Development and Testing of a Real-Time WiFi-Bluetooth System for Pedestrian Network Monitoring, Classification, and Data Extrapolation
Notice bibliographique
Résumé
A real-time pedestrian monitoring system provides information about traffic flow, speeds, travel times, and time spent in areas or transportation facilities of interest. This is useful in travel information systems and crowd management strategies, as well as in planning and emergencies in public spaces, such as airports, parks, malls, and university campuses. While there are technologies that can obtain count data for non-motorized transportation at specific locations, most technologies cannot provide origin-destination information, trip paths, travel times, or time spent. To overcome these shortcomings, some studies have explored the use of Bluetooth (BT) sensors to capture the unique media access control (MAC) addresses of mobile devices carried by pedestrians. However, this collection method may suffer from low-detection rates. As an alternative, collecting MAC data from WiFi signals has emerged. The objective of this paper is three-fold: 1) develop and evaluate the performance of an integrated WiFi-BT system to monitor pedestrian-cyclists activity traffic; 2) develop and validate a classification method for differentiating pedestrians from bicycles; and 3) propose a simple extrapolation method that combines counts and MAC data. Among other results, relatively high detection rates were obtained for the developed WiFi system in comparison with BT sensors. In addition, high correlation between estimated and ground truth speeds and low classification errors are observed. Finally, the extrapolated WiFi counts and ground truth counts were found to be highly correlated. These results demonstrate the feasibility of the proposed system and methods to estimate travel times (speeds), to classify bicycle-pedestrian WiFi signals, and to extrapolate pedestrian MAC counts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».