Analysing the performance of fingerprinting-based indoor positioning: The non-trivial case of testing data selection

Maciej Grzenda

Abstract

Indoor positioning methods make it possible to estimate the location of a mobile object in a building. Many of these methods rely on fingerprinting approach. First, signal strength data is collected in a number of reference indoor locations. Frequently, the vectors of the strength of the signals emitted by WiFi access points acquired in this way are used to train machine learning models, including instance-based models. In this study, we address the problem of signal strength data acquisition to verify whether different strategies of selecting signal strength data for model testing are equivalent. In the analysed case, the content of a testing data set can be created in a variety of ways. First of all, leave-one-out approach can be adopted. Alternatively, data from randomly selected points or same grid points can be used to estimate method accuracy. We show which of these and other approaches yield different accuracy estimates and in which cases these differences are statistically significant. Our study extends previous studies on analysing the performance of indoor positioning systems. At the same time, it illustrates an interesting problem of testing data acquisition and balancing the conflicting needs of collecting testing data in similar, yet different conditions compared to how training data was acquired.
Author Maciej Grzenda (FMIS / DIPS)
Maciej Grzenda,,
- Department of Information Processing Systems
Pages457-469
Publication size in sheets0.6
Book Wotawa Franz, Friedrich Gerhard, Pill Ingo, Koitz-Hristov Roxane (eds.): Advances and trends in artificial intelligence : from theory to practice : 32nd International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, IEA/AIE 2019, Graz, Austria, July 9-11, 2019 : proceedings, Lecture Notes In Computer Science, vol. 11606, 2019, Springer, ISBN 9783030229986, 865 p.
Keywords in Polishocena dokładności, wyznaczanie lokalizacji w budynku, regresja, wstępne przetwarzanie danych
Keywords in Englishperformance evaluation, indoor positioning, regression, data preprocessing
ASJC Classification1702 Artificial Intelligence; 1706 Computer Science Applications; 1707 Computer Vision and Pattern Recognition; 2210 Mechanical Engineering; 2204 Biomedical Engineering; 1711 Signal Processing; 1700 General Computer Science; 2614 Theoretical Computer Science
Abstract in PolishMetody pozycjonowania w pomieszczeniach umożliwiają oszacowanie lokalizacji obiektu mobilnego w budynku. Wiele z tych metod polega na tzw. podejściu fingerprinting. W pierwszym etapie, dane o sile sygnałów radiowych są gromadzone w licznych lokalizacjach referencyjnych. Często wektory siły sygnałów emitowanych przez punkty dostępowe WiFi pozyskane w ten sposób są używane do uczenia modeli uczenia maszynowego, w tym modeli opartych na instancjach (ang. instance-based). W pracy zajmujemy się problemem pozyskiwania danych siły sygnałów aby sprawdzić, czy różne strategie wyboru danych siły sygnałów do testowania modeli są równoważne. W analizowanym przypadku zawartość zbioru danych testowych można utworzyć na różne sposoby. Pierwsza metoda to podejście pomijania jednego wektora lub punktu (ang. leave-one-out). Alternatywnie, dane z losowo wybranych punktów lub punktów z tej samej siatki można wykorzystać do oszacowania dokładności metody pozycjonowania. Pokazujemy, które z tych i innych podejść dają różne szacunki dokładności oraz w których przypadkach różnice te są statystycznie istotne. Praca rozszerza poprzednie badania dotyczące analizy dokładności systemów pozycjonowania wewnątrzbudynkowego. Jednocześnie ilustruje ciekawy problem pozyskiwania danych testowych i równoważenia potrzeby gromadzenia danych testowych w podobnych, ale odmiennych warunkach w porównaniu do sposobu pozyskiwania danych treningowych.
DOIDOI:10.1007/978-3-030-22999-3_40
URL https://link.springer.com/chapter/10.1007/978-3-030-22999-3_40
Languageen angielski
Score (nominal)5
Score sourcejournalList
ScoreMinisterial score = 5.0, 28-01-2020, ChapterFromConference
Publication indicators Scopus Citations = 0; WoS Citations = 0
Citation count*
Cite
Share Share

Get link to the record


* presented citation count is obtained through Internet information analysis and it is close to the number calculated by the Publish or Perish system.
Back
Confirmation
Are you sure?