TWI772884B

TWI772884B - 整合機器學習定位模型的定位系統及方法

Info

Publication number: TWI772884B
Application number: TW109131264A
Authority: TW
Inventors: 賴怡吉; 林思綺; 吳瑞北
Original assignee: 英屬維爾京群島商飛思捷投資股份有限公司
Priority date: 2020-09-11
Filing date: 2020-09-11
Publication date: 2022-08-01
Also published as: TW202211054A

Abstract

本發明公開一種整合機器學習定位模型的定位系統及方法。定位系統包括待測裝置以及可拓後端子系統。待測裝置取得當前Wi-Fi指紋資料。可拓後端子系統與待測裝置通訊連接，且包括資料庫伺服器、處理單元、多個機器學習定位服務模組及待測裝置服務模組。資料庫伺服器儲存多筆機器學習定位模型資料、配置資料及設定資料，設定資料定義定位推理路徑。待測裝置服務模組包括定位推理模組，其中，定位推理模組接收當前Wi-Fi指紋資料，並根據定位推理路徑依序將當前Wi-Fi指紋資料輸入該些機器學習定位服務模組，以依序取得多個定位推理結果，並整合產生定位結果。

Description

整合機器學習定位模型的定位系統及方法

本發明涉及一種定位系統及方法，特別是涉及一種整合機器學習定位模型的定位系統及方法。

隨著行動計算節點的擴展與無線技術的進步，對於精確室內定位與其相關服務的需求變得愈來愈流行。可靠與精準正確的室內定位可以支援大範圍的應用。

然而，現行室內定位系統有很多問題。例如，此等系統經常不精確、太複雜而無法實施、及/或太昂貴。根據Wi-Fi與接收信號強度指標(RSSI)信號的室內定位系統雖有較高的精準度，然而，在相同場域中的Wi-Fi訊號過多，且複雜性及變動率大，因此，難以單純的基於Wi-Fi訊號及強度來建立精確的定位系統。

此外，當使用室內定位的場域過大時，更會進一步延長定位所需的時間，提升所使用的系統運算資源，卻無法使對應的精確度提升。故，本領域亟需一種整合多個機器學習定位模型的定位系統及方法，來克服上述缺陷。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種整合機器學習定位模型的定位系統及方法。

為了解決上述的技術問題，本發明所採用的其中一技術方案是提供一種整合機器學習定位模型的定位系統，其包括待測裝置以及可拓後端子系統。待測裝置經配置以取得一當前位置的一當前Wi-Fi指紋資料。可拓後端子系統，經配置以與該待測裝置通訊連接，且包括資料庫伺服器、至少一處理單元、多個機器學習定位服務模組及待測裝置服務模組。資料庫伺服器經配置以儲存多筆機器學習定位模型資料、一配置資料及一設定資料，其中該設定資料定義有一定位推理路徑。該些機器學習定位服務模組由該至少一處理單元執行該些筆機器學習定位模型資料所產生，其中，該定位推理路徑界定該些機器學習定位服務模組的一取用順序，且該配置資料定義該些機器學習定位服務模組的一部署狀態。待測裝置服務模組包括定位推理模組，其中該定位推理模組經配置以接收該當前Wi-Fi指紋資料，並根據該配置資料將該當前Wi-Fi指紋資料輸入該些機器學習定位服務模組，以分別取得多個定位推理結果，且其中該待測裝置服務模組整合該些定位推理結果以產生一定位結果，並將該定位結果作爲該待測裝置的該當前位置。

在一些實施例中，該可拓後端子系統更包括一管理服務模組，其包括網頁伺服器以及部署服務模組。網頁伺服器包括一使用者介面。部署服務模組包括創建單元、讀取單元、更新單元及刪除單元。創建單元用於供使用者部署一新增機器學習定位模型，並將與該新增機器學習定位模型相關的一配置檔儲存至該資料庫伺服器。讀取單元用於從該配置資料取得該些機器學習定位服務模組的一部署狀態。更新單元經配置以基於該新增機器學習模型對該些機器學習定位服務模組進行更新，以及以該配置檔對該配置資料進行更新。刪除單元經配置以供使用者對該些機器學習模型服務進行刪除。

在一些實施例中，該管理服務模組更包括一設定模組，供使用者基於該新增機器學習定位模型設定該定位推理路徑並更新該設定資料。

在一些實施例中，該管理服務模組更包括一訊號偵測模組，用於判斷該當前Wi-Fi指紋資料中是否出現至少一特定訊號，以基於與該至少一特定訊號相關的一特定範圍限縮該些定位推理結果。

在一些實施例中，該使用者介面用於供使用者將該新增機器學習定位模型上傳至該網頁伺服器。

在一些實施例中，該些機器學習定位服務模組分別對應於多個適用範圍，且該定位推理路徑係依據該些適用範圍所規劃的。

在一些實施例中，該些適用範圍包括多個建築，對應各該些建築的多個樓層，以及對應各該些樓層的多個區域。

在一些實施例中，該些機器學習定位服務模組各包括一經訓練機器學習模型，且在對應的該些適用範圍下具有較高的精確度。

在一些實施例中，該些機器學習定位服務模組各包括一存取點選擇模組，經配置以依據多個存取點感測比例對該當前Wi-Fi指紋資料進行篩選，以輸入對應的該經訓練機器學習模型。

為了解決上述的技術問題，本發明所採用的另外一技術方案是提供一種整合機器學習定位模型的定位方法，其包括：配置一待測裝置以取得一當前位置的一當前Wi-Fi指紋資料；配置一可拓後端子系統以與該待測裝置通訊連接，其中該可拓後端子系統包括一網頁伺服器、一資料庫伺服器及至少一處理單元：配置該資料庫伺服器儲存多筆機器學習定位模型資料、一配置資料及一設定資料，其中，設定資料定義有一定位推理路徑；配置該至少一處理單元執行該些筆機器學習定位模型資料產生多個機器學習定位服務模組，其中該定位推理路徑界定該些機器學習定位服務模組的一取用順序，且該配置資料定義該些機器學習定位服務模組的一部署狀態；配置一待測裝置服務模組的一定位推理模組接收該當前Wi-Fi指紋資料，並根據該配置資料將該當前Wi-Fi指紋資料輸入該些機器學習定位服務模組，以分別取得多個定位推理結果；以及配置該待測裝置服務模組整合該些定位推理結果以產生一定位結果，並將該定位結果作爲該待測裝置的該當前位置。

本發明的其中一有益效果在於，本發明所提供的整合機器學習定位模型的定位系統及方法，能夠將多個機器學習定位模型進行模組化管理，並依據定位推理路徑以分層定位方式來取用適用不同定位範圍的多個機器學習定位模型，可提升定位的精準度，並減少運算所需的時間。

此外，本發明所提供的整合機器學習定位模型的定位系統及方法還包括了部署服務模組，可提供使用者以簡明的方式通過使用者介面對欲部署的多個機器學習定位模型應用創建、讀取、更新及刪除等功能，大幅減少部署不同機器學習定位模型所需的時間及人力成本。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明所公開有關“整合機器學習定位模型的定位系統及方法”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不背離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

圖1為本發明實施例的整合機器學習定位模型的定位系統的方塊圖。參閱圖1所示，本發明實施例提供一種整合機器學習定位模型的定位系統1，其包括可拓後端子系統10以及待測裝置12。

待測裝置12可經配置以取得當前位置的一當前Wi-Fi指紋資料。詳細而言，待測裝置12經配置以於一目標區域中採集其當前位置上的Wi-fi指紋資料。待測裝置12可包括無線收發器以收發訊號，且待測裝置12例如可為平板電腦、手機等的行動裝置或專屬開發之硬體平台。詳細而言，待測裝置12主要係用於利用檢測Wi-Fi存取點的數量、可檢測到之Wi-Fi存取點的訊號強度指標RSSI、可檢測到之Wi-Fi存取點的頻道資訊、與所檢測到之Wi-Fi存取點的通訊過程所發生的特徵資訊，以產生Wi-Fi指紋。

然而，並不是所有實施例均限定於上述指紋技術，也可以使用其他Wi-Fi位置技術同時混合來自各種無線電波源的資料，例如組合Wi-Fi、無線射頻辨識(Radio Frequency Identification, RFID)、無線藍芽傳輸資料(Bluetooth Low Energy, BLE) 或超寬頻測距模組(Ultra-Wideband, UWB ranging module)等，更可以結合非無線射頻訊號的資料，如慣性量測單元及環境量測單元等。

在一些實施例中，待測裝置12可例如為一行動裝置，其包括處理單元（例如，處理器）以及電性連接於處理單元的儲存單元（例如，快閃記憶體）、各式無線射頻及非無線射頻量測模組及資料收發單元（例如，支援2.4G/5G頻段的Wi-Fi模組）。

可拓後端子系統1可經配置以與待測裝置12通訊連接，且包括網頁伺服器100、資料庫伺服器102、處理單元104、多個機器學習定位服務模組106-1、106-2及106-3、待測裝置服務模組108及管理服務模組110。

可拓後端子系統10可以包含任何適當處理器驅動計算裝置，包含但並不限於桌上型計算裝置、膝上型計算裝置、伺服器、智慧手機、平板電腦等等。處理單元104可為如可程式邏輯控制電路（Programmable Logic Controller Circuit）、微處理電路（Micro-processor Circuit）或微控制電路（Micro-control Circuit）的積體電路或包括如前述積體電路的平板電腦、手機、筆記型電腦或桌上型電腦等的電子裝置，但不以此為限。

可進一步參考圖2，其爲根據本發明實施例的管理服務模組及資料庫伺服器的方塊圖。如圖所示，資料庫伺服器102經配置以原始資料RAW、儲存多筆機器學習定位模型資料MLD、配置資料CONF及設定資料SET，其中，設定資料SET定義有定位推理路徑PAT。原始資料RAW可包括用於實現可拓後端子系統1中各模組的處理程序，以及用於在一目標區域中進行定位的定位圖資，其可包括對應於該目標區域中的多個採集點的多筆Wi-Fi指紋資料。資料庫伺服器102可例如包括記憶體系統，其可包括非揮發記憶體（例如快閃記憶體）與系統記憶體（例如DRAM）。

一併參照圖1、圖2，機器學習定位服務模組106-1、106-2及106-3可由處理單元104執行該些筆機器學習定位模型資料MLD所產生，其中，定位推理路徑PAT界定機器學習定位服務模組106-1、106-2及106-3的取用順序，且配置資料CONF定義機器學習定位服務模組106-1、106-2及106-3的部署狀態。需要說明的是，本實施例中，機器學習定位服務模組106-1、106-2及106-3的數量僅爲舉例，而其數量可爲至少二以上，本發明不限於此。

此外，如圖2所示，網頁伺服器100包括使用者介面UI，管理服務模組110可包括部署服務模組DEP。部署服務模組DEP包括創建單元CRT、讀取單元RED、更新單元UPT及刪除單元DEL。

詳細而言，使用者可通過網頁伺服器100的使用者介面UI取用創建單元CRT、讀取單元RED、更新單元UPT及刪除單元DEL，以對機器學習定位服務模組106-1、106-2及106-3進行創建、讀取、更新及刪除等功能。在此情形下，使用者可提供一新增資料NEW，包括新增機器學習定位模型NMLD及其對應的配置檔NCON，而創建單元CRT可用於供使用者部署新增機器學習定位模型NMLD，並將與新增機器學習定位模型NMLD相關的配置檔NCON儲存至資料庫伺服器102。

此外，讀取單元RED可用於從配置資料CONF取得機器學習定位服務模組106-1、106-2及106-3的部署狀態STAT。更新單元UPT可基於新增機器學習模型NMLD對機器學習定位服務模組106-1、106-2及106-3進行更新，以及以配置檔NCON對配置資料CONF進行更新。而刪除單元DEL可供使用者對機器學習模型服務106-1、106-2及106-3進行刪除。

在本實施例中，管理服務模組110更包括設定模組SETM，供使用者基於新增機器學習定位模型NMLD設定定位推理路徑PAT，並更新設定資料SET。

因此，針對上述新增機器學習定位模型NMLD，可通過一部署流程來進行部署。請參考圖3，其爲根據本發明實施例的部署流程的流程圖。如圖3所示，部署流程可包括下列步驟：

步驟S100：使用者上傳更新資料NEW至網頁伺服器100。其中，更新資料NEW可例如為zip格式的壓縮檔，並可包括JavaScript物件表示法(JavaScript Object Notation, JSON)資料，其將配置檔NCON及新增機器學習定位模型NMLD作爲結構化資料呈現為JavaScript 物件的標準格式。

步驟S101：網頁伺服器100將新增資料NEW上傳至管理服務模組110。

步驟S102：管理服務模組110將新增資料NEW中的配置檔NCON置入資料庫伺服器102中的配置資料CONF。

步驟S103：管理服務模組110依據新增資料NEW中的內容建立映像檔(Docker image)。

步驟S104：管理服務模組110依據映像檔，通過Kubernetes（K8S）系統部署新增的機器學習定位服務模組。其中，Kubernetes(K8S)系統可用於管理微服務（microservices），其可自動化地部署及管理多台機器上的多個容器（Container）。例如，Kubernetes(K8S)系統可同時部署多個容器到多台機器上，且服務的乘載量有變化時，可以對容器做自動擴展（Scaling），並且可管理多個容器的狀態，自動偵測並重啟故障的容器。而前述的機器學習模型服務106-1、106-2及106-3實質上是以容器的形式存在於可拓後端子系統1中，以便於部署、拓展及管理。

步驟S105：管理服務模組110為新增的機器學習定位服務模組部署K8S服務，並更新資料庫伺服器102中的配置資料CONF。

因此，上述的部署服務模組DEP可提供使用者以簡明的方式通過使用者介面對欲部署的多個機器學習定位模型應用創建、讀取、更新及刪除等功能，大幅減少部署不同機器學習定位模型所需的時間及人力成本。

請復參考圖1，接著說明待測裝置服務模組108。待測裝置服務模組108包括定位推理模組INF，經配置以接收當前Wi-Fi指紋資料，並根據該定位推理路徑PAT依序將當前Wi-Fi指紋資料輸入機器學習定位服務模組106-1、106-2及106-3，以依序取得多個定位推理結果，且其中該待測裝置服務模組整合該些定位推理結果以產生定位結果，並將定位結果作爲待測裝置12的該當前位置。

詳細而言，機器學習定位服務模組106-1、106-2及106-3分別對應於多個適用範圍，且該定位推理路徑係依據該些適用範圍所規劃的。其中，機器學習定位服務模組106-1、106-2及106-3各包括經訓練機器學習模型，且在對應的該些適用範圍下具有較高的精確度。

例如，所謂的適用範圍可包括以分層方式對一目標區域進行劃分來產生。例如，以包括多個建築的目標區域來說，可將建築作爲第一層，而將對應該些建築的多個樓層作爲第二層，再以對應各該些樓層的多個區域作爲第三層，而多個機器學習定位服務模組106-1、106-2及106-3可包括：(1)經由包括所有建築的定位圖資進行訓練產生的經訓練機器學習模型，(2) 經由包括各建築的所有樓層的定位圖資進行訓練產生的經訓練機器學習模型，以及(3) 經由包括各樓層的所有區域座標的定位圖資進行訓練產生的經訓練機器學習模型，且依據適用範圍涵蓋資料量的多寡，可各自具有訓練上的不同參數。

以上述方式，可得到依序以建築、樓層及區域座標來規劃的定位推理路徑PAT。因此，當待測裝置12擷取到當前Wi-Fi指紋資料時，可例如通過以下定位流程來進行定位。圖4係為根據本發明實施例的定位流程的流程圖，如圖所示，定位流程包括下列步驟：

步驟S200：待測裝置向待測裝置服務模組傳送當前Wi-Fi指紋資料。其中，當前Wi-Fi指紋資料可包括Wi-Fi存取點的數量、Wi-Fi存取點的訊號強度指標RSSI、Wi-Fi存取點的頻道資訊、與Wi-Fi存取點的通訊過程所發生的特徵資訊。

步驟S201：依據定位推理路徑PAT中的建築來取用對應的機器學習定位服務模組，以產生建築定位推理結果。

步驟S202：依據定位推理路徑PAT中的樓層來取用對應的機器學習定位服務模組，以產生樓層定位推理結果。

步驟S203：依據定位推理路徑PAT中的區域座標來取用對應的機器學習定位服務模組，以產生區域座標定位推理結果。

步驟S204：將所產生的建築定位推理結果、樓層定位推理結果及區域座標定位推理結果儲存至資料庫伺服器，並整合產生定位結果。

因此，通過本發明所提供的整合機器學習定位模型的定位系統及方法，能夠將多個機器學習定位模型進行模組化管理，並依據定位推理路徑以分層定位方式來取用適用不同定位範圍的多個機器學習定位模型，可提升定位的精準度，並減少運算所需的時間。

除了上述採用多層級的機器學習定位服務模組來對輸入的當前Wi-Fi指紋資料進行運算之外，還可藉由判斷特定訊號的存在與否，來進一步增加定位的精準度。例如，在如圖2所示的實施例中，管理服務模組110更包括訊號偵測模組SIGD，用於判斷當前Wi-Fi指紋資料中是否出現至少一特定訊號，以基於與該至少一特定訊號相關的一特定範圍限縮該些定位推理結果。舉例而言，對於僅在特定範圍，例如建築、樓層或區域出現的特定存取點，其所提供的訊號可進一步用於判斷定位結果僅在特定位置出現，因此可限縮定位推理結果，進一步提升定位精準度。

而如圖1所示，機器學習定位服務模組106-1、106-2及106-3各包括存取點選擇模組APS1、APS2及APS3，經配置以依據多個存取點感測比例對該當前Wi-Fi指紋資料進行篩選，以輸入對應的該經訓練機器學習模型。

詳細而言，通過設定存取點感測比例來對機器學習模型進行訓練，可將不必要的雜訊濾除，並提升定位的精準度。可進一步參考圖5，其爲根據本發明實施例的用於機器學習定位服務模組的訓練流程的流程圖。

如圖5所示，訓練流程可包括下列步驟：

步驟S300：採集目標區域的定位圖資，並將其分爲訓練集及驗證集。舉例而言，目標區域可為預定要進行定位的一室內場所或建築，定位圖資可包括上述場所或建築的各樓層的一或多個地圖，採集定位圖資時，可將散佈於目標區域中的多個座標設定為採集點，並通過在該些採集點上採集Wi-Fi指紋資料，並對應於採集點的座標進行儲存。

步驟S301：針對每個採集點，計算所有存取點的存取點感測比例(Access Point Sensible Ratio, ASR)。例如，可通過下式(1)進行計算：

…式(1)；

其中，

為第j個存取點的存取點感測比例，

為接收到第j個存取點的數量，N為總樣本數。

步驟S302：設定存取點感測比例門檻值。

步驟S303：以存取點感測比例門檻值對訓練集進行篩選，保留大於存取點感測比例門檻值的資料。

步驟S304：以篩選後的訓練集對機器學習模型進行訓練。

通過將驗證集輸入機器學習模型，同時評估機器學習模型是否達到預期定位精準度，若尚未達到預期定位精準度，則對機器學習模型進行超參數調整，並繼續以該訓練集對機器學習模型進行訓練，直到機器學習模型通過效能測試，即將通過效能測試的機器學習模型作爲經訓練機器學習模型。

其中，可參照下表1，其示出了在設置較高存取點感測比例門檻值的情形下，可獲得較低的90%誤差(m)。

表1：

樣本	篩選率	90% 誤差.(m)
無篩選	x	2.82
ASR ＞ 0.2	77.9%	2.77
ASR ＞ 0.99	94.3%	2.47

[實施例的有益效果]

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

1:定位系統 10:可拓後端子系統 12:待測裝置 100:網頁伺服器 102:資料庫伺服器 104:處理單元 106-1、106-2、106-3:機器學習定位服務模組 108:待測裝置服務模組 110:部署服務模組 RAW:原始資料 MLD:機器學習定位模型資料 CONF:配置資料 SET:設定資料 PAT:定位推理路徑 UI:使用者介面 DEP:部署服務模組 CRT:創建單元 RED:讀取單元 UPT:更新單元 DEL:刪除單元 NCON:配置檔 NMLD:新增機器學習模型 STAT:部署狀態 SETM:設定模組 NEW:更新資料 APS1、APS2、APS3:存取點選擇模組 SIGD:訊號偵測模組 INF:定位推理模組

圖1為本發明實施例的整合機器學習定位模型的定位系統的方塊圖。

圖2爲根據本發明實施例的管理服務模組及資料庫伺服器的方塊圖。

圖3爲根據本發明實施例的部署流程的流程圖。

圖4為根據本發明實施例的定位流程的流程圖。

圖5爲根據本發明實施例的用於機器學習定位服務模組的訓練流程的流程圖。

1:定位系統

10:可拓後端子系統

12:待測裝置

100:網頁伺服器

102:資料庫伺服器

104:處理單元

106-1、106-2、106-3:機器學習定位服務模組

108:待測裝置服務模組

110:部署服務模組

APS1、APS2、APS3:存取點選擇模組

INF:定位推理模組

Claims

一種整合機器學習定位模型的定位系統，其包括：一待測裝置，經配置以取得一當前位置的一當前Wi-Fi指紋資料；以及一可拓後端子系統，經配置以與該待測裝置通訊連接，且包括：一資料庫伺服器，經配置以儲存多筆機器學習定位模型資料、一配置資料及一設定資料，其中該設定資料定義有一定位推理路徑；至少一處理單元；多個機器學習定位服務模組，由該至少一處理單元執行該些筆機器學習定位模型資料所產生，其中該定位推理路徑界定該些機器學習定位服務模組的一取用順序，且該配置資料定義該些機器學習定位服務模組的一部署狀態；一待測裝置服務模組，包括一定位推理模組，其中該定位推理模組經配置以接收該當前Wi-Fi指紋資料，並根據該定位推理路徑依序將該當前Wi-Fi指紋資料輸入該些機器學習定位服務模組，以依序取得多個定位推理結果，且其中該待測裝置服務模組整合該些定位推理結果以產生一定位結果，並將該定位結果作爲該待測裝置的該當前位置。
如請求項1所述的整合機器學習定位模型的定位系統，其中該可拓後端子系統更包括一管理服務模組，其包括：一網頁伺服器，包括一使用者介面；以及一部署服務模組，包括：一創建單元，用於供使用者部署一新增機器學習定位模型，並將與該新增機器學習定位模型相關的一配置檔儲存至該資料庫伺服器；一讀取單元，用於從該配置資料取得該些機器學習定位服務模組的一部署狀態；一更新單元，經配置以基於該新增機器學習模型對該些機器學習定位服務模組進行更新，以及以該配置檔對該配置資料進行更新；及一刪除單元，經配置以供使用者對該些機器學習模型服務進行刪除。
如請求項2所述的整合機器學習定位模型的定位系統，其中該管理服務模組更包括一設定模組，供使用者基於該新增機器學習定位模型設定該定位推理路徑並更新該設定資料。
如請求項2所述的整合機器學習定位模型的定位系統，其中該管理服務模組更包括一訊號偵測模組，用於判斷該當前Wi-Fi指紋資料中是否出現至少一特定訊號，以基於與該至少一特定訊號相關的一特定範圍限縮該些定位推理結果。
如請求項2所述的整合機器學習定位模型的定位系統，其中該使用者介面用於供使用者將該新增機器學習定位模型上傳至該網頁伺服器。
如請求項1所述的整合機器學習定位模型的定位系統，其中該些機器學習定位服務模組分別對應於多個適用範圍，且該定位推理路徑係依據該些適用範圍所規劃的。
如請求項5所述的整合機器學習定位模型的定位系統，其中該些適用範圍包括多個建築，對應各該些建築的多個樓層，以及對應各該些樓層的多個區域。
如請求項5所述的整合機器學習定位模型的定位系統，其中該些機器學習定位服務模組各包括一經訓練機器學習模型，且在對應的該些適用範圍下具有較高的精確度。
如請求項7所述的整合機器學習定位模型的定位系統，其中該些機器學習定位服務模組各包括一存取點選擇模組，經配置以依據多個存取點感測比例對該當前Wi-Fi指紋資料進行篩選，以輸入對應的該經訓練機器學習模型。
一種整合機器學習定位模型的定位方法，其包括：配置一待測裝置以取得一當前位置的一當前Wi-Fi指紋資料；配置一可拓後端子系統以與該待測裝置通訊連接，其中該可拓後端子系統包括一網頁伺服器、一資料庫伺服器及至少一處理單元：配置該資料庫伺服器儲存多筆機器學習定位模型資料、一配置資料及一設定資料，其中該設定資料定義有一定位推理路徑；配置該至少一處理單元執行該些筆機器學習定位模型資料產生多個機器學習定位服務模組，其中該定位推理路徑界定該些機器學習定位服務模組的一取用順序，且該配置資料定義該些機器學習定位服務模組的一部署狀態；配置一待測裝置服務模組的一定位推理模組接收該當前Wi-Fi指紋資料，並根據該定位推理路徑依序將該當前Wi-Fi指紋資料輸入該些機器學習定位服務模組，以依序取得多個定位推理結果；以及配置該待測裝置服務模組整合該些定位推理結果以產生一定位結果，並將該定位結果作爲該待測裝置的該當前位置。
如請求項10所述的整合機器學習定位模型的定位方法，其中該可拓後端子系統更包括一網頁伺服器及一管理服務模組，且該定位方法更包括：配置該網頁伺服器以提供一使用者介面；以及配置該部署服務模組以提供：一創建單元，用於供使用者部署一新增機器學習定位模型，並將與該新增機器學習定位模型相關的一配置檔儲存至該資料庫伺服器；一讀取單元，用於從該配置資料取得該些機器學習定位服務模組的一部署狀態；一更新單元，用於基於該新增機器學習模型對該些機器學習定位服務模組進行更新，以及以該配置檔對該配置資料進行更新；及一刪除單元，用於供使用者對該些機器學習模型服務進行刪除。
如請求項11所述的整合機器學習定位模型的定位方法，其中該管理服務模組更包括一設定模組，且該定位方法更包括：配置該設定模組以基於該新增機器學習定位模型設定該定位推理路徑並更新該設定資料。
如請求項11所述的整合機器學習定位模型的定位方法，其中該管理服務模組更包括一訊號偵測模組，且該定位方法更包括：配置該訊號偵測模組以判斷該當前Wi-Fi指紋資料中是否出現至少一特定訊號，以基於與該至少一特定訊號相關的一特定範圍限縮該些定位推理結果。
如請求項11所述的整合機器學習定位模型的定位方法，更包括以該使用者介面將該新增機器學習定位模型上傳至該網頁伺服器。
如請求項10所述的整合機器學習定位模型的定位方法，其中該些機器學習定位服務模組分別對應於多個適用範圍，且該定位推理路徑係依據該些適用範圍所規劃的。
如請求項14所述的整合機器學習定位模型的定位方法，其中該些適用範圍包括多個建築，對應各該些建築的多個樓層，以及對應各該些樓層的多個區域。
如請求項14所述的整合機器學習定位模型的定位方法，其中該些機器學習定位服務模組各包括一經訓練機器學習模型，且在對應的該些適用範圍下具有較高的精確度。
如請求項16所述的整合機器學習定位模型的定位方法，其中該些機器學習定位服務模組各包括一存取點選擇模組，且該定位方法更包括配置該存取點選擇模組以依據多個存取點感測比例對該當前Wi-Fi指紋資料進行篩選，以輸入對應的該經訓練機器學習模型。