Back to search

National and Kapodistrian University of Athens

MSc THESIS - Occupancy Detection in Indoor Environments Based on Wi-Fi Measurements and Machine Learning Methods

Abstract

dc:description

Οι κινητές συσκευές γίνονται σήμερα σημαντικά μέρος της καθημερινότητάς μας λόγω των δυνατοτήτων ασύρματης επικοινωνίας που έχουν επιτρέψει μια σειρά από υπηρεσίες υψηλού επιπέδου. Αυτός ο εξοπλισμός Wi-Fi στέλνει συνεχώς πακέτα που δηλώνονται ως αιτήματα ανίχνευσης που μπορούν να καταγραφούν χρησιμοποιώντας ασύρματα sniffer. Σε αυτή τη διατριβή, προσπαθήσαμε να λύσουμε το πρόβλημα της αξιοποίησης μιας τέτοιας μεθοδολογίας για την ολοκλήρωση της εκτίμησης της πληρότητας λαμβάνοντας υπόψη πόσα άτομα υπάρχουν σε έναν συγκεκριμένο χώρο. Αρχικά, συζητήσαμε τη συλλογή πακέτων αιτημάτων ανίχνευσης Wi-Fi χρησιμοποιώντας τη συσκευή Raspberry Pi και την ανάλυσή τους με εργαλεία ανάλυσης πακέτων. Χειριστήκαμε τη συλλογή δεδομένων σε διαφορετικά περιβάλλοντα, εύρη σε διαφορετικές πυκνότητες επιπέδων και χρησιμοποιήσαμε την κάμερα κινητής τηλεφωνίας ως βασική τιμή αλήθειας. Στη συνέχεια, παρουσιάσαμε πώς μπορούμε να χρησιμοποιήσουμε διευθύνσεις MAC και πληροφορίες επιπέδου ισχύος για την πρόβλεψη εσωτερικού χώρου στο προτεινόμενο μοντέλο γραμμικής παλινδρόμησης κορυφογραμμής χρησιμοποιώντας διαφορετικές προσεγγίσεις. Παρουσιάσαμε ένα φθηνό και ακριβές μοντέλο εκτίμησης πληρότητας που βασίζεται στην καταγραφή των συσκευών των χρηστών πλαισίων Wi-Fi. Το μοντέλο εφαρμόζεται σε υλικό χαμηλού κόστους και χρησιμοποιεί ένα μοντέλο εποπτευόμενης εκμάθησης για να ταιριάζει σε διαφορετικά περιβάλλοντα. Τα πειράματα τέτοιων εκτιμήσεων εσωτερικού χώρου έχουν εφαρμοστεί σε διαφορετικά σενάρια για να καταδειχθεί η εγκυρότητα της προτεινόμενης λύσης και να αξιολογηθούν τα αποτελέσματά της. Τα αποτελέσματα προσδιορίζουν ότι οι κινητές συσκευές έχουν καλές δυνατότητες πρόβλεψης του αριθμού των ατόμων στο χώρο.

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • KOC Muhammed Fatih

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3232016

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

KOC Muhammed Fatih. MSc THESIS - Occupancy Detection in Indoor Environments Based on Wi-Fi Measurements and Machine Learning Methods. 2022. https://pergamos.lib.uoa.gr/uoa/dl/object/3232016