楼宇的用户定位方法、装置、设备及计算机存储介质制造方法及图纸

本公开实施例提供了一种楼宇的用户定位方法、装置、设备及计算机存储介质，包括获取用户的MRO数据，MRO数据包括第一时间数据和用户标识数据；将所述MRO数据输入神经网络模型；神经网络模型通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，区域中的用户特征数据；通过神经网络模型将用户标识数据与用户特征数据对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据来对所述用户进行定位；本公开由室分数据中的用户特征数据和楼宇区域特征数据等参数训练神经网络模型，对用户周期性MRO数据中包含的用户标识数据进行关联识别，继而实现快速锁定对应用户在楼宇的位置，实现准确、高效定位。高效定位。高效定位。

【技术实现步骤摘要】
楼宇的用户定位方法、装置、设备及计算机存储介质


[0001]本公开属于位置定位
，尤其涉及一种楼宇的用户定位方法、装置及设备。

技术介绍

[0002]目前，城市用户室内工作、学习和生活的时间占到全天时间的70％
‑
90％，用户在室内活动的时间越来越多，室内活动空间也越来越大，尤其是楼层多、楼层面积大的楼宇空间，在发生安全类问题时，快速锁定楼宇用户所在的位置，对做出安全防护工作的部署是十分重要的。
[0003]现有的室内用户定位方法，主要是通过WiFi定位方式，其基本原理是根据接收机对无线电信号的接收，来判断接收机与已知位置信号源的相对位置，来得出用户所在位置。这些现有定位方法对WiFi设备的依赖性较强，且定位准确度较低，且在实际应用中还不能够做到在出现安全类问题时，快速锁定用户。
[0004]因此，如何在多楼层、宽楼层范围的楼宇空间，快速锁定用户的位置，是亟需解决的问题。

技术实现思路

[0005]本公开实施例提供一种楼宇的用户定位方法、装置、设备及计算机存储介质，能够快速锁定室内用户的位置。
[0006]第一方面，本公开实施例提供一种楼宇的用户定位方法，方法包括：
[0007]获取用户的周期性MRO数据，MRO数据至少包括第一时间数据和用户标识数据；
[0008]将MRO数据输入预设的神经网络模型；神经网络模型为通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，以及区域中的用户特征数据；
[0009]通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
[0010]在一些实施例中，在将MRO数据输入预设的神经网络模型之前，方法还包括，训练神经网络模型；
[0011]训练神经网络模型具体包括：
[0012]对预设范围内的楼宇的空间进行划分，得到每个楼宇的若干个区域；
[0013]对均布在区域中的若干个采样点进行数据采集，得到楼宇的室分数据；
[0014]将室分数据输入到神经网络模型，对神经网络模型进行训练，使得神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。
[0015]在一些实施例中，将用户标识数据与用户特征数据进行对应关联时，根据预设的中间表进行对应关联；中间表中包含用户标识数据与用户特征数据的对应关系。
[0016]在一些实施例中，将室分数据输入到神经网络模型之前，定位方法还包括：
[0017]通过预设的干扰样本剔除规则，对室分数据进行数据清洗。
[0018]在一些实施例中，区域特征数据包括区域的标识、以及区域中的通信工参数据；MRO数据中还包括通信工参测量数据；
[0019]通过区域特征数据对用户进行定位之前，方法还包括：
[0020]将通信工参测量数据与区域中的通信工参数据进行一致性匹配。
[0021]第二方面，本公开实施例提供了一种楼宇的用户定位装置，装置包括：
[0022]获取模块，用于获取用户的周期性MRO数据，MRO数据至少包括第一时间数据和用户标识数据；
[0023]输入模块，用于将MRO数据输入预设的神经网络模型；神经网络模型为通过楼宇的室分数据训练的模型，室分数据包括第二时间数据、楼宇中若干区域的区域特征数据，以及区域中的用户特征数据；
[0024]定位模块，用于通过神经网络模型，将用户标识数据与用户特征数据进行对应关联，并根据第一时间数据与第二时间数据的一致性，确定区域特征数据，并通过区域特征数据对用户进行定位。
[0025]在一些实施例中，装置还包括：训练模块，用于训练神经网络模型；训练模块具体用于：
[0026]对预设范围内的楼宇的空间进行划分，得到每个楼宇的若干个区域；
[0027]对均布在区域中的若干个采样点进行数据采集，得到楼宇的室分数据；
[0028]将室分数据输入到神经网络模型，对神经网络模型进行训练，使得神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。
[0029]在一些实施例中，区域特征数据包括区域的标识、以及区域中的通信工参数据；MRO数据中还包括通信工参测量数据；
[0030]定位模块具体还用于：
[0031]将通信工参测量数据与区域中的通信工参数据进行一致性匹配。
[0032]第三方面，本公开实施例提供了一种楼宇的用户定位设备，设备包括：处理器，以及存储有计算机程序指令的存储器；处理器读取并执行计算机程序指令，以实现如上述任意一实施例的楼宇的用户定位方法。
[0033]第四方面，本公开实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上述任意一实施例的楼宇的用户定位方法。
[0034]本公开实施例的楼宇的用户定位方法、装置、设备及计算机存储介质，由室分数据中的用户特征数据和楼宇区域特征数据等参数，训练神经网络模型，基于训练的神经网络模型，对用户周期性上传的MRO数据中包含的用户标识数据进行关联识别，继而实现快速锁定对应用户在楼宇的位置，实现准确、高效定位。
附图说明
[0035]为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例中所需要使用的附图作简单的介绍，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。
[0036]图1是本公开实施例提供的一种楼宇的用户定位方法的流程示意图；
[0037]图2是本公开另一实施例提供的一种楼宇的用户定位方法的流程示意图；
[0038]图3是图2所示方法中训练神经网络模型的流程示意图；
[0039]图4是图3中所示方法中采用的神经网络的在一个具体示例中的结构示意图；
[0040]图5是图2所示方法中获取用户MRO数据的流程示意图；
[0041]图6是本公开实施例提供的一种楼宇的用户定位装置的结构示意图；
[0042]图7是本公开实施例提供的一种楼宇的用户定位设备的结构示意图。
具体实施方式
[0043]下面将详细描述本公开的各个方面的特征和示例性实施例，为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本公开进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本公开，而不是限定本公开。对于本领域技术人员来说，本公开可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本公开的示例来提供对本公开更好的理解。
[0044]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种楼宇的用户定位方法，其特征在于，包括：获取用户的周期性MRO数据，所述MRO数据至少包括第一时间数据和用户标识数据；将所述MRO数据输入预设的神经网络模型；所述神经网络模型为通过楼宇的室分数据训练的模型，所述室分数据包括第二时间数据、所述楼宇中若干区域的区域特征数据，以及所述区域中的用户特征数据；通过所述神经网络模型，将所述用户标识数据与所述用户特征数据进行对应关联，并根据所述第一时间数据与所述第二时间数据的一致性，确定所述区域特征数据，并通过所述区域特征数据对所述用户进行定位。2.根据权利要求1所述的楼宇的用户定位方法，其特征在于，在所述将所述MRO数据输入预设的神经网络模型之前，所述方法还包括，训练所述神经网络模型；所述训练所述神经网络模型具体包括：对预设范围内的所述楼宇的空间进行划分，得到每个楼宇的若干个所述区域；对均布在所述区域中的若干个采样点进行数据采集，得到所述楼宇的所述室分数据；将所述室分数据输入到所述神经网络模型，对所述神经网络模型进行训练，使得所述神经网络模型能够根据用户特征数据，确定对应用户所在的楼宇和/或区域。3.根据权利要求2所述的楼宇的用户定位方法，其特征在于，所述将所述用户标识数据与所述用户特征数据进行对应关联时，根据预设的中间表进行对应关联；所述中间表中包含所述用户标识数据与所述用户特征数据的对应关系。4.根据权利要求2所述的楼宇的用户定位方法，其特征在于，所述将所述室分数据输入到所述神经网络模型之前，所述方法还包括：通过预设的干扰样本剔除规则，对所述室分数据进行数据清洗。5.根据权利要求1
‑
4任一项所述的楼宇的用户定位方法，其特征在于，所述区域特征数据包括所述区域的标识、以及所述区域中的通信工参数据；所述MRO数据中还包括通信工参测量数据；所述通过所述区域特征数据对所述用户进行定位之前，所述定位方法还包括：将所述通信工参测量数据与所述区域中的通信工参数据进行一...

【专利技术属性】
技术研发人员：刘文吉，郭宝，张华，姚坤，常锋，郭鹏，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：