[论文解读] Transfer Learning-Based Outdoor Position Recovery with Telco Data

Yige Zhang, Aaron Yi Ding+5 more|arXiv (Cornell University)|Dec 10, 2019

Indoor and Outdoor Localization Technologies参考文献 35被引用 4

一句话总结

本文提出TLoc，一种基于迁移学习的框架，利用电信（Telco）测量报告（MR）数据实现室外移动设备定位。通过采用相对坐标系、领域相似性度量和结构化迁移学习，TLoc将数据丰富的源领域中的高精度定位模型迁移至数据稀缺的目标领域，在上海2G和4G数据集上，与最先进方法相比，中位数定位误差最高降低49.22%。

ABSTRACT

Telecommunication (Telco) outdoor position recovery aims to localize outdoor mobile devices by leveraging measurement report (MR) data. Unfortunately, Telco position recovery requires sufficient amount of MR samples across different areas and suffers from high data collection cost. For an area with scarce MR samples, it is hard to achieve good accuracy. In this paper, by leveraging the recently developed transfer learning techniques, we design a novel Telco position recovery framework, called TLoc, to transfer good models in the carefully selected source domains (those fine-grained small subareas) to a target one which originally suffers from poor localization accuracy. Specifically, TLoc introduces three dedicated components: 1) a new coordinate space to divide an area of interest into smaller domains, 2) a similarity measurement to select best source domains, and 3) an adaptation of an existing transfer learning approach. To the best of our knowledge, TLoc is the first framework that demonstrates the efficacy of applying transfer learning in the Telco outdoor position recovery. To exemplify, on the 2G GSM and 4G LTE MR datasets in Shanghai, TLoc outperforms a nontransfer approach by 27.58% and 26.12% less median errors, and further leads to 47.77% and 49.22% less median errors than a recent fingerprinting approach NBL.

研究动机与目标

• 解决由于某些城市区域缺乏足够的地理标记测量报告（MR）样本，导致室外电信网络定位精度差的问题。
• 克服为获取足够MR样本以训练高精度定位模型而带来的高昂数据采集成本。
• 实现从数据丰富的源领域向数据稀缺的目标领域迁移知识，从而在无需从头训练的情况下提升定位性能。
• 设计一种新型坐标系和相似性度量方法，以支持在室外电信定位中实现有效的迁移学习。

提出的方法

• 提出以服务基站为中心的相对坐标系，实现跨领域的统一表征，促进知识迁移。
• 基于信号强度模式和地理接近度，提出一种领域相似性度量方法，用于识别最适合迁移的源领域。
• 将结构化迁移学习（STL）适配于微调预训练的随机森林回归模型，通过使用目标领域数据重新估计决策树节点阈值。
• 将兴趣区域划分为细粒度子区域（领域），以实现局部建模和定向迁移学习。
• 采用基于网格的表示方法（由参数g参数化），对领域进行离散化，平衡空间分辨率与模型泛化能力。
• 在每个领域内应用基于RaF的回归模型，学习从MR特征（如信号强度）到地理坐标的映射关系。

实验结果

研究问题

• RQ1 迁移学习是否能有效提升在地理标记MR样本有限区域的室外电信定位恢复性能？
• RQ2 如何设计一种一致的坐标系，以实现在不同地理领域间室外电信定位中的知识迁移？
• RQ3 在异构城市环境中，应采用何种标准选择最适合迁移学习的源领域？
• RQ4 与非迁移学习和基于指纹匹配的基线方法相比，迁移学习在多大程度上降低了定位误差？

主要发现

• 在上海市2G GSM和4G LTE数据集上，TLoc相较于非迁移学习基线方法，分别将中位数定位误差降低了27.58%和26.12%。
• 在2G和4G数据集上，TLoc相较于近期基于指纹匹配的方法NBL，分别实现了47.77%和49.22%的中位数误差降低。
• 所提出的领域相似性度量方法能有效识别相关源领域，显著提升在多样化城市子区域中的迁移性能。
• 通过迁移学习实现模型自适应，TLoc对基站迁移和硬件升级表现出鲁棒性。
• 即使在农村或信号密度较低的区域，TLoc仍能保持优异性能，而基线方法因训练数据不足而失效。
• 可视化结果表明，TLoc生成的轨迹与道路线段高度吻合，而非迁移方法则表现出显著的位置漂移。