(1.上海交通大學(xué) 模具CAD國(guó)家工程研究中心，上海 200030;2.東莞市橫瀝模具科技產(chǎn)業(yè)發(fā)展有限公司，廣東 東莞 523460)

0 引言

隨著移動(dòng)互聯(lián)網(wǎng)計(jì)算平臺(tái)的迅速普及，根據(jù)不同的場(chǎng)景實(shí)時(shí)精確地推送相關(guān)信息，已經(jīng)成為一項(xiàng)增強(qiáng)用戶體驗(yàn)友好度并提升商業(yè)信息服務(wù)水平的有效策略。此應(yīng)用對(duì)面向移動(dòng)大數(shù)據(jù)的推薦算法提出了精度更高且具可操作性的要求，在恰當(dāng)?shù)臅r(shí)間和地點(diǎn)向用戶提供最具針對(duì)性的服務(wù)，是諸多通訊與互聯(lián)網(wǎng)企業(yè)智能化拓展的新目標(biāo)。

隨著城市功能的發(fā)展，室內(nèi)場(chǎng)景日趨復(fù)雜，商業(yè)場(chǎng)所對(duì)于定位及監(jiān)控相關(guān)需求也逐漸深入。如大型超市可以基于客戶定位信息提供引流導(dǎo)購(gòu)營(yíng)銷服務(wù)。醫(yī)療機(jī)構(gòu)可以快速調(diào)用相關(guān)醫(yī)療資源，同時(shí)對(duì)特殊病患進(jìn)行定位監(jiān)護(hù)，以提高患者就醫(yī)及醫(yī)務(wù)人員診療效率。在通訊技術(shù)覆蓋日益全面的情況下，室內(nèi)定位諸多行業(yè)均展現(xiàn)出了廣闊的應(yīng)用前景。目前，室內(nèi)定位技術(shù)如WiFi、藍(lán)牙、RFID、紅外等得到了廣泛的研究與開發(fā)，為眾多室內(nèi)定位應(yīng)用提供了諸多行之有效的位置服務(wù)方案，成為智能城市的有效組成與標(biāo)準(zhǔn)配置。

1 基于WiFi信號(hào)的移動(dòng)定位

通過(guò)手機(jī)等移動(dòng)設(shè)備攜帶的信息精確定位用戶位置信息是室內(nèi)智能應(yīng)用中關(guān)鍵的一環(huán)，WiFi信號(hào)獲取、大數(shù)據(jù)分析以及數(shù)據(jù)挖掘是當(dāng)前完成此項(xiàng)功能的有效途徑之一。

在真實(shí)商業(yè)場(chǎng)景測(cè)試實(shí)驗(yàn)中，手機(jī)等移動(dòng)端在室內(nèi)復(fù)雜環(huán)境中經(jīng)常存在定位信號(hào)模糊、環(huán)境信息不全、店鋪數(shù)據(jù)缺失、不同店鋪空間距離太近等諸多挑戰(zhàn)[1]，因此很難精準(zhǔn)地確定移動(dòng)中的用戶所在商鋪。隨著WiFi在室內(nèi)環(huán)境中的廣泛部署，以及智能移動(dòng)設(shè)備的普及，使得WiFi具有作為主要定位介質(zhì)的技術(shù)成為可能[2]。

室內(nèi)環(huán)境的復(fù)雜性導(dǎo)致信號(hào)被遮擋或者產(chǎn)生多徑效應(yīng)，引起的接受誤差是影響定位效果的主要原因。另外信號(hào)接收端和發(fā)射端的硬件差異和穩(wěn)定性也會(huì)造成定位誤差。所以在進(jìn)行室內(nèi)定位的時(shí)候，必須考慮到上述因素的影響[3]。

基于WiFi的室內(nèi)定位技術(shù)主要包括幾何特征法、鄰近信息法和場(chǎng)景分析法。幾何特征法將信號(hào)強(qiáng)度轉(zhuǎn)換為距離，再使用幾何原理進(jìn)行定位。當(dāng)信號(hào)穩(wěn)定，傳播時(shí)不受到干擾時(shí)可以達(dá)到較好的定位效果，但室內(nèi)應(yīng)用環(huán)境的復(fù)雜和信號(hào)的波動(dòng)影響了它的定位精度。鄰近信息法利用信號(hào)作用范圍來(lái)確定參考點(diǎn)，但只能判斷定位點(diǎn)是否在參考點(diǎn)的附件，定位精度不高。場(chǎng)景分析法利用待測(cè)點(diǎn)的可測(cè)量特征來(lái)進(jìn)行定位，有效利用了各類位置信息，可以在復(fù)雜室內(nèi)環(huán)境中取得理想的定位精度，擁有較好的實(shí)用價(jià)值，因此被廣泛的研究和應(yīng)用[4]。場(chǎng)景分析法首先要收集大量的位置信息構(gòu)建“指紋庫(kù)”，在定位時(shí)系統(tǒng)會(huì)將測(cè)量所處位置的“指紋”和“指紋庫(kù)”的數(shù)據(jù)進(jìn)行信息匹配，即可獲取待測(cè)點(diǎn)的位置[5]?，F(xiàn)在較為主流的一類匹配方式是通過(guò)歐氏距離或馬氏距離，在指紋庫(kù)中選出距離最小的位置信息，被稱為確定性方法。這種方法受信號(hào)穩(wěn)定性影響大，定位精度低。另一種是通過(guò)在此類方法基礎(chǔ)上加入一些先進(jìn)的機(jī)器學(xué)習(xí)算法來(lái)改進(jìn)這些問(wèn)題，比如SVM[6]或模糊邏輯[7]等。

總體而言，由于實(shí)現(xiàn)難度適中、成本相對(duì)較低、定位精度較高及穩(wěn)定性好等優(yōu)點(diǎn)，基于位置指紋的WiFi室內(nèi)定位技術(shù)已經(jīng)成為目前研究的熱點(diǎn)方法之一。本文針對(duì)位置指紋進(jìn)行了深入的分析，提出了一種基于XGBoost算法的位置指紋法，通過(guò)XGBoost學(xué)習(xí)器對(duì)采集到的真實(shí)店鋪和用戶交易數(shù)據(jù)進(jìn)行離線訓(xùn)練，建立位置指紋庫(kù)，然后根據(jù)用戶信息進(jìn)行實(shí)時(shí)定位。實(shí)驗(yàn)證明，XGBoost算法具有較好的分類能力，相對(duì)傳統(tǒng)的最近鄰算法，本文提出的方法取得了較高的WiFi信號(hào)定位精度。

2 位置指紋法基本原理

2.1 定位基本階段

位置指紋指的是某個(gè)位置與可測(cè)量物理刺激相關(guān)物理量之間的關(guān)系，把實(shí)際環(huán)境中的位置和某種“指紋”聯(lián)系起來(lái)，一個(gè)位置對(duì)應(yīng)一個(gè)獨(dú)特的指紋?；谖恢弥讣y法的定位可以分為離線訓(xùn)練和在線定位兩個(gè)階段[8]。

1)離線訓(xùn)練階段建立位置指紋庫(kù)，首先確定區(qū)域中一系列的測(cè)試參考點(diǎn)，然后在各個(gè)參考點(diǎn)采集足夠數(shù)量的AP信號(hào)樣本，對(duì)這些樣本進(jìn)行篩選加工(通常去除異常值后使用取均值)作為此參考點(diǎn)的AP信號(hào)特征參數(shù)，并且在位置指紋數(shù)據(jù)庫(kù)中進(jìn)行記錄，即為位置指紋地圖。

2)在線定位階段在測(cè)得某處的信號(hào)特征參數(shù)后，依據(jù)實(shí)時(shí)測(cè)得的信號(hào)數(shù)據(jù)與位置指紋數(shù)據(jù)庫(kù)中記錄進(jìn)行匹配，獲得位置信息，進(jìn)而實(shí)現(xiàn)定位。

2.2 最近鄰算法

隨著對(duì)于位置指紋法的定位技術(shù)研究的深入，匹配算法中最早在RADAR定位系統(tǒng)中提出最近鄰算法(NN, Nearest Neighbor)[9]是一種最基本的確定性匹配算法。最近鄰算法根據(jù)向量間的極大似然理論，它通過(guò)計(jì)算實(shí)測(cè)信號(hào)強(qiáng)度和含有信號(hào)強(qiáng)度以及位置信息的數(shù)據(jù)庫(kù)中樣本的相似度，來(lái)評(píng)估該接收信號(hào)強(qiáng)度可能的位置[10]。這種算法會(huì)在指紋數(shù)據(jù)庫(kù)中搜索與實(shí)測(cè)信號(hào)信息最匹配的數(shù)據(jù)點(diǎn)，取該樣本的位置作為定位估計(jì)值。

對(duì)于空間環(huán)境十分復(fù)雜的室內(nèi)情況，并非所有的位置指紋都可靠，更復(fù)雜的指紋庫(kù)可能還包括了RSSI (Received Signal Strength Index)的標(biāo)準(zhǔn)差信息，或者賦予每個(gè)AP不同的權(quán)值，這樣需要使用加權(quán)的歐氏距離，如對(duì)整個(gè)指紋加一個(gè)權(quán)值，或者對(duì)指紋的系列特征分別加權(quán)值[11]。Brunato M和Battiti R提出了一個(gè)權(quán)值設(shè)計(jì)方式[12]，可使加權(quán)K近鄰算法的定位精度比K近鄰算法有一定的性能提升。但這種匹配算法計(jì)算過(guò)程復(fù)雜，工作量大，不適用于實(shí)時(shí)精確定位。目前部分商用WiFi接收器可以提供信道相關(guān)信息，利用該信息建立指紋庫(kù)進(jìn)行定位，可以有效地提高定位精度。本文在前述特征研究的基礎(chǔ)上，針對(duì)位置指紋法中學(xué)習(xí)及分類方案進(jìn)行了深入分析比較，采用基于XGBoost算法的WiFi指紋定位法。

3 基于XGBoost的位置指紋法

3.1 XGBoost算法

Boosting分類器屬于集成學(xué)習(xí)算法，它采用了加法模型，其基本思想是把成百上千個(gè)分類準(zhǔn)確率較低的弱分類器組合形成一個(gè)準(zhǔn)確率較高的強(qiáng)分類器。以決策樹為基本分類器的Boosting方法稱為提升樹(Boosting Tree)，該模型不斷迭代，每次迭代生成一棵新的提升樹，在每步生成合理的提升樹是Boosting分類器的關(guān)鍵[13]。

提升樹可以定義為一種使用前向分布算法的決策樹加法模型。首先定義初始提升樹f0(x)=0，而第m步的模型定義為：

fm(x)=fm-1(x)+T(x;Θm)

(1)

其中:fm-1(x)為當(dāng)前模型，通過(guò)極小化風(fēng)險(xiǎn)來(lái)確定下一棵決策樹的參數(shù)Θm：

(2)

若損失函數(shù)為平方或指數(shù)函數(shù)時(shí)，每步優(yōu)化都較為簡(jiǎn)單，但對(duì)一般損失函數(shù)進(jìn)行優(yōu)化則比較困難。針對(duì)這一問(wèn)題，F(xiàn)reidman提出了梯度提升(Gradient Boosting)算法[14]。

它用了當(dāng)前模型損失函數(shù)負(fù)梯度的值作為提升樹算法的殘差近似值，使每一棵樹的迭代都會(huì)降低整體的損失，T(x;Θm) 的擬合目標(biāo)值如下：

(3)

通過(guò)損失函數(shù)負(fù)梯度的擬合來(lái)優(yōu)化損失函數(shù)，朝著最小化給定目標(biāo)函數(shù)的方向逼近。在參數(shù)合理設(shè)置下，需要生成一定數(shù)量的樹才能達(dá)到預(yù)期準(zhǔn)確率，另外在數(shù)據(jù)集龐大且較復(fù)雜的時(shí)候，Gradient Boosting算法的計(jì)算量巨大。

XGBoost[15]是Gradient Boosting算法的快速實(shí)現(xiàn)，能充分利用CPU的多線程進(jìn)行并行計(jì)算，并通過(guò)使用損失函數(shù)的二階泰勒展開對(duì)算法加以改進(jìn)以提高精度。XGBoost的基礎(chǔ)學(xué)習(xí)器包括常用的樹模型或線性模型，可以進(jìn)行分類和回歸的預(yù)測(cè)，采用了深度學(xué)習(xí)中的dropout技術(shù)[16]在訓(xùn)練的過(guò)程中隨機(jī)采用數(shù)據(jù)和特征防止過(guò)擬合，具有可擴(kuò)展性、不易過(guò)擬合等特點(diǎn)，并能分布式處理高維稀疏特征。另外XGBoost算法在訓(xùn)練之前，預(yù)先對(duì)數(shù)據(jù)進(jìn)行排序，然后保存為block結(jié)構(gòu)，后面的迭代中重復(fù)地使用這個(gè)結(jié)構(gòu)，從而極大減小了計(jì)算量。XGBoost有多種實(shí)現(xiàn)，本文采用XGBoost算法的Python版本進(jìn)行分類建模與計(jì)算。

3.2 基于XGBoost的定位算法

改進(jìn)的基于XGBoost算法的位置指紋法同樣分為2個(gè)階段，離線訓(xùn)練階段和在線定位階段。在訓(xùn)練階段，首先將數(shù)據(jù)對(duì)象進(jìn)行預(yù)處理使數(shù)據(jù)標(biāo)準(zhǔn)化，然后利用XGBoost算法對(duì)標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行分類，根據(jù)分類的結(jié)果調(diào)整XGBoost算法的輸入?yún)?shù)，獲得最優(yōu)的多分類模型。在定位階段，對(duì)每一個(gè)新測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，然后輸入訓(xùn)練好的多分類模型，運(yùn)用XGBoost算法進(jìn)行分類。本方法詳細(xì)的算法流程圖包括三個(gè)階段：數(shù)據(jù)采集，訓(xùn)練和定位結(jié)果顯示，如圖1所示。

圖1 基于XGBoost的定位算法

使用XGBoost算法作為位置指紋法的匹配算法，由于采用了Boosting的方法相比于KNN較大的提升了準(zhǔn)確度，同時(shí)使用訓(xùn)練好的模型能進(jìn)行即時(shí)精確定位。

通過(guò)XGBoost算法對(duì)位置和WiFi信號(hào)數(shù)據(jù)之間的映射關(guān)系進(jìn)行離線學(xué)習(xí)，構(gòu)建高精度指紋庫(kù)。同時(shí)為了獲取更好的定位效果，將位置離散化，對(duì)商場(chǎng)不同位置使用商鋪ID作為唯一標(biāo)識(shí)，指紋庫(kù)如表1所示。

表1 WiFi信號(hào)指紋庫(kù)

表1中Yi為第i個(gè)樣本所在位置離散后的唯一標(biāo)識(shí)ID，APj為整個(gè)定位區(qū)域內(nèi)第j個(gè)AP，Xij為第i個(gè)樣本所在位置接受到APj信號(hào)的強(qiáng)度值，無(wú)信號(hào)的AP用默認(rèn)值填充。

XGBoost算法通過(guò)構(gòu)建多棵決策樹來(lái)構(gòu)建指紋庫(kù)，其思想是通過(guò)位置離散化將定位問(wèn)題轉(zhuǎn)化為多分類問(wèn)題，每個(gè)位置對(duì)應(yīng)一種類別。然后對(duì)樣本進(jìn)行訓(xùn)練，將每個(gè)決策樹的結(jié)果融合得到最終的分類結(jié)果。利用XGBoost算法構(gòu)建指紋庫(kù)的步驟如下：

1)選取某一位置作為采樣點(diǎn)，采集WiFi信號(hào)數(shù)據(jù)作為一個(gè)樣本的全部特征。對(duì)特征進(jìn)行列采樣，利用貪婪算法根據(jù)“損失函數(shù)最小”原則來(lái)尋找最優(yōu)分裂點(diǎn)，將使損失函數(shù)值最小的WiFi特征及該特征下的信號(hào)強(qiáng)度值作為本次分裂的分裂點(diǎn)。

2)為了防止構(gòu)建的指紋庫(kù)模型過(guò)于復(fù)雜，出現(xiàn)過(guò)擬合現(xiàn)象，即該模型對(duì)訓(xùn)練數(shù)據(jù)可以獲得較高的定位準(zhǔn)確率，而在線定位時(shí)準(zhǔn)確率率低，需要對(duì)結(jié)點(diǎn)的每次分裂進(jìn)行限制。只有當(dāng)增益大于閾值的時(shí)候才進(jìn)行分裂，同時(shí)當(dāng)一棵樹到達(dá)最大深度停止繼續(xù)分裂。

3)在生成決策樹時(shí)，使用Gradient Boosting算法促使預(yù)測(cè)結(jié)果不斷逼近真實(shí)結(jié)果。通過(guò)多棵決策樹的學(xué)習(xí)，完成離線訓(xùn)練。在定位階段，首先對(duì)每一個(gè)新測(cè)WiFi數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，然后輸入訓(xùn)練好的多分類模型，應(yīng)用XGBoost算法進(jìn)行定位。

4 基于XGBoost的定位實(shí)驗(yàn)及分析

4.1 測(cè)試數(shù)據(jù)構(gòu)成

本文所有數(shù)據(jù)均來(lái)自阿里天池比賽的商場(chǎng)中精確定位用戶所在店鋪賽題的真實(shí)采集數(shù)據(jù)集。當(dāng)用戶使用移動(dòng)支付方式付費(fèi)時(shí)，后臺(tái)采集了此時(shí)手機(jī)的狀態(tài)(用戶ID、時(shí)間、GPS定位、WiFi信號(hào)強(qiáng)度及連接)和被掃碼的商店的信息(商店ID、商場(chǎng)ID、商店消費(fèi)水平、商店位置)。采集到的具體信息如下圖表2和表3所示。

表2 用戶在店鋪內(nèi)交易表

表3 店鋪商場(chǎng)信息表

商場(chǎng)中精確定位用戶所在店鋪數(shù)據(jù)庫(kù)提供的2017年8月份各類交易信息，一共包含1138015條數(shù)據(jù)。為了保證數(shù)據(jù)集在時(shí)間上可能出現(xiàn)的周期性，本文將8月1日至24日的數(shù)據(jù)作為訓(xùn)練集，剩余7天作為測(cè)試集驗(yàn)證算法效果，表4展示數(shù)據(jù)集的基本信息。

表4 數(shù)據(jù)量

選取用戶在店鋪內(nèi)交易表和店鋪商場(chǎng)信息表中商場(chǎng)ID為m_7168的部分?jǐn)?shù)據(jù)的經(jīng)緯度信息，使用QGIS桌面地理信息系統(tǒng)對(duì)數(shù)據(jù)進(jìn)行可視化，可視化效果如圖2。黑色三角形是不同店鋪的真實(shí)經(jīng)緯度定位，而彩色圓點(diǎn)為商場(chǎng)交易發(fā)生時(shí)收集到的手機(jī)定位的經(jīng)緯度定位，相同顏色的圓點(diǎn)則為同一個(gè)店鋪。

圖2 商場(chǎng)m_7168的經(jīng)緯度定位可視化

圖2采用的是GPS經(jīng)緯識(shí)別。雖然GPS在室外定位中取得了極大的成功，但由于室內(nèi)環(huán)境復(fù)雜，存在各種遮擋信號(hào)的障礙物，導(dǎo)致GPS接收機(jī)難以接收到足夠強(qiáng)度的衛(wèi)星信號(hào)，引起較大的定位偏差。圖2也反映了在商場(chǎng)內(nèi)手機(jī)GPS定位結(jié)果與真實(shí)經(jīng)緯度存在較大偏差。另外，GPS信號(hào)存在異常值，且不同商店的GPS重疊嚴(yán)重，呈現(xiàn)出聚集狀態(tài)，其中有些聚集的數(shù)據(jù)甚至可以呈現(xiàn)出商場(chǎng)清晰輪廓。這說(shuō)明在室內(nèi)定位中，GPS定位只能作為輔助提供一些定位信息。

4.2 數(shù)據(jù)處理

首先對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理以滿足XGBoost算法的輸入要求。此外為了避免臨近商場(chǎng)的影響提高定位精度，減少預(yù)測(cè)模型的復(fù)雜度，我們分別對(duì)每個(gè)商場(chǎng)各自訓(xùn)練一個(gè)預(yù)測(cè)模型。數(shù)據(jù)處理主要分為幾個(gè)步驟。

1)提取訓(xùn)練集中每個(gè)商場(chǎng)中所有WiFi的ID作為特征，為了避免個(gè)人移動(dòng)熱點(diǎn)的影響，剔除出現(xiàn)次數(shù)少于10的WiFi的ID。

2)提取訓(xùn)練集中每條數(shù)據(jù)的WiFi信息，將出現(xiàn)的WiFi強(qiáng)度作為對(duì)應(yīng)的WiFi的特征值，一般WiFi的信號(hào)強(qiáng)度范圍是[-90，-30]dBm，我們對(duì)特征向量中的缺失值使用-999來(lái)填充，為此確保搜到的WiFi的重要性。

3)以訓(xùn)練集中每條數(shù)據(jù)的shop_id作為類標(biāo)簽，優(yōu)化目標(biāo)是降低多分類錯(cuò)誤率。

4.3 模型訓(xùn)練

將預(yù)處理后的數(shù)據(jù)輸入到XGBoost模型中進(jìn)行訓(xùn)練，為了既不影響模型的收斂速度，又有較好的定位準(zhǔn)確率，采用的模型參數(shù)如表5所示。訓(xùn)練樣本由WiFi強(qiáng)度值和shop_id標(biāo)簽組成，通過(guò)WiFi強(qiáng)度值去訓(xùn)練一棵決策樹，將葉子節(jié)點(diǎn)的結(jié)果分類到樣本的標(biāo)簽上。雖然參數(shù)對(duì)決策樹的樹深做了限制，存在分類錯(cuò)誤的情況，但由于XGBoost模型采用了Boosting的集成學(xué)習(xí)方法，模型會(huì)將分類的誤差作為下一輪決策樹的擬合值。eta參數(shù)相當(dāng)于學(xué)習(xí)速率，在進(jìn)行完一次迭代后，會(huì)將葉子節(jié)點(diǎn)的權(quán)重乘上該系數(shù)，其目的主要是為了削弱每棵樹的影響，讓后面訓(xùn)練的決策樹有更大的學(xué)習(xí)空間。通過(guò)多輪的迭代，XGBoost訓(xùn)練的目標(biāo)函數(shù)的分類結(jié)果將始終逼近真實(shí)的標(biāo)簽，從而提高WiFi的定位精度。

表5 XGBoost模型參數(shù)

4.4 實(shí)驗(yàn)結(jié)果

對(duì)比其他WiFi定位算法，定位的準(zhǔn)確率是重要的性能指標(biāo)，也就是預(yù)測(cè)的shop_id是否和標(biāo)準(zhǔn)答案的shop_id相等，準(zhǔn)確率等于預(yù)測(cè)正確的樣本總數(shù)除以總樣本數(shù)。在本文中，總樣本為測(cè)試集8月25日至8月31日的數(shù)據(jù)，其中的shop_id列為標(biāo)準(zhǔn)答案，其他列均可用于預(yù)測(cè)shop_id。

對(duì)基于KNN和基于XGBoost模型的位置指紋法的準(zhǔn)確率進(jìn)行比較可知，在相同的樣本個(gè)數(shù)(288510)時(shí)，根據(jù)WiFi強(qiáng)度信息，基于XGBoost算法的定位準(zhǔn)確率(87.82%)明顯高于傳統(tǒng)的基于KNN的算法(79.43%)。

XGBoost算法的優(yōu)越性還體現(xiàn)在它的可擴(kuò)展性，它能將其他含有較低信息量的特征利用起來(lái)，進(jìn)一步組合提高定位的準(zhǔn)確率，如表6所示。

表6 使用經(jīng)緯度和WiFi特征的預(yù)測(cè)結(jié)果

由表6可知，雖然僅使用經(jīng)緯度特征定位存在較大偏差，準(zhǔn)確率只有66.52%，但是可以在WiFi強(qiáng)度特征的基礎(chǔ)上加入經(jīng)緯度特征，進(jìn)一步提高定位的準(zhǔn)確性。

由以上結(jié)果可以看出，改進(jìn)后的基于XGBoost算法的位置指紋法相比于傳統(tǒng)的基于最近鄰算法的位置指紋法有著巨大的提升。同時(shí)XGBoost算法還可通過(guò)特征工程進(jìn)一步挖掘數(shù)據(jù)價(jià)值，提高定位的準(zhǔn)確率。在離線訓(xùn)練階段，XGBoost可以自動(dòng)利用CPU的多線程進(jìn)行并行，有著良好的訓(xùn)練速度。在線定位階段，算法的時(shí)間復(fù)雜度為O(1)，平均每條數(shù)據(jù)所需的預(yù)測(cè)時(shí)間為0.23 ms(Intel i5-6400 CPU)，基本可以忽略，因此本文基于XGBoost算法的位置指紋法可以實(shí)現(xiàn)實(shí)時(shí)室內(nèi)定位功能。

5 結(jié)束語(yǔ)

針對(duì)室內(nèi)復(fù)雜環(huán)境和WiFi信號(hào)強(qiáng)度的變化特點(diǎn)，本文提出了一種基于XGBoost算法的位置指紋法。在離線學(xué)習(xí)階段，我們訓(xùn)練集數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型。在線定位階段，我們將測(cè)試集的WiFi信息，輸入預(yù)測(cè)模型，進(jìn)行實(shí)時(shí)定位。實(shí)驗(yàn)結(jié)果表明，該方法相對(duì)傳統(tǒng)的基于最近鄰算法的位置指紋法，具有可靠性強(qiáng)、精度高等優(yōu)點(diǎn)，可以應(yīng)用于復(fù)雜室內(nèi)環(huán)境的實(shí)時(shí)定位。

由于室內(nèi)空間復(fù)雜的信道環(huán)境和空間拓?fù)潢P(guān)系，給室內(nèi)定位帶來(lái)很大的挑戰(zhàn)，單一的定位源終究存在一定的局限。目前室內(nèi)定位技術(shù)的發(fā)展趨勢(shì)包含如下三個(gè)方面：探索新的定位源，形成高精度高可用定位技術(shù)；異源異構(gòu)定位源的高效融合；基于GIS的語(yǔ)義約束定位和語(yǔ)義認(rèn)知協(xié)同定位。這將是本文后續(xù)工作的重點(diǎn)研究方向。