一種本地生活場(chǎng)景下的到店檢測(cè)方案設(shè)計(jì)

摘要：隨著本地生活服務(wù)的快速發(fā)展，人們對(duì)配送人員的實(shí)時(shí)定位需求日益增長。文章提出了一種零成本到店檢測(cè)方案，通過結(jié)合虛擬信標(biāo)等物聯(lián)網(wǎng)技術(shù)，利用騎手配送過程中無感采集的Wi-Fi信號(hào)，構(gòu)建商戶的指紋模型，進(jìn)而實(shí)現(xiàn)店鋪級(jí)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(biāo)，有效降低了定位成本，提高了騎手配送過程中到店檢測(cè)的精度。目前，該方案對(duì)應(yīng)的系統(tǒng)已成功部署到線上，覆蓋了全國300多個(gè)城市的200萬商戶，每天為近2000萬份訂單提供了到店相關(guān)的數(shù)據(jù)支持。

關(guān)鍵詞：室內(nèi)定位；無線傳感器網(wǎng)絡(luò)；虛擬信標(biāo)；物聯(lián)網(wǎng)

中圖分類號(hào)：TN92;TP212 "文獻(xiàn)標(biāo)志碼：A

0 引言

隨著移動(dòng)互聯(lián)網(wǎng)和智能設(shè)備的普及，本地生活服務(wù)行業(yè)得到了快速發(fā)展，成為城市生活的重要組成部分［1］。在這一背景下，即時(shí)配送服務(wù)作為本地生活服務(wù)的關(guān)鍵一環(huán)，其效率和準(zhǔn)確性直接影響著用戶體驗(yàn)和平臺(tái)運(yùn)營成本。因此，如何準(zhǔn)確、快速地掌握配送人員的實(shí)時(shí)位置，進(jìn)而優(yōu)化配送路線，提升配送效率［2］，是即時(shí)配送平臺(tái)亟待解決的一個(gè)重要問題。

當(dāng)前，配送人員的位置信息主要依賴于智能手機(jī)的GPS定位功能，這在室外環(huán)境中表現(xiàn)相對(duì)良好，但在室內(nèi)環(huán)境中卻存在著相當(dāng)大的挑戰(zhàn)。由于建筑物遮擋和信號(hào)衰減，GPS定位在室內(nèi)往往不夠準(zhǔn)確，難以滿足即時(shí)配送業(yè)務(wù)以及用戶對(duì)精度的要求。而現(xiàn)有的室內(nèi)定位技術(shù)，如基于Wi-Fi［3］、藍(lán)牙［4］、RFID的方法［5］，多依賴于高成本的定制硬件、專業(yè)的線下采集設(shè)備以及大量的人工標(biāo)注，這不僅增加了系統(tǒng)部署成本，也在一定程度上限制了技術(shù)的推廣和應(yīng)用，使已有的商業(yè)定位服務(wù)缺乏滿足本地生活業(yè)務(wù)實(shí)際需求的到店檢測(cè)能力。

針對(duì)上述挑戰(zhàn)，本文提出了一種融合到店檢測(cè)方案。該方案結(jié)合虛擬藍(lán)牙（Virtual Beacon）技術(shù)和Wi-Fi信號(hào)聚類分析［6］，旨在實(shí)現(xiàn)零標(biāo)注成本的店鋪級(jí)別定位。虛擬藍(lán)牙技術(shù)利用部分商戶的智能手機(jī)作為虛擬信標(biāo)，通過商戶接單App廣播唯一標(biāo)識(shí)符，在部分場(chǎng)景下感知配送人員的到達(dá)和離開。在此基礎(chǔ)上，本方案結(jié)合本地生活的場(chǎng)景和業(yè)務(wù)模式，提出了一個(gè)基于半監(jiān)督圖聚類的方法分析配送人員在配送過程中設(shè)備被動(dòng)掃描的Wi-Fi信號(hào)，構(gòu)建店鋪Wi-Fi指紋模型，實(shí)現(xiàn)店鋪級(jí)別的精確定位。

本文有以下創(chuàng)新點(diǎn)：（1）提出了一個(gè)有效利用已有基礎(chǔ)設(shè)施及信息的到店檢測(cè)算法方案。利用已有的基礎(chǔ)設(shè)施及信息，如商戶信息、騎手行為數(shù)據(jù)、虛擬信標(biāo)，設(shè)計(jì)了基于半監(jiān)督圖聚類的創(chuàng)新算法流程，實(shí)現(xiàn)了零采集成本的離線模型構(gòu)建過程。（2）廣泛的系統(tǒng)覆蓋范圍。本文提出的系統(tǒng)覆蓋了全國超過300個(gè)城市的20000多個(gè)購物中心，遠(yuǎn)遠(yuǎn)超過當(dāng)前現(xiàn)有系統(tǒng)的覆蓋范圍［7］，樹立了商業(yè)定位服務(wù)的新標(biāo)桿，使高精度到店服務(wù)的優(yōu)勢(shì)得以覆蓋廣泛的騎手和商戶網(wǎng)絡(luò)。

1 相關(guān)工作

1.1 工業(yè)界定位系統(tǒng)

近年來，商業(yè)性大規(guī)模定位系統(tǒng)取得了顯著發(fā)展，多項(xiàng)引人矚目的定位技術(shù)開發(fā)得到了廣泛的應(yīng)用。例如，Abeacon和VALID使用藍(lán)牙信標(biāo)來檢測(cè)騎手商戶的到達(dá)和離開信息［4，6］；Mloc結(jié)合藍(lán)牙信標(biāo)和地磁場(chǎng)為購物中心提供本地化服務(wù)［7］。騰訊公司則利用眾包Wi-Fi數(shù)據(jù)積累Wi-Fi指紋并校準(zhǔn)定位數(shù)據(jù)［8］，構(gòu)建了基于Wi-Fi的到店檢測(cè)解決方案。然而，這些服務(wù)的覆蓋范圍往往局限于少數(shù)城市的部分商場(chǎng)并且依賴于室內(nèi)地圖，須通過外包人員密集收集或標(biāo)注大量的Wi-Fi掃描數(shù)據(jù)，才可以達(dá)到使用目的。

1.2 采用眾包數(shù)據(jù)的方法

采用眾包數(shù)據(jù)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(diǎn)介紹學(xué)術(shù)界一些利用Wi-Fi眾包數(shù)據(jù)構(gòu)建指紋定位的方法以及基于深度學(xué)習(xí)模型定位的方法。

基于Wi-Fi指紋的定位，通常依賴指紋數(shù)據(jù)庫分為離線階段和在線階段［9］。在離線數(shù)據(jù)采集過程中，須要在每個(gè)參考點(diǎn)收集大量信號(hào)分布數(shù)據(jù)，以構(gòu)建指紋地圖，這個(gè)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(diǎn)位置或結(jié)合其他非通用數(shù)據(jù)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(diǎn)坐標(biāo)、樓層平面圖、用戶軌跡或運(yùn)動(dòng)傳感器數(shù)據(jù)，且須要采集設(shè)備長時(shí)間進(jìn)行高頻數(shù)據(jù)采樣［10-15］。

目前，基于深度學(xué)習(xí)模型定位的方法，也在定位研究中取得了顯著的進(jìn)展。例如，通過深度學(xué)習(xí)生成地標(biāo)分類模型，用于無線信號(hào)地圖的創(chuàng)建和更新［16］。這些方法旨在利用深度學(xué)習(xí)模型，減少對(duì)于手工標(biāo)記數(shù)據(jù)的依賴，并通過利用大量未標(biāo)注眾包數(shù)據(jù)，來提高系統(tǒng)的準(zhǔn)確性和魯棒性。

綜上所述，不論是學(xué)術(shù)界還是工業(yè)界，目前已有的多種定位方法，對(duì)采集設(shè)備、商場(chǎng)室內(nèi)地圖數(shù)據(jù)以及終端計(jì)算能力等，都有多方面的依賴，而這些依賴在當(dāng)前多數(shù)本地生活場(chǎng)景中并不能完全滿足成本和性能的實(shí)際需要。

2 算法方案設(shè)計(jì)

在正式介紹本文提出的算法方案之前，本文先對(duì)騎手工作的典型場(chǎng)景進(jìn)行考察。由于餐飲業(yè)商戶多聚集在大型綜合商場(chǎng)內(nèi)的美食城，室內(nèi)建筑環(huán)境以及出入路線較為復(fù)雜，如何在取餐環(huán)節(jié)對(duì)商戶精準(zhǔn)定位，減少不必要的時(shí)間和體力成本，往往成為需要爭(zhēng)分奪秒的騎手遇到的一大難題。騎手在完成取餐任務(wù)時(shí)，通常會(huì)在大型商場(chǎng)的復(fù)雜內(nèi)部環(huán)境中往來穿梭。正是在這一過程中，系統(tǒng)被動(dòng)地采集了大量未標(biāo)注的Wi-Fi數(shù)據(jù)［17］，如表1所示。這些數(shù)據(jù)雖然豐富，但其確切位置不明，而且數(shù)據(jù)本身隨著采集設(shè)備的不同存在掃描時(shí)間間隔等多方面的異質(zhì)性。但是，并非完全沒有可以依賴的線索，來作為精準(zhǔn)定位的突破口。騎手必然先在某些特定的商戶附近進(jìn)行Wi-Fi掃描，因?yàn)樗麄冺氃谶@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(lán)牙信標(biāo)。這些雖然稀少但非常寶貴的信標(biāo)信號(hào)，完全可以作為補(bǔ)充信息，為系統(tǒng)提供識(shí)別定位的重要依據(jù)。

根據(jù)上述分析，本文的主要思路是，在這些嘈雜且稀疏的原始數(shù)據(jù)中，利用已知線索識(shí)別特定商戶的聚類。這種方法須要依賴半監(jiān)督學(xué)習(xí)，通過將部分標(biāo)注信息與大量未標(biāo)注Wi-Fi數(shù)據(jù)結(jié)合，進(jìn)行有效Wi- Fi信號(hào)的聚類分析。本文將此算法命名為SSCluster，如圖1所示，由3個(gè)主要模塊組成。

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

（2）聚類及正樣本簇選取。應(yīng)用聚類算法對(duì)Wi-Fi信號(hào)進(jìn)行聚類。根據(jù)每個(gè)類中節(jié)點(diǎn)的拓?fù)涮卣鳌ⅡT手行為特征、商戶特征等信息，結(jié)合預(yù)先訓(xùn)練的分類模型，判斷正樣本簇。

（3）指紋模型構(gòu)建。根據(jù)正樣本統(tǒng)計(jì)特征及基于經(jīng)驗(yàn)公式的打分，生成指紋模型。

通過這些模塊的有機(jī)組合，SSCluster算法實(shí)現(xiàn)了利用騎手配送過程無感采集的眾包Wi-Fi數(shù)據(jù)，進(jìn)行到店檢測(cè)。下面，本文將詳細(xì)介紹每個(gè)單獨(dú)模塊。

2.1 Wi-Fi掃描點(diǎn)特征構(gòu)建

Wi-Fi信號(hào)的特征提取，是構(gòu)建精確Wi-Fi指紋庫的基石。在Android系統(tǒng)中，通?？梢灾苯荧@取包括RSSI值、頻率和時(shí)間戳在內(nèi)的Wi-Fi信號(hào)信息。為構(gòu)建商戶Wi-Fi特征字典，選擇商戶環(huán)境中出現(xiàn)頻次最多的K個(gè)Wi-Fi接入點(diǎn)（AP）。利用時(shí)間滑動(dòng)窗口方法，將每個(gè)掃描周期里的Wi-Fi掃描點(diǎn)，映射為一個(gè)K維向量，其中每個(gè)維度代表一個(gè)AP的特征。如果某個(gè)AP在掃描點(diǎn)中未出現(xiàn)，則該維度值填充為-115，表示信號(hào)未檢測(cè)到。

2.2 聚類及正樣本簇選擇

本方案對(duì)采集到的Wi-Fi信號(hào)進(jìn)行聚類。通常的空間聚類算法在參數(shù)選擇上需要一定的先驗(yàn)知識(shí)，如常用的k-means算法須預(yù)先確定聚類個(gè)數(shù)。此類算法可能因數(shù)據(jù)分布不同規(guī)模、形狀、密度及異常值而表現(xiàn)不穩(wěn)定。為解決這些問題，將Wi-Fi數(shù)據(jù)構(gòu)造成圖譜，并采用基于圖拓?fù)浣Y(jié)構(gòu)的圖聚類方法。圖聚類方法通過定義基于圖結(jié)構(gòu)的目標(biāo)函數(shù)，部分避免了不同環(huán)境下先驗(yàn)知識(shí)缺失的問題。此外，基于圖結(jié)構(gòu)，可利用大量已有的拓?fù)涮卣?，?gòu)建新的特征作為子模型的輸入。在應(yīng)用場(chǎng)景中，將每個(gè)Wi-Fi掃描點(diǎn)作為圖中的節(jié)點(diǎn)［18-19］，如果2個(gè)Wi-Fi掃描點(diǎn)距離足夠近，則2個(gè)掃描點(diǎn)對(duì)應(yīng)的節(jié)點(diǎn)之間會(huì)有一條連邊。方法選擇了業(yè)界廣泛使用的Louvain算法進(jìn)行聚類［18］。

對(duì)于虛擬Beacon覆蓋的店鋪，按照聽到Beacon的時(shí)間戳給對(duì)應(yīng)時(shí)間的Wi-Fi數(shù)據(jù)點(diǎn)打標(biāo)，選取聚類結(jié)果中包含足夠打標(biāo)數(shù)據(jù)的簇為正樣本簇。對(duì)于每一個(gè)簇，結(jié)合對(duì)應(yīng)商戶類型、所包含節(jié)點(diǎn)的拓?fù)涮卣鞣植?、騎手的行為數(shù)據(jù)，如點(diǎn)擊到店、離店行為的時(shí)間差等屬性，構(gòu)建特征，訓(xùn)練基于XGBoost的半監(jiān)督分類器F?；贔，對(duì)于所有平臺(tái)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(gòu)建

對(duì)于正樣本數(shù)據(jù)點(diǎn)，統(tǒng)計(jì)每個(gè)AP的出現(xiàn)頻次和RSSI強(qiáng)度分布，構(gòu)建包含頻次和強(qiáng)度分布的經(jīng)驗(yàn)函數(shù)來計(jì)算權(quán)重。具體來說，假設(shè)有N個(gè)正樣本點(diǎn)，每個(gè)AP i出現(xiàn)在正樣本點(diǎn)的次數(shù)為ci，出現(xiàn)時(shí)平均的RSSI強(qiáng)度為s-i，則正樣本p的分?jǐn)?shù)scorep=ie-ksi-s-iciN。上述公式表明了，如果i出現(xiàn)的頻次ci越高，且在樣本里的信號(hào)強(qiáng)度si 越接近均值s-i，則對(duì)應(yīng)的分值貢獻(xiàn)越大。進(jìn)一步通過選擇分?jǐn)?shù)的95%作為閾值，可以構(gòu)建出每個(gè)商戶的Wi-Fi指紋模型。每一個(gè)模型中，都包括了商戶對(duì)應(yīng)多個(gè)AP的ID、平均信號(hào)強(qiáng)度以及對(duì)應(yīng)的頻次相關(guān)的權(quán)重?？紤]到信號(hào)間的互相干擾及單次掃描中某些AP未出現(xiàn)等因素，采用隨機(jī)RSSI擾動(dòng)及AP隨機(jī)丟棄的方式進(jìn)行數(shù)據(jù)增強(qiáng)。上述增強(qiáng)方式模擬了真實(shí)線下環(huán)境中Wi-Fi掃描過程，可能由于遮擋等因素帶來的信號(hào)強(qiáng)度擾動(dòng)，或者由于a信號(hào)互相干擾b手機(jī)端Wi-Fi掃描策略的限制，部分AP信號(hào)在一個(gè)掃描周期內(nèi)存在未能及時(shí)感知的情況。將增強(qiáng)后的指紋模型稱為SSCluster-Aug。

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

3 結(jié)果評(píng)估

3.1 線下數(shù)據(jù)評(píng)估

為了評(píng)估室內(nèi)定位方案的實(shí)際效果，本文隨機(jī)選取了6個(gè)商場(chǎng)的近300個(gè)商戶，進(jìn)行實(shí)地Wi-Fi信號(hào)采集。具體操作如下：對(duì)于每個(gè)商戶，特別選定了取餐點(diǎn)周圍10 m范圍內(nèi)的區(qū)域作為數(shù)據(jù)采集點(diǎn)。在該區(qū)域內(nèi)隨機(jī)走動(dòng)并采集Wi-Fi信號(hào)，這些信號(hào)被標(biāo)記為正樣本。相對(duì)地，評(píng)估在一定距離外（15 m～30 m）的區(qū)域進(jìn)行Wi-Fi信號(hào)采集，將這些信號(hào)定義為負(fù)樣本。須注意的是，在此階段，模型使用線上騎手在實(shí)際運(yùn)營過程中采集的真實(shí)數(shù)據(jù)進(jìn)行訓(xùn)練，再用線下實(shí)際采集數(shù)據(jù)進(jìn)行測(cè)試。

作為對(duì)比，本文選擇了幾個(gè)常用的分類模型：Top-K、XGBoost和DeepFM［19］。Top-K算法選擇騎手手動(dòng)點(diǎn)擊等餐時(shí)間段數(shù)據(jù)進(jìn)行聚類，然后選取出現(xiàn)頻次最多的K個(gè)AP構(gòu)建Wi-Fi指紋。對(duì)于DeepFM和XGBoost算法，統(tǒng)一基于騎手手動(dòng)點(diǎn)擊等餐時(shí)間數(shù)據(jù)構(gòu)造有權(quán)重的正樣本標(biāo)簽，并選擇時(shí)間段外樣本作為負(fù)標(biāo)簽，構(gòu)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(chǔ)上增加了數(shù)據(jù)增強(qiáng)策略，以提高模型泛化能力和對(duì)于機(jī)型及環(huán)境的魯棒性。

如表2所示，可以看出SSCluster和SSCluster-Aug在準(zhǔn)確率和召回率2個(gè)指標(biāo)上都表現(xiàn)出色，顯著優(yōu)于其他模型。此外，值得注意的是，雖然DeepFM和XGBoost模型的復(fù)雜度更高，但受限于數(shù)據(jù)標(biāo)簽的噪聲，這些復(fù)雜模型的性能并沒有超過本文提出的基于經(jīng)驗(yàn)打分公式的半監(jiān)督聚類模型。SSCluster-Aug由于引入了數(shù)據(jù)增強(qiáng)策略，在2個(gè)指標(biāo)上進(jìn)一步提升了效果。具體來說，SSCluster-Aug在召回率方面達(dá)到了92.8%，在30 m準(zhǔn)確率達(dá)到了94.8%，表現(xiàn)優(yōu)于基礎(chǔ)版本的SSCluster。這也說明了在線下真實(shí)場(chǎng)景中，數(shù)據(jù)增強(qiáng)策略的有效性，可以更加準(zhǔn)確地模擬實(shí)際信號(hào)波動(dòng)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(jié)果表明，盡管DeepFM和XGBoost等復(fù)雜模型，在某些情況下能夠處理更高維度的數(shù)據(jù)或更復(fù)雜的特征關(guān)系，但在噪聲數(shù)據(jù)和非理想標(biāo)簽條件下，本文提出的半監(jiān)督聚類算法方案能夠提供更穩(wěn)定和可靠的性能，推理部分計(jì)算復(fù)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(shè)備上運(yùn)行（如騎手的手機(jī)端SDK），確保在不影響騎手正常作業(yè)的前提下，實(shí)現(xiàn)在實(shí)際應(yīng)用中的高效性和準(zhǔn)確性。

3.2 線上數(shù)據(jù)評(píng)估

在基于線下數(shù)據(jù)驗(yàn)證模型性能的基礎(chǔ)上，本文提出的定位系統(tǒng)于2023年部署到線上，開始了全國性的運(yùn)營。在平均的運(yùn)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(shù)據(jù)對(duì)應(yīng)全國范圍內(nèi)來自300多個(gè)城市、200萬商戶的約2000萬份訂單。

由于缺乏全國范圍內(nèi)的真值數(shù)據(jù)集，本文無法直接評(píng)估系統(tǒng)定位的準(zhǔn)確性，采用了一種間接評(píng)估的方法。具體而言，使用騎手聽到信標(biāo)時(shí)Wi-Fi信號(hào)判斷到店的概率，作為評(píng)估定位系統(tǒng)可靠性的間接指標(biāo)。當(dāng)騎手的智能手機(jī)檢測(cè)到商戶的信標(biāo)信號(hào)時(shí)，系統(tǒng)會(huì)記錄此時(shí)的Wi-Fi信號(hào)。統(tǒng)計(jì)分析發(fā)現(xiàn)，對(duì)于97.6%的騎手聽到信標(biāo)時(shí)采集的Wi-Fi信號(hào)，系統(tǒng)都能夠正確判斷到店?duì)顟B(tài)；而對(duì)于約2.4%的無法判斷到店的Wi-Fi信號(hào)，主要原因是由于虛擬信標(biāo)的發(fā)射設(shè)備并不在店內(nèi)或者騎手并不在店內(nèi)領(lǐng)取餐品，取餐點(diǎn)與發(fā)射設(shè)備的位置較遠(yuǎn)，從而導(dǎo)致信號(hào)環(huán)境復(fù)雜化。

這些線上數(shù)據(jù)評(píng)估結(jié)果，進(jìn)一步驗(yàn)證了本文所提模型在實(shí)際應(yīng)用中的有效性和可靠性，系統(tǒng)在大規(guī)模、多樣化的場(chǎng)景中保持了較高的到店監(jiān)測(cè)準(zhǔn)確性，充分證明了本文提出的基于虛擬信標(biāo)和Wi-Fi聚類分析的到店檢測(cè)方案在即時(shí)配送服務(wù)中的可行性和潛在的應(yīng)用價(jià)值。

4 結(jié)語

本文提出了一種基于虛擬信標(biāo)和Wi-Fi信號(hào)的半監(jiān)督圖聚類算法，挖掘到店過程中騎手無感采集的Wi-Fi數(shù)據(jù)，進(jìn)而構(gòu)建商戶指紋模型，旨在滿足本地生活服務(wù)中對(duì)配送人員到店檢測(cè)的實(shí)際需求。通過線下實(shí)地測(cè)試和線上大規(guī)模數(shù)據(jù)分析，本文驗(yàn)證了所提方案的有效性和可行性。實(shí)驗(yàn)結(jié)果顯示，本文提出的SSCluster算法模型在準(zhǔn)確率和召回率2項(xiàng)指標(biāo)上均表現(xiàn)出色，優(yōu)于其他對(duì)比模型。

參考文獻(xiàn)

［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(tài)信息指紋室內(nèi)定位方法［J］.電子與信息學(xué)報(bào)，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(qiáng)）

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