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

Stel je voor dat je door een drukke luchthavenhal loopt of door een overvolle universiteitscampus. Je bent niet alleen omringig door mensen; je bent omringd door een stille, onzichtbare zwerm van digitale gesprekken. Elke smartphone, smartwatch en laptop die je bij je draagt, roept constant in de leegte door kleine digitale "hallo"-signalen te sturen, genaamd Probe Request Frames (PRF's), om nabijgelegen Wi-Fi-netwerken te vinden. Het is alsof iedereen in de kamer een zaklamp vasthoudt en deze elke paar seconden aan- en uitzet om te zien wie er nog meer aanwezig is.

Lange tijd wilden wetenschappers en stadsplanners deze knipperende zaklampen tellen om te begrijpen hoeveel mensen er in een menigte aanwezig zijn. Dit is cruciaal voor alles, van het beheren van het verkeer bij bushaltes tot het beslissen wanneer de airconditioning in een studiezaal moet worden aangezet. Maar er is een addertje onder het gras: om je privacy te beschermen, gebruikt je telefoon vaak niet je permanente ID; het verandert vaak van digitale naam (MAC-adres) telkens wanneer het een signaal uitzendt. Dit betekent dat één persoon voor een sensor kan lijken op tien verschillende vreemden. De gebruikelijke oplossing is geweest om complexe, zware computerbreinen (machine learning) te gebruiken om te proberen te achterhalen welke knippers bij dezelfde persoon horen. Maar deze computerbreinen zijn hongerig naar data, duur om te trainen en hebben constante begeleiding door experts nodig. Wat als er een simpelere manier was om de menigte te tellen zonder een supercomputer nodig te hebben?

Maak kennis met RateCount, een nieuwe aanpak die werkt als een slimme detective die de namen op de zaklampen negeert en in plaats daarvan gewoon telt hoe snel ze knipperen. De onderzoekers, onder leiding van Tianlang He en collega's, ontdekten dat je niet hoeft te weten wie er knippert om te weten hoeveel mensen er zijn; je moet alleen de snelheid weten waarmee het knipperen gebeurt.

Hier is de goocheltruc: het artikel stelt voor dat als je alle "hallo"-signalen over een specifieke periode (een "window" of tijdsvenster) beluistert, het totale aantal signalen direct gerelateerd is aan het aantal aanwezige apparaten. Denk aan het tellen van regendruppels die op een dak vallen. Je hoeft niet te weten welke druppel van welke wolk kwam; je moet alleen weten dat als de regen valt met 10 druppels per seconde, en je weet dat een enkele wolk meestal 1 druppel per seconde laat vallen, je dan ongeveer 10 wolken hebt. RateCount gebruikt een eenvoudige wiskundige formule om de totale "knippersnelheid" van de menigte te delen door de gemiddelde "knippersnelheid" van een enkel apparaat.

Het artikel voert een sterk argument tegen het idee dat we machine learning moeten gebruiken om dit op te lossen. De auteurs laten zien dat de complexe methoden die door de "state-of-the-art" (de beste bestaande systemen) worden gebruikt, overdreven zijn. Die methoden proberen elk signaal terug te koppelen aan een specifiek apparaat, wat moeilijk is vanwege de privacy-gerelateerde naamveranderingen. RateCount slaat die stap volledig over. In plaats van een puzzel van identiteit op te lossen, lost het een puzzel van volume op. In plaats van te proberen een identiteitspuzzel op te lossen, lost het een puzzel van volume op. De onderzoekers hebben wiskundig bewezen dat hun methode "onbevooroordeeld" (unbiased) is, wat betekent dat het niet systematisch te veel of te weinig mensen in de menigte telt, zelfs niet met alle chaos van de naamveranderingen.

Om er zeker van te zijn dat dit niet slechts een gelukkige gok is, heeft het team RateCount in de echte wereld getest. Ze plaatsten sensoren in een universiteitslab, een gebouwingang, een campusatrium, een studieruimte en een druk busstation. Cruciaal is dat, hoewel het systeem geen zwaar werk van machine learning training vereist, het wel een eenmalige, on-site dataverzamelfase nodig heeft. Het systeem moet het netwerk een tijdje beluisteren om het specifieke "knipperritme" (probing interval distribution) van die specifieke locatie te leren, omdat verschillende omgevingen verschillende patronen hebben. Zodra dit lokale ritme is geleerd, kan het systeem apparaten nauwkeurig tellen zonder verdere training of complexe modelafstemming.

Er is echter één belangrijke nuance bij de overgang van het tellen van apparaten naar het tellen van mensen. Omdat één persoon meerdere apparaten kan dragen (zoals een telefoon en een horloge), is het tellen van apparaten alleen niet voldoende om het aantal mensen te weten. Om deze kloof te overbruggen, maakt het systeem gebruik van een multimodale kalibratieprocedure. Dit houdt in dat er een specifieke "kalibratiezone" wordt ingesteld (zoals een campusatrium) waar de Wi-Fi-sensoren samenwerken met andere technologieën, zoals camera's, om de device-to-person ratio (het aantal apparaten per persoon) te schatten. Door het Wi-Fi-apparaatenaantal te vergelijken met het mensenaantal van de camera in dit specifieke gebied, leert het systeem de lokale ratio (bijvoorbeeld 1,14 apparaten per persoon). Deze gekalibreerde ratio kan vervolgens worden toegepast op andere gebieden om het apparaatenaantal om te zetten in een accuraat aantal mensen.

Het team vergeleek hun simpele "knippersnelheid"-methode met de zware machine learning-systemen en zelfs met camera's (die meestal de gouden standaard zijn voor het tellen van mensen). De resultaten waren verrassend: RateCount was net zo nauwkeurig als de complexe machine learning-systemen, maar vereiste geen machine learning-trainingsdata en geen voortdurende modelonderhoud. Sterker nog, toen ze het gebruikten om mensen te tellen (met de beschreven kalibratieschema), verminderde het de tel-fouten van eerdere Wi-Fi-methoden met een enorme 66%.

Het paper geeft ons ook een hulpmiddel om te weten hoe "zeker" de telling is. Ze creëerden een "foutmodel" dat werkt als een weersverwachting voor de data. Het vertelt je dat als je over een langere tijd telt (een groter venster), je schatting nauwkeuriger wordt, maar als de menigte te snel verandert, heb je misschien een korter venster nodig om de actie te vangen. Ze ontdekten dat de methode in drukke plaatsen feitelijk nauwkeuriger is in relatieve termen, wat betekent dat hoe groter de menigte, hoe beter de foutmarge in percentage wordt.

Kortom, RateCount bewijst dat soms het simpelste antwoord het beste is. Door te luisteren naar het ritme van de digitale menigte in plaats te proberen elk individueel lid te identificeren, kunnen we een helder en nauwkeurig beeld krijgen van hoeveel mensen er om ons heen zijn, zonder dat we dure machine learning-opstellingen of iemands privacy schenden. Het verandert een complexe identiteitspuzzel in een eenvoudige puzzel van het tellen van beats, waardoor het mogelijk wordt om crowd-counting systemen overal in te zetten met minimale installatie en laag onderhoud.