whereami

利用WiFi信号和机器学习（sklearn的随机森林）来预测你的位置。即使在2-10米这样的小距离内也能准确工作。

你的电脑能够分辨出你是在沙发1号还是沙发2号上。

跨平台

支持OSX、Windows和Linux（已在Ubuntu/Arch Linux上测试过）。

在此过程中还创建了access_points包，用于跨平台扫描WiFi网络。通过命令行使用access_points，你可以自行扫描WiFi并获得JSON格式的输出。whereami正是基于此构建的。

安装

pip install whereami

使用方法

# 在卧室采集样本
whereami learn -l bedroom

# 在厨房采集样本
whereami learn -l kitchen

# 查看已学习的位置列表
whereami locations

# 基于历史数据的交叉验证准确率
whereami crossval
# 0.99319

# 在其他应用中使用，例如将最可能的答案输出到语音：
whereami predict | say
# 计算机语音说：“bedroom”

# 各类别的概率分布
whereami predict_proba
# {"bedroom": 0.99, "kitchen": 0.01}

如果你想删除最近的一些记录，或者整体数据，请访问你的$USER/.whereami文件夹。

Python接口

所有功能同样可以通过Python调用。通常可以直接导入相关命令：

from whereami import learn
from whereami import get_pipeline
from whereami import predict, predict_proba, crossval, locations

精度

k 一般来说，它应该表现得非常好。我在家里仅用7个接入点就完成了学习（可通过access_points -n进行测试）。而在一些机构中，接入点数量可能会超过70个。

距离：任何约10米或更远的距离都能达到99%以上的准确率。

如果你愿意尝试更具挑战性的任务，比如区分沙发1号和沙发2号（相距仅2米），那么最可靠的方法是交替切换地点并依次训练。例如，先在A点训练，再转到B点，然后再回到A点继续训练。如果直接在A点训练后立即在B点进行预测，通常会得到B点的结果。不过不用担心，这种时间上的过拟合效应会随着时间推移而消失。实际上，这主要只对非常短的距离才有影响。只需在两个地点分别采集一段时间的数据，系统就会变得非常稳健。

高度：令人惊讶的是，垂直方向上的位置差异通常比水平方向上的差异更为明显。

相关项目

• wherearehue项目可以根据学习到的位置信息来控制飞利浦Hue智能灯泡的开关。

几乎完全“复制”自：

https://github.com/schollz/find

该项目最初是用Python编写的，但现在已改用Go语言。而whereami则是在总结经验的基础上，继续以Python实现。

测试

可以使用tox工具在本地运行针对Python 2.7、3.4和3.5的测试。

git clone https://github.com/kootenpv/whereami
cd whereami
python setup.py install
tox

whereami 快速上手指南

whereami 是一个利用 WiFi 信号和机器学习（随机森林算法）来预测你当前位置的开源工具。它精度极高，甚至能区分相距 2-10 米的不同位置（例如区分客厅的两张沙发）。支持 macOS、Windows 和 Linux。

环境准备

• 操作系统：macOS (OSX)、Windows、Linux (已在 Ubuntu/Arch Linux 上测试)。
• 前置依赖：
  • Python 环境（支持 Python 2.7, 3.4+）。
  • 需要能够扫描周围 WiFi 信号的权限。
  • pip 包管理工具。
• 硬件要求：无需额外硬件，使用电脑自带的无线网卡即可。周围至少需要有几个可检测到的 WiFi 接入点（AP），通常 7 个以上效果最佳。

安装步骤

使用 pip 直接安装即可。国内用户建议使用清华或阿里镜像源以加速下载。

# 使用默认源安装
pip install whereami

# 或者使用国内镜像源加速安装（推荐）
pip install whereami -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

使用前，请先走到不同的房间或位置进行“训练”，让模型学习该位置的 WiFi 信号特征。

1. 采集数据（训练）

走到第一个位置（例如卧室），运行以下命令采集样本：

whereami learn -l bedroom

走到第二个位置（例如厨房），再次运行命令采集样本：

whereami learn -l kitchen

提示：为了提高短距离（如 2 米内）的区分度，建议交替在不同位置多次采集数据（例如：卧室 -> 厨房 -> 卧室 -> 厨房）。

2. 查看已学习的位置

查看当前模型已记录的所有位置标签：

whereami locations

3. 验证准确率

使用历史数据进行交叉验证，查看模型预测的准确率：

whereami crossval
# 输出示例：0.99319 (表示 99.3% 的准确率)

4. 预测当前位置

让工具判断你当前所在的位置：

# 输出最可能的位置名称
whereami predict

# 获取每个位置的概率分布
whereami predict_proba
# 输出示例：{"bedroom": 0.99, "kitchen": 0.01}

5. 数据管理

所有学习到的数据存储在用户主目录下的 .whereami 文件夹中。如需重置或删除数据，可直接操作该目录：

# 查看数据文件路径 (通常为 $USER/.whereami)
# 手动删除该文件夹即可清空所有学习记录

Python 代码调用

你也可以在 Python 脚本中直接调用其功能：

from whereami import learn
from whereami import predict, predict_proba, crossval, locations

# 示例：在代码中采集数据
# learn('bedroom') 

# 示例：预测位置
print(predict())