基于WiFi数据的实时人群聚集度研究

（长安大学，陕西 西安 710064）

0 引 言

近年来越来越多的学者开始使用位置服务来为不同类人群提供对应的信息服务。对于室外定位以及人群检测，使用较多的有GPS[1]、视频监测等。但GPS的信号会因为被遮挡或离运营商过远的原因等出现强弱变化不稳定的结果以及用GPS进行监测人群成本较高等问题，所以就考虑使用成本较低以及信号较稳定的方法去对人群进行监控。由于使用WiFi采集设备的成本较低，使用便捷，越来越多的研究者都趋于使用WiFi进行定位[2-4]，它通过无线接入点接受信号值的大小来进行计算定位对象的位置。

对于WiFi数据定位的研究，早些时候已有针对医院或商场等公共建筑区域的人员定位系统。但早期的定位技术存在很多的缺点，比如由于需要大量布线导致部分环境施工较为困难不易进行扩展等。但随着科技的发展，WiFi定位技术的研究和应用得到了迅速的发展，可以实现特定区域内（如校园、医院、购物商场、公园等）的物品和人员实时定位跟踪[5-6]。

国内外很多公司、高校、研究所等也设计了很多基于WiFi无线定位系统。关于未知节点定位的方法主要分为基于三边测量定位和位置指纹定位两种方法。国内的研究如彭玉旭等设计的基于RSSI的贝叶斯室内定位算法[7]。该算法是在进行高斯滤波预处理后，使用三角形质心算法计算未知节点坐标，后期对初始坐标进行贝叶斯滤波处理得出更精准的坐标。蔡朝晖等设计的室内信号强度指纹定位算法的改进[8]，在指纹定位的基础上，设计了基于区域划分的定位算法，提高定位的精度。闫思锐等在分析无线通信模型的基础上[9]，利用BP神经网络拟合RSSI-d非线性函数关系，大大缩小了定位误差。夏英等混合使用三角定位算法与指纹定位对室内设备进行定位[10]，实验证明该算法有效且稳定。

另外，通过WiFi数据的挖掘和应用，对人群定位、统计、轨迹以及聚集度进行分析[11-13]是重要的研究方向。不同区域内分析人群的流动有利于规划者去掌握人群动态发展，从而对城市安全、规划、交通领域等都有重要的作用。

本文提出了基于WiFi探针技术的人群聚集度系统设计，通过在某公园公共场所部署WiFi探针，即可实时采集并分析该位置所检测到移动设备的数量，主要研究内容是大型公共场所的基于WiFi数据的人群统计模型、人群聚集度模型。通过数据分析生成实时的人流量的统计，以及通过三边定位后对具体划分的区域在不同时间段进行聚集度的分析。

1 系统总体框架设计

本次设计将WiFi探针架设在人流经过的公共区域，就能获取到经过该区域的行人所携带的智能终端的信息，以及设备进入区域和离开区域的时间。对进入区域的设备的数量和时间进行分析和计算，再通过RSSI测距后根据距离以及参考节点位置利用三边测量定位的方法计算行人所处位置，即可绘制出不同时间段的区域热力图，以反映该区域人群的聚集度。

本次设计的步骤流程如图1所示。

图1 系统设计流程

管理者可以通过系统最后得出的实时人群聚集度来对当前的人流情况有所了解并且进行判断和规划。该系统搭建成本非常低，实现功能的同时还可以对当前环境以及设施建设进行规划，探针和服务器的硬件成本也较低，同时触发迅速，管理方便，且可以大力节省人力成本，非常适合架设在景区，车站及商场等公共场所。

2 人群定位

2.1 RSSI强度转换距离

基于信号强度的三边定位算法，可以分别统计出不同WiFi检测设备在同一时间对相同设备检测到的RSSI，依次取3个信号强度相对最大的WiFi检测设备，然后通过信号强度衰减公式将RSSI信号转换为距离，最后根据三边测量定位求出其坐标位置。三边定位图如图2所示。图中A，B，C这3个AP点检测到未知节点O的信号强度相对较大，即应用A，B，C三点的信号强度进行对未知节点O的坐标的求解。

图2 三边定位图

信号在空间中传播中信号强度会由于传播损耗而不同，利用这个特性，可以建立信号衰减强度与距离之间的对应关系，其中应用最多的路径损耗模型如下：

式中：P表示移动端接收信号的功率；d0为未知节点到AP点的长度；P0为此时移动端到AP接收的信号功率；d为图中AO，BO，CO的长度；n为路径损耗因子；ξ为随机变量，与传播距离d没有关系。接下来需要求得信号强度反馈公式：

式中：RSSI为信号强度；A为常数；n为路径损耗因子；d为移动端到AO点的距离。通过式（2）变形可以得到式（3），就可求得d的距离：

分别通过上述步骤可以得到AO，BO，CO的距离分别为dA，dB，dC。将dA，dB，dC三点值代入三边测量定位求解过程中即可求得未知节点O的坐标。

2.2 三边测量定位

在将信号强度转换为距离后可以获取未知节点到已知AP的距离，接下来采用三角质心定位算法进行节点定位，需要选取传输距离最短的3个路径节点为定位锚节点并分别以它们的路径长画圆，相对应的锚节点为圆心作圆，如图3所示。三个圆两两相交会存在一个三角形的重叠区域，求这个三角形的质心坐标也就是求得未知节点所在位置。

图3 边测量定位示意图

由于未知节点距离锚节点的距离越近，其信号强度越大，相对的损耗就会越小，所以本文将信号强度最大的3个锚节点到待测节点之间距离的倒数作为权值给待测节点的位置坐标进行修正，定位公式如下：

式中，（x，y）为待测节点坐标。

3 人群聚集度分析

本文基于三边测量定位，提出应用于大型公共场所，复杂环境下的人群定位的新方法。设计的群聚集度分析系统主要包括当前实时人流情况提取及分析和聚集度分析两部分：

（1）通过探针回传数据，从中分析当前人流量情况，并与历史数据值进行比较，以此判断人流量的变化幅度；

（2）首先通过RSSI测距后进行三边定位得出各盲节点位置，将所有计算的结果进行存储和可视化分析。

3.1 实时人流情况提取及分析

根据WiFi检测设备的特点，当移动设备进入到某一WiFi探针的检测范围时，WiFi探针即可捕获到该移动设备的MAC地址并开始跟踪直到该移动设备离开该WiFi探针的检测范围。那么该WiFi探针在某一时间段内所检测到的移动设备的数量可大致反映出当前可检测区域内游客的数量。

公共场所的正常人流量和停留时间主要受时间因素的影响，所以对WiFi探针采集到的数据分时间段进行聚集度的分析之前，先对一整天的数据进行处理，可以得出经过该区域游客数量随时间的变化趋势，为接下来的聚集度分析做准备。

对WiFi探针采集到的数据分时间段进行聚集度的分析，首先对一天从00:00—24:00的数据进行处理得出检测到的用户随时间的变化趋势，如图4所示。

图4 实时人流变换图

3.2 人群聚集度可视化分析

根据一天24小时的人流变化情况我们可以很直观的看出存在3个人流量的峰值，分布在早晨8:50—9:50，下午14:50—15:50，夜晚19:50—20:50。可以分别对这三个人流量峰值的区间段进行人群定位进而得到该时间段内发人群流动的热力图，如图5所示分别为早中晚三个峰值时间段内的人群聚集度分析的网格图。

图5 人群聚集度分析图

格化后的可视化数据示例见表1所列。

表1 格化后可视化数据示例

从图5所示的不同时段人群聚集的变换图和表1所列同区域人数变化的表格中可以清晰直观地了解到本文所划分不同区域在不同时间段的人群聚集变换的情况。根据所放置WiFi设备的位置，处于人群流量较大的公园，周围有住宅区、公司以及饮食区域，所以在不同时间段在不同区域的人群聚集存在较大的变化。

根据观察，在早间人群处于流动状态，是由于早间人群高峰期属于通勤状态；而午间可以看到人群流动性降低，大部分区域的人数较少，仅仅在固定区域出现人数聚集的较大值，说明该区域在该时间段停留人数较多，说明这里可能是饮食区域；在晚间可以看出人群聚集较大的区域明显增多，这很可能是因为晚间大部分周围住宅区的住户会在公园进行锻炼或是散步等，所以导致人群数量在公园主干道区域大大增多。

4 结 语

本文针对人流量较大的公共场所的WiFi 热点区域进行了实时人流量统计与聚集度分析，提出了基于三边定位和RSSI的WiFi人群定位新方法，进一步建立了WiFi区域人群统计模型、不同区域人群移动聚集度模型。通过搭建 WiFi设备探究不同区域人群聚集度模型验证系统，证明了该系统的有效性。后续还可以根据本文所研究的结果对WiFi设备所检测的人群进行特性分析归类。