基于机器学习的工厂环境多元时间序列分类定位
信号处理
2023-08-24 v1 机器学习
摘要
室内定位系统(IPS)在许多工业应用中日益重要。最先进的方案严重依赖外部基础设施，并存在隐私泄露、需外部信息及假设等弊端，使其在注重隐私与长期运行的环境中不尽如人意。在某些环境中，部署补充基础设施用于室内定位可能不可行且昂贵。机器学习(ML)近期的发展提供了仅依赖IoT设备板载传感器数据来应对这些局限的方案。然而，考虑到IoT设备的资源约束，尚不清楚哪种模型最合适。本文提出一种基于机器学习的室内定位系统，利用运动与 ambient 传感器在注重隐私的工厂环境中定位移动实体。该问题被建模为多元时间序列分类(MTSC)，并开展了不同机器学习模型的对比分析以求解。我们引入了一个模拟工厂装配线的新型时间序列数据集。该数据集用于从准确率、内存占用和推理速度方面评估并比较所选模型。结果表明所有评估模型准确率均超80%。CNN-1D表现最均衡，其次为MLP。DT被发现具有最低内存占用与推理延迟，表明其具备实际部署潜力。
引用
@article{arxiv.2308.11670,
title = {Machine Learning-based Positioning using Multivariate Time Series Classification for Factory Environments},
author = {Nisal Hemadasa Manikku Badu and Marcus Venzke and Volker Turau and Yanqiu Huang},
journal= {arXiv preprint arXiv:2308.11670},
year = {2023}
}
备注
18 pages, 9 figures