当下智慧城市发展进程逐渐加快,在物联网、云计算等技术的推动下,室内定位技术得到迅速发展,在智能制造、商品零售以及安防监控等领域应用广泛,对国民经济的转型发展起到重要作用。当前基于超宽带的高精度室内定位方案主要以信号到达时间为出发点进行定位计算,而传统定位算法在时间测量上会出现抖动现象,即因授时元器件的晶体震荡、定位区域的物体遮挡以及外界环境干扰等原因导致的时间测量值异常波动,致使定位过程中出现数据骤变现象,影响系统鲁棒性。基于以上问题,本文研究了定位服务技术和机器学习算法,设计研发了基于机器学习的室内定位服务系统。本文主要工作如下:(1)论文针对数据骤变现象,就运动状态进行分析,提出了基于门控循环单元的距离预测模型。该模型对来自基站锚点的距离差进行校正,避免了因晶体震荡、外界遮挡等导致的数据异常骤变,提升了模型下游数据的可靠性。此外,在该模型的基础上提出了基于距离预测的卷积神经网络定位计算模型,进行最终的位置计算。经过迭代训练,模型具有较高的精准度及较低的系统误差。经过离线训练后,线上模型复杂度较低,能够满足时延要求严格的实时定位场景的需求。(2)论文利用所提出的定位算法,设计并实现了一套与之匹配的位置服务应用平台。论文分析了室内定位场景的一般需求,从位置服务应用平台的可靠性、安全性以及易用性出发,将应用平台架构设计为数据处理、权限管理和功能应用三大部分,并分别进行实现。数据处理部分从原始数据的获取、整合到定位模型解算、位置数据存储以及定位数据展示等部分对数据处理过程进行了全面描述。权限管理部分针对身份认证和访问权限两个方面对系统的安全性进行保障。功能应用部分包含设备管理、网关管理、地图管理、实时位置展示、历史数据回溯、围栏预警提醒以及用户身份管理等多个模块,是应用平台用户交互的核心。(3)论文对实际搭建的位置服务应用平台和提出的室内定位算法分别进行了功能测试和性能测试。应用平台进行了定位实时显示和历史轨迹回溯、身份验证和访问权限验证、设备信息管理和围栏预警提醒等多项测试,测试结果表明系统运行稳定可靠。论文对基于距离预测的卷积神经网络定位计算模型的计算误差和运行耗时进行了测试,对不同时间窗口长度下预测误差进行了分析,同时将论文提出的模型与其他五类模型从计算精度以及运算耗时上进行了对比。实验结果表明,本文所提出的基于距离预测的卷积神经网络定位计算模型具有较高的综合性能。