localização usando fingerprint de rádio frequência em …tg/2019-1/tg_ec/ghss-tg.pdf · 2019....

Universidade Federal de PernambucoCentro de informática - Cin

Graduação em Engenharia da computação

Localização usando Fingerprint de RádioFrequência em Ambientes Externos: UmaAbordagem baseada em Timing Advance

para Redução de Espaço de Busca

Guilherme Henrique de Sousa Silva

Trabalho de Graduação

Recife2 de Julho de 2019

Universidade Federal de PernambucoCentro de informática - Cin

Guilherme Henrique de Sousa Silva

Localização usando Fingerprint de Rádio Frequência emAmbientes Externos: Uma Abordagem baseada em Timing

Advance para Redução de Espaço de Busca

Trabalho apresentado ao Programa de Graduação em En-genharia da computação do Centro de informática - Cin daUniversidade Federal de Pernambuco como requisito par-cial para obtenção do grau de Bacharel em Engenharia daComputação.

Orientador: Daniel Carvalho da Cunha

Recife2 de Julho de 2019

Dedico este trabalho aos meus pais, que me formaramcomo pessoa da melhor forma possível e que semprelutaram pela educação dos filhos em primeiro lugar

Agradecimentos

Em primeiro lugar gostaria de agradecer à minha família, especialmente minha mãe Fátimae meu Pai Antônio, que desde pequeno, mesmo em meio as dificuldades me ensinaram o valordo estudo e que com muito suor e dedicação me trouxeram até aqui. Não posso esquecer daminha irmã Alice, que suportou minhas ausências devido a estonteante rotina da graduação esempre esteve ao meu lado.

Agradecimento especial também ao professor Daniel Carvalho da Cunha que me orientouno decorrer desse semestre. Obrigado pela orientação, pelo conhecimento transmitido nestecurto período de tempo e por sempre estar disposto a ajudar. Aos amigos que tenho desdedo ensino médio Kim, Rafael, Bruno, Italo, Ana, Mariana e tantos outros... que mesmo nosmomentos de dificuldade sempre me incentivaram a seguir em frente. Agradeço também minhanamorada Carine que esteve ao meu lado durante boa parte da graduação e sempre me apoiounas horas mais difíceis.

Gostaria de agradecer também aos meus grandes amigos do Centro de Informática, os quaisseria injusto enumerar aqui, dado que ao longo dos anos de convivência, muitos e muitas estive-ram no meu convívio. Com vocês as viradas de noite no CIn para finalizar projetos se tornarammais especiais. Ao CESAR, que me acolheu desde do começo da graduação e tem me propor-cionado experiências super construtivas para minha carreira profissional, especialmente a todosda equipe motorola SED.

iv

Quem sabe que o tempo está fugindo descobre, subitamente, a beleza únicado momento que nunca mais será. . .

—RUBEM ALVES

Resumo

A localização em ambientes externos é predominantemente feita por sistemas de posici-onamento global (GPS). Porém, em certas condições climáticas e em ambientes densamenteurbanos, o desempenho do GPS é degradado. Nesses cenários, é possível utilizar a infraestru-tura de redes móveis para estimar a posição do usuário, através de técnicas que utilizam níveisde sinais de rádio, como o fingerprint. Os sistemas de localização baseado em fingerprint derádio frequência(RF) consistem em dividir uma região geográfica de interesse em células e,apartir da extração de características das flutuações de sinais dessa área, definir pontos nessaregião que sejam unicamente identificados. Então, quando se deseja conhecer a posição de umdado usuário, basta extrair essas informações do usuário e compará-las com os pontos conheci-dos. Porém, devido a grande quantidade de pontos mapeados, a etapa de comparação da técnicatende a ser bastante custosa. Por isso, estratégias que buscam reduzir o número de comparaçõessão bastante estudadas. Essas estratégias são conhecidas como técnicas de redução de espaçode busca. Dentre as técnicas de redução de espaço de busca presentes na literatura, uma delasé uma técnica que se baseia no parâmetro de redes móveis timing advance(TA),denomida defiltro por TA. O presente trabalho se propôs a modificar a técnica filtro por TA, afim de otimizaros resultados da técnica em relação ao tempo de predição. Com o intuito de verificar o impactodas modificações na técnica foi realizado um experimento. O experimento consistiu em utilizarum sistema de localização baseado em fingerprint de RF, variando apenas a técnica de reduçãode espaço de busca. Esse experimento utilizou uma base de dados de coordenadas e niveis desinais na cidade de Recife. O experimento considerou alguns parâmetros, tais como tempo depredição, tempo de treinamento e acurácia na estimativa da posição. Após a realização desseexperimento, verificou-se que o tempo de predição sofreu uma redução de cerca de 72,63%,enquanto o tempo de treinamento sofreu um acrésimo de 60,18%, além de manter a acuráciada técnica original. Portanto, pode se comprovar que pequenas modificações nas técnicas deredução de espaço de busca podem trazer ganhos significatios para os sistemas de localizaçãobaseado em fingerprint de RF.

Palavras-chave: Localização em ambientes externos; Localização Baseada em Sinal; Finger-print; Aprendizado de Máquina; Redes Móveis;

vi

Abstract

The outdoor location is predominantly made by global positioning systems (GPS). Howe-ver, in certain climatic conditions and urban environments, GPS performance is degraded. Inthese scenarios, it is possible to use the mobile network infrastructure to estimate the user’sposition through techniques that use levels of radio signals, such as the Radio frequency(RF)Fingerprint-based methods. RF fingerprint based localization systems divides the geographicregion of interest in cells and, from the extraction of characteristics of the signal fluctuationsof that area, define points in that region that are uniquely identified. So when it is desired todiscovery the position of a given user, it is enough to extract this information from the userand compare it with the known points. However, due to the large number of mapped points,the technique comparison step tends to be quite costly. Therefore, strategies that seek to re-duce the number of comparisons are well studied. These strategies are known as search spacereduction techniques. Among the search space reduction techniques present in the literature,one of them is a technique that is based on the timing advance (TA) mobile network parameter,named TA filtering. The present work proposed to modify the filter technique by TA, in orderto optimize the results of the technique in relation to the prediction time. In order to verify theimpact of the modifications in the technique, an experiment was performed. The experimentconsisted in using an RF fingerprint based localization system, varying only the search spacereduction technique. This experiment used a database of coordinates and signal levels in thecity of Recife. The experiment considered some parameters, such as prediction time, trainingtime and accuracy in position estimation. The results indicates that prediction time was reducedby about 72,63%, while the training time was increased by 60,18%, in addition to maintainingthe accuracy of the original technique. Therefore, it can be shown that small modifications insearch space reduction techniques can bring significant gains for RF fingerprint based locationsystems.

Keywords: Outdoor location; Signal Based Positioning; Fingerprint; Machine Learning; Mo-bile Networks;

vii

Sumário

1 Introdução 11.1 Objetivos 21.2 Estrutura do documento 2

2 Fundamentos Teóricos 32.1 Localização baseada em Fingerprint de Rádio Frequência 3

2.1.1 Construção do Mapa de Rádio 42.1.2 Redução de espaço de busca 6

2.2 Parâmetros da rede célular 7

3 Metodologia 83.1 Base de Dados 83.2 Redução de espaço de busca utilizando timing advance 103.3 Algoritmo proposto 143.4 Experimento 15

4 Resultados 164.1 Ambiente de execução do experimento 164.2 Erro médio, tempo de treinamento e de predição 16

5 Conclusão 19

viii

Lista de Figuras

1 Arquitetura de um sistema de localização baseada em fingerprint de RF. 42 Exemplo de grid regular com resolução de 20 metros. 53 Arquitetura detalhada para a construção do mapa de rádio. 64 Arquitetura geral da etapa de redução de espaço de busca. 7

5 Vista de satélite da área de interesse na região da Ilha do Leite, Recife-PE. 96 Localização das ERBs no mapa da área de interesse na região da Ilha do Leite,

Recife-PE. 97 Mapa da área de interesse com a indicação (trajetória em azul) do percurso que

resultou no conjunto de dados das bases de treinamento e teste. 108 Device localizado em área de delimitada por valores de timing advance. 129 Criação de subconjuntos. 1310 Fluxo de execução de redução de espaço de busca, para um fingerprint alvo

com valores de TA 0, 1, e 2 para as ERBS 1, 2 e 3 respectivamente. 1311 Arquitetura do sistema de localização proposto. 14

ix

Lista de Tabelas

1 Valores de erro médio vs resolução do grid para as técnicas estudadas. 172 Valores de tempo de treinamento vs resolução do grid para as técnicas estuda-

das. 183 Valores de erro médio vs resolução do grid para as técnicas estudadas. 18

x

CAPÍTULO 1

Introdução

Com o popularização do uso dos smartphones, os serviços de geolocalização passaram aser utilizados em diversas aplicações, como por exemplo no transporte de passageiros. No pro-cesso de geolocalização, esses serviços utilizam o sistema de posicionamento global (GPS) doaparelho celular. Embora o GPS seja o método de localização em ambientes externos que pos-sui a melhor acurácia e precisão, ele não funciona muito bem em ambientes urbanos e em certascondições climáticas [1], além do fato de consumir bastante bateria dos aparelhos [2], o quelimita seu uso. Devido a essas limitações, surge a necessidade de estudo de outras técnicas delocalização. Dentre essas técnicas podemos citar as técnicas baseadas em fingerprint de rádiofrequência (RF) [3] que se utiliza da infraestrutura de telefonia móvel para localizar usuários.

A técnica de fingerprint baseado em RF funciona em 2 etapas, a etapa offline e a etapaonline. Na etapa offline, medições de niveis de sinais de rádio são feitas na área geográficade interesse e cria-se um banco de impressões digitais, onde cada ítem desse banco contéma latitude e longitude de um ponto, juntamente com as medições de sinais relativas a cadaestação rádio base (ERB). Já na etapa online, uma impressão de teste referente a um dispostivomóvel(MS) que se deseja localizar é comparada com as impressões do banco, afim de encontrara célula na qual se localiza o MS.

Dependendo das dimensões da área de interesse, o processo de encontrar a célula maissimilar torna-se bastante custoso, e por isso há estudos que buscam reduzir o tempo desteprocesso. Uma das possíveis técnicas para redução do tempo de predição é a utilização de umatécnica de redução de espaço de busca. A redução do espaço de busca consiste em reduzir onúmero de células candidatas do banco de dados, afim de diminuir o número de comparações.

Existem diversas abordagens para redução de espaço de busca [4]. Uma das possíveisformas de reduzir o espaço de busca foi proposta em [5] e será denominada neste trabalho defiltro por TA. Esta técnica utiliza o parâmetro de rede timing advance (TA). O parâmetro timingadvance se refere a um valor quantizado em passos fixos de 550 m que representa a distânciaentre uma ERB e um MS. No entanto, ao analisar a técnica de filtro por TA, é possível encontrarpontos de melhoria, que podem ser modificados, afim de obter melhores resultados em tempode predição, por exemplo.

1

1.1 OBJETIVOS 2

1.1 Objetivos

O objetivo desse trabalho é propor uma técnica de redução de espaço de busca que utilizao parâmetro timing advance para a redução de espaço de busca nas técnicas de localização ba-seada em fingerprint de RF. Também é objetivo desse trabalho realizar um estudo comparativoentre a técnica de redução de espaço de busca filtro por TA e a técnica que é proposta nessetrabalho. Por fim, realizar uma análise dos resultados.

1.2 Estrutura do documento

No capítulo 2 são apresentados os conceitos básicos para o entendimento do trabalho, comoo funcionamento geral das técnicas de localização baseados em fingerprint de RF e tambémuma sessão sobre parâmetros de rede. Já o capítulo 3 explica o funcionamento da técnica deredução de espaço de busca proposta e detalha a metodologia do experimento realizado paracomparação do desempenho da técnicas proposta e da técnica filtro por TA. No capítulo 4 sãodiscutidos os resultados obtidos com os experimentos do capítulo 3. Por fim, no capítulo 5, sãoapresentadas as conclusões sobre o estudo e uma discussão sobre trabalhos futuros.

CAPÍTULO 2

Fundamentos Teóricos

Este capítulo explora os conceitos principais para o entendimento do trabalho, tais comoos fundamentos das técnicas de localização baseada em fingerprint de rádio frequência (RF).Além disso, alguns trabalhos referentes ao tema são citados. Também é explorado o conceitode utilização de parâmetros de rede nas abordagens de localização baseadas em sistemas decomunicações móveis.

2.1 Localização baseada em Fingerprint de Rádio Frequência

Dentre as diversas técnicas de localização presentes na literatura [4], algumas das mais es-tudadas são as técnicas baseadas em fingerprint de RF. Podemos definir fingerprint de rádiofrequência como um conjunto de informações relativas a frequência de sinal extraídas de umarede de comunicações móveis que variam de acordo com a localização em um ambiente [3, 4].Dentre as informações que podem ser utilizadas para construir um fingerprint de RF, uma dasmais utilizadas são os níveis de sinais de rádio , também conhecidos como RSSI(Receivedsingal strength indicator). Um dos fatores que motiva a utilização do RSSI é o fato desse pa-râmetro oferecer boas estimativas de posição mesmo em ambientes com obstrução de visadadireta (NLOS) entre o dispositivo móvel (MS) e a estação rádio base (ERB). Um fingerprintpode ser classificado como fingerprint de referência caso faça parte de um conjunto de infor-mações coletados na área de interesse (ou gerados) ou ainda como um fingerprint alvo, casoseja o conjunto de informações aferidos de um MS, cuja localização se deseja estimar. Umsistema de localização que se baseia em fingerprint de RF se propõe a estimar a posição de umMS através da comparação de seu fingerprint alvo com um conjunto conhecido de fingerprintsde referência, analisando qual dos fingerprints de referência mais se assemelha ao fingerprintdo MS. De modo geral, esse tipo de sistema de localização possui 2 etapas principais: Offlinee Online.

Na etapa offline (também conhecida como fase de treinamento), ocorre a escolha da área deinteresse (onde o MS pode estar localizado), após essa escolha, ocorre a aquisição (ou geração)de fingerprints de referência para a construção de uma base de dados , que é conhecida pormapa de rádio. Os processos para construção de um mapa de rádio serão detalhados na Seção2.1.1.

Já na etapa online (também conhecida como etapa de teste ou predição) ocorre a estimativade posição do MS, porém, em algumas abordagens existe um pré processamento do mapa derádio, essa etapa é conhecida como etapa de redução de espaço de busca, que é o cerne doestudo deste trabalho e será detalhada na Seção 2.1.2. Após a etapa de redução, ocorre a etapa

3

2.1 LOCALIZAÇÃO BASEADA EM FINGERPRINT DE RÁDIO FREQUÊNCIA 4

de matching, onde ocorre a predição da posição do MS. Uma arquitetura geral e simplificada deum sistema de localização baseado em fingerprint de rádio Frequência pode ser vista na figura1

Figura 1 Arquitetura de um sistema de localização baseada em fingerprint de RF.

2.1.1 Construção do Mapa de Rádio

O conceito principal da técnica fingerprint baseado em RF consiste na suposição de quecada pequena divisão da área de interesse possua características únicas em relação aos níveisde sinais das ERBs. Dessa forma, ao se comparar informações de sinais do MS que se desejadescobrir a localização com as informações disponíveis no mapa de rádio, será possível inferirquais as coordenadas geográficas (latitude e longitude) do MS.

Para a construção do mapa de rádio, primeiramente é preciso mapear toda a área de interessede tal forma que possamos definir pontos de possíveis posições do MS. Porém, mapear todosos pontos possíveis seria uma tarefa custosa em termos de complexidade de espaço, ou seja,seria necessário um alto consumo de memória para armazer os dados. Considerando isso, pre-cisamos assumir que pequenas regiões sejam representadas apenas por uma única coordenadageográfica. Essas pequenas regiões serão chamadas neste trabalho de células. Considerando aregião de interesse como um espaço bidimensional, podemos dividir a área total em pequenascélulas, formando assim, grids. A organização desse grid pode ocorrer basicamente de 2 ma-neiras, sendo uma denominada grid regular e outra denominada de grid irregular. Nos gridsregulares a área de interesse é dividida de tal forma que todas células sejam espaçadas de formauniforme, como mostrado na figura 2. Já nos grids irregulares são utilizadas outras formas deorganização, como a escolha de pontos. Um exemplo de grid irregular seria o de pontos quecobrem as malhas viárias, como mostrado em [6]. Independentemente da forma de organiza-ção do grid, após defini-lo, temos então uma lista de possíveis localizações para o MS. Porém,


para todas as células do grid, precisamos associar um fingerprint, ou seja, cada célula terá umconjunto de informações de RSSI e um par de coordenadas geográficas (latitude e longitude).

Figura 2 Exemplo de grid regular com resolução de 20 metros.

A geração desses fingerprints, que serão denominados fingerprints de referência, pode serfeita de maneira distinta. Uma delas é por meio de modelos de propagação [7] , que nãonecessita de medições de campo, porém, tende a gerar valores de RSSI com menos precisão.

Outra possibilidade é a coleta de níveis de sinais (RSSI) , para gerar uma base de dados.Essa coleta é feita pela obtenção de medições de GPS e valores de RSSI para cada uma dasERBs na região de interesse (geralmente, é feita utilizando um carro). Essa técnica de coleta éconhecida como wardriving. Porém, o trabalho de aferir medições de RSSI para toda a área deinteresse é dispendioso [8]. Logo, essa base de dados não é suficiente para construção de todo omapa de rádio. No entanto, essa base de dados pode ser usada para o treinamento de algoritmosde aprendizagem de máquina com a finalidade de predizer os valores de RSSI [6, 5]. Dentre astécnicas de regressão que podem ser aplicadas, uma das mais simples é a técnica de regressorKNN, onde cada regressor utiliza as coordenadas (latitude, longitude) como atributos e estima ovalor de RSSI para cada ERB. Dessa forma, ao combinar as saídas de cada regressor, é possívelgerar o fingerprint de referência. A figura 3 mostra o fluxo dos processos para a construção domapa de rádio.


Figura 3 Arquitetura detalhada para a construção do mapa de rádio.

2.1.2 Redução de espaço de busca

Após a construção do mapa de rádio, algumas técnicas de localização baseada em finger-print de RF se utilizam de alguma abordagem para reduzir o espaço de busca. A redução deespaço de busca consiste em limitar o conjunto de possíveis células candidatas a conter o MS.A redução de espaço de busca ocorre antes da execução da etapa de matching. Essa estratégiase justifica, pois utilizar todas as células do mapa de rádio na etapa de matching tende a serbastante dispendioso em termos de custo computacional, além de possibilitar maior chance deerro na estimativa. Porém, a escolha do algoritmo de redução de espaço de busca é bastantedelicada, dado que uma má escolha nessa etapa pode excluir células interessantes do conjuntode busca, prejudicando assim, a acurácia do sistema de localização.

As técnicas de redução de espaço busca geralmente requerem parâmetros além dos valoresRSSI para as ERBs. Nesse contexto, é possível utilizar parâmetros de rede que podem indicaralguma métrica que sirva como delimitador de similaridade entre o fingerprint alvo e os fin-gerprints de referência. Uma breve revisão sobre parâmetros de rede de telefonia celular GSMserá dada na Seção 2.2.

Na literatura, podemos encontrar algumas abordagens para redução do espaço de busca.Dentre as mais referenciadas, existe a técnica de CDB filtering [9] e uma técnica de reduçãode espaço de busca baseada em algoritmos genéticos [10]. Outra técnica denominada filtro porTA foi proposta em [5] e também foi utilizada(e atualizada) em [6], se utiliza do parâmetrotiming advance. Essas técnicas buscam aumentar a acurácia das estimativas, porém, a cadateste, é necessário percorrer todo o conjunto original de células para gerar um conjunto debusca reduzido, dado que os parâmetros que auxiliam na redução só são conhecidos quandoo sistema tem acesso ao fingerprint alvo. Dessa forma, há ganho na acurácia, porém, o custocomputacional se mantém elevado. Na figura 4, podemos ver uma arquitetura geral da etapa deredução de espaço de busca.

2.2 PARÂMETROS DA REDE CÉLULAR 7

Figura 4 Arquitetura geral da etapa de redução de espaço de busca.

Por fim, na etapa de matching, o algoritmo busca no mapa de rádio (ou no mapa de rádio re-duzido) a célula cujo fingerprint mais se assemelha com o fingerprint alvo por meio de algumamétrica de similaridade entre as medições de RSSI. O matching pode ser feito calculando-sea distância no espaço N-dimensional, ou através do uso de algoritmos de aprendizagem demáquina. Por exemplo, em [11], foram usadas redes neurais, nas quais os níveis de RSSI dofingerprint alvo são usados como entrada da rede, enquanto a saída da rede neural é a célulaque contém o fingerprint mais similar. Por fim, a posição estimada para o MS será a posiçãocontida na célula mais similar ao fingerprint alvo.

2.2 Parâmetros da rede célular

Nas redes de telefonia celular GSM, existem diversos parâmetros de controle. Dentre essesparâmetros, existem alguns que podem ser utilizados para auxiliar na estimativa da posição doMS, sendo eles o location area code (LAC), Cell ID e Timing advance (TA) [12]

O TA representa uma estimativa de distância entre o MS e a ERB. Cada valor de TA é umnúmero inteiro que varia de 0 até 63, em que cada unidade representa que o MS está presentenum raio de aproximadamente 550 m de distância da ERB. Embora não seja uma medida exata,o TA provê uma distância máxima que permite limitar uma área de maior probabilidade depresença do MS, o que pode ajudar na estimativa de posição do MS. Por exemplo, considerandoque temos N ERBs, ao aferir os valores de TA de um MS, se o valor de TAi é 0, indica queo MS está há uma distância de até 550m da i-ésima ERB. Caso o valor seja 1, o MS está háuma distância entre 550m e 1100m da i-ésima ERB e assim por diante [6]. Portanto, o timingadvance é um parâmetro candidato a ser utilizado na etapa de redução de espaço de busca e éutilizado na técnica Filtro por TA.

CAPÍTULO 3

Metodologia

Neste capítulo, é apresentada a metodologia do trabalho, que tem início com uma brevedescrição da base de dados utilizada. Após isso, apresentamos os detalhes da técnica de reduçãode espaço de busca proposta. Por fim, detalhamos o experimento que um estudo comparativoentre a técnica proposta e a técnica Filtro por TA.

3.1 Base de Dados

Os dados foram aferidos de uma rede GSM com portadora na frequência de 1,8 GHz. Abase de amostras utilizada possui 2.956 pontos para uma área urbana da cidade de Recife quepossui aproximadamente 5 km² de área [5]. A área é delimitada pelo quadrilátero definidopelas seguintes coordenadas geográficas [-8.059338, -34.885067], [-8.059338, -34.90683],[-8.077575999999999, -34.885067],[-8.077575999999999, -34.90683] e ilustrada pela figura 5,uma fotografia de satélite da área em questão. Essa base de dados foi construída utilizando atécnica wardriving, na qual os valores de RSSI e TA são aferidos para cada uma das 6 ERBsda região, por meio de um scanner de RF. Adicionalmente, são obtidas com as coordenadasgeográficas (latitude e longitude) dos pontos de medição, utilizando GPS. Também foram co-letados dados de latitude e longitude das ERBs. A figura 6 mostra a localização das 6 ERBs naregião de interesse, enquanto a figura 7 mostra as coordenadas dos pontos presentes na base dedados.

8

3.1 BASE DE DADOS 9

Figura 5 Vista de satélite da área de interesse na região da Ilha do Leite, Recife-PE.

Figura 6 Localização das ERBs no mapa da área de interesse na região da Ilha do Leite, Recife-PE.

3.2 REDUÇÃO DE ESPAÇO DE BUSCA UTILIZANDO TIMING ADVANCE 10

Figura 7 Mapa da área de interesse com a indicação (trajetória em azul) do percurso que resultou noconjunto de dados das bases de treinamento e teste.

3.2 Redução de espaço de busca utilizando timing advance

A técnica proposta se baseia na ideia de que, a partir da combinação dos valores de TA, épossível delimitar uma área de maior probabilidade para a presença de um MS que se desejalocalizar. Conforme definido na Seção 2.2, cada valor de TA representa uma distância de até,aproximadamente, 550 m entre a ERB e o MS. Com base no valor do TA, é possível definir umacoroa circular com centro na posição da ERB, que representa uma região onde possivelmenteo MS estará. Como no fingerprint alvo existe um valor de TA para cada ERB do sistema, épossível traçar uma coroa circular para cada ERB.

Portanto, ao encontrar a área de interseção das coroas circulares de cada ERB, temos umaregião na qual o dispositivo móvel possui maior probabilidade de estar presente. A Figura 8mostra um exemplo de como seria essa região. Como temos um conjunto de células de umgrid que mapeia pontos da região de interesse, o problema de redução de espaço de busca sereduz a encontrar as células cujas as coordenadas estejam compreendidas na região resultanteda interseção das coroas circulares. Contudo, realizar toda essa operação na etapa de prediçãotraz um custo computacional elevado, dado que será necessário consultar todas as células domapa de rádio. Essa é a abordagem executada pela técnica Filtro por TA. Por isso, propomosnesse trabalho uma abordagem que divide esse esforço em duas etapas, sendo uma na fase detreinamento e outra na fase de predição.

Durante a fase de treinamento, criamos vários subconjuntos para armazenar as células re-ferentes a cada ERB e cada valor possível de TA. Ou seja, considerando que existam N ERBsno sistema e K possíveis valores de TA, serão criados NK subconjuntos de células, onde cada


subconjunto estará associado a uma ERB específica e um valor de TA possível. Por exemplo,um conjunto S10 conterá todas as células que possuem valor de TA = 0 para a ERB 1, e assimpor diante. Um pseudo código para geração desses subconjuntos pode ser visto a seguir.

Algoritmo 1: CONSTRUÇÃO DE SUBCONJUNTOS

Entrada: MapadeRadio,erbsSaída: Subconjuntos contendo as células especificas para cada valor de TA relativo a

cada ERB.1 início2 S = /03 para cada ERB e ∈ erbs faça4 Se = /05 para cada t ∈ {0,1..TAmax} faça6 Se, t = /07 para cada c ∈MapadeRadio faça8 d = DISTÂNCIA(e,c)9 se d > t ∗550 & d < (t +1)∗550 então:

10 Se, t = Se, t ∪ c11 fim12 Se = Se∪Se, t13 fim14 S = S∪Se15 fim16 fim17 retorna S

Já na etapa de predição, ao obtermos os valores de TA presentes no fingerprint alvo, bastaencontrarmos os subconjuntos armazenados gerados pelo Algoritmo 1 que respectivamentepossuam os mesmos valores de TA para cada ERB. Uma vez de posse desses conjuntos, bastaencontrar a interseção dos subconjuntos e assim, gerar o espaço de busca de reduzido. Umpseudo-código que detalha esse procedimento pode ser visto a seguir. A figura 10 mostra umexemplo da execução do algoritmo 2. Este exemplo considera um sistema de 3 ERBs, atravésdo qual, se deseja estimar a posição de um MS com fingerprint alvo contendo os valores de TA,0, 1 e 2.


Algoritmo 2: REDUÇÃO DE ESPAÇO DE BUSCA

Entrada: f ingerprintalvo,subcon juntosSaída: Espaço de busca reduzido

1 início2 R = MapadeRadio3 para cada ERB e ∈ erbs faça4 t = valor de TA para ERB e5 Se, t = subcon junto(e, t)6 R = R∩Se, t7 fim8 se R == /0então:9 R = MapadeRadio

10 fim11 retorna R

Figura 8 Device localizado em área de delimitada por valores de timing advance.


Figura 9 Criação de subconjuntos.

Figura 10 Fluxo de execução de redução de espaço de busca, para um fingerprint alvo com valores deTA 0, 1, e 2 para as ERBS 1, 2 e 3 respectivamente.

3.3 ALGORITMO PROPOSTO 14

3.3 Algoritmo proposto

O algoritmo de localização proposto possui duas fases: a fase de treinamento (tambémconhecida como fase offline) e a fase de predição (também conhecida como etapa online). Nafase de treinamento, os dados de latitude e longitude coletados são normalizados [5]. Apósisso, os dados normalizados são utilizados para treinamento de um conjunto de 6 regressoresKNN. Para cada um dos 6 regressores KNN, os valores de latitude e longitude são utilizadoscomo features e os valores de RSSI em relação a cada uma das 6 Erbs são os valores alvo. Oregressor KNN foi utilizado devido a sua simplicidade [6]

Após isso, é gerado um grid regular e logo após, são gerados fingerprints de referência,associando cada valor predito de RSSI pelo conjunto de regressores KNN a uma coordenadado grid, construindo assim o mapa de rádio. Após a construção do mapa de rádio, são definidosos subconjuntos do mapa de rádio, como descrito no Algoritmo 1, que armazena as célulasespecíficas de acordo com os possíveis valores de TA para cada ERB.

Na fase de predição, para cada fingerprint alvo do conjunto de teste é realizado o pro-cedimento descrito no Algoritmo 2 com o objetivo de obtermos um subconjunto de célulascandidatas do mapa de rádio. Por fim, na fase de matching, o fingerprint alvo é comparadocom todas as células do conjunto reduzido, com o intuito de encontrar a célula mais similar.Essa comparação é feita utilizando a métrica de similaridade de distância euclidiana em relaçãoaos valores de RSSI dos fingerprints. Por fim, a posição estimada para o MS será a posição dacélula mais similiar encontrada na etapa de matching. Um resumo das fases pode ser visto nafigura 11

Figura 11 Arquitetura do sistema de localização proposto.

3.4 EXPERIMENTO 15

3.4 Experimento

Para avaliar o desempenho da técnica descrita em 3.2 foi realizado um experimento. Oexperimento consiste em executar o algoritmo de localização proposto na sessão 3.3, variandoapenas a técnica de redução de espaço de busca e aferindo algumas métricas de desempenho.Foram utilizadas as seguintes métricas de desempenho:

• Erro médio em metros: O erro em metros se refere à distância entre a posição predita ea posição real do MS. Portanto, o erro médio será uma média dos erros de predição parao conjunto de teste.

• Tempo de treinamento: É o tempo que o algoritmo leva para construir o mapa de rádio.Porém, para a técnica proposta nesse trabalho o tempo de treinamento também inclui otempo para a construção dos subconjuntos (ver algoritmo 1)

• Tempo de teste: O tempo que o algoritmo leva para predizer a posição para todos ospontos do conjunto de teste.

Essas métricas de desempenho serão aferidos para cada resolução de grid. Essa variaçãona resolução do grid faz com que o número de células do mapa de rádio também varie, o que éinteressante para uma análise de desempenho mais aprofundada dos algoritmos. Neste estudo,foram utilizado as resoluções de 5, 10, 15 e 20 metros [12]

Para assegurar a acurácia dos parâmetros obtidos no estudo, foi utilizado o método K-Fold[13], com K = 10, onde o conjunto total de dados da base é dividido em K grupos, onde paracada uma das K iterações, K-1 grupos formavam o grupo de treinamento e o grupo restanteo grupo de teste. Então, para cada resolução de grid, são executadas K iterações, e então, asmétricas são aferidas. O valor final das métricas para cada resolução de grid, será a média dosvalores encontrados nas K iterações. No próximo capítulo serão dispostos os resultados obtidoscom o experimento.

CAPÍTULO 4

Resultados

Nesse Capítulo, serão discutidos os resultados obtidos com o experimento proposto no ca-pítulo 3. Será abordado como o experimento foi conduzido e desenvolvido, assim como usos dealguns parâmetros que foram utilizados. Serão especificadas a plataforma de desenvolvimentodo experimento e o ambiente de execução do mesmo. Também serão detalhados e discutidosos resultados obtidos em relação aos parâmetros erro de estimativa, tempo de predição e tempode treinamento. Por fim, será discutido o alinhamento dos resultados obtidos com as técnicasestudadas.

4.1 Ambiente de execução do experimento

Afim de obter os resultados que embasariam o estudo comparativo entre as técnicas de filtropor TA e a técnica proposta na sessão 3.2, o sistema de localização proposto na sessão 3.3 foiimplementado. O sistema de localização foi implementado utilizando a linguagem Python , naversão 3.7, utilizando como IDE de desenvolvento a plataforma Jupyter notebook. Para trazermais produtividade para implementação, foram utilizadas algumas bibliotecas.

Para a leitura e tratamento dos dados foi utilizado a biblioteca Pandas na versão 0.24.2.Os dados estão organizados em dois arquivos csv, sendo um com informações relativas asErbs, e outro relativo as medições de campo. Já para aprendizagem de máquina, utilizada naetapa de treinamento e predição dos regressores KNN, foi utilizada a biblioteca scikit-learn naversão 0.20.3. O versionamento do código do projeto foi feito utilizando o Github. Por fim,o experimento foi executado em um notebook Lenovo, com sistema operacional Windows 10,com 8gb de memória RAM, processador Intel core I5 e 1TB de armazenamento.

4.2 Erro médio, tempo de treinamento e de predição

Após a execução do experimento, foram aferidos os valores dos seguintes parâmetros: Erromédio de estimativa, tempo de treinamento e tempo de predição. Os resultados se referema uma média dos resultados obtidos em cada uma das 10 iterações da técnica de validaçãocruzada K-fold, para cada resolução de grid. Nesse experimento foram utilizados os valores de5, 10, 15 e 20m como resolução de grid. Esses valores foram utilizados afim de gerar diferentesnúmeros de células no mapa de rádio. Diferentes números de células influenciam diretamenteos parâmetros de interesse deste trabalho.

O primeiro parâmetro a ser analisado é o de erro de estimativa da posição do sistema.Analisando os valores da tabela 1, podemos observar que para todas as resoluções de grid con-

16

4.2 ERRO MÉDIO, TEMPO DE TREINAMENTO E DE PREDIÇÃO 17

sideradas, o resultado em relação ao erro médio em metros da predição é o mesmo, tanto paraa técnica proposta, quanto para a técnica de Filtro por TA. Esse comportamento era esperado,dado que as células selecionadas pelas duas técnicas são exatamente as mesmas na etapa deredução. Esse resultado confirma que não houve qualquer tipo de perda de informação pelofato de construirmos os subconjuntos do mapa de rádio já na etapa offline. O resultado tambémcomprova a tendência comentada em [14], ou seja, para menores resoluções dos grids (ou seja,maior o tamanho das células do grid), maior o valor do erro. Isso assegura que as técnicas deredução de espaço não comprometeram os resultados da técnica de fingerprint baseado em RF.

Filtro por TA Técnica PropostaResolução do Grid(m) Número de Células Erro médio (m) Erro médio(m)5 193598 60,92 60,9210 48278 63,71 63,7115 21465 65.95 65,9520 12019 67,54 67,54

Tabela 1 Valores de erro médio vs resolução do grid para as técnicas estudadas.

Outro parâmetro obtido pelo experimento foi o tempo de treinamento. É importante desta-car que os valores do tempo de treinamento dispostos na tabela 2 foram aferidos descontando otempo de treinamento dos regressores KNN e o tempo para construção do grid. Essa decisão sejustifica já que, para fins de projeto, o mesmo grid é utilizado para ambas as técnicas estudadase o treinamento de regressores também é feito para ambas as técnicas. Nos regressores KNN,foi utilizado o método grid search, que fornece parâmetros ótimos para um regressor, no casode regressores KNN, o número de viznhos. Para esse experimento, foram testados de 1 a 30vizinhos. Portanto, os tempos aferidos da métrica de tempo de treinamento referem-se basica-mente ao tempo de associação dos fingerprints com o grid regular e para a técnica proposta,além desse tempo , existe o tempo de construção dos subconjuntos. Observando os valoresda tabela 2, podemos constantar que o tempo da etapa de treinamento do sistema que utiliza atécnica proposta, mostrou-se maior do que o que utiliza a técnica Filtro por TA para todas asresoluções de grid estudadas. Esse resultado é consistente com a estratégia da técnica proposta,dado que o maior custo do tempo de treinamento se justifica pela adição da etapa de constru-ção dos subconjuntos. O tempo de treinamento quando se utiliza a técnica proposta tende aser maior, caso o número de possíveis valores de TA seja grande(ou seja, para áreas extensas,a utilização da técnica proposta tende a elevar o tempo da etapa de treinamento). No experi-mento realizado neste trabalho, o valor máximo de TA foi fixado em 10. Este valor máximo deTA foi definido através da análise empírica dos dados. Observando a coluna de Aumento Per-centual da Tabela 2, podemos observar que a técnica proposta consome, na média, um tempocerca de 60,18% maior para a conclusão da etapa de treinamento, para as resoluções de gridconsideradas. Como o retreinamento das técnicas de localização baseadas em rádio frequênciaocorrem com pouca frequência,(só é necessário quando há mudanças de ERBS ou adição decaracterísticas ao sistema), esse aumento não prejudica a técnica de maneira geral.

4.2 ERRO MÉDIO, TEMPO DE TREINAMENTO E DE PREDIÇÃO 18

Filtro por TA Técnica PropostaResolução do Grid(m) Número de Células Tempo de treinamento(s) Tempo de treinamento(s) Aumento percentual(%)5 193598 29,26 46,24 58.0310 48278 7,71 12,31 59.6615 21465 3,84 5,89 53.3820 12019 1,78 3,02 69.66

Tabela 2 Valores de tempo de treinamento vs resolução do grid para as técnicas estudadas.

Outro aspecto avaliado foi o tempo de predição, que é o principal aspecto de interesse destetrabalho. Analisando os dados da tabela 3, podemos observar que independente da variação daresolução do grid(e consequentemente do número de células), que para todas as resoluções degrid estudadas, a técnica proposta nesse trabalho levou menos tempo para predizer as posiçõespara o conjunto de teste. Como foi previsto na formulação da técnica proposta, o esforço de cri-ação de subconjuntos foi retirado da etapa de predição e transferido para a etapa de treinamento,diminuindo assim, o tempo de predição. É possível observar também, que a técnica propostaconseguiu reduzir o tempo de predição das posições para o conjunto em cerca de 72,63% emrelação a técnica filtro por TA. Esses resultados são expressivos, dado que, por exemplo, com omesmo tempo predição gasto para predizer as posições do conjunto de teste em uma configu-ração de grid regular com resolução de grid 20 m, é possível, utilizando a técnica de reduçãode espaço de busca proposta neste trabalho, realizar a predição com células de resolução de 10m, ou seja, mais acurácia, com menos tempo.

Filtro por TA Técnica PropostaResolução do Grid(m) Número de Células Tempo de predição (s) Tempo de predição(s) Redução percentual(%)5 193598 244,62 68,96 71.8010 48278 62,67 16,77 73.2415 21465 28,82 7,94 72.4420 12019 16,74 4,51 73.05

Tabela 3 Valores de erro médio vs resolução do grid para as técnicas estudadas.

CAPÍTULO 5

Conclusão

Neste trabalho foi proposta uma técnica de redução de espaço de busca que se propõe areduzir o tempo de predição da posição do MS para o fingerprint de RF.Neste trabalho tambémestudados os fundamentos das técnicas de localização baseadas em fingerprint de RF.

Um estudo comparativo foi realizado, comparando a técnica de redução de espaço de buscafiltro por TA com a técnica de redução proposta neste trabalho em termos das métricas defi-nidos no capítulo 3. Os resultados do estudo comparativo comprovaram a hipótese de que amodificação proposta neste trabalho trouxe melhores resultados em termos de tempo de pre-dição. O tempo de predição sofreu uma redução de cerca de 72,63 % para as resoluções degrid estudadas. Os resultados também mostraram que o erro de estimativa da posição do MSmanteve-se o mesmo para ambas as técnicas. Esses dados indicam que é possível obter resul-tados mais rápidos, sem comprometer a acurácia da estimativa de posição dos dispostivos. Oestudo comparativo também relevou que, embora a técnica produza reduza resultados de formamais rápida, a técnica eleva o tempo de treinamento do fingerprint de RF em cerca de 60,18%.No entanto, como o foco das técnicas de localização se baseia em obter resultados mais pre-cisos com um menor custo de tempo de predição, o aumento de tempo de treinamento não éum problema, dado que ele ocorre apenas uma vez por sistema(a menos que uma nova ERB ouuma nova característica seja adicionada).

A apartir dos resultados obtidos neste trabalho, é possível identificar oportunidades paratrabalhos futuros. A primeira oportunidade de trabalhos futuros se concentra em técnicas deredução de espaço de busca utilizando timing advance para as redes LTE. Nas redes LTE, cadaunidade de TA possue uma granularidade de 78 metros, portanto, um estudo similar a esse,porém com dados de uma rede LTE, pode trazer resultados interessantes em termos de acuráciae tempo de predição. Outra oportunidade é a modificação de trabalhos que utilizam a técnicafiltro por TA como técnica de redução de espaço de busca. Substituindo a técnica filtro por TApela técnica proposta neste trabalho, nos trabalhos [6] e [5] por exemplo, poderiamos assegurara manutenção do erro de estimativa, porém, obtendo os resultados com um tempo de prediçãomenor.

19

Referências Bibliográficas

[1] Johan Beekhuizen, Hans Kromhout, Anke Huss, and Roel Vermeulen. Performance ofgps-devices for environmental exposure assessment. Journal of Exposure Science andEnvironmental Epidemiology, 23(5):498, 2013.

[2] Zhenyun Zhuang, Kyu-Han Kim, and Jatinder Pal Singh. Improving energy efficiency oflocation sensing on smartphones. In Proceedings of the 8th international conference onMobile systems, applications, and services, pages 315–330. ACM, 2010.

[3] Quoc Duy Vo and Pradipta De. A survey of fingerprint-based outdoor localization. IEEECommunications Surveys & Tutorials, 18(1):491–506, 2015.

[4] Reza Zekavat and R Michael Buehrer. Handbook of position location: Theory, practiceand advances, volume 27. John Wiley & Sons, 2011.

[5] Robson DA Timoteo, Lizandro N Silva, Daniel C Cunha, and George DC Cavalcanti.An approach using support vector regression for mobile location in cellular networks.Computer Networks, 95:51–61, 2016.

[6] Gustavo P Bittencourt, Anderson AF Urbano, and Daniel C Cunha. A proposal of an rffingerprint-based outdoor localization technique using irregular grid maps. In 2018 IEEEWireless Communications and Networking Conference (WCNC), pages 1–6. IEEE, 2018.

[7] Simon Saunders and Alejandro Aragón-Zavala. Antennas and propagation for wirelesscommunication systems. John Wiley & Sons, 2007.

[8] Riaz Uddin Mondal, Tapani Ristaniemi, and Jussi Turkka. Genetic algorithm optimi-zed grid-based rf fingerprint positioning in heterogeneous small cell networks. In 2015International Conference on Location and GNSS (ICL-GNSS), pages 1–7. IEEE, 2015.

[9] Rafael Saraiva Campos and Lisandro Lovisolo. A fast database correlation algorithm forlocalization of wireless network mobile nodes using coverage prediction and round tripdelay. In IEEE Vehicular Technology Conference, pages 1–5. IEEE, 2009.

[10] Rafael Saraiva Campos and Lisandro Lovisolo. Mobile Station Location using GeneticAlgorithm Optimized Radio Frequency Fingerprinting. In Proceedings of IEEE 2010International Telecommunications Symposium, number Its, 2010.

20

REFERÊNCIAS BIBLIOGRÁFICAS 21

[11] Mauricio Caceres, Francesco Sottile, and Maurizio A Spirito. Wlan-based real time vehi-cle locating system. In VTC Spring 2009-IEEE 69th Vehicular Technology Conference,pages 1–5. IEEE, 2009.

[12] Heikki Laitinen, Jaakko Lahteenmaki, and Tero Nordstrom. Database correlation methodfor gsm location. In IEEE VTS 53rd Vehicular Technology Conference, Spring 2001.Proceedings (Cat. No. 01CH37202), volume 4, pages 2504–2508. IEEE, 2001.

[13] Max Kuhn and Kjell Johnson. Applied predictive modeling, volume 26. Springer, 2013.

[14] Marina Vuckovic, Ivan Petrovic, Deni Vidovic, Zarko Kostovic, Szilveszter Pletl, andDragan Kukolj. Space grid resolution impact on accuracy of the indoor localization fin-gerprinting. In 2011 19th Telecommunications Forum, TELFOR 2011 - Proceedings ofPapers, pages 321–324, 2011.

[15] Hongtao Zhang and Lingcheng Dai. Mobility Prediction: A Survey on State-of-the-ArtSchemes and Future Applications. IEEE Access, 7:802–822, 2019.

Este volume foi tipografado em LATEX na classe UFPEThesis (www.cin.ufpe.br/~paguso/ufpethesis).

localização usando fingerprint de rádio frequência em …tg/2019-1/tg_ec/ghss-tg.pdf · 2019....

Documents