WiFi指纹定位中评估协议的系统效应：不确定性与调查几何依赖性

《Array》：Systematic effects of evaluation protocols in WiFi fingerprint localisation: Uncertainty and dependence on survey geometry

　　

WiFi指纹定位系统的定位误差通常通过将数据库随机划分为训练分区和测试分区来确定。本文将这种划分视为一个计量学问题：它决定了测量条件。一次调查在少数参考点中的每个点记录若干测量，因此划分测量并不划分位置：UJIIndoorLoc仅从933个参考点抽取19937个指纹，随机划分使每个测试位置都出现在训练集中。所得结果是在VIM（International Vocabulary of Metrology，国际计量学词汇）意义上的重复性条件下获得的：对已调查位置的重识别，而非对新位置的定位。四种协议分别分离重识别、空间泛化和部署，应用于三个公共数据库、一个区域条件支持向量回归（SVR，support vector regression）定位器及另外三种学习器。在UJIIndoorLoc上，随机划分与设备与时间留出集之间的位移是协议诱导的系统效应，为(?4.60±1.26) m，而留出集条件下为10.85 m，是依据GUM（Guide to the Expression of Uncertainty in Measurement，测量不确定度表示指南）评定的1.29 m扩展不确定度的3.6倍。该效应在每一种留出集聚类下均超过该扩展不确定度，尽管在按手持设备聚类时其区间下端不超过。对参考点进行稀疏化并以规模匹配对照校准该效应对调查几何的依赖；当间距从3 m扩大至17 m时，膨胀率从1.32升至2.01，而对照保持平坦；该校准为调查内校准。Tampere数据库每个位置仅一次采集，如预测所示未显示可检测效应。评估应在定位误差之外报告协议和调查几何。评估工具包已发布。

论文解读：WiFi指纹定位评估协议的系统效应与调查几何依赖性

研究背景与问题：WiFi指纹定位依赖接收信号强度（RSS，received signal strength）和参考点（RP，reference point）无线电地图，离线调查通常在每个RP记录多次采集，在线阶段将实测RSS与地图匹配以估计位置。定位误差本应是受计量学审视的测量量，但常见做法是将指纹数据库随机划分为训练与测试分区。由于同一RP有多次采集，随机划分并不划分RP，测试位置已在训练中出现，所测为重识别而非新位置定位。UJIIndoorLoc的19937个指纹来自933个RP，随机80/20划分下全部3988个测试样本的RP均在训练集出现。研究人员据此将评估协议视为VIM（International Vocabulary of Metrology，国际计量学词汇）意义上的测量条件，并依据GUM（Guide to the Expression of Uncertainty in Measurement，测量不确定度表示指南）量化协议诱导的系统效应、不确定度及其对调查几何的依赖。该研究意义在于：定位误差报告应同时披露评估协议和调查几何。

关键技术方法（≤250字）：使用三个公共数据库：UJIIndoorLoc（19937训练、1111验证指纹，520个接入点（AP，access point）列）；XJTLUIndoorLoc（单层306个RP，两种手机）；Tampere（TIE1 10633、SAH1 9291样本，连续轨迹每位置单采集）。定位器为区域条件SVR（support vector regression，支持向量回归），并比较kNN（k-nearest neighbours，k近邻）、RF（random forest，随机森林）、MLP（multilayer perceptron，多层感知机）。定义A随机划分、B设备与时间留出、C参考点不相交、D设备转移四协议；以CMA-ES（covariance matrix adaptation evolution strategy，协方差矩阵自适应进化策略）等选择超参数；开展GUM不确定度预算、bootstrap与聚类分析；并进行参考点稀疏化加规模匹配对照。

研究结果：
（1）测量协议：四协议按VIM条件分类；UJIIndoorLoc随机划分下全部测试RP均在训练集；同一SVR的MAE（mean absolute error，平均绝对误差）在A、C、B下分别为6.25、9.22、10.85 m；kNN在A、B下为2.51、8.92 m，显示随机划分更利于记忆。XJTLUIndoorLoc也出现100%结构泄漏但效应较小，A至C由4.33升至4.48 m，设备转移D由4.33升至6.05 m。
（2）审计与协议效应：A（3）楼层感知敏感性分析：楼层识别率A为99.6%、C为97.2%、B为90.2%；每层惩罚从0增至8 m使A?B效应由?4.60变为?5.39 m，平面被测量为保守选择。
（4）不确定度评定：u₁=0.257、u₂=0.472、u₃=0.350、u₄=0.019 m，u_c=0.642 m，U=1.29 m（k=2.01）；Δ_A=(?4.60±1.26) m，为U的3.6倍；留出集聚类下效应/U为1.7–2.4。
（5）留出样本独立性与敏感性分析：按建筑楼层、手机聚类，u₁由0.257升至0.751、1.172 m，U由1.29升至1.95、2.79 m；效应仍超过U，但裕度改变。
（6）协议对比的不确定度：30次调查重采样得Δ_A区间?7.30至?5.11 m，U(Δ_A)=1.26 m，效应为自身U的3.7倍；区间下端3.35 m仍超1.29 m的2.6倍。
（7）选择程序作为设计选择：24次目标评估、10次运行下，CMA-ES、DE（differential evolution，差分进化）、随机搜索、PSO（particle swarm optimisation，粒子群优化）均值差异不显著（p=0.080），但u₃由0.350增至1.339 m，U由1.29增至3.14 m，选择程序对不确定度影响更大。
（8）调查几何内校准：UJIIndoorLoc稀疏化使膨胀率由1.32（3.24 m）升至2.01（16.86 m），线性关系为1.20+0.048×spacing，R²=0.70，聚类95%区间[0.019,0.065]；规模匹配对照不升；配对稀疏臂1.690对对照1.291，p=3×10^?5。
（9）第三数据库与检验：Tampere每位置单采集，f_c=0.2，预测无泄漏；19配置平均膨胀1.025，95%区间[0.996,1.054]含1（p=0.083）；空间泛化误差=3.29+1.91×spacing，R²=0.98，两建筑斜率一致。
（10）参考点重划分下的变异性：10次参考点不相交划分下SVR为9.22±0.42 m、kNN为8.89±0.88 m；RMSE（root-mean-square error，均方根误差）为13.85±1.82对15.28±3.53 m；仅3次划分会低估u₂约5倍，故需至少30次。
（11）原型部署：12个AP、165个RP、两手机共330个指纹，中位间距2.89 m；单次采集f_c=0.2、合并f_c=0.04；按校准关系若重复采集预测膨胀1.34，单次采集无此效应；该节不报告定位精度。

讨论部分总结：限制包括未评估环境扰动、AP朝向和高度、AP配置变化、垂直分量及时间漂移；u₂与u₃存在统计依赖且重采样为近似；平面被测量相对保守；三个数据库支持结构机制，但跨调查水平未确立；定位器为代表性而非最优；数据库均为大学建筑；发布工具、结果和种子，但数据库无溯源且预处理选择会影响结果。

研究结论翻译：对指纹数据库作随机划分，在固定参考点重复采集的调查中并不测量预期被测量。UJIIndoorLoc的19937个指纹来自933个RP，随机划分使100%测试位置位于训练分区；所测为已调查位置的重识别而非新位置定位，二者位移Δ_A=(?4.60±1.26) m，超过评估程序1.29 m扩展不确定度的3.6倍；在公开数据允许的每种留出集聚类下仍超过1.7–2.4倍，但按手机聚类时对比区间下端不超过相应聚类不确定度。此类陈述均为近似并依赖于所用模型。该位移在四种学习器中同向出现，幅度随记忆能力由SVR的1.74增至kNN的3.55，空间泛化下四者不可区分。泄漏可能性是结构性的，幅度则依赖调查和学习器：Tampere膨胀1.025，UJIIndoorLoc为1.32，学习器间1.74–3.55。效应幅度依赖调查几何，且本文建立的是调查内依赖：稀疏化使膨胀率随间距3至17 m由1.32升至2.01，斜率为0.048每米，聚类95%区间[0.019,0.065]排除零；该关系非跨数据库校准，XJTLUIndoorLoc在3 m处拟合为1.09而UJIIndoorLoc关系给1.35。Tampere每位置单采集，f_c预测无RP可泄漏，未检测到效应，膨胀1.025、95%区间[0.996,1.054]含1；该结果与无效应一致，不证明其恰为零；同一数据库确认空间泛化误差随间距以1.91 m/m增长，R²=0.98，两建筑斜率相差0.03。效应来自固定站点重复采集，非平面被测量伪影：楼层识别在随机划分下99.6%、留出下90.2%，楼层惩罚扩大效应。建议报告评估协议并按RP划分数据库；报告RP间距和每点采集数；重复划分至少30次并报告离散；报告配置程序及其诱导离散；RSS特征保持测量单位；评估工具随文发布。未来工作需在重复采集且公布RP标识、密度不同的调查间固定该关系水平。