Wyznaczanie położenia terminala komórkowego z wykorzystaniem danych zbieranych w trybie crowdsourcing

Celem niniejszej pracy dyplomowej było opracowanie narzędzia (np. programu
komputerowego) do określania lokalizacji terminala sieci komórkowej z wykorzystaniem
metody fingerpriting. Założenia obejmowały wykorzystanie referencyjnej bazy danych
(stworzonej w trybie crowdsourcing) zawierającej pomiary mocy odbieranych sygnałów
radiowych na terenie kampusu uczelni.
W tym celu wykorzystano oprogramowanie Mathworks MATLAB (wraz z pakietem
Statistics and Machine Learning Toolbox) oraz MySQL Workbench. Po wstępnym
przetworzeniu danych w celu wyeliminowania błędnych rekordów oraz ograniczenia ilości
przetwarzanych danych, zastosowano oraz porównano cztery rodzaje klasyfikatorów. Z grupy
obejmującej klasyfikatory wykorzystujące koncepcje drzew decyzyjnych (decision trees),
maszyn wektorów nośnych (SVMs), k-najbliższych sąsiadów (KNN), metod złożonych
(Ensemble methods), jako docelowy dla opracowywanego narzędzia wybrano klasyfikator knajbliższych
sąsiadów. Dla obszaru testowego, obejmującego niewielki fragment kampusu
uczelni, algorytm osiągnął skuteczność klasyfikacji na poziomie 93,7%. Podczas analizy
pełnego zbioru danych, skuteczność algorytmu wyniosła 84,5%. W trakcie dalszych testów, w
których wykorzystano 7500 losowo wybranych rekordów, średnia skuteczność oraz mediana
wyniosły odpowiednio 85,04% i 84%.
Słowa kluczowe: metody lokalizacji, sieci bezprzewodowe, crowdsourcing, uczenie
maszynowe, fingerprinting.

The aim of this thesis was to develop a solution in the form of a tool (i.e. a computer
software) for estimation of mobile terminal localization based on the radio signal
fingerprinting approach. The use of crowdsourced reference database, covering the area of
Lodz University Campus and its vicinity was assumed.
To create the localization tool the Mathworks MATLAB (with Statistics and Machine
Learning Toolbox) software and MySQL Workbench were exploited. After the data preprocessing
required to prepare the raw datasets for further processing, four types of classifiers
were applied and compared. Out of the group consisting of Decision Trees, SVMs, k-Nearest
Neighbours and Ensemble methods, KNN classifier was chosen for the final tool
implementation. On the smaller amount of data covering the campus area excerpt its peak
accuracy was equal to 93.7%. The same algorithm trained on the whole data set achieved a
peak accuracy of 84.5%. Further tests, consisting of 7500 randomly chosen fingerprints gave
the median accuracy of 84% while the average being 85.04%.
Keywords: localization, mobile networks, crowdsourcing, machine learning, fingerprinting