{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3232016"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3232016","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"MSc THESIS - Occupancy Detection in Indoor Environments Based on Wi-Fi Measurements and Machine Learning Methods","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["KOC Muhammed Fatih"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:19:15Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3232016"],"render_values":[{"text":"uoadl:3232016","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3232016","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3232016","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3232016","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["KOC Muhammed Fatih"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3232016","https://pergamos.lib.uoa.gr/uoa/dl/object/3232016"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["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.","Mobile devices are currently significantly becoming part of our daily lives due to the wireless communication capabilities that have enabled a series of high-level services. These Wi-Fi equipment are continuously sending packets stated as probe requests that can be captured using wireless sniffers. In this thesis, we tried to solve the problem of exploiting such a methodology to complete occupancy estimation by considering how many people exist in a specific space. At first, we discussed collecting Wi-Fi probe request packets using the Raspberry Pi device and analysing them with packet analyzer tools. We operated data collection in different environments, ranges in different level densities and used the mobile camera as the ground truth value. Afterwards, we represented how we can use MAC addresses and power level information for indoor prediction in the proposed linear ridge regression model using different approaches. We introduced a cheap and precise occupancy estimation model based on the capture of Wi-Fi frames user’s devices. The model is applied on low-cost hardware and utilized a supervised learning model to fit different environments. The experiments of such indoor estimations have been implemented in different scenarios to demonstrate the validity of the proposed solution and evaluate its results of it. The outcomes specify that mobile devices have good potential for predicting of the number of people in the space."]},{"key":"dc:title","label":"Title","values":["MSc THESIS - Occupancy Detection in Indoor Environments Based on Wi-Fi Measurements and Machine Learning Methods"]}]}],"canonical_facts":{"dc:creator":["KOC Muhammed Fatih"],"dc:date":["2022"],"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.","Mobile devices are currently significantly becoming part of our daily lives due to the wireless communication capabilities that have enabled a series of high-level services. These Wi-Fi equipment are continuously sending packets stated as probe requests that can be captured using wireless sniffers. In this thesis, we tried to solve the problem of exploiting such a methodology to complete occupancy estimation by considering how many people exist in a specific space. At first, we discussed collecting Wi-Fi probe request packets using the Raspberry Pi device and analysing them with packet analyzer tools. We operated data collection in different environments, ranges in different level densities and used the mobile camera as the ground truth value. Afterwards, we represented how we can use MAC addresses and power level information for indoor prediction in the proposed linear ridge regression model using different approaches. We introduced a cheap and precise occupancy estimation model based on the capture of Wi-Fi frames user’s devices. The model is applied on low-cost hardware and utilized a supervised learning model to fit different environments. The experiments of such indoor estimations have been implemented in different scenarios to demonstrate the validity of the proposed solution and evaluate its results of it. The outcomes specify that mobile devices have good potential for predicting of the number of people in the space."],"dc:identifier":["uoadl:3232016","https://pergamos.lib.uoa.gr/uoa/dl/object/3232016"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["MSc THESIS - Occupancy Detection in Indoor Environments Based on Wi-Fi Measurements and Machine Learning Methods"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:19:15Z"}