无线接入的广泛普及，利用现有的WLAN基础设施对室内用户进行定位越来越受到人们的重视，其中，基于接收信号强度RSS(ReceivedSignalStrength)的室内WLAN定位技术更是受到广泛而深入的研究。作为基于RSS的室内WLAN定位技术中的典型算法，位置指纹定位算法主要包含两个阶段：离线阶段和在线阶段。在离线阶段，首先在定位目标区域内标定若干参考点RP(ReferencePoint)，同时在每个参考点处采集一段时间内来自不同WLAN接入点AP(AccessPoint)的RSS值，以构造位置指纹数据库；而在在线阶段，则利用用户新采集的RSS值，结合位置指纹数据库及相应的搜索匹配算法，实现对用户的定位。位置指纹定位算法存在的主要问题是位置指纹数据库的构造需要大量的人力与时间开销，特别是当目标区域较大时，所需的开销将会显著增大，从而限制了该算法的实际应用。为了解决上述问题且为了对目标场景中的用户进行行为分析，本专利技术提出了一种新的基于线段密度的室内WLAN用户定位与行为分析方法。
技术实现思路
本专利技术的目的是提供一种基于线段密度的室内WLAN用户定位与行为分析方法，它能有效解决传统位置指纹数据库构建所需大量人力与时间开销的问题，且能实现对目标场景中的用户进行行为分析。本专利技术所述的基于线段密度的室内WLAN用户定位与行为分析方法，包括以下步骤：步骤一、将目标区域划分为NArea个子区域；步骤二、采集目标区域内运动用户的Nseq条RSS(ReceivedSignalStrength)序列，记为其中，第i条RSS序列1≤i≤Nseq,具体表示为：其中，rssij＝(rssij1,rssij2,...,rssijk),1≤j≤Mi,为中第j个信号矢量，Mi为第i条RSS序列的序列长度，即第i条RSS序列包含的信号矢量个数，k1为AP(AccessPoint)数目，rssijl1,1≤l1≤k1,为第i条RSS序列内第j个信号矢量中来自第l1个接入点AP的信号强度值；步骤三、对采集的每条RSS序列进行小波去噪处理，得到新的Nseq条RSS序列，记为步骤四、利用多维尺度MDS(Multi-dimensionalScaling)方法对所述步骤三得到的RSS序列1≤i≤Nseq,中的信号矢量1≤j≤Mi,进行降维处理，以得到所有信号矢量在二维信号空间中对应的坐标；步骤五、构建每条RSS序列在二维信号空间中对应的路径轨迹及其所包含的线段；步骤六、对所有路径轨迹所包含的线段进行基于线段密度的聚类，以得到每条线段所属的聚类号及每个聚类所包含的线段集合；步骤七、根据线段聚类间的转移关系构建信号逻辑图，并得到各聚类间的转移次数；步骤八、对区域内用户的运动路径模式进行观测，得到NPathPattern种不同的运动路径模式，并统计用户从每个子区域到其他子区域的转移次数；步骤九、根据各子区域间的连接关系，将目标区域表示为一幅由不同子区域节点相互连通的物理逻辑图；步骤十、根据步骤七所得到的各聚类间的转移次数(如聚类c3到c4的转移次数为)与步骤八所得到的用户从每个子区域到其他子区域的转移次数(如子区域k到l的转移次数为Tkl)，分别构建信号与物理空间的概率转移矩阵PS和PA，同时，将信号逻辑图与物理逻辑图中各个节点的热度进行排序，并把信号逻辑图中各个节点映射到物理逻辑图中热度排序相同的节点，进而得到信号逻辑图到物理逻辑图的映射准则；步骤十一、在定位阶段，令新采集的信号序列为RSSnew＝{rssnew1,rssnew2,...,rssnewk1}；步骤十二、根据所述步骤六所得到的聚类，将每个聚类所包含的RSS信号拟合为正态分布，并通过计算新采集信号序列RSSnew相对于每个聚类的联合概率来判断其所属聚类；步骤十三、根据所述步骤十得到的信号逻辑图到物理逻辑图的映射准则，得到新采集信号序列RSSnew所属的子区域；步骤十四、通过对大量新采集信号序列的定位结果进行统计分析，构建用户行为分布图；步骤十五、基于步骤十四所得到的用户行为分布图，对目标区域内用户的行为进行分析，得到用户行为分析结果。所述步骤六包括以下步骤：6a、定义任意两条线段Li与Lj之间的三个广义距离：垂直距离平行距离和角度距离其中，和为线段Li到Lj的三个广义距离，和为线段Lj到Li的三个广义距离，基于此，Li与Lj之间的距离公式为6b、令idij表示路径轨迹中第j条线段所属的聚类号，将所有线段所属聚类号idij的初始值设置为0，其中，idij＝0表示线段未被聚类且设置聚类号CN＝1；6c、任意选择一个未被遍历的线段Li,1≤i≤Mi-1,，利用步骤6a中的距离公式计算其它线段Lj,1≤j≤Mj-1,与线段Li的距离dij；6d、比较dij与e邻域的大小，若dij≤e，则令线段Lj在Li的e邻域内，记Li的e邻域为N(Li)；6e、记线段Li的e邻域内的线段数目为并比较与最小线段数阈值Min的大小；若则令线段Li为核心线段且Li的e邻域内的所有线段都属于第CN类，即idij＝CN，同时，令候选集Q＝N(Li)-Li并转至步骤6f；反之，转至步骤6c；6f、遍历候选集Q中线段Li，重复步骤6c至步骤6e，并将满足条件的新候选集归并到Q中；6g、令CN＝CN+1；6h、重复步骤6c至步骤6g，直至完成对所有线段的遍历，其中，idij＝0所对应的线段表示噪声；6i、将步骤三得到的中idij相同的信号矢量存储为一类，记为其中，clusterCN,1≤CN≤m,为第CN个RSS信号聚类，表示idij＝CN的RSS矢量集合，m表示聚类个数；6j、将路径轨迹中线段的所属聚类号集合用表示，即：其中，为第i条路径轨迹中第j条线段的所属聚类号。所述步骤七包括以下步骤：7a、根据步骤六的结果，在集合中，将每条线段所属的聚类号作为一个元素，且每个不同的元素用一个圆圈表示，圆圈中的值用对应的元素值进行表示；7b、顺序遍历集合中的元素；若当前时刻与上一时刻遍历元素不同，则连接两时刻遍历元素所对应的圆圈，其中，当两元素所对应的圆圈存在多次连接时，仅保留一条连接线段；7c、重复步骤7b，直至遍历完中的所有元素，从而完成路径轨迹所对应的信号逻辑图的构建；7d、重复步骤7a至步骤7c，得到所有路径轨迹所对应的信号逻辑图；7e、用圆圈表示所述步骤六得到的所有聚类，每个圆圈表示一个聚类，圆圈中的值用对应的聚类号进行表示；7f、根据路径轨迹所对应的信号逻辑图中圆圈之间连接关系，连接步骤7e中的圆圈；7g、重复步骤7e至步骤7f，将所有路径轨迹所对应的信号逻辑图进本文档来自技高网...

【技术保护点】
基于线段密度的室内WLAN用户定位与行为分析方法，其特征在于，包括以下步骤：步骤一、将目标区域划分为NArea个子区域；步骤二、采集目标区域内运动用户的Nseq条RSS序列，记为其中，第i条RSS序列具体表示为：其中，rssij＝(rssij1,rssij2,...,rssijk)(1≤j≤Mi)为中第j个信号矢量，Mi为第i条RSS序列的序列长度，即第i条RSS序列包含的信号矢量个数，k1为AP数目，rssijl1(1≤l1≤k1)为第i条RSS序列内第j个信号矢量中来自第l1个接入点AP的信号强度值；步骤三、对采集的每条RSS序列进行小波去噪处理，得到新的Nseq条RSS序列，记为步骤四、利用多维尺度MDS方法对所述步骤三得到的RSS序列中的信号矢量进行降维处理，以得到所有信号矢量在二维信号空间中对应的坐标；步骤五、构建每条RSS序列在二维信号空间中对应的路径轨迹及其所包含的线段；步骤六、对所有路径轨迹所包含的线段进行基于线段密度的聚类，以得到每条线段所属的聚类号及每个聚类所包含的线段集合；步骤七、根据线段聚类间的转移关系构建信号逻辑图，并得到各聚类间的转移次数；步骤八、对区域内用户的运动路径模式进行观测，得到NPathPattern种不同的运动路径模式，并统计用户从每个子区域到其他子区域的转移次数；步骤九、根据各子区域间的连接关系，将目标区域表示为一幅由不同子区域节点相互连通的物理逻辑图；步骤十、根据所述步骤七所得到的各聚类间的转移次数与所述步骤八所得到的用户从每个子区域到其他子区域的转移次数，分别构建信号与物理空间的概率转移矩阵PS和PA，同时，将信号与物理逻辑图中各个节点的热度进行排序，并把信号逻辑图中各个节点映射到物理逻辑图中热度排序相同的节点，进而得到信号逻辑图到物理逻辑图的映射准则；步骤十一、在定位阶段，令新采集的信号序列为步骤十二、根据所述步骤六所得到的聚类，将每个聚类所包含的RSS信号拟合为正态分布，并通过计算新采集信号序列RSSnew相对于每个聚类的联合概率来判断其所属聚类；步骤十三、根据所述步骤十所得到的信号逻辑图到物理逻辑图的映射准则，得到新采集信号序列RSSnew所属的子区域；步骤十四、通过对大量新采集信号序列的定位结果进行统计分析，构建用户行为分布图；步骤十五、基于所述步骤十四所得到的用户行为分布图，对目标区域内用户的行为进行分析，得到用户行为分析结果。...

【技术特征摘要】
1.基于线段密度的室内WLAN用户定位与行为分析方法，其特征在于，包括以下步骤：步骤一、将目标区域划分为NArea个子区域；步骤二、采集目标区域内运动用户的Nseq条RSS序列，记为其中，第i条RSS序列具体表示为：其中，rssij＝(rssij1,rssij2,...,rssijk),1≤j≤Mi,为中第j个信号矢量，Mi为第i条RSS序列的序列长度，即第i条RSS序列包含的信号矢量个数，k1为AP数目，为第i条RSS序列内第j个信号矢量中来自第l1个接入点AP的信号强度值；步骤三、对采集的每条RSS序列进行小波去噪处理，得到新的Nseq条RSS序列，记为步骤四、利用多维尺度MDS方法对所述步骤三得到的RSS序列中的信号矢量进行降维处理，以得到所有信号矢量在二维信号空间中对应的坐标；步骤五、构建每条RSS序列在二维信号空间中对应的路径轨迹及其所包含的线段；步骤六、对所有路径轨迹所包含的线段进行基于线段密度的聚类，以得到每条线段所属的聚类号及每个聚类所包含的线段集合；步骤七、根据线段聚类间的转移关系构建信号逻辑图，并得到各聚类间的转移次数；步骤八、对区域内用户的运动路径模式进行观测，得到NPathPattern种不同的运动路径模式，并统计用户从每个子区域到其他子区域的转移次数；步骤九、根据各子区域间的连接关系，将目标区域表示为一幅由不同子区域节点相互连通的物理逻辑图；步骤十、根据所述步骤七所得到的各聚类间的转移次数与所述步骤八所得到的用户从每个子区域到其他子区域的转移次数，分别构建信号与物理空间的概率转移矩阵PS和PA，同时，将信号逻辑图与物理逻辑图中各个节点的热度进行排序，并把信号逻辑图中各个节点映射到物理逻辑图中热度排序相同的节点，进而得到信号逻辑图到物理逻辑图的映射准则；步骤十一、在定位阶段，令新采集的信号序列为步骤十二、根据所述步骤六所得到的聚类，将每个聚类所包含的RSS信号拟合为正态分布，并通过计算新采集信号序列RSSnew相对于每个聚类的联合概率来判断其所属聚类；步骤十三、根据所述步骤十所得到的信号逻辑图到物理逻辑图的映射准则，得到新采集信号序列RSSnew所属的子区域；步骤十四、通过对大量新采集信号序列的定位结果进行统计分析，构建用户行为分布图；步骤十五、基于所述步骤十四所得到的用户行为分布图，对目标区域内用户的行为进行分析，得到用户行为分析结果。2.根据权利要求1所述的基于线段密度的室内WLAN用户定位与行为分析方法，其特征在于，所述步骤六包括以下步骤：6a、定义任意两条线段Li与Lj之间的三个广义距离：垂直距离平行距离和角度距离其中，和为线段Li到Lj的三个广义距离，和为线段Lj到Li的三个广义距离，基于此，Li与Lj之间的距离公式为6b、令idij表示路径轨迹中第j条线段所属的聚类号，将所有线段所属聚类号idij的初始值设置为0，其中，idij＝0表示线段未被聚类且设置聚类号CN＝1；6c、任意选择一个未被遍历的线段Li,1≤i≤Mi-1,利用步骤6a中的距离公...

【专利技术属性】
技术研发人员：周牧，王羽，王烟濛，田增山，何维，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;85