weixin_42963026头像

2.61 GraphKANLoc：基于KAN回归的物理信息异构图注意力网络用于室内定位

第一节 前言

[6] S.Wu et al., “LCVAE-CNN: IndoorWi-Fi fingerprinting CNN positioning method based on LCVAE,” IEEE Internet Things J., vol. 12, no. 16, pp. 33395–33410, Aug. 2025. （文献6.1）

第二节：相关工作（Related Work）

本节综述了融合Wi-Fi与IMU数据的最新进展，重点介绍深度学习和基于图的建模方法。

A. 用于传感器融合与定位的图神经网络

深度学习在Wi-Fi与IMU传感器融合中的应用已从基于循环结构和注意力机制的序列模型，发展到图神经网络（GNN）领域。GNN特别擅长建模定位任务中固有的非欧几里得关系，例如传感器、用户与Wi-Fi接入点之间的空间布局。然而，当前最先进的基于GNN的定位方法往往未能明确考虑多模态传感器数据流的动态性和异步特性。例如，GCLoc[14]采用图注意力网络（GAT）进行协作定位，但仅在预处理阶段使用IMU数据来估计边权重，未将其作为独立模态整合进图的消息传递机制中。MetaGraphLoc[21]通过动态边构建机制结合元学习，将RSSI与IMU数据融合，但仍依赖于同步融合方式。同样，PosGNN[22]将多模态输入引入GNN，但在离散时间步长上对数据进行聚合，而未建模时间上的错位问题。这些方法揭示了现有图神经网络（GNN）框架中一个普遍存在的问题，即缺乏能够捕捉高频惯性测量单元（IMU）信号与高延迟Wi-Fi测量之间因果关系和延迟交互的拓扑表示。

B. 基于物理的轨迹建模

将物理先验知识融入深度学习模型，即物理引导深度学习（physics-informed deep learning），已成为提升模型泛化能力并确保物理一致性的重要方法。在室内定位领域，当前的研究主要聚焦于信号传播的物理建模。例如，Lombardia 等人[23]采用物理引导神经网络（PINNs），将对数距离路径损耗模型和到达角（AOA）的几何约束纳入损失函数中，从而显著减少了对大规模指纹数据采集的依赖。这类模型的目标是模拟射频环境，以降低对大型指纹数据集的依赖，而非限制目标的运动轨迹。

然而，基于物理原理推导出的运动学约束尚未被充分整合进端到端的定位模型中。尽管此类约束，特别是像Suite-IN [24]这类惯性导航系统中，通过建模肢体运动动力学来有效校正PDR漂移，但它们通常作为独立的后处理模块实现，而非直接嵌入到端到端回归网络的学习过程中。在轨迹预测任务中，忽略诸如瞬时加速度（jerk）等高阶导数约束，常常会导致预测轨迹出现非物理的振荡。为解决这一问题，Huang等人[25]明确引入了自行车运动学模型，以确保预测结果符合真实车辆的运动学特性；而其他机器人学研究则侧重于使用凸优化方法进行时间- jerk最优规划。

C. 科尔莫戈洛夫-阿诺德回归网络（Kolmogorov-Arnold Networks，KAN）

定位的最后阶段是一个复杂的回归任务，将高维融合特征映射到二维坐标。与多层感知机（MLP）相比，KAN在复杂函数逼近方面表现出更高的参数效率。Vaca-Rubio 等人[26]表明，在时间序列预测中，KAN能够以更少的参数实现更低的预测误差；而Shuai 等人[27]则证明，在求解物理约束的微分方程时，KAN的收敛速度更快、精度更高，优于MLP。

总之，现有方法未能有效解决多模态异步性与端到端物理一致性之间的矛盾。基于图的模型忽略了Wi-Fi-IMU的时间延迟因果关系，物理约束仍局限于后处理，而MLP回归头缺乏表达平滑运动流形所需的灵活性。为应对这些挑战，我们提出GraphKANLoc，将延迟感知的图构建、嵌入式运动学正则化和基于KAN的回归整合于一个统一框架中。

III. METHOD

所提出的GraphKANLoc框架将物理信息学习与可变延迟图架构相结合，构建了一个支持精确且物理一致的室内定位的延迟感知图结构。系统架构如图1所示。本节详细说明了四个主要组件：首先，我们构建一个延迟感知的异构时间图，以应对异步多模态数据的挑战（详见图2）；其次，设计了一种基于关系感知的特征提取与时间建模流程；第三，采用基于KAN的轨迹回归头，并在图3中分析了其在高阶优化方面的优势；最后，提出基于物理信息的正则化目标函数。

图 1 整体分为左、中、右三大列：左侧输入、中间核心流水线、右侧输出对比；完整展示从原始异步传感器数据到输出物理合理轨迹的全流程。

🔹左侧：Input：Asynchronous Multimodal Data（输入：异步多模态数据）

包含两路不同特性传感器原始数据：

  1. Wi‑Fi Signals (Sparse, Delayed)
    • Wi‑Fi 信号：稀疏、有延迟。RSSI 随时间的示意图，采样点少，存在扫描时延。对应图中蓝色 RSSI 波形。
  2. IMU Data (Dense, Real‑time)
    • IMU 数据：稠密、实时。来自陀螺仪、加速度计，采样频率很高，连续输出运动测量。

核心现实问题：两路数据采样频率不一样、存在时间延迟，不能直接简单对齐拼接。输入数据送入Graph Construction（图构建）模块，生成图数据。

🔹中间：Core Innovation Pipeline: GraphKANLoc Framework（核心创新流水线）

分为上下两大块：时延感知异质时序图 + 时空特征提取 + KAN 回归 + 物理约束

上半部分：Latency‑Aware Heterogeneous Temporal Graph（时延感知异步图）
  • Node types（节点类型图例）
    • 绿色圆圈：IMU Node（IMU 节点）
    • 蓝色方块：Wi‑Fi Node（Wi‑Fi 节点）
  • Edge types（边类型图例，三种箭头）
    1. 黑色虚线：Temporal 时序边，同一个模态内部、不同时间步之间连接；
    2. 黑色实线：Synchronous 同步跨模态边，同一时刻 t的 IMU 节点和 Wi‑Fi 节点互相连接；
    3. 红色粗箭头：Delayed Causal 时延因果边（本文关键创新） IMU 节点指向未来时间窗口 K 之内的 Wi‑Fi 节点，用来表达：t 时刻的人体运动（IMU 捕获），经过一段时间延迟，才会产生后面的 Wi‑Fi 观测。
  • Latency Window K：时延窗口 K，控制最多往后连接多少个未来 Wi‑Fi 节点，建模系统整体扫描 + 传输时延。

图中时间轴 t, t+1, t+2, t+3，可以直观看到：t 时刻 IMU 节点\(I_t\)通过红色箭头指向后面 t+1、t+2、t+3 的 Wi‑Fi 节点\(W_{t+1},W_{t+2},W_{t+3}\)，把时延变成图的结构特征，而不是做插值对齐。 输出：Graph Data（构造完成的异构图数据），送给下方特征提取模块。

下半部分：Spatiotemporal Feature Extraction（时空特征提取）
  1. HGATv2 Layers：多层关系感知异构图注意力 GATv2。
    • 分多个 Branch（分支），不同分支处理不同关系类型的边，计算关系专属注意力权重，完成图消息传递；
  2. Aggregation：分支输出做聚合；
  3. LSTM Layers：堆叠 LSTM，进一步捕捉长时序运动依赖，输出Learned Embeddings学习得到的融合时序嵌入特征。
右下角：Physics‑Informed KAN Regression（物理先验 KAN 回归模块）

输入是 LSTM 输出的时序嵌入向量，使用KAN 网络做坐标回归预测。 红框标注 Physics Constraints（物理约束），包含三项损失：

  • Jerk Smoothness \(\mathcal L_{jerk}\)：加加速度平滑
  • Speed‑Heading Consistency \(\mathcal L_{s\&h}\)：速度航向一致性
  • IMU Velocity Consistency \(\mathcal L_{vel}\)：IMU 速度一致性

这三项正则损失直接作用网络训练，不是后处理。模型输出Optimized Prediction优化后的位置预测。

🔹右侧：Output: Physically Consistent Trajectory（输出：物理一致轨迹）

做效果对比，直观展示本文模型优势：

  1. Baseline（基线模型输出）：红色轨迹，抖动严重（Jittery, Noisy）；基线虽然定位误差可能不高，但轨迹存在大量不合理的抖动、跳变。
  2. GraphKANLoc 输出：黑色轨迹（Smoot, Consistent）轨迹平滑连续，符合真实运动规律，可以直接用于导航，不需要额外后置滤波。

✨图 1 核心逻辑总结

传统做法：先插值强行对齐 Wi‑Fi 与 IMU 时间戳，再输入网络；输出轨迹后期再滤波平滑。 GraphKANLoc 做法：

  1. 不做插值对齐；用图的红色时延因果边显式建模传感器之间的时间滞后；
  2. HGATv2+LSTM 提取时空特征；
  3. KAN 做坐标回归，训练阶段内置运动学物理约束；
  4. 直接输出平滑、物理可信的定位轨迹，省去后处理。

图2 Wi-Fi与IMU异步的简单对齐法 vs. 延迟边沿建模

A. Problem Formulation（问题定义）

这一节对异步 Wi‑Fi+IMU 融合室内定位任务做数学形式化描述，明确输入、输出、模型要达成的双重目标：不仅预测位置，还要满足运动物理合理性。

IMU 是高频相对运动信息；注意：图的时间粒度以低速 Wi‑Fi 为基准，一个图时间步t里面聚合一大段高频 IMU 原始数据。

3. 优化目标（两个要求，本节最重要）

  1. 第一目标：定位精度：最小化预测轨迹\(\hat P\)和真值轨迹P之间定位误差。
  2. 第二目标：运动学合理性：预测出来的轨迹必须满足运动学可行性约束（不能出现现实不可能的运动，比如瞬间急加速、高速急转弯）。

⚠️ 和普通室内定位问题的区别： 普通定位只看坐标预测误差；本文问题定义把物理 plausibility（物理可信性）写进问题本身，而不是当成训练完之后的后处理步骤。

B 时延感知异质时序图构建

核心解决Wi‑Fi 与 IMU 传感器异步、采样率不一致、Wi‑Fi 存在扫描传播时延问题。传统方法采用插值、重采样做强制时间对齐，会产生因果错配；本文不做插值，把多模态时序数据直接建模为异质时序图 \(G=(V,E)\)，用图节点表示传感器观测，用不同类型的有向边表达时序关系、跨模态关联、以及最重要的运动到 Wi‑Fi 观测的因果时延关系。

关键点：IMU 采样频率远高于图时间步，不是一个 IMU 采样点对应一个图节点；而是把一段连续 IMU 数据打包成一个 IMU 图节点，保留高频运动信息，实现 “分段同步”，丢弃插值操作。

公式1：

物理意义

公式2

公式3解释：

为什么这么设计？

C. 关联感知特征提取与时间建模

1、HGATv2：关系感知注意力计算（公式 4、5）

D. KAN 回归预测

一句话总结实现

GraphKANLoc 中 KAN 回归头：堆叠两层 KAN 层，每条边用可学习三次 B‑样条函数，节点只做求和；利用 B‑spline 的\(C^2\)连续性，保障 jerk 等高阶运动学损失的有效梯度回传；放在 LSTM 后输出二维位置，配合两阶段训练策略完成端到端物理约束回归。

E. 基于物理的正则化损失函数

目标：不靠后置滤波，在端到端训练里加入三项运动学正则，把预测轨迹约束到物理可行流形；同时这也是为什么前面必须用 KAN，而不是普通 MLP。 输入是 KAN 输出的预测坐标序列 \(\hat p_t\)；用有限差分算出速度、加速度、加加速度（jerk）；然后构造复合物理损失，和定位 MSE 一起联合优化。

这一组是前向有限差分公式，用来从模型输出的预测位置序列，递推求出速度、加速度、加加速度（jerk），是后面三项物理损失的计算基础。

一句话总结

该损失对整条轨迹上每一个时刻的加加速度幅值做平均，用来压制轨迹突兀抖动，强迫模型输出更符合人体运动习惯的平滑轨迹。

速度–航向一致性损失 \(\boldsymbol{\mathcal L_{s\&h}}\)（speed-and-heading consistency loss）。：

IMU 位移一致性损失（速度损失）：

总复合损失函数：

本节要解决的核心问题

传统方案有两条路：

  1. 只监督位置 MSE：模型只关心坐标准不准，学到的轨迹经常出现瞬时大跳、虚假急加速；轨迹运动学不可信，导航没法直接用；
  2. 先训网络，后加滤波（卡尔曼、滑动平滑）：后处理会引入延迟，并且会抹平一些真实快速运动；不是端到端。

E 节的思路：

在训练阶段就把行人运动学常识写成可微损失，作为正则，直接塑造轨迹；训练完输出的轨迹本身就物理合理，不需要额外后置滤波，同时保留真实的快速转向、变速。

和前面各模块的串联

  • B：解决异步、因果错配；
  • C：HGATv2+LSTM，提取融合时空特征；
  • D：KAN，提供 \(C^2\) 光滑输出，给高阶损失可用梯度；
  • E：定义物理目标，告诉网络 “什么样的轨迹才是人走出来的”；
  • 整套闭环：数据 → 异构图 → 特征 → KAN 坐标 → 位置监督 + 三项运动学正则。

IV. EXPERIMENTS

本节对GraphKANLoc进行了全面评估，我们在三个数据集上测试了其定位性能。此外，我们还将其与一些强基线方法进行比较，以展示其性能优势。同时，我们开展了消融研究，以评估GraphKANLoc中各个关键组件的贡献。

A.数据集

数据集公开 / 自采载体Wi‑Fi 采样IMU 采样真值来源主要难点
OWP-IMU [28]公开小车27 Hz200 Hz光学定位NLOS，多档车速
Laboratory自采手机行人5 Hz30 HzUWB复杂布局、急转弯、地磁干扰
Underground‑Parking自采手机行人5 Hz30 HzUWB大空间、AP 稀疏、严重多径

[28] F. Wu, J. Bruycker, D. Delabie, N. Stevens, F. Rottenberg, and L. Strycker, “OWP-IMU: An RSS-based optical wireless and IMU indoor positioning dataset,” IEEE Robot. Automat. Lett., vol. 10, no. 11, pp. 12103–12108, Nov. 2025.

B. Baselines（对比基线）

我们对GraphKANLoc与七种代表性基线方法进行了对比，这些基线涵盖了经典的基于模型的融合、序列深度学习以及近期基于图神经网络（GNN）的定位框架。

1) 经典的基于模型的融合：作为典型的概率性基线，我们引入卡尔曼滤波器（KF），在线性高斯状态空间假设下融合Wi-Fi和IMU测量数据。

2) 时序深度学习模型：我们进一步考虑三种序列模型。首先，我们使用LSTM，这是一种标准的循环架构，用于捕捉传感器数据流中的时间依赖关系。其次，我们采用基于注意力机制的Transformer，用自注意力替代递归结构，以建模长时序交互。第三，我们引入TKAN[32]，这是KAN的一种顺序变体，沿时间维度应用KAN模块。该基线方法在无图结构的传统时间建模框架中，独立评估了KAN架构的贡献。

3) 基于图的定位框架：最后，我们与三种近期的图基方法进行比较。AGNNConv[29]将注意力机制的图神经网络层与双向长短期记忆（BiLSTM）主干结合，通过成对信号相似性（例如时间序列片段之间的DTW距离）构建图结构。GATE[30]通过动态实时边构建（RTEC）和专用的消息传递方案（AHV/MDHV），提升对环境动态和设备异质性的鲁棒性。GLoc[31]将接入点（AP）和目标设备表示为图节点，并使用卷积神经网络（CNN）编码器从信道状态信息（CSI）热图等信号表示中提取的特征，应用GAT模型进行处理。为了公平比较，原本针对其他模态（如CSI或Zigbee）设计的基线方法被重新配置，使其在本实验中使用Wi-Fi RSSI和IMU数据流时运行，同时保留其原始的架构原理。

类别模型简要说明
传统模型KF卡尔曼滤波，概率融合基线
时序深度学习LSTM循环时序模型
Transformer自注意力时序模型
TKAN [32]时序 KAN，无图结构
GNN 方法AGNNConv [29]GNN+BiLSTM，DTW 构建图
GATE动态实时边构建，抗环境 / 设备异构
GLocCNN+GAT，AP 与终端作为图节点

C. Implementation Details

本文所提 GraphKANLoc 基于 PyTorch 框架实现，在 NVIDIA RTX 3090 GPU 上完成训练。对原始 IMU 数据进行预处理：通过互补滤波器完成重力补偿，分离线性加速度分量；采用截止频率 5Hz 的巴特沃斯低通滤波器抑制传感器高频噪声；最后基于训练集统计信息对 IMU 各轴数据执行 Z‑score 归一化。模型采用 AdamW 优化器，初始学习率设置为 0.0027，批次大小为 32，训练约 100 轮至收敛。图部分由 4 层 HGATv2 构成，隐藏维度为 128；KAN 回归头设置为 [512,256,2]，采用三次 B 样条，网格尺寸为 5。经过验证集网格搜索，各物理正则项权重设置为\(\lambda_j=0.1\)、\(\lambda_s=0.001\)、\(\lambda_v=0.1\)。所有对比实验均在相同实验条件下重复多次，取平均结果用于评估。

补充关联要点

  1. 训练采用两阶段策略：第一阶段仅用定位损失\(\mathcal L_{pred}\)训练；第二阶段开启全部三项正则损失做微调。（该部分写在 III‑E，不在 IV‑C 小节）
  2. 时延窗口K最优取值为 5，在超参敏感性章节 IV‑H 讨论。

D. Evaluation Metrics

论文采用多维度评价指标，同时评估定位精度与轨迹物理合理性（平滑程度）。

1. 定位精度指标

  1. ATE（Absolute Trajectory Error）绝对轨迹误差 采用二维位置的RMSE 均方根误差，用来衡量整体定位精度。

计算预测轨迹\(\hat P\)与真值轨迹P之间整体的 2D 位置 RMSE。

  1. RTE（Relative Trajectory Error）相对轨迹误差 用于评估局部一致性与一段时间内系统漂移程度，衡量短时间段内轨迹的局部误差。
  2. 75th、95th 百分位定位误差（P75、P95） 表征误差分布尾部；P75 代表 75% 样本误差不超过该数值，P95 代表 95% 样本误差低于该值；反映日常典型误差与最坏场景下的性能。
  3. 定位误差 CDF 累积分布函数 可视化全部样本误差分布全貌。CDF 曲线越靠左、越陡峭，代表模型整体定位性能越好。

2. 轨迹物理合理性指标

Mean jerk magnitude 平均加加速度幅值

jerk 即加加速度，是位置对时间的三阶导数；jerk 数值越小，代表加速度变化越平缓，轨迹抖动越少，运动越符合物理真实。 用来量化轨迹抖动，评估输出轨迹的物理可行性。

  1. 在实验结果中，GraphKANLoc 不仅 ATE/RTE/P95 误差更低，同时mean jerk 大幅下降，降低 60% 以上，说明在不使用后处理滤波器条件下轨迹更加平滑。
  2. 消融实验中，移除 KAN 回归头后，jerk 指标暴涨 206.60%，证明 KAN 对轨迹平滑度的关键作用。

E. Performance Evaluation

本节在 3 个数据集上将 GraphKANLoc 与所有基线方法进行对比，从定量指标、误差 CDF 曲线、轨迹可视化三个维度验证模型效果。

1. 定量指标（表 Ⅰ）

GraphKANLoc 在全部三个数据集上取得 SOTA 性能，优于所有对比基线。

  1. 整体规律：GNN 类方法普遍优于传统模型与时序模型，证明图结构对室内定位任务的增益。但本文模型相比现有 GNN 基线仍有显著降低误差。
  2. OWP‑IMU（车辆公开数据集）： 对比最优基线 AGNNConv，ATE 降低 53.3%，本文模型 ATE 达到 0.073 m，实现厘米级定位；体现时延感知图与 KAN 回归头带来细粒度建模能力。
  3. Underground‑Parking 地下停车场（最难场景，AP 稀疏、多径严重）： 对比最优基线 GLoc，ATE 降低 21%；P95 误差相比 GLoc 下降22.7%，有效抑制定位离群异常点。
  4. Laboratory 实验室场景： 对比最优基线 GATE，ATE 降低 14.9%。

P95 误差的显著降低，代表模型在极端、恶劣条件下的鲁棒性更强。

2. 定位误差 CDF 曲线图（图 4）

CDF 曲线：横坐标为定位误差，纵坐标为样本累积占比。

  • GraphKANLoc 的 CDF 曲线在全部场景中都更靠左、更加陡峭。
  • Underground‑Parking：GraphKANLoc 的 90% 分位误差约 3.5 m；最优基线 GLoc 约 4.5 m，时延感知图在多径干扰环境收益明显。
  • Laboratory 实验室：本文模型 90% 分位误差约 1.8 m，最优基线超过 2.3 m，对异常值鲁棒。

3. 轨迹可视化（图 5）

直观对比预测轨迹与真实轨迹：

  1. 实验室场景：可以很好复现急转弯，超调很小。
  2. 地下大停车场：基线出现明显累积漂移，GraphKANLoc 维持正确路径拓扑。
  3. 核心现象：结合物理约束与\(C^2\)连续 KAN 回归头，无需额外外部滤波，有效抑制轨迹抖动（jitter）。

论文摘要指出轨迹抖动降低超过 60%。

图 6 对比 KAN 与多种激活函数 MLP 在 jerk 损失上的收敛过程，纵坐标为对数尺度下的 jerk 损失。各类 MLP 变体训练初期损失出现剧烈尖峰，收敛速度慢，即便采用 GELU、SiLU、Tanh 等光滑激活，依然存在梯度病态问题。GraphKANLoc 依靠 B‑样条 KAN 的\(C^2\)连续性与局部支撑特性，jerk 损失无剧烈震荡，在前 20 轮快速收敛至较低水平。该实验证明 MLP 在高阶运动约束下的优化缺陷属于架构层面，无法简单通过替换激活函数修复。

模型激活数学性质优化 jerk 损失表现
ReLU‑MLPReLU仅C0连续，高阶导数为 0梯度消失，震荡大
GELU/SiLU/Tanh‑MLP光滑激活一阶、二阶数学可导，但网络全局耦合仍然出现损失尖峰、收敛慢，效果差
KAN(B‑spline)边上面的可学习 B 样条C2连续、局部支撑收敛平稳、损失低

图 7 为实验室与地下停车场场景下各算法定位误差箱线图。在地下停车场 AP 稀疏、多径干扰严重的复杂环境中，AGNNConv、TKAN 等基线存在大量定位误差可达 12 m 的离群样本；而 GraphKANLoc 的四分位箱体更紧凑，绝大多数样本误差被限制在 4 m 以内。该结果说明，时延感知图结构结合物理信息正则能够有效剔除运动学不可行的预测结果，减少灾难性定位异常，提升模型实际部署的鲁棒性。实验室场景整体难度较低，GraphKANLoc 同样保持最小中位数误差与更少离群点。

图 8 展示不同移动速度下各模型的定位误差。随着运动速度增大，对比基线定位误差出现明显上升；而 GraphKANLoc 的误差增长趋势更为平缓，在 0.15 m/s、0.275 m/s、0.45 m/s 三档速度下均保持最低误差。该结果验证时延感知图结构能够有效补偿高速运动场景下 Wi‑Fi 与 IMU 之间的因果时序错位，提升模型在不同运动速度下的鲁棒性。

图 9 为时延窗口大小K的灵敏度分析。当\(K=0\)时模型退化为传统同步对齐模式，定位误差较高；随着K增大，通过时延因果边建模 IMU 运动与滞后 Wi‑Fi 观测的因果关系，误差逐步下降，在\(K=5\)取得最优 RMSE=0.8999 m。若窗口继续增大，引入时间无关的节点带来结构噪声，定位性能发生退化。整体 RMSE 呈 U‑型曲线，证明时延窗口既不能忽略，也不宜设置过大。实际部署可在区间\([3,7]\)内遍历，基于验证集确定超参K。

验证时延窗口 K对定位性能的影响，证明显式建模传感器时延的必要性；同时给出实际部署调参建议。 K含义：IMU 节点可以向后连接后续K个 Wi‑Fi 节点，代表最多考虑往后K步的 Wi‑Fi 作为该 IMU 运动所引发的观测信号。

  • \(K=0\)：无时延边，完全同步模式，对应传统 “快照对齐” 的假设，不考虑 Wi‑Fi 扫描延迟。
  • K 从 0 增大到 5 RMSE 持续下降，在 \(\boldsymbol{K=5}\) 达到全局最低点 0.8999 m。

  • 增大窗口，有向时延因果边把 IMU 运动和滞后的 Wi‑Fi 观测建立连接，模型学到真实传感器延迟关系，定位精度提升。

  • K＞5，K=6~12 K 继续增大，RMSE 开始逐步上升，性能变差。

  • 窗口设置过大，会引入时间上距离过远、没有因果关联的 Wi‑Fi 节点，带来虚假的结构噪声；干扰图注意力机制，降低模型性能。

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/weixin_42963026/article/details/170126576

文章来源转载

评论

评论列表

微信小程序
QQ小程序

关于作者

点赞数：0
关注数：0
粉丝：0
文章：0
关注标签：0
加入于：--