⚡ electrical engineering

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

RateCount 是一种轻量级、无需学习的方法，它通过使用基于探针请求帧速率的、具有证明无偏性的闭式表达式，能够准确估算 Wi-Fi 设备和人员的数量，从而在实现最先进准确度的同时，消除了与基于机器学习的方法相关的广泛数据收集和模型维护成本。

原作者： Tianlang He, Zhangyu Chang, Zhongming Lin, S. -H. Gary Chan

发布于 2026-07-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tianlang He, Zhangyu Chang, Zhongming Lin, S. -H. Gary Chan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正走在繁忙的机场航站楼或拥挤的大学校园里。你不仅被人群包围，还被一种无形的、数字化的嘈杂声所包围。你携带的每一部智能手机、智能手表和笔记本电脑都在不断地向虚空发出“呼叫”，发送被称为“探针请求帧”（Probe Request Frames, PRFs）的微小数字“你好”信号，以寻找附近的 Wi-Fi 网络。这就像房间里的每个人都拿着手电筒，每隔几秒钟闪烁一下，看看周围还有谁。

长期以来，科学家和城市规划者一直希望通过统计这些“闪烁的手电筒”来了解人群的数量。这对于从管理公交站的交通流量到决定何时开启自习室空调等各种场景都至关重要。然而，这里有一个难点：为了保护你的隐私，你的手机通常不会直接使用其永久 ID，而是经常在每次“闪烁”时更改其数字名称（MAC 地址）。这意味着一个人在传感器眼中可能看起来像是十个不同的陌生人。传统的解决方案是使用复杂的、重型的计算机大脑（机器学习）来试图弄清楚哪些“闪烁”属于同一个人。但这些计算机大脑非常渴求数据，训练成本高昂，且需要专家进行不断的维护。有没有一种更简单的方法，可以在不需要超级计算机的情况下统计人群？

由此诞生了 RateCount，一种全新的方法，它像一位聪明的侦探，忽略手电筒上的名字，转而只计算它们闪烁的速度。研究人员（由 Tianlang He 及其同事领导）发现，你并不需要知道“是谁”在闪烁，只需要知道有多少人在“闪烁的速率”即可。

这就是其中的奥秘：该论文提出，如果你在特定的时间段（一个“窗口期”）内监听所有的“你好”信号，那么信号的总数与存在的设备数量直接相关。这就像统计落在屋顶上的雨滴：你不需要知道每一滴水来自哪朵云，你只需要知道如果雨是以每秒 10 滴的速度落下，且你知道单朵云通常每秒掉落 1 滴，那么你大约有 10 朵云。RateCount 使用一个简单的数学公式，将人群的总“闪烁速度”除以单个设备的平均“闪烁速度”。

该论文强烈反对“我们必须使用机器学习来解决问题”的观点。作者证明了那些被称为“最先进技术”（state-of-the-art）的复杂方法其实是大材小用。那些方法试图将每一个信号都关联回特定的设备，但在面对隐私导致的名称变更时，这非常困难。RateCount 完全跳过了这一步。它不是在试图解决一个身份识别的谜题，而是在解决一个体积规模的谜题。研究人员通过数学证明，该方法是“无偏的”（unbiased），这意味着即使在所有名称变更的混乱情况下，它也不会系统性地多算或少算人群。

为了确保这不仅仅是运气好，团队在现实世界中测试了 RateCount。他们在大学实验室、建筑入口、校园中庭、自习室和一个繁忙的公交站设置了传感器。至关重要的是，虽然该系统避免了机器学习繁重的训练工作，但它确实需要一次性的现场数据采集阶段。 系统需要监听一段时间的网络，以学习该特定环境下的“闪烁节奏”（探测间隔分布），因为不同的环境会有不同的模式。一旦学习了这种局部节奏，系统就可以准确地计数设备，而无需进一步的训练或复杂的模型调优。

然而，从统计“设备”转向统计“人”时，存在一个重要的细微差别。由于一个人可能会携带多个设备（如手机和手表），仅仅统计设备并不足以了解人类的数量。为了弥补这一差距，该系统采用了多模态校准方案。这包括设置一个特定的“校准区域”（例如校园中庭），在该区域内，Wi-Fi 传感器与摄像头等其他技术协同工作，以估算设备与人的比例。通过将 Wi-Fi 设备计数与摄像头的行人计数进行对比，系统可以学习到局部的比例（例如，每人 1.14 个设备）。这个校准后的比例随后会被应用到其他区域，从而将设备计数转换为准确的人数计数。

团队将他们简单的“闪烁速率”法与重型机器学习系统，甚至与摄像头（通常是人数统计的金标准）进行了对比。结果令人惊讶：RateCount 的准确度与复杂的机器学习系统不相上下，但它不需要机器学习训练数据，也不需要持续的模型维护。事实上，当他们使用该方案进行人数统计时（使用上述校准方案），它将以往 Wi-Fi 方法的计数误差大幅降低了 66%。

论文还为我们提供了一个了解计数“确定性”的工具。他们创建了一个“误差模型”，它就像是数据的“天气预报”。它告诉您，如果您在更长的时间内（更大的窗口）进行计数，您的预测会更准确；但如果人群变化太快，您可能需要更短的窗口来捕捉动态。他们发现，在拥挤的地方，该方法在相对意义上实际上更加准确，这意味着人群越密集，误差百分比就越小。

简而言之，RateCount 证明了有时最简单的答案才是最好的。通过聆听数字人群的节奏，而不是试图识别每一个成员，我们可以清晰、准确地了解周围有多少人，而无需昂贵的机器学习设置或侵犯个人隐私。它将一个复杂的身份识别问题转化为了一个简单的计数节拍的问题，使得在极低的设置成本和维护成本下，在任何地方部署人群计数系统成为可能。

技术摘要：RateCount：基于 Wi-Fi 探针监听的无学习设备计数方法

问题陈述
通过监听探针请求帧（Probe Request Frames, PRFs）来统计接入点（AP）覆盖范围内的 Wi-Fi 设备数量，是人群管理和公共交通调度等物联网应用中的一项基础任务。该领域的一个主要挑战是 MAC 地址随机化，即未连接的设备会广播虚拟 MAC 地址以保护用户隐私。这导致单个物理设备在表现上呈现为多个不同的设备，如果使用简单的 MAC 地址计数法，会导致严重的过度计数问题。

目前最先进（SOTA）的方法通过采用机器学习（ML）模型来关联来自同一设备的 PRF 来解决这一问题。然而，这些方法面临着高昂的部署和维护成本：

设置成本： 需要进行大规模的数据收集、整理和模型训练。
维护成本： 模型需要定期进行微调，以适应新的设备品牌和型号。
计算成本： 需要消耗大量的计算能力进行机器学习推理。

此外，现有方法通常缺乏对计数偏差和误差方差的理论理解，特别是在设备停留时间与探测间隔之间的关系方面。

方法论：RateCount
作者提出了 RateCount，一种轻量级的、无需学习的方法，它基于探测速率（即 AP 接收到的 PRF 突发频率）而非唯一 MAC 地址的数量来估计设备数量。该系统基于滑动窗口运行，并利用两个闭式表达式：

速率模型（无偏估计量）：
- 概念： 该模型通过计算窗口内所有设备的聚合探测速率（ $R$ ）与单个设备的平均探测速率（ $r$ ）的比值，来估计窗口内的平均设备数（ $\bar{N}$ ）。
- 公式： $\hat{N} = \frac{R}{r} = \frac{B \cdot \tau}{w}$ ，其中 $B$ 是总探测突发次数， $w$ 是窗口大小， $\tau$ 是平均探测间隔。
- 理论基础： 作者证明了该估计量对于窗口内的平均设备数是无偏的，且独立于探测间隔的具体分布。该证明依赖于初等再生定理（Elementary Renewal Theorem）。
- 数据需求： 该系统不需要进行逐设备训练，仅需要特定计数区域的探测间隔边缘分布，而该分布可以随时间自动收集。
误差模型（方差估计）：
- 作者推导了计数均方误差（MSE）的闭式表达式；由于该估计量是无偏的，因此误差主要由方差决定。
- 公式： $MSE(\hat{N}) \approx \frac{B \sigma^2_\tau}{w^2}$ ，其中 $\sigma_\tau$ 是探测间隔的标准差。
- 见解： 该模型表明，计数误差会随着窗口大小（ $w$ ）的增加而减小，并受探测间隔变动性的影响。它为平衡实时性能与准确性提供了选择窗口大小的理论依据。

扩展至人数统计
为了将设备计数应用于人数统计，RateCount 引入了一种设备-人 $\text{device-to-person}$ 校准方案：

校准： 一个“校准区域”（例如校园中庭）使用第二种感知模态（例如摄像头）同时估计人数（ $\bar{M}$ ）和设备数（ $\hat{N}$ ）。
比例估计： 从该区域得出设备与人的比例（ $\alpha = \bar{N}/\bar{M}$ ）。
应用： 将此比例应用于其他计数区域以估计人数（ $\hat{M} \approx \hat{N}/\alpha$ ）。系统使用地理围栏技术（通过 RSSI 和 SVM）以确保在校准期间，仅统计位于摄像头视野范围内的设备。

核心贡献

无学习无偏估计量： 首次提出了一种在 MAC 地址随机化环境下，无需机器学习即可进行 Wi-Fi 设备计数的方案，利用了具有理论证明的无偏闭式速率模型。
闭式误差模型： 推导了计数方差的理论表达式，解释了窗口大小和探测间隔方差的影响，从而指导系统配置。
实用的计数应用： 通过一个多模态校准框架将设备计数扩展到人数统计，显著降低了以往基于 Wi-Fi 方法的误差。

实验结果
作者实现了 RateCount，并在多种环境（实验室、建筑入口、校园中庭、巴士站、自习室）及不同人群密度下进行了广泛实验。

设备计数： RateCount 达到了与 SOTA 机器学习方法相当的准确度，且无需任何机器学习部署成本。其表现显著优于传统的 MAC 计数和简单的校准 MAC 计数。
人数统计： 与最先进的基于 Wi-Fi 的人数统计方案（CountMeIn）相比，RateCount 将计数误差降低了 66%（具体表现为 RMSE 降低了约 4.57，NRMSE 降低了约 0.66）。
误差模型验证： 实验误差与理论误差模型高度吻合，两者之间的差距极小（NRMSE 差异约为 2%），验证了该模型的实用价值。
实际应用： 系统成功部署用于监测自习室和巴士站的人流水平，展示了其捕捉使用模式（如课后高峰期）的能力，以支持基础设施管理。

意义与主张
论文声称 RateCount 提供了一种快速部署、低维护且具有成本效益的机器学习计数替代方案。通过消除对训练数据整理、模型调优和专用硬件的需求，它使 Wi-Fi 密集型人群感知技术能够适用于计算资源有限或需要快速搭建的场景。作者强调，我们的方法提供了一个具有理论依据的对计数偏差和误差的理解，这在以往领域中是缺失的。结果表明，在拥挤场景下，RateCount 的相对误差极低，使其在处理高密度环境时具有良好的可扩展性。

类似论文