استفاده از يادگيري ماشين براي مكان‌يابي داخلي براساس فناوري بيكن در كاربرد تبليغات محيطي هوشمند

Beacon-based Indoor Positioning using Machine Learning in Smart Proximity Marketing

با همه‌گير شدن تلفن‌هاي همراه هوشمند، راهكارهاي هوشمند براي مسائل مختلف ارائه شده است. امروزه، با توجه به حجم زياد تبليغات محيطي، تاثير آن بر مخاطب كاهش پيدا كرده است. تلفن‌هاي هوشمند به دليل امكان شخصي‌سازي، ابزار مناسب و جديدي براي نمايش و افزايش اثرگذاري اين نوع تبليغات مي‌باشد. تبليغات محيطي در خارج از خانه‌ي مخاطب و در محل حضور وي در مكان‌هاي بسته‌اي مانند فروشگاه‌ها و به‌صورت آني، در تلفن همراه كاربر نمايش داده مي‌شود. يكي از چالش‌هاي موجود، محاسبه‌ي مكان دقيق كاربر به دليل عدم كاركرد صحيح GPS در مكان‌هاي بسته مي‌باشد. در اين مقاله، راهكاري جهت نمايش تبليغات محيطي هوشمند به كاربر، در قالب يك سرويس مبتني بر مكان، ارائه شده است. روش پيشنهادي شامل راه حلي براي مبارزه با نويز و نوسان سيگنال‌ها، ارسال و دريافت اطلاعات از طريق دستگاه‌هاي بيكن مجهز به تكنولوژي بلوتوث كم مصرف (BLE) و در نهايت ساخت يك مدل كارآمد با استفاده از الگوريتم‌ يادگيري ماشين درخت تصميم است. با توجه به نتايج پياده‌سازي، مكان‌يابي داخلي با دقت 1 متر و 13 سانتي‌متر در محدوده‌ي مشخص‌شده و فقط با 8 دستگاه بيكن حاصل شده‌است و در 98 درصد مواقع، نقطه‌ي پيش‌بيني شده صحيح است.

With the proliferation of smartphones, smart solutions to various problems have been provided. Today, due to the large volume of out-of-home advertising, its impact on the audience has decreased. Smartphones are a suitable and new tool to display and increase the effectiveness of this type of advertising because of their power of customization. Out-of-home advertisements are displayed instantly on the user s mobile phone when being in indoor places such as stores. One of the challenges is to calculate the exact location of the user in indoor places due to improper functionality of GPS signals. In this article, an indoor location-based solution using BLE beacon signals is proposed. The proposed method includes decreasing signal fluctuation, send and receive data simultaneously through beacon devices equipped with low-power Bluetooth (BLE) technology, and finally build an efficient model to predict the user location using decision tree algorithms. According to the implementation results, the indoor positioning is achieved with an accuracy of 1 meter and 13 cm within a specified range and with only 8 beacons, and in 98% of cases, the predicted point is correct.