проводились в двух типах помещений: в комбинированном офисе с комнатами и коридором, где в каждой комнате была своя точка доступа, и в опенспейсе с центральными точками доступа и переговорными комнатами вдоль стены. Были реализованы два подхода к позиционированию: классический метод k-ближайших соседей (kNN) и компактная нейронная сеть с одним скрытым слоем на основе библиотеки Keras. Дополнительные улучшения включали использование инерциальных датчиков телефона, два метода калибровки распространения радиоволн (метод полного перебора и трассировка лучей), а также ключевую особенность: использование данных информационного моделирования зданий (BIM), таких как планы этажей и материалы стен, и семантических вероятностей местонахождения человека на основе расписания. Были протестированы два семантических подхода: позиционирование с весовыми коэффициентами вероятности и полигоны для каждой комнаты, размеры которых зависят от максимальной ошибки калибровки. Результаты показали, что простые методы kNN работают, но значительно выигрывают от калибровки; добавление BIM и семантических вероятностей уменьшает ошибочное определение местоположения в соседних комнатах при граничных значениях RSSI; комбинация подходов дает более высокую стабильность, чем любой отдельный метод. Точность сильно зависит от плотности Wi-Fi и планировки: комнаты с одной точкой доступа на каждую показали лучшие результаты, чем опенспейс с несколькими центральными точками доступа. Проверка концепции подтвердила, что для аналитики заполняемости (статистика, тепловые карты) Wi-Fi вместе с BIM обычно достаточно, в то время как для сверхточного позиционирования (точность 0,5 м) все еще требуется специализированное оборудование. Потенциальные бизнес-приложения включают быструю оценку использования помещений без