楼层定位怎么验收：一份能被审计的判层测试方法

引子：99.2% 的准确率，抽检时露了底

一次验收会，乙方报“楼层准确率 99.2%”。甲方没急着签字，现场随机抽了 30 条历史记录逐条核对：其中 11 条是“在同一层内走动”被记为正确，真正跨层的样本只有 4 条，另外 15 条因各种原因无法确认。

重新按跨层样本单独统计，准确率是 78%。两个数字都没造假，只是分母不同。

这类分歧在楼层定位项目里非常普遍，原因不复杂：判层是一个离散状态判断，它的准确率高度依赖测试集怎么构造。层内样本天然容易对，跨层样本天然容易错，两者的比例决定最终数字。这篇文章讲怎么把这件事做成可审计的。

一、问题定义：三个口径陷阱

陷阱一：分层加权。层内样本与跨层样本的比例决定结果。一栋楼里，人绝大多数时间在同一层活动，随机抽样自然以层内样本为主。用这个比例算出 99%，再拿去做跨层派单，落差必然出现。正确做法是分场景分别报：层内准确率、相邻跨层准确率、多层跨层准确率，各给各自的样本数与结果。

陷阱二：判定时刻的定义。以“人真正跨过层边界那一刻”为基准，还是以“系统输出稳定下来的那一刻”为基准？两者差一个驻留时间。用前者算，任何带滞回的系统都会显得迟钝；用后者算，又掩盖了真实时延。这对指标必须一起报：首次判对时延与稳定判对时延。

陷阱三：分母是时间还是事件。按时间加权，长停留会主导结果（一个人在会议室坐两小时，正确率被这一段拉高）；按事件加权，跨层次数少的样本权重会被放大。要报清楚用哪一种，最好两种都报。

二、技术原理：像电梯年检那样设计测试

电梯年检不是“坐一趟看看有没有异响”，而是按规程跑固定工况：空载、满载、限速、制动距离，逐项记录。判层验收也应该这样——固定路线、固定停留、固定点位，才能在不同轮次之间比较。

测试集怎么构造。一条覆盖性路线，必须包含：楼梯上行与下行、电梯（短行程与长行程各若干次）、自动扶梯、连廊（如果有多塔）、坡道（如果有地下层）、每层的典型点位（核心区、边界区、电梯厅、楼梯口）。每条路线重复多次，且在不同时段测（早晚人流差异会影响信号）。

真值从哪来。人工标注是最可靠的方式：一个人走、另一个人按秒打点，或用视频回放同步标注。事后凭记忆补录真值的做法很常见，但它引入的时间误差足以让跨层时延这项指标失真。

指标族怎么定。建议至少四项：跨层检出率（该跨层时是否跨了）、误翻转次数/小时（不该翻时翻了几次）、首次判对时延（从真实跨层到系统首次输出正确层号的秒数）、置信度校准（系统报 90% 置信时，实际正确率是否接近 90%）。

图 1 的关键在“按场景分层统计”这一步。把跨层样本和层内样本分开算，是这份测试方法能不能被审计的分水岭。

三、方案对比：四种验收方式

表里的“可审计性”指的是：第三方能否拿着同样数据复现你的结论。全量回放加标注比对最强，因为它把证据链留下来了。

图 2 的使用方式：交付验收用分段路线实测（成本可控、可重复）；出现争议项用全量回放复核；上线后用长期监测看稳定性。

四、技术细节：把指标写成合同条款

样本量要够。跨层样本是最稀缺的，按经验量级，至少需要数百次跨层才具备统计意义。层高多、垂直交通频繁的楼比较容易凑；单层面积大、跨层少的楼，凑样本本身就是成本。这一点要在合同里写清楚，而不是等到验收时才发现样本不够。

指标定义要写到没有歧义。“跨层检出率”的分母是什么（所有真实跨层次数）？容差多少秒（比如真实跨层后 20 s 内输出正确即算检出）？这两句不写清楚，验收会上一定吵。

置信度校准要单独看。这是最容易被跳过、但对业务最有用的一项。系统输出的置信度如果不可靠（报 90% 实际只有 60%），下游任何按置信度做的降级、告警、人工复核策略都会失效。做法很朴素：把测试集的样本按置信度分桶，统计每桶的实际正确率，画一条可靠度曲线。

边界场景必须单列。楼梯间、电梯厅、连廊、坡道、夹层，这些是错误集中区。把它们混在总体样本里，会被大面积正确样本淹没。建议对每个边界场景单独给一行指标。

回归测试要能重跑。每次调参、每次布点调整、每次图纸更新，都应该用同一套测试集重跑一遍。这意味着测试集与真值必须存档，且能自动化比对。没有这一条，改进就无法证明。

几个踩过的坑：

• 只测同层，结果漂亮但对业务无用。
• 用系统自身日志当真值——这是循环论证，等于用被测对象证明被测对象正确。
• 忽略时间对齐，跨层时延被算多了或算少了十几秒。
• 把“没有输出”算作正确。降级态不输出层号，如果按“没有输出错误”来计分，系统越保守分数越高。

五、局限与边界

人工标注成本高。全量标注在大项目上不现实，只能抽样。抽样就要接受代表性误差，这一点应当如实写进报告。

长期在线监测没有真值。它能看稳定性（翻转频次、覆盖率），看不出正确性。别把稳定性数据当成准确率来用。

不同建筑之间的指标不可直接横向比较。层高、结构、人流、终端型号都不同。同一份测试集在同一栋楼的两次测试之间可比，跨楼比较意义有限。

验收通过不等于长期可用。布点被挪动、图纸更新、人员构成变化，都会让指标漂移。指标需要定期复测，而不是一次验收管三年。

六、结论

判层验收的核心不是算法多好，而是口径多清楚。同一套系统，换一种统计口径就能得出 78% 或 99% 两个结论，这两个数字都没有造假——差别在于分母里有没有跨层样本。

给一个可执行的判断标准：看验收报告里有没有这三个数——跨层样本数与跨层检出率、误翻转次数/小时、首次判对时延。三个都有，报告可以支撑判层能力结论；缺任何一个，这个准确率数字都不足以作为决策依据。

落地建议：把测试集、真值标注文件与指标定义写成合同附件，而不是只写一个准确率数字。这份附件在项目后半程的价值，往往比算法本身更高——它会逼着双方在开工前把“什么算对”说清楚。