ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ВИЗНАЧЕННЯ МІСЦЕЗНАХОДЖЕННЯ ЛЮДЕЙ У ПРИМІЩЕННЯХ

А. І. Топольський; Є. А. Паламарчук

doi:10.31649/1997-9266-2025-178-1-92-103

Автор(и)

А. І. Топольський

Вінницький національний технічний університет ROR

Є. А. Паламарчук

Вінницький національний технічний університет ROR

DOI https://doi.org/10.31649/1997-9266-2025-178-1-92-103

Ключові слова

автоматизовані системи відвідуваності електронні навчальні системи машинне навчання методи класифікації методи регресії локалізація людей у приміщенні

Анотація

Досліджено проблему автоматизованої обробки даних для фіксації присутності студентів на заняттях. Запропоновано використовувати методи машинного навчання, адже вони дозволяють спрогнозувати місцезнаходження студентів в приміщеннях навіть за умов аномалій у даних. Вирішення цієї проблеми сприятиме підвищенню ефективності освітнього процесу та зменшення залежності від традиційних способів фіксації присутності, які потребують витрат часу та людських ресурсів.

Проведено експерименти з використанням різних методів машинного навчання для задач регресії та класифікації. Мірою для порівняння різних методів використано точність прогнозування.

Досліджено застосування таких методів регресії як SVR, LinearSVR, NuSVR, PLSRegression, KernelRidge, RidgeCV, BayesianRidge, DecisionTreeRegressor та ExtraTreeRegressor. Найкращу точність прогнозування отримано методами DecisionTreeRegressor, KernelRidgeRegression та ExtraTreeRegressor — 92,5, 93,9 та 95,5 % відповідно. Проте для методів регресії необхідні неперервні дані, такі як координати користувача, що обмежує їхнє використання в умовах, де технічні засоби не дозволять отримати такі дані.

Як альтернатива розглянуто методи класифікації, а саме: SVC, KNeighborsClassifier, DecisionTreeClassifier та RandomForestClassifier. Первинні результати показали нижчу точність у порівнянні з методами регресії, що зумовлено недостатньою репрезентативністю тренувальних даних. Для вирішення цієї проблеми застосовано покроковий алгоритм, який поступово прогнозує будівлю, поверх та конкретне приміщення. Такий алгоритм забезпечив значне підвищення точності. Найкращий результат показав метод RandomForestClassifier — 94,3 %.

Підсумовуючи зазначимо, що вибір методу машинного навчання залежить від використовуваних технічних засобів. Якщо вони дозволяють отримувати неперервні дані, такі як координати, оптимально використовувати методи регресії ExtraTreeRegressor, DecisionTreeRegressor або KernelRidgeRegression. Якщо ж неперервні дані неможливо отримати, то оптимально використовувати метод класифікації RandomForestClassifier із запропонованим покроковим алгоритмом.

351 236

Як цитувати

[1]

«ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ ВИЗНАЧЕННЯ МІСЦЕЗНАХОДЖЕННЯ ЛЮДЕЙ У ПРИМІЩЕННЯХ», Вісник ВПІ, вип. 1, с. 92–103, Лют 2025, doi: 10.31649/1997-9266-2025-178-1-92-103.

Завантажити посилання

Біографії авторів

автор А. І. Топольський, афіліація Вінницький національний технічний університет

аспірант кафедри автоматизації та інтелектуальних інформаційних технологій

автор Є. А. Паламарчук , афіліація Вінницький національний технічний університет

канд. техн. наук, доцент, професор кафедри автоматизації та інтелектуальних інформаційних технологій

Посилання

A. Ademola, T. E. Somefun, and A. Oluwabusola, “Web based fingerprint roll call attendance management system,” International Journal of Electrical and Computer Engineering (IJECE), vol. 9, no. 5, pp. 4364-4371, Oct. 2019. https://doi.org/10.11591/ijece.v9i5.pp4364-4371 .

А. І. Топольський, і Є. А. Паламарчук, «Аналіз практичних реалізацій автоматизованих систем ідентифікації студентів в електронних навчальних системах,» Вісник Вінницького політехнічного інституту, № 2, с. 61-70, 2024. https://doi.org/10.31649/1997-9266-2024-173-2-61-70 .

Ji-Hyun Yoo, “Study on Prediction of Attendance Using Machine Learning,” Journal of IKEEE, vol. 23, no. 4, pp. 1243-1249, 2019. https://doi.org/10.7471/ikeee.2019.23.4.1243 .

UjiIndoorLoc: An indoor localization dataset. [Electronic resource]. Available: https://www.kaggle.com/datasets/giantuji/UjiIndoorLoc/data .

International Conference on Indoor Positioning and Indoor Navigation (IPIN), Banff, AB, Canada, 13-16 October 2015. https://doi.org/10.1109/ipin.2015.7346747 .

E. Hossain, “Machine learning algorithms,” in Machine Learning Crash Course for Engineers, Cham: Springer Int. Publishing, 2023, pp. 117-140. https://doi.org/10.1007/978-3-031-46990-9_3 .

K. Tewari, S. Vandita, and S. Jain, “Predictive analysis of absenteeism in MNCS using machine learning algorithm,” in Lecture Notes in Electrical Engineering, Cham: Springer Int. Publishing, 2019, pp. 3-14. https://doi.org/10.1007/978-3-030-29407-6_1 .

D. Basak, S. Pal, and D. Patranabis, “Support Vector Regression,” Neural Information Processing – Letters and Reviews, vol. 11, no. 10, pp. 203-224, 2007.

I. Ali, “Machine Learning models and feature relevance for student grade prediction,” Journal of High School Science, vol. 8, no. 1, pp. 180-197, 2024.

I. Aqeel, “Location fingerprinting for IoT systems using machine learning.” dissert. Dr. Sc. (Eng.), Glasgow, Scotland, 2020. https://doi.org/10.48730/1jdb-6258 .

C. Wu, Z. Yang, and C. Xiao, “Automatic Radio Map Adaptation for Indoor Localization Using Smartphones,” IEEE Transactions on Mobile Computing, vol. 17, no. 3, pp. 517-528, 2018. https://doi.org/10.1109/tmc.2017.2737004 .

A. Höskuldsson, “PLS regression methods,” Journal of Chemometrics, vol. 2, no. 3, pp. 211-228, 1988. https://doi.org/10.1002/cem.1180020306 .

M. Welling, Kernel ridge regression: Notes for a lecture on machine learning. Toronto: University of Toronto, Department of Computer Science, 2013, 3 p.

P. Exterkate, et al., “Nonlinear forecasting with many predictors using kernel ridge regression,” International Journal of Forecasting, vol. 32, no. 3, pp. 736-753, 2016. https://doi.org/10.1016/j.ijforecast.2015.11.017 .

V. Siahaan, Data visualization, time-series forecasting, and prediction using machine learning with tkinter, Balige: BALIGE Publishing Ltd., 2023, 266 p.

Y. Jung, “Multiple predicting K-fold cross-validation for model selection,” Journal of Nonparametric Statistics, vol. 30, no. 1, pp. 197-215, 2017. https://doi.org/10.1080/10485252.2017.1404598 .

A. Verma, and M. Jain, “Mediation Analysis of Diabetes and Heart Diseases Influenced by Obesity Using Machine Learning Classifiers,” Austrian Journal of Statistics, vol. 53, № 5, pp. 90-111, 2024.

B.-W. Chen, et al., “Efficient multiple incremental computation for Kernel Ridge Regression with Bayesian uncertainty modeling,” Future Generation Computer Systems, vol. 82, pp. 679-688, 2018. https://doi.org/10.1016/j.future.2017.08.053 .

Judit Kunné Tamás, “Classification based Symbolic Indoor Positioning.” Doctoral dissertation, Debrecen, 2021, 127 p.

T. Aziz, and K. Insoo, “Enhancing Indoor Localization Accuracy through Multiple Access Point Deployment,” Electronics, vol. 13, no. 16, pp. 3307, 2024. https://doi.org/10.3390/electronics13163307 .

Dwi Arman Prasetya, et al., “Resolving the Shortest Path Problem using the Haversine Algorithm,” Journal of Critical Review, vol. 7, no. 1, pp. 62-64, 2020.

O. Renaud, and M.-P. Victoria-Feser, “A robust coefficient of determination for regression,” Journal of Statistical Planning and Inference, vol. 140, no. 7, pp. 1852-1862, 2010. https://doi.org/10.1016/j.jspi.2010.01.008 .

N. Singh, S. Choe, and R. Punmiya, “Machine Learning Based Indoor Localization Using Wi-Fi RSSI Fingerprints: an Overview,” IEEE Access, vol. 9, pp. 127150-127174, 2021. https://doi.org/10.1109/access.2021.3111083 .

J. Uddin, “UHF RFID antenna architectures and applications,” Scientific Res. Essays, vol. 5, no. 10, pp. 1033-1051, 2010.

W. Charoenruengkit, et al., “Position Quantization Approach with Multi-class Classification for Wi-Fi Indoor Positioning System,” in 2018 International Conference on Information Technology (InCIT), Khon Kaen, 24-26 October 2018. https://doi.org/10.23919/incit.2018.8584863 .

Z. Chunhong, J. Licheng, and L. Yongzhao, “Support vector classifier based on principal component analysis,” Journal of Systems Engineering and Electronics, vol. 19, no. 1, pp. 184-190, 2008. https://doi.org/10.1016/s1004-4132(08)60065-1 .

S. Dhanabal, Dr. S. Chandramathi, “A Review of various k-Nearest Neighbor Query Processing Techniques,” International Journal of Computer Applications, vol. 31, no. 7, pp. 14-22, 2011.

S. Milinković, and M. Maksimović, “Using Decision Tree Classifier for Analyzing Students’ Activitie,” JITA, Journal of Information Technology and Applications (Banja Luka), APEIRON, vol. 6, no. 2, pp. 82-95, 2013. https://doi.org/10.7251/jit1302087m .

Y. Wang, et al., “WiFi Indoor Localization with CSI Fingerprinting-Based Random Forest,” Sensors, vol. 18, no. 9, pp. 2869, 2018. https://doi.org/10.3390/s18092869 .

M. Sokolova, N. Japkowicz, and S. Szpakowicz, “Beyond Accuracy, F-Score and ROC: A Family of Discriminant Measures for Performance Evaluation,” AI 2006: Advances in Artificial Intelligence: Australian Joint Conference on Artificial Intelligence, Hobart, 4-8 December 2006, Heidelberg, 2006, pp. 1015-1021.

E. Schat, et al., “The data representativeness criterion: Predicting the performance of supervised classification based on data set similarity,” PLOS ONE, vol. 15, no. 8, pp. 1-16, 2020. https://doi.org/10.1371/journal.pone.0237009 .