基于實時定位技術的求助性服務平臺的設計

趙安印 吳家豪 帥小應 陳茂國

摘? 要：為了實現大學生間自發、實時、便捷、安全的互幫互助，開發基于移動位置服務的幫助服務平臺，本平臺采用位置指紋識別算法、深層混合（VGG-LSTM）模型和多參數融合Help算法實現求助任務的發布、查詢、認領等功能。通過用戶真實行為完成任務，可實現資源共享、增進大學生間的友誼和形成校園內“人人為我、我為人人”的良好氛圍。

關鍵詞：位置指紋;深層混合模型;Help算法;位置服務

中圖分類號：TP311? ? ?文獻標識碼：A

Design of the Help Service Platform Based on Real-Time Location Technology

ZHAO Anyin，WU Jiahao，SHUAI Xiaoying，CHEN Maoguo

（Taizhou University，Taizhou 225300，China）

Abstract：To realize the spontaneous，real-time，convenient and safe mutual help among college students，a help service platform is designed and developed based on mobile location-based service，through location fingerprint recognition algorithm，deep hybrid （VGG-LSTM） model and Help algorithm.Help-seeking information is released，inquired，and claimed online and actions are taken offline to complete the mission.The platform helps promote resource sharing and enhance friendship，creating the good atmosphere of? "all for one，one for all" on campus.

Keywords：location fingerprint;deep hybrid model;Help algorithm;location-based service

1? ?引言（Introduction）

現代大學生追求高效，而逐一解決瑣碎小事卻略顯低效，所以一個支付少量費用或不支付費用就可以解決小事的平臺就有了需要。

目前，市場上也曾經出現過一些同類的小眾的校園軟件，如Uni。而這些軟件都沒有被普及使用。根據調查和分析，發現這類校園軟件都存在一個普遍的問題，缺乏室內精準的定位系統，雖然這并不妨礙線上問題的解決，但在大學生活中，有很多實際的問題和線上的請求更需要通過線下的方式來解決。

在將目光放在定位技術上面之后，可以注意到，當下，隨著社會對位置服務（Location Based Service，LBS）的強烈需求[1，2]，室內定位技術也得到了越來越多的關注，其中最具代表性的有UWB[3]、藍牙[4]、RFID[5]和Zigbee[6]室內定位方法，而它們有的需部署額外設備，有的定位范圍過小和不穩定，皆不適合本平臺的應用場景。而校園內WiFi覆蓋范圍廣，給WiFi室內定位[7，8]提供了硬件條件，該技術又具有部署簡單，功率低，定位精度高，并且非視距[9]（Not of Sight，NLOS）對WiFi本身影響較弱等優點，因此本平臺使用WiFi室內定位技術。并在用戶離線的時候，通過結合采用運動傳感器的人體運動識別模型[10]來計算出運動狀態，實現用戶在室內在線和離線狀態的無縫定位，方便幫助者更快找到求助者，實現面對面、實時性的幫助。

利用移動位置服務尋找近鄰，通過“舉手之勞”幫助自己解決一些生活中可代勞的小事，例如快遞代拿、學習的線上與線下互助、租車、閑置物品共享等。本平臺旨在倡導大學生間的互助精神，提供一個傳遞善意的工具，通過人與人之間真實的互助行為，增進友誼，拉近人與人之間的距離，營造快樂友好的大學生活環境。而大學生作為一個社會消費群體存在著分布集中和需求量大這兩個基本特點，這兩個特點也使得這樣的求助性服務平臺能在大學生群體中更好的推廣。

2? ?系統架構（System architecture）

2.1? ?系統結構

整個Help App系統分為兩部分：客戶端+云服務器。

客戶端的功能是提供友好的用戶界面供用戶實現任務的發布、查詢與認領，和離線狀態下的定位導航來方便用戶完成任務。云服務器的功能是接收和處理客戶端的數據，并將重要的數據存儲在云數據庫中，再將用戶需要的數據通過傳輸網絡傳送到用戶的客戶端。如圖1所示。

考慮到本軟件會存在多用戶同時使用的高并發情況，為了提高平臺性能，在硬件方面，我們將采用CDN加速技術[11]，該技術主要從高速緩存和專線兩個方面入手。

高速緩存，成本較低，適用于靜態內容。研究表明80%的用戶在使用App時利用的是20%的內容，在這個規律下，緩存服務器可以處理大部分客戶的靜態請求，而原始的服務器只需處理約20%左右的非緩存請求和動態請求，所以這一措施將會大大加快平臺對客戶請求的響應時間，同時降低了原始服務器的負載。CDN服務一般會在全國范圍內的關鍵節點上放置緩存服務器。如圖2所示。

專線，讓用戶直接訪問數據源，可以實現數據的動態同步。

2.2? ?功能設計

而本平臺在客戶端又針對性地分為八個功能模塊：互幫互助、二手市場、有借有還、失物招領、代買代拿、學霸指導、勤工儉學和我的客服。如圖3所示。便捷大學生尋找近鄰實時地幫助自己解決一些生活中可代勞的小事和遇到的困難。

在App中的界面設計如圖4和圖5所示。

下面簡述幾個重點模塊的功能設計。

互幫互助：求助者在客戶端可以將自己待解決的問題作為任務發布，系統將任務數據記錄到Bmob云中，幫助者可以通過客戶端領取任務幫助他人解決問題。一旦任務解決，Bmob云會自動刪除任務，同時客戶端不再顯示任務。通過互幫互助模塊，用戶可以輕松解決瑣碎小事，提高辦事效率，加快生活節奏，達到互利共贏的優質生活。

二手市場：平臺在Bmob云端自動為注冊的各大高校分配存儲塊，學生用戶可以將自己要賣出的商品實物拍照發布到服務器端，服務器端自動存儲，并在客戶端進行顯示。其他同城或同校學生用戶可以根據信息進行購買。而該模塊主要是在線下通過面對面的方式來交易商品。

失物招領：失物招領是一個替大學生們尋回丟失物品和解決撿拾物品無法歸還的問題的模塊。學生用戶可以將丟失物品的信息發往服務器，服務器整理失物信息生成表單并發往客戶端，撿到物品的用戶可以根據信息聯系失主。當任務解決后，Bmob云自動將表單刪除，同時客戶端將不再顯示任務。失物招領模塊將給用戶的生活帶來極大的方便。

學霸指導：學霸指導模塊的設立主要是為了解決大學生在學習困難方面的問題。遇到學習困難的同學可以通過客戶端將尋找學習輔導的信息發往服務器，服務器接收后自動發往客戶端進行顯示，同校學霸便可根據需求提供有償服務。模塊的最大特色在于可以讓學生得到即時的講解與輔導，以便更加輕松高效的解決學習問題。另一方面，用戶在使用模塊指導他人的同時，也能復習和鞏固知識，甚至收獲一份互助學習的友誼，緩解枯燥單一的學習生活。

我的客服：我的客服模塊設立的目的主要是幫助用戶解決軟件使用過程中出現的各種問題，包括交易糾紛、用戶追蹤、責任歸屬等。通過人工服務和機器程序判定相結合實現精準人性化服務。我們首先將軟件使用過程中的一些常見問題的解決方案存儲在Bmob云服務器中，當用戶在使用過程中遇到困難，只要輸入問題，系統將自動給出答案。當用戶遇到糾紛時，可以首先將數據和圖片等證據上傳，Bmob云服務器將自動啟動程序判定責任歸屬，當通過機器程序無法判斷責任歸屬或者用戶對機器判斷的結果不滿意時，可以通過撥打客服電話的方式解決問題。通過以上兩種方式，可以大大減低軟件的運營成本，同時也可以提高用戶的滿意度。

3? ?核心技術（Core technology）

3.1? ?室內導航技術

使用GPS[12，13]實現室外定位導航，使用改進的WiFi室內定位技術和采用運動傳感器的人體運動識別模型實現室內定位導航。

GPS定位技術是在被定位的設備上提前安裝GPS裝置，通過24顆覆蓋全球的衛星去獲取GPS裝置的位置信息，然后將位置信息傳遞給控制端的一個過程，并計算出接收機的三維位置三維方向，以及運動速度和時間信息。WiFi的室內定位技術絕大多數都是利用RSS（Received Signal Strength）[14]。目前的室內定位技術主要分兩種：一種是三角形算法。另一種則是位置指紋識別算法[15-20]（Finger printing）。三角形算法首先通過待測移動設備和至少三個AP（Wireless Access Point）的無線信號強度得到距離信息，再估計目標位置，而位置指紋識別算法則通過比較定位所需的信號特征即指紋信息來獲取目標位置。

位置指紋識別算法的WiFi定位技術在可用性和定位精度方面具有較大優勢[21]，并且也更適用于校園環境。因此我們采用了指紋定位。

指紋定位中的“指紋”指的就是移動終端發射的無線信號經過反射和折射，產生于周圍環境密切相關的特定模式和多徑信號。在定位過程中，一般分為兩個階段，離線階段和定位階段[22]。離線階段：首先使用Bmob云建立位置指紋識別數據庫，選擇合適的參考點，每一個參考點都應能提供足夠的信息來進行后續定位階段的位置估計。依次在參考點上測量不同AP的RSS值，將相應的物理地址與參考點的位置信息存儲在Bmob云數據庫中。在測量時，通常會受環境影響而導致無線信號強度的不穩定，為了克服RSS的不穩定性對定位的影響，去掉一個最大值和最小值來取平均值作為其RSS值。建立完數據庫后，進入定位階段：首先使用離線階段存儲的AP信號強度值方差來剔除信號強度值方差較大的AP數據[23]，將篩選過的AP數據與Bmob云數據庫進行匹配，計算位置估計值。具體流程如圖6所示。

典型的匹配算法有平均KNN算法，加權KNN算法和貝葉斯算法，本文使用的是加權KNN算法，具體如下：

平均KNN定位算法是利用用戶在在線階段接收到的信號強度（RSS）與離線階段采集的Bmob云指紋庫進行匹配，通過計算得到RSS的歐氏距離，根據RSS的歐氏距離大小選擇鄰近的K個參考點，來估計目標用戶的位置。

假設總的參考點數為M個，定位區域內共有H個AP，在線階段終端可視AP集合與指紋庫中第i個參考點可視AP集合的交集為S，則待測點到指紋庫中第i個參考點的信號強度歐氏距離[24]為：

（1）

其中，Rssj為在線階段用戶接收到的Si集合中第J個AP的Rss值;Rssij為Bmob指紋庫中第i個參考點用戶接收到的S集合中第J個AP的Rss值;N為Si集合的元素個數。

由于有M個鄰近參考點，通過式（1）可以得到M個歐氏距離，比較這M個歐氏距離，選取歐氏距離較小的K個鄰近參考點，根據這K個鄰近參考點得到用戶坐標位置為：

（2）

其中，表示第個鄰近參考點的橫坐標;表示第個鄰近參考點的縱坐標。

而加權KNN算法則是建立在平均KNN算法的基礎上，根據參考點的RSS的歐氏距離得到每個鄰近參考點的加權系數，用這個加權系數來替換掉式（2）中的，計算得到用戶的位置估計。用這種加權KNN算法得到的位置估計結果比起傳統的KNN算法更精確。

然而盡管在校園內部，WiFi覆蓋范圍已經十分廣闊，可仍然存在一些沒有被覆蓋到或者信號薄弱的地方，面對這種情況，可以利用移動終端的加速度、陀螺儀等運動傳感器[25]獲取目標人物相關數據，使用一種改進的卷積網絡與雙層長短期記憶網絡的深層混合（VGG-LSTM）模型以實現特征自提取并進行運動識別。如圖7所示。

該模型結合傳感器數據層狀、時序的結構特點，將多維傳感器數據類比于圖像的RGB矩陣進行適應性處理;由一維串聯卷積網絡與雙層長短期記憶網絡復合而成[10]。

再根據初始位置信息推算其位置，完成離線狀態下的導航，實現室內定位導航。

具體流程如圖8所示。

3.2? “Help”算法

針對有可能存在的多人同時接單和平臺推送求助信息的問題，使用多參數融合的Help算法。綜合考慮用戶與發布者的距離和用戶的誠信值兩個因素，得到具體的綜合評價指數，再根據綜合評價指數選擇接單者。該計算方式優先考慮用戶的距離，其次考慮用戶的誠信值。距離最短（以發布任務的用戶為圓心畫出N個同心圓，半徑相差5米視為與發布者距離相同），誠信值最高的用戶優先接單，同時平臺也會優先選擇綜合評價指數最高的前五名進行剛發布的求助信息的推送，通過這樣的方式就解決了多用戶同時接單的問題，同時也提高了平臺解決用戶求助任務的時間效率，如圖9所示。

4? ?結論（Conclusion）

本文設計基于移動位置服務的Help服務平臺，采用位置指紋識別算法、深層混合（VGG-LSTM）模型和Help算法來實現線上求助任務的發布、查詢、認領和線下用戶真實行為完成任務。本平臺的意義是不僅僅是為了方便大學生解決身邊的瑣碎小事并提高辦事效率，更是為了倡導大學生間的互助精神，提供一個傳遞善意的工具，通過人與人之間真實的互助行為，增進友誼，拉近人與人之間的距離，營造快樂、友好、幸福、和諧的大學生活環境，并且渴望在未來實現不僅僅是在校園，而是在世界每一個角落，陌生人之間都可以主動的互相幫助。而本平臺的室內定位導航技術在信號強度弱和手機運動傳感器受損的情況下也存在著一定范圍的誤差。但隨著硬件技術的改進的社會趨勢，室內定位技術只會越來越精確，我們平臺的室內導航也會更加精確，實時性也會越來越強。

參考文獻（References）

[1] Zhiquan LIU，Jianfeng MA，Zhongyuan JIANG，et al.FCT：a fully-distributed context-aware trust model for location based service recommendation[J].Science China（Information Sciences），2017，60（08）：101-116.

[2] Haiqin WU，Liangmin WANG，Tao JIANG.Secure and efficient k-nearest neighbor query for location-based services in outsourced environments[J].Science China（Information Sciences），2018，61（03）：231-233.

[3] DU Qiang，SONG Yaoliang，JI Chenhe，et al.High-resolution digital beamforming of UWB signals based on Carathéodory representation for delay compensation and array extrapolation[J].Journal of Systems Engineering and Electronics，2018（05）：918-926.

[4] 陳國平，馬耀輝，張百珂.基于指紋技術的藍牙室內定位系統[J].電子技術應用，2013，39（3）：104-107.

[5] 劉曉葉，徐玉斌.基于自適應射頻指紋地圖的 WSN 室內定位算法研究[J].傳感技術學報，2015，28（8）：1215-1220.

[6] ROY U K.Modified source-routing for large-scale pseudo-linear Zig Bee networks[C].IEEE International Conference on Research in Computational Intelligence and Communication Networks.Kolkata：IEEE，2016：85-89.

[7] Hong Feng，Zhang Yongtuo，Zhang Zhao，et al WaP：Indoor Localization and Tracking Using Wifi-Assisted Particle Filter[C].IEEE 39th Conference on Local Computer Networks（LCN）.IEEE，2014：210-217.

[8] 陳銳志，葉鋒.基于Wi-Fi信道狀態信息的室內定位技術現狀綜述[J].武漢大學學報（信息科學版），2018（12）：1-7.

[9] 陳錫劍，程良倫.基于RSSI的功率匹配定位算法的研究與實現[J].傳感技術學報，2013（5）：709-714.

[10] 滕千禮，A.ESMAEILI KELISHOMI，蔡忠閩.采用運動傳感器的人體運動識別深度模型[J].西安交通大學學報，2018（8）：60-66.

[11] 李穎，亞太地區CDN市場分析[J].通訊世界，2018（6）：253-524.

[12] 羅程.北斗衛星導航系統偽距差分定位技術的分析[J].科技創新與應用，2018（8）：156-157.

[13] LI X，GE M，DAI X，et al.Accuracy and reliability ofmulti-GNSS real-time precise positioning：GPS，GLONASS，Bei Dou，and Galileo[J].Journal of geodesy，2015，89（6）：607-635.

[14] 李石榮，李飛騰.基于RSSI概率統計分布的室內定位方法[J].計算機工程與應用，2016，52（11）：119-124.

[15] Salvatore Cavalieri.WLAN-based outdoor localization using pattern matching algorithm [J].InternationalJournal of Wireless Information Networks，2007，14（4）：265-279.

[16] 李旭.基于移動設備的室內定位系統的研究與實現[D].杭州：浙江理工大學，2013.

[17] Zhang Minghua，Zhang Shensheng，Cao Jian.Probability-based clustering and its application to WLAN location estimation[J].Journal of Shanghai Jiaotong University（Science），2008（5）：547-552.

[18] Mengual L，Marbán O，Eibe S.Clustering-based location in wireless networks[J].Expert Systems with Applications，2010，37（9）：6165-6175.

[19] Kaemarungsi K，Krishnamurthy P.Properties of indoor received signal strength for WLAN location fingerprinting[C].Proc of first annual international conference on mobile and u-biquitous systems：networking and services[s.l.]：IEEE，2004：14-23.

[20] 秦國威，孫新柱，陳孟元.基于Wi-Fi指紋的改進型室內定位算法研究[J].陜西理工大學學報（自然科學版），2018（6）：28-34.

[21] 盧恒惠，劉興川，張超，等.基于三角形與位置指紋識別算法的WiFi定位比較[J].移動通信，2010（10）：72-76.

[22] Youssef M，Agrawala A.Continuous space estimation for WLAN location determination system[C].Proceedings of 13thinternational conference on computer communications and networks[s.l.]：IEEE，2004：161-166.

[23] 程金晶，魏東巖，唐陽陽.WLAN指紋定位中AP選擇策略研究[J].計算機技術與發展，2015（3）：1-5.

[24] 陳淼.基于信號強度的WLAN室內定位跟蹤系統研究[D].武漢：武漢大學，2012.

[25] WANG A，CHEN G，YANG J，et al.A comparative study on human activity recognition using inertial sensors in a smartphon[J].IEEE Sensors Journal，2016，16（11）：4556-4578.