[发明专利]一种基于WIFI的停车场反向寻车方法

权利要求书

1.一种基于Wi-Fi的停车场反向寻车方法，其特征在于，主要包括以下步骤：

1)确定停车场区域；将所述停车场划分为m个域块；m为自然数；

所述停车场覆盖有无线Wi-Fi网络；所述无线Wi-Fi网络主要由n个Wi-Fi无线接入点AP_x组成；x＝1,2，…，n；

2)基于所述无线Wi-Fi网络，建立停车场室内定位模型；主要步骤如下：

2.1)建立用于停车场室内定位的信号序列D和接收信号强度RSS数据样本集R；

建立信号序列D和接收信号强度RSS数据样本集R的主要步骤如下：

2.1.1)将m个域块的区域中心分别记为采样点P_y；y＝1、2……m；所述采样点P_y具有唯一的位置坐标；

2.1.2)在0-T时间段，分别获取m个采样点P_y的信号强度，从而构建信号序列D；

式中，d_fg代表采样点P_f在第g时刻的信号强度；f＝1,2，…，m；g＝1,2，…，T；

2.1.3)在0-T时间段，分别获取所述采样点P_y接收n个Wi-Fi无线接入点AP_x的信号强度RSS数据，从而构成用于室内定位的接收信号强度RSS数据样本集R；所述数据样本集R表示如下：

R＝{R₁，R₂，…，R_t，…，R_T}； (2)

式中，R₁，R₂，…，R_t，…，R_T分别为第1时刻、第2时刻、…、第t时刻、…、第T时刻所述采样点P_y接收n个Wi-Fi无线接入点AP_x的信号强度RSS数据；

其中，第t时刻所述采样点P_y接收n个Wi-Fi无线接入点AP_x的信号强度RSS数据R_t表示如下：

式中，为采样点P_h在第t时刻接收Wi-Fi无线接入点AP_u的信号强度RSS数据；t为时间；h＝1,2，…，m；u＝1,2，…，n；

2.2)对所述接收信号强度数据样本集R中的数据进行预处理，从而得到预处理后的接收信号强度数据样本集R^*；对所述信号序列D中的数据进行预处理，从而得到预处理后的信号序列D^*；所述预处理主要包括去噪和归一化；

预处理后的信号序列D^*如下所示：

式中,代表预处理后采样点P_f在第g时刻的信号强度；f＝1,2，…，m；g＝1,2，…，T；

预处理后的接收信号强度数据样本集R^*如下所示：

R＝{R₁^*，R₂^*，…，R_t^*，…，R_T^*}； (5)

式中，R₁^*，R₂^*，…，R_t^*，…，R_T^*分别为预处理后第1时刻、第2时刻、…、第t时刻、…、第T时刻所述采样点P_y接收n个Wi-Fi无线接入点AP_x的信号强度RSS数据；

其中，预处理后第t时刻所述采样点P_y接收n个Wi-Fi无线接入点AP_x的信号强度RSS数据R_t^*表示如下：

式中，为预处理后采样点P_h在第t时刻接收Wi-Fi无线接入点AP_u的信号强度RSS数据；h＝1,2，…，m；u＝1,2，…，n；t为时间；

2.3)检测出所述停车场内所有停有车辆的地点，记为停车点C_e；e＝1，2，…，s；s为所述停车场中停放车辆的总数；

检测所述停车场内所有停有车辆的地点的主要步骤如下：

2.3.1)设母小波ψ_a,b(t)为：

式中，a为尺度因子，b为平移因子；t为时间；

2.3.2)设信号x(t)在小波基函数上的投影，即参数小波为WT_x(a,b)；参数小波WT_x(a,b)如下所示：

式中，a为尺度因子，b为平移因子；a₀＝2；b₀＝1；ψ_a,b(t)为母小波；x(t)为信号序列D^*中的信号；

2.3.3)将母小波ψ_a,b(t)和参数小波WT_x(a,b)离散化；

离散后，尺度因子a和平移因子b如下所示：

式中，a₀＝2；b₀＝1；Z为整数集；k,j∈Z；k和j为离散转换系数；

离散参数小波如下所示：

式中，a₀＝2；b₀＝1；Z为整数集；k,j∈Z；ψ_a,b(t)为母小波；x(t)为信号序列D^*中的信号；k和j为离散转换系数；

2.3.4)将所述数据集D^*的第一列，即信号序列D₁^*作为处理对象；

2.3.5)对信号序列D₁^*进行高斯函数的拟合，得到离散信号序列

将所述离散信号序列代入公式9中，得到信号序列D₁^*分解之后的信号序列

将信号序列的前L个数据拟合为高斯分布，其中概率密度函数f(x)如下所示：

式中，x为信号序列的任意数据；μ为均值；σ²为方差；

2.3.6)判断信号序列的后m-L个数据是否符合所述高斯分布；若不符合，则数据对应的采样点P_y为停车点；提取所述停车点中停放车辆的信号强度RSS；

2.3.7)分别将所述数据集D^*的第二列、第三列、…第T列作为处理对象；重复步骤2.3.5和步骤2.3.6，检测出所有停车点，并提取每个停车点中停放车辆的信号强度RSS；

2.4)提取停车点C_e停放车辆的信号特征；

2.5)根据停车点C_e和停放车辆的信号特征，利用堆砌回归树构建停车场实时定位模型；

构建实时定位模型的主要步骤如下：

2.5.1)将n列数据样本集R^*分别作为输入样本；确定所有样本的初始权重分布D1，初始权重分布D2，…，初始权重分布D_n；

式中，m为采样点P_y总数；ω_1v为数据样本集R₁^*第m个数据的权重；

2.5.2)对权重D_n所在的数据集R^*_n学习，得到基本分类器；基本分类器如下所示：

式中，v为采样点P_y的序列数；X为数据样本集R^*中的数据；

2.5.3)计算R_n(x)在数据集R_*n上的分类误差率e_n；分类误差率e_n如下所示：

式中，y_v为第v个采样点；Pro为概率；I(*)为特征函数；ω_nv为数据样本集R_n^*第v个数据的权重；m为采样点P_y总数；

其中，R_n(x)的系数α_n如下所示：

式中，e_n为分类误差率；

2.5.4)计算数据集R^*的权重分布D_n+1；权重分布D_n+1如下所示：

D_n+1＝(ω_n+1，1，…，ω_n+1，v，…，ω_n+1，m)； (16)

式中，m为采样点P_y总数；ω_n+1，m为数据样本集R_n*第m个数据的权重；

其中，权重ω_n+1，v如下所示：

式中，A_n为规范化因子；α_n为R_n(x)的系数；y_v为第v个采样点；

其中，规范化因子A_n如下所示：

式中，α_n为R_n(x)的系数；y_v为第v个采样点；m为采样点总数；x_v为R_n(x)中第v个数据；

2.5.5)构建基本分类器的线性组合：

式中，n为Wi-Fi无线接入点AP_x的总数；α_β为R_β(x)的系数；R_β(x)为基本分类器；

2.5.6)得到最终分类器G(x)；最终分类器G(x)如下所示：

式中，sign(*)为符号函数；α_n为R_n(x)的系数；

3)确定待定位的目标车辆；

4)根据所述停车场室内定位模型，获取所述目标车辆位置，实现反向寻车；

通过室内定位模型获得相应的室内位置的主要步骤如下：

4.1)采集实时的停车数据即信号强度RSS和反向寻车数据即车主此时的信号强度RSS，并分别构成矩阵T和矩阵F；

4.2)将矩阵T和F中的数据作为实时定位模型的输入，和所述实时定位模型中的信号强度数据进行匹配，从而获得所述目标车辆的位置；

4.3)利用所述无线Wi-Fi网络，智能终端检测并记录车主的当前位置；

4.4)根据车主的当前位置和所述目标车辆的位置，智能终端生成导航路线，实现反向寻车。