基于室内空间WIFI信号的用户定位分析研究计算机科学与技术专业.docx
前言3第一章绪论51.1 研究背景及其意义51.2 室内定位技术概述51 3位技研九现状.61.1.1 基于信号传播模型的定位方法61.1.2 基于位置指纹识别的定位方法71.4 研究目标91.5 研究内容91.6 论文结构10第二章相关技术与工具112.1 相关技术112.1.1 KNN112.1.2 RandomForest112.1.3 xgboost122.2 相关工具13第三章问题定义143.1 基本概念143.2 位置指纹定位方法15第四章基于RF和XgbooSt的融合定位算法174.1 基于多分类的定位算法174.1.1 位置指纹库构建174.1.2 12l¾184.1.3 RF模型训练214.2 基于二分类的定位算法224.2.1 特征工程234.2.2 Xgboost算法244.2.3 Xgboost模型训练254.3 多分类和二分类的融合定位算法271.1 .1训练阶段274.3 2/isyL28第五章实验与结果分析285.1 实验场景295.2 实验数据1.1 .1.训练集295.22 测试集315.23 定位结果315.3 数据分析325.4 实验过程335.6 实验结果34第六章总结与展望356.1 总结366.2 展望36参考文献37致谢错误!未定义书签。摘要如今，随着无线网络和计算技术进入快速发展阶段，在日常生活中人们对于具体位置信息的需求也愈加迫切，基于位置的服务和应用由此应运而生。随着基于位置的服务的流行，定位技术也逐渐成为了科研热点。现阶段，GPS技术被广泛应用于室外定位领域。而室内环境普遍狭窄，障碍物较多，这些都会对GPS造成干扰，使得GPS出现定位错误。因此，GPS无法实现人们对室内定位的需求。与其他定位技术相比，WIFI具有传输速度快，覆盖范围广，部署成本低，便于移动，在非视距的条件下仍然可以传播等优势，这使得WIFI技术在众多无线定位技术中脱颖而出。在日常生活中，当用户在商场中使用支付宝付费时，我们可以通过用户的手机获得用户当前的GPS定位，接收到的WIFI信息以及（二维码）所在的商店信息。在基于这些信息进行必要的数据挖掘和机器学习训练后，利用WlFl定位算法精确定位出用户所在的店铺。在用户付费前向其推送相关的商品或优惠券，这可以有效促进用户的消费，改善用户的购物体验。为实现在商场中对用户的精确定位，本文基于位置指纹识别算法，设计了一个针对性的集成模型。首先利用基于随机森林的多分类模型和基于Xgboost的二分类模型进行定位，然后通过对上述模型的有效融合提出了一个基于随机森林和XgbOOSt的融合定位算法。在基于真实数据集对本文所提出的集成学习模型和融合模型进行评测后，我们发现，本文所提出的WlFl定位算法在静态情况下的定位准确度可以达到91%。相较于传统的定位算法，其定位精度得到了有效的提高。关键字：室内定位；WlFl技术；位置指纹；机器学习AbstractToday,wirelessnetworksandcomputingtechnologyaremovingintorapiddevelopment.Atthesametime,people'sdemandforspecificlocationinformationbecomesmoreandmoreurgentindailylife,thelocation-basedservicesandapplicationsemergeaccordingly.Withthepopularityoflocation-basedservices,positioningtechnologyhasgraduallybecomearesearchhotspot.Atpresent,GPSiswidelyusedinthefieldofoutdoorpositioning.Theindoorenvironmentisgenerallynarrowandcomplicated,whichinterfereswithGPSandmakesGPSpositioningerror.Therefore,GPScannotmeettheneedsofindoorpositioning.Comparedwithotherpositioningtechnologies,WIFIhasmanyadvantages,suchasfasttransmissionspeed,widecoverage,lowdeploymentcost,easytomove,andcanbetransmittedundernon-visualconditions,whichmakeWIFIbecomeanexcellentchoiceinindoorwirelesspositioningtechnology.Indailylife,whenpeopleusemobilephoneintheshoppingmall,wecangetthecurrentGPSlocationofusers,theWIFIinformationreceivedbythephoneandthestoreinformationinthemall.Afterthenecessarydataminingandmachinelearningtrainingbasedonthisinformation,theWIFIlocationalgorithmisusedtoaccuratelylocatethestorewheretheuseris,andpushrelevantcouponsbeforepayment,whichcaneffectivelypromotetheconsumptionofusersandgreatlyimprovetheuser'sshoppingexperience.Inordertorealizeaccuratepositioningofusersinshoppingmalls,thispaperdesignsatargetedintegrationmodelbasedonlocationfingerprintidentification.Firstofall,usingmultipleclassificationmodelbasedonrandomforestandthebinaryclassificationmodelbasedonxgboosttolocate,andafusionlocalizationalgorithmbasedonRFandxgboostisproposedthrougheffectivefusionoftheabovemodel.Theintegrationlearningmodelandfusionmodelproposedinthispaperareevaluatedbasedonrealdatasets,theexperimentsshowthatthepositioningaccuracyoffusionlocationalgorithmbasedonRFandxgboostcanreach91%instaticcondition.Comparedwiththetraditionallocalizationalgorithm,thelocalizationaccuracyofthefusionalgorithmproposedinthispaperisimprovedeffectively.Keywords:indoorpositioning;WIFltechnology;Positionfingerprint;Machinelearning如今，无线网络和计算技术进入快速发展阶段，与此同时，在日常生活中人们对于具体的位置信息的需求也愈加的迫切，基于位置的服务和应用由此应运而生。随着基于位置的服务的流行，定位技术也逐渐成为了科研热点。现阶段，GPS技术被广泛应用于室外定位领域。然而，由于室内环境普遍较为狭窄且复杂多变，人员的数量、室内的空间大小、建筑物的稀疏程度以及温度等多种因素都可能会对GPS信号造成干扰，使得GPS定位出错甚至失效。因此，GPS无法实现人们对室内定位的需求。如今，WIFl信号普遍存在于办公室、家庭、商场、机场、医院等室内环境中。因此，基于WlFl的室内定位技术并不需要事先在定位区域内安装任何硬件设备，便可以实现室内定位，这可以有效降低在室内部署定位系统的难度以及建设成本。除此之外，与其他定位技术相比，WIFl技术还具有传输速度快,覆盖范围广，部署成本低，便于移动，在非视距的条件下仍然可以传播等优势。本文对室内定位技术进行了深入探讨，主要分析了现有的三种室内定位方法包括基于特定设备的定位方法、基于移动传感器的定位方法以及基于WlFI信号的定位方法，着重介绍了基于WIFI信号的定位方法中的两个典型方法：“基于信号传播模型的定位和基于位置指纹识别算法的定位”。其中，基于位置指纹识别算法的定位方法由于实现简单，成本低，定位精确度高，可扩展性强等优势在许多室内定位方法中崭露头角，逐渐成为室内定位领域的主流方法。在日常生活中，当用户在商场中使用支付宝付费时，我们可以通过用户的手机获得用户当前的GPS定位，接收到的WIFI信息以及（二维码）所在的商店信息。在基于这些信息进行必要的数据挖掘和机器学习训练后，利用WIFI定位算法精确定位出用户当前所在的店铺。在用户付费前向其推送相关的商品或优惠券，这可以有效促进用户的消费，改善用户的购物体验。为实现在商场中对用户的精确定位，本文基于位置指纹识别算法，设计了一个针对性的集成模型。首先利用基于随机森林的多分类模型和基于Xgboost的二分类模型进行定位，然后通过对上述模型的有效融合进一步提高了定位的精确度。本文的主要工作及创新点如下：(1)深入研究了当前的室内定位技术，着重介绍了三种室内定位方法以及两个典型的WIFl室内定位方法，对WlFl室内定位技术的研究现状进行了分析，为本文的定位算法寻找理论支撑。(2)通过对位置指纹识别算法的研究，针对其存在的局限性，在传统的位置指纹识别算法中，引入机器学习算法，设计了一个针对性的集成模型。首先利用基于随机森林的多分类模型和基于Xgboost的二分类模型进行定位，然后对上述模型进行有效融合，从而进一步提高定位精确度。(3)基于真实数据集对本文所提出的集成学习模型和融合模型进行评测，验证相关算法的有效性。第一章绪论1.1 研究背景及其意义如今，无线网络和计算技术进入快速发展阶段，与此同时，在日常生活中人们对于具体的位置信息的需求也愈加迫切，基于位置的服务和应用由此应运而生。“基于位置的服务(LOCatiOnBasedService,LBS)指的是利用定位技术获取用户的定位信息，根据当前用户的需求，为其提供所需要的特定服务”。现阶段在导航、物流、商铺促销、个人跟踪等领域，LBS均展现了不可忽视的存在。随着基于位置的服务的流行，定位技术也逐渐成为了科研
