想要实现设备自动感知用户所处空间位置？本指南带你使用Python构建一个轻量级位置识别系统——whereami。它通过分析周围WiFi信号强度，结合随机森林算法，精准判断用户当前位于哪个房间或区域。

项目简介

whereami 是一款开源工具，利用本地无线网络环境中的信号特征（如SSID、RSSI）作为输入，借助 scikit-learn 的随机森林分类器进行训练与预测。适用于家庭、办公室等中小型室内场景，可实现2至10米范围内的高精度定位。

快速部署

安装仅需一条命令：

pip install whereami

支持 Windows、macOS 与 Linux 系统，无需额外依赖配置。

核心操作流程

• 采集样本：在目标区域执行学习命令，例如在卧室收集数据：
  whereami learn -l bedroom
• 添加多个位置：重复操作以覆盖厨房、客厅等不同区域：
  whereami learn -l kitchen
• 查看已知位置：
  whereami locations
• 验证模型性能：
  whereami crossval
  输出示例：0.99319 —— 表示模型交叉验证准确率超过99%
• 实时预测：
  whereami predict
  返回结果如：bedroom，表示当前最可能的位置

底层机制解析

• 数据采集：通过 access_points 库获取当前可用的WiFi接入点信息（包括信号强度、MAC地址等）
• 特征工程：将每个接入点的信号值转化为向量输入，形成特征矩阵
• 模型训练：使用 RandomForestClassifier 构建分类模型，支持多类别识别
• 推理接口：提供 predict()、predict_proba() 和 crossval() 等方法，便于集成到其他应用中

提升识别效果的建议

• 每个位置至少采集5~10次样本，避免单一读数偏差
• 采样间隔保持15秒以上，确保信号波动充分反映真实状态
• 在不同区域间交替采样，增强模型泛化能力
• 对于小于2米的精细定位，推荐采用"轮换训练"策略

程序化调用方式

除了命令行，也可直接在 Python 脚本中调用其功能：

from whereami import learn, predict, crossval

# 添加新位置
learn("study_room")

# 获取当前位置
location = predict()
print(f"当前所在区域：{location}")

# 检查模型稳定性
accuracy = crossval()
print(f"模型准确率：{accuracy:.4f}")

性能表现

• 水平距离识别（10米内）：准确率可达99%+
• 垂直方向区分（楼层切换）：通常优于水平识别
• 家庭环境：7个有效接入点即可稳定运行
• 企业级场景：支持多达70个接入点，适应复杂布局

数据存储路径

所有训练数据保存于用户主目录下的 .whereami 文件夹中，路径为：
$HOME/.whereami
可手动查看或删除历史记录以重置系统。

借助 this 工具，你可以轻松打造智能场景感知系统，用于自动化灯光控制、环境调节或工作流触发。从今天起，让设备真正"知道"你在哪。