⚡ electrical engineering

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

RateCount es un enfoque ligero y sin necesidad de aprendizaje que estima con precisión el número de dispositivos Wi-Fi y personas mediante el uso de una expresión de forma cerrada, demostrablemente imparcial, basada en las tasas de tramas de solicitudes de sondeo (probe requests), eliminando así los extensos costos de recolección de datos y mantenimiento de modelos asociados con los métodos basados en aprendizaje automático, al tiempo que logra una precisión de vanguardia.

Autores originales: Tianlang He, Zhangyu Chang, Zhongming Lin, S. -H. Gary Chan

Publicado 2026-07-27

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Tianlang He, Zhangyu Chang, Zhongming Lin, S. -H. Gary Chan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que caminas por la terminal de un aeropuerto concurrido o por el campus de una universidad llena de gente. No solo estás rodeado de personas; estás rodeado de un enjambre silencioso e invisible de charla digital. Cada teléfono inteligente, reloj inteligente y computadora portátil que llevas contigo está gritando constantemente al vacío, enviando pequeñas señales digitales de "hola" llamadas Tramas de Solicitud de Sondeo (PRFs, por sus siglas en inglés) para encontrar redes Wi-Fi cercanas. Es como si todos en la habitación estuvieran sosteniendo una linterna y parpadeándola de un encendido a un apagado cada pocos segundos para ver quién más está allí.

Durante mucho tiempo, científicos y planificadores urbanos han querido contar estas linternas que parpadean para entender cuántas personas hay en una multitud. Esto es crucial para todo, desde gestionar el tráfico en las paradas de autobús hasta decidir cuándo encender el aire acondicionado en una sala de estudio. Sin embargo, hay un inconveniente: para proteger tu privacidad, tu teléfono no utiliza simplemente su ID permanente; a menudo cambia su nombre digital (dirección MAC) cada vez que parpadea. Esto significa que una persona puede parecer diez extraños diferentes para un sensor. La solución habitual ha sido utilizar cerebros informáticos complejos y de gran capacidad (aprendizaje automático o machine learning) para intentar determinar a qué persona pertenece cada parpadeo. Pero estos cerebros informáticos son hambrientos de datos, costosos de entrenar y necesitan supervisión constante de expertos. ¿Y si hubiera una forma más sencilla de contar la multitud sin necesidad de una supercomputadora?

Aquí entra RateCount, un nuevo enfoque que actúa como un detective astuto que ignora los nombres en las linternas y, en su lugar, simplemente cuenta qué tan rápido están parpadeando. Los investigadores, liderados por Tianlang He y sus colegas, descubrieron que no necesitas saber quién está parpadeando para saber cuántas personas hay; solo necesitas saber la tasa a la que ocurre el parpadeo.

Aquí está el truco de magia: el artículo propone que si escuchas todas las señales de "hola" durante un período específico (una "ventana" de tiempo), el número total de señales está directamente relacionado con el número de dispositivos presentes. Imagina que estás contando gotas de lluvia golpeando un techo. No necesitas saber de qué nube vino cada gota; solo necesitas saber que si la lluvia cae a 10 gotas por segundo, y sabes que una sola nube suele soltar 1 gota por segundo, entonces tienes aproximadamente 10 nubes. RateCount utiliza una fórmula matemática simple para dividir la "velocidad de parpadeo" total de la multitud por la "velocidad de parpadeo" promedio de un solo dispositivo.

El artículo argumenta con fuerza en contra de la idea de que debemos usar aprendizaje automático para resolver esto. Los autores demuestran que los métodos complejos utilizados por el "estado del arte" (los mejores sistemas existentes) son excesivos. Esos métodos intentan vincular cada señal individual con un dispositivo específico, lo cual es difícil debido a los cambios de nombre por privacidad. RateCount se salta ese paso por completo. En lugar de intentar resolver un rompecabezas de identidad, resuelve un rompecabezas de volumen. En lugar de intentar resolver un rompecabezas de identidad, resuelve un rompecabezas de volumen. Los investigadores demostraron matemáticamente que su método es "insesgado", lo que significa que no cuenta sistemáticamente de más o de menos a la multitud, incluso con todo el caos de los cambios de nombre.

Para asegurarse de que esto no sea solo una suposición de suerte, el equipo probó RateCount en el mundo real. Instalaron sensores en un laboratorio universitario, la entrada de un edificio, un atrio del campus, una sala de estudio y una estación de autobuses concurrida. Crucialmente, aunque el sistema evita el trabajo pesado del entrenamiento de aprendizaje automático, sí requiere una fase de recolección de datos en el sitio de una sola vez. El sistema necesita escuchar la red durante un tiempo para aprender el "ritmo de parpadeo" específico (distribución del intervalo de sondeo) de ese lugar en particular, ya que diferentes entornos tienen diferentes patrones. Una vez que se aprende este ritmo local, el sistema puede contar los dispositivos con precisión sin necesidad de más entrenamiento o ajustes de modelos complejos.

Sin embargo, hay un matiz importante cuando se pasa de contar dispositivos a contar personas. Dado que una persona puede llevar múltiples dispositivos (como un teléfono y un reloj), contar simplemente los dispositivos no es suficiente para saber el número de humanos. Para cerrar esta brecha, el sistema emplea un esquema de calibración multimodal. Esto implica establecer una "región de calibración" específica (como un atrio del campus) donde los sensores Wi-Fi trabajen junto con otras tecnologías, como cámaras, para estimar la relación dispositivo-persona. Al comparar el recuento de dispositivos Wi-Fi con el recuento de humanos de la cámara en esa área específica, el sistema aprende la relación local (por ejemplo, 1.14 dispositivos por persona). Esta relación calibrada se aplica luego a otras áreas para convertir el recuento de dispositivos en un recuento de personas preciso.

El equipo comparó su método sencillo de "tasa de parpadeo" contra los sistemas de aprendizaje automático de alta potencia e incluso contra cámaras (que suelen ser el estándar de oro para contar personas). Los resultados fueron sorprendentes: RateCount fue tan preciso como los complejos sistemas de aprendizaje automático pero requirió ningún dato de entrenamiento de aprendizaje automático y ningún mantenimiento continuo del modelo. De hecho, cuando lo utilizaron para contar personas (usando el esquema de calibración descrito anteriormente), redujeron los errores de conteo de los métodos anteriores de Wi-Fi en un masivo 66%.

El artículo también nos ofrece una herramienta para saber qué tan "seguro" es el conteo. Crearon un "modelo de error" que actúa como un pronóstico del clima para los datos. Les dice que si cuentas durante un tiempo más largo (una ventana más grande), tu estimación se vuelve más precisa, pero si la multitud cambia demasiado rápido, es posible que necesites una ventana más corta para captar la acción. Descubrieron que en lugares concurridos, el método es en realidad más preciso en términos relativos, lo que significa que cuanto más grande es la multitud, mejor es el porcentaje de error.

En resumen, RateCount demuestra que, a veces, la respuesta más simple es la mejor. Al escuchar el ritmo de la multitud digital en lugar de intentar identificar a cada miembro individualmente, podemos obtener una imagen clara y precisa de cuántas personas hay a nuestro alrededor sin necesidad de configuraciones de aprendizaje automático costosas ni de invadir la privacidad de nadie. Convierte un problema complejo de identidad en un simple problema de contar latidos, haciendo posible el despliegue de sistemas de conteo de multitudes en cualquier lugar con una configuración mínima y un bajo mantenimiento.

Resumen Técnico: RateCount: Conteo de Dispositivos sin Aprendizaje mediante la Escucha de Sondas Wi-Fi

Planteamiento del Problema
Contar dispositivos Wi-Fi dentro de la cobertura de un Punto de Acceso (AP) mediante la escucha de Tramas de Solicitud de Sondeo (PRFs) es una tarea fundamental para aplicaciones de IoT, como la gestión de multitudes y la programación de transporte público. Un desafío principal en este dominio es la aleatorización de direcciones MAC, donde los dispositivos no conectados transmiten direcciones MAC virtuales para proteger la privacidad del usuario. Esto provoca que un solo dispositivo físico aparezca como múltiples dispositivos distintos, lo que genera un sobreconteo significativo si se utiliza un simple conteo de direcciones MAC.

Los enfoques actuales del Estado del Arte (SOTA) abordan esto empleando modelos de aprendizaje automático (ML) para asociar las PRFs de un mismo dispositivo. Sin embargo, estos enfoques sufren altos costos de despliegue y mantenimiento:

Costos de Configuración: Requieren una extensa recolección, curación y entrenamiento de datos.
Costos de Mantenimiento: Los modelos requieren un ajuste fino regular para adaptarse a nuevas marcas y modelos de dispositivos.
Costos Computacionales: Demandan una potencia de cómputo significativa para la inferencia de ML.

Además, los métodos existentes suelen carecer de una comprensión teórica del sesgo de conteo y la varianza del error, particularmente con respecto a la relación entre el tiempo de permanencia del dispositivo y los intervalos de sondeo.

Metodología: RateCount
Los autores proponen RateCount, un enfoque ligero y sin aprendizaje que estima el conteo de dispositivos basándose en la tasa de sondeo (la frecuencia de ráfagas de PRF recibidas por los AP) en lugar del número de direcciones MAC únicas. El sistema opera sobre la base de una ventana deslizante y utiliza dos expresiones de forma cerrada:

Modelo de Tasa (Estimador No Sesgado):
- Concepto: El modelo estima el conteo promedio de dispositivos en la ventana ( $\bar{N}$ ) calculando la relación entre la tasa de sondeo agregada ( $R$ ) de todos los dispositivos en la ventana y la tasa de sondeo media ( $r$ ) de un solo dispositivo.
- Fórmula: $\hat{N} = \frac{R}{r} = \frac{B \cdot \tau}{w}$ , donde $B$ es el número total de ráfagas de sondeo, $w$ es el tamaño de la ventana y $\tau$ es el intervalo de sondeo medio.
- Base Teórica: Los autores demuestran que este estimador es no sesgado para el conteo promedio de dispositivos durante la ventana, independientemente de la distribución específica de los intervalos de sondeo. Esta demostración se basa en el Teorema de Renovación Elemental.
- Requisito de Datos: En lugar del entrenamiento por dispositivo, el sistema requiere solo la distribución marginal de los intervalos de sondeo para un área de conteo específica, la cual puede recolectarse automáticamente a lo largo del tiempo.
Modelo de Error (Estimación de Varianza):
- Los autores derivan una expresión de forma cerrada para el Error Cuadrático Medio (MSE) del conteo, el cual está dominado por la varianza dado que el estimador es no sesgado.
- Fórmula: $MSE(\hat{N}) \approx \frac{B \sigma^2_\tau}{w^2}$ , donde $\sigma_\tau$ es la desviación estándar de los intervalos de sondeo.
- Perspicacia: Este modelo demuestra que el error de conteo disminuye a medida que el tamaño de la ventana ( $w$ ) aumenta y está influenciado por la variabilidad de los intervalos de sondeo. Proporciona una base teórica para seleccionar tamaños de ventana que equilibren el rendimiento en tiempo real y la precisión.

Extensión al Conteo de Personas
Para aplicar el conteo de dispositivos al conteo de personas, RateCount incorpora un esquema de calibración de dispositivo a persona:

Calibración: Una "región de calibración" (por ejemplo, un atrio de un campus) utiliza una modalidad de detección secundaria (por ejemplo, cámaras) para estimar simultáneamente el número de personas ( $\bar{M}$ ) y el conteo de dispositivos ( $\hat{N}$ ).
Estimación de la Relación: Se deriva la relación dispositivo-persona ( $\alpha = \bar{N}/\bar{M}$ ) de esta región.
Aplicación: Esta relación se aplica a otras áreas de conteo para estimar los conteos de personas ( $\hat{M} \approx \hat{N}/\alpha$ ). El sistema utiliza geovallado (vía RSSI y SVM) para asegurar que solo se cuenten los dispositivos dentro del campo de visión de la cámara durante la calibración.

Contribuciones Clave

Estimador No Sesgado sin Aprendizaje: El primer enfoque para contar dispositivos Wi-Fi bajo la aleatorización de direcciones MAC sin aprendizaje automático, utilizando un modelo de tasa de forma cerrada que es demostrablemente no sesgado.
Modelo de Error de Forma Cerrada: Una derivación teórica de la varianza de conteo que explica el impacto del tamaño de la ventana y la varianza del intervalo de sondeo, guiando la configuración del sistema.
Conteo de Personas Práctico: Un marco de calibración multimodal que extiende el conteo de dispositivos al conteo de personas, reduciendo significativamente los errores en comparación con los métodos previos basados en Wi-Fi.

Resultados Experimentales
Los autores implementaron RateCount y realizaron experimentos extensos en diversos entornos (sala de laboratorio, entrada de un edificio, atrio de un campus, estación de autobuses, sala de estudio) con densidades de multitud variables.

Conteo de Dispositivos: RateCount logró una precisión comparable a los enfoques de aprendizaje basados en ML del SOTA, pero sin sus costos de despliegue de ML. Superó significativamente al conteo tradicional de MAC y al simple conteo de MAC calibrado.
Conteo de Personas: Al compararse con el esquema de conteo de personas basado en Wi-Fi del SOTA (CountMeIn), RateCount redujo el error de conteo en un 66% (específicamente, reduciendo el RMSE en ~4.57 y el NRMSE en ~0.66).
Validación del Modelo de Error: Los errores experimentales coincidieron estrechamente con el modelo de error teórico, con una brecha insignificante (aprox. 2% en NRMSE), validando la utilidad del modelo para predecir el rendimiento del sistema.
Aplicación en el Mundo Real: El sistema se desplegó con éxito para monitorear niveles de multitud en una sala de estudio y una estación de autobuses, demostrando su capacidad para capturar patrones de uso (por ejemplo, horas pico después de clases) para la gestión de infraestructura.

Significancia y Reivindicaciones
El artículo afirma que RateCount ofrece una alternativa de despliegue rápido, bajo mantenimiento y costo-efectiva frente a los enfoques de conteo basados en aprendizaje automático. Al eliminar la necesidad de curación de datos de entrenamiento, ajuste de modelos y hardware especializado, hace que el sensor de multitudes basado en Wi-Fi sea accesible para escenarios con recursos computacionales limitados o que requieren una configuración rápida. Los autores enfatizan que su enfoque proporciona una comprensión teóricamente fundamentada del sesgo de conteo y el error, algo que anteriormente faltaba en el campo. Los resultados sugieren que para escenarios concurridos, el error relativo de RateCount es particularmente bajo, lo que lo hace escalable para entornos de alta densidad.

Más como este