🤖 AI

Graph-Based Floor Separation Using Node Embeddings and Clustering of WiFi Trajectories

تقدم هذه الورقة إطار عمل قائمًا على الرسوم البيانية ومعتمدًا كليًا على البيانات، يحقق فصلًا رأسيًا أعمى للطوابق في المباني متعددة الطوابق عبر نمذجة مسارات بصمات الواي فاي (Wi-Fi) كعُقد، وتعلم التضمينات الهيكلية عبر خوارزمية Node2Vec، وتطبيق تجميع K-Means مع تقدير تلقائي للمجموعات، وكل ذلك دون الحاجة إلى بيانات وصفية مسبقة للمبنى.

المؤلفون الأصليون: Rabia Yasa Kostas, Kahraman Kostas

نُشر 2026-02-03

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rabia Yasa Kostas, Kahraman Kostas

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تسير في مركز تسوق ضخم متعدد الطوابق. ليس لديك إشارة GPS، ولا خريطة، ولا تعرف حتى في أي طابق أنت. إشارات الـ Wi-Fi التي ترتد عن الجدران والأثاث تبدو متطابقة تقريبًا سواء كنت في الطابق الثالث أو الرابع. هذه هي مشكلة "التحديد الرأسي للموقع": معرفة في أي طابق أنت بمجرد الاستماع إلى إشارات الـ Wi-Fi.

تقترح هذه الورقة البحثية طريقة ذكية تعتمد على البيانات لحل هذا اللغز دون الحاجة إلى مخطط للمبنى أو معرفة عدد الطوابق مسبقًا. إليكم كيف فعلوا ذلك، مشروحًا ببساة:

١. المشكلة: "حساء الإشارات"

في المباني الكبيرة، تكون إشارات الـ Wi-Fi فوضوية. فهي تتسرب عبر الطوابق، وترتد عن الواجهات الزجاجية، وتختلط بسبب الأثاث. إذا نظرت فقط إلى قوة الإشارة في لحظة واحدة، فالأمر يشبه محاولة تخمين الغرفة التي أنت فيها في منزل ما من خلال شم قطرة واحدة من القهوة؛ إنه أمر غامض للغاية.

٢. الحل: تحويل الإشارات إلى "شبكة اجتماعية"

بدلاً من النظر إلى الإشارات واحدة تلو الأخرى، يعامل المؤلفون الرحلة بأكملها كأنها شبكة اجتماعية.

العُقد (الأشخاص): في كل مرة يسجل فيها الهاتف إشارة Wi-Fi، فإن الأمر يشبه شخصًا في حفلة.
الحواف (الصداقات): إذا انتقلت من مكان إلى آخر، فإن هاتين الإشارتين تعتبران "صديقتين". وإذا كانت إشارتان متشابهتان جدًا (حتى لو لم تمشِ بينهما)، فهما أيضًا "صديقتان".

من خلال ربط كل هذه الإشارات، يبنون خريطة صداقات عملاقة (رسم بياني/Graph).

٣. الخدعة السحرية: "تعلم الأجواء" (Node2Vec)

بمجرد الحصول على هذه الخريطة العملاقة، يستخدمون تقنية تُسمى Node2Vec. فكر في هذا كأنه محقق يتجول حول الحفلة، يراقب من يصاحب من.

بدلاً من مجرد النظر إلى من يقف بجانب من، يتعلم المحقق "الأجواء" (Vibe) لمجموعات مختلفة.
الأشخاص في الطابق الثالث قد يتجمعون في دائرة معينة، بينما الأشماء في الطابق الرابع يتجمعون في دائرة مختلفة، حتى لو بدا المكان متشابهًا.
تقوم الخوارزمية بتحويل هذه الدوكات الاجتماعية المعقدة إلى "بطاقات هوية" بسيطة وقصيرة (متجهات/Vectors) تلخص جوهر كل طابق.

٤. تجميع الأدلة (التجميع العنقودي - Clustering)

بمجرد حصول الجميع على "بطاقة هوية"، يستخدم الكمبيوتر أداة فرز بسيطة (K-Means) لتجميع الأشخاص الذين لديهم بطاقات هوية متشابهة.

النتيجة: ينتهي الأمر بكل "أشخاص الطابق الثالث" في كومة واحدة، وجميع "أشخاص الطابق الرابع" في كومة أخرى.
الجزء المذهل: يستنتج الكمبيوتر عدد هذه الكومات تلقائيًا. لا يحتاج أن يُقال له: "هناك ٥ طوابق". هو فقط ينظر إلى البيانات ويقول: "آه، أرى ٥ مجموعات متميزة".

٥. الاختبار: هل نجح الأمر؟

اختبر المؤلفون طريقتهم على مجموعتي بيانات مختلفتين من الواقع (إحداهما من تحدي جامعي والأخرى من معيار بحثي شهير).

المقارنة: وضعوا طريقتهم في مواجهة الطرق التقليدية القديمة لفرز البيانات (مثل التجميع البسيط أو الشبكات العصبية المعقدة).
النتيجة: كانت طريقتهم هي الفائزة بوضوح.
- في مجموعة البيانات الصاخبة والصعبة، حققت طريقتهم دقة تبلغ حوالي ٧٦٪، بينما حققت الطريقة التالية الأفضل حوالي ٥٠٪ فقط.
- في مجموعة البيانات الأخرى، كان أداؤهم يضاهي أداء استخدام القياسات الفيزيائية المثالية (مثل معرفة الارتفاع الدقيق لكل نقطة)، رغم أنهم استخدموا فقط إشارات الـ Wi-Fi.

٦. لماذا هي مميزة؟

لا حاجة للمخططات: لا تحتاج لمعرفة تخطيط المبنى أو عدد طوابقه؛ فالنظام يكتشف ذلك بنفسه.
لا تحتاج لحساسات إضافية: لا تتطلب أجهزة قياس الضغط الجوي (Barometers) أو مقاييس التسارع؛ فهي تستخدم فقط إشارات الـ Wi-Fi الموجودة بالفعل في هاتفك.
المتانة: حتى عندما تكون إشارات الـ Wi-Fi فوضوية أو عندما يحتوي المبنى على مساحات مفتوحة غريبة (مثل ردهة ضخمة)، لا تزال طريقة "الشبكة الاجتماعية" هذه قادرة على فصل الطوابق بشكل صحيح.

باختصار: حوّل المؤلفون كومة فوضوية من إشارات الـ Wi-Fi إلى شبكة اجتماعية، وتركوا للذكاء الاصطنا-ي مهمة تعلم "شخصية" كل طابق، ثم قاموا بفرزهم إلى مجموعات. إنها طريقة لمعرفة الطابق الذي أنت فيه بمجرد الاستماع إلى الـ Wi-Fi، دون الحاجة أبدًا لرؤية خريطة.

ملخص تقني: فصل الطوابق القائم على الرسوم البيانية باستخدام تضمين العقد وتجميع مسارات Wi-Fi

تعريف المشكلة
لا يزال التحديد الموضعي الرأسي، وتحديداً فصل الطوابق في البيئات الداخلية متعددة الطوابق، يمثل تحدياً كبيراً لأنظمة تحديد المواقع الداخلية (IPS). فخلافاً للأنظمة الخارجية القائمة على نظام GPS، تعاني البيئات الداخلية من عوائق الإشارة، وتداخل تعدد المسارات، وتسرب الإشارات بين الطوابق (خاصة في الأتريوم والمساحات المفتوحة)، مما يؤدي إلى تداخل أنماط الإشارة. تعتمد طرق بصمة Wi-Fi التقليدية غالباً على التعلم الخاضع للإشراف الذي يتطلب بيانات ضخمة مصنفة ومعرفة مسبقة بالمبنى (مثل المخططات الطابقية أو عدد الطوابق). علاوة على ذلك، تواجه الحلول المعتمدة على الأجهزة (مثل مقياس الضغط البارومتري أو وحدات قياس القصور الذاتي IMUs) مشكلات تتعلق بانحراف المعايرة وقابلية التوسع. تعالج هذه الورقة الحاجة إلى نهج معتمد بالكامل على البيانات، غير خاضع للإشراف، لفصل الطوابب بشكل أعمى (Blind Floor Separation) لا يتطلب أي معلومات مسبقة عن المبنى، ولا معرفة بعدد الطوابق، ويعتمد فقط على مسارات مؤشر قوة الإشارة المستلمة (RSSI) لشبكة Wi-Fi.

المنهجية
يصيغ الإطار المقترح عملية فصل الطوابق كمسألة تجميع رسوم بيانية (Graph Clustering) غير خاضعة للإشراف. وتمر المنهجية عبر المراحل التالية:

بناء الرسم البياني (Graph Construction):
- العقد (Nodes): يتم تمثيل كل بصمة Wi-Fi (وهي عبارة عن متجه من قيم RSSI من نقاط الوصول المرئية) كعقدة.
- الحواف (Edges): تلتقط الحواف كلاً من تشابه الإشارة وسياق الحركة المتسلسل.
  - الحواف الأفقية: تربط البصمات المتسلسلة ضمن مسار مستخدم واحد للحفاظ على الاستمرارية الزمنية.
  - الحواف الرأسية/الاصطناعية: في مجموعات البيانات التي تفتقر إلى تسميات الانتقال الرأسي الصريحة (مثل UJIIndoorLoc)، يتم إدخال حواف اصطناعية لضمان بقاء الرسم البياني مكوناً متصلاً واحداً، دون ترميز هوية الطابق أو الإشراف الرأسي.
- توزين الحواف (Edge Weighting): تمثل الأوزان مدى القرب بين البصمات. وتُقيم الدراسة ثلاث استراتيجيات:
  - الافتراضي (Default): تقديرات المسافة المشوشة المقدمة في مجموعات بيانات المسابقات.
  - تقدير المسافة القائم على Wi-Fi (WBDE): يتم إعادة حساب المسافات باستخدام نموذج تعلم آلي خاضع للإشراف مدرب على مجموعات بيانات تحديد المواقع الأفقية الخارجية (لضمان عدم تسرب البيانات من مهمة تصنيف الطوابق).
  - المعيار الذهبي الهندسي (Geometric Gold Standard): المسافات الإقليدية المستمدة من الإحداثيات الحقيقية (تُستخدم فقط لمجموعة UJIIndoorLoc كحد نظري أقصى).
تضمين العقد (Node Embedding):
- يستخدم الإطار تقنية Node2Vec لتعلم تضمينات متجهة منخفضة الأبعاد (ببعد $d=32$ ) للعقد. تستخدم Node2Vec مسارات عشوائية منحازة للموازنة بين البحث بالعمق (DFS) والبحث بالعرض (BFS)، مما يلتقط كلاً من التجانس المحلي والتكافؤ الهيكلي العالمي.
- كما تقارن الدراسة النتيات مع الشبكات العصبية الرسومية (GCN و GAT)، رغم أن الأخيرة تعتمد على تجميع الميزات الصريح الذي قد يكون عرضة لظاهرة "التنعيم المفرط" (Over-smoothing) في رسوم Wi-Fi المشوشة.
التجميع والتقدير (Clustering and Estimation):
- يتم تجميع التضمينات المتعلمة باستخدام خوارزمية K-Means.
- التقدير التلقائي للمجموعات (Automatic Cluster Estimation): لتحديد عدد الطوابق ( $k$ ) دون معرفة مسبقة، يستخدم النظام مؤشر Calinski-Harabasz (CH). تقوم الخوارزمية بتقييم $k$ بشكل تكراري ضمن نطاق [3, 20] (بناءً على قيود تحدي هواوي) وتختار قيمة $k$ التي تعظم نسبة التشتت بين المجموعات إلى التشتت داخل المجموعة الواحدة.
التقييم (Evaluation):
- بما أن الطريقة غير خاضعة للإشراف، يتم استخدام مخطط تصويت بالأغلبية لاحقاً لربط المجموعات المجهولة بملصقات الطوابق الفيزيائية لحساب المقاييس.
- يتم قياس الأداء باستخدام دقة الخرائط (Mapped Accuracy)، ودرجة F1 الموزونة، ومعامل راند المعدل (ARI)، والمعلومات المتبادلة المعيارية (NMI)، ونقاء المجموعات (Cluster Purity).
- يتم ضمان المتانة الإحصائية عبر 1,000 تكرار من طريقة Bootstrap.

مجموعات البيانات
يتم تقييم الإطار على مجموعتي بيانات متميزتين:

تحدي جامعة هواوي 2021: مجموعة بيانات واسعة النطاق تحتوي على مسارات مشي مستمرة وتقديرات مسافة مشوشة.
UJIIndoorLoc: مجموعة بيانات مرجعية تغطي ثلاثة مبانٍ. أعاد المؤلفون هيكلة هذه المجموعة لتوليد مسارات من بصمات منفصلة، مع اعتبار مجموعات التدريب والتحقق كتجارب مستقلة لاختبار القدرة على التعميم.

النتائج الرئيسية

التفوق على النماذج المرجعية: تفوق مسار Node2Vec + K-Means المقترح بشكل كبير على خوارزميات كشف المجتمعات التقليدية (Louvan, Leiden, Infomap, Label Propagation, Fast Greedy) والنماذج القائمة على الشبكات العصبية الرسومية (GCN, GAT).
- في مجموعة بيانات هواوي (باستخدام مسافات WBDE)، حققت الطريقة المقترحة دقة بنسبة 76.60% (بفاصل ثقة 95% [0.739, 0.806])، متفوقة بشكل حاسم على أفضل نموذج مرجعي (GAT بنسبة 50.2%).
- في مجموعة بيانات UJIIndoorLoc، حققت الطريقة دقة بنسبة 66.1% على مجموعة التدريب و 59.4% على مجموعة التحقق، متفوقة بشكل كبير على النماذج المرجعية التي غالباً ما كانت تقل عن 25% في مجموعة التحقق.
تأثير تقدير المسافة: أدى استبدال المسافات الافتراضية المشوشة بتقديرات WBDE إلى تحسين الأداء بشكل كبير (من 69.3% إلى 76.6% في هواوي)، مما يؤكد أن طوبولوجيا الرسم البياني الأكثر نقاءً أمر بالغ الأهمية للتجميع.
التكافؤ مع الهندسة: أحد النتائج الرئيسية هو أنه في مجموعة بيانات UJIIndoorLoc، كان أداء التجميع باستخدام المسافات المشتقة حصرياً من الإشارة (WBDE) غير متمايز إحصائياً عن نتائج "المعيار الذهبي" التي تم الحصول عليها باستخدام المسافات الهندسية الحقيقية. يشير هذا إلى أن الطريقة يمكنها استعادة التخطيطات الهيكلية الفيزيائية من بيانات RSSI وحدها.
السلامة الهيكلية: بينما حققت الخوارزميات التقليدية نقاءً عالياً للمجموعات (غالباً >90%)، إلا أنها عانت من تجزئة مفرطة شديدة (ARI يقترب من الصفر)، وفشلت في تحديد مجتمعات متماسكة على مستوى الطابق. حافظ نهج Node2Vec على درجات ARI عالية (مثلاً 0.669 في هواوي)، مما يشير إلى نجاحه في التقاط الاتساق الهيكلي العالمي.

الأهمية والادعاءات
يزعم البحث أن مساهمته الأساسية هي تقديم حل قابل للتوسع ومستقل عن الأجهزة لتحديد المواقع الرأسية، والذي يلغي الاعتماد على البيانات الوصفية الخاصة بالمبنى أو البيانات التدريبية المصنفة.

القدرة غير الخاضعة للإشراف: نجحت الطريقة في إجراء فصل أعمى للطوابق، مع تقدير عدد الطوابق وتقسيم المسارات دون معرفة مسبقة بتخطيط المبنى.
المتانة تجاه الضجيج: من خلال الاستفادة من تعلم تمثيل الرسوم البيانية (Node2Vec) بدلاً من تجميع الميزات المباشر (GNNs) أو تحسين المودولارية المحلية، فإن الإطار يتميز بالمتانة تجاه الضوضاء والتقلبات الإشارية المتأصلة في بيئات Wi-Fi.
القدرة على التعميم: أظهر النهج أداءً متسقاً عبر مقاييس معمارية مختلفة ومنهجيات جمع بيانات متنوعة (المسارات المستمرة مقابل البصمات المنفصلة المعاد بناؤها).
العملية: يعتمد الإطار فقط على بيانات بصمة Wi-Fi القياسية، مما يجعله قابلاً للتطبيق على البنية التحتية اللاسلكية الحالية دون الحاجة إلى مستشعرات إضافية (مثل مقاييس الضغط) أو معايرة معقدة.

يخلص المؤلفون إلى أنه بينما يعزز جودة تقدير المسافة (عبر WBDE) الأداء، فإن القيمة الجوهرية تكمكمن في قدرة الإطار القائم على التضمين على استعادة الهيكل الإنشائي للمباني متعددة الطوابق ذاتياً من بيانات الإشارة المشوشة وحدها.