一種本地生活場景下的到店檢測方案設計

摘要：隨著本地生活服務的快速發展，人們對配送人員的實時定位需求日益增長。文章提出了一種零成本到店檢測方案，通過結合虛擬信標等物聯網技術，利用騎手配送過程中無感采集的Wi-Fi信號，構建商戶的指紋模型，進而實現店鋪級別精確定位。與已有方法相比，該方案無需昂貴的硬件部署和大量的人工打標，有效降低了定位成本，提高了騎手配送過程中到店檢測的精度。目前，該方案對應的系統已成功部署到線上，覆蓋了全國300多個城市的200萬商戶，每天為近2000萬份訂單提供了到店相關的數據支持。

關鍵詞：室內定位；無線傳感器網絡；虛擬信標；物聯網

中圖分類號：TN92;TP212 "文獻標志碼：A

0 引言

隨著移動互聯網和智能設備的普及，本地生活服務行業得到了快速發展，成為城市生活的重要組成部分［1］。在這一背景下，即時配送服務作為本地生活服務的關鍵一環，其效率和準確性直接影響著用戶體驗和平臺運營成本。因此，如何準確、快速地掌握配送人員的實時位置，進而優化配送路線，提升配送效率［2］，是即時配送平臺亟待解決的一個重要問題。

當前，配送人員的位置信息主要依賴于智能手機的GPS定位功能，這在室外環境中表現相對良好，但在室內環境中卻存在著相當大的挑戰。由于建筑物遮擋和信號衰減，GPS定位在室內往往不夠準確，難以滿足即時配送業務以及用戶對精度的要求。而現有的室內定位技術，如基于Wi-Fi［3］、藍牙［4］、RFID的方法［5］，多依賴于高成本的定制硬件、專業的線下采集設備以及大量的人工標注，這不僅增加了系統部署成本，也在一定程度上限制了技術的推廣和應用，使已有的商業定位服務缺乏滿足本地生活業務實際需求的到店檢測能力。

針對上述挑戰，本文提出了一種融合到店檢測方案。該方案結合虛擬藍牙（Virtual Beacon）技術和Wi-Fi信號聚類分析［6］，旨在實現零標注成本的店鋪級別定位。虛擬藍牙技術利用部分商戶的智能手機作為虛擬信標，通過商戶接單App廣播唯一標識符，在部分場景下感知配送人員的到達和離開。在此基礎上，本方案結合本地生活的場景和業務模式，提出了一個基于半監督圖聚類的方法分析配送人員在配送過程中設備被動掃描的Wi-Fi信號，構建店鋪Wi-Fi指紋模型，實現店鋪級別的精確定位。

本文有以下創新點：（1）提出了一個有效利用已有基礎設施及信息的到店檢測算法方案。利用已有的基礎設施及信息，如商戶信息、騎手行為數據、虛擬信標，設計了基于半監督圖聚類的創新算法流程，實現了零采集成本的離線模型構建過程。（2）廣泛的系統覆蓋范圍。本文提出的系統覆蓋了全國超過300個城市的20000多個購物中心，遠遠超過當前現有系統的覆蓋范圍［7］，樹立了商業定位服務的新標桿，使高精度到店服務的優勢得以覆蓋廣泛的騎手和商戶網絡。

1 相關工作

1.1 工業界定位系統

近年來，商業性大規模定位系統取得了顯著發展，多項引人矚目的定位技術開發得到了廣泛的應用。例如，Abeacon和VALID使用藍牙信標來檢測騎手商戶的到達和離開信息［4，6］；Mloc結合藍牙信標和地磁場為購物中心提供本地化服務［7］。騰訊公司則利用眾包Wi-Fi數據積累Wi-Fi指紋并校準定位數據［8］，構建了基于Wi-Fi的到店檢測解決方案。然而，這些服務的覆蓋范圍往往局限于少數城市的部分商場并且依賴于室內地圖，須通過外包人員密集收集或標注大量的Wi-Fi掃描數據，才可以達到使用目的。

1.2 采用眾包數據的方法

采用眾包數據的定位方法，逐漸成為一種有效的零成本定位解決方案。以下重點介紹學術界一些利用Wi-Fi眾包數據構建指紋定位的方法以及基于深度學習模型定位的方法。

基于Wi-Fi指紋的定位，通常依賴指紋數據庫分為離線階段和在線階段［9］。在離線數據采集過程中，須要在每個參考點收集大量信號分布數據，以構建指紋地圖，這個過程煩瑣且人工成本巨大。為減少指紋采集成本，一些方法是選擇代表性錨點位置或結合其他非通用數據特征［10］，如CSI生成RSSI地圖。然而，這些方法通常需要額外信息，如可忽略誤差的錨點坐標、樓層平面圖、用戶軌跡或運動傳感器數據，且須要采集設備長時間進行高頻數據采樣［10-15］。

目前，基于深度學習模型定位的方法，也在定位研究中取得了顯著的進展。例如，通過深度學習生成地標分類模型，用于無線信號地圖的創建和更新［16］。這些方法旨在利用深度學習模型，減少對于手工標記數據的依賴，并通過利用大量未標注眾包數據，來提高系統的準確性和魯棒性。

綜上所述，不論是學術界還是工業界，目前已有的多種定位方法，對采集設備、商場室內地圖數據以及終端計算能力等，都有多方面的依賴，而這些依賴在當前多數本地生活場景中并不能完全滿足成本和性能的實際需要。

2 算法方案設計

在正式介紹本文提出的算法方案之前，本文先對騎手工作的典型場景進行考察。由于餐飲業商戶多聚集在大型綜合商場內的美食城，室內建筑環境以及出入路線較為復雜，如何在取餐環節對商戶精準定位，減少不必要的時間和體力成本，往往成為需要爭分奪秒的騎手遇到的一大難題。騎手在完成取餐任務時，通常會在大型商場的復雜內部環境中往來穿梭。正是在這一過程中，系統被動地采集了大量未標注的Wi-Fi數據［17］，如表1所示。這些數據雖然豐富，但其確切位置不明，而且數據本身隨著采集設備的不同存在掃描時間間隔等多方面的異質性。但是，并非完全沒有可以依賴的線索，來作為精準定位的突破口。騎手必然先在某些特定的商戶附近進行Wi-Fi掃描，因為他們須在這些地方取到訂單；在某些情況下，騎手還能偶爾捕捉到來自部分商戶的藍牙信標。這些雖然稀少但非常寶貴的信標信號，完全可以作為補充信息，為系統提供識別定位的重要依據。

根據上述分析，本文的主要思路是，在這些嘈雜且稀疏的原始數據中，利用已知線索識別特定商戶的聚類。這種方法須要依賴半監督學習，通過將部分標注信息與大量未標注Wi-Fi數據結合，進行有效Wi- Fi信號的聚類分析。本文將此算法命名為SSCluster，如圖1所示，由3個主要模塊組成。

（1）Wi-Fi掃描點特征構建。收集騎手在配送過程中采集的Wi-Fi信號，選取特定AP，構建特征并生成指紋向量。

（2）聚類及正樣本簇選取。應用聚類算法對Wi-Fi信號進行聚類。根據每個類中節點的拓撲特征、騎手行為特征、商戶特征等信息，結合預先訓練的分類模型，判斷正樣本簇。

（3）指紋模型構建。根據正樣本統計特征及基于經驗公式的打分，生成指紋模型。

通過這些模塊的有機組合，SSCluster算法實現了利用騎手配送過程無感采集的眾包Wi-Fi數據，進行到店檢測。下面，本文將詳細介紹每個單獨模塊。

2.1 Wi-Fi掃描點特征構建

Wi-Fi信號的特征提取，是構建精確Wi-Fi指紋庫的基石。在Android系統中，通常可以直接獲取包括RSSI值、頻率和時間戳在內的Wi-Fi信號信息。為構建商戶Wi-Fi特征字典，選擇商戶環境中出現頻次最多的K個Wi-Fi接入點（AP）。利用時間滑動窗口方法，將每個掃描周期里的Wi-Fi掃描點，映射為一個K維向量，其中每個維度代表一個AP的特征。如果某個AP在掃描點中未出現，則該維度值填充為-115，表示信號未檢測到。

2.2 聚類及正樣本簇選擇

本方案對采集到的Wi-Fi信號進行聚類。通常的空間聚類算法在參數選擇上需要一定的先驗知識，如常用的k-means算法須預先確定聚類個數。此類算法可能因數據分布不同規模、形狀、密度及異常值而表現不穩定。為解決這些問題，將Wi-Fi數據構造成圖譜，并采用基于圖拓撲結構的圖聚類方法。圖聚類方法通過定義基于圖結構的目標函數，部分避免了不同環境下先驗知識缺失的問題。此外，基于圖結構，可利用大量已有的拓撲特征，構建新的特征作為子模型的輸入。在應用場景中，將每個Wi-Fi掃描點作為圖中的節點［18-19］，如果2個Wi-Fi掃描點距離足夠近，則2個掃描點對應的節點之間會有一條連邊。方法選擇了業界廣泛使用的Louvain算法進行聚類［18］。

對于虛擬Beacon覆蓋的店鋪，按照聽到Beacon的時間戳給對應時間的Wi-Fi數據點打標，選取聚類結果中包含足夠打標數據的簇為正樣本簇。對于每一個簇，結合對應商戶類型、所包含節點的拓撲特征分布、騎手的行為數據，如點擊到店、離店行為的時間差等屬性，構建特征，訓練基于XGBoost的半監督分類器F?；贔，對于所有平臺覆蓋的商戶，都可以確定其到店正樣本的所在簇。

具體算法方案如圖1所示。

2.3 指紋模型構建

對于正樣本數據點，統計每個AP的出現頻次和RSSI強度分布，構建包含頻次和強度分布的經驗函數來計算權重。具體來說，假設有N個正樣本點，每個AP i出現在正樣本點的次數為ci，出現時平均的RSSI強度為s-i，則正樣本p的分數scorep=ie-ksi-s-iciN。上述公式表明了，如果i出現的頻次ci越高，且在樣本里的信號強度si 越接近均值s-i，則對應的分值貢獻越大。進一步通過選擇分數的95%作為閾值，可以構建出每個商戶的Wi-Fi指紋模型。每一個模型中，都包括了商戶對應多個AP的ID、平均信號強度以及對應的頻次相關的權重?？紤]到信號間的互相干擾及單次掃描中某些AP未出現等因素，采用隨機RSSI擾動及AP隨機丟棄的方式進行數據增強。上述增強方式模擬了真實線下環境中Wi-Fi掃描過程，可能由于遮擋等因素帶來的信號強度擾動，或者由于a信號互相干擾b手機端Wi-Fi掃描策略的限制，部分AP信號在一個掃描周期內存在未能及時感知的情況。將增強后的指紋模型稱為SSCluster-Aug。

通過以上描述，展示了Wi-Fi指紋構建算法SSCluster的各個模塊，涵蓋從信號采集、特征構建到最終模型生成全過程。

3 結果評估

3.1 線下數據評估

為了評估室內定位方案的實際效果，本文隨機選取了6個商場的近300個商戶，進行實地Wi-Fi信號采集。具體操作如下：對于每個商戶，特別選定了取餐點周圍10 m范圍內的區域作為數據采集點。在該區域內隨機走動并采集Wi-Fi信號，這些信號被標記為正樣本。相對地，評估在一定距離外（15 m～30 m）的區域進行Wi-Fi信號采集，將這些信號定義為負樣本。須注意的是，在此階段，模型使用線上騎手在實際運營過程中采集的真實數據進行訓練，再用線下實際采集數據進行測試。

作為對比，本文選擇了幾個常用的分類模型：Top-K、XGBoost和DeepFM［19］。Top-K算法選擇騎手手動點擊等餐時間段數據進行聚類，然后選取出現頻次最多的K個AP構建Wi-Fi指紋。對于DeepFM和XGBoost算法，統一基于騎手手動點擊等餐時間數據構造有權重的正樣本標簽，并選擇時間段外樣本作為負標簽，構建二分類模型。其中，DeepFM旨在通過捕捉不同AP之間的高階交叉特征，提升分類效果。此外，也比較了SSCluster及其變種SSCluster-Aug，后者則在SSCluster基礎上增加了數據增強策略，以提高模型泛化能力和對于機型及環境的魯棒性。

如表2所示，可以看出SSCluster和SSCluster-Aug在準確率和召回率2個指標上都表現出色，顯著優于其他模型。此外，值得注意的是，雖然DeepFM和XGBoost模型的復雜度更高，但受限于數據標簽的噪聲，這些復雜模型的性能并沒有超過本文提出的基于經驗打分公式的半監督聚類模型。SSCluster-Aug由于引入了數據增強策略，在2個指標上進一步提升了效果。具體來說，SSCluster-Aug在召回率方面達到了92.8%，在30 m準確率達到了94.8%，表現優于基礎版本的SSCluster。這也說明了在線下真實場景中，數據增強策略的有效性，可以更加準確地模擬實際信號波動和干擾情況，從而提升模型的魯棒性和整體性能。

此外，上述結果表明，盡管DeepFM和XGBoost等復雜模型，在某些情況下能夠處理更高維度的數據或更復雜的特征關系，但在噪聲數據和非理想標簽條件下，本文提出的半監督聚類算法方案能夠提供更穩定和可靠的性能，推理部分計算復雜度更低。這使得本文的解決方案，特別適合在資源受限的邊緣設備上運行（如騎手的手機端SDK），確保在不影響騎手正常作業的前提下，實現在實際應用中的高效性和準確性。

3.2 線上數據評估

在基于線下數據驗證模型性能的基礎上，本文提出的定位系統于2023年部署到線上，開始了全國性的運營。在平均的運營日中，處理來自近50萬名騎手的2億次Wi-Fi定位，這些定位數據對應全國范圍內來自300多個城市、200萬商戶的約2000萬份訂單。

由于缺乏全國范圍內的真值數據集，本文無法直接評估系統定位的準確性，采用了一種間接評估的方法。具體而言，使用騎手聽到信標時Wi-Fi信號判斷到店的概率，作為評估定位系統可靠性的間接指標。當騎手的智能手機檢測到商戶的信標信號時，系統會記錄此時的Wi-Fi信號。統計分析發現，對于97.6%的騎手聽到信標時采集的Wi-Fi信號，系統都能夠正確判斷到店狀態；而對于約2.4%的無法判斷到店的Wi-Fi信號，主要原因是由于虛擬信標的發射設備并不在店內或者騎手并不在店內領取餐品，取餐點與發射設備的位置較遠，從而導致信號環境復雜化。

這些線上數據評估結果，進一步驗證了本文所提模型在實際應用中的有效性和可靠性，系統在大規模、多樣化的場景中保持了較高的到店監測準確性，充分證明了本文提出的基于虛擬信標和Wi-Fi聚類分析的到店檢測方案在即時配送服務中的可行性和潛在的應用價值。

4 結語

本文提出了一種基于虛擬信標和Wi-Fi信號的半監督圖聚類算法，挖掘到店過程中騎手無感采集的Wi-Fi數據，進而構建商戶指紋模型，旨在滿足本地生活服務中對配送人員到店檢測的實際需求。通過線下實地測試和線上大規模數據分析，本文驗證了所提方案的有效性和可行性。實驗結果顯示，本文提出的SSCluster算法模型在準確率和召回率2項指標上均表現出色，優于其他對比模型。

參考文獻

［1］DE S V M.The rise of the ‘just-in-time workforce’：on-demand work，crowd work and labour protection in the ‘gig-economy’［J］.Comparative Labor Law and Policy Journal，2016（3）：471-504.

［2］ZHU L，YU W，ZHOU K，et al.Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery amp; Data Mining，July 6-10，2020［C］.New York：ACM，2020.

［3］DING Y，JIANG D，YANG Y，et al.P2-loc：a person-2-person indoor localization system in on-demand delivery［J］.Proceedings of the ACM on Interactive，Mobile，Wearable and Ubiquitous Technologies，2022（1）：1-24.

［4］DING Y，LIU L，YANG Y，et al.From conception to retirement：a lifetime story of a 3-year-old wireless beacon system in the wild［J］.IEEE/ACM Transactions on Networking，2022（1）：47-61.

［5］WANG J，CHANG L Q，ABARI O，et al.MobiSys’19：Proceedings of the 17th Annual International Conference on Mobile Systems，Applications，and Services，December 6，2019［C］.New York：ACM，2019.

［6］DING Y，YANG Y，JIANG W，et al.SIGCOMM’21：ACM SIGCOMM 2021 Conference，August 23-27，2021［C］.New York：ACM，2023.

［7］HU Y，QIAN F，YIN Z，et al.ACM MobiCom’22：The 28th Annual International Conference on Mobile，Computing and Networking，October17-21，2022［C］.New York：ACM，2022.

［8］NI J，ZHANG F，XIONG J，et al.ACM MobiCom ’22：The 28th Annual International Conference on Mobile，Computing and Networking，October17-21，2022［C］.New York：ACM，2022.

［9］WANG B，CHEN Q，YANG L T，et al.Indoor smartphone localization via fingerprint crowdsourcing：challenges and approaches［J］.IEEE Wireless Communications，2016（3）：82-89.

［10］CHINTALAPUDI K，IYER A P，PADMANABHAN V N.The 16th Annual International Conference on Mobile，Computing and Networking，September 20-24，2010［C］.New York：ACM，2010.

［11］ZHANG L，VALAEE S，XU Y，et al.2015 IEEE Global Conference on Signal and Information Processing，December 14-16，2015［C］.New York：IEEE，2015.

［12］WANG D，WANG T，ZHAO F，et al.2018 IEEE Global Communications Conference，December 9-13，2018［C］.New York：IEEE，2018.

［13］JIANG Y，PAN X，LI K，et al.Proceedings of the 2012 ACM Conference on Ubiquitous Computing，September 5-8，2012［C］.New York：ACM，2012.

［14］LI T，HAN D，CHEN Y，et al. IndoorWaze：a crowdsourcing-based context-aware indoor navigation system［J］.IEEE Transactions on Wireless Communications，2020（8）：5461-5472.

［15］KING T，KJRGAARD M B.Proceedings of the 6th International Conference on Mobile Systems，Applications and Services，June 17-20，2008.［C］.New York：ACM，2008.

［16］王旭東，劉帥，吳楠.CAEFi：基于卷積自編碼器降維的信道狀態信息指紋室內定位方法［J］.電子與信息學報，2022（8）：2757-2766.

［17］HU X，SONG L，VAN B D，et al.IMC’15：Proceedings of the 2015 Internet Measurement Conference，October 28-30，2015［C］.New York：ACM，2015.

［18］QUE X，CHECCONI F，PETRINI F，et al.2015 IEEE international parallel and distributed processing symposium，May 25-29，2015［C］.New York：IEEE，2015.

［19］GUO H，RUIMING T，YE Y，et al.Proceedings of the 26th International Joint Conference on Artificial Intelligence，March 13，2017［C］.New York：EI，2017.（編輯 沈 強）

Design of a shop-arrival detection system for local life services

ZHANG" Yan

（Alibaba Group， Shanghai 200333， China）

Abstract：" With the rapid development of local life services， the demand for real-time positioning of delivery personnel has been increasingly growing. This paper proposes a zero-cost indoor positioning scheme， which combines virtual beacon technology and utilizes Wi-Fi signal clustering collected during the delivery process to construct a merchant fingerprint model， thereby achieving store-level accurate positioning. The proposed scheme does not require expensive hardware deployment or extensive manual labeling， effectively reducing positioning costs and improving the accuracy of store arrival monitoring during the delivery process. Currently， the system proposed in this paper has been deployed online， covering more than 200 million merchants in over 300 cities nationwide， and provides indoor positioning related data for nearly 20 million orders daily.

Key words： indoor positioning; wireless sensor network; virtual beacons; Internet of Things