本发明涉及出行定位技术领域，特别是一种基于云端平台系统的乘客出行链查询方法。
背景技术
位置信息在人们的日常生活中扮演着重要的作用。首先是公共安全和应急响应，在紧急情况下，每一个人都想被救援人员精确定位到，大到建筑物的位置，甚至是楼层或者房间号。其次，可以应用到手机购物、移动电子商务、个性化广告/优惠信息。用户会希望能够直接获取商店或者所需产品的位置。再次，定位在机场、医院、大型商场、会展中心、大型停车场都可以有非常广泛的应用。
最专业的定位系统是全球定位系统(globalpositioningsystem，gps)，包括军事、执法、公交调度、出租车调度、物流、策划在内的很多行业都是全球定位系统的用户。随着gps客户端接收器体积越来越小，客户端的精度越来越高，gps定位功能被广泛的用到各行各业，一些智能手机、笔记本等移动终端甚至把gps功能作为其标配嵌入到终端。
随着无线移动通信技术的快速发展，gps和蜂窝网络相结合的a-gps(assistedglobalpositioningsystem)定位方式在紧急救援和各种基于位置服务(lbs，location-basedservices)中逐渐得到了应用。但由于卫星信号容易受到各种障碍物遮挡，gps/apgs等卫星定位技术并不适用于室内或高楼林立的场合，目前无线室内定位技术迅速发展，已成为gps的有力补充。
技术实现要素：
本发明需要解决的技术问题是提供一种基于云端平台系统的乘客出行链查询方法。
为解决上述的技术问题，本发明的基于云端平台系统的乘客出行链查询方法，包括以下步骤，
步骤s101：训练阶段，建立一个坐标点与云端ap信号强度向量的映射关系，从而建立一个指纹数据库；
步骤s102：定位阶段，根据匹配算法，将接收到的ap的rssi向量与指纹数据库中的值进行匹配，找到一个合适的值返回坐标。
进一步的，步骤s101中通过脚本采集不同位置的信号并发送到服务器。
更进一步的，脚本在每个位置上每隔4-6s采集一次数据，总共采集80-120此数据，并将数据上传到服务器上；采集后，对每个指纹特征采用ap的rssi均值建立指纹数据库。
进一步的，所述步骤s102中匹配算法是将余弦相似性和nn算法相结合。
更进一步的，所述余弦相似性是通过测量两个向量内积空间的夹角的余弦值来判定两个向量之间的相似程度；余弦值越接近1，其夹角越接近0，表示两个向量越相似。
采用上述方法后，在通过rssi测距的实践中，由于室内环境部署复杂，信号干扰大，通过这种方法得到的结果经常偏差较大，本发明采用结合基于指纹数据库及余弦相似性的定位算法具有很好的准确性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于云端平台系统的乘客出行链查询方法的示意图。
图2为本发明两向量余弦相似性的示意图。
具体实施方式
如图1所示，本发明的基于云端平台系统的乘客出行链查询方法，包括以下步骤，
步骤s101：训练阶段，建立一个坐标点与云端ap信号强度向量的映射关系，从而建立一个指纹数据库。步骤s101中通过脚本采集不同位置的信号并发送到服务器。脚本在每个位置上每隔4-6s采集一次数据，总共采集80-120此数据，并将数据上传到服务器上；采集后，对每个指纹特征采用ap的rssi均值建立指纹数据库。本实施方式中通过脚本在每个位置上每隔5s采集一次数据，总共采集100次数据，并将数据上传到服务器上。采集后，我们对每个指纹特征采用云端ap的rssi均值如式(1)：
即对同一个云端ap采集的多次数据取平均值，以此建立指纹数据库。
步骤s102：定位阶段，根据匹配算法，将接收到的ap的rssi向量与指纹数据库中的值进行匹配，找到一个合适的值返回坐标。所述步骤s102中匹配算法是将余弦相似性和nn算法相结合。
如图2所示，两个向量间的余弦值可以根据欧几里得点积和量级公式推导得式(2):
a·b＝||a||||b||cos(θ)(2)
由式(2)以及理论，我们可以得出相似度式(3):
所述余弦相似性是通过测量两个向量内积空间的夹角的余弦值来判定两个向量之间的相似程度；余弦值越接近1，其夹角越接近0，表示两个向量越相似。我们采集到的云端ap的信号强度值作为一个向量然后与指纹数据库中的数据计算余弦相似性，得到的值越接近1，代表越相似。
nn算法
测试点的rss观测值为s＝[ss1，ss2，……，ssn]，指纹数据库中的已有记录为s1＝[ss1，ss2，……，ssn]，其中n代表待测点上检测到的不同云端ap数；i∈[1，nt]，nt为数据库中的记录数；ni代表第i条记录中存储的不同云端ap数，则nn算法可以表示成下述式(4)：
l＝argmini∈(1，nt)||s-si||
(4)
其中，||s-si||代表s和si之间的欧式距离。
室内定位影响因素：
1、首先，实际无线通信中同一个信号源，在同一空间的同一位置的无线信号强度被认为是服从高斯分布的。无线信号在空间传播的理想情况是，空间位置距离信号源越近，则该点的信号强度就越强；空间位置离信号源越远，则该点的信号强度就越弱，并且信号强度与空间传播距离存在函数关系。
2、同频干扰；不同ap信号源的无线信号在空间同一位置的信号强度独立存在，即一个信号源的无线信号存在与否和信号强弱均不会影响其它信号源的无线信号在该点的信号强度。这样各个信号源的信号强度在空间同一位置的强弱被认为是概率学中的独立事件，不同信号源之间的无线信号强度不会相互影响。由于不同的信号源的无线信号在空间分布相互独立，并且信号源在空间给定位置的信号强度服从高斯分布，则可以使用联合概率分布来描述多个接入点在空间无线信号的分布情况。
3、同一频段不同设备之间的信道干扰；由于整个ap的频段都处于公共频段，蓝牙、工业2.4g无线通信、rdid、uwm超宽带通信；
4、无线信号由于实际环境中存在反射和散射等现象，造成了多径衰落，其他使用该频段的设备相互干扰等，使得相同信号源的无线信号在同一空间的同一位置上，其信号强度会随着时间变化发生变化并不是一个确定值，具有一定的随机性，但是服从高斯分布。
5、其次，使用基于信号强度的定位方法，定位服务器必须保存定位环境中不同信号源在不同点的信号强度的分布情况，想要保存每一个点的信号强度的分布情况是不可能的，而定位环境中信号源在各个点的信号强度是服从高斯分布的，可以通过保存信号强度的高斯分布平均值与标准差，来想保存信号源在每个点信号强度的高斯分布的特征并且尽可能的减少要保存的数据量。
定位环境中由于空气的流动，温度的变化，人员走动等原因，空间中每一个点测得的信号强度会随时发生变化，同时收发天线的方向也能够影响该点的信号强度，移动终端测得的信号强度值的随机性比较大，对移动终端的信号强度采用的不同处理方法会影响定位误差。为了达到减小定位误差增加定位精确度的目的，我们采用概率模型的方法。在定位系统中建立概率模型。
最后，进行实时定位时，移动终端需要将收集到的各个不同信号源在该点的信号强度等定位数据，发送给定位服务器，定位服务器利用已经保存的定位环境中特定点的信号强度的高斯分布的平均值和标准差，根据在当前点实时测得的对应信号源的信号强度，去计算覆盖当前点的所有信号源的联合高斯分布概率。
这个概率值越大，表示移动终端当前位置越靠近定位服务器已经保存的点。由于定位空间的连续性和定位服务器存储空间的有限性，将定位环境内所有点的信号强度的高斯分布特征保存下束是不可能的。所以在定位环境中根据环境的特点选取一些特定的称为训练点，并将这些训练点的信号强度的高斯分布特征保存下来，使这些点成为定位移动终端的基准点，所有的定位结果都是以训练点作为参考点来产生的。
对于每一个室内环境的无线局域网，首先构建无线信号强度分布图，即构建信号强度经验值数据库。室内平面图，ap位置，ap发射功率等均已确定，在移动终端可能出现的概率较大的地方分不同方向(天线具有一定的方向性)，多次采集信号强度，以此作为构建经验值数据库的数据。采集的数据格式如下：
(position_x,position_y,rssi,mac)(2)
其中，position_x，position_y是当前位置坐标，rssi是当前位置所收到的信号强度，mac是该ap点的mac地址，用来区分不同的ap点。
完成采集以后，对采集的值数据进行预处理，目标数据格式如下：
(position_x，position_y，rssi_avg，rssi_dev，mac)(3)
其中，position_x，position_y是当前位置坐标，rssi_avg是该ap的rssi均值，rssi_dev是该ap的rssi的标准偏差，mac是该ap点的mac地址。为了保存训练点的信号强度高斯分前i的特征，同时考虑到对这些数据的修改与更新的方便，使用数据库来保存这些数据。
虽然以上描述了本发明的具体实施方式，但是本领域熟练技术人员应当理解，这些仅是举例说明，可以对本实施方式作出多种变更或修改，而不背离本发明的原理和实质，本发明的保护范围仅由所附权利要求书限定。