基于被动BLE扫描的无基础设施室内人员数量估算

《Proceedings of the ACM on Human-Computer Interaction》:Infrastructure-Free Indoor Occupancy Estimation via Passive BLE Scanning

【字体: 大 中 小 】 时间:2026年07月06日 来源:Proceedings of the ACM on Human-Computer Interaction

编辑推荐:

  摘要 准确估算室内人员数量是现代智能建筑发展的核心,这类建筑旨在实时优化供暖、通风与空调系统控制、安全保障及资源管理等方面的关键参数,从而减少能源浪费。传统的感应方法,如摄像头、被动红外传感器和二氧化碳监测器,往往存在较高的部署成本、维护负担,以及在《通用数据保护条例》框架下

  摘要
准确估算室内人员数量是现代智能建筑发展的核心,这类建筑旨在实时优化供暖、通风与空调系统控制、安全保障及资源管理等方面的关键参数,从而减少能源浪费。传统的感应方法,如摄像头、被动红外传感器和二氧化碳监测器,往往存在较高的部署成本、维护负担,以及在《通用数据保护条例》框架下带来的严重隐私问题。本文介绍了一种无需侵入式的占用人数估算系统的设计、实现与评估方法,该方法完全依靠移动设备进行的蓝牙低能耗信号扫描,无需预先掌握建筑结构信息或专门的感应基础设施。该算法分析了实验室、教室和走廊等不同大学环境之间的统计差异,同时综合考虑了固定设备与移动设备的数量、人均设备密度以及相邻房间间的信号干扰等因素。基于对设备拥有情况的初步研究,我们设计了基于场景的校准系数,以应对单个使用者可能携带多个蓝牙低能耗发射器的情况。该系统采用三层架构,包括被动蓝牙扫描、结合夜间基准检测的信号过滤,以及自动房间类型分类功能。这种设计使得估算参数可以动态调整,无需人工输入。在多周的时间里,我们在各类大学场所进行了实地测试,结果表明,与传统的设备计数方法相比,这种具备场景感知能力的模型能显著降低估算误差。这一方法为智能校园环境中的实时占用人数监测提供了一种可扩展、成本低且注重隐私保护的解决方案。

AI总结(实验性)
此总结由自动化工具生成,并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性,以及便于相关领域的研究者理解本文内容。它是对作者提供的摘要的补充,而作者提供的摘要仍是文章的核心总结。完整文章才是最权威的版本。点击此处了解更多信息。点击此处对该总结的准确性、清晰度及实用性发表意见,您的反馈将有助于改进未来的总结版本。要查看此AI生成的通俗版总结,需拥有高级访问权限。

1 引言
准确估算室内空间占用情况是现代智能建筑发展的基础,因为建筑的运营效率取决于其感知并响应人类存在的能力。在大学校园这样的动态环境中,实时占用人数数据对于优化暖通空调系统和照明的能耗、通过改善人群管理提升安全性、确定可用学习空间以优化校园体验,以及支持长期的空间规划与利用分析都至关重要。然而,建筑模拟中往往无法准确反映实际使用者的行为,从而导致“能源性能差距”以及不合理的空间分配。因此,精确、实时的占用人数检测对于基于需求的建筑管理而言至关重要。

本研究聚焦于大学场所的监控,这类环境的特点是学生密度不断变化、建筑结构多样且使用模式各异。不过,所提出的模型具有很强的可扩展性,只要能够收集到足够的数据,即可应用于企业办公室、共享办公空间和医疗设施等各类场所。

1.1 传统方法的局限性
传统的占用人数检测方法依赖于各种专用基础设施。由于成本较低,被动红外传感器被广泛使用,但它们往往难以检测静止的人体,且只能提供二元的存在状态信息,因此不适合用于计数目的。此外,被动红外传感器容易因空气湍流等环境因素而出现误报。基于二氧化碳的感应方法虽然能避免直接采集个人数据,但由于气体扩散存在固有延迟,响应速度较慢,且其精度高度依赖房间的具体通风配置。基于摄像头的系统则可通过计算机视觉实现高精度检测,但由于涉及面部识别和生物特征数据存储等问题,会引发严重的隐私担忧,因此不适合用于需要遵守严格隐私法规的半公共空间,比如欧洲的大学教室。另外,为每间教室和实验室配备专用传感器,对公立大学来说成本过高。

这些局限性促使研究人员探索射频分析作为一种既注重隐私又成本低廉的替代方案。

1.2 蓝牙低能耗被动感应的潜力
蓝牙低能耗是一种短距离无线通信技术,它在2.4 GHz ISM频段传输无线电信号,以其低功耗著称。许多个人电子设备,如智能手机、智能手表、无线耳机、笔记本电脑和平板电脑,都配备了蓝牙低能耗模块,这些模块会定期发送包含设备标识符的广告包。位于被监测房间内的接收器可以检测到这些信号,从而通过统计特定时间间隔内检测到的信号数量来估算房间内的人数。

重要的是,这种方法属于被动式检测,无需用户配合、无需安装专用应用,也无需与接收器进行主动配对。任何携带蓝牙低能耗设备的个体都会自动为感应过程做出贡献,从而将复杂性从用户端转移到系统端。这一特点使得被动式蓝牙低能耗扫描特别适用于那些人员流动频繁的环境,比如每天都有数千名学生和访客进出的大学建筑。

1.3 工程挑战
尽管被动感应具有很大潜力,但在大学等复杂环境中,仅从原始的蓝牙低能耗信号中估算人数仍面临诸多挑战。

(1) 多设备现象。在现代数字环境中,一个个体通常会携带多个蓝牙低能耗发射器。例如,一名在计算机实验室里的学生可能会同时使用智能手机、笔记本电脑、无线鼠标和耳机,而这些设备都会持续发送广告信号;而同一学生在上课时可能只打开智能手机。以往的方法常常采用固定的“设备与人数比”,比如假设每人拥有1.2台设备,但这无法体现不同房间类型之间的差异。

(2) 固定基础设施设备。大学环境中存在大量“始终处于开启状态”的蓝牙低能耗发射器,包括台式电脑、无线键盘、智能投影仪以及物联网外围设备,这些设备的存在与实际有人使用并无关联。我们的初步测量显示,一个实验室里可能有多达15台固定设备,这会导致持续的“虚拟占用”偏差,必须加以识别并予以扣除。

(3) 房间间信号干扰。2.4 GHz频段的蓝牙低能耗信号能够穿透薄墙,传播到相邻空间。在我们的数据收集过程中,我们发现走廊内的设备计数峰值与相邻教室的峰值之间存在明显关联,这证实了蓝牙低能耗信号能够穿过入口区域的墙壁。这种空间上的信号泄漏会引入噪声,导致某一房间内的设备计数偏高。

(4) 时间变化性。占用人数在一天中的不同时间以及一周中的不同日子里都会发生显著变化。实验室在上午11点左右和下午3点左右会出现使用高峰,这与教学和研究活动时间相吻合;而走廊内的使用人数则会在课程转换期间出现快速波动。估算模型必须考虑这些时间动态因素,而不能假设环境始终处于静态状态。

1.4 提出的解决方案
在本文中,我们介绍了一种无需专用基础设施、注重隐私保护的占用人数估算系统的设计、实现与评估方法,该方法能够有效应对上述各项挑战。该解决方案采用一种非侵入式估算模型,完全依靠移动设备进行的蓝牙低能耗信号扫描,因此无需预先了解建筑结构信息,也不需要昂贵的专用传感器。

从隐私保护和《通用数据保护条例》的角度来看,该系统以临时方式处理蓝牙低能耗设备标识符。每个标识符仅在单次扫描窗口内被用于去重目的,之后立即被丢弃。现代蓝牙低能耗设备通常会使用可解析或不可解析的私有地址来轮换其广告标识符,这进一步避免了长期关联的可能性。遵循《通用数据保护条例》中关于数据最小化及隐私设计的原则,该系统仅存储汇总后的、无法识别个人身份的统计数据,如每个扫描窗口及每种房间类型对应的设备数量。它从不保留MAC地址或其他可能与个人关联的持久标识符。

我们将大学内的房间分为三种类型:教室、实验室和走廊。我们通过综合考虑固定设备与移动设备的数量、人均设备密度以及相邻房间间的信号干扰等因素,分析这三种类型之间的统计差异。基于对设备拥有情况的初步研究(样本量N=109),我们得出了基于场景的校准系数,这些系数能够准确反映实际设备拥有情况与实际可检测到的蓝牙低能耗信号之间的差异。

该系统采用模块化的三层架构:
• 数据采集层:使用普通智能手机被动扫描蓝牙低能耗广告包,并通过接收信号强度指示值阈值,将检测范围限制在目标房间的物理边界之内。
• 信号处理层:通过夜间基准校准流程,识别并过滤掉固定基础设施设备,该流程在夜间21点到清晨6点之间进行,此时建筑内通常无人。
• 语义层:根据检测到的设备数量和扫描时间自动推断房间类型,无需人工输入房间类别,即可动态选择合适的估算参数。

该估算模型输出的是概率范围,而非单一的确定数值,同时会加入经过校准的误差范围,以体现基于射频技术的感应方法所固有的不确定性。自动校准机制会持续整合新数据,确保随着大学环境使用模式的演变,模型始终保持准确性。

1.5 主要贡献
本研究的主要贡献包括:
(1) 一项针对大学使用者所携带蓝牙低能耗设备的分布情况的初步研究(样本量N=109),该研究揭示了受使用场景影响的设备持有行为特征,从而质疑了固定设备与人数比的合理性。
(2) 设计并实现了一种模块化的三层占用人数估算架构,该架构可在无需专用感应基础设施的情况下,利用市面上的普通智能手机运行。
(3) 提出了一种夜间基准校准方法,可用于自动识别并过滤掉固定基础设施设备,从而消除虚拟占用偏差。
(4) 设计了一种自动房间类型分类机制,能够动态推断环境类别,并选择适合当前场景的估算系数。
(5) 在包括实验室、教室和走廊在内的多种大学环境中进行了为期数周的实地测试,将该基于场景感知的模型与简单的静态基准模型进行了对比。

本研究通过为交互式建筑开发一种可复用的服务层模块,为工程交互式计算系统领域做出了贡献。该系统可在普通的市售设备上运行,能够输出简洁的结果,包括房间类型和占用范围等信息。这些信息可用于各种交互式系统,如基于需求调节的暖通空调控制、房间可用性显示、自适应标识系统以及注重人群流的校园服务功能。语义层作为用户交互的抽象层,体现了工程交互式计算系统的研究方向。

本文的其余部分安排如下:第2节回顾了有关占用人数感应的相关研究,将本研究的成果与现有的基于蓝牙低能耗的技术进行对比。第3节介绍了关于设备拥有情况的初步研究。第4节详细描述了系统架构。第5节阐述了估算模型的原理。第6节报告了实验评估结果。第7节讨论了研究结果、存在的局限性以及未来工作的潜在方向,最后对全文进行总结。

2 相关工作
室内占用人数检测与估算涉及多种感应方式、部署假设以及建模策略。现有的方法包括环境传感器、视觉系统、基于Wi-Fi/信道状态信息的方案、基于射频的技术以及蓝牙低能耗解决方案,这些方法在成本、可扩展性、隐私保护程度以及基础设施需求等方面各有优劣。其中,被动式蓝牙低能耗技术和射频技术作为一种低成本且注重隐私的替代方案,越来越受到重视,尤其适用于那些需要尽量减少基础设施投入并保护用户隐私的场景。本章将回顾基于信标的技术、无需基础设施的蓝牙低能耗感应技术、建模策略、基于Wi-Fi/信道状态信息的方法、基于射频的技术,以及基于环境感知和视觉感知的方法,同时重点探讨多设备拥有、固定发射器、房间间信号干扰以及时间变化性等挑战。

2.1 基于环境感知与视觉感知的检测方法
基于环境感知和视觉感知的技术是目前室内占用人数检测中最成熟的方法之一。Elkhoukhi等人[9]的综述详细介绍了智能建筑中使用的各种感应技术,比较了被动红外传感器、二氧化碳传感器和摄像头系统在成本、响应延迟以及部署难度等方面的差异。他们的研究指出,环境传感器能够实现持续监测,但往往需要精心布置硬件,且在处理精细级或实时响应方面存在不足。Chaudhari等人[3]从技术和算法的角度研究了基于物联网的占用人数检测方法,探讨了环境传感器如何融入建筑自动化系统之中。他们的研究强调了感知方式的多样性,以及需要兼顾精度与部署限制的算法策略。Zeleny等人[25]专门研究了房间级别的占用检测,分析了如何结合环境感知和基于信号的方法来提升智能建筑环境中的可靠性。基于视觉的系统能够提供高分辨率的占用信息,但会引发重大的隐私和监管问题。Shahbazian和Trubitsyna[22]对基于RF和摄像头的人体感知技术进行了综述,指出虽然视觉系统能够提供详细的行为洞察,但也会带来大量的生物特征数据隐私风险。他们的分析说明了为何在那些有严格数据保护要求的半公共环境中,基于摄像头的解决方案往往并不适用。与基于环境和视觉的感知方式不同,我们提出的系统完全避免了专用硬件和基于摄像头的监控。它仅依靠个人设备发出的环境BLE广告信号,从而优先保障隐私、降低部署成本并简化安装流程,以牺牲精细的视觉精度为代价,采用一种轻量级、无需基础设施的方法,更适用于日常的大学环境。

2.2 Wi-Fi、CSI和基于RF的感知技术
Wi-Fi、CSI以及基于RF的感知技术是无设备或辅助设备进行占用检测领域的重要研究方向。Shahbazian和Trubitsyna[22]对基于RF的人体感知技术进行了全面综述,涵盖了占用检测和活动检测两个方面。他们的研究指出,RF信号无需用户携带设备即可捕捉到人的存在,但也强调了RF信号传播的复杂性以及基于RF监控所带来的隐私问题。多项研究还探讨了深度学习在增强RF感知方面的应用。Iannizzotto等人[12]研究了深度学习如何提升基于被动BLE的人体感知性能,重点关注其对噪声和BLE信号模式变化的可适应性。在另一项研究中,Iannizzotto等人[13]从更广阔的角度探讨了基于蓝牙的被动人体感知技术,分析了利用BLE信号进行占用和活动推断所面临的挑战,并指出了机器学习在解决这些问题上的潜力。还有研究提出了混合Wi-Fi/BLE和RSSI指纹识别方法。Chen等人[4]探索了利用Wi-Fi和BLE网络收集高分辨率的建筑占用数据,展示了如何通过结合多种无线技术提升空间分辨率。García-Paterna等人[11]通过实证研究展示了如何利用BLE信标进行房间级定位,说明了BLE RSSI模式在室内定位中的应用潜力。Janczak等人[14]则研究了在疏散监控系统中利用蓝牙RSSI均值估计器进行室内定位的方法,强调了BLE在安全关键应用中的潜力。无设备的Wi-Fi RSSI和RF人群计数方法进一步展现了RF信号在占用估算方面的应用前景。Zou等人[26]表明,具备Wi-Fi功能的物联网设备可用于无设备占用检测和人群计数,利用人类存在所导致的环境RF信号变化。Pratama等人[20]研究了多用户、低干扰的占用检测方法,指出虽然基于RF的系统无需用户携带设备,但在基于状态变化的计数方式中可能会出现偏差或遗漏事件。最近的一些研究则着眼于基于深度学习的CSI处理技术。Park等人[19]提出了一种基于深度残差CNN的无设备占用检测方法,利用Wi-Fi CSI的详细信道信息实现高精度感知。不过,基于CSI的方法通常需要专门的硬件或多天线接入点,这限制了其在普通环境中的应用。与通常依赖专用硬件、多天线Wi-Fi接入点或密集基础设施的CSI和RF系统不同,我们的研究着眼于仅能依靠单部智能手机定期扫描的场景。这种方法以牺牲空间分辨率为代价,实现了低成本、简单化且无需基础设施的运行,非常适合无需额外硬件的现实大学环境。

2.3 基于BLE信标的部署与计数方法
大量研究致力于利用专用信标或已安装的接收器来实现基于BLE的占用检测。这类系统通常依赖固定的BLE发射器或扫描基础设施,虽然这有助于简化信号收集并提高空间分离度,但也需要投入安装和维护成本。Demrozi等人[8]和Demrozi等人[7]研究了用于距离估算、占用检测和计数的低成本BLE系统。他们的研究表明,通过部署专用BLE设备,可以以可控的方式捕获广告数据包,从而实现更稳定的信号获取,提升占用检测的可靠性。由于这些信标是刻意安装的,因此与随机感知相比,这类系统能更好地管理空间覆盖范围和信号一致性。García-Paterna等人[11]也对基于BLE信标的房间级定位进行了实证研究。他们的研究表明,可以通过信标摆放位置和RSSI特性来区分相邻房间,体现了BLE基础设施在精细室内定位方面的潜力。这类研究表明,只要对环境进行适当配置,基于信标的系统就能实现高空间分辨率。Mateos Sanchez等人[17]提出了一种基于BLE的工具,用于实时监测室内外空间的占用情况。他们的系统将BLE数据与开放数据集相结合,实现占用信息的实时发布,展示了BLE基础设施在支持大规模监控服务方面的作用。这项工作强调了BLE信标在实现持续、实时占用分析方面的价值。Tekler等人[24]的研究则探讨了可扩展的BLE部署方案,用于识别办公环境中的占用模式和行为特征。他们的研究表明,BLE基础设施不仅可以用于即时占用检测,还可用于长期模式分析,凸显了基于信标系统在工作场所分析中的多功能性。Stoian等人[23]则探索了利用瞬时频率增强BLE指纹识别的方法。他们的研究侧重于通过引入除RSSI之外的其他信号特征,提升基于BLE的定位技术的准确性和稳定性。这体现了人们正在通过先进的信号处理技术不断提升BLE基础设施系统的精确度。Koksal等人[15]提出了一种用于占用监测的智能蓝牙虚拟门系统。他们的方法利用BLE信标检测人员进出事件,从而实现门口级的监测,进而辅助进行房间级别的占用估算。这项工作展示了如何将BLE基础设施应用于访问监测和自动占用跟踪等实际的服务型应用中。基于信标的系统得益于有序的部署和稳定的信号源,但需要专门的硬件安装和维护。相比之下,我们的系统无需任何基础设施,完全依靠人们手中设备发出的环境BLE广告信号。虽然这省去了安装成本,但也带来了固定发射源、多设备所有权以及房间间相互干扰等问题,而我们的系统通过自动的夜间基线过滤以及能够根据房间环境调整估算参数的语义层来应对这些问题。

2.4 移动式及无需基础设施的BLE感知技术
移动式及无需基础设施的BLE感知技术依赖于智能手机或其他用户随身携带的设备,而非预先安装的信标或固定接收器。这类方法旨在利用环境中的BLE广告信号或智能手机的扫描功能,在无需专用基础设施的情况下推断占用情况。Filippoupolitis等人[10]研究了在应急管理场景中基于BLE的占用检测技术。他们的研究表明,可以利用个人设备发出的BLE信号来检测紧急情况下的人员存在,证明了在动态且要求高度安全的环境中,以智能手机为中心的BLE感知技术是可行的。Mashuk等人[16]探索了一种基于智能手机的多楼层室内定位系统,用于占用检测。他们的研究展示了如何利用智能手机在建筑物的多个楼层收集BLE信号,体现了移动式BLE感知技术在垂直定位和多层占用估算方面的潜力。Putra等人[21]比较了在智能建筑通信中Wi-Fi和BLE的能耗情况。他们的研究发现,相较于Wi-Fi,BLE具有更高的能效优势,这一特点在电池消耗至关重要的移动应用中尤为重要。这一比较进一步说明了为何在需要持续或定期扫描的场景中,人们更倾向于使用BLE。Park等人[18]提出了一种基于BLE的建筑物占用检测方法,展示了如何利用BLE信号在无需专用基础设施的情况下推断占用程度。他们的研究证明,基于BLE的感知技术可以集成到建筑性能分析工作中,进一步提升了其在占用监测领域的应用价值。Datla等人[5, 6]在最近的研讨会上探讨了智能手机BLE信标技术以及在移动和互动场景中实现情境感知的乘客检测方法。这些研究指出,智能手机不仅可以作为扫描工具,还可以作为BLE信号发送源,从而在移动环境中实现更丰富的交互模式和情境感知功能。他们的研究还强调了实际部署时的考虑因素,以及BLE在以用户为中心的应用中的作用。Mashuk等人[16]和Putra等人[21]都进一步指出了移动式BLE感知技术所面临的种种权衡,包括扫描模式、能耗以及实际部署限制等。这些见解进一步凸显了对于基于智能手机的占用检测而言,采用轻量级、高能效的扫描策略的重要性。我们提出的系统在移动式及无需基础设施的BLE感知技术基础上进行了三项重要改进:首先是通过一项针对109台设备的实证研究,将设备与人员的比例与现实行为相联系;其次是一种自动化的夜间基线过滤机制,用于识别并排除固定发射源的影响;第三是一种语义层,能够判断房间类型并选择适合当前场景的估算系数。这些改进有效解决了多设备所有权、固定设备干扰以及环境变化等问题,使得仅通过智能手机定期扫描就能实现更为可靠的占用估算。

2.5 占用估算的建模策略
不同的占用估算方法在处理时间动态、信号变化以及设备行为方面存在显著差异。现有研究中的主要区别在于基于状态转换的计数方法和基于快照的估算方法之间。基于状态转换的系统试图随时间检测人员的进出事件,但正如Pratama等人[20]所指出的,这类方法在多用户环境中容易出现累积误差和遗漏检测的情况。他们关于低干扰多用户占用检测的研究,突显了在依次推断事件而非基于独立观测数据进行判断时,保持准确性的难度。基于快照的估算方法则通过将每个扫描窗口视为独立的推断任务,从而避免了误差积累的问题。Tekler等人[24]展示了如何利用办公室环境中定期采集的BLE活动快照,通过基于BLE的系统识别占用模式和行为特征。他们的研究表明,基于快照的建模方法无需持续跟踪即可捕捉到长期的占用趋势。类似地,Chen等人[4]也研究了如何利用Wi-Fi和BLE网络收集高分辨率的占用数据,说明了在结合适当校准措施后,基于快照的测量方法如何支持大规模的建筑监控。机器学习和深度学习技术也被应用于处理RF和BLE信号,以提高系统对噪声和环境变化的抵抗能力。Iannizzotto等人[13]阐述了基于蓝牙的被动人体感知技术,指出了机器学习在解决BLE信号固有不稳定性问题上的潜力。在此基础上,Iannizzotto等人[12]进一步研究了深度学习技术在提升基于BLE的被动人体感知性能方面的应用,表明经过训练的模型比传统手工设计的规则更能精准捕捉复杂的信号模式。强化学习也被作为一种建模策略加以研究。Billah等人[1]提出了一种基于强化学习的RF室内占用检测方法,展示了如何让适应性模型通过经验学习到最优的感知或推断策略。他们的研究强调了强化学习在处理信号条件会随时间变化的动态环境中的应用潜力。基于深度学习的CSI处理技术则是另一条研究方向。Park等人[19]将深度残差CNN应用于Wi-Fi CSI分析,实现了无设备占用检测,表明可以利用详细的信道信息实现高精度推断。不过,基于CSI的方法通常需要专门的硬件或多天线接入点,这限制了其在普通环境中的应用。我们的系统则采用了一种轻量级、易于理解的基于快照的建模策略,该策略运用与上下文相关的设备与人员比例参数以及考虑不确定性的范围值,无需专门的硬件或计算成本高昂的模型,仅需通过经过校准的BLE快照、自动基线过滤以及语义上下文推断,即可从单次智能手机扫描结果中得出可靠的占用估算值。

2.6 实际部署、隐私问题与工程研究
实际部署研究着眼于考察无线感知系统在真实世界环境中的表现,包括能耗、可扩展性、数据发布以及与建筑设施的整合情况。Putra等人[21]比较了智能建筑通信中Wi-Fi和BLE的能耗情况,发现BLE的能耗远远低于Wi-Fi。他们的研究结果解释了为何在电池消耗极为重要的移动设备上,人们更倾向于使用BLE进行持续或定期扫描。这一对比对于基于智能手机的占用检测尤为重要,因为能耗水平直接影响产品的可用性和部署可行性。Mateos Sanchez等人[17]提出了一种基于BLE的工具,能够计算室内外空间的占用情况,并通过开放数据实时发布结果。他们的系统展示了BLE基础设施如何支持大规模的持续占用监测,以及如何将实时数据流整合到面向公众的服务中。Tekler等人[24]同样研究了可扩展的BLE部署方案,用于识别办公环境中的占用模式和行为特征。他们的研究强调了长期监测的重要性,以及BLE基础设施在捕捉超出即时占用情况之外的时间序列模式方面的能力。在RF和BLE感知技术研究中,隐私保护始终是一个重要的议题。Shahbazian和Trubitsyna[22]指出了基于射频的人体感知技术中存在的隐私问题以及与GDPR相关的顾虑,他们认为射频标识符可被视为个人数据,因此必须谨慎处理。Chen等人[4]也探讨了使用Wi-Fi和BLE网络收集高分辨率占用数据时的隐私影响,建议采用临时标识符和聚合输出来降低隐私风险。这些研究强调了在无线占用系统中采用隐私保护设计的重要性。以工程和用户体验为重点的研究则进一步探索了BLE传感技术如何与交互式系统相结合。Bisante等人[2]研究了人工智能在诸如汽车停车系统之类的服务型应用中的运用,展示了如何将传感流程嵌入到交互式的用户体验中。García-Paterna等人[11]评估了一种基于BLE信标の房间级定位系统,演示了如何将BLE传感技术应用于需要空间感知和用户互动的建筑服务中。我们提出的系统明确以作为交互式服务进行集成为目标。它能够生成考虑不确定性的占用范围以及推断出的房间类型,这些信息可供仪表板或建筑自动化系统等下游应用使用。此外,该系统还采用了临时标识符处理和聚合存储方式,以符合先前研究中所提出的隐私保护最佳实践,同时保持了轻量级且无需基础设施的设计,适合实际部署。先前的研究展示了多种用于室内占用检测的传感和建模策略,每种策略都基于对硬件可用性、隐私以及部署复杂性的不同假设。虽然环境传感器、视觉系统、Wi-Fi/CSI以及带有信标的BLE基础设施能够提供高精度,但它们往往需要专用硬件或会引发隐私问题。而无需移动设备且无需基础设施的BLE方法虽然降低了这些障碍,但却面临着多设备所有权、固定发射源以及信号变化等问题。我们的系统通过利用日常设备发出的环境BLE信号,并结合基础过滤和语义上下文推断,提供了一种轻量级、注重隐私且可部署的替代方案,以取代那些对基础设施要求较高的解决方案。

3 形成性研究:设备所有权
为了构建一种超越简单数据包计数方法的占用估算模型,我们首先分析了目标部署环境(大学建筑)中人群的数字足迹。在被动BLE传感中,一个主要的误差来源在于:(i)人们拥有或携带的具备BLE功能的设备数量,与(ii)在日常活动中实际可以被检测到的设备数量之间存在差异(例如,处于睡眠模式的笔记本电脑可能停止发送信号,而智能手机则会持续广播)。这一差异直接挑战了在不同环境下采用单一、固定的设备与人数比例的合理性。

调查设计与样本群体。我们对大学里的109名参与者进行了数字调查,调研对象为校园内的主要人群,包括本科生、研究人员和行政人员。调查要求受访者列出他们所携带的电子设备,并指出其中哪些具有蓝牙功能,这些设备包括智能手机、智能手表/健身追踪器、无线耳机/耳塞、笔记本电脑和平板电脑。除了设备所有权之外,我们还收集了与BLE可检测性相关的使用模式信息,比如蓝牙是否通常处于开启状态,以及在上课或学习期间设备是处于主动使用状态还是被放置一旁。

所有权与可检测性。调查结果显示,每人潜在的BLE发射源数量存在很大差异。智能手机的所有率几乎达到100%,许多受访者还提到拥有其他设备,如笔记本电脑/平板电脑(占比约为85%)以及可穿戴/音频设备(占比约为60%)。从理论上讲,一个人因此可能对应多个不同的BLE标识符(如手机、手表、笔记本电脑、耳机等)。不过,研究指出,并非所有拥有的设备都能同时被检测到:设备可能处于关闭状态、睡眠模式,或者在扫描时并未发送信号。这就使得我们将设备所有权视为一个上限,并需要针对实际的BLE可检测性进行相应调整。

基于上下文的行为特征及校准意义。调查结果表明,需要根据不同上下文采用不同的设备与人数比例系数k,而非使用统一的常数。在实际建模中,有两种行为特征较为重要:(i)低活跃度特征,即使用者主要携带并使用智能手机,其他设备则处于非活跃状态;(ii)高活跃度特征,即笔记本电脑及其外设被频繁使用(如在工作时段),从而导致同时可检测到的BLE发射源数量增加。在改进后的模型中,通过为低活跃度场景设定较低的k值(大约为k≈1.3),为高活跃度场景设定较高的k值(通常超过k>2.5),从而体现了后续设计中根据推断出的环境特征动态选择k值的思路。

基于动机的设备数量统计。为了补充上述基于所有权的分析,问卷调查还询问了受访者身处大楼的原因(三个选项:参加/跟随讲座、参加实验课,或是只是路过),以及当时随身携带的电子设备数量。这样的设计有助于将设备的携带行为与典型的房间使用情况联系起来,同时也支持了这样一种观点:不同的校园场景在可观察到的设备密度上可能存在系统性差异。根据调查结果,不同动机下,每人报告的平均设备数量有所不同:在参加实验课时,受访者平均报告每人拥有2.88台设备;在只是路过时,这一数字为3.09台;而在参加/跟随讲座时则为2.15台。此外,从动机的分布来看,最多比例的受访者表示进入大楼是为了参加实验课,其次是参加讲座,然后才是路过。综合这些结果可以得出:(a)不同活动场景下的设备数量并非恒定不变;(b)校准过程必须能够适应上下文的变化,而不能依赖单一的全球统一修正因子。

对系统设计的启示。这项形成性研究为大学环境中的被动BLE占用估算提出了两项实际要求:(1)将检测到的设备与人物之间建立关联时,必须考虑到因活动或上下文不同而产生的多设备使用情况;(2)校准过程应基于实际观察到的设备所有权和使用情况,而非采用任意的固定比例。这些发现直接推动了采用基于上下文的估算策略,即根据不同校园使用场景下预期的活跃发射源密度来选择合适的k值。

4 系统架构
我们所提出的占用估算框架被设计为一个模块化软件系统,它运行在商用现成移动硬件上,能够将原始的BLE广播流量转换为便于理解的人体占用估算结果。该系统的设计遵循三层架构:(i)数据采集层,负责执行被动BLE扫描,并在固定的扫描窗口内汇总检测结果;(ii)信号处理层,通过过滤和处理以及夜间基准校准来降低噪声,并去除那些持续存在的非人类发射源;(iii)语义层,负责推断环境的上下文属性,并生成包含不确定性范围的占用估算结果。

4.1 数据采集层:被动BLE扫描
该系统利用普通智能手机作为核心设备,被动地监测BLE广播数据包,监听那些发送通用广告数据的周边设备。与主动使用蓝牙的功能(如配对)不同,该系统不会建立连接,仅捕获在无线电覆盖范围内存在的广播信号。在参考实现中,数据采集模块是基于iOS平台上的CoreBluetooth框架构建的,这样可以从平台标准的BLE堆栈中获得一致的RSSI读数。每次扫描的持续时间是可以配置的(在参考实现中设置为W=30秒),以此在时间分辨率和电池消耗之间取得平衡。在每个扫描窗口内,系统会将唯一的设备标识符及其接收到的信号强度值汇总成一个原始观测集:Sraw={(id1,rssi1),(id2,rssi2),…,(idn,rssin)}。(1)在这里,Sraw代表了在该扫描节点的射频覆盖范围内所检测到的所有设备。为了支持校准以及长期部署,该移动应用程序提供了两种扫描模式:(i)单次扫描模式,用于初始的真实值采样;(ii)连续/周期性扫描模式,旨在实现大规模的自动数据收集。在连续扫描模式下,应用程序每15分钟自动扫描一次(每天共扫描96次),并将结果汇总为每日CSV文件。这些每日CSV文件可以通过Telegram机器人自动发送到指定频道,或者在没有网络连接时本地存储,从而无需用户持续干预即可进行纵向分析。

4.2 信号处理层:过滤与基准校准
由于多路径传播、信号穿透薄墙以及环境动态变化等因素,原始的BLE检测结果往往存在噪声。为了解除可能来自目标房间内部的信号干扰,同时减少非人类发射源带来的系统偏差,该系统采用了多阶段过滤流程,包括RSSI阈值筛选和基础设施设备排除机制。

RSSI阈值筛选(范围限制)。为减少来自相邻空间的信号干扰,系统在进行估算之前会设置一个严格的RSSI阈值。通过实际测试发现,设定在?85 dBm左右的阈值可以有效过滤掉许多来自走廊或相邻房间的设备,同时保留位于直接扫描半径范围内的设备(在所测试的建筑布局中,该半径约为5-10米)。在数据收集协议中,采用了?88 dBm的RSSI阈值,以此大致确定10米的有效扫描半径,减少扫描过程中来自周围环境的干扰。

夜间基准基础设施检测与排除。在大学环境中,一个重要的工程问题就是存在一些固定的BLE发射源(如桌面外设、打印机、投影仪或其他始终处于开机状态的设备),这些设备与人体占用情况并无关联,因此会引入持续的“虚假占用”偏差。为了解决这个问题,系统在假设房间为空时启动校准模式。在这种架构下,校准扫描会在夜间(21:00至06:00之间)进行,在这个空置时间段内检测到的稳定标识符会被存储在本地黑名单中;在正常使用期间,任何与黑名单中的标识符匹配的设备都会在估算之前被排除。在分析流程中,也会采用同样的假设(即建筑在21:00至06:00期间处于关闭状态),通过该时间段内检测到的设备数量的中位数来估算特定房间的固定设备数量Dfissi,进而得到净设备数量:Dnet=D?Dfissi。(2)这个净数量有助于稳定设备与人数之间的比例关系,尤其是在那些固定设备较多的实验室中。

4.3 语义层:上下文推断与占用估算
语义层通过结合上下文相关的行为特征以及考虑不确定性的报告方式,将经过过滤的检测结果转换为占用估算结果。该层设计的核心理念是,“设备与人数”的比例在不同环境中并非恒定不变(例如,实验室中的外设通常比讲座场所同时处于活跃状态的设备更多),因此系统会推断出环境上下文,并动态选择相应的估算参数。为此,该系统采用了两种互补的推断策略:一种是基于不同类型房间中设备分布的统计规律,另一种则是依据时间因素,如扫描时间以及大学场所的典型使用模式。

•基于组成特征的推断(服务/制造商标识信息)我们的系统架构中包含了一个上下文推断引擎,它通过分析检测到的设备的组成特征,利用服务UUID(通用唯一标识符)和制造商数据等信息来识别设备类别。如果检测到较多类似外设的设备(如鼠标、键盘),且其RSSI值的变化幅度较大,那么说明该环境更像工作场所(即实验室类型);而如果设备种类较为单一,且以智能手机为主,同时RSSI值的变化幅度较小,则说明该环境更像是座位式场合(如讲座或研讨会)。

•基于预期数值与实际数值差异的推断(基于时间条件的模式识别)该系统还设计了一个房间类型估算器,它能够根据扫描时刻计算出每种类型房间的预期设备数量,再比较实际检测到的设备数量与预期数值之间的差异,选出差异最小的房间类型,并给出对应的置信度评分。

估算与考虑不确定性的结果输出。在完成过滤和上下文推断之后,系统会通过调整固定基础设施对应的设备数量,再除以一个与当前上下文相匹配的设备与人数比例系数,从而得出占用估算结果。在这一公式中,估算结果是由经过过滤后的唯一设备数量以及根据上下文选择的系数共同决定的:Pest=|Sfiltered|?Nstatickcontext。(3)这里,|Sfiltered|表示在经过RSSI阈值筛选和黑名单排除之后的唯一设备数量,Nstatic表示估算得到的或已识别的固定设备数量,而kcontext则是根据推断出的环境特征来选择的。该系统不会输出一个确定的整数,而是会给出一个区间范围,以反映射频信号检测中的不确定性。在设计中,置信度/误差范围是通过RSSI值的标准差来计算的,标准差越大,说明信号状况越不稳定(如存在物体移动或遮挡等情况),对应的不确定性范围也会随之增大:Margin=Pest±(α?σn),(4)其中σ是依据扫描窗口内的RSSI值计算得出的,n则是观测数据的数量。总体而言,该架构在每个扫描窗口中执行以下流程:(1)通过智能手机的被动BLE扫描收集原始数据;(2)应用RSSI阈值限制空间信号串扰;(3)利用夜间基线清单和/或基线减法去除固定发射源;(4)根据房间环境特征推断房间类型,从而选择合适的估算参数;(5)计算并输出占用区间而非单一点估计值。4.4 部署与工作流程本系统采用模块化架构,仅使用市售智能手机即可将原始BLE广播流量转化为可靠的占用率估计值。该架构分为三层:数据采集层、信号处理层以及语义推理层,各自负责流程中的不同阶段。这种结构体现了前述的实际限制,即智能手机作为被动扫描器,而个人设备则作为广播源,其存在及RSSI值是估算过程的基础。数据采集层以固定的30秒为间隔进行被动BLE扫描,收集唯一设备标识符及其RSSI值。该设计通过过滤异步数据流及基于RSSI的筛选,锁定目标区域内的设备。系统既支持用于收集真实数据的单次扫描操作,也支持用于长期部署的定期扫描(每15分钟扫描一次),从而无需用户干预即可实现持续监控。信号处理层旨在解决室内BLE环境中的固有噪声问题。由于BLE信号会衰减、受到多径效应影响,还会受到相邻房间的干扰,因此系统会应用RSSI阈值来限制有效检测范围。此外,系统还采用夜间基线方法识别那些与人员存在无关的固定设备,如电脑、外设或始终处于开机状态的设备。通过剔除这些固定发射源,可稳定检测到的设备与实际占用情况之间的关系,尤其是在静态设备数量较多的实验室环境中。语义层通过结合与环境相关的行为特征,将经过过滤的检测结果转化为占用率估计值。不同环境中的设备与人比例以及干扰模式各不相同,因此系统会根据检测到的设备构成及变化情况推断房间类型,并选择相应的估算参数。系统不会给出单一的确定值,而是输出一个考虑了不确定性的范围,以反映RSSI测量的波动性以及室内无线电传播的统计特性。总体而言,该架构提供了一个端到端的处理流程,从智能手机的被动BLE扫描开始,最终得到考虑环境因素的占用率估计值。每个扫描窗口都会经历范围限制、固定设备去除、房间类型推断以及参数校准等步骤,从而使系统能够在几乎无需手动进行房间分类且无需专用传感基础设施的情况下运行。图1.BLE扫描应用程序。如图1所示,三张截图展示了用于被动BLE扫描及占用率估计的移动应用程序的工作流程。在图像(a)中,应用程序的主界面显示有一个标有“扫描”字样的中央按钮,顶部有“扫描周围的人”的提示,底部则有“应用程序会根据检测到的设备和时间自动判断环境类型”的说明。当用户点击“扫描”按钮后,应用程序便会启动BLE扫描,如图像(b)所示。屏幕中央显示的数字代表当前扫描过程中检测到的BLE设备数量,而“正在分析...”的文字则表示系统正在收集并处理当前扫描窗口内的广播数据。扫描完成后,用户会被引导至图像(c)所示的结果页面,该页面会显示推断出的环境类型(如“实验室”)、检测到的设备总数以及估计的占用范围。该界面中的分析部分还会区分固定设备和移动设备,并显示用于估算的平均设备与人比例。这个示例流程展示了所提出系统的端到端运作过程,从被动数据采集到语义推理再到概率性占用率估计,所有操作均在普通智能手机上完成,无需专用基础设施。5 占用率估算模型本节对所提出的占用率估算模型进行了 formalization,该模型可将扫描窗口内观测到的原始BLE检测数据转化为人类占用的概率估计值。该模型旨在纠正被动BLE感知中的三种系统性偏差:(i)多设备现象(每人拥有多个BLE发射源);(ii)固定基础设施发射源(与人员存在无关的持续工作的设备);(iii)房间间干扰(来自目标房间之外的信号)。模型输出的是占用范围而非单一确定值,以此体现RF感知的固有不确定性。5.1 数学建模设W表示一个扫描窗口(例如30秒),Stotal(W)则表示在W时间内检测到的所有唯一设备标识符的集合。原始设备数量为:Nraw=|Stotal(W)|。(5)由于Nraw包含了个人设备、固定发射源以及来自相邻空间的噪声,因此估计的人类占用率Pest可通过以下公式计算:Pest=Nraw?(Nstatic+Nnoise)kcontext。(6)三个修正项的定义如下:•Nstatic:为避免出现持续的“虚假占用”偏差,需剔除的固定基础设施设备数量,这类设备通常是始终处于开机状态的。•Nnoise:指因房间间信号串扰及可靠性较低的信号而产生的检测结果,这类问题可通过基于RSSI的范围限制得到有效缓解。•kcontext:这是一个与环境相关的“每人均设备数”系数,可根据推断出的环境类型调整,以修正多人同时使用设备的情况。5.2 噪声过滤与有效空间边界被动BLE信号能够穿透墙壁并在走廊中传播,从而导致出现一些并非来自目标空间内人员的检测结果。为减少此类房间间干扰,模型会应用RSSI阈值,将检测范围限制在合理的感知半径之内。设τrssi为最低可接受的RSSI值(在具体应用场景中约为?85 dBm)。经过过滤后的检测集为:Sfilt(W)={d∈Stotal(W)∣RSSI(d)≥τrssi}。(7)这一过滤步骤通过剔除那些信号强度极低的设备来降低Nnoise的值,这类设备很可能是来自相邻房间的。在实际应用中,Nnoise可理解为通过阈值过滤被剔除的设备数量:Nnoise=|Stotal(W)|?|Sfilt(W)|。(8)5.3 通过空态清单剔除基础设施设备在大学环境中,过度估测的一个主要原因是存在固定BLE发射源(如与桌面相关的外设、智能白板或其他始终处于开机状态的设备)。这类设备的状态通常较为稳定,且与人员占用情况并无关联。模型通过空态校准机制来解决这一问题。在假设房间为空的时间段内(如夜间),系统会进行一次或多次扫描,识别出那些信号稳定的高信号强度设备。设B为一个包含被归类为基础设施设备的标识符的清单。在系统正常运行期间,Nstatic的表达式为:Nstatic=∑d∈Stotal(W)I(d∈B),其中I(?)为指示函数。在实际操作中,清单是通过标记那些在空态下持续出现且RSSI值较高的设备来生成的,这类设备的RSSI值通常大于?70 dBm,因为它们很可能是物理上位于房间内的固定设备。在剔除清单中的设备后,房间内实际的非基础设施设备数量变为:Neff=|Sfilt(W)|?Nstatic。(10)5.4 考虑环境因素的设备与人比例系数在基于设备的占用率估算中,最关键的因素就是检测到的设备与实际人员之间的比例关系。这一比例会因环境不同而有所差异,因为人们的活动行为会随环境变化而改变:•低活跃度环境(教室模式)。此时人们通常处于坐姿,辅助设备(如笔记本电脑)可能处于关闭状态,主要的信号来源往往是智能手机。根据经验,此时的设备与人比例相对较低,大约在k≈1.2-1.4之间。•高活跃度环境(实验室模式)。此时人们正在积极工作,笔记本电脑、鼠标、键盘以及音频外设等都可能同时处于工作状态,从而导致每人对应的可检测设备数量增加,这一比例大约在k≈2.0-2.8之间。为无需手动标注房间类型即可适应这种差异,模型会根据扫描数据中提取的环境特征来选择kcontext值。一个简化的特征向量定义为:F=[σrssi,ρperipheral],其中σrssi表示扫描窗口内RSSI值的标准差,ρperipheral则表示外设类信号的密度(即根据检测到的服务标识符推断出的设备类别)。模型通过以下规则来确定kcontext值:kcontext={1.3,若ρperipheral<τlab(教室模式);2.5,若ρperipheral≥τlab(实验室模式)}。(12)如果环境类型难以判定(比如外设密度处于中间水平),模型则会采用一种保守的加权平均值(如k=1.8),并将输出结果的置信度标记为较低。5.5 最终估算值与置信区间根据有效的设备数量及选定的系数,可得出点估算值:pest=neffkcontext=|sfilt(w)|?nstatickcontext。(13)由于rf信号的传播具有随机性(包括多径效应、人体遮挡以及数据包碰撞等),单一的整数估算值可能会产生误导。因此,模型会输出一个占用范围:[pmin,pmax]=[pest?δ,pest+δ],其中δ是一个与信号稳定性相关的方差系数。此处采用rssi的离散程度作为不稳定性的衡量指标:δ=α?log?(1+σrssi),其中α的值是根据典型应用场景下的估算误差通过实验确定的。最后,输出的估算值会经过四舍五入处理,并设定上限以确保结果的合理性(例如保证值为非负数),在应用逻辑要求的情况下,还可以设定最低占用值的下限。5.6 估算流程总结对于每一个扫描窗口w,模型会执行以下步骤:(1)收集所有检测结果,计算stotal(w)和nraw的值;(2)应用rssi阈值,得到sfilt(w),从而减少房间间干扰;(3)通过空态清单剔除固定基础设施设备,进而计算出neff的值;(4)推断环境特征并选定kcontext值;(5)计算出pest值,并输出一个考虑不确定性的范围[pmin, pmax]。6 实验评估本节将对所提出的占用率估算系统进行实证验证。评估内容主要包括三个方面:(i)该考虑环境因素的估算模型与手动收集的真实数据相比的准确性;(ii)夜间基线基础设施剔除策略的稳健性;(iii)该系统在真实大学环境中连续运行数周后的稳定性。6.1 评估环境实验是在三类具有代表性的大学场所中进行的:•实验室,这类场所的特点是存在多个固定的桌面设备及其外设;•教室,这类场所以定时授课为主,固定ble发射源较少;•走廊,这类场所人员流动频繁,容易出现房间间干扰。在初始校准阶段,选择了三个参考场所来进行详细的真实数据分析:•计算机实验室(属于实验室类型);•教室(属于教室类型);•走廊(属于走廊类型)。真实数据收集。为构建可靠的参考数据集,研究人员使用了智能手机应用程序以单次扫描模式进行了手动ble扫描。在扫描过程中,操作人员会记录下测量时刻的实际在场人数。每天共进行三次扫描(分别为上午9-11点、下午12-14点以及15-17点),直到每个场所收集到至少70组样本为止。只有rssi值高于?88 dbm的设备才会被纳入考虑范围,这一要求将有效感知半径限制在大约10米以内,同时也能减少来自相邻空间的干扰。这些手动扫描的结果会标注真实的占用人数(preal ≥ 0),仅用于模型的校准和验证。连续数据收集。在完成校准阶段后,系统便进入连续扫描模式运行。在这种模式下,应用程序会每隔15分钟自动进行一次ble扫描,每天共计扫描96次。每次扫描得到的数据都会被汇总到csv文件中并自动导出。定期扫描并不包含真实的占用人数信息,其用途包括:•分析时间规律;•在夜间空闲时段(21:00-06:00)估算固定设备的基准值;•验证估算模型的长期稳定性。6.2 环境类型的特征分析实验室环境。由于存在固定基础设施设备,实验室的信号结构最为复杂。在游戏化实验室中,夜间测量结果显示存在大约15-17台持续工作的设备,形成了稳定的基线。在高峰时段(大约上午11点以及下午3点),检测到的设备总数常常超过60台,而在考试日时,这一数值甚至会超过100台。通过对手动扫描数据的散点分析可以发现,设备总数与实际在场人数之间的差异会随着占用人数的增加而增大,这正是多设备现象的表现(例如笔记本电脑、蓝牙鼠标、耳机等设备)。在剔除夜间基线值后,净设备数量(dnet)与实际人数之间的关系变得更加稳定,这也为使用特定于该环境的系数提供了依据——在高活跃度环境下,这一系数约为k≈2.5。教室环境。在教室环境中,夜间并未检测到任何持续工作的固定设备。设备数量与实际人数之间的差异相对稳定(在手动校准数据集中的不同时间段内,这一数值大致在40-44台之间),这说明设备数量与占用人数之间存在近似线性关系。这一特征表明,在以授课为主的低活跃度环境中,设备与人之间的比例系数应较低,大约为k≈1.3。时间分析结果显示,占用人数的峰值与课程安排时间相吻合,而在非授课时段则几乎没有活动。走廊环境。走廊内的信号状况变化较大,且房间间干扰较为明显。在相邻教室上课期间,尤其是下午12-14点时段,走廊内的设备数量会出现显著上升。走廊与附近教室的信号峰值存在相关性,这一现象进一步证明了ble信号可以通过薄墙发生串扰。 最终估算值与置信区间根据有效的设备数量及选定的系数,可得出点估算值:pest=Neffkcontext=|Sfilt(W)|?Nstatickcontext。(13)由于RF信号的传播具有随机性(包括多径效应、人体遮挡以及数据包碰撞等),单一的整数估算值可能会产生误导。因此,模型会输出一个占用范围:[Pmin,Pmax]=[Pest?δ,Pest+δ],其中δ是一个与信号稳定性相关的方差系数。此处采用RSSI的离散程度作为不稳定性的衡量指标:δ=α?log?(1+σrssi),其中α的值是根据典型应用场景下的估算误差通过实验确定的。最后,输出的估算值会经过四舍五入处理,并设定上限以确保结果的合理性(例如保证值为非负数),在应用逻辑要求的情况下,还可以设定最低占用值的下限。5.6 估算流程总结对于每一个扫描窗口w,模型会执行以下步骤:(1)收集所有检测结果,计算stotal(w)和nraw的值;(2)应用rssi阈值,得到sfilt(w),从而减少房间间干扰;(3)通过空态清单剔除固定基础设施设备,进而计算出neff的值;(4)推断环境特征并选定kcontext值;(5)计算出pest值,并输出一个考虑不确定性的范围[pmin, pmax]。6 实验评估本节将对所提出的占用率估算系统进行实证验证。评估内容主要包括三个方面:(i)该考虑环境因素的估算模型与手动收集的真实数据相比的准确性;(ii)夜间基线基础设施剔除策略的稳健性;(iii)该系统在真实大学环境中连续运行数周后的稳定性。6.1 评估环境实验是在三类具有代表性的大学场所中进行的:•实验室,这类场所的特点是存在多个固定的桌面设备及其外设;•教室,这类场所以定时授课为主,固定ble发射源较少;•走廊,这类场所人员流动频繁,容易出现房间间干扰。在初始校准阶段,选择了三个参考场所来进行详细的真实数据分析:•计算机实验室(属于实验室类型);•教室(属于教室类型);•走廊(属于走廊类型)。真实数据收集。为构建可靠的参考数据集,研究人员使用了智能手机应用程序以单次扫描模式进行了手动ble扫描。在扫描过程中,操作人员会记录下测量时刻的实际在场人数。每天共进行三次扫描(分别为上午9-11点、下午12-14点以及15-17点),直到每个场所收集到至少70组样本为止。只有rssi值高于?88 dbm的设备才会被纳入考虑范围,这一要求将有效感知半径限制在大约10米以内,同时也能减少来自相邻空间的干扰。这些手动扫描的结果会标注真实的占用人数(preal ≥ 0),仅用于模型的校准和验证。连续数据收集。在完成校准阶段后,系统便进入连续扫描模式运行。在这种模式下,应用程序会每隔15分钟自动进行一次ble扫描,每天共计扫描96次。每次扫描得到的数据都会被汇总到csv文件中并自动导出。定期扫描并不包含真实的占用人数信息,其用途包括:•分析时间规律;•在夜间空闲时段(21:00-06:00)估算固定设备的基准值;•验证估算模型的长期稳定性。6.2>在这种环境中,如果不进行严格的RSSI过滤和考虑上下文信息,就无法直接解读原始设备数量。6.3 基线减除法的有效性为了评估夜间基线校准方法的有效性,我们在实验室环境中比较了原始设备数量(D)与净设备数量(Dnet = D ? Dfissi)。使用21:00至06:00期间的设备数量中值作为Dfissi,可显著降低基础设施设备带来的永久性偏差。在游戏化实验室中,通过减去基线值,可以减少系统性高估,并使不同时间段的设备与人数比例更加稳定。如果不进行基线减除,占用率将会被高估,高估幅度大约相当于固定设备数量的数值(本例中为15-17个单位),这体现了在基础设施众多的环境中进行此类校准的必要性。6.4 模型精度与真实值的对比精度评估仅使用有实际占用数据的手动扫描结果进行。对于每个扫描窗口,计算以下数值:•基于原始设备的估算值(未经校正的简单计数);•静态系数估算值(单一全局k值);•考虑上下文的估算值(结合基线减除的动态kcontext值)。误差指标包括:MAE=1N∑i=1N|Pest(i)?Preal(i)|(16)MAPE=100N∑i=1N|Pest(i)?Preal(i)Preal(i)|(17)与简单的设备计数法和静态系数法相比,考虑上下文的模型能持续降低估算误差,尤其是在多设备现象和基础设施设备较为明显的实验室中。6.5 时间稳定性及多周部署通过连续数周的扫描,可以评估系统的时间稳定性。观察结果如下:•实验室在每天11:00和15:00左右会出现重复的高峰,表明占用模式具有重复性;•教室的占用高峰由课程安排决定,非上课时间几乎无活动;•走廊的占用模式变化较大,在课程切换时会出现短暂的高峰。图2显示了通过多周测量数据平均得到的每日平均设备数量,以此代表典型的一天。图2. 单日内不同环境中检测到设备数量的时间变化情况。自动校准流程会定期整合新数据,重新计算基线中值并优化估算参数。这样一来,即便设备使用模式随时间发生变化(如可穿戴设备的使用增加或基础设施的改变),模型依然能够保持稳定。6.6 评估结果总结表1汇总了在不同占用估算流程阶段,各类房间所对应的误差指标。每种房间类型的第一页显示的是仅通过固定设备减除法得到的占用率估算值;第二页则在基础上应用了固定的设备与人数的比例系数;最后一页则展示了经过所有处理阶段及上下文调整后的完整流程的估算结果。此外,图3比较了在所提出的处理流程的不同阶段以及不同时间段内,各类房间的占用率估算结果,所示数据为选定时间段内的平均值;只有检测到超过三个设备(N>3)且不包括固定设备的时间段才会被纳入考量,因为这些时间段能提供最具有参考价值的结果。实验评估结果表明:•在存在大量固定设备的实验室环境中,夜间基线减除法至关重要;•在环境差异较大的情况下,静态的设备与人数比例系数不够适用;•考虑上下文的系数选择可以提高估算精度,减少系统性偏差;•基于快照的估算方法能够避免基于过渡情况的系统中所出现的累积偏差;•该系统无需结构信息或专用传感硬件,只需普通智能手机即可可靠运行。总体而言,这些结果证明,将被动BLE扫描与经过校准的基础设施减除法及上下文感知建模相结合,可以为大学环境中的实时室内占用率估算提供一种稳健且可扩展的解决方案。表1. 房间类型、方法、MAE、MAPE(%)教室仅扫描设备44.62129.6固定设备减除法+固定DPP13.1528.2完整流程8.5620.5走廊仅扫描设备41.69312.0固定设备减除法+固定DPP16.5082.2完整流程12.9674.2实验室仅扫描设备12.73178.0固定设备减除法+固定DPP0.378.6完整流程0.378.6不同房间类型及处理阶段下占用率估算流程的误差指标。图3. 不同房间类型的占用率估算性能比较。从左至右分别为教室、实验室和走廊环境。在每幅图中,分别展示了处理流程的各个阶段的结果:仅固定设备减除法、固定设备减除法结合固定设备与人数比例系数,以及完整的上下文感知处理流程。所示数值为选定高活跃度时间段内的平均值。7 结论与未来工作本文提出了一种基于普通智能手机的被动BLE扫描、无需基础设施的室内占用率估算方法。其核心贡献在于提供了一种可部署的工程化流程,该流程通过针对性解决限制实际建筑中设备计数方法的主要问题,将原始的BLE广告信号观测值转化为占用率估算值:即(i)多设备现象,一个使用者可能会产生多个BLE发射器;(ii)持续存在的固定基础设施设备,它们会带来恒定的虚假偏移;(iii)在密集的室内布局中,由于射频传播导致的房间间信号串扰。所提出的解决方案通过模块化的三层架构来应对这些挑战。数据采集层会设置RSSI阈值,进行周期性扫描,以确定房间的物理边界并减少外部干扰。信号处理层则利用空状态(夜间)基线策略,识别并去除稳定的固定发射器,从而得到更能反映实际人员存在的净设备数量。最后,语义层会推断环境上下文,并动态选择合适的参数,从而得出考虑不确定性的占用率范围,而非单一的确定性数值。在大学环境中的不同场所(实验室、教室和走廊)进行的实地测试表明,考虑上下文的估算方法和基线减除法能够持续降低基于简单设备计数方法的误差,尤其是在固定发射器和周边设备密度较高的场所,这些因素否则会主导信号特征。7.1 局限性虽然被动BLE扫描是一种成本低且能保护隐私的感应替代方案,可替代基于摄像头的或依赖大量基础设施的解决方案,但它仍受限于射频感应技术以及现代设备生态系统的固有缺陷。首先,BLE信号的检测并非总能实现:有些用户可能关闭了蓝牙功能,某些设备也可能因操作系统设置、待机状态或节能模式而减少或停止发送信号。其次,RSSI并非衡量距离的理想指标,它会受到多路径传播、物体遮挡以及数据包冲突的影响,即便在人员持续存在的情况下,也可能导致数值不稳定。第三,在墙壁较薄、走廊开放或相邻房间距离较近的建筑物中,仅依靠阈值设置无法完全消除房间间的信号串扰。最后,设备与人数的对应关系仍是一种基于模型的近似值,当使用者的设备使用习惯发生变化(如可穿戴设备的使用增加)或房间布局发生改变(如新增了始终处于开启状态的设备)时,可能需要进行重新校准。我们的部署依赖于经过实证调整的RSSI阈值,以此将检测范围限制在每个房间的物理边界之内。虽然这种方法有效降低了所研究大学建筑中的房间间干扰,但我们意识到,单一阈值可能不适用于更为复杂的建筑结构或材料。在数据收集过程中,我们观察到了明显的信号串扰现象,尤其是在大厅与相邻教室之间,这凸显了BLE信号传播对墙体厚度和空间布局的敏感性。未来的工作将致力于探索自适应或多阈值策略。在这种策略中,我们可以利用我们提出的系统的众包版本,让多部移动设备扫描不同的相邻房间,从而收集数据。这些数据有助于我们更准确地界定空间边界,减少在更大规模且结构更为复杂的建筑中的房间间干扰。目前,该系统可处理三种类型的环境:教室、实验室和走廊。不过,语义层的功能并不局限于这几种类型,它具有可扩展性,可用来纳入办公室、会议室或等候区等其他类型的房间。实现这一目标的方式是收集校准数据,以确定必要的设备与人数比例系数以及固定设备的基线值。这种方法不仅适用于大学环境,也适用于其他室内场景。不过,引入新的房间类型需要专门的数据收集阶段。最终模型的准确性在很大程度上取决于所收集样本的代表性。虽然可以将模型推广到未曾见过的房间类型,但这需要进一步的校准工作。7.2 未来工作有几个方向可以提升系统的稳健性、可扩展性以及与实际建筑工作流程的融合程度:超越单点BLE扫描。一个自然的扩展做法是在相邻空间部署多台扫描移动设备,共同推断整个房间的占用情况。通过这些移动设备收集的协同感应数据,可以利用空间多样性以及一致性检查(例如,根据相对信号强度模式将检测结果分配到最可能的房间),从而减少房间间的信号串扰。这还能覆盖更大的区域,减少对单一观测点的依赖。自适应校准与漂移监测。尽管当前的方法支持持续的数据收集和定期的基线估算,但未来的工作可以实现自动漂移检测:识别固定设备基线发生变化的时刻、设备与人数对应关系的变化时刻,或是估算置信度下降的时刻。这可以触发有针对性的重新校准扫描(例如,进行额外的空状态采样),或采用更为保守的参数设定,直至系统恢复稳定。更丰富的上下文推断与置信度建模。上下文推断模块可以进一步扩展,以便识别除简单房间类别之外的更多环境状态(例如,考试时段与授课时段、实验操作与空闲状态)。同样,通过结合信号方差以及其他稳定性指标(例如,新出现标识符的比例、在连续扫描窗口中的持续存在情况),可以提升不确定性量化水平,从而为后续决策提供更有价值的置信区间。轻量级机器学习扩展。目前的系统刻意避免了使用复杂的机器学习流程,而是依靠在基于快照的占用率估算模型中使用的、经过校准的、与上下文相关的系数。未来的工作可以探索轻量级的监督学习或半监督学习模型,作为这种估算器的补充,尤其是用于适应新的建筑、使用者群体或随时间变化的使用模式。诸如决策树、随机森林或浅层神经网络之类的模型,无需庞大的标记数据集,即可学习与特定上下文相关的特征(例如,RSSI方差、标识符的持续存在情况、时间稳定性指标)。这些方法能够在保留系统无需基础设施特性的同时,使其能够自动适应不同的建筑布局和使用者行为,进一步提升我们之前基于BLE技术的研究成果的通用性。与建筑运营及交互流程的整合。未来的工作可以通过将估算器集成到建筑控制面板和资源管理流程中,从交互式计算系统的角度进一步提升系统的实用性(例如,基于占用率的暖通空调控制、房间可用性显示或空间规划分析)。这还包括设计相应的交互机制,以便管理人员验证估算结果、标注异常情况,并管理符合隐私保护要求的数据聚合策略。跨建筑和使用者群体的通用性。最后,通过在不同的建筑布局和使用者群体中进行更广泛的验证,可以提高模型的通用性。这包括研究阈值选择、基线校准周期以及与上下文相关的系数在不同校园、办公室及其他半公共室内场所之间的适用性,同时确定哪些要素是可以标准化的,哪些则需要根据具体场所的情况进行定制。我们所展示的系统表明,通过结合校准、上下文感知建模以及考虑不确定性的报告机制,被动BLE扫描确实能够提供一种有效的、无需基础设施的室内占用率估算方案。上述未来的发展方向旨在进一步提升系统在复杂环境中的可靠性,同时促进其与现实世界中的智能建筑运营的无缝整合。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号