論文の概要: Modeling Classroom Occupancy using Data of WiFi Infrastructure in a
University Campus
- arxiv url: http://arxiv.org/abs/2104.10667v1
- Date: Mon, 19 Apr 2021 06:15:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 14:13:09.788666
- Title: Modeling Classroom Occupancy using Data of WiFi Infrastructure in a
University Campus
- Title（参考訳）: 大学キャンパスにおけるWiFiインフラデータを用いた授業活動のモデル化
- Authors: Iresha Pasquel Mohottige and Hassan Habibi Gharakheili and Vijay
Sivaraman and Tim Moors
- Abstract要約: 本稿では,WiFiセンサのインフラから教室の占有度を推定する機械学習モデルを開発する。
何千ものアクセスポイント(AP)からなる高密度でダイナミックな無線ネットワークからメタデータを解析する。
教室におけるAPのマッピング精度は84.6%であり, 部屋占有率の推定精度は, 対称平均絶対パーセンテージ誤差(sMAPE)が13.10%であるビームカウンタセンサに匹敵する。
- 参考スコア（独自算出の注目度）: 1.8352113484137622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Universities worldwide are experiencing a surge in enrollments, therefore
campus estate managers are seeking continuous data on attendance patterns to
optimize the usage of classroom space. As a result, there is an increasing
trend to measure classrooms attendance by employing various sensing
technologies, among which pervasive WiFi infrastructure is seen as a low cost
method. In a dense campus environment, the number of connected WiFi users does
not well estimate room occupancy since connection counts are polluted by
adjoining rooms, outdoor walkways, and network load balancing.
In this paper, we develop machine learning based models to infer classroom
occupancy from WiFi sensing infrastructure. Our contributions are three-fold:
(1) We analyze metadata from a dense and dynamic wireless network comprising of
thousands of access points (APs) to draw insights into coverage of APs,
behavior of WiFi connected users, and challenges of estimating room occupancy;
(2) We propose a method to automatically map APs to classrooms using
unsupervised clustering algorithms; and (3) We model classroom occupancy using
a combination of classification and regression methods of varying algorithms.
We achieve 84.6% accuracy in mapping APs to classrooms while the accuracy of
our estimation for room occupancy is comparable to beam counter sensors with a
symmetric Mean Absolute Percentage Error (sMAPE) of 13.10%.
- Abstract（参考訳）: 世界中の大学は入学者数が急増しているため、キャンパスの不動産管理者は教室スペースの使用を最適化するために出席パターンに関する継続的なデータを求めている。
その結果,様々なセンサ技術を用いて授業出席率を測定する傾向が強くなり,Wi-Fiインフラの普及が低コストな方法と見なされている。
密集したキャンパス環境では、隣接する部屋、屋外通路、ネットワーク負荷分散によって接続数が汚染されるため、接続WiFi利用者の数は部屋占有率を十分に見積もっていない。
本稿では,WiFiセンサのインフラから教室の占有度を推定する機械学習モデルを開発する。
1) apsのカバー範囲、wi-fi接続ユーザの行動、および部屋占有率推定の課題に対する洞察を得るために、数千のアクセスポイント(aps)からなる高密度でダイナミックな無線ネットワークからメタデータを解析し、(2)教師なしクラスタリングアルゴリズムを用いて教室にapをマップする手法を提案し、(3)様々なアルゴリズムの分類と回帰手法を組み合わせた教室占有度をモデル化する。
教室におけるAPのマッピング精度は84.6%であり, 部屋占有率の推定精度は, 対称平均絶対パーセンテージ誤差(sMAPE)が13.10%であるビームカウンタセンサに匹敵する。
関連論文リスト
- Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Federated Zero-Shot Learning for Visual Recognition [55.65879596326147]
本稿では,Federated Zero-Shot Learning FedZSLフレームワークを提案する。
FedZSLは、エッジデバイス上の分散データから中心的なモデルを学ぶ。
FedZSLの有効性と堅牢性は、3つのゼロショットベンチマークデータセットで実施された広範な実験によって実証された。
論文 参考訳（メタデータ） (2022-09-05T14:49:34Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Domain Adversarial Graph Convolutional Network Based on RSSI and
Crowdsensing for Indoor Localization [8.406788215294483]
少数のラベル付きサイトサーベイデータと大量のラベル付きクラウドセンシングWiFi指紋を用いてトレーニングできる新しいWiDAGCNモデルを提案する。
本システムは、複数の建物を含む公共の屋内ローカライゼーションデータセットを用いて評価する。
論文 参考訳（メタデータ） (2022-04-06T08:06:27Z) - Parallel Successive Learning for Dynamic Distributed Model Training over
Heterogeneous Wireless Networks [50.68446003616802]
フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。
我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。
我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
論文 参考訳（メタデータ） (2022-02-07T05:11:01Z) - Location Leakage in Federated Signal Maps [7.093808731951124]
複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。
i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。
我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。
FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
論文 参考訳（メタデータ） (2021-12-07T02:28:12Z) - Mobility-Aware Cluster Federated Learning in Hierarchical Wireless
Networks [81.83990083088345]
我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。
分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。
これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-20T10:46:58Z) - Estimating indoor occupancy through low-cost BLE devices [2.462983746099006]
本稿では, 低コストの占有検知システムを提案する。
人間の存在に関連するBluetooth Low Energy (BLE)信号の変化を検出することに基づいています。
平均して、異なる環境では、97.97%の精度で占領者を正しく分類することができる。
論文 参考訳（メタデータ） (2021-01-30T09:54:31Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z) - Analyzing the Impact of Covid-19 Control Policies on Campus Occupancy
and Mobility via Passive WiFi Sensing [0.0]
本稿では,Wi-Fiインフラの運用によるユーザ占有率と移動性の分析が,安全コンプライアンスの監視・維持に有効であることを推察する。
スマートフォンをユーザ位置のプロキシとして使用することにより、粗粒Wi-Fiデータの室内占有スペクトルを十分に反映できることを示す。
論文 参考訳（メタデータ） (2020-05-25T11:47:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。