[论文解读] LOCATER: Cleaning WiFi Connectivity Datasets for Semantic Localization

Yiming Lin, Daokun Jiang+5 more|arXiv (Cornell University)|Apr 20, 2020

Indoor and Outdoor Localization Technologies参考文献 62被引用 2

一句话总结

LOCATER 是一种数据清洗系统，通过将粗粒度定位视为缺失值检测问题，将细粒度定位视为概率消歧任务，将原始 WiFi 连接日志转换为准确的语义室内位置（例如，房间、楼层）。它利用半监督学习和历史 WiFi 数据的概率推理，在无需额外硬件或用户协作的情况下实现高精度。

ABSTRACT

This paper explores the data cleaning challenges that arise in using WiFi connectivity data to locate users to semantic indoor locations such as buildings, regions, rooms. WiFi connectivity data consists of sporadic connections between devices and nearby WiFi access points (APs), each of which may cover a relatively large area within a building. Our system, entitled semantic LOCATion cleanER (LOCATER), postulates semantic localization as a series of data cleaning tasks - first, it treats the problem of determining the AP to which a device is connected between any two of its connection events as a missing value detection and repair problem. It then associates the device with the semantic subregion (e.g., a conference room in the region) by postulating it as a location disambiguation problem. LOCATER uses a bootstrapping semi-supervised learning method for coarse localization and a probabilistic method to achieve finer localization. The paper shows that LOCATER can achieve significantly high accuracy at both the coarse and fine levels.

研究动机与目标

• 解决将嘈杂、不完整的 WiFi 连接日志转换为有意义的语义室内位置（如房间或楼层）的挑战。
• 将语义定位问题视为数据清洗问题，而非直接的定位任务。
• 通过利用现有 WiFi 基础设施和历史连接模式，消除对专用硬件或用户协作的依赖。
• 通过自举半监督学习和概率推理，提升粗粒度和细粒度定位的精度。
• 支持智能空间应用，如人员占用监测、温控调节和建筑内人群密度跟踪。

提出的方法

• 将设备在连接事件之间与 WiFi 接入点（AP）的关联关系视为缺失值检测与修复问题。
• 使用自举半监督学习方法，基于连接事件的时间模式推断粗粒度语义位置（例如，楼层或区域）。
• 应用概率模型，利用跨设备的空间和时间相关性，解决细粒度位置消歧（例如，具体是哪个房间）。
• 利用历史 WiFi 事件日志估计连接间隔的置信区间，识别建筑物内与建筑物外状态。
• 采用可能世界模型，基于观测到的设备连接模式计算房间分配的后验概率。
• 通过交叉验证或经验分布拟合进行参数调优，实现高效数据处理，优化可扩展性和近实时性能。

实验结果

研究问题

• RQ1 是否可以清洗 WiFi 连接数据，实现在无需额外硬件或用户协作情况下的高精度语义定位？
• RQ2 如何有效检测并修复连接事件之间的缺失 AP 关联？
• RQ3 仅使用连接日志，半监督学习在多大程度上能提升粗粒度定位的精度？
• RQ4 概率推理在从稀疏且嘈杂的 WiFi 数据中提升细粒度定位（例如，房间级别）方面能发挥多大作用？
• RQ5 该系统在保持高精度和低延迟的前提下，能否扩展至真实世界数据集？

主要发现

• LOCATER 仅使用原始 WiFi 连接日志，即在粗粒度和细粒度语义定位方面实现了显著的高精度。
• 与基线启发式方法（如空间重叠或随机选择）相比，该系统在房间级别定位中表现更优。
• 通过平均连接时长的置信区间进行参数调优，可实现 95% 置信度下对建筑物内与建筑物外状态的准确检测。
• 自举半监督学习方法能有效从有限标注数据中学习粗粒度位置模式。
• 概率消歧模型通过利用设备共现和空间约束，成功解决了模糊的房间分配问题。
• LOCATER 展现出良好的可扩展性和近实时性能，适用于智能建筑中的生产环境部署。