| Yhteenveto: | Mobiililaitteiden tarkalla paikantamisella on tärkeä rooli nykyisissä ja tulevissa
langattomiin verkkoihin perustuvissa sovelluksissa. GPS-paikannus on yleisesti käytetty,
mutta se suoriutuu kehnosti sisätiloissa ja saattaa ruuhkahuippujen aikana olla kykenemätön suorittamaan kaikkia paikannuspyyntöjä tehokkaasti. Mobiiliverkossa paikannus voidaan
suorittaa kolmiomittauksen avulla, joka vaatii kuitenkin aktiivisen puhelun. Paikkatieto mahdollistaa
verkko-operaattoreille ajantasaisen statistiikan keräämisen muuttuvassa radioverkkoympäristössä.
Se auttaa myös parantamaan tilannetietoisuutta onnettomuuksien ja pelastusoperaatioiden
aikana. Langattomien verkkojen massiivista dataa ei vielä ole käytetty kunnolla
paikannusongelmien ratkaisemiseen. Tämän työn tarkoituksena on selvittää tunnettujen
algoritmien paikannustarkkuus klusteroimalla signaalidataa, joka on kerätty empiirisesti
WLAN- ja mobiiliverkon tukiasemista. Klusterointiin käytetään K-means-, K-medoids- ja
Knn-algoritmeja, joista parhaat paikannustulokset saatiin Knn-algoritmilla. Se saavutti noin
17 metrin paikannustarkkuuden, joka on suunnilleen 20% parempi kuin K-means- tai Kmedoids-algoritmien
saavuttamat paikannustarkkuudet.
Positioning of user-equipments (UE) is a vital part of recent and future applications
based on wireless networks. Global Positioning System (GPS) is popular and widely
used, but it performs poorly indoors and might be too busy to handle all requests properly during rush hours. In mobile networks, positioning can be done by triangulation, though it
requires that a phone call is going on. Location data allows e.g. network operators to get
updated measurements from UEs in a changing radio network environment. Situational awareness,
e.g. during disasters or rescue operations, could be improved with precise positioning
of UEs. Massive data of wireless networks are yet to be used for solving positioning issues.
The aim of this work is to use known algorithms to cluster signal data collected empirically
from mobile base stations and WLAN access points and determine the positioning error of
each algorithm. Results will be compared between the used clustering algorithms. The algorithms
that are used for clustering are: K-means, K-medoids and Knn, from which Knn
achieved best results, approximately 17 metres, having 20% better positioning accuracy than
K-means and K-medoids.
|
|---|