Radio Beacon Base Context Identification - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Radio Beacon Base Context Identification

Identification du Contexte de la Base de la Balise Radio

Jana Koteich
  • Fonction : Auteur
  • PersonId : 1166088

Résumé

The study of human mobility is becoming more and more crucial nowadays in transportation studies, urban planning, crowd mobility behaviors and much more. In this paper, we propose a new approach to study the type of mobility by building a lightweight machine learning (ML) model based on the observation of wireless network information to determine the real situation of the device, which can be fixed (office, home, etc), or mobile (bus, pedestrian, car, etc). The model is trained on a set of real WiFi and BLE beacon data collected over a cumulative period of around 90 hours in different scenarios and conditions. The results show that ML algorithms based on decision trees, such as Random Forest, gave the best results, in terms of accuracy (94%) and f1 score. We believe that such an approach could be used to study human mobility and constitute an important step towards the large-scale deployment of mobility-based applications exploiting everyday mobile phones.
L’étude de la mobilité humaine devient de plus en plus cruciale de nos jours dans les études sur les transports, la planification urbaine, les comportements de mobilité des foules et bien plus encore. Dans cet article, nous proposons une nouvelle approche pour étudier le type de mobilité en en construisant un modèle léger d’apprentissage machine (ML) basé sur l’observation des informations de réseau sans fil pour déterminer la situation réelle de l’appareil, qui peut être fixe (bureau, domicile, maison, etc), ou mobile (bus, piéton, voiture, etc). Le modèle est entraîné sur un ensemble de données réelles de balises WiFi et BLE collectées pendant environ 90 heures cumulées dans différents scénarios et conditions. Les résultats montrent que les algorithmes ML d’assemblage basés sur des arbres de décision, comme Random Forest, ont donné les meilleurs résultats, en termes de précision (94%) et de score f1. Nous pensons qu’une telle approche pourrait être utilisée pour étudier la mobilité humaine et constituer une étape importante vers le déploiement à grande échelle d’applications basées sur la mobilité en exploitant les téléphones mobiles de tous les jours.
Fichier principal
Vignette du fichier
CoRes2024_Koteich_Mitton.pdf (222 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04554003 , version 1 (22-04-2024)

Licence

Paternité

Identifiants

  • HAL Id : hal-04554003 , version 1

Citer

Jana Koteich, Nathalie Mitton. Radio Beacon Base Context Identification. CoRes 2024: 9èmes Rencontres Francophones sur la Conception de Protocoles, l'Évaluation de Performance et l'Expérimentation des Réseaux de Communication, May 2024, Saint-Briac-sur-Mer, France. ⟨hal-04554003⟩

Collections

INRIA INRIA2
0 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More