issai/WiFine

WiFine数据集是一个细粒度的顺序WiFi信号强度数据集，包含在纳扎尔巴耶夫大学C4楼3层收集的290个轨迹。数据集记录了每5秒一次的WiFi接收信号强度（RSS）值以及相应的三维位置坐标。该数据集分为训练集、验证集和测试集，适用于室内定位研究。

WiFine is a finer-level sequential dataset of WiFi received signal strengths (RSS) containing 290 trajectories collected across 3 floors of the C4 building of Nazarbayev University. The RSS values along with the corresponding position coordinates (x,y,z) are recorded every 5 seconds. The dataset is divided into training, validation, and test sets, suitable for indoor localization research.

搜集汇总

数据集介绍

构建方式

在室内定位研究领域，WiFine数据集通过系统化的数据采集流程构建而成。研究团队在纳扎尔巴耶夫大学C4建筑的三层楼内，部署了436个无线接入点，覆盖面积达9564平方米。数据采集过程中，沿着290条预设轨迹，以约5秒为间隔记录接收信号强度值及其对应的三维坐标，最终形成包含25790个参考点的序列化数据集。

特点

该数据集以细粒度序列化为核心特征，每条轨迹均包含时间连续的信号强度序列与空间坐标的精确对应。数据规模涵盖训练集18975个样本、验证集3034个样本及测试集3781个样本，轨迹总长度达42765米，时间跨度超过15万秒。其多层建筑结构与密集接入点分布，为研究信号传播的时空特性提供了丰富维度。

使用方法

使用者可通过GitHub仓库获取标准化数据接口，按照训练、验证、测试划分直接加载序列化样本。每个样本包含时间戳、信号强度向量及三维坐标标签，适用于序列建模与时空预测任务。建议采用滑动窗口技术处理连续轨迹，并注意不同楼层间的信号衰减差异对模型泛化能力的影响。

背景与挑战

背景概述

随着物联网与智能感知技术的蓬勃发展，室内定位成为增强现实、智能导航及位置服务等应用的核心支撑。WiFine数据集由纳扎尔巴耶夫大学IS2AI研究团队于2021年创建，旨在解决基于WiFi接收信号强度的细粒度序列化室内定位问题。该数据集通过采集三层建筑内290条轨迹的时序信号与坐标数据，为模型训练提供了高时空分辨率的基准，推动了定位算法从区域级向米级乃至亚米级精度的演进，对普适计算与位置感知研究产生了显著影响。

当前挑战

在室内定位领域，WiFi信号易受多径效应、动态障碍物及环境干扰，导致定位精度受限，WiFine数据集致力于提升细粒度序列定位的鲁棒性与准确性。构建过程中，研究团队面临多重挑战：需在复杂建筑结构中部署436个无线接入点并确保信号覆盖均匀；同时，时序数据采集需协调轨迹规划、设备同步与坐标标注，以维持每5秒一次的高频采样一致性；此外，数据标注依赖精细的坐标映射，任何时空偏差都可能影响模型的泛化性能。

常用场景

经典使用场景

在室内定位研究领域，WiFine数据集以其精细的时序WiFi接收信号强度（RSS）数据，为基于机器学习的定位算法提供了关键支撑。该数据集通过记录用户在多层建筑中的移动轨迹，结合436个无线接入点的信号变化，使得研究者能够模拟真实环境下的连续定位过程，从而优化序列预测模型，提升定位精度与鲁棒性。

衍生相关工作

基于WiFine数据集，衍生出多项经典研究工作，如结合循环神经网络（RNN）与注意力机制的序列定位模型，以及融合多传感器数据的混合定位算法。这些工作进一步拓展了WiFi信号在动态环境中的建模能力，推动了室内定位技术向更高精度与自适应方向发展，成为该领域的重要参考文献。

数据集最近研究

最新研究方向

在室内定位领域，WiFi信号强度（RSS）的精细化利用正成为研究热点。WiFine数据集以其细粒度时序特性，为基于深度学习的序列建模提供了关键支撑，推动了如Transformer和循环神经网络在位置预测中的创新应用。该数据集支持多楼层、大范围的轨迹分析，促进了跨场景自适应定位算法的开发，显著提升了复杂环境下的定位精度与鲁棒性。相关研究正融合多模态数据，探索WiFi信号与惯性传感器等的协同，以应对动态干扰，增强实际部署的可靠性，对智慧城市、物联网服务具有深远影响。