模型训练方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种模型训练方法、装置、设备及介质，该方法包括：获取历史无线保真WiFi扫描信息以及历史WiFi分布信息；历史WiFi扫描信息包括多组WiFi扫描信息，每组WiFi扫描信息包括至少一个第一WiFi信息，历史WiFi分布信息包括每个兴趣点关联的第二WiFi信息；针对每个兴趣点，基于兴趣点关联的第二WiFi信息以及每组WiFi扫描信息中的至少一个第一WiFi信息，生成与兴趣点对应的共现信息；针对每个共现信息，基于共现信息以及与共现信息对应的标签，生成训练样本数据；基于各个训练样本数据，对待训练的模型进行训练，得到训练好的模型；训练好的模型用于基于当前WiFi扫描信息确定对应的兴趣点定位信息。本公开实施例，有利于提升定位结果的准确性。升定位结果的准确性。升定位结果的准确性。

【技术实现步骤摘要】
模型训练方法、装置、电子设备及存储介质


[0001]本公开涉及定位
，具体而言，涉及一种模型训练方法、模型训练装置、电子设备以及计算机存储介质。

技术介绍

[0002]WiFi指纹定位技术是实现兴趣点(Point of Interest，POI)定位的重要技术之一，由于其无需人工部署设备以及具备良好的空间分布特征，在业内被广泛使用。常见的指纹定位技术中，通常是基于用户通过电子设备扫描到的WiFi信息与采集到的历史WiFi指纹信息之间的交叉信息，来确定用户当前所在的兴趣点，若交叉信息存在误差，则会影响最终定位结果的可信度，因此，如何提升定位结果的可信度，是当前亟待解决的问题。

技术实现思路

[0003]本公开实施例至少提供一种模型训练方法、装置、电子设备以及存储介质，可以提升定位结果的可信度。
[0004]本公开实施例提供了一种模型训练方法，包括：
[0005]获取历史无线保真WiFi扫描信息以及历史WiFi分布信息；所述历史WiFi扫描信息包括多组WiFi扫描信息，每组WiFi扫描信息包括至少一个第一WiFi信息，所述历史WiFi分布信息包括每个兴趣点关联的第二WiFi信息；
[0006]针对每个兴趣点，基于所述兴趣点关联的第二WiFi信息以及每组WiFi扫描信息中的至少一个第一WiFi信息，生成与所述兴趣点对应的共现信息；所述共现信息用于表征每组中的每个第一WiFi信息相对于所述兴趣点关联的第二WiFi信息的扫描状态；
[0007]针对每个共现信息，基于所述共现信息以及与所述共现信息对应的标签，生成训练样本数据；所述共现信息对应的标签基于与所述共现信息对应的兴趣点所关联的预设线下行为信息确定；
[0008]基于各个训练样本数据，对待训练的模型进行训练，得到训练好的模型；所述训练好的模型用于基于当前WiFi扫描信息确定对应的兴趣点定位信息。
[0009]本公开实施例中，基于历史WiFi分布信息以及历史WiFi扫描信息构建了与兴趣点对应的共现信息，由于共现信息表征了历史扫描到的WiFi信息相对于与所述兴趣点关联的第二WiFi信息的扫描状态，因此，基于共现信息生成训练样本数据对待训练的模型进行训练，可以增强模型对于WiFi扫描信息与兴趣点之间的关联关系的记忆，并得到训练好的模型，进一步的，可以基于训练好的模型进行兴趣点预测，进而提升定位结果的可信度。
[0010]在一种可能的实施方式中，每个兴趣点具有相应的兴趣点标识信息；所述基于所述兴趣点关联的第二WiFi信息以及每组WiFi扫描信息中的至少一个第一WiFi信息，生成与所述兴趣点对应的共现信息，包括：
[0011]针对每个兴趣点，基于所述兴趣点关联的第二WiFi信息以及所述每组中的第一WiFi信息，生成与所述兴趣点对应的扫描分布标识信息；
[0012]基于所述兴趣点的兴趣点标识信息以及与所述兴趣点对应的扫描分布标识信息，生成所述与所述兴趣点对应的共现信息。
[0013]本公开实施例中，基于兴趣点的唯一的兴趣点标识信息，以及兴趣点对应的扫描分布标识信息，生成与兴趣点对应的共现信息，如此，使得共现信息具有兴趣点的特征以及对应的关联WiFi特征，这样，在后续步骤基于共现信息进行模型训练时，即可使得模型能够学习到兴趣点与对应WiFi之间的关联关系，有利于提升模型的精度。
[0014]在一种可能的实施方式中，所述第一WiFi信息包括第一WiFi以及所述第一WiFi的信号强度，所述第二WiFi信息包括第二WiFi以及所述第二WiFi的信号强度，每个兴趣点关联的第二WiFi之间存在分布顺序，所述分布顺序由所述各个第二WiFi的信号强度确定；
[0015]所述针对每个兴趣点，基于所述兴趣点关联的第二WiFi信息以及所述每组中的第一WiFi信息，生成与所述兴趣点对应的扫描分布标识信息，包括：
[0016]针对每个兴趣点关联的每个第二WiFi，基于所述第二WiFi以及所述每组中的每个第一WiFi，生成子扫描分布标识信息；
[0017]将各个子扫描分布标识信息按照所述兴趣点关联的第二WiFi之间的分布顺序进行拼接，生成所述扫描分布标识信息。
[0018]本公开实施例中，由于每个兴趣点关联有至少一个第二WiFi，因此，可以针对每个第二WiFi，生成对应的子扫描分布标识信息，然后将各个子扫描分布标识信息进行拼接，得到扫描分布标识信息，如此，可以提升扫描分布标识信息的准确性，从而提升后续生成训练样本数据的准确性，进而提升模型训练的精度。
[0019]在一种可能的实施方式中，所述子扫描分布标识信息对应一个扫描标志位以及多个信号强度标志位，不同信号强度标志位用于表征不同信号强度；所述针对每个兴趣点关联的每个第二WiFi，基于所述第二WiFi以及所述每组中的每个第一WiFi，生成子扫描分布标识信息，包括：
[0020]针对每个第二WiFi，在存在与所述第二WiFi的媒体访问控制地址MAC地址相同的目标第一WiFi的情况下，确定所述扫描标志位的值为1；
[0021]从信号强度标志位中确定所述目标第一WiFi的信号强度对应的目标信号强度标志位，并将所述目标信号强度标志位的值确定为1，将除所述目标信号强度标志位之外的其他信号强度标志位的值确定为0；
[0022]基于所述扫描标志位的值以及所述信号强度标志位的值，生成所述子扫描分布标识信息。
[0023]本公开实施例中，通过确定扫描标志位的值以及信号强度标志位的值，确定子扫描分布标识信息，有利于提升子扫描分布标识信息的准确性。
[0024]在一种可能的实施方式中，所述共现信息的格式为字符串格式；所述针对每个共现信息，基于所述共现信息以及与所述共现信息对应的标签，生成训练样本数据，包括：
[0025]针对每个共现信息，对所述字符串格式的共现信息进行特征处理，生成与所述共现信息对应的特征向量；
[0026]获取与所述共现信息对应的兴趣点所关联的预设线下行为信息，并基于所述预设线下行为信息确定所述标签对应的真值；
[0027]基于所述特征向量以及所述标签对应的真值，生成所述训练样本数据。
[0028]本公开实施例中，通过将字符串格式的共现信息转换为特征向量，如此，便于进行后续步骤的模型训练。此外，基于预设线下行为信息确定特征向量的真值，并为特征向量标定真值，可以提升训练样本数据的准确性。
[0029]在一种可能的实施方式中，所述基于所述预设线下行为信息确定所述标签对应的真值，包括：
[0030]在发生预设线下行为的情况下，将所述标签对应的真值确定为1；或者，
[0031]在未发生预设线下行为的情况下，将所述标签对应的真值确定为0。
[0032]本公开实施例中，若发生预设线下行为说明在该兴趣点内进行过预设线下行为，该标签对应的真值确定为1，若未发生预设线下行为说明在该兴趣点内未进行过预设线下行为，该标签对应的真值确定为0，可以提升真值确定的准确性，进而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取历史无线保真WiFi扫描信息以及历史WiFi分布信息；所述历史WiFi扫描信息包括多组WiFi扫描信息，每组WiFi扫描信息包括至少一个第一WiFi信息，所述历史WiFi分布信息包括每个兴趣点关联的第二WiFi信息；针对每个兴趣点，基于所述兴趣点关联的第二WiFi信息以及每组WiFi扫描信息中的至少一个第一WiFi信息，生成与所述兴趣点对应的共现信息；所述共现信息用于表征每组中的每个第一WiFi信息相对于所述兴趣点关联的第二WiFi信息的扫描状态；针对每个共现信息，基于所述共现信息以及与所述共现信息对应的标签，生成训练样本数据；所述共现信息对应的标签基于与所述共现信息对应的兴趣点所关联的预设线下行为信息确定；基于各个训练样本数据，对待训练的模型进行训练，得到训练好的模型；所述训练好的模型用于基于当前WiFi扫描信息确定对应的兴趣点定位信息。2.根据权利要求1所述的方法，其特征在于，每个兴趣点具有相应的兴趣点标识信息；所述基于所述兴趣点关联的第二WiFi信息以及每组WiFi扫描信息中的至少一个第一WiFi信息，生成与所述兴趣点对应的共现信息，包括：针对每个兴趣点，基于所述兴趣点关联的第二WiFi信息以及所述每组中的第一WiFi信息，生成与所述兴趣点对应的扫描分布标识信息；基于所述兴趣点的兴趣点标识信息以及与所述兴趣点对应的扫描分布标识信息，生成所述与所述兴趣点对应的共现信息。3.根据权利要求2所述的方法，其特征在于，所述第一WiFi信息包括第一WiFi以及所述第一WiFi的信号强度，所述第二WiFi信息包括第二WiFi以及所述第二WiFi的信号强度，每个兴趣点关联的第二WiFi之间存在分布顺序，所述分布顺序由所述各个第二WiFi的信号强度确定；所述针对每个兴趣点，基于所述兴趣点关联的第二WiFi信息以及所述每组中的第一WiFi信息，生成与所述兴趣点对应的扫描分布标识信息，包括：针对每个兴趣点关联的每个第二WiFi，基于所述第二WiFi以及所述每组中的每个第一WiFi，生成子扫描分布标识信息；将各个子扫描分布标识信息按照所述兴趣点关联的第二WiFi之间的分布顺序进行拼接，生成所述扫描分布标识信息。4.根据权利要求3所述的方法，其特征在于，所述子扫描分布标识信息对应一个扫描标志位以及多个信号强度标志位，不同信号强度标志位用于表征不同信号强度；所述针对每个兴趣点关联的每个第二WiFi，基于所述第二WiFi以及所述每组中的每个第一WiFi，生成子扫描分布标识信息，包括：针对每个第二WiFi，在存在与所述第二WiFi的媒体访问控制地址MAC地址相同的目标第一WiFi的情况下，确定所述扫描标志位的值为1；从信号强度标志位中确定所述目标第一WiFi的信号强度对应的目标信号强度标志位，并将所述目标信号强度标志位的值确定为1，将除所述目标信号强度标志位之外的其他信号强度标志位的值确定为0；基于所述扫描标志位的值以及所述信号强度标志位的值，生成所述子扫描分布标识信
息。5.根据权利要求1所述的方法，其特征在于，所述共现信息的格式为字符串格式；所述针对每个共现信息，基于所述共现信息以及与所述共现信息对应的标签，生成训练样本数据，包括：针对每个共现信息，对所述字符串格式的共现信息进行特征处理，生成与所述共现信息对应的特征向量；获取与所述共现信息对应的兴趣点所关联的预设线下行为信息，并基于所述预设线下行为信息确定所述标签对应的真值；基于所述特征向量以及所述标签对应的真值，生成所述训练样本数据。6.根据权利要求5所述的方法，其特征在于，所述基于所述预设线下行为信息确定所述标签对应的真值，包括：在发生预设线下行为的情况下，将所述标签对应的真值确定为1；或者，在未发生预设线下行为的情况下，将所述标签对应的真值确定为0。7.根据权利要求5所述的方法，其特征在于，所述针对每个共现信息，对所述字符串格式的共现信息进行特征处理，...

【专利技术属性】
技术研发人员：冯朝阳，尹卜一，焦恒建，王畔，
申请(专利权)人：抖音视界有限公司，
类型：发明
国别省市：