基于机器学习的NB-IoT无范围定位技术研究：超越WkNN的性能优化与复杂度权衡分析

《IEEE Journal of Indoor and Seamless Positioning and Navigation》：Range-Free Positioning in NB-IoT Networks by Machine Learning: Beyond Wk NN

本文针对NB-IoT网络中基于距离估计的定位方案存在精度低或不符合3GPP标准的问题，研究团队开展了基于机器学习（ML）的无范围定位技术研究。通过实验数据评估了WkNN、SVM、RF和ANN等五种ML策略的定位性能，发现在商用NB-IoT网络中，WkNN与ANN分别代表了性能与复杂度的两个极端，而结合预处理技术可实现中间权衡。该研究为低功耗物联网设备的精准定位提供了新思路，对GNSS拒止环境下的应用具有重要意义。

　　

在物联网（IoT）服务日益依赖位置信息的背景下，窄带物联网（NB-IoT）作为3GPP标准化的低功耗广域网络（LPWAN）技术，其定位能力成为研究热点。然而，现有基于距离估计的NB-IoT定位方案要么精度较低，要么缺乏对3GPP标准的完全兼容，难以满足实际应用需求。尤其在全球导航卫星系统（GNSS）信号拒止环境（如大型仓库）中，设备定位更是面临挑战。虽然机器学习（ML）方法近年来被提出作为潜在解决方案，但除加权k近邻（WkNN）外，多数研究仅停留在仿真环境验证阶段，缺乏实际网络环境下的性能评估。

为突破这一局限，研究团队在《IEEE Journal of Indoor and Seamless Positioning and Navigation》上发表了题为"Range-Free Positioning in NB-IoT Networks by Machine Learning: Beyond WkNN"的论文，系统评估了五种ML策略在商用NB-IoT网络中的定位性能。研究首次采用奥斯陆和罗马两座城市的大规模实验数据集，通过多维度性能指标对比，揭示了不同策略在精度与复杂度之间的权衡关系。

研究采用的关键技术方法包括：1）基于加权平均距离度量的WkNN算法；2）结合K均值聚类与支持向量机（SVM）/随机森林（RF）的分类模型；3）引入模糊c均值（FCM）软聚类与RF回归的混合策略；4）深度神经网络（ANN）结构优化。实验数据来源于真实NB-IoT网络测量，包含多运营商、多基站的参考信号接收质量（RSRQ）和信干噪比（SINR）等特征，通过70%-30%比例划分训练集与测试集进行验证。

研究结果

定位性能对比

WkNN（策略I）在奥斯陆数据集中实现15.67米平均误差，但在线计算时间达1.95秒。结合聚类与分类模型的策略II-IV将在线时间降低至0.2-0.38秒，误差增加约1米。ANN策略（策略V）在线时间仅0.09秒，但误差升至30.73米，表明其适用于低复杂度场景。主成分分析（PCA）预处理在保留95%方差时，能将特征维度从399降至102，但多数策略精度略有下降。

聚类参数优化

研究表明（图6），硬聚类策略（II-III）的定位误差随聚类数K增加而上升，而软聚类策略（IV）在K>5时误差显著降低至15.71米。模糊参数m=1.3时达到最优平衡，验证了软聚类对边界点定位的改善效果。

跨数据集验证

在罗马数据集上的验证显示（表III），WkNN类策略保持13.12-15.90米误差，但ANN策略未优化时误差达53.39米。经结构调整后，ANN误差降至39.19米，说明其性能高度依赖数据集特性与模型适配。

结论与讨论

本研究证实机器学习在NB-IoT无范围定位中具有可行性，其中WkNN在精度与可解释性方面表现最优，而ANN在计算效率上优势显著。策略IV通过软聚类与RF回归的结合，在保持精度的同时降低了聚类边界误差，为复杂环境定位提供了新思路。研究还发现，PCA预处理对多数策略的精度提升有限，但能有效降低计算复杂度；跨数据集测试揭示了模型泛化能力差异，WkNN类策略展现更强适应性。

该工作的重要意义在于：首次系统评估了ML定位策略在真实NB-IoT环境中的性能边界，为5G及后5G时代物联网定位技术演进提供了实验依据。开源数据集与代码的发布（Zenodo: 10.5281/zenodo.7674298）为后续研究奠定基础，而针对计算效率与精度的权衡分析，对资源受限的IoT设备部署具有实际指导价值。未来研究方向包括利用更大规模数据集优化ANN性能、探索迁移学习降低数据收集成本，以及增强模型在异构网络环境中的鲁棒性。