Resumo-Neste trabalho apresenta-se um procedimento baseado em aprendizado de máquina para classificação a priori da acurácia de estimativas de localização fornecidas por um método de correlação de assinaturas de rádio-frequência em redes de telefonia móvel celular, o RF-FING+RTD-PRED, anteriormente formulado pelos autores. O procedimento proposto utiliza os mesmos parâmetros de rádio-frequência empregados pelo método RF-FING+RTD-PRED, acrescidos de algumas informações, como as distâncias entre a estação servidora e as estações vizinhas listadas no relatório de medidas enviado pelo terminal móvel a ser localizado. A abordagem proposta tem duas fases: redução de dimensão do vetor de entrada utilizando análise de componentes principais, e classificação do erro de localização em três segmentos de acurácia (alta, média e baixa) utilizando uma rede neural artificial backpropagation. A identificação a priori de estimativas de posição de alta acurácia (erro inferior a 100 metros)é de particular relevância para aplicações de localização críticas, como o rastreamento de veículos e a localização de chamadas de emergência. Em testes conduzidos em redes GSM 850 MHz emáreas urbanas e suburbanas, onde foram coletados 6600 relatórios de medida, o procedimento de classificação proposto atingiu precisão de 89% na identificação a priori de estimativas de posição de alta acurácia.
Palavras-Chave-Assinatura de Rádio-Freqüência, Acurácia da Localização, Análise de Componentes Principais, Redes Neurais ArtificiaisAbstract-This works presents a machine learning based procedure to evaluate the accuracy of position estimates produced by a fingerprinting location method in cellular networks, RF-FING+RTD-PRED, previously formulated by the authors. The proposed procedure employs the same radiofrequency parameters used by RF-FING+RTD-PRED plus some additional data, like the distances between the serving and neighbor base stations. The proposed approach has two phases: principal components analysis to reduce the input vector dimension, and classification of the positioning estimate accuracy (high, medium and low accuracy) by a backpropagation artificial neural network. The a priori identification of high accuracy position estimates, i.e., with error below 100 meters, is particularly relevant for critical location based applications, like vehicle tracking and emergency call positioning. In field tests carried out in GSM 850 MHz networks in urban and suburban areas, where 6600 measurement reports have been collected, the proposed classification procedure achieved 89% precision in the identification of high accuracy position estimates.