Nâng cao hiệu quả định vị trong nhà sử dụng học máy kết hợp

bài viết Nâng cao hiệu quả định vị trong nhà sử dụng học máy kết hợp đề xuất mô hình học tích hợp theo hai pha. Pha thứ nhất kết hợp một số bộ học máy thu được tổ hợp dữ liệu mới. Pha thứ hai sử dụng một mô hình hồi quy trên dữ liệu mới, tiến hành thử nghiệm trên tập dữ liệu UJIIndoorLoc. Mời các bạn cùng tham khảo!

Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Nâng cao hiệu định vị nhà sử dụng học máy kết hợp Vũ Văn Hiệu∗ , Ngơ Văn Bình† ∗ Viện Công nghệ thông tin, Viện Hàn lâm Khoa học công nghệ Việt Nam † Trường Đại học FPT Email: vvhieu@ioit.ac.vn, binhnv11@fe.edu.vn WAP001 Tóm tắt—Định vị tồn cầu GPS không giải nhu cầu mong muốn người dùng khơng gian hẹp tịa nhà, trung tâm mua sắm lớn Do định vị nhà dựa fingerPringting cường độ sóng Wifi chủ đề nghiên cứu phổ biến năm gần Mục đích để xác định vị trí người dùng phạm vi vị trí tòa nhà trung tâm mua sắm Trong báo chúng tơi đề xuất mơ hình học tích hợp theo hai pha Pha thứ kết hợp số học máy thu tổ hợp liệu Pha thứ hai sử dụng mơ hình hồi quy liệu Chúng tiến hành thử nghiệm tập liệu UJIIndoorLoc [1] Kết thực nghiệm mơ hình đề xuất với tập liệu đạt kết độ xác dự báo 99.98% với tịa nhà vị trí tầng, đạt độ xác 99.6% 98.8% với kinh độ vĩ độ tương ứng Từ khóa—Dấu vết WiFi, học máy, cường độ tín hiệu, hệ thống định vị nhà WAP044 LONGITUDE LATITUDE PHONEID TIMESTAMP -95 -70 100 -52 -50 -7641.899 4865014.8 124 11 13 1370340520 WAP030 WAP042 WAP030 WAP001 WAP043 FLOOR BUILDINGID SPACEID USERID WAP043 WAP044 Tịa nhà, tầng Học máy Vĩ độ Kinh độ Hình Mơ hình triển khai phương pháp fingerprinting I GIỚI THIỆU Ngày nay, định vị trời lĩnh vực nghiên cứu thành cơng có độ xác cao thơng qua tín hiệu vệ tinh hệ thống định vị tồn cầu (GPS) [2] Tuy nhiên khơng gian hẹp tòa nhà, việc sử dụng định vị GPS khơng mang lại kết Do phương pháp định vị nhà (IPS) dành nhiều quan tâm nhà nghiên cứu Một khó khăn IPS tín hiệu bị suy giảm nhiều mơi trường nhà, IPS chưa đạt kết tốt tâm điểm nhà nghiên cứu IPS hữu ích có nhiều chức mơi trường bảo tàng, bệnh viện, khu mua sắm lớn, trường đại học, Đó lý IPS trở thành lĩnh vực nghiên cứu tiềm đạt tiến đáng kể năm gần Các phương pháp định vị nhà giới thiệu tài liệu [3] Trong đó, phương pháp dựa cường độ tín hiệu (Received Signal Strength RSS) sóng radio phát từ điểm truy cập (Access point - AP) thu từ điểm tham chiếu (Reference Point) sử dụng nhiều phổ biến hệ thống định vị nhà Nhiều phương ISBN 978-604-80-7468-5 249 pháp định vị nhà dựa giá trị RSS, số fingerprinting dùng phổ biến [4], [5] Phương pháp định vị nhà sử dụng thông tin RSS chia thành hai giai đoạn: đồ cường độ tín hiệu tạo từ sở liệu RSS thu giai đoạn ngoại tuyến (giai đoạn huấn luyện) phương pháp ước lượng Trong đặc trưng cường độ tín hiệu dùng để đối sánh, đặc trưng xây dựng liệu RSS thu RP biết trước Tại giai đoạn trực tuyến liệu RSS thu từ RP trước so sánh với đặc trưng cường độ tín hiệu lưu trữ trước phương pháp ước lượng để tìm kết phù hợp Hình mô tả hệ thống định vị triển khai thực tế gồm có AP, điện thoại người dùng thu tín hiệu, máy chủ lưu trữ tính toán Các thuật toán dựa fingerprinting yêu cầu kết hợp đầy đủ RSS thu giai đoạn online mẫu RSS lưu sở liệu để tìm kết tốt Tuy nhiên, thách thức đáng kể việc định vị biến đổi bất thường RSS, nguyên nhân gây bất thường AP khác có Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) giá trị RSS khác chí AP thời điểm khác có giá trị RSS khác nhau, bất thường cường độ sóng bị suy giảm vật cản, nguồn điện, thiết bị, chí nhiệt độ [6] Bài tốn định vị nhà sử dụng RSS xem toán phân loại hồi quy Nhiều thuật toán học máy dùng phân loại hồi quy K láng giềng gần (k-Nearest Neighbor - KNN), KNN có trọng số (WKNN), Máy véc tơ hỗ trợ (Support Vector Machine -SVM), định (Decision Tree -DT), mạng tích chập (Convolutions Neural Network - CNN), Mạng nơ-ron học sâu (Deep leanring Neural Networks DNNs), Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) Tuy nhiên tai chưa có phương pháp cho áp dụng cho nhiều mơi trường [7], [8] Rất nhiều phương pháp học máy thực nhằm nâng cao độ xác định vị, hầu hết sử dụng mà chưa có đánh giá kỹ lưỡng sử dụng đơn lẻ hay kết hợp Trong nghiên cứu này, đề xuất sử dụng phương pháp học máy kỹ thuật học kết hợp, mục đích tăng cường liệu, tránh việc sử dụng liệu khớp (overfiting) toán học máy Cấu trúc báo gồm: Phần I giới thiệu toán định vị yêu cần thiết, Phần II trình bày số nghiên cứu liên quan, Phần III trình bày mơ hình đề xuất, Phần IV đưa kết thực nghiệm so sánh Cuối kết luận nghiên cứu tương lai đưa Phần V II NGHIÊN CỨU LIÊN QUAN Trong giai đoạn trực tuyến, hệ thống định vị so khớp liệu thu thập trước với cường độ tín hiệu để xác định vị trí người dùng thuật toán định vị Trong phần này, chúng tơi giới thiệu số thuật tốn định vị nhà A Thuật toán K láng giềng gần (K-Nearest Neighbor - KNN) Thuật toán KNN thuật toán đơn giản học máy KNN sử dụng rộng rãi chi phí thấp độ xác cao Nó so sánh RSSI nhận với liệu dấu vết lưu chọn k-láng giềng gần liệu dấu vết theo khoảng cách tính tốn, tức khoảng cách Manhattan khoảng cách Euclidean Do đó, tọa độ tương quan vị trí thứ k vị trí người dùng Hơn nữa, tăng độ xác định vị cách tính giá trị trung bình k tọa độ Hệ thống định vị [9] đề xuất cải tiến nhằm nâng cao chất lượng nhận tín hiệu sở sử dụng ISBN 978-604-80-7468-5 250 NN, KNN WKNN Y Fang cộng [10] trình bày thuật tốn KNN cải tiến việc khớp thông tin vân tay hệ thống định vị nhà WiFi Ma cộng [11] đề xuất phương pháp gọi lọc phân cụm KNN (CFK), kết hợp KNN với phân cụm B Thuật toán rừng ngẫu nhiên (Random ForestRF) Rừng ngẫu nhiên (RF) [11] phương pháp học tổng hợp cho phân loại hồi quy Rừng ngẫu nhiên tạo từ nhiều định thiết lập ngẫu nhiên Khơng có mối liên quan định RF Sau thiết lập RF, định định mẫu thuộc lớp Lớp cuối mẫu lớp tối đa xử lý định Adusumilli cộng [12] sử dụng hồi quy rừng ngẫu nhiên INS/GPS Trong nghiên cứu này, hồi quy RF mơ hình hóa hiệu lỗi INS phi tuyến tính cao khả tổng quát hóa cải thiện Jedari cộng [13] so sánh RF với KNN phân loại dựa luật (JRip), kết phân loại RF thể hiệu suất tốt so với phân loại KNN JRip với độ xác định vị cao 91% Mo cộng [14] đề xuất phương pháp định vị thô dựa RF, phương pháp tùy chỉnh số vùng điểm kiểm tra vùng với độ xác vượt trội so với số thuật tốn phân cụm điển hình Jieyu cộng [15] đề xuất thuật toán rừng ngẫu nhiên cải tiến sử dụng phân chia lưới theo khu vực để giảm sai số tối đa áp dụng độ tương tự cosin điều chỉnh để khớp với lưới dấu vết phù hợp C Thuật toán máy véctơ hỗ trợ (Support Vector Machine-SVM) Máy vectơ hỗ trợ (SVM) phương pháp thực tế học thống kê chuyển khơng gian đầu vào thành khơng gian có chiều cao phép biến đổi phi tuyến xác định hàm tích vơ hướng tính tốn mặt phẳng phân loại tối ưu không gian [16] Công thức biểu thức biểu diễn Phương trình (1) n fx = sgn Ti yi K (xi , x) + b (1) i=1 đó, Ti hệ số nhân Lagrange tương ứng với mẫu, b ngưỡng phân loại, K(xi , x) mặt phẳng phân loại tối ưu hàm tích vơ hướng Hàm đạt phân loại phi tuyến sau phép biến đổi phi tuyến Ngoài ra, SVM áp dụng cho định vị lấy dấu vết nhà bao gồm toán phân lớp SVC toán hồi quy SVR Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Haidar cộng [17] xác định dấu vết với hai phương pháp quan trọng SVM thuật toán học máy LSTM, sử dụng phép định vị nhà xác Ngồi chuẩn hóa liệu thực để giảm lỗi định vị cách tăng tính khơng qn giá trị RSS Yu cộng [15] sử dụng thông tin cường độ tín hiệu nhận từ AP xung quanh để xác định vị trí người dùng cách sử dụng thuật toán SVM Họ so sánh ba hàm nhân với nhau; kết cho thấy hàm bán kính (RBF) hoạt động tốt Figuera cộng [16] đề xuất kỹ thuật để nâng cao thuật toán SVM, thuật toán sửa đổi thuật tốn SVM để có ba phương pháp nâng cao kết hợp thông tin chéo hai chiều vị trí Sandy cộng [18] đề xuất sử dụng vùng thay cho vị trí xác dựa toán phân loại đa lớp Các kỹ thuật phân loại đa lớp đại nghiên cứu thuật toán KNN, hồi quy logistic SVM D Một số thuật tốn khác định vị vị trí nhà Ngồi thuật tốn định vị nêu trên, cịn có nhiều thuật toán khác sử dụng để định vị nhà Mạng nơ-ron nhân tạo (ANN) phương pháp phổ biến học máy nhiều nhà nghiên cứu áp dụng việc định vị dấu vết, chẳng hạn perceptron đa lớp (MLP) mạng nơ-ron lan truyền ngược (BPNN) Shareef cộng [19] so sánh định lượng hiệu định vị MLP lọc Kalman Kết cho thấy MLP có khả đạt độ xác cao định vị vị trí Apiruk [20] sử dụng kết hợp ANN dấu vết RSSI để xác định vị trí xác đối tượng người môi trường nhà, nhiên phạm vi áp dụng mức phịng thí nghiệm Zhenghua cộng [21] đề xuất sử dụng LSTM để trích rút đặc trưng cục nhằm giảm nhiễu trích xuất đặc cục Yifan cộng [22] đề xuất phương pháp nhận dạng vị trí dấu vết WiFi dựa mạng nơ-ron (DNN) Bộ auto-encoder sử dụng trích xuất đặc trưng từ RSS nhiễu để tạo sở liệu dấu vết đặc trưng có trọng số ngoại tuyến Đề xuất sử dụng kết hợp trọng số xác suất posteriori mối quan hệ hình học điểm dấu vết để tính tốn tọa độ điểm chưa biết pha trực tuyến Michał cộng [23] đề xuất sử dụng mạng nơ-ron sâu để giảm gánh nặng khó khăn cơng việc định vị để phân loại tịa nhà/tầng Qua khảo sát nghiên cứu liên quan nhận đề xuất áp dụng phương pháp học máy, chuẩn hóa liệu, kết hợp trọng số, giảm chiều để nâng cao hiệu định vị nhà sử dụng sóng Wifi Tuy nhiên phương pháp áp dụng môi ISBN 978-604-80-7468-5 251 trường mới, liệu chưa nhiều gặp phải khó khăn thiếu liệu, khớp liệu dẫn tới kết không cao Do vậy, để khắc phục giới hạn đề xuất sử dụng kết hợp mơ hình học gồm hai mức (Mức Mức 1) Đầu Mức đầu vào Mức 1, điều khắc phục tượng liệu khớp triển khai thực tế III MƠ HÌNH ĐỀ XUẤT A Phát biểu toán Cho hệ thống định vị nhà gồm có B tịa nhà, tịa nhà gồm có F tầng Trong tầng lắp đặt nhiều AP Giả sử tác tử vào tòa Bi tầng Fj Mỗi lần quét sóng WiFi nhận giá trị RSSI từ AP lân cận Gọi api cường độ điểm phát Nếu tất tòa nhà hệ thống gồm N AP tác tử nhận véc tơ đặc trưng Phương trình (2) = (ap1 ; ap2 ; api ; ; apN ) (2) api = −104, api = 100 khơng có tín hiệu Đặc trưng thời điểm t tác tử có nhãn tương ứng kinh độ vĩ độ (ký hiệu xi yi ), tòa nhà xác định bt tầng ft xác định Đặc trưng thời điểm t tác tử có nhãn tương ứng kinh độ vĩ độ (ký hiệu xi yi ), tòa nhà xác định bt tầng ft xác định Sau khoảng thời gian T có m lượt tác tử hoạt động hệ thống, có sở liệu D tín hiệu RSS Phương trình (3)   (a1 , x1 , y1 , bt1 , ft1 )   (a2 , x2 , y2 , bt2 , ft2 )       (3) D=  (a , x , y , b , f ) i i i ti ti     (aN , xN , yN , btN , ftN ) Cơ sở liệu bao gồm hàng AP số chúng Thơng tin vị trí cho lần quét WiFi xây dựng Một đồ cường độ vô tuyến tạo kết hợp tất thông tin cần thiết Để huấn luyện, biết giá trị cường độ N RSS nhãn tương ứng, ví dụ (a1 , x1 , y1 , bt1 , ft1 ) Để dự báo, biết giá trị RSS cho (a2 ), ước lượng nhãn tương ứng (x2 , y2 , bt2 , ft2 ) Chúng ta chèn giá trị 100 dBm cho AP khơng phát vị trí cụ thể Như có tập liệu D = {X , Y} , tập X đặc trưng Y tập nhãn tương ứng Phương trình (4) Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) X x1 RSS (ai, xi, yi, bt, ft) Thu thập sở liệu điểm tham chiếu Cơ sở liệu giá trị RSS điểm tham chiếu RSS2 bt1 ft1 y2 bt2 ft2 btn ftn yn Tạo véc tơ đặc trưng điểm tham chiếu Algorithm Thuật toán học kết hợp mức ComML RSSN B y1 xn F RSS1 Y x2 Input: Dữ liệu huấn luyện D = {xi , yi }m i=1 , xi ∈ X , yi ∈ Y Output: Kết dự báo/phân lớp học kết hợp H 1: Khởi tạo: K học phân lớp Mức 0: (h1 , , hk ) 2: Bước 1: Học học Mức 3: for k = to K 4: học hk học tập D 5: end for 6: Bước 2: Cấu trúc tập liệu từ D 7: for t = to K 8: for i = to m 9: Cấu trúc tập liệu (x′ i , yi ), ′ x i = x′ i append(hk (xi )) 10: end for 11: end for 12: Bước 3: Học học Mức 13: Học phân lớp h′ dựa cấu trúc tập liệu 14: return H(x) = h′ (h1 (x), h2 (x), , hK (x)) Pha ngoại tuyến Pha trực tuyến Giá trị RSS thu cần định vị RSS Phương pháp ước lượng Vị trí ước lượng Hình Mơ hình tốn định vị nhà sử dụng RSS Mức Mức Mô hình Dữ liệu huấn luyện Mơ hình Cơ sở liệu RSS Dữ liệu Mơ hình kết hợp Kết dự báo cuối Mơ hình n Hình Mơ hình tốn định vị nhà sử dụng RSS            (a1 , x1 , y1 )   (a2 , x2 , y2 )       X =  (a , x , y ) D= i i i           (a , x , y )  N N N   Y = [(x1 , y1 , bt1 , ft1 ) , , (xN , yN , btN , ftN )] (4) Hình minh họa cho tốn phát biểu Để xác định vị trí cần áp dụng phương pháp ước lượng Như giới thiệu phần trước, kỹ thuật ước lượng đề xuất sử dụng mơ hình kết hợp hai mức: Mức kết hợp số mơ hình học máy; Mức mơ hình hồi quy phân lớp sử dụng liệu đầu mơ hình Mức Hình mơ hình tổng quát hệ thống đề xuất Sau đánh giá lựa chọn học phù hợp tốt nhất, hệ thống đề xuất cài đặt theo Thuật tốn III-A Kết mơ hình đề xuất trình bày Phần IV (Thực nghiệm)  IV THỰC NGHIỆM A Phương pháp đánh giá hiệu Để đánh giá hiệu phương pháp nhận dạng vị trí dấu vết Wi-Fi dựa kết hợp mơ hình học máy đề xuất, thực thực nghiệm ISBN 978-604-80-7468-5 252 sử dụng tập liệu cơng khai UJIIndoorLoc để chứng minh tính khả thi phương pháp đề xuất so sánh với phương pháp định vị Wi-Fi điển hình 1) Chỉ số đánh giá phân loại: Các số sau sử dụng để đánh giá hiệu suất mơ hình phân loại tòa nhà tầng liệu UJIndoorLoc [1] TP + TN Accuracy = (5) TP + TN + FP + FN TP P recision = (6) TP + FP TP (7) TP + FN P recision × Recall F − score = × (8) P recision + Recall TP, FP, TN FN xác định sau: • TP = số mẫu tịa, tầng dự đốn xác tịa, tầng • FN = số mẫu tịa, tầng dự đốn khơng xác khơng tịa, tầng • FP = số mẫu khơng tịa, tầng dự đốn khơng xác với tịa, tầng • TN = số mẫu khơng tịa, tầng dự đốn xác khơng tịa, tầng TP, FP, TN FN thu thập từ ma trận nhầm lẫn Đây bảng hiển thị so sánh giá trị thực tế với Recall = Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) B Kết thực nghiệm đánh giá 1) Đánh giá học Mức 0: Trong phần này, trước hết cài đặt học Mức để lựa chọn học cho phân loại tòa nhà tầng Các số độ đo hiệu precision, recall, f1-score thời gian (giây) sử dụng để đánh giá Bảng I kết theo học khác nhau, hiệu học: Random Forest, k-nearest neighbors Supportvector machine có kết tốt lựa chọn làm học Mức Để dự báo liệu tạo từ học Mức 0, học Logistic regression lựa chọn cho Mức 1, Hình biểu diễn cho kết hợp Tập huấn luyện Phân lớp Mức h1 Random forests h2 k-nearest neighbors GIÁ HIỆU NĂNG LỰA CHỌN BỘ HỌC NHÀ VÀ TẦNG Bộ học Mức RF SVM KNN LR CART LDA NB precision recall f1-score 0.996 0.984 0.977 0.966 0.962 0.944 0.637 0.997 0.985 0.980 0.967 0.964 0.943 0.554 0.996 0.984 0.978 0.966 0.963 0.943 0.474 Phân lớp Mức LinearRegression Dự đốn Mức Hình Mơ hình kết hợp phân lớp tòa nhà tầng lựa chọn cho Mức 1, Hình biểu diễn cho kết hợp Bảng II MỨC PHÂN ĐÁNH LỚP TÒA Thời gian (s) 3.819 8.448 0.042 3.416 0.494 1.340 0.164 Tương tự để lựa chọn học Mức cho dự báo kinh độ vĩ độ, lựa chọn học hồi quy: SVM (hồi quy), Extra-Trees Regressor, Gradient Boosting Regression, k-Nearest Neighbors, Random Forest Regressor, LGBM Regressor Để đánh giá lựa chọn học sử dụng số đánh giá lỗi: R2 Score (R_2), Mean Squared Error (MSE), Mean absolute error (MAE) Bảng II Bảng III cho biết số đánh giá hiệu dự báo kinh độ vĩ độ tương ứng Kết cho thấy học kNearest Neighbors, Extra-Trees Regressor, LGBM Regressor có số lỗi thời gian phù hợp lựa chọn làm học Mức Để dự báo liệu tạo từ học Mức 0, học Linear Regression ISBN 978-604-80-7468-5 h3 Supportvector machine Dự đoán Mức Bảng I ĐÁNH Dữ liệu giá trị dự đoán Để đánh giá hiệu suất mơ hình đề xuất cấp độ lớp, precision, recall F1-score sử dụng với accuracy Precision, recall F1-score báo cáo cho trọng số macro Macro coi độ đo tốt cho precision, recall F1score trường hợp tập liệu không cân Chỉ số macro tính tốn precision, recall F1-score cho lớp trả giá trị trung bình mà không cần xem xét tỷ lệ cho lớp tập Trọng số số tính tốn precision, recall F1-score cho lớp trả giá trị trung bình cách xem xét tỷ lệ cho lớp tập liệu 253 GIÁ HIỆU NĂNG LỰA CHỌN BỘ HỌC Bộ học Mức Random Forest Regressor K-Neighbors Regressor ExtraTree Regressor LGBM Regressor SVM Gradient Boosting Regressor MỨC DỰ BÁO KINH ĐỘ Thời gian (s) R_2 MSE MAE 32.469 0.996 61.269 2.711 0.029 0.995 79.391 3.257 0.365 0.993 110.389 3.354 0.418 0.993 112.472 6.000 63.030 0.969 477.370 13.855 9.504 0.967 509.225 16.031 2) Đánh giá học Mức 1: Để chứng minh tính hiệu cho mơ hình kết hợp học máy, Thuật tốn III-A cài đặt tập liệu vào dùng để học kiểm tra lấy theo tỉ lệ (80/20) Từ kết Bảng IV Bảng V hiệu độ đo Mơ hình Mức tốt so với Mức (Bảng I, Bảng II Bảng III) Ngồi chúng tơi đánh giá phương pháp đề xuất với phương pháp khác Hai phương pháp lựa chọn để so sánh [22], [23] sử dụng liệu [1] Bảng VI cho thấy phương pháp đề xuất có kết tốt số MAE phân loại tòa tầng Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Bảng III ĐÁNH GIÁ HIỆU NĂNG LỰA CHỌN BỘ HỌC Bộ học Mức Random Forest Regressor K-Neighbors Regressor ExtraTree Regressor LGBM Regressor SVM Gradient Boosting Regressor MỨC DỰ BÁO VĨ ĐỘ Thời gian (s) R_2 MSE MAE 34.547 0.994 24.994 2.205 0.032 0.993 31.036 2.553 0.373 0.989 50.626 2.766 ĐÁNH Tòa, tầng Kinh độ Vĩ độ MSE MAE 0.999 0.997 0.995 0.075 54.601 20.782 0.020 2.268 1.879 Thời gian (s) 111.653 175.807 176.696 Bảng VI 0.313 0.988 52.266 4.616 62.114 0.961 175.238 8.325 9.513 0.955 200.528 Phương pháp 10.501 ComML Yifan [22] (Mean) Yifan [22] (HMM) Michał [23] h2 ExtraTree Regressor Dữ liệu h1 KNeighbors Regressor h3 LGBM Regressor Accuracy (tòa, tầng) R_2 MSE MAE 0.987 0.997 25.153 1.39 Thời gian (s) 154.72 — — — 1.58 — — — — 1.43 — 0.92 — — — — hiệu rõ rệt phân loại tòa tầng, dự đoán kinh độ vĩ độ Trong nghiên cứu tương tai, cải tiến phương pháp đề xuất sử dụng thêm lọc liệu để tăng kết dự đoán Phân lớp Mức Linear Regression TÀI LIỆU THAM KHẢO Dự đốn Mức Hình Mơ hình kết hợp dự báo Kinh độ Vĩ độ Bảng IV Tòa tầng R_2 BỘ PHÂN LOẠI GIÁ ĐỘ ĐO ACCURACY, R_2, MSE, MAE VÀ THỜI GIAN PHƯƠNG PHÁP ĐỀ XUẤT VÀ CÁC PHƯƠNG PHÁP KHÁC Dự đoán Mức HIỆU Bảng V R_2, MSE, MAE VÀ THỜI GIAN MỨC (KẾT HỢP) ĐÁNH Tập huấn luyện Phân lớp Mức GIÁ ĐỘ ĐO NĂNG PHÂN LỚP TÒA , TẦNG THEO BỘ PHÂN LOẠI (KẾT HỢP) MỨC precision recall f1score accuracy Thời gian (s) 0.9870 0.9861 0.9865 0.9873 111.653 V KẾT LUẬN VÀ NGHIÊN CỨU TƯƠNG LAI Trong báo đề xuất phương pháp định vị nhà sử dụng kết hợp số học máy theo hai mức Mức gọi mức sở gồm nhiều học, tạo cấu trúc liệu Mức mức tổng hợp học liệu từ Mức Đề xuất thực nghiệm liệu phổ biến [1] tạo ISBN 978-604-80-7468-5 254 [1] J Torres-Sospedra, R Montoliu, A M Usó, J P Avariento, T J Arnau, M Benedito-Bordonau, and J Huerta, “Ujiindoorloc: A new multi-building and multi-floor database for wlan fingerprintbased indoor localization problems,” 2014 International Conference on Indoor Positioning and Indoor Navigation (IPIN), pp 261–270, 2014 [2] B Hofmann-Wellenhof, H I M Lichtenegger, and J P Collins, “Global positioning system: Theory and practice,” 1992 [3] S.-M Chan and G Sohn, “Indoor localization using wi-fi based fingerprinting and trilateration techiques for lbs applications,” ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol 3826, pp 1–5, 2012 [4] R K Harle, “A survey of indoor inertial positioning systems for pedestrians,” IEEE Communications Surveys & Tutorials, vol 15, pp 1281–1293, 2013 [5] C Basri and A E Khadimi, “Survey on indoor localization system and recent advances of wifi fingerprinting technique,” 2016 5th International Conference on Multimedia Computing and Systems (ICMCS), pp 253–259, 2016 [6] E Laitinen, E S Lohan, J Talvitie, and S Shrestha, “Access point significance measures in wlan-based location,” 2012 9th Workshop on Positioning, Navigation and Communication, pp 24–29, 2012 [7] A Nessa, B Adhikari, F Hussain, and X N Fernando, “A survey of machine learning for indoor positioning,” IEEE Access, vol 8, pp 214 945–214 965, 2020 [8] N Singh, S Choe, and R Punmiya, “Machine learning based indoor localization using wi-fi rssi fingerprints: An overview,” IEEE Access, vol 9, pp 127 150–127 174, 2021 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) [9] X Ge and Z Qu, “Optimization wifi indoor positioning knn algorithm location-based fingerprint,” 2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), pp 135–137, 2016 [10] Y Fang, Z Deng, C Xue, J Jiao, H Zeng, R Zheng, and S Lu, “Application of an improved k nearest neighbor algorithm in wifi indoor positioning,” 2015 [11] J Ma, X Li, X Tao, and J Lu, “Cluster filtered knn: A wlanbased indoor positioning scheme,” 2008 International Symposium on a World of Wireless, Mobile and Multimedia Networks, pp 1–8, 2008 [12] S Adusumilli, D Bhatt, H Wang, P Bhattacharya, and V K Devabhaktuni, “A low-cost ins/gps integration methodology based on random forest regression,” Expert Syst Appl., vol 40, pp 4653–4659, 2013 [13] E Jedari, Z Wu, R Rashidzadeh, and M Saif, “Wi-fi based indoor location positioning employing random forest classifier,” 2015 International Conference on Indoor Positioning and Indoor Navigation (IPIN), pp 1–5, 2015 [14] Y Mo, Z Zhang, Y Lu, W Meng, and G A Agha, “Random forest based coarse locating and kpca feature extraction for indoor positioning system,” Mathematical Problems in Engineering, vol 2014, p 850926, 2014 [15] J Gao, X Li, Y Ding, Q Su, and Z Liu, “Wifi-based indoor positioning by random forest and adjusted cosine similarity,” 2020 Chinese Control And Decision Conference (CCDC), pp 1426–1431, 2020 ISBN 978-604-80-7468-5 255 [16] S Xia, Y Liu, G Yuan, M Zhu, and Z Wang, “Indoor fingerprint positioning based on wi-fi: An overview,” ISPRS Int J Geo Inf., vol 6, p 135, 2017 [17] H A Abbas, N W Boskany, K Z Ghafoor, and D B Rawat, “Wi-fi based accurate indoor localization system using svm and lstm algorithms,” 2021 IEEE 22nd International Conference on Information Reuse and Integration for Data Science (IRI), pp 416–422, 2021 [18] S Mahfouz, P Nader, and P E Abi-Char, “Rssi -based classification for indoor localization in wireless sensor networks,” 2020 IEEE International Conference on Informatics, IoT, and Enabling Technologies (ICIoT), pp 323–328, 2020 [19] A Shareef, Y Zhu, M T Musavi, and B Shen, “Comparison of mlp neural network and kalman filter for localization in wireless sensor networks,” 2007 [20] A Puckdeevongs, “Indoor localization using rssi and artificial neural network,” 2021 9th International Electrical Engineering Congress (iEECON), pp 479–482, 2021 [21] Z Chen, H Zou, J Yang, H Jiang, and L Xie, “Wifi fingerprinting indoor localization using local feature-based deep lstm,” IEEE Systems Journal, vol 14, pp 3001–3010, 2020 [22] Y Wang, J Gao, Z Li, and L Zhao, “Robust and accurate wifi fingerprint location recognition method based on deep neural network,” Applied Sciences, 2020 [23] M R Nowicki and J Wietrzykowski, “Low-effort place recognition with wifi fingerprints using deep learning,” ArXiv, vol abs/1611.02049, 2017  ... khác định vị vị trí nhà Ngồi thuật tốn định vị nêu trên, cịn có nhiều thuật toán khác sử dụng để định vị nhà Mạng nơ-ron nhân tạo (ANN) phương pháp phổ biến học máy nhiều nhà nghiên cứu áp dụng. .. đề xuất sử dụng phương pháp học máy kỹ thuật học kết hợp, mục đích tăng cường liệu, tránh việc sử dụng liệu khớp (overfiting) toán học máy Cấu trúc báo gồm: Phần I giới thiệu toán định vị yêu... pháp cho áp dụng cho nhiều môi trường [7], [8] Rất nhiều phương pháp học máy thực nhằm nâng cao độ xác định vị, hầu hết sử dụng mà chưa có đánh giá kỹ lưỡng sử dụng đơn lẻ hay kết hợp Trong nghiên