一种定位方法以及装置

技术领域

本申请涉及机器学习领域，尤其涉及一种定位方法以及装置。

背景技术

在通信领域中，移动计算和无线通信技术的飞速发展为室内定位技术开辟了新的研究方向。然而，常用的方案并不能根据GPS信号的可用性和准确度来直接推断出周围环境的状态。众所周知，定位和追踪系统因为GPS卫星视距阻挡的原因在室内表现很差，全球定位系统(Global Positioning System，GPS)模块的不可用或者可见卫星数量的递减是能够推断出室内环境，然而，典型的GPS模块能耗比较高，而且启动和扫描延迟比较高。因此，依靠GPS模块来侦测室内外环境得到的结果是速度慢，效率低。因此，如何得到准确的室内外区分，成为亟待解决的问题。

发明内容

本申请提供了一种定位方法以及装置，用于基于少量已知室内外信息的样本数据，建立场景库，推理大范围且多样场景下的未知点位室内外信息。

第一方面，本申请提供一种定位方法，包括：获取第一场景库，第一场景库中包括多个场景的数据以及多个场景的标签；获取终端环境信息，终端环境信息中包括用于表示终端所在的场景的数据；根据终端环境信息获取终端所在的场景与多个场景之间的相似度；根据终端所在的场景与多个场景之间的相似度，从第一场景库中筛选出至少一个场景，得到第二场景库；使用第二场景库中的数据对第一模型进行训练，得到第二模型，当终端环境信息作为第二模型的输入时，第二模型的输出结果确定终端的位置信息，位置信息包括用于标识终端是否在室内的信息，其中，第一模型的数量可以是一个或者多个，相应地，第二模型的数量也可以是一个或者多个。

因此，本申请实施方式中，可以基于终端环境信息来估计终端所在场景与现有场景库中场景之间的相似度，然后根据该相似度从现有场景库中筛选出与待估计场景相似度较高的训练样本，并使用训练样本对模型进行训练，利用训练后的模型来输出终端处于室内或者室外，从而可以基于少量的数据即可实现针对终端的室内外区分，准确地确定终端处于室内或者室外。

在一种可能的实施方式中，前述的根据终端所在的场景与多个场景之间的相似度，从第一场景库中筛选出至少一个场景，得到第二场景库，可以包括：对第一场景库中的场景进行组合，得到多组第一场景组合；根据终端所在的场景与多个场景之间的相似度从多组第一场景组合中筛选出至少一组第一场景组合，得到第二场景库。

因此，本申请实施方式中，可以对现有场景库中的场景进行组合之后再进行筛选，从而可以筛选出高性能且与终端所在环境更适配的场景，提高后续的模型训练效率。

在一种可能的实施方式中，前述的对第一场景库中的场景进行组合，得到多组第一场景组合，可以包括：从多个维度对多个场景进行评估，得到多个场景的评估值，多个维度包括场景之间的相似度、室内场景和室外场景的差异、场景的自相似性或者使用多个场景进行先验训练得到的输出效果；根据多个场景的评估值，对多个场景进行组合，得到多组第一场景组合，每组场景组合中包括的场景类型不完全相同。

因此，本申请实施方式中，可以对多个场景的性能进行评估，按照评估结果对场景进行组合，从而可以按照场景的各个维度的评估值的高低来进行组合，从而可以将评估值更高的场景进行组合，提高后续的机器学习效率。

在一种可能的实施方式中，前述的多个场景属于多种类型，根据多个场景的评估值，对多个场景进行组合，得到多组场景组合，可以包括：按照多个场景的评估值，从每种类型中筛选出评估值最高的至少一个场景，并对每种类型中的至少一个场景进行组合，得到多组第一场景组合。

因此，本申请实施方式中，可以根据评估值的高低来筛选性能高的场景进行组合，从而使后续可以实现高效率的训练，提高训练后模型的输出准确度。

在一种可能的实施方式中，前述的根据终端所在的场景与多个场景之间的相似度从多组第一场景组合中筛选出至少一组第一场景组合，得到第二场景库，可以包括：按照终端所在的场景与多个场景之间的相似度，从多个场景中筛选出相似度最高的至少一个场景；对至少一个场景进行组合，得到至少一组第二场景组合；从多组第一场景组合中选取与至少一组第二场景组合的交集，得到第二场景库。

因此，本申请实施方式中，可以选取与终端所在场景相似度较高的场景的组合，与按照性能排序的场景的组合之间的交集作为训练样本，从而挑选出高训练性能且与终端实际所处场景更适配的场景数据来作为训练样本，提高训练效率，且使训练后的模型的输出结果与终端的实际所处场景更匹配。

在一种可能的实施方式中，前述的终端环境信息中包括终端的定位数据或者终端中的传感器采集到的数据。

因此，本申请实施方式中，终端采集的信息中可以包括粗略定位，或者传感器采集到的数据，该数据通常可以表示终端所在的场景，从而在仅有粗略定位或者大概描述终端所处场景的数据的情况下，也可以准确地对终端所处的实际位置进行区分。

在一种可能的实施方式中，前述的第二模型的数量为多个，上述方法还可以包括：根据多个第二模型的输出结果的平均值，得到终端的位置信息。例如，当本申请提供的方法部署在云服务器中时，可以直接根据模型输出确定终端在室内或者室外，并向终端下发终端的位置信息，从而使终端可以直接获知自身所处的具体位置。

第二方面，本申请提供一种定位装置，包括：

获取模块，用于获取第一场景库，第一场景库中包括多个场景的数据以及多个场景的标签；

收发模块，用于获取终端环境信息，终端环境信息中包括用于表示终端所在的场景的数据；

相似度计算模块，用于根据终端环境信息获取终端所在的场景与多个场景之间的相似度；

筛选模块，用于根据终端所在的场景与多个场景之间的相似度，从第一场景库中筛选出至少一个场景，得到第二场景库；

机器学习模块，用于使用第二场景库中的数据对至少一个第一模型进行训练，得到第二模型，当终端环境信息作为第二模型的输入时，第二模型的输出结果确定终端的位置信息，位置信息包括用于标识终端是否在室内的信息。

在一种可能的实施方式中，筛选模块，具体用于：对第一场景库中的场景进行组合，得到多组第一场景组合；根据终端所在的场景与多个场景之间的相似度从多组第一场景组合中筛选出至少一组第一场景组合，得到第二场景库。

在一种可能的实施方式中，筛选模块，具体用于：从多个维度对多个场景进行评估，得到多个场景的评估值，多个维度包括场景之间的相似度、室内场景和室外场景的差异、场景的自相似性或者使用多个场景进行先验训练得到的输出效果；根据多个场景的评估值，对多个场景进行组合，得到多组第一场景组合，每组场景组合中包括的场景类型不完全相同。

在一种可能的实施方式中，多个场景属于多种类型，筛选模块，具体用于按照多个场景的评估值，从每种类型中筛选出评估值最高的至少一个场景，并对每种类型中的至少一个场景进行组合，得到多组第一场景组合。

在一种可能的实施方式中，筛选模块，具体用于：按照终端所在的场景与多个场景之间的相似度，从多个场景中筛选出相似度最高的至少一个场景；对至少一个场景进行组合，得到至少一组第二场景组合；从多组第一场景组合中选取与至少一组第二场景组合的交集，得到第二场景库。

在一种可能的实施方式中，终端环境信息中包括终端的定位数据或者终端中的传感器采集到的数据。

在一种可能的实施方式中，第二模型的数量为多个，装置还包括：定位模块，用于根据多个第二模型的输出结果的平均值，得到终端的位置信息。

第三方面，本申请实施例提供一种定位装置，该定位装置具有实现上述第一方面定位方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。

第四方面，本申请实施例提供一种目标检测装置，该目标检测装置具有实现上述第二方面目标检测方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。

第五方面，本申请实施例提供一种定位装置，包括：处理器和存储器，其中，处理器和存储器通过线路互联，处理器调用存储器中的程序代码用于执行上述第一方面任一项所示的定位方法中与处理相关的功能。可选地，该定位装置可以是芯片。

第六方面，本申请实施例提供一种目标检测装置，包括：处理器和存储器，其中，处理器和存储器通过线路互联，处理器调用存储器中的程序代码用于执行上述第二方面任一项所示的目标检测方法中与处理相关的功能。可选地，该目标检测装置可以是芯片。

第七方面，本申请实施例提供了一种定位装置，该目标检测装置也可以称为数字处理芯片或者芯片，芯片包括处理单元和通信接口，处理单元通过通信接口获取程序指令，程序指令被处理单元执行，处理单元用于执行如上述第一方面或第一方面任一可选实施方式中与处理相关的功能。

第八方面，本申请实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面中任一可选实施方式中的方法。

第九方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面中任一可选实施方式中的方法。

附图说明

图1为本申请应用的一种系统架构示意图；

图2为本申请提供的一种应用场景示意图；

图3为本申请实施例提供的另一种应用场景示意图；

图4为本申请实施例提供的一种定位方法的流程示意图；

图5为本申请实施例提供的另一种定位方法的流程示意图；

图6为本申请实施例提供的另一种定位方法的流程示意图；

图7为本申请实施例提供的另一种定位方法的流程示意图；

图8为本申请实施例提供的另一种定位方法的流程示意图；

图9为本申请实施例提供的另一种定位方法的流程示意图；

图10为本申请实施例提供的另一种定位方法的流程示意图；

图11为本申请实施例提供的一种定位装置的结构示意图；

图12为本申请实施例提供的另一种定位装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

首先对人工智能系统总体工作流程进行描述，下面从“智能信息链”和“IT价值链”两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片，如中央处理器(centralprocessing unit，CPU)、网络处理器(neural-network processing unit，NPU)、图形处理器(英语：graphics processing unit，GPU)、专用集成电路(application specificintegrated circuit,ASIC)或现场可编程逻辑门阵列(field programmable gate array，FPGA)等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶等。

为便于理解，首先对本申请提供的一些术语进行解释。

机器学习：构建统计模型，在样本数据上用优化方法拟合模型参数，在新样本数据上进行预测。

自动机器学习(AutoML)：是指设计一系列高级的控制系统去操作机器学习模型，使得模型可以自动化地学习到合适的参数和配置而无需人工干预。在基于深度神经网络的学习模型中，自动计算学习主要包括网络架构搜索与全局参数设定。其中，网络架构搜索用于根据数据让计算机生成最适应问题的神经网络架构，具有训练复杂度高，性能提升大的特点。

一个机器学习任务通常包括训练部分和预测部分，在预测部分中，可以用统计模型的参数在训练样本数据上进行预测，根据预测的误差计算统计模型的参数的更新方向，重复次过程，直到参数收敛。在预测部分中，可以使用训练好的模型对新的样本进行预测。

损失函数(loss function)：也可以称为代价函数(cost function)，一种比较机器学习模型对样本的预测输出和样本的真实值(也可以称为监督值)区别的度量，即用于衡量机器学习模型对样本的预测输出和样本的真实值之间的区别。该损失函数通常可以包括误差平方均方、交叉熵、对数、指数等损失函数。例如，可以使用误差均方作为损失函数，定义为

下面对本申请涉及到的场景以及实施方式等进行介绍。

随着智能终端的快速普及以及其嵌入式智能硬件的不断丰富，更多的智能终端已经嵌入了多种传感器设备(比如无线保真(wireless fidelity，Wi-Fi)、蓝牙、地磁传感器、加速度传感器、陀螺仪、气压传感器等)，足以用于接收多种信号支持室内定位导航，因此以智能终端为定位载体的相关研究也得到越来越多的关注。通常，室内外区分技术能够为上层应用提供比较原始的信息，室内定位、图像自动识别、场景和活动感知和人群时空分布规律的探究都依赖于室内外区分结果。针对不同的使用场景和需求，提出了多种基于智能终端的室内定位技术，如超声定位、Wi-Fi定位、蓝牙定位等。但受成本、定位精度要求差异等限制，因此室内外定位系统并没有广泛应用。

如室内外区分和楼宇区分是一种粗糙的室内定位方法。与室内定位相比，室内外区分与楼宇匹配只需要知道移动设备的使用者处于室内还是室外或者室内的哪栋楼宇中，而不需要知道精确位置。通常，用户70％-80％的活动发生在室内，因此开展对室内空间有关研究具有十分重要的意义。

通过手机定位的技术未考虑用户所处的地理环境及场景信息，而用户所在位置的差异对传感器信号以及定位误差的影响有一定的差异性，比如由于室内、室外场景具有差异性，室外环境相对开阔，局部地区的环境在较短时间内较为稳定；而室内环境相对封闭且复杂，由于建筑材质的遮挡，传感器特征可能不稳定。这使得基于室内、室外场景下的数据分析在模型建立、特征提取、环境特征量化等方面有所不同。因此，本申请旨在提取传感器特征的场景信息，基于场景信息设计室内外区分和楼宇匹配。

为便于理解，首先对一些常用的室内外区分方式进行举例。

例如，存在一些应用依靠专用的设备来进行室内外识别，需要基础设施预部署，比如基于超声波定位技术部署Cricks定位系统，通过设备的信道脉冲响应以及超声波传感器数据，来区分设备处于室内或者室外，而基础设施预部署成本较高，不具规模性和普适性识别。

又例如，存在一些关于图像处理和模式识别相关的研究来进行室内外图片分类和图像自动标记。通过分析图像中的边缘直线度对室内外进行识别，相较于室外图像，室内图像拥有更大比例的连续边缘直角。或者利用拍照手机上的光线传感器对室内外进行识别。但是这种方式很难直接被应用来解决室内外区分，因为需要直接的用户输入，且算法复杂度较高。

又例如，还可以使用半监督的学习方法，通过新场景的学习来研究设备的迁移性，使用协同训练的方法实现场景和设备的迁移，基于朴素贝叶斯分类器和支持向量机分类器对特征进行排序，使用已知场景的标记数据训练构建特征集不同的两个分类器，然后对新场景的非标记数据进行分类，把置信度较高的分类结果加入原标记集合，再次训练分类器，如此迭代在线学习，并使用新的分类器进行分类。然而，人工标记成本较高；采用历史数据作为训练集，在新的环境会产生过拟合现象，从而需对模型参数进行调整

还例如，设备的内置传感器获得的信息，例如光强、地磁强度、温度和气压等数据在室内与室外具有差异性。经实验发现，无论是从室内走向室外还是从室外走向室内，光照强度、当前基站和邻区基站的信号强度都会有不同程度的转换过程。室内外有不同的磁场分布是因为建筑物的钢筋混泥土结构对地磁干扰较大。室内外的温度有一定的差异，尤其是在夏天和冬天，气压会随着高度的升高按指数律递减。因此，对于室内外区分的精度会因各种因素产生影响，导致室内外区分的精度低。

因此，依赖GNSS的定位方式存在判别准确率低，效率低，速度慢的问题；通过对周围环境信息进行指纹采集，耗费比较大，且部分技术的特征指标由手机自带轻量级传感器难以获取，对传感器的采样效果有较高要求；基础设施预部署成本较高，不具规模性和普适性识别。因此，并不能够在大规模场景下实现数据采集以及场景区分，不具有普适性和广泛推广性等。

因此，本申请提供一种定位方法，基于分场景样本库构建及其组合选取方法的终端室内外推理，基于少量已知室内外信息的样本数据，建立场景库，推理大范围且多样场景下的未知点位室内外信息。

首先，对本申请提供的方法应用的通信框架进行介绍。

参阅图1，本申请提供的一种系统架构示意图。

该系统架构中可以包括一个或多个终端(如图1中所示出的终端1至终端N，N为正整数)以及服务器。

本申请所指的终端，也可以是用户账户的载体设备等。例如，该用户可以包括在设备中登陆的账户，也可以是指承载了该账户的设备等。本申请提供的终端可以包括但不限于：智能移动电话、电视、平板电脑、手环、头戴显示设备(Head Mount Display，HMD)、增强现实(augmented reality，AR)设备，混合现实(mixed reality，MR)设备、蜂窝电话(cellular phone)、智能电话(smart phone)、个人数字助理(personal digitalassistant，PDA)、平板型电脑、车辆、车载终端、膝上型电脑(laptop computer)、个人电脑(personal computer，PC)等。当然，在以下实施例中，对该终端的具体形式不作任何限制。

服务器可以是单设设置的实体服务器，如分布式服务器或者集中式服务器，也可以是云服务器。

终端和服务器之间可以通过有线和/或无线网络建立连接。该无线网络可以包括但不限于：第五代移动通信技术(5th-Generation，5G)系统，全球移动通讯系统(globalsystem for mobile communications，GSM)，通用分组无线服务(general packet radioservice，GPRS)，码分多址接入(code division multiple access，CDMA)，宽带码分多址(wideband code division multiple access，WCDMA)，时分码分多址(time-divisioncode division multiple access，TD-SCDMA)，长期演进(long term evolution，LTE)，蓝牙(bluetooth)，全球导航卫星系统(the global navigation satellite system，GNSS)，无线保真(wireless fidelity，WiFi)，近距离无线通信(near field communication，NFC)，FM(也可以称为调频广播)，紫蜂协议(Zigbee)，射频识别技术(radio frequencyidentification，RFID)和/或红外(infrared，IR)技术等。所述GNSS可以包括全球卫星定位系统(global positioning system，GPS)，全球导航卫星系统(global navigationsatellite system，GLONASS)，北斗卫星导航系统(beidou navigation satellitesystem，BDS)，准天顶卫星系统(quasi-zenith satellite system，QZSS)和/或星基增强系统(satellite based augmentation systems，SBAS)等。该有线网络包括但不限于：光传送网(optical transport network，OTN)、同步数字体系(synchronous digital hierarchy，SDH)、无源光网络(passive optical network，PON)、以太网(Ethernet)、或灵活以太网(flex Ethernet，FlexE)等。

下面对本申请提供的方法的一些应用场景进行介绍。

以终端为手机为例，在一些场景中，用户可以使用手机进行导航。在进行导航时，可能因为无法区分用户是在室内还是室外导致导航不准确。例如，如图2所示，当用户进行导航时，可能因为无法区分用户是室内或者室外，导致导航的起点与用户的实际位置不符，最终的导航路径并不能覆盖用户所在的位置，导致用户体验降低。

又例如，以终端为手里为例，在一些场景中，用户可以使用外卖软件点外卖。如图3所示，可能存在无法区分用户在室内或者室外的情况，通常仅给出模糊定位，无法进行准确定位，定位的位置与用户的实际位置不相符，导致用户在下单时，可能需要手动输入地址，降低用户体验。

因此，本申请提供一种定位方法，可以高效准确地区分终端在室内或者室外，提高终端定位的准确性。其中，本申请提供的方法可以部署于服务器，也可以部署于终端，或者部分部署于服务器，另一部分部署于终端等，如将训练好的模型下发给终端等，具体可以根据实际应用场景调整。下面示例性地，以本申请提供的方法部署于云服务器为例进行示例性说明，以下所提及的全部或者部分步骤也可以由终端来执行。

参阅图4，本申请提供的一种定位方法的流程示意图，如下。

401、获取第一场景库。

其中，该第一场景库中包括采集到的多个场景的数据以及每个场景对应的标签，该标签用于表示场景中室内的数据或者室外的数据。

具体地，可以采集现有的场景的数据，如采集图像、画图或者构建的方式采集多个场景的数据。每个场景中的数据可以包括一种或者多种建筑物、植物、或者不同地形等数据，可以对每个场景中的全部或者部分空间设置标签，表示该空间为室内或者室外。例如，可以基于场景中建筑的空间属性和几何属性，将采集到场景划分为多种不同类型，如划分为办公、居民、商场、机场或者车站等类型，然后每种类型选择一个或者多个实例化的建筑物，并采集用于区分该一个或者多个实例化的建筑物的室内或者室外部分的标签。

可以理解为，可以采集多种类型的场景数据，从每一类场景数据中筛选出一个或者多个场景添加用于区分室内外控件的标签，而无需对所有样本都进行人工标记，减少了人工成本。

402、获取终端环境信息。

其中，该终端环境信息可以包括用于表示终端所在地理位置的数据，可以由终端上报得到，也可以通过其他方式终端进行定位得到。

具体地，终端可以主动向云服务器上报终端采集到的数据，云服务器也可以通过其他设备来获取到终端的定位数据，如通过与终端连接的基站或者接入点(access point，AP)等来读取终端的定位数据。

该终端环境信息可以包括终端的定位数据，该定位数据包括了终端的粗略定位的数据，可能无法使用该定位数据直接得到终端的精细定位，即无法区分终端处于室内或者室外，该终端环境数据也可以包括终端的传感器采集到的可以直接或者间接表示终端所在位置的数据，如终端的图像传感器、陀螺仪、压力传感器、气压传感器、距离传感器、温度传感器、加速度传感器、蓝牙传感器或者wifi传感器等，可以采集到表示终端所处环境的数据，可以基于终端所处环境的数据推断终端所处的位置。

可选地，在得到终端环境信息之后，可以对该终端环境信息进行过滤或提取，滤除其中的噪声数据，提取出因地理环境以及环境不同从而有差异的数据。例如，终端的蓝牙或者wif传感器可能采集到移动的设备产生的蓝牙或者wifi数据，这部分数据并不能表示出终端的地理位置，因此可以滤除终端环境信息中移动WiFi和移动蓝牙的信息。从而可以使终端环境信息更准确地描述终端所在的地理位置或者环境。

403、根据终端环境信息获取终端所在的场景与多个场景之间的相似度。

在得到终端环境信息之后，可以根据该终端环境信息来预估终端所在环境与第一场景库中的多个场景之间的相似度。

具体地，可以将终端所在的场景称为待估计场景，计算终端环境信息与差把场景库中的每个场景的特征余弦相似度或者差异性指数等用于表示场景之间的相似度的指标。

可以理解为，终端环境信息可以表示终端所处的环境的特征，如无线信号的信号强度、环境光照强度、温度或压强大小等环境特征，通过相似性算法，如余弦相似度、皮尔森相关系数(Pearson correlation coefficient)或者对数似然相似率等算法，计算终端环境信息表示的环境特征与场景库中的各个场景的特征之间的相似度。

404、根据终端所在的场景与多个场景之间的相似度，从第一场景库中筛选出至少一个场景，得到第二场景库。

其中，在得到终端所在的场景与多个场景之间的相似度之后，可继续该相似度从第一场景库中筛选出于待估计场景相似度较高的一个或者多个场景，组成第二场景库。

具体地，可以对第一场景库中的多个场景进行组合，得到多组场景组合，为便于区分称为第一场景组合，然后根据终端所在的场景与多个场景之间的相似度，从多组第一场景组合中筛选出至少一组第一场景组合，组成第二场景库。可以理解为，对第一场景库中的场景进行了组合，可以终端所在的场景与多个场景之间的相似度，筛选出相似度较高的组合。

可选地，可以从多个维度对第一场景库中的多个场景进行评估，得到每个场景的评估值，该多个维度包括但不限于场景之间的相似度、室内场景和室外场景的差异、场景的自相似性或者使用场景进行先验训练的输出效果等，该输出效果可以通过输出精度、平均精度或者召回率等指标来进行衡量。然后根据多个场景的评估值来对第一场景库中的多个场景进行组合，得到多组第一场景组合，且每组场景组合中包括的场景的类型不完全相同。

更进一步地，可以按照每个场景的评估值，从每种类型的场景中筛选出评估值最高的至少一个场景，并对筛选出来的每种类型中的至少一个场景进行组合，得到多组第一场景组合。可以理解为，从每种类型的场景中筛选出一个或者多个评估值较高的场景进行组合，每组场景组合中包括了多个类型的场景，评估值可以衡量场景数据作为训练样本的训练性能，将性能较高的场景进行组合，得到高性能的场景组合。

此外，还可以根据待估计场景与第一场景库中的多个场景之间的相似度，从而该多个场景中筛选出相似度最高的至少一个场景，对该至少一个场景进行组合，得到至少一组场景组合，为便于区分称为第二场景组合，取前述的多组第一场景组合和多组第二场景组合的交集，即可得到第二场景度。

因此，本申请实施方式中，在筛选训练样本时，可以筛选出与终端所处环境相似且训练性能较高的样本来进行后续训练，从而使训练得到的模型的输出结果与终端所处环境更匹配，提高后续的室内外预测的准确度。

405、使用第二场景库中的数据对第一模型进行训练，得到第二模型。

在筛选得到第二场景库之后，即可使用第二场景库中的数据对预先设置的一个或多个模型(为便于区分称为第一模型)进行机器学习，得到训练后的一个或多个模型(为便于区分称为第二模型)。

具体地，前述的模型可以包括多种类型，如随机森林分类器、支持向量机(SVM)，决策树分类，xgboost，lightGMB，梯度提升决策树(gradient boosting decision tree，GBDT)，贝叶斯分类算法或者采用集成学习等模型，具体可以根据实际应用场景选择匹配的模型。本申请以下提及的实施例中，以随机森林分类器为例作为预先设置的模型为例进行示例性说明，并不作为限定，可以根据实际应用场景进行替换。

可选地，在得到训练后的模型，即一个或者多个第二模型之后，可以将该一个或者多个第二模型下发给终端，以使终端可以使用该一个或者多个第二模型对终端是否在室内或者室外进行定位，提高终端的定位准确性。

406、根据第二模型的输出结果得到终端的位置信息。

在使用第二场景库进行训练得到一个或者多个第二模型之后，即可将采集到的终端环境信息作为该一个或者多个第二模型的输入，输出终端的位置信息，该位置信息包括用于标识终端处于室内或者室外的数据。

因此，本申请实施方式中，可以基于终端环境信息来估计终端所在场景与现有场景库中场景之间的相似度，然后根据该相似度从现有场景库中筛选出与待估计场景相似度较高的训练样本，并使用训练样本对模型进行训练，利用训练后的模型来输出终端处于室内或者室外，从而可以基于少量的数据即可实现针对终端的室内外区分，准确地确定终端处于室内或者室外。相对于一些常用的定位方式，本申请提供的定位方法不依赖于GNSS的定位，可以准确地识别出终端处于室内还是室外；且无需进行大量的人工标记，减少了人工成本；且即使终端中携带轻量级传感器，也可以基于传感器采集到的数据来进行室内外识别；且无需在终端中部署额外的硬件，减少了部署成本，可以广泛应用于各种场景，实现对终端的准确定位。

前述对本申请提供的方法进行了介绍，为便于理解，下面结合具体的应用场景，对本申请提供的方法流程进行更详细的介绍。

本申请提供的定位方法可以全部部署于云服务器，也可以部分部署于云服务器，另一部分部署于终端。

例如，当该方法部署于云服务器时，本申请提供的方法的流程可以如图5所示。

用户可以使用终端向服务器发起室内外区分请求，用于请求区分终端处于室内或者室外，并将终端采集到的环境信息上报给云服务器。若云服务器包括分布式服务器，则终端可以向与终端相距最近的边缘服务器发起室内外请求。该环境信息可以包括终端自身的粗略定位结果或者终端传感器采集到的可以表示终端所处环境的信息。

云服务器在接收到终端发起的请求以及上报的环境信息之后，基于该环境信息从现有场景库(即第一场景库)中筛选出与终端所处的场景相似度较高的场景对室内外区分模型(即第一模型)进行训练，并通过训练后的室内外区分模型(即第二模型)得到室内外区分结果，即表示终端处于室内或者室外的结果，并将该室内外区分结果下发给终端。

当本申请提供的方法部分部署于云服务器，另一部分部署于终端时，如图6所示。

与前述图5的区别在于，云服务器在得到训练后的室内外区分模型之后，可以直接将训练后的室内外区分模型下发给终端，终端可以将采集到的环境信息作为训练后的室内外区分模型的输入，输出终端的室内外区分结果。

下面结合前述的部署方式，对本申请提供的定位方法进行更详细介绍。

本申请提供的定位方法的完整流程可以参阅图7。

在获取到终端环境信息701之后，对终端环境信息进行数据清洗702，数据清洗702具体可以包括空值处理7021或者干扰处理7022等步骤。数据清洗即对终端环境信息中的缺失值进行补全、无效值剔除等。干扰去除即去除终端环境信息中的干扰数据，如去除移动蓝牙信息，移动WiFi信息等不能表示终端地理位置或者对识别终端地理位置形成干扰的数据。

随后从进行特征提取703，即从进行了数据清洗后的终端环境信息中提取一种或者多种特征，如卫星特征7031、WiFi特征7032、蓝牙特征7033或者无线信号特征7034等。如可以对终端环境信息中的每种传感器采集到的信息进行分类，提取每个分类的特征，生成每种传感器对应的特征序列，即可得到多个特征序列。

此外，采集多个场景的数据，组成场景库704。该场景库中可以包括采集到的多种场景的数据，其中全部或者部分场景添加了标签，用于标记场景中的室内空间和室外空间。

可以进行组合场景705，即对场景库704中的多种场景进行组合，得到多种场景组合。具体地，可以按照各个场景作为训练样本的性能对场景进行排序，随后挑选性能较优的场景来进行组合，每个场景组合中可以包括一种或者多种类型的场景。

还可以根据从终端环境信息中提取到的特征来进行相似性计算706，即计算待估计场景与场景库中的各个场景的相似度。

随后基于步骤706中计算得到相似度从组合后的场景中选取场景组合704作为训练集。

使用训练集进行机器学习708，即对室内外区分模型进行训练，基于训练后的室内外区分模型输出室内外区分结果709。

因此，在本申请实施方式中，可以从终端环境信息中提取到多种特征，并基于提取到的特征计算待估计场景与采集到的现有场景之间的相似度，基于该相似度从现有场景库中筛选出与待估计场景相似度较高的训练样本，并使用训练样本对模型进行训练，利用训练后的模型来输出终端处于室内或者室外，从而可以基于少量的数据即可实现针对终端的室内外区分，准确地确定终端处于室内或者室外。

为便于理解，将本申请的定位方法分为多个部分，如分为现有场景组合、筛选训练集、训练模型并输出结果，下面分别对这些部分进行介绍。

一、现有场景组合

其中，针对采集到的多个场景中的建筑物所处控件的属性和几何特征，将采集到的场景的控件划分为不同的类型，并在每种类型中选取一种或者多种建筑，并在每种类型的场景中添加空间属于室内或者室外的标签。

分场景对采集的原始标签数据进行训练，根据会影响室内外区分效果的因素，对不同场景下的训练集进行性能排序。如从多种维度对场景进行评估，可以理解为对场景作为训练样本进行机器学习实现的效果进行评估，基于评估结果进行排序，从每种类型的场景中筛选出评估值最优的一个或者多个场景进行组合，得到多组场景组合。首先基于现有的少量场景库，建立多场景的组合，以此丰富可用样本和信息，随后可以通过场景自相似性、室内外差异性、场景互相似性或者先验训练等方法等维度对不同场景的性能进行排序，进而选取高性能的场景进行组合，同时为保证场景的多样性，尽可能组合不同类型的场景。场景组合后，一方面扩大了样本量和场景信息，且避免了随机组合而减少工作量，提高定位效率。

下面示例性地，以一个具体的应用场景为例，现有场景组合的方式可以如图8所示。

801、场景库建立

首先，可以进行场景的类别划分，按照划分的类别进行场景采集，对各个类型的场景进行数据采集。

具体地，可以预先进行分类，按照人群活动特征、服务对象或者建筑物的功能等维度，预先设定各种类型，如居民区、办公区、购物区、机场等类型。然后采集m种类型的n个场景的数据，如采集类别为居民区的场景r1、r2等场景的数据，类别为办公区的场景o1、o2等场景的数据，类别为办公区的场景b1、b2等场景的数据等。本申请以下实施例中，以居民区、办公区、购物区三种类型的场景为例进行示例性介绍。

例如，首先构建场景库中三种类型的场景及其实例化，如居住区(月季园、奥运村)、办公区(洛克、地理所)和购物区(如X家、龙德广场)，采集的具体数据可以包括终端的无线信号的相关信息，如信号强度、频段、信道质量等信息，还可以包括终端中采集环境信息的传感器采集到的数据，如气压、温度、湿度、光照强度或者图像等信息，此外采集到的数据还可以包括添加的用于区分终端所处位置的室内外标签，即表示场景中的各部分空间具体为室内空间或者室外空间。

802、性能排序

在采集到n个场景的数据之后，对n个场景的性能进行评估，对该n个场景进行排序，以便于后续可以按照性能排序进行场景组合。

具体地，可以从多个维度对场景的数据进行评估，如可以包括场景之间的相似度、室内场景和室外场景的差异、场景的自相似性或者使用多个场景进行先验训练得到的输出效果等维度。

例如，如图8中所示，可以计算各个场景作为训练集时的训练效果f1，该训练效果可以包括训练后模型的输出精度、收敛时长、迭代次数等，还可以计算各个场景与其他场景之间的相似度f2、各个场景自身的室内与室外空间之间的差异性f3以及各个场景自身的特征相似性f4。然后对各个维度的指标进行加权融合，得到每个场景的评估值，如表示为：f＝w1.f1+w2.f2+w3.f3+w4.f4，其中，w1、w2、w3、w4为融合权重，可以是预先设置的值。随后按照评估值的大小对场景进行排序，如表示为o2>r2>o1>b1>b2>r1。

803、场景组合

通常，同一组合对不同地点的预测精度为了增强样本集训练效果的稳定性，需对单一场景进行组合，实现不同场景样本的不同组合，组成新的大训练样本库。

组合场景的具体规则可以根据实际应用场景进行调整，通常需同时考虑样本的多样性以及性能，如可以在多个类型的场景中选择评估值较高的场景来进行组合。

例如，如图8中所示出的，以每组取3个场景作为一个场景组合为例，可以选择性能排列在前3的场景来进行组合，即o2、r2以及o1，为了保证样本的多样性，可以去除排列在前3的场景中的重复场景，补充缺少类型中性能最佳的场景，即o2、r2、b1以及r2、o1、b1，并在性能排行前3的场景中取每种性能最佳的场景以及缺少的场景，即o2、r2、b2，并在未被选出的场景中选择性能排行前2的场景或者在缺少的场景中筛选出性能最佳的场景，如r1、o2、r2以及r1、o2、b1，从而得到多种场景组合。

下面更详细的，以一些更具体的场景为例进行示例性说明。首先构建场景库中三种类型的场景及其实例化，即居住(月季园、奥运村)、办公(洛克、地理所)和购物(宜家、龙德广场)，并在不同场景中采集原始标签数据，数据包括终端的室内外标签及传感信息，包括卫星信息，WiFi，蓝牙等。依据多个维度的性能指标(如图8中所示的四个维度)对性能效果进行判定，其中性能以精度(precision)、召回率(recall)、余弦相似度以及差异性指数为例。通过选取一个场景地点作为神经网络的训练集，预测场景库中的其他地点数据，按照加权平均方式对每一个场景下的样本库进行综合评判。

例如，评估结果可以如表1所示。

表1

可以按照每种场景对应的性能筛选出性能较优的场景进行组合，且考虑到场景多样性，每种场景中均挑选出性能较高的场景进行组合，得到多组场景组合。

基于性能筛选出来的场景组合，单一性能指标可以如表2所示。

表2

因此，本申请实施方式中，可以对采集到的各个场景进行评估，从而性能较优的场景进行组合，且考虑到场景多样性，每种场景中均挑选出性能较高的场景进行组合，从而筛选出高性能且多样性的场景进行组合，以便于后续挑选出更有的训练集。

二、筛选训练集

本申请实施方式中，在有限的场景组合下，当需要对待估计场景的点位进行室内外区分时，可先计算待估场景与现有场景的相似性，根据相似性在场景组合集合中选取高性能、多场景且高相似性的场景组合作为训练样本，通过分类器对待估点位进行预测，取多个预测结果的平均作为最终的室内外区分结果，从而在仅使用少量数据的情况下，得到准确的室内外区分结果。

示例性地，筛选训练集的流程可以如图9所示。

901、确定待估计场景

其中，若终端上报的环境信息中包括了终端的粗略定位，即未区别终端处于室内或者室外的定位。可以将以该粗略定位为中心的一定范围内的场景作为终端所处的待估计场景。

若终端上报的环境信息中仅包括终端的传感器采集到的信息，如温度、湿度、气压、光照强度或者图像等信息，则对环境信息与采集到的已有场景的信息进行匹配，确定与终端所处场景最匹配的位置的一定范围作为待估计场景。

具体例如，如图9中所示出的，可以将终端所在的点位(粗略定位或者匹配得到的点位)的半径50米范围内作为待估计场景。

902、相似性排序

在得到终端上报的环境信息之后，将该环境信息与采集到的现有场景进行匹配，计算待估计场景与已有场景之间的相似度，并按照该相似度进行排序。

如可以计算待估场景终端传感信息特征与现有场景的终端传感信息特征余弦相似度或差异性指数等可以表示场景之间相似性的指标，并基于计算结果进行排序。如图9中所示出的，按照场景相似性排序排列为：b1>o2>r2>b2>r1>o1。

为便于理解，以一些具体的应用场景为例，计算待估计场景与现有的一些场景之间的余弦相似度或者差异性指数等。

余弦相似度的计算结果可以如表3所示。

表3

差异性指数的计算结果可以如表4所示。其中，在计算差异性指标时，可以从卫星数量(表示为sate_num)、有效卫星数量(表示为sate_valid)、有效卫星数量比例(表示为sate_validRatio)、平均wifi信号强度(表示为V1_wifi_avg)、wifi强度最大值(表示为V1_wifi_max)、平均参考信号接收功率(表示为rsrp_avg)、蓝牙数量(表示为bt_num)、相邻小区数量(表示为cellNei_num)、平均蓝牙数量(表示为V_bt_avg)、平均电磁信号质量、参考信号接收质量(reference signal receiving quality，RSRQ)、平均RSRQ(表示为rsrq_avg)等。

表4

结合余弦相似度和差异性指数，对已有场景和待估计场景之间的相似性进行排序，相似性由高到低排序为：月季园、奥运村、地理所、龙德、洛克。

903、相似性场景组合

在计算得到已有场景和待估计场景之间的相似性之后，即可从已有场景中筛选出相似性较高的场景来进行组合。

如图9中所示出的，可以筛选出相似性较高的场景来进行组合，或者考虑场景多样性，在每种场景中都筛选出相似性较高的场景来进行组合。如筛选出相似性排行前三的场景，b1、o2、r2，还可以从未被选中的场景中筛选出场景与性能排行前2的场景或者缺少的场景中的最佳场景进行组合，即可得到b1、b2、o2/r1、b1、o2/o1、b1、o2/b2、o2、r2/o1、b1、o2等场景组合。

904、训练集选取

随后结合相似性场景组合以及前述步骤803中得到的场景组合，筛选出训练集。如可以取相似性场景组合以及前述步骤803中得到的场景组合的交集，将交集加入至训练集中。

如图9中所示出的，筛选出多个场景组合o2、r2、b1/o1、r2、b1/o2、r2、b2/o2、r1、b1作为训练集。

因此，本申请实施方式中，在筛选训练集时，可以结合样本自身的训练性能以及与待估计场景之间的相似度，计算出训练性能较优且与待估计场景更相似的场景作为训练集，使后续训练得到的模型与终端所处的待估计场景更匹配，可以更准确地预测出终端在场景中的室内或者室外。

三、训练模型并输出结果

在筛选出训练集之后，即可使用训练集进行机器学习，从而使用训练后的模型来输出预测结果。

其中，可以选择一个或者多个模型进行机器学习，具体可以选择随机森林分类器、支持向量机(SVM)，决策树分类，xgboost，lightGMB，梯度提升决策树(gradient boostingdecision tree，GBDT)，贝叶斯分类算法或者采用集成学习等模型，具体可以根据实际应用场景选择匹配的模型。

当训练了多个模型时，以分类器为例，如图10所示，可以将终端上报的环境信息作为多个分类器(如图10中所示出的分类器1、分类器2、分类器3以及分类器4)的输入，然后融合该多个分类器的输出结果，得到终端的室内外区分结果。

当仅训练一个模型时，即可终端上报的环境信息作为该一个模型的输入，将该模型的输出作为终端的室内外区分结果。

因此，本申请实施方式中，考虑场景之间的差异来进行模型训练，基于终端所在的待估计场景与采集到的场景之间的相似性来选择训练样本进行模型训练，从而使训练后的模型学习到的信息与终端所在的场景更适配，使训练后的模型针对终端的室内外区分更准确。相对于直接定位，本申请提供的方法可以高效准确地区分终端处于室内还是室外，且不依赖于GNSS的定位。并且，无需对所有环境进行指纹采集，仅需对每种类型的全部或者部分场景添加标签即可，降低采样成本，提高针对终端室内外的定位成本。并且，本申请提供的方法可以部署于云服务器，终端与云服务器通信即可得到确定室内外区分结果，可以部署于各种场景，泛化能力强。且本申请提供的方法可以在多种类型的场景下进行室内外区分，可以实现高精度的室内外区纷纷，且适用于多样化的场景，可以解决大规模场景下的数据采集区分问题，具有普适性和较强的泛化性。

前述对本申请提供的定位方法的流程进行了介绍，下面对本申请提供的执行方法的装置进行介绍。参阅图11，本申请提供的一种定位装置的结构示意图，该定位装置包括：

获取模块1101，用于获取第一场景库，第一场景库中包括多个场景的数据以及多个场景的标签；

收发模块1102，用于获取终端环境信息，终端环境信息中包括用于表示终端所在的场景的数据；

相似度计算模块1103，用于根据终端环境信息获取终端所在的场景与多个场景之间的相似度；

筛选模块1104，用于根据终端所在的场景与多个场景之间的相似度，从第一场景库中筛选出至少一个场景，得到第二场景库；

机器学习模块1105，用于使用第二场景库中的数据对第一模型进行训练，得到第二模型，第二模型的输出结果确定终端的位置信息，位置信息包括用于标识终端是否在室内的信息。

在一种可能的实施方式中，筛选模块1104，具体用于：对第一场景库中的场景进行组合，得到多组第一场景组合；根据终端所在的场景与多个场景之间的相似度从多组第一场景组合中筛选出至少一组第一场景组合，得到第二场景库。

在一种可能的实施方式中，筛选模块1104，具体用于：从多个维度对多个场景进行评估，得到多个场景的评估值，多个维度包括场景之间的相似度、室内场景和室外场景的差异、场景的自相似性或者使用多个场景进行先验训练得到的输出效果；根据多个场景的评估值，对多个场景进行组合，得到多组第一场景组合，每组场景组合中包括的场景类型不完全相同。

在一种可能的实施方式中，多个场景属于多种类型，筛选模块1104，具体用于按照多个场景的评估值，从每种类型中筛选出评估值最高的至少一个场景，并对每种类型中的至少一个场景进行组合，得到多组第一场景组合。

在一种可能的实施方式中，筛选模块1104，具体用于：按照终端所在的场景与多个场景之间的相似度，从多个场景中筛选出相似度最高的至少一个场景；对至少一个场景进行组合，得到至少一组第二场景组合；从多组第一场景组合中选取与至少一组第二场景组合的交集，得到第二场景库。

在一种可能的实施方式中，终端环境信息中包括终端的定位数据或者终端中的传感器采集到的数据。

在一种可能的实施方式中，第二模型的数量为多个，装置还包括：定位模块1106，用于根据多个第二模型的输出结果的平均值，得到终端的位置信息。

请参阅图12，本申请提供的另一种定位装置的结构示意图，如下所述。

该定位装置可以包括处理器1201、存储器1202和收发器1203。该处理器1201和存储器1202通过线路互联。其中，存储器1202中存储有程序指令和数据。

存储器1202中存储了前述图4-图10中的步骤对应的程序指令以及数据。

处理器1201用于执行前述图4-图10中任一实施例所示的第一设备或者定位装置执行的方法步骤。

收发器1203，用于执行前述图4-图10中任一实施例所示的第一设备或者定位装置执行的接收或者发送数据的步骤。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有程序，当其在计算机上运行时，使得计算机执行如前述图4-图10所示实施例描述的方法中的步骤。

可选地，前述的图12中所示的定位装置为芯片。

本申请实施例还提供了一种定位装置，该定位装置也可以称为数字处理芯片或者芯片，芯片包括处理单元和通信接口，处理单元通过通信接口获取程序指令，程序指令被处理单元执行，处理单元用于执行前述图4-图10中任一实施例所示的定位装置执行的方法步骤。

本申请实施例还提供一种数字处理芯片。该数字处理芯片中集成了用于实现上述处理器1201，或者处理器1201的功能的电路和一个或者多个接口。当该数字处理芯片中集成了存储器时，该数字处理芯片可以完成前述实施例中的任一个或多个实施例的方法步骤。当该数字处理芯片中未集成存储器时，可以通过通信接口与外置的存储器连接。该数字处理芯片根据外置的存储器中存储的程序代码来实现上述实施例中定位装置执行的动作。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上行驶时，使得计算机执行如前述图4-图10所示实施例描述的方法中定位装置所执行的步骤。

本申请实施例提供的定位装置可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使服务器内的芯片执行上述图4-图10所示实施例描述的设备搜寻方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体地，前述的处理单元或者处理器可以是中央处理器(central processingunit，CPU)、网络处理器(neural-network processing unit，NPU)、图形处理器(graphicsprocessing unit，GPU)、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit,ASIC)或现场可编程逻辑门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器等。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述图4-图10的方法的程序执行的集成电路。

另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。