När det gäller positionering inomhus misslyckas GPS med att bestämma positioner, och den alternativa lösningen är att använda andra tekniker som Wi-Fi-fingeravtryckssystem för inomhuspositionering (Wi-Fi-FPIPS) baserat på mottagen signalstyrka indikator (RSSI), vilket är en effektiv lösning på grund av närvaron av Wi-Fi-enheter i nästan alla slutna områden och avsaknaden av behov av ytterligare utrustning. K-Nearest Neighbor (KNN) är en av de mest använda algoritmerna inom Wi-Fi-FPIPS, uppskattad för sin enkelhet och starka empiriska noggrannhet. Standard-KNN kan dock kämpa med stora fingeravtrycksdatabaser och ojämna signalfördelningar, vilket leder till ökad beräkningstid och försämrad prestanda i komplexa miljöer.

För att hantera dessa utmaningar har flera studier föreslagit att dela upp fingeravtrycksutrymmet i delregioner – vilket visar att regionsbaserad KNN inte bara accelererar sökprocessen utan också ofta ger mer exakta positionsuppskattningar. I denna studie utvärderas fyra maskininlärningsbaserade (ML) klusteralgoritmer (K-Means, DBSCAN, Gaussian Mixture Model och Agglomerative Clustering) för att bestämma den optimala regionbildningen för Wi-Fi-fingeravtryckssystem i syfte att använda dessa regioner i en regionbaserad K-Nearest Neighbor algoritm (RB-KNN), istället för den fördefinierade metoden för regionbildning med Wi-Fi-fingeravtryck. Denna RB-KNN-algoritm utvärderades i en tidigare studie som genomfördes vid Högskolan Väst, tillsammans med tre andra KNN-algoritmer och uppnådde de bästa prestandamåtten vad gäller noggrannhet och beräkningskostnad. De viktigaste nyckelmåtten som används i denna studie inkluderar klusternoggrannhet, beräkningskostnad och positioneringsnoggrannhet.

Resultaten visar att K-Means presterar bäst när det gäller regionbildning, med tio kluster och en väl separerad Wi-Fi-fingeravtryckssegmentering, med den högsta klusternoggrannheten (silhuettpoäng = 0,4430) och en klustertid på 0,0362 s. Det genomsnittliga positioneringsfelet var 5,6 m och positioneringstiden 0,0006 s för K = 5, vilket indikerar en förbättring på 21,1 % i positioneringsnoggrannhet och en 94 % snabbare beräkningstid jämfört med den traditionella RB-KNN-algoritmen, som uppnådde ett genomsnittligt fel på 7,1 m och en beräkningstid på 0,01 s. GMM och Agglomerative uppnådde också silhuettpoäng 0,3913 respektive 0,4336 med klustertider på 0,0310 s och 0,0223 s, och genomsnittliga positioneringsfel på 4,56 m och 4,4 m – vilket uppnådde förbättringar på 36 % respektive 37,5 % och genomsnittliga beräkningstider på 0,0003 s för båda algoritmerna, medan DBSCAN uppnådde inga förbättringar jämfört med RB-KNN, förutom en snabbare beräkningstid.

Tillsammans visar dessa resultat att användning av ML-baserad klustring för regionbildning leder till betydande förbättringar i både positioneringsnoggrannhet och beräkningseffektivitet för regionbaserade KNN, vilket gör det till en lovande metod för praktiska Wi-Fi-fingeravtryckssystem för inomhuspositionering.

When it comes to positioning indoors, GPS fails to determine positions, and the alternative solution is to use other techniques such as Wi-Fi fingerprinting indoor positioning systems (Wi-Fi-FPIPS) based on received signal strength indicator (RSSI), which is an effective solu-tion due to the presence of Wi-Fi devices in almost all enclosed areas and the lack of need for additional equipment. K-Nearest Neighbor (KNN) is one of the most widely adopted algorithms in Wi-Fi-FPIPS, prized for its simplicity and strong empirical accuracy; however, standard KNN can struggle with large fingerprint databases and uneven signal distributions, leading to increased computation time and degraded performance in complex environments.

To address these challenges, several studies have proposed dividing the fingerprint space into subregions—showing that region-based KNN not only accelerates the search process but also often yields more precise location estimates. In this study, four machine-learning (ML)-based clustering algorithms (K-Means, DBSCAN, Gaussian Mixture Model and Agglomer-ative Clustering) are evaluated to determine the optimal region formation for Wi-Fi finger-printing systems in order to use these regions in a region-based K-Nearest Neighbor algo-rithm (RB-KNN), instead of the predefined Wi-Fi fingerprinting region formation method. This RB-KNN algorithm was evaluated in a previous study that was conducted at University West, together with three other KNN algorithms and achieved the best performance measures in terms of accuracy and computational cost. Main key metrics used in this study include clustering accuracy, computational cost and positioning accuracy.

The results show that K-Means performs best in terms of region formation, providing ten clusters and a well-separated Wi-Fi fingerprinting segmentation, with the highest clustering accuracy (silhouette score = 0.4430) and a clustering time of 0.0362 s. Average positioning error was 5.6 m and positioning time 0.0006 s for K = 5—indicating a 21.1 % improvement in positioning accu-racy and a 94 % faster computational time compared to the traditional RB-KNN algorithm, which achieved 7.1 m average error and 0.01 s computational time. GMM and Agglomerative also achieved silhouette scores 0.3913 and 0.4336, respectively with clustering times of 0.0310 s and 0.0223 s, and average positioning errors of 4.56 m and 4.4 m—reaching 36 % and 37.5 % improvements and average computational times of 0.0003 s for both algorithms, while DBSCAN achieved no improvements compared to RB-KNN, except a faster compu-tational time.

Together, these findings demonstrate that employing ML-based clustering for region formation leads to substantial improvements in both positioning accuracy and com-putational efficiency of region-based KNN, making it a promising approach for practical Wi-Fi fingerprinting indoor positioning systems.