基于深度学习的移动定位优化数据过滤方法

摘要

本文提出一种数据过滤方法，用于滤除训练数据中移动网络信号的干扰以及全球定位系统的位置误差，以提高移动定位的精度。此外，提出了一种基于深度学习的移动定位方法，用于分析蜂窝网络和Wi-Fi网络的接收信号强度指示（RSSIs），从而确定移动台的位置。在实际实验环境中，选取福建理工大学作为案例研究，以评估所提出的方法。本研究共收集了3655条记录，包含77个不同的基站和1947个不同的Wi-Fi接入点。实验结果表明，所提方法的平均位置误差为4.32米。

关键词 —数据过滤，移动定位，深度学习。

一、引言

无线网络和移动网络的快速发展推动了信息科学技术的进步。手机已成为人类日常生活中不可或缺的一部分，基于位置的服务得到了非常广泛的应用[1]。尽管全球定位系统（GPS）已经能够以较好的定位精度为我们的生活提供基本服务，但一些研究表明，在城市道路上仅有95%的区域可接收到GPS信号，这意味着GPS模块可能无法实现精确定位[2]。为解决GPS无法正常工作的问题，一些研究分析了位置（即经度和纬度）与来自基站（BSs）或Wi-Fi接入点（APs）的接收信号强度指示（RSSIs）之间的相关性，以估计移动台（MS）的位置，从而在无GPS的情况下也能获得相对较低的位置误差。传统的基于RSSI的指纹定位算法采用k-最近邻（KNN）、加权k-最近邻（WKNN）和概率模型，根据RSSI向量的距离来估计移动台的位置。然而，训练数据中移动网络信号的干扰以及GPS产生的位置误差可能导致较大的定位误差。因此，本文提出一种数据过滤方法，用于滤除训练数据中的异常值，以提升移动定位的精度。此外，还提出一种基于深度神经网络的移动定位方法，利用来自基站和Wi-Fi接入点的接收信号强度指示来估计移动台的位置。

本文的其余部分安排如下。第二部分介绍了所提出的移动定位系统，第三部分阐述了所提出的数据过滤方法。第四部分给出并讨论了实际实验结果。最后，第五部分总结了结论和未来工作。

II. 移动定位系统

本节详细介绍了所提出的移动定位系统的架构。该移动定位系统包括移动台、移动定位服务器和数据库服务器，如图1所示。移动台可以是各种类型的手机，本研究实验中使用了华为Nova 2s手机。

在训练阶段，移动台收集来自周围基站和Wi-Fi接入点的接收信号强度指示，并将GPS模块获取的经度和纬度发送至移动定位服务器。移动定位服务器从移动台收集与位置（即纬度和经度）相关的接收信号强度指示数据，并将其记录存储到数据库服务器中。移动定位服务器执行所提出的数据过滤方法，分析移动网络信号干扰和位置漂移，以滤除异常记录。然后，执行基于深度学习的移动定位方法，分析来自基站和Wi-Fi接入点的接收信号强度指示，学习并优化深度神经网络中的权重（如图2所示），以拟合纬度和经度。

在测试和执行阶段，移动台只能将从基站和Wi-Fi接入点检测到的接收信号强度指示发送到移动定位服务器。移动定位服务器可以利用带有训练好的深度神经网络的移动定位方法，分析接收信号强度指示向量，以估计移动台的位置。

III. 数据过滤方法

在本节中，将详细介绍所提出的数据过滤方法（如图3所示）的步骤。在城市地区产生的卫星信号干扰会导致GPS位置漂移。因此，在所提出的移动定位方法中，通过数据过滤方法清理原始数据并滤除异常值，可以在训练深度神经网络之前提高移动定位的精度。对于数据过滤，本研究考虑了移动台的位置与道路中心轴线之间的距离。在训练阶段收集了位置LL{l1, l2,…,lk}；并测量每个第i个位置与其对应道路中心轴线之间的距离di。如果该距离di大于10米，则第i条记录可能存在GPS位置漂移。所提出的数据过滤方法将滤除这些存在GPS位置漂移的记录。

IV. 实际实验结果与讨论

在实际实验中，本研究在福建理工大学收集了3655条记录，其中包括77个不同的基站和1947个不同的Wi-Fi接入点。用于评估所提出方法的六个场景包括以下情况。

案例1(a)：仅蜂窝网络信号，无数据过滤。
案例1(b)：仅Wi-Fi网络信号，无数据过滤。
案例1(c)：蜂窝网络和Wi-Fi网络信号，无数据过滤。
案例2(a)：仅蜂窝网络信号，采用数据过滤方法。
案例2(b)：仅Wi-Fi网络信号，采用数据过滤方法。
案例2(c)：蜂窝网络和Wi-Fi网络信号，采用数据过滤方法。

实际实验结果表明，数据过滤方法可以降低位置误差。此外，包含具有70个神经元的隐藏层的深度神经网络可以获得4.32米的位置误差（如表I所示）。不同案例的位置误差的累积分布函数如图4所示。结果表明，案例2(c)的平均定位误差低于其他案例。因此，蜂窝网络与Wi-Fi网络信号的结合能够实现更高精度的移动定位。

V. 结论

本研究提出了一种数据过滤方法，可滤除移动网络信号和位置误差的干扰，从而改善移动定位。所提出的基于深度神经网络的移动定位方法能够分析异构网络信号，以获得更高精度的移动定位。