宋宇波， 彭朝陽， 蘇悅， 劉蘊(yùn)簫， 趙千鋒， 朱珍超

(東南大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院,江蘇省計算機(jī)網(wǎng)絡(luò)技術(shù)重點實驗室，江蘇，南京 211189)

隨著城市化進(jìn)程的日益加快，城市人口急劇攀升，一些大型的室內(nèi)場所出現(xiàn)了人群擁擠的難題. 如大型商場、火車站、醫(yī)院等場所，這些場所人群密度和客流量很大，給人們活動造成不便，存在安全隱患，甚至可能發(fā)生踩踏事件[1]. 如果能夠預(yù)知某個區(qū)域內(nèi)的人流密度，就能夠根據(jù)具體需要提前做好防范措施，如安排工作人員進(jìn)行引導(dǎo)，開辟疏導(dǎo)人群的通道等. 人們可根據(jù)自身需求選擇較為通暢的路徑，便能很好地解決人群擁擠的問題.

人流密度監(jiān)控和預(yù)測是解決上述問題的關(guān)鍵步驟之一. 通常兩種方法用來對人流密度進(jìn)行人監(jiān)測——基于視頻監(jiān)控以及基于射頻信號.

一種常規(guī)的方案是基于視頻監(jiān)控記錄人的身體或者頭部圖像. 這種方案首先建立頭和身體的模型，然后去和視頻監(jiān)控中的畫面進(jìn)行圖像匹配，從而收集到一些有用的信息，如協(xié)方差矩陣、梯度直方圖(HOG)等[2-3]. 如Stan Birchfield[4]利用人頭部的二維模型作為匹配特征進(jìn)行了相關(guān)工作. 但是人影重疊，這種方案不適用于人流密度特別大的場合. 因此Marana等[5]使用紋理去描述不同的人群密度，他們發(fā)現(xiàn)人流密度小的時候紋理粗糙，而人流密度大的時候紋理精細(xì)，因此可以通過紋理的精細(xì)程度來描述人流密度的大小. 這類方案一般是基于面積、紋理、邊緣等特征的統(tǒng)計. 此外還有Ryan等[6]使用的面積法、邊緣法等. 但是這些方法都需要所監(jiān)控人群的動態(tài)信息. 然而，對于商場餐飲區(qū)等特定的場所，人們用餐時基本是靜態(tài)的. 因此以上方法不適用于人們動作較少的場所. 除此之外，基于視頻監(jiān)控的方案都牽涉到個人隱私問題，在許多敏感的場合并不適用[7].

除了視頻監(jiān)控的方案之外，基于射頻信號的方案[8]也引起了廣泛的研究. 此種方案通常是先采集手機(jī)的無線信號，然后對采集到的信號進(jìn)行加工和分析——先對人進(jìn)行定位[9]，再由定位信息來統(tǒng)計密度. 但是傳統(tǒng)基于射頻信號的方案只是將所采集信號按照信號源進(jìn)行歸類，將歸類后的類別數(shù)作為估算數(shù)目. 此種方案忽視了由于信號源與捕獲點間距離遠(yuǎn)近的差異而產(chǎn)生不同貢獻(xiàn)度的因素，從而導(dǎo)致了人流密度估算結(jié)果具有偏差.

對于人流密度預(yù)測這一問題，目前一種主流的預(yù)測方案是基于回歸分析實現(xiàn)的[10]. 回歸分析法由于在分析多因素模型時簡單下方便，所以有著廣泛的應(yīng)用. 它首先確定自變量和因變量，然后根據(jù)歷史數(shù)據(jù)建立數(shù)學(xué)回歸方程模型. 模型要求預(yù)測誤差盡可能的小，一般遵循最小均方誤差準(zhǔn)則(MMSE). 然而通過回歸分析法所得到的數(shù)學(xué)方程需要大量的計算，方能得到一個靜態(tài)的數(shù)學(xué)模型. 對于不確定性大，要求能夠及時適應(yīng)場景的的場所并不適用. 本文所適用的場景是醫(yī)院、大型商場等大規(guī)模室內(nèi)場所，客流量變化明顯，不確定因素較多，因此回歸分析法并不合適.

針對基于視頻監(jiān)控和射頻信號等方案存在的問題以及回歸分析法的局限性，本文在采集手機(jī)WiFi信號的基礎(chǔ)之上，根據(jù)信號的強(qiáng)度對其進(jìn)行加權(quán)運(yùn)算，并提出了一種基于神經(jīng)網(wǎng)絡(luò)的新型方案. 因為當(dāng)今社會智能手機(jī)基本人手一部，而某個區(qū)域的人流密度是一個大致的人數(shù)范圍，并不需要特別精確的數(shù)值，所以個別沒有攜帶手機(jī)的人只會對估計結(jié)果產(chǎn)生輕微的影響，所以可以通過某個區(qū)域內(nèi)手機(jī)的數(shù)量來側(cè)面估計人的數(shù)量. 因此，對人流的統(tǒng)計就轉(zhuǎn)變?yōu)閷κ謾C(jī)數(shù)量的統(tǒng)計. 為了消除統(tǒng)計手機(jī)數(shù)量時由于距離因素產(chǎn)生的估算偏差本文提出了新型的室內(nèi)人流密度估算算法，該算法以現(xiàn)有的基于射頻信號進(jìn)行密度估算算法為基礎(chǔ)，引入加權(quán)運(yùn)算來提升估算質(zhì)量. 并且該算法直接對手機(jī)信號強(qiáng)度數(shù)據(jù)集進(jìn)行處理，得到一個預(yù)測模型，省去了傳統(tǒng)方案先得到人數(shù)再進(jìn)行預(yù)測的步驟，很大程度上節(jié)省了工作量. 另一方面，由于WiFi信號具有穿透性，避免了視頻監(jiān)控方案所存在的遮擋問題. 本文采用了手機(jī)WiFi信號處理和神經(jīng)網(wǎng)絡(luò)預(yù)測的方法，建立了一種新型的大規(guī)模室內(nèi)人流密度預(yù)測模型框架.

1 整體結(jié)構(gòu)

1.1 整體框架

本文采用了手機(jī)設(shè)備信息處理和神經(jīng)網(wǎng)絡(luò)預(yù)測的方法，建立了一種新型的統(tǒng)一的人流密度預(yù)測模型框架，該框架包括兩個階段：訓(xùn)練階段和驗證階段，如圖1所示. 在訓(xùn)練階段中將手機(jī)發(fā)出的WiFi信號作為數(shù)據(jù)來源，WiFi信號中包含mac地址和信號強(qiáng)度等信息. 把WiFi信號按mac地址去重之后，基于信號強(qiáng)度進(jìn)行加權(quán)運(yùn)算，得到監(jiān)測范圍內(nèi)的手機(jī)數(shù)量估算值. 將每個時間段內(nèi)的手機(jī)數(shù)量估算值都存入數(shù)據(jù)庫當(dāng)中，同時作為特征輸入送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到預(yù)測模型. 在驗證階段，用戶上傳位置信息，與數(shù)據(jù)庫中的預(yù)測位置進(jìn)行匹配，獲取所預(yù)測位置連續(xù)若干個時間段內(nèi)的手機(jī)數(shù)量，然后將手機(jī)數(shù)量送入預(yù)測模型，得到人流密度預(yù)測值. 預(yù)測值與裁決器中預(yù)設(shè)閾值進(jìn)行比較，得到預(yù)測位置的人流密度等級.

圖1 密度預(yù)測流程Fig.1 The density prediction process

1.2 訓(xùn)練階段

① WiFi信號：由于智能手機(jī)十分普及，并且手機(jī)的信號容易獲取，所以本文以手機(jī)WiFi信號作為數(shù)據(jù)來源的載體. 在WiFi開關(guān)打開的狀態(tài)下，手機(jī)會發(fā)出WiFi信號. 這些信號在空氣中傳播并隨著傳播距離增加而衰減，其中攜帶了信號的強(qiáng)度信息和每部手機(jī)唯一對應(yīng)的mac地址[11].

② 數(shù)據(jù)預(yù)處理：因為對下一個時刻的人數(shù)進(jìn)行預(yù)測需要此前若干個連續(xù)時間段內(nèi)的統(tǒng)計人數(shù)，所以要對數(shù)據(jù)采集部分所得到的手機(jī)信號進(jìn)行數(shù)據(jù)預(yù)處理. 因為每部手機(jī)的mac是獨一無二的，所以可以用于與其他手機(jī)進(jìn)行區(qū)分. 將獲取到的信號按照mac地址進(jìn)行去重便粗略得到了手機(jī)數(shù)量. 但隨著手機(jī)與捕獲點的距離增大，對捕獲區(qū)域的貢獻(xiàn)度減小，因此簡單地統(tǒng)計手機(jī)數(shù)目會造成統(tǒng)計結(jié)果偏大. 為了解決統(tǒng)計結(jié)果偏大的問題，本文提出了一種基于信道衰減模型的加權(quán)算法. 該算法利用信號強(qiáng)度與距離的關(guān)系，將信號強(qiáng)度處理之后獲得加權(quán)系數(shù)，最終加權(quán)求和所得結(jié)果即為捕獲區(qū)域內(nèi)有效的統(tǒng)計人數(shù). 把統(tǒng)計人數(shù)上傳至數(shù)據(jù)庫以便驗證使用.

③ BP神經(jīng)網(wǎng)絡(luò)：在模型訓(xùn)練階段，本文采用BP神經(jīng)網(wǎng)絡(luò)[12-13]. 本文將在某特定區(qū)域中若干個連續(xù)時間周期內(nèi)加權(quán)統(tǒng)計后的人數(shù)作為輸入層，經(jīng)過隱含層的加權(quán)和非線性變換，對下一個時間周期內(nèi)該區(qū)域內(nèi)的人數(shù)進(jìn)行預(yù)測，將預(yù)測結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的輸出層. 訓(xùn)練結(jié)束之后便可得到預(yù)測模型.

1.3 驗證階段

在驗證階段中，用戶根據(jù)需求上傳所要預(yù)測區(qū)域的位置信息，與數(shù)據(jù)庫進(jìn)行匹配，調(diào)用該區(qū)域過去時間段內(nèi)所得的統(tǒng)計人數(shù). 將統(tǒng)計人數(shù)作為特征輸入送入訓(xùn)練好的預(yù)測模型得到預(yù)測值. 裁決器將預(yù)測值根據(jù)預(yù)設(shè)閾值劃分人流密度等級.

2 基于信號強(qiáng)度加權(quán)的人流密度估算算法

手機(jī)與捕獲點的距離不同，其對捕獲區(qū)域的貢獻(xiàn)度也不同. 距離越遠(yuǎn)，那么該手機(jī)對人流密度的貢獻(xiàn)度也就越小. 由于距離關(guān)系在現(xiàn)實環(huán)境中不易測量，所以本文將距離信息轉(zhuǎn)換為信號的強(qiáng)度信息. 根據(jù)RSSI測距原理[14]，WiFi信號在空氣中傳播時，遵循信號衰減模型. 隨著手機(jī)與捕獲點之間距離的增加，信號強(qiáng)度會逐漸減弱信號強(qiáng)度和傳播距離由接收功率和發(fā)射功率表征，具體關(guān)系如下

10lgPR=10lgPT-10nlgr.

(1)

式中:PR為接收功率(dBm);PT為發(fā)射功率(dBm);r為收發(fā)單元間的距離;n為傳播因子，其數(shù)值取決于傳播環(huán)境.

由式(1)可以看出捕獲設(shè)備所抓取信號的強(qiáng)度隨著手機(jī)距捕獲設(shè)備的距離增大而減小.

因為手機(jī)與捕獲點的距離是連續(xù)變化的，而加權(quán)的系數(shù)是按照閾值設(shè)定離散化的，所以要將距離離散化. 以捕獲點為圓心，手機(jī)和捕獲點間距離記為r，設(shè)定單位值R，那么離散化之后的距離a可表示為

(2)

以捕獲點為圓心，離散化后圓的面積與(aR)2成正比. 將以單位值R為半徑差的一系列圓環(huán)面積記為S，則S的比例關(guān)系由式(3)給出為

S1∶S2∶…∶Sa=1∶3∶…∶(2a-1).

(3)

假設(shè)所有地方人流均勻分布，則每個環(huán)形區(qū)域?qū)?yīng)的面積比即為人數(shù)比，又因為假設(shè)人流均勻分布，故權(quán)重系數(shù)與面積的乘積可認(rèn)為是一個定值，不妨記為1，因此給出權(quán)重系數(shù)c的表達(dá)式為

c=1/(2a-1).

(4)

將式(4)作為權(quán)重對式(2)進(jìn)行加權(quán)，則捕獲設(shè)備統(tǒng)計到的手機(jī)數(shù)量為

(5)

其中k為根據(jù)mac地址去重之后未加權(quán)的手機(jī)數(shù)目，qi由式(6)給出

(6)

將式(1)寫成指數(shù)形式，用接收信號和發(fā)射信號強(qiáng)度來表征收發(fā)點間距離r

(7)

將收發(fā)點間距離r代入式(6)，所得的qi作為被加權(quán)變量整體代入式(5)，并假設(shè)發(fā)射功率為常數(shù)A，于是得到了一個基于信號強(qiáng)度加權(quán)的估算算法

(8)

式中:x為經(jīng)加權(quán)運(yùn)算之后捕獲設(shè)備統(tǒng)計到的手機(jī)數(shù)量；k為加權(quán)之前的手機(jī)數(shù)目，為方便表示，用di表示加權(quán)變量，di由式(9)給出

(9)

3 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型

在模型訓(xùn)練階段，本文采用BP神經(jīng)網(wǎng)絡(luò). 本文將在某特定區(qū)域中若干個連續(xù)時間周期內(nèi)加權(quán)統(tǒng)計后的人數(shù)作為輸入層，經(jīng)過隱含層的加權(quán)和非線性變換，對下一個時間周期內(nèi)該區(qū)域內(nèi)的人數(shù)進(jìn)行預(yù)測，將預(yù)測結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的輸出層.

利用上文提出的基于信號強(qiáng)度加權(quán)估算的算法，可得到一個時間段內(nèi)某特定區(qū)域內(nèi)的人流密度估算值. 連續(xù)估算N個時間段的人流密度，并按序排列，記為矩陣X

X=[x1x2…xN].

(10)

隱含層的作用是將輸入的特征經(jīng)過加權(quán)計算而并非線性變化，它由若干個加權(quán)矩陣W和偏置矩陣B組成. 矩陣W和B的各個元素隨著神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程自動調(diào)整. 因此，將連續(xù)N個時間段的估算人數(shù)X作為BP神經(jīng)網(wǎng)絡(luò)的輸入，通過隱含層進(jìn)行參數(shù)自動調(diào)整，對接下來一個時間段的人數(shù)做預(yù)測，公式由式(11)給出為

(當(dāng)j=m時，outm=predict).

(11)

預(yù)測輸出和實際輸出存在差別，將此誤差平方作為損失函數(shù)，若想得到一個準(zhǔn)確的預(yù)測模型，則要最小化損失函數(shù). 由于Adam(adaptive moment estimation)的每一次迭代學(xué)習(xí)率都有一個固定范圍，所得到的參數(shù)比較平穩(wěn)，同時其速度要快于梯度下降法. 為了能夠快速建立預(yù)測模型，適應(yīng)波動性較大的場所，本文采用Adam算法[15]. 在最小化損失函數(shù)的過程中，矩陣W和矩陣B會自動調(diào)節(jié)參數(shù). 訓(xùn)練之后便得到了一個訓(xùn)練好的預(yù)測模型.

圖2 多層預(yù)測網(wǎng)絡(luò)Fig.2 Multi-layer prediction network

4 實驗結(jié)果分析

本文將某購物中心餐飲區(qū)作為測試地點. 每間隔10 min刷新一次捕獲到的移動設(shè)備信號強(qiáng)度及對應(yīng)的信息. 經(jīng)過多次實際信號采集，分析出信號數(shù)據(jù)的變化趨勢. 信號強(qiáng)度加權(quán)獲得客流量后，將客流量作為輸入，構(gòu)建訓(xùn)練集和測試集. 訓(xùn)練集的數(shù)據(jù)經(jīng)過多次迭代后獲得一個預(yù)測模型，最終使用測試集進(jìn)行測試.

4.1 測試過程

由于當(dāng)今社會基本達(dá)到人手一部智能手機(jī)，室內(nèi)的手機(jī)數(shù)量可以反映出該區(qū)域的人流量. 本文在某購物中心餐飲區(qū)進(jìn)行了以下測試. 該購物中心地圖如圖3所示.

圖3 購物中心地圖Fig.3 Map of global shopping center

在餐飲區(qū)設(shè)置一個捕獲設(shè)備. 本文中使用樹莓派作為捕獲設(shè)備. 將樹莓派與設(shè)置為監(jiān)聽模式的無線網(wǎng)卡組合，可以用來捕獲其周圍手機(jī)的設(shè)備信息，這些信息包括mac地址、捕獲的時間以及信號強(qiáng)度等. mac地址用于區(qū)分不同的手機(jī)，每捕獲到一個新的mac地址即意味著附近有一個新的手機(jī)用戶，對應(yīng)地客流量增加. 捕獲時間顯示捕獲設(shè)備抓取到手機(jī)數(shù)據(jù)包的時刻；信號強(qiáng)度則側(cè)面反映出所捕獲到的信號源距離捕獲設(shè)備的距離，信號強(qiáng)度越大，就說明信號源距離捕獲點越近，對人數(shù)的統(tǒng)計越有意義. 設(shè)定不同的閾值，并將信號強(qiáng)度與之比較進(jìn)而對信號的有效統(tǒng)計程度賦予不同的權(quán)重，有助于更準(zhǔn)確地計算一個特定區(qū)域的人流密度. 將設(shè)備的信息按照mac地址的不同進(jìn)行去重后便得到了某個時刻捕獲點周圍的人數(shù).

通過構(gòu)建好的訓(xùn)練集進(jìn)行訓(xùn)練模型訓(xùn)練. 從圖4中可以看出前20次的迭代過程中損失函數(shù)急劇下降，并且隨著迭代次數(shù)的繼續(xù)增加，損失函數(shù)趨于平緩，迭代50次之后基本不變，此時可認(rèn)為迭代結(jié)束，得到訓(xùn)練模型.

圖4 損失函數(shù)下降曲線Fig.4 The decline curve of loss function

4.2 測試結(jié)果

在商場餐飲區(qū)每天10∶00—21∶00區(qū)間進(jìn)行測試，將測試集送入上述已經(jīng)訓(xùn)練好的模型中進(jìn)行測試，并把預(yù)測值與通過分析數(shù)據(jù)包所得到的真實數(shù)值進(jìn)行對比. 折線圖5繪制了統(tǒng)計的真實人數(shù)和預(yù)測輸出人數(shù)在每個時間段內(nèi)的折線圖. 捕獲設(shè)備每間隔10 min刷新一次數(shù)據(jù)，選取每個小時中的第20～40 min區(qū)間內(nèi)的平均人數(shù)作為該小時的有效統(tǒng)計人數(shù). 柱狀圖6給出了各個時間段內(nèi)預(yù)測輸出的精度. 表1給出了具體的人數(shù)信息、精確度的數(shù)值和平均預(yù)測準(zhǔn)確率，其中平均預(yù)測準(zhǔn)確率由一天內(nèi)各個時間段的準(zhǔn)確率求算數(shù)平均給出.

圖5 預(yù)測人數(shù)和真實人數(shù)對比Fig.5 Comparison of predicted and actual numbers

圖6 各個時間段的預(yù)測準(zhǔn)確率Fig.6 Prediction accuracy of each time period

由圖5可以看出，真實平均人數(shù)和預(yù)測平均人數(shù)走勢變化基本一致. 在11∶00—13∶00這段用餐高峰期出現(xiàn)峰值，隨后人流密度迅速下降，直到16∶00時候又開始呈現(xiàn)上升趨勢，進(jìn)入晚餐用餐期，并在18∶00—19∶00時間段內(nèi)達(dá)到晚餐高峰期，隨后人流密度再次呈現(xiàn)下降趨勢.

由圖6可以看出，在15∶00—16∶00以及20∶00—21∶00兩個時間段內(nèi)，預(yù)測準(zhǔn)確率相對其他時間段偏低. 這是因為在用餐高峰期過后，用餐人數(shù)急劇減少，人們活動的不確定性增大，所以此時預(yù)測準(zhǔn)確率下降.

由表1中可以看出，除20∶00—21∶00外，其余每個時間段的預(yù)測準(zhǔn)確率都在90%以上. 經(jīng)計算總體的準(zhǔn)確率為94.70%. 由于在20∶00—21∶00時間段內(nèi)用餐的人很少，并且處于商場即將停止?fàn)I業(yè)之前，所以這個時間段內(nèi)的人流變化隨機(jī)性較大，導(dǎo)致預(yù)測準(zhǔn)確率較低，僅有84.74%.

表1 真實人數(shù)、預(yù)測人數(shù)和準(zhǔn)確率Tab.1 True number, forecasted number and accuracy

5 結(jié)束語

基于對手機(jī)WiFi信號的處理，提出了一種適應(yīng)于大規(guī)模室內(nèi)場所的人流密度預(yù)測方案. 該方案將手機(jī)WiFi信號進(jìn)行加權(quán)處理，其結(jié)果送入神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測. 在人流密度估計問題上，本文所提方案一方面解決了視頻監(jiān)控方案的遮擋問題，另一方面避免了傳統(tǒng)基于射頻信號方案不準(zhǔn)確性. 在預(yù)測模型構(gòu)建問題上，相比于線性回歸法，神經(jīng)網(wǎng)絡(luò)預(yù)測法更適合于商場、火車站等人流隨機(jī)性大的場合. 實驗結(jié)果表明，所得到的預(yù)測模型準(zhǔn)確率達(dá)到了94.70%. 后續(xù)的研究中，將嘗試采用多個捕獲點同時預(yù)測，并通過加權(quán)投票的方式，進(jìn)一步提高預(yù)測的準(zhǔn)確率和可靠性.