跳到正文
arXiv cs.AI· Tony Chahoud, Lorenzo Mario Amorosa, Riccardo Marini, Luca De Nardis·· 10 小时前AI 评分18

基于KDE-1NN的移动数据增强框架提升室外多小区指纹定位,中位误差最高降30%

Improving Outdoor Multi-cell Fingerprinting-based Positioning via Mobile Data Augmentation

AI 导读

研究者提出一种轻量、模块化的移动数据增强框架,用KDE生成地理连贯的合成位置、1NN生成增强的逐小区无线电指纹,无需训练即可提升基于MDT记录的多小区指纹定位。在意大利某运营商真实MDT数据集上,该KDE-1NN方法持续优于现有方法,在高度稀疏的高速公路场景、x30增强率下将中位定位误差最多降低30%。研究还观察到随用户密度升高而更快出现的区域相关饱和效应。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:蜂窝网络中的精确室外定位受到稀疏、异构的测量数据集合以及详尽现场勘测成本高昂的制约。本文介绍了一种轻量级、模块化的移动数据增强框架,旨在利用运营商采集的最小化路测(MDT)记录来增强基于多小区指纹的定位。所提出的方法将空间合成与无线特征合成解耦:核密度估计(KDE)对经验空间分布进行建模,以生成地理上连贯的合成位置,而基于 1-最近邻(1NN)的模块则生成增强的逐小区无线指纹。该架构有意设计为无需训练、可解释,并适合分布式或本地化的运营商部署,支持隐私感知的工作流程。我们既独立验证了每个增强模块,又使用意大利一家移动网络运营商提供的真实 MDT 数据集,在多种城市和城郊场景中评估了其对基于指纹定位的端到端影响。结果表明,与最先进的方法相比,所提出的 KDE-1NN 增强持续提升了定位性能,将中位定位误差最多降低 30%(具体是在高度稀疏的高速公路场景中以 x30 的增强率实现的)。我们还观察到依赖区域的饱和效应,这种效应在用户密度高的场景中出现得最快,此时来自额外合成样本的信息增益迅速减弱。总体而言,该框架提供了一条实用、低复杂度的路径,可利用现有移动数据轨迹增强运营商的定位服务。
主题: 网络与互联网架构(cs.NI);人工智能(cs.AI)
引用为: arXiv:2509.19405 [cs.NI]
  (或 arXiv:2509.19405v3 [cs.NI] 用于此版本)
  https://doi.org/10.48550/arXiv.2509.19405

由 DataCite 颁发的 arXiv DOI

相关 DOI: https://doi.org/10.1109/TMC.2026.3752915

链接到相关资源的 DOI

提交历史

来自:Lorenzo Mario Amorosa Dr. [查看电子邮件]
[v1] 2025年9月23日星期二 09:09:45 UTC(15,720 KB)
[v2] 2026年2月23日星期一 11:57:41 UTC(15,722 KB)
[v3] 2026年11月18日星期三 11:59:24 UTC(14,597 KB)

来源:arXiv cs.AI · arxiv.org