مکان یابی داخلی WiFi مبتنی بر XGBoost با وزن دهی قابلیت اطمینان نقاط دسترسی در محیط چند-دستگاهی

مکان یابی داخلی مبتنی بر اثر انگشت WiFi به دلیل نوسان زمانی سیگنال، پوشش نامتوازن نقاط دسترسی و ناهمگونی سخت افزاری دستگاه ها در محیط های واقعی و چند دستگاهی همچنان چالش برانگیز است. بیشتر مطالعات پیشین صرفا بر کاهش میانگین خطا تمرکز داشته اند و کمتر به پایداری مدل در خطاهای بحرانی رفتار دستگاه محور و نقش قابلیت اطمینان نقاط دسترسی توجه کرده اند. در این پژوهش عملکرد چهار الگوریتم MLP، Random Forest، KNN و XGBoost بر روی مجموعه داده واقعی و چند دستگاهی TUJI۱ ارزیابی شد و علاوه بر معیارهای متداول دقت، شاخص های پایداری شامل خطای صدک ۹۵ و تابع توزیع تجمعی خطا نیز تحلیل گردید. سپس یک روش وزن دهی قابلیت اطمینان نقاط دسترسی با نام AP-RW پیشنهاد شد که وزن هر AP را بر اساس نرخ مشاهده و پایداری سیگنال تعیین می کند و بدون حذف هیچ AP به مدل XGBoost افزوده می شود. نتایج نشان داد که XGBoost با میانگین خطای ۲/۰۰۸۱ متر بهترین دقت متوسط را در میان مدل های پایه ثبت کرد، در حالی که نسخه XGBoost+RW با حفظ میانگین خطا در سطحی مشابه خطای صدک ۹۵ را از ۴/۵۴۲۴ به ۴/۳۴۷۴ متر کاهش داد. همچنین تحلیل دستگاه محور نشان داد ناهمگونی سخت افزاری همچنان یک چالش باز است. یافته ها حاکی از آن است که وزن دهی قابلیت اطمینان APها بیشتر برای افزایش پایداری و کاهش خطاهای بحرانی موثر است تا کاهش خطای متوسط.

کلیدواژه ها:

مکان یابی داخلی ، TUJI۱ ، AP ، Reliability ، Weighting ، XGBoost ، WiFi ، Fingerprinting