استفاده از یادگیری ماشین برای مکان‌یابی داخلی براساس فناوری بیکن در کاربرد تبلیغات محیطی هوشمند

با همه‌گیر شدن تلفن‌های همراه هوشمند، راهکارهای هوشمند برای مسائل مختلف ارائه شده است. امروزه، با توجه به حجم زیاد تبلیغات محیطی، تاثیر آن بر مخاطب کاهش پیدا کرده است. تلفن‌های هوشمند به دلیل امکان شخصی‌سازی، ابزار مناسب و جدیدی برای نمایش و افزایش اثرگذاری این نوع تبلیغات می‌باشد. تبلیغات محیطی در خارج از خانه‌ی مخاطب و در محل حضور وی در مکان‌های بسته‌ای مانند فروشگاه‌ها و به‌صورت آنی، در تلفن همراه کاربر نمایش داده می‌شود. یکی از چالش‌های موجود، محاسبه‌ی مکان دقیق کاربر به دلیل عدم کارکرد صحیح gps در مکان‌های بسته می‌باشد. در این مقاله، راهکاری جهت نمایش تبلیغات محیطی هوشمند به کاربر، در قالب یک سرویس مبتنی بر مکان، ارائه شده است. روش پیشنهادی شامل راه حلی برای مبارزه با نویز و نوسان سیگنال‌ها، ارسال و دریافت اطلاعات از طریق دستگاه‌های بیکن مجهز به تکنولوژی بلوتوث کم مصرف (ble) و در نهایت ساخت یک مدل کارآمد با استفاده از الگوریتم‌ یادگیری ماشین درخت تصمیم است. با توجه به نتایج پیاده‌سازی، مکان‌یابی داخلی با دقت 1 متر و 13 سانتی‌متر در محدوده‌ی مشخص‌شده و فقط با 8 دستگاه بیکن حاصل شده‌است و در 98 درصد مواقع، نقطه‌ی پیش‌بینی شده صحیح است.

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

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.