臺灣博碩士論文加值系統

使用者定位功能於智慧型行動裝置的應用中，扮演著極為重要之角色。過去使用者定位功能主要仰賴著全球定位系統（GPS, Global Positioning System）。但由於使用GPS系統來進行定位，一直存在著高耗電量與室內無法定位之問題。因此近年來，若干研究投入利用Wi-Fi熱點來做為定位系統的參考依據。然而現有的Wi-Fi熱點定位技術主要基於將Wi-Fi熱點視為固定裝設之假設，但這項假設在現實環境中不全為真，例如：隨著使用行動上網人口的日益增加，利用行動裝置進行移動式Wi-Fi熱點分享功能來分享網際網路的情形也不為少見。有鑑於移動式Wi-Fi熱點會對現有之Wi-Fi熱點定位技術，視Wi-Fi熱點為固定安裝之假設產生極大的干擾。因此，如何精準地偵測出移動式Wi-Fi熱點，避免其造成後續Wi-Fi定位技術上之干擾，便成為一關鍵且值得研究之議題。本研究中我們將移動式Wi-Fi熱點偵測之問題，轉化為一圖形模型（Graph Model），並提出使用圖形節點中介值（Betweenness Centrality）為參考指標，來偵測移動式Wi-Fi熱點。但由於受到相鄰近的Wi-Fi熱點，容易產生彼此間訊號重疊的干擾，進而影響了本研究中對移動式Wi-Fi熱點的偵測結果。對此，我們從實際的觀察中發現，由於Wi-Fi熱點受到訊號發射距離的限制，因此在相鄰近的時間點內，同時可被觀察到的Wi-Fi熱點，彼此間將不會距離彼此太遠的距離。我們針對此項特性，利用設定一個固定的時間區間值，將位於時間區間值內所能觀察到的Wi-Fi熱點，依時間先後順序逐次予以滑動合併，並將此合併後的結果重新轉化成另一新的圖形模型，再次依中介值指標的計算結果來偵測移動式Wi-Fi熱點。經實驗後證明，本方法確實可解決因Wi-Fi熱點訊號相互重疊時對研究結果產生的干擾，並可有效地偵測出移動式Wi-Fi熱點。

The user positioning system plays a critical role in the application of smart gadgets. In the past, most of the user positioning functions rely on the GPS. However, using the GPS for user positioning comes along with the problems of high power consumption and the difficulty of positioning indoor locations. Therefore, in recent years, an increasing number of researchers begins to utilize Wi-Fi hotspot for user positioning. The existing Wi-Fi hotspot positioning technology is assumed that Wi-Fi hotspot is installed at a fixed location. However, in the real world, not all Wi-Fi hotspots are fixed installed. With the popularity of mobile device and the demands of internet surfing, it is a commonplace that the people share their internet connection via mobile devices to their friends. The mobile devices sharing internet connection becomes a kind of portable Wi-Fi hotspot. The portable Wi-Fi hotspots become interference for the existing Wi-Fi based positioning technology. As a result, precisely detecting the portable Wi-Fi hotspot turns out to be an important issue. To detect portable Wi-Fi hotspot, in this study, we propose to model the problem by a graph model, and then employ the Betweenness Centrality measure as a referential standard to detect the portable Wi-Fi hotspot. With the graph model view, we propose schemes to address the problem of detecting portable Wi-Fi hotspot problem. The experiments with real Wi-Fi trace logs are conducted and the experiment results demonstrate the effectiveness of the proposed schemes.

目錄
誌謝 i
摘要 ii
Abstract iii
目錄 iv
圖目錄 vi
表目錄 vii
第一章 緒論 1
1.1 研究背景及動機 1
1.2 研究目的 2
1.3 主要貢獻 3
1.4 論文架構 4
第二章 相關研究 5
第三章 系統架構與方法 7
3.1 系統架構 8
3.2 資料預處理 10
3.3 資料圖形化 12
3.4 中介值計算 18
3.5 Scope Limitation影響 20
3.6 Temporal Fusion 21
3.7 時間區間值的設定 25
3.8 結果排序 26
第四章 結果與分析 27
4.1 開發工具與實驗環境 27
4.2 建立移動式Wi-Fi熱點資料庫 28
4.3 中介值實驗結果 28
4.4 Temporal Fusion實驗結果 32
4.5 資料收集上的困難 36
4.5.1 合併實驗者資料實驗 37
4.5.2 刪除雜訊 37
4.5.2.1 未刪除雜訊實驗結果 38
4.5.2.2 刪除雜訊後實驗結果 39
4.5.3 合併實驗者實驗結果 40
4.6 非候選AP驗證 42
第五章 結論與未來研究方向 45
5.1 結論 45
參考文獻 46

 
圖目錄

圖1 Wi-Fi熱點觀察示意圖 7
圖2 系統架構圖 8
圖3 群組關係示意圖 10
圖4 群組資料轉換示意圖 14
圖5 群組資料圖形化示意圖 14
圖6 合併群組資料示意圖 15
圖7 合併群組資料圖形化示意圖 16
圖8 圖形模型示意圖 17
圖9 Scope Limitation影響 21
圖10 Temporal Fusion方法 22
圖11 Temporal Fusion資料合併流程圖 23
圖12 Scope Limitation合併示意圖 24
圖13 Wi-Fi熱點影響範圍示意圖 25
圖14 中介值實驗結果 31
圖15 中介值與度中心值實驗結果比較 32
圖16 誤判為移動式Wi-Fi熱點示意圖 35
圖17 雜訊與移動式Wi-Fi熱點示意圖 38

 
表目錄

表1 觀測資料範例 11
表2 對應編號表 13
表3 開發工具與環境介紹 27
表4 中介值結果排名範例 29
表5 移動式Wi-Fi熱點判斷分析表 30
表6 單人Temporal Fusion τ＝30秒實驗結果 33
表7 單人Temporal Fusion τ＝1分鐘實驗結果 34
表8 單人Temporal Fusion τ＝2分鐘實驗結果 34
表9 單人Temporal Fusion τ＝3分鐘實驗結果 34
表10 未刪除雜訊實驗結果 39
表11 刪除雜訊後實驗結果 39
表12 合併實驗者Temporal Fusion τ＝30秒實驗結果 40
表13 合併實驗者Temporal Fusion τ＝1分鐘實驗結果 41
表14 合併實驗者Temporal Fusion τ＝2分鐘實驗結果 41
表15 合併實驗者Temporal Fusion τ＝3分鐘實驗結果 42
表16 特定SSID挑選規則 43
表17 特定SSID實驗結果 44
 

參考文獻
[1]張建彥、吳宗修、王森豐、郭明仁，交叉路口高齡者與孩童步行速率之調查與分析，都市交通半年刊，2010.
[2]Y. Chon, E. Talipov, and H. Cha, "Autonomous Management of Everyday Places for a Personalized Location Provider," IEEE SMC, 2012.
[3]P. Prasithsangaree, P. Krishnamurthy, and P. K. Chrysanthis, "On Indoor Position Location with Wireless Lans," in PIMRC, 2002.
[4]Y. Chon, N. D. Lane, F. Li, H. Cha, and F. Zhao, "Automatically Characterizing Places with Opportunistic Crowdsensing Using Smartphones," in UbiComp, 2012.
[5]O. Dousse, J. Eberle, and M. Mertens, "Place Learning Via Direct WiFi Fingerprint Clustering," in MDM, 2012.
[6]Y. Jiang, X. Pan, K. Li, Q. Lv, R. P. Dick, M. Hannigan, and L. Shang, "ARIEL: Automatic Wi-Fi Based Room Fingerprinting for Indoor Localization," in UbiComp,2012.
[7]D. H. Kim, Y. Kim, D. Estrin, and M. B. Srivastava, "SensLoc: Sensing Everyday Places and Paths Using Less Energy," in SenSys,2010.
[8]T. M. T. Do, and G. P. Daniel, "The Places of Our Lives: Visiting Patterns and Automatic Labeling from Longitudinal Smartphone Data," IEEE Transactions on Mobile Computing, 2014.
[9]D. H. Kim, K. Han, and D. Estrin, "Employing User Feedback for Semantic Location Services," in UbiComp, 2011.
[10]H. Wang, S. Sen, A. Elgohary, M. Farid, M. Youssef, and R. R. Choudhury, "No Need to War-Drive: Unsupervised Indoor Localization," in MobiSys, 2012.
[11]L. C. Freeman, "Centrality In Social Networks Conceptual Clarification," Social Networks Volume 1, Issue 3, pp.215-239, 1979.