[发明专利]基于Wi-Fi数据的高速服务区人群密度估计系统

说明书

本公开提供了一种基于Wi‑Fi数据的高速服务区人群密度估计系统，包括数据采集装置，其被配置为采集各个服务区的地理位置相关信息及Wi‑Fi数据；利用回归模型估计出服务区人数；回归模型的自变量为各个服务区各个小时区间内连接Wi‑Fi人数，因变量为对应服务区人数；自变量的斜率为连接意愿的倒数，连接意愿由各个服务区的环境特征、功能定位特征、天特征和小时特征与相应学习参数相乘构成；环境特征和功能定位特征分别从相应服务区的Wi‑Fi数据和地理位置相关信息中提取；天特征和小时特征均为预设分段函数；根据估计出的服务区人数以及用户进入服务区的连接AP顺序，预测用户的行为偏好，进而估计出服务区中各功能区的人数，最后得到服务区的人群密度。

技术领域

本公开属于高速服务区人数估计领域，尤其涉及一种基于Wi-Fi数据的高速服务区人群密度估计系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

城市计算是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战(如环境恶化、交通拥堵、能耗增加、规划落后等)的过程，致力于提高人们的生活品质、保护环境和促进城市运转效率。城市计算帮助我们理解各种城市现象的本质，合理有效的感知城市动态。在城市计算场景中，实时人群密度估算具有广泛的应用，例如精准营销，交通规划，资源配置，优化布局等。银行，医院，车站，机场；餐厅，咖啡店，购物中心，超市；酒店，体育场馆，娱乐场所等，了解这些特定区域的人数，不仅能够预防高密度人群带来的危险问题，而且还能依据人群规模分布，合理规划资源来提升公共服务质量。

对于室内环境，Wi-Fi是一个合适的选择，因为它不需要额外的硬件安装。目前，使用Wi-Fi进行人数统计可以分为如下三种技术：接收信号强度(RSSI)；信道状态信息(CSI)；Wi-Fi探测请求和响应。启用Wi-Fi的设备，即使没有建立连接，该设备也连续地向其周围的接入点发送“探查请求”信号。Wi-Fi嗅探器(或称Wi-Fi探针)，不停地接收这类信号，并转换后发送到后台服务器。

发明人发现，现有的基于Wi-Fi的人数估计方法主要利用Wi-Fi是布置在室内的优势，相对于GPS和移动网络数据，其空间粒度更精细；利用Wi-Fi设施的必要性基础性，与红外感测，压力感测，视频监测等相比，避免了硬件成本高、安装和维护较复杂的缺点。但上述现有的三种Wi-Fi相关技术要么只能对活动的人员进行估计，要么只能探查到开启Wi-Fi的设备，导致密度估计不够全面，整体准确度有待提升。

发明内容

为了解决上述问题，本公开的第一个方面提供一种基于Wi-Fi数据的高速服务区人群密度估计系统，其旨在丰富机器学习任务的特征，以减少回归误差，提高预测精度；减少拟合系数的数量，使得在少量样本下仍能够达到较好的性能，通过Wi-Fi的记录数据提取当前场景的时间信息和空间信息，将连接意愿归结为时间特征和空间特征的加权和，对人群密度进行准确的估计。

为了实现上述目的，本公开采用如下技术方案：

一种基于Wi-Fi数据的高速服务区人群密度估计系统，包括：

数据采集装置，其被配置为：采集各个服务区的地理位置相关信息及Wi-Fi数据；所述Wi-Fi数据包括各个服务区每个小时区间内的连接Wi-Fi人数、各个服务区的上传总流量、下载总流量、用户每次连接Wi-Fi的平均时间和AP数量；

数据处理器，其被配置为：

利用回归模型估计出服务区人数；回归模型的自变量为各个服务区各个小时区间内连接Wi-Fi人数，因变量为对应服务区人数；自变量的斜率为连接意愿的倒数，连接意愿由各个服务区的环境特征、功能定位特征、天特征和小时特征与相应学习参数相乘构成；环境特征和功能定位特征分别从相应服务区的Wi-Fi数据和地理位置相关信息中提取；天特征和小时特征均为预设分段函数；