WiFi RSSI ile Makine Öğrenme Tabanlı Gerçek Zamanlı Kapalı Alan Konum İzleme Sistemi

Abstract

Kapalı alanda yerelleştirmeye yönelik artan talep, binalar içindeki kullanıcı konumlarını doğru bir şekilde belirlemek için gelişmiş yöntemlerin geliştirilmesine yol açmıştır. Bu çalışma, yakındaki erişim noktalarından (AP’ler) alınan WiFi sinyal güçlerini (RSSI) kullanarak bir kullanıcının konumunu gerçek zamanlı olarak tahmin eden bir kapalı alan yerelleştirme sistemini tanıtmaktadır. Rastgele Orman sınıflandırıcısına dayalı bir makine öğrenimi yaklaşımı, önceden toplanmış WiFi RSSI verileri üzerinde eğitilir ve yüksek tahmin doğruluğu elde etmek için dinamik girdiler üzerinde test edilir. Sistem, kullanıcıların canlı sinyal verilerini yüklemelerine ve konumlarını binanın bir kat planı üzerinde görselleştirmelerine olanak tanıyan bir grafiksel kullanıcı arayüzü (GUI) ile sorunsuz bir şekilde entegre olur. Eğitim ve tahmin veri kümeleri arasındaki uyumsuz özellik boyutlarının zorluklarını gidermek için, model uyumluluğunu sağlamak amacıyla özellik seçimi ve ön işleme yöntemleri uygulanır. Deneysel sonuçlar, sistemin 5 saniyelik gecikmeyle oda düzeyinde yer belirlemede %100 genel doğruluk sağladığını göstermektedir. Önerilen çözüm, akıllı evler, sağlık izleme ve güvenlik sistemlerinde potansiyel uygulamalarla kapalı alan yerelleştirmesi için uygun maliyetli, ölçeklenebilir ve kullanıcı dostu bir çerçeve sunmaktadır.

The increasing demand for indoor localization has led to the development of advanced methods to accurately determine user locations within buildings. This study introduces an indoor localization system that uses WiFi signal strengths (RSSI) sniffed from nearby access points (APs) to estimate a user’s location in real-time. A machine learning approach based on the Random Forest classifier is trained on pre-collected WiFi RSSI data and tested on dynamic inputs to achieve high prediction accuracy. The system seamlessly integrates with a graphical user interface (GUI) that allows users to load live signal data and visualize their locations on a floor plan of the building. To address the challenges of mismatched feature sizes between the training and prediction datasets, feature selection and preprocessing methods are applied to ensure model compatibility. Experimental results demonstrate that the system achieves an overall accuracy of 100% in room-level localization with a latency of 5 seconds. The proposed solution provides a cost-effective, scalable, and user-friendly framework for indoor localization with potential applications in smart homes, health monitoring, and security systems.