KevinKAMS/CMoveis

Projeto da disciplina ES-290 Comunicações Móveis

Projeto ES290 - Comunicações Móveis

1. Definição do problema

Identificar a localização (latitude e longitude) de um móvel a partir da potência do sinal enviada pelas antenas (BST's) para o dispositivo móvel.

2. Ferramentas utilizadas

• Python 3
• Jupyter notebook
• Bibliotecas de python para machine learning
  • scikit
  • pandas
  • numpy
  • seaborn
• Biblioteca auxiliar de calculo de distâncias geográficas: PyRadioLoc

3. Solução proposta

Usar random forest para gerar fingerprints e estimar as posições (latitude e longitude) dos pontos de teste. Também comparar com uso de Random Forest, MLP e K-NN para previsão direta da loacalização do usuário (latitude e longitude).

4. Resultados

4.1 Análise dos dados

Da base de dadas LocTreino_Equipe_4.csv

4.2 Métodos de localização propostos

• Baseline: Fingerprint 20 x 20 + medições usando modelo de propagação Cost231Hata
• Solução: Três modelos de machine learning para servir como modelo de propagação na geração do fingerprint e para previsão direta de latitude longitude
  • Random forest
  • Multi Layer Perceptron (MLP)
  • K-NN Regressor

4.3 Erro de localização em metros

Método 1: Apenas medições
Método 2: Apenas fingerprint 20 x 20
Método 3: Fingerprint 20 x 20 + medições
Método 4: Random forest
Método 5: MLP
Método 6: Fingerprint + Random Forest (sem otimização)
Método 7: Fingerprint + Random Forest (com otimização)
Método 8: K-NN normalizado

4.4 Histograma dos erros em metros

Apenas Medições

Apenas Fingerprint 20 x 20

Fingerprint 20 x 20 + medições

Random Forest

MLP

Fingerprint + Random Forest (sem otimização)

Fingerprint + Random Forest (com otimização)

K-NN Normalizado

4.5 BoxPlot dos erros em metros

Apenas Medições

Apenas Fingerprint 20 x 20

Fingerprint 20 x 20 + medições

Random Forest

MLP

Fingerprint + Random Forest (sem otimização)

Fingerprint + Random Forest (com otimização)

K-NN Normalizado

4.6 Mapa de comparação posições preditas vs. posições reais

Apenas Medições

Apenas Fingerprint 20 x 20

Fingerprint 20 x 20 + medições

Random Forest

MLP

Fingerprint + Radom Forest (sem otimização)

Fingerprint + Radom Forest (com otimização)

K-NN Normalizado

5. Conclusão e dificuldades

As principais dificuldades foram:

• Implementar o modelo teórico, fingerprint
• A geração dos resultados leva parte considerável do tempo (Sugestão: uma lib que gere os gráficos e resultados de uma única vez poderia ajudar)
• Tratamento com os dados, durante um bom tempo não tinhamos percebido que devíamos usar a dist (KM) para avaliar o algoritmo
• Modelos de machine learning são complexos e a escolha dos parâmetros que vai definir a qualidade do resultado. A função de grid do scikit, apesar de bastante útil, leva bastante tempo para encontrar os melhores modelos o que a torna impraticável para aplicar sobre todos os modelos.
• O fingerprint não foi efetivo em prever as localização, pois o modelo de propagação não leva em conta antenas setoriais (azimute), apenas leva em conta latitude e longitude.

Analisando os dados pode-se concluir que os melhores modelos foram o Random Forest e K-NN normalizado. Pode-se notar também que o uso de machine learning para gerar o mapa de propagação de rádio obteve resultados superiores em comparação ao modelo teórico de propagação.