基于迁移学习的电信数据室外位置恢复
机器学习
2019-12-11 v1 机器学习
摘要
电信（Telco）室外位置恢复旨在利用测量报告（MR）数据对室外移动设备进行定位。遗憾的是，Telco 位置恢复需要不同区域充足的 MR 样本，且面临较高的数据收集成本。对于 MR 样本稀少的区域，难以达到良好精度。本文中，通过利用近期发展的迁移学习技术，我们设计了一个新颖的 Telco 位置恢复框架，称为 TLoc，以将精心筛选的源域（那些细粒度的小子区域）中良好的模型迁移至原本定位精度差的目标域。具体而言，TLoc 引入了三个专用组件：1）一种新的坐标空间以将感兴趣区域划分为更小域，2）一种相似性度量以选择最佳源域，3）对现有迁移学习方法的适配。据我们所知，TLoc 是首个展示在 Telco 室外位置恢复中应用迁移学习有效性的框架。举例而言，在上海的 2G GSM 与 4G LTE MR 数据集上，TLoc 比非迁移方法的中位误差分别减少 27.58% 与 26.12%，并比近期指纹方法 NBL 的中位误差进一步减少 47.77% 与 49.22%。
引用
@article{arxiv.1912.04521,
title = {Transfer Learning-Based Outdoor Position Recovery with Telco Data},
author = {Yige Zhang and Aaron Yi Ding and Jorg Ott and Mingxuan Yuan and Jia Zeng and Kun Zhang and Weixiong Rao},
journal= {arXiv preprint arXiv:1912.04521},
year = {2019}
}