1、2023-05-10计算机应用,Journal of Computer Applications2023,43(5):1636-1640ISSN 1001-9081CODEN JYIIDUhttp：/基于CSI和K-means-SVR的多指纹库室内定位方法王逸1，裴生雷1，2*，王煜3（1.青海民族大学 物理与电子信息工程学院，西宁 810007；2.人工智能应用技术国家民委重点实验室（青海民族大学），西宁810007；3.天津大学 智能与计算学部，天津 300350）（通信作者电子邮箱）摘要：传统的Wi-Fi室内定位方法需要与所有指纹数据库中的指纹数据进行匹配后才能定位，导致人群聚集区域定位
2、效率不高，体验较差。提出一种基于信道状态信息（CSI）、K均值（K-means）聚类算法与支持向量回归（SVR）算法相结合的多指纹库室内定位方法。该方法首先根据CSI的簇分布特点，利用K-means算法对所有定位点内的CSI数据聚类后得到多个簇的CSI数据；然后，基于多个簇分别建立多个指纹库，并将CSI数据分别存入多个指纹库，进而在每个指纹库中分别训练SVR模型用于Wi-Fi定位。相较于传统的支持向量机（SVM）定位方法，所提方法在离线阶段需要的训练样本更少，定位效率更高；在线阶段，该方法既降低了匹配的复杂度，也提高了定位的精度。由于使用了多指纹库，Wi-Fi定位系统可以根据人流量实时调整资源
3、分配策略，提高服务器运行效率和定位服务体验。关键词：位置服务；室内定位；K均值聚类算法；支持向量回归；多指纹库；信道状态信息中图分类号：TP391 文献标志码：AIndoor positioning method of multi-fingerprint database based on channel state information and K-means-SVRWANG Yi1，PEI Shenglei1，2*，WANG Yu3（1.School of Physics and Electronics Information Engineering，Qinghai Minzu Univ
4、ersity，Xining Qinghai 810007，China；2.Key Laboratory of Artificial Intelligence Application Technology，National Ethnic Affairs Commission（Qinghai Minzu University），Xining Qinghai 810007，China；3.College of Intelligence and Computing，Tianjin University，Tianjin 300350，China）Abstract:The traditional Wi-F
5、i indoor positioning methods need to match all fingerprint data in the fingerprint database before positioning，resulting in low positioning efficiency and poor experience in the crowd gathering area.Therefore，a multi-fingerprint database indoor positioning method based on Channel State Information（C
6、SI），K-means clustering algorithm and Support Vector Regression（SVR）algorithm was proposed.Firstly，according to the cluster distribution characteristics of CSI，K-means algorithm was used to cluster the CSI data in all positioning points to obtain the CSI data of multiple clusters.Then，multiple finger
7、print databases were established based on multiple clusters，and the CSI data was stored in multiple fingerprint databases.After that，SVR models were trained in each fingerprint database for Wi-Fi positioning.Compared with the traditional Support Vector Machine（SVM）positioning method，the proposed met
8、hod needs less training samples in the off-line stage，which improves the positioning efficiency；in the online stage，this method not only reduces the matching complexity，but also improves the positioning accuracy.Due to the use of multi-fingerprint database，the Wi-Fi positioning system can adjust the
9、 resource allocation strategy in real time according to the traffic，so as to improve the server operation efficiency and positioning service experience.Key words:location service;indoor positioning;K-means clustering algorithm;Support Vector Regression(SVR);multi-fingerprint database;Channel State I
10、nformation(CSI)0 引言 随着新一轮智慧城市的兴起，公众Wi-Fi作为一项惠民工程，几乎普及到了我们周围的各个角落。尤其是在旅游景点中，绝大部分都已经实现了Wi-Fi全覆盖，当游客的智能设备连接到景点的Wi-Fi后，就能充分体验景点的各种个性化服务，如地图导览、景点介绍、实时讲解等。在游客享受更好服务的同时，景点也可以通过Wi-Fi收集数据，包括每天服务人数、游客景点内轨迹分析、游览时间喜好、享用服务频次、游览时长等。通过分析这些数据，可以大幅提高景点的服务文章编号：1001-9081（2023）05-1636-05DOI：10.11772/j.issn.1001-9081.20
11、22081162收稿日期：2022-08-29；修回日期：2023-03-01；录用日期：2023-03-03。基金项目：青海省应用基础研究计划项目（2019-ZJ-7017）；天津大学-青海民族大学自主创新基金资助项目（2021-TQ-07）。作者简介：王逸（1999），男，陕西延安人，硕士研究生，主要研究方向：机器学习；裴生雷（1980），男，山东潍坊人，教授，博士，主要研究方向：机器学习、数据挖掘、智能决策系统；王煜（1991），男，天津人，助理研究员，博士，CCF会员，主要研究方向：复杂场景多粒度建模、动态开放环境机器学习。第 5 期王逸等：基于CSI和K-means-SVR的多指纹库
12、室内定位方法质量和应急响应能力。与蜂窝信号相比，Wi-Fi信号传输速率更快、成本更低，并且使用频段在全球范围内都不受限制1，所以景点全覆盖的 Wi-Fi网络将会受到更多游客的青睐。景点若想使用Wi-Fi数据获取游客的游览轨迹、游览时长、游览喜好等数据，就要使用Wi-Fi定位技术获取游客的位置。虽然室外定位技术非常成熟，如北斗定位系统2和蜂窝定位系统3，都能实现非常精准的定位。但是，国内有许多重要的景点并不在室外，如故宫、兵马俑、黄鹤楼等，还有全国各地的生态、文化景点，游客更加需要旅游导览、实时讲解等服务，所以更需要室内定位来确定游客的位置，为游客提供更好的服务。但室内定位技术发展并不迅速。与外
13、部环境不同，室内环境因有许多障碍物，导致北斗卫星信号的强度在室内也会大幅下降；而且为了保护历史古迹，许多古迹景点的蜂窝信号强度并不理想，尤其是在绝大部分Wi-Fi覆盖的景点，Wi-Fi信号强度要远强于蜂窝信号，所以在这些景点使用Wi-Fi定位将会更加精准。传统的 Wi-Fi 室内定位使用接收信号强度（Received Signal Strength Indication，RSSI）数据，相较于传统的 RSSI室内定位4-7，信道状态信息（Channel State Information，CSI）数据不仅在时间上具有稳定性，并且不同位置CSI数据的特性变化明显，因而受到了广大学者的关注8-10
14、。Wang等11提出了 RSSI与 CSI相结合生成的混合指纹库的定位方法。孟俊剑 等12用 序 列 最 小 优 化（Sequential Minimal Optimization，SMO）算法建立降维特征与相应位置的回归模型，并对位置进行预测。Dai等13提出了基于K近邻（K-Nearest Neighbor，KNN）算法的 CSI室内定位，但是每次定位都需要在线和指纹库的所有数据进行逐个对比匹配，定位效率不高。田广东等14利用了 CSI 成簇分布的特性，使用了 K 均值（K-means）聚类算法对 CSI 数据进行特征提取，然后使用 KNN 算法定位。党小超等15提出了 CSI 的支持向量
15、机（Support Vector Machine，SVM）回归的室内定位方法。这些基于CSI的室内定位方法都分为离线阶段和在线阶段，其中离线阶段建立指纹库16，在线阶段进行指纹匹配，最终实现定位。Rao等17提出了DFPhaseFL系统，首先从信道状态信息测量中提取原始相位信息，然后去除相位偏移，得到滤波后的校准相位信息，最后进行定位。然而，上述方法在两个阶段中采取的策略各有优缺点，尤其是离线阶段都使用单指纹库导致模型训练复杂度提高；而在线阶段，预测点数据需要与指纹库中所有数据进行匹配，定位效率不高。Wi-Fi室内定位应用场景多样，但是对于旅游景点等复杂场景下的应用，会受到时间段等因素的影响，
16、导致人流量在不同时间、不同区域骤增或骤减。面对这些情况，传统的室内定位方法因受单指纹库的影响，无法充分利用系统资源。尤其是在线定位阶段，使用传统定位方法定位时需要与每个指纹点进行匹配，即使是闲置指纹点也要进行多次匹配，导致指纹库运行缓慢、延迟较高、体验较差。本文将K均值聚类算法与支持向量回归（Support Vector Regression，SVR）算法相结合，提出了一种多指纹库定位方法。根据不同位置CSI信号的簇分布特点，将定位指纹点存入多个指纹库，进而在多指纹库中分别建立模型，实现位置预测。该方法不仅能提高定位精度，而且能有效提高定位效率，每次定位都无须与所有指纹库中的数据进行匹配，可以把闲置的指纹库所使用的系统资源分配给繁忙指纹库，避免了系统资源的浪费。1 指纹定位系统 在 Wi-Fi 室内定位场景中，通过收集 CSI 信息和对象位置坐标实现指纹定位系统，进而为用户提供位置服务，满足用户在特殊场景下的位置需求。根据指纹定位系统在不同场景的应用需求，本文提出的多指纹库定位方法具体流程如图1所示。首先，基于CSI成簇分布的特点，利用K-means算法对训练样本进行聚类以获取k个簇的