Global Cell-ID Positioning Using Artificial Neural Networks

Abstract

For many years, outdoor localization has been dominated by Global Positioning System (GPS) and other GNSS-based methods. While GPS provides global coverage and usually high accuracy, it has its limitations. GPS has lower accuracy in areas with many obstructions, such as buildings or trees, and is power consuming compared to other localization methods. Therefore, GPS may not be the best localization method in dense, urban areas or for devices with less powerful batteries.

This thesis presents several methods where Radio Frequency (RF) fingerprinting has been combined with machine learning techniques, specifically focusing on Artificial Neural Networks (ANN), using data collected from cells of mobile networks.

One of the challenges with outdoor localization is the lack of natural boundaries. While GPS uses satellites to cover the entire earth, an ANN with global coverage would be hard to implement. This thesis addresses this issue by proposing and investigating two coverage area selection methods using serving cells, where the boundary coordinates for each coverage area are determined by where each serving cell has been seen.

This thesis implements three ANN-based methods. The first method contains a single network that covers the entire project area with manually set boundaries. The other two involve multiple models with coverage areas determined using the proposed area selection methods mentioned above. While all the ANN-based methods have good results, the error varied depending on the data used for validation. When validated on data that was more similar to the training data, the median positioning error lies between 26 m to 54 m while it was around 108m to 150m when validated on data that differed more. The resulting errors must also be compared to GPS, which has a 5 m to 10 m median error in the same environment. Although the positioning error remains larger than that of GPS, the proposed method is less power-draining for the devices and might be suitable for tracking devices with less powerful batteries or for services that only require a rougher position estimation.

Popular Abstract (Swedish)

Den som har använt GPS under en längre tid med en äldre telefon eller en smart klocka har antagligen märkt att batteriet snabbt tar slut. GPS har dessutom sämre precision om du är inomhus eller i en större stad med höga byggnader. I detta examensarbete så undersöks en alternativ teknik för utomhuspositionering som är mer batterivänlig än GPS.

GPS har länge dominerat inom positionering på grund av sina många fördelar: tekniken är snabb, ger bra noggrannhet och har global täckning. Det är dock en riktig batterislukare som snabbt kan dränera ett mindre kraftfullt batteri. I detta examensarbete undersöks hur man kan använda signaler från närliggande mobilmaster kombinerat med maskininlärning för att skapa en energieffektiv och noggrann positioneringslösning.

Sveriges mobilnät har nästintill nationell täckning och är uppbyggt av ett stort antal mobilmaster. En mobil enhet kan bara koppla upp mot en mast i taget men kan samtidigt ta emot signalerna från andra närliggande master. Signalstyrkan påverkas av avståndet mellan enheten och masten, ju längre bort den är, desto svagare blir signalen. En geografisk plats kan identiferas med hjälp av de master och signalstyrkor som den mobila enheten mottar, vilka skapar ett slags unikt “fingeravtryck” för platsen. Under examensarbetet samlades ett stort antal sådana fingeravtryck in i Lund. Datan samlades framför allt in genom att cykla runt i Lund med en telefon fastspänd på styret, där telefonen skannade av signalmiljön varannan sekund. Det insamlade datasetet används därefter för att träna flera så kallade Artificiella Neurala Nätverk (ANN). Ett ANN består av ett antal sammankopplade lager med noder, likt en mänsklig hjärna, och kan lära sig att känna igen mönster i data.

En av utmaningarna i examensarbetet är hur man kan göra positioneringslösningen skalbar då ett enda globalt eller nationellt ANN skulle vara opraktiskt. Olika metoder undersöks för att begränsa det geografiska området som varje ANN täcker, bl.a. genom att skapa ett för varje mast som telefonen var uppkopplad mot. Två andra positioneringsmetoder, kallade Weighted Centroid Positioning (WCP) och Weighted k-Nearest Neighbors (WkNN), används också för att jämföra nätverkens resultat. WCP är en geometrisk metod där positionen uppskattas genom att beräkna ett viktat medelvärde med hjälp av mobilmasternas positioner. WkNN är en maskininlärningsmetod som används för att göra uppskattningar baserat på tidigare data. I examensarbetet så används metoden för att uppskatta en position genom att jämföra med liknande fingeravtryck och deras position.

Två olika dataset används för att jämföra och utvärdera de olika metoderna. Ett samlades in genom att resa med alla busslinjer i Lund, medan det andra består av 10 procent av datan som samlades in under cykelturerna. Det senare innehåller data som har större likheter med träningsdatan. Utvärderingen av metoderna visar att ANN och WkNN alltid är bättre än WCP. ANN presterar dessutom nästan alltid bättre än WkNN, speciellt på data som skiljer sig från träningsdatan. I vissa fall kunde de neurala nätverken nå fel på så lite som 26 meter, men oftast är felen ungefär 100 meter eller mer. Detta kan jämföras med GPS som ofta har ett fel på 5 meter eller 10-50 meter i svårare miljöer. Examensarbetets ANN kan därför inte användas för att ersätta GPS i situationer där det är viktigt med en precis position. Däremot skulle metoden kunna användas när man vill lokalisera enheter med svagare batteri eller i situationer när man endast är ute efter en ungefärlig position.

• author: Guggenheimer, Disa
• supervisor: Magnus Oskarsson
• organization: Mathematics (Faculty of Engineering)
• course: FMAM05 20232
• year: 2024
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering
• keywords: cell-ID, machine learning, ANN, positioning
• publication/series: Master’s Theses in Mathematical Sciences
• report number: LUTFMA-3563-2024
• ISSN: 1404-6342
• other publication id: 2024:E79
• language: English
• id: 9178930
• date added to LUP: 2024-12-20 09:35:42
• date last changed: 2024-12-20 09:35:42