National and Kapodistrian University of Athens
MSc THESIS - Occupancy Detection in Indoor Environments Based on Wi-Fi Measurements and Machine Learning Methods
Abstract
dc:descriptionΟι 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 × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3232016