Stacked Generalization Approach for Wi-Fi Fingerprint-Based Indoor Localization with Clustering

Abstract

Nowadays, the indoor localization technique is getting more and more important, with the growth of indoor location-based service (ILBS) which has US$10 billion predicted market value by 2020. Since GPS signal can not penetrate well in indoor environments, indoor localization technique using Wi-Fi RSSI is widely used. In the indoor environment, the signal propagation model based localization technique can cause a large error in distance estimation because the RSSI value changes abruptly according to temperature, humidity, obstacles, etc. For this reason, Wi-Fi fingerprint based indoor localization technique has been actively researched for the last several decades. However, the irregular variation of RSSI in Wi-Fi fingerprinting based indoor localization cause a problem of degrading the localization performance by weakening the generalization capacity of the prediction model. In this paper, we propose a new Wi-Fi fingerprint based indoor localization technique using stacked generalization ensemble to solve this problem. The proposed localization technique can improve the mean absolute error and the variance of error in indoor localization. In addition, the data clustering using k-means clustering, an unsupervised learning method, has been shown to improve the localization performance by labeling the data and using it as an additional feature.|최근 실내 위치기반 서비스의 시장이 커짐에 따라서, 실내 위치인식 기술의 중요성이 더욱 커지고 있다. 실내 환경에서는 GPS 신호가 수신되지 않기 때문에, Wi-Fi Access Point의 RSSI를 이용한 실내 위치인식 기술이 선호된다. 실내 환경에서는 같은 위치에서도 온도, 습도, 장애물 등에 따라 RSSI 값이 급격하게 변하기 때문에, 신호 전파 모델을 이용한 위치인식 기술은 거리추정을 하는데 있어서 큰 오차를 유발할 수 있다. 이로 인해, Wi-Fi 핑거프린팅 기반의 실내 위치인식 기술이 지난 십수년간 활발히 연구되어 왔다. 하지만, Wi-Fi 핑거프린팅 기반 실내 위치인식에서 불규칙한 RSSI의 특성은 예측 모델의 일반화 성능을 약화시켜 위치인식 성능을 저하시키는 문제를 유발할 수 있다. 본 논문에서는 이러한 문제를 해결하기 위해 적층형 일반화 앙상블 기법을 이용한 와이파이 핑거프린팅기반 실내 위치인식 기술을 제안한다. 제안된 위치인식 기술은 실내 위치인식에서 평균 위치 에러와 에러의 분산 값을 개선할 수 있음을 확인한다. 또한, 비지도학습 기법인 k-평균 클러스터링을 이용한 데이터 군집화를 통해 데이터를 레이블링하고, 이를 추가적인 특징으로 사용함으로써 위치추정 성능을 개선할 수 있음을 보여주었다.