RateCount: Learning-Free Device Counting by Wi-Fi Probe Listening

Stellen Sie sich vor, Sie gehen durch ein belebtes Flughafenterminal oder einen überfüllten Universitätscampus. Sie sind nicht nur von Menschen umgeben; Sie sind von einem stillen, unsichtbaren Schwarm digitalen Geplappers umgeben. Jedes Smartphone, jede Smartwatch und jeder Laptop, den Sie bei sich tragen, ruft ständig in die Leere und sendet winzige digitale „Hallo“-Signale namens Probe Request Frames (PRFs) aus, um nach nahegelegenen WLAN-Netzwerken zu suchen. Es ist, als würde jeder im Raum eine Taschenlampe halten und sie alle paar Sekunden an- und ausschalten, um zu sehen, wer sonst noch da ist.

Lange Zeit wollten Wissenschaftler und Stadtplaner diese blinkenden Taschenlampen zählen, um zu verstehen, wie viele Menschen sich in einer Menge befinden. Dies ist entscheidend für alles – vom Management des Verkehrs an Bushaltestellen bis hin zur Entscheidung, wann die Klimaanlage in einem Hörsaal eingeschaltet werden soll. Aber es gibt einen Haken: Um Ihre Privatsphäre zu schützen, verwendet Ihr Telefon nicht einfach Ihre permanente ID; es ändert oft seinen digitalen Namen (MAC-Adresse), jedes Mal, wenn es blinkt. Das bedeutet, dass eine Person für einen Sensor wie zehn verschiedene Fremde aussehen kann. Die übliche Lösung bestand darin, komplexe, leistungsstarke Computergehirne (maschinelles Lernen) einzusetzen, um herauszufinden, welche Blinker zu derselben Person gehören. Aber diese Computergehirne sind hungrig nach Daten, teuer in der Ausbildung und benötigen ständige Betreuung durch Experten. Was wäre, wenn es einen einfacheren Weg gäbe, die Menge zu zählen, ohne einen Supercomputer zu benötigen?

Hier kommt RateCount ins Spiel, ein neuer Ansatz, der wie ein kluger Detektiv agiert, der die Namen auf den Taschenlampen ignoriert und stattdessen einfach zählt, wie schnell sie blinken. Die Forscher, angeführt von Tianlang He und Kollegen, entdeckten, dass man nicht wissen muss, wer blinkt, um zu wissen, wie viele Leute da sind; man muss nur die Rate wissen, mit der das Blinken geschieht.

Hier ist der Zaubertrick: Das Paper schlägt vor, dass, wenn man alle „Hallo“-Signale über einen bestimmten Zeitraum (ein „Fenster“ der Zeit) beobachtet, die Gesamtzahl der Signale direkt mit der Anzahl der anwesenden Geräte zusammenhängt. Stellen Sie sich vor, Sie zählen Regentropfen, die auf ein Dach prasseln. Sie müssen nicht wissen, welcher Tropfen aus welcher Wolke kam; Sie müssen nur wissen, dass wenn der Regen mit 10 Tropfen pro Sekunde fällt und Sie wissen, dass eine einzelne Wolke normalerweise 1 Tropfen pro Sekunde abgibt, dann haben Sie etwa 10 Wolken. RateCount verwendet eine einfache mathematische Formel, um die gesamte „Blinkgeschwindigkeit“ der Menge durch die durchschnittliche „Blinkgeschwindigkeit“ eines einzelnen Geräts zu teilen.

Das Paper argumentiert vehement dagegen, dass wir maschinelles Lernen verwenden müssen, um dieses Problem zu lösen. Die Autoren zeigen, dass die komplexen Methoden, die von den „State-of-the-Art“-Systemen (den besten existierenden Systemen) verwendet werden, übertrieben sind. Diese Methoden versuchen, jedes einzelne Signal wieder einem spezifischen Gerät zuzuordeln, was schwierig ist, da sich die Namen aus Datenschutzgründen ändern. RateCount überspringt diesen Schritt komplett. Anstatt zu versuchen, ein Identitätspuzzle lösen, löst es ein Volumenpuzzle. Anstatt ein Rätsel der Identität zu lösen, löst es ein Rätsel des Volumens. Die Forscher haben mathematisch bewiesen, dass ihre Methode „unverzerrt“ (unbiased) ist, was bedeutet, dass sie die Menge nicht systematisch über- oder unterzählt, selbst mit dem Chaos der Namensänderungen.

Um sicherzustellen, dass dies nicht nur ein glücklicher Zufall ist, testete das Team RateCount in der realen Welt. Sie installierten Sensoren in einem Universitätslabor, einem Gebäudeeingang, einem Campus-Atrium, einem Lernraum und einer belebten Bushaltestelle. Entscheidend ist, dass das System, obwohl es die schwere Arbeit des maschinellen Lernens vermeidet, eine einmalige Datenerfassungsphase vor Ort erfordert. Das System muss das Netzwerk eine Weile lang belauschen, um den spezifischen „Blinkrhythmus“ (die Verteilung der Suchintervalle) an diesem spezierten Ort zu lernen, da verschiedene Umgebungen unterschiedliche Muster aufweisen. Sobald dieser lokale Rhythmus gelernt wurde, kann das System die Geräte genau zählen, ohne weiteres Training oder komplexe Modellabstimmung.

Es gibt jedoch eine wichtige Nuance beim Übergang vom Zählen von Geräten zum Zählen von Menschen. Da eine Person mehrere Geräte besitzen kann (wie ein Telefon und eine Uhr), reicht es nicht aus, einfach nur die Geräte zu zählen, um die Anzahl der Menschen zu kennen. Um diese Lücke zu schließen, setzt das System ein multimodales Kalibrierungsschema ein. Dies beinhaltet die Einrichtung einer spezifischen „Kalibrierungsregion“ (wie etwa eines Campus-Atriums), in der die WLAN-Sensoren zusammen mit anderen Technologien, wie Kameras, arbeiten, um das Geräte-zu-Person-Verhältnis zu schätzen. Durch den Vergleich der WLAN-Gerätezahl mit der menschlichen Anzahl der Kamera in diesem spezifischen Bereich lernt das System das lokale Verhältnis (z. B. 1,14 Geräte pro Person). Dieses kalibrierte Verhältnis kann dann auf andere Bereiche angewendet werden, um die Gerätezahl in eine genaue Personenzahl umzuwandeln.

Das Team verglich die einfache „Blinkraten“-Methode mit den schwerfälligen Systemen des maschinellen Lernens und sogar mit Kameras (die normalerweise den Goldstandard für das Zählen von Menschen darstellen). Die Ergebnisse waren überraschend: RateCount war genauso genau wie die komplexen Systeme des maschinellen Lernens, erforderte aber keine Trainingsdaten für maschinelles Lernen und keine laufende Modellwartung. Tatsächlich senkte es bei der Verwendung zur Zählung von Menschen (unter Anwendung des beschriebenen Kalibrierungsschemas) die Zählfehler früherer WLAN-Methoden um massive 66 %.

Das Paper liefert uns auch ein Werkzeug, um zu wissen, wie „sicher“ die Zählung ist. Sie entwickelten ein „Fehlermodell“, das wie eine Wettervorhersage für die Daten fungiert. Es sagt Ihnen, dass Ihre Schätzung genauer wird, wenn Sie über einen längeren Zeitraum (ein größeres Fenster) zählen, aber wenn sich die Menge zu schnell verändert, benötigen Sie vielleicht ein kürzeres Fenster, um das Geschehen zu erfassen. Sie fanden heraus, dass die Methode in belebten Orten im relativen Sinne tatsächlich genauer ist, was bedeutet: Je größer die Menge, desto besser wird der prozentuale Fehler.

Kurz gesagt: RateCount beweist, dass manchmal die einfachste Antwort die beste ist. Indem wir dem Rhythmus der digitalen Menge zuhören, anstatt zu versuchen, jedes einzelne Mitglied zu identifizieren, können wir ein klares, genaues Bild davon bekommen, wie viele Menschen um uns herum sind, ohne teure Maschinelles-Lernen-Setups oder die Privatsphäre zu verletzen. Es verwandelt ein komplexes Identitätsproblem in ein einfaches Problem des Zählens von Takten und macht es möglich, Crowd-Counting-Systeme überall mit minimalem Setup und geringem Wartungsaufwand einzusetzen.