Improving Indoor Positioning via Machine Learning

2019

Полный текст Открытый доступ: Hybrid Метаданные (CSL-JSON)
DOI 10.5220/0007916601900195
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

The problem of real time location system is of current interest. Cities are growing up and buildings become more complex and large. In this paper we will describe the indoor positioning issue on the example of user tracking, while using the Bluetooth Low Energy technology and received signal strength indicator(RSSI). We experimented and compared our simple hand-crafted rules with the following machine learning algorithms: Naive Bayes and Support Vector Machine. The goal was to identify actual position of active label among three possible statuses and achieve maximum accuracy. Finally, we achieved accuracy of 0.95.