基于無線感知和集成學(xué)習(xí)的人流量監(jiān)測方法

楊志勇，王環(huán)環(huán)，劉 燦

(南昌航空大學(xué) 軟件學(xué)院，江西 南昌 330063)

0 引 言

目前，人流量監(jiān)測方法可以分為基于圖像和非圖像的兩大類?；趫D像的方法通常需要對圖像進(jìn)行處理以提取頭肩特征，進(jìn)而實(shí)現(xiàn)對人員的統(tǒng)計(jì)及人流量監(jiān)測。例如，文獻(xiàn)[1]利用圖像的顏色和深度信息識(shí)別頭部實(shí)現(xiàn)人流量統(tǒng)計(jì)，文獻(xiàn)[2]提出在靜態(tài)圖像中進(jìn)行人群計(jì)數(shù)的新方法。然而，基于圖像的方法也存在一些問題，比如存在盲區(qū)、易受光線影響、擁擠場景識(shí)別困難等。非圖像的方法根據(jù)采用的感知技術(shù)不同，有傳統(tǒng)閘機(jī)、傳感器和無線信號(hào)感知的方法3類。閘機(jī)最為常見，其簡單可靠、能精確統(tǒng)計(jì)，但通行效率低?；趥鞲衅鞯姆椒ㄖ?，主要采用壓敏傳感器[3]和紅外傳感器[4,5]，該類方法有一定的適用范圍，后期維護(hù)不易。近年來，目標(biāo)手持設(shè)備的接入信息[6]、接收信號(hào)強(qiáng)度[7](received signal strength，RSS)、信道狀態(tài)信息(channel state information，CSI)[8]也被用于人流量監(jiān)測，此類方法要求目標(biāo)攜帶設(shè)備。最新的人流量監(jiān)測方法是采用被動(dòng)無線感知技術(shù)，利用WiFi設(shè)備[9]、無線傳感網(wǎng)絡(luò)[10]的無線信號(hào)構(gòu)建監(jiān)測系統(tǒng)。本文研究利用無線傳感網(wǎng)絡(luò)各節(jié)點(diǎn)之間無線鏈路的RSS信號(hào)和機(jī)器學(xué)習(xí)算法進(jìn)行人流量監(jiān)測。該方法首先構(gòu)建對無線感知網(wǎng)絡(luò)以采集的RSS信號(hào)，然后利用支持向量機(jī)、梯度提升迭代決策樹、XGBoost和邏輯回歸算法構(gòu)造兩層集成學(xué)習(xí)分類器，以識(shí)別通過監(jiān)測網(wǎng)絡(luò)的瞬時(shí)人數(shù)，最后利用連續(xù)的識(shí)別累積實(shí)現(xiàn)人流量監(jiān)測。此方法大幅度提升了人流量監(jiān)測的精度，達(dá)到94.29%。

1 基于射頻信號(hào)強(qiáng)度的人流量監(jiān)測模型

本文提出的基于射頻信號(hào)和集成學(xué)習(xí)的人流量監(jiān)測方法包括3個(gè)部分：數(shù)據(jù)采集、特征提取和人流量監(jiān)測模型，基于射頻信號(hào)的人流量監(jiān)測方法框架如圖1所示。

圖1 基于射頻信號(hào)的人流量監(jiān)測方法框架

1.1 數(shù)據(jù)采集及預(yù)處理

在一個(gè)“門”形框架上部署若干個(gè)物聯(lián)網(wǎng)節(jié)點(diǎn)，構(gòu)建無線感知網(wǎng)絡(luò)。節(jié)點(diǎn)以輪詢廣播的方式進(jìn)行無線通信，每一個(gè)節(jié)點(diǎn)接收所有廣播消息以獲取該無線鏈路的RSS值，并將其放入消息包中。所有節(jié)點(diǎn)都廣播一次無線消息為一個(gè)采樣周期。Sink節(jié)點(diǎn)偵聽網(wǎng)絡(luò)所有通信，并將偵聽到的數(shù)據(jù)包通過串口傳到電腦端進(jìn)行后續(xù)處理。預(yù)處理包括對原始數(shù)據(jù)進(jìn)行物理RSS值的轉(zhuǎn)換和對缺失節(jié)點(diǎn)數(shù)據(jù)的處理。

1.2 特征提取

考慮到硬件采集到的原始數(shù)據(jù)過多且存在噪聲，不適合直接用機(jī)器學(xué)習(xí)算法進(jìn)行處理，需要對原始信號(hào)進(jìn)行特征提取，特征提取過程分為兩個(gè)步驟：首先，根據(jù)節(jié)點(diǎn)的部署選取有效鏈路；然后，將有效鏈路的測量值與其空環(huán)境時(shí)的基準(zhǔn)值做差，得到有效鏈路因行人的陰影衰落效應(yīng)導(dǎo)致的接收信號(hào)強(qiáng)度的衰減值，并將其作為特征值。

若一個(gè)無線射頻網(wǎng)絡(luò)由K個(gè)節(jié)點(diǎn)組成，所有節(jié)點(diǎn)均可相互通信，從1號(hào)節(jié)點(diǎn)到K號(hào)節(jié)點(diǎn)依次發(fā)射一個(gè)廣播消息形成一個(gè)完整的采樣周期。當(dāng)一個(gè)采樣周期結(jié)束，每個(gè)節(jié)點(diǎn)理論上都能收到 (K-1) 個(gè)信息包，網(wǎng)絡(luò)中共有L=K(K-1)/2條不區(qū)分方向的無線鏈路。然而，在人流量監(jiān)測的實(shí)際過程中，有些無線鏈路的視距路徑?jīng)]有穿越行人可能通過的空間，也就不會(huì)因行人的經(jīng)過而發(fā)生陰影衰落，本文將這些鏈路定義為無效鏈路。無效鏈路的RSS值對人流量識(shí)別及統(tǒng)計(jì)沒有幫助，需要根據(jù)節(jié)點(diǎn)的部署將其剔除。剩余的那些視距路徑穿越了“門”下區(qū)域的各條鏈路，當(dāng)行人經(jīng)過時(shí)有可能產(chǎn)生陰影衰落，這些鏈路被視為有效鏈路。有效鏈路動(dòng)態(tài)監(jiān)測時(shí)的實(shí)測RSS值與靜態(tài)空環(huán)境時(shí)的基準(zhǔn)RSS值的差值是該鏈路受人體影響的衰減值，本文將全體有效鏈路衰減值構(gòu)成的RSS向量作為特征值。

1.3 模型建立

人流量監(jiān)測模型基于兩層集成機(jī)器學(xué)習(xí)[11,12]算法構(gòu)建。首先，將帶有標(biāo)簽的不同人數(shù)通過監(jiān)測區(qū)域時(shí)的RSS值作為機(jī)器學(xué)習(xí)算法的輸入，分別用支持向量機(jī)、梯度提升迭代決策樹和XGBoost(extreme gradient boosting)算法訓(xùn)練出3個(gè)初級(jí)分類器；然后，將3個(gè)初級(jí)分類器的輸出類概率作為次級(jí)學(xué)習(xí)器——邏輯回歸算法的輸入，構(gòu)建基于“學(xué)習(xí)型”集成思想的瞬時(shí)人數(shù)識(shí)別模型；最后，將基于兩層集成學(xué)習(xí)分類器判斷的瞬時(shí)人數(shù)在時(shí)間上累計(jì)，實(shí)現(xiàn)人數(shù)的統(tǒng)計(jì)和人流量監(jiān)測。詳細(xì)算法將在下節(jié)描述。

2 人流量監(jiān)測算法

分別利用支持向量機(jī)、梯度提升迭代決策樹和XGBoost機(jī)器學(xué)習(xí)算法建立了3個(gè)初級(jí)分類器，并利用集成思想建立融合模型得到最終的人流量監(jiān)測算法模型。

2.1 支持向量機(jī)

支持向量機(jī)(support vector machine，SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種方法?；诮y(tǒng)計(jì)學(xué)習(xí)理論，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則建立模型庫，在有限樣本條件下得到的決策規(guī)則對獨(dú)立測試數(shù)據(jù)集的期望風(fēng)險(xiǎn)仍然較低。SVM的訓(xùn)練過程是在高維空間中尋找最優(yōu)的超平面來分割數(shù)據(jù)[13]。

以二分類問題為例，存在訓(xùn)練樣本集D={(x1,y1),(x2,y2),…,(xn,yn)}。 其中yi∈{-1,+1}， SVM方法是通過尋找一個(gè)最優(yōu)分類超平面，將D中的樣本按各自特征進(jìn)行分類。分類超平面為wTx+b=0， 其中w是確定超平面的法向量，b決定了超平面到原點(diǎn)的距離。因此，SVM的基本公式如式(1)所示

(1)

如果輸入向量是線性可分的，那么所有的樣本都可以被劃分到分離超平面的正確邊，且邊界至少為1。然而，如果輸入向量不是線性可分的，就不能用線性分類來處理這些向量。需要利用核函數(shù)將輸入向量映射到高維空間，從而將低維空間的非線性可分性問題轉(zhuǎn)化為高維空間的線性可分性問題。通過尋找分類超平面來實(shí)現(xiàn)分類的目的。核函數(shù)如式(2)所示

K(xi,xj)=〈φ(xi)·φ(Xj)〉

(2)

φ是一個(gè)從X到內(nèi)積特征空間的映射。任何滿足Mercer條件的函數(shù)都可以看作是一個(gè)內(nèi)核函數(shù)。選擇不同的核函數(shù)會(huì)生成不同的模型，核函數(shù)的選擇會(huì)影響SVM的分類結(jié)果和機(jī)器學(xué)習(xí)能力。常見的核函數(shù)有多項(xiàng)式核函數(shù)、徑向基核函數(shù)、拉普拉斯核函數(shù)和Sigmoid核函數(shù)等。本文通過實(shí)驗(yàn)選擇多項(xiàng)式核函數(shù)作為SVM的核函數(shù)對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，其公式為

(3)

由于本文研究的人流量監(jiān)測是多分類問題，而SVM最初用于二分類問題，因此，需要構(gòu)造多個(gè)SVM解決多分類問題。本文采用“一對其余”的構(gòu)造方法對n分類問題構(gòu)建n個(gè)支持向量機(jī)，每個(gè)支持向量機(jī)負(fù)責(zé)區(qū)分本類數(shù)據(jù)和非本類數(shù)據(jù)。

2.2 GBDT

梯度提升迭代決策樹(gradient boosting decision tree，GBDT)是集成學(xué)習(xí)家族中的一員，GBDT通過多輪迭代，每次迭代都會(huì)生成一個(gè)弱分類器，每個(gè)分類器會(huì)都會(huì)根據(jù)之前分類器與真實(shí)數(shù)據(jù)的殘差進(jìn)行擬合訓(xùn)練，使得殘差越來越小，等達(dá)到迭代次數(shù)之后就停止迭代[14,15]。GBDT在迭代過程中，每次迭代的弱分類器為CART樹，其模型結(jié)構(gòu)如圖2所示。

圖2 GBDT模型結(jié)構(gòu)

GBDT與Bagging的均勻采樣思想不同，GBDT的各輪訓(xùn)練集與之前各輪迭代學(xué)習(xí)結(jié)果有關(guān)，通過減少殘差來提高最終分類器的精確度。每次迭代過程中會(huì)有一些數(shù)據(jù)點(diǎn)被錯(cuò)分，因此，可以降低被正確分類的數(shù)據(jù)點(diǎn)的權(quán)重而提高被錯(cuò)分?jǐn)?shù)據(jù)點(diǎn)的權(quán)重，使得錯(cuò)分的數(shù)據(jù)點(diǎn)得到更多的關(guān)注。當(dāng)?shù)Ｖ箷r(shí)，會(huì)得到迭代輪數(shù)一致的分類器，然后將它們組合即可得到最終的分類模型。GBDT算法流程如下：

(1)初始化模型f0(x)， 即初始化弱分類器，公式如下

(4)

(2)計(jì)算損失函數(shù)的負(fù)梯度來近似損失，如式(5)所示

(5)

GBDT通過計(jì)算rti就可以得到新的樣本數(shù)據(jù)集 [(xi,ric),i=1,2,…,N]。 我們可以將這個(gè)數(shù)據(jù)集當(dāng)作新的訓(xùn)練集來擬合CART樹。新的樹模型由節(jié)點(diǎn)Rjc(j=1,2,…,J) 組成。

對每個(gè)葉子節(jié)點(diǎn)，需要最小化損失函數(shù)，如式(6)所示

(6)

然后，可以得到如下的擬合的決策樹

(7)

最終的輸出模型為

(8)

2.3 XGBoost

XGBoost是一種有效的樹模型增強(qiáng)方法，多棵樹的線性組合可以很好地?cái)M合訓(xùn)練數(shù)據(jù)，描述輸入和輸出數(shù)據(jù)之間復(fù)雜的非線性關(guān)系[16]。模型的基本型如式(9)所示

(9)

(10)

(11)

其中，gi和hi分別是損失函數(shù)的一階和二階梯度統(tǒng)計(jì)。通常無法枚舉所有可能的樹結(jié)構(gòu)來選取最優(yōu)，因此可以采用貪婪算法來代替，如從單個(gè)葉節(jié)點(diǎn)開始，迭代分裂給樹增加節(jié)點(diǎn)。節(jié)點(diǎn)分裂前后的增益為

(12)

2.4 集成學(xué)習(xí)算法

模型融合方法是機(jī)器學(xué)習(xí)分類問題和回歸問題的一種有效方法，而模型融合方法常用的框架是集成學(xué)習(xí)，其主要思想是利用前一層機(jī)器學(xué)習(xí)模型的學(xué)習(xí)輸出結(jié)果作為下一層模型的輸入變量[17]。集成學(xué)習(xí)常用的兩大類是Bagging和Boosting[18-20]。本文采用“學(xué)習(xí)型”結(jié)合策略的集成思想，即先從初始訓(xùn)練集訓(xùn)練出初級(jí)學(xué)習(xí)器，然后“生成”一個(gè)新數(shù)據(jù)集用于訓(xùn)練次級(jí)學(xué)習(xí)器。在這個(gè)新數(shù)據(jù)集中，初級(jí)學(xué)習(xí)器的輸出被當(dāng)作樣例輸入特征，而初始樣本的標(biāo)記仍被當(dāng)作樣例標(biāo)記。在訓(xùn)練階段，采用交叉驗(yàn)證方式來訓(xùn)練初級(jí)學(xué)習(xí)器未使用的樣本來產(chǎn)生次級(jí)學(xué)習(xí)器的訓(xùn)練樣本。

在我們設(shè)計(jì)的人流量監(jiān)測系統(tǒng)中，使用了兩層集成學(xué)習(xí)模型，結(jié)構(gòu)如圖3所示。第一層使用了3個(gè)常用模型：SVM、GBDT和XGBoost。第一層使用較復(fù)雜的分類器可以學(xué)習(xí)到RSS衰減值中隱含的更深層的特征。我們將所有數(shù)據(jù)分成訓(xùn)練集和測試集，對訓(xùn)練集做五折交叉驗(yàn)證，其中四折用于訓(xùn)練分類器，另一折數(shù)據(jù)作為驗(yàn)證集。通過對3個(gè)分類器分別交叉驗(yàn)證，得到3個(gè)初級(jí)分類器的輸出，將其合并后作為第二層分類器的訓(xùn)練集。在第二層，采用邏輯回歸算法，LR經(jīng)過3個(gè)初級(jí)分類器得到的訓(xùn)練數(shù)據(jù)集訓(xùn)練之后，用測試集評估Stacking集成學(xué)習(xí)算法的性能。

圖3 人流量監(jiān)測模型

3 實(shí)驗(yàn)與結(jié)果

本節(jié)介紹實(shí)驗(yàn)設(shè)置、數(shù)據(jù)處理及集成學(xué)習(xí)算法模型的性能評估。

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)環(huán)境如圖4所示。本實(shí)驗(yàn)利用18個(gè)自制CC2530節(jié)點(diǎn)和一個(gè)金屬支架組成門框。門框上等距分別部署5個(gè)節(jié)點(diǎn)，上方的門梁上部署10個(gè)節(jié)點(diǎn)。門架寬2.4 m，高2.0 m。匯聚節(jié)點(diǎn)放置在離監(jiān)測點(diǎn)約5 m遠(yuǎn)的地方，并與PC通過虛擬串口連接，實(shí)驗(yàn)時(shí)將偵聽到的RSS數(shù)據(jù)包傳到電腦進(jìn)行后續(xù)處理。

圖4 實(shí)驗(yàn)環(huán)境

3.2 數(shù)據(jù)采集與預(yù)處理

傳感器節(jié)點(diǎn)組成一個(gè)無線傳感網(wǎng)絡(luò)，以輪詢的方式依次發(fā)送數(shù)據(jù)。某個(gè)節(jié)點(diǎn)發(fā)送數(shù)據(jù)時(shí)，其它感知節(jié)點(diǎn)均接收此消息，但對消息包不做任何處理，只是獲取此次通信的RSS值并存儲(chǔ)到數(shù)組中對應(yīng)的位置，等到自己發(fā)送消息時(shí)將該RSS數(shù)組封裝到消息包中發(fā)送出去。匯聚節(jié)點(diǎn)偵聽接收來自無線傳感網(wǎng)絡(luò)所有節(jié)點(diǎn)的消息包，提取其RSS值數(shù)組并傳輸?shù)絇C機(jī)存儲(chǔ)。

數(shù)據(jù)采集與預(yù)處理流程是：①數(shù)據(jù)采集。通過搭建的無線傳感網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的采集；②數(shù)據(jù)缺失處理。由于少量丟包現(xiàn)象導(dǎo)致個(gè)別采樣周期數(shù)據(jù)不完整，采用歷史值填充的方法進(jìn)行缺失處理；③進(jìn)制轉(zhuǎn)換。將十六進(jìn)制RSS數(shù)據(jù)轉(zhuǎn)換為十進(jìn)制；④RSS物理值提取。將從CC2530節(jié)點(diǎn)寄存器讀出的接收信號(hào)強(qiáng)度指示(received signal strength indication，RSSI)的原始數(shù)值，轉(zhuǎn)換為物理接收信號(hào)強(qiáng)度(dBm)；⑤計(jì)算鏈路衰減值。將監(jiān)測時(shí)的鏈路值減去空環(huán)境時(shí)的鏈路基準(zhǔn)值，得到監(jiān)測時(shí)的鏈路衰減值。

3.3 有效鏈路與特征提取

主要考慮行人是否對鏈路有影響，提取出受行人影響的鏈路，舍棄不會(huì)因行人而產(chǎn)生陰影衰落效應(yīng)的鏈路。由圖5可知1到5號(hào)節(jié)點(diǎn)分別與6到18號(hào)節(jié)點(diǎn)組成有效鏈路，6到13號(hào)節(jié)點(diǎn)與14到18號(hào)節(jié)點(diǎn)組成有效鏈路，則有效鏈路總共有105條。

圖5 節(jié)點(diǎn)以及鏈路分布

3.4 實(shí)驗(yàn)結(jié)果

分別采集了靜態(tài)實(shí)驗(yàn)和動(dòng)態(tài)實(shí)驗(yàn)的數(shù)據(jù)作為數(shù)據(jù)集。靜態(tài)實(shí)驗(yàn)先后有5名研究生參與，共采集包括1個(gè)人的場景600組數(shù)據(jù)、2個(gè)人場景540組數(shù)據(jù)、3個(gè)人場景1440組數(shù)據(jù)。動(dòng)態(tài)實(shí)驗(yàn)采集了人流量較少和人流量較大兩種情況各3個(gè)連續(xù)時(shí)間段的數(shù)據(jù)，每段持續(xù)5 min。靜態(tài)實(shí)驗(yàn)數(shù)據(jù)用于模型訓(xùn)練和驗(yàn)證，動(dòng)態(tài)環(huán)境實(shí)驗(yàn)數(shù)據(jù)只用于模型算法驗(yàn)證。

(1)初級(jí)學(xué)習(xí)器調(diào)參優(yōu)化

在訓(xùn)練第一層的3個(gè)初級(jí)分類器時(shí)，需要先通過訓(xùn)練設(shè)置最優(yōu)參數(shù)。為了評估分類性能，我們使用精度(Accuracy)性能度量，精度是指分類正確的樣本數(shù)占樣本總數(shù)的比例。公式如式(13)所示

(13)

核函數(shù)對于SVM非常重要，采用不同的核函數(shù)會(huì)對實(shí)驗(yàn)?zāi)Ｐ蛶聿煌男ЧＮ覀儗?種常見的核函數(shù)采用交叉驗(yàn)證法來尋找最優(yōu)核函數(shù)。表1顯示了不同核函數(shù)對應(yīng)模型的準(zhǔn)確率。

表1 不同核函數(shù)對模型準(zhǔn)確率影響

從表1可以看出，在4種常用的核函數(shù)中，線性核函數(shù)的準(zhǔn)確率最高，因此我們選擇線性核函數(shù)作為SVM的核函數(shù)對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分類。

GBDT模型有兩個(gè)重要參數(shù)，一個(gè)是學(xué)習(xí)器的最大迭代次數(shù)，最大迭代次數(shù)太小模型容易欠擬合，太大又會(huì)過擬合；另一個(gè)參數(shù)是步長，較小的步長意味著需要更多的迭代次數(shù)。兩個(gè)參數(shù)相互影響。表2為兩個(gè)參數(shù)不同取值時(shí)對應(yīng)的準(zhǔn)確率。

表2 不同參數(shù)對GBDT模型準(zhǔn)確率影響

從表2實(shí)驗(yàn)結(jié)果可以看出，當(dāng)步長取0.6、最大迭代次數(shù)取150時(shí)模型的準(zhǔn)確率最高，故將其選為最優(yōu)參數(shù)。

XGBoost有兩個(gè)重要參數(shù)，第一個(gè)參數(shù)是樹的最大深度，為了防止出現(xiàn)過擬合，最大深度不能設(shè)置的太大。第二個(gè)參數(shù)為“gamma”，此參數(shù)指定了節(jié)點(diǎn)分裂所需的最小損失函數(shù)下降值，參數(shù)越大，模型越保守。這兩個(gè)參數(shù)都與模型建立有很重要的關(guān)系，使用交叉驗(yàn)證法進(jìn)行參數(shù)的選擇。表3為不同參數(shù)和對應(yīng)的準(zhǔn)確率。

表3 不同參數(shù)對XGBoost模型準(zhǔn)確率影響

從表3可以看出，當(dāng)最大深度取值為2和gamma=0.1時(shí)模型的準(zhǔn)確率最高，故將其選為最優(yōu)參數(shù)。

(2)集成學(xué)習(xí)模型性能評估

將3個(gè)初級(jí)分類器和Stacking集成學(xué)習(xí)器在實(shí)驗(yàn)數(shù)據(jù)集上5折交叉驗(yàn)證的精度進(jìn)行對比，結(jié)果如圖6所示。圖6的實(shí)驗(yàn)結(jié)果表明：集成學(xué)習(xí)模型方法相比于SVM、GBDT和XGBoost更穩(wěn)定。

圖6 模型精度對比

與基于機(jī)器視覺類的方法對比意義不大，因此，本文只選擇了與同樣基于RSS信號(hào)的文獻(xiàn)[10]提出的隱馬爾可夫模型方法對比，結(jié)果見表4?？梢钥闯鋈诤夏Ｐ头椒ǖ木雀撸_(dá)到94.29%的準(zhǔn)確率，顯著高于文獻(xiàn)[10]中的平均準(zhǔn)確率75.63%。

表4 不同模型平均精度對比

ROC曲線是模型性能評價(jià)的常用方法，ROC曲線的面積越大代表著模型的性能越好。圖7給出了兩層集成學(xué)習(xí)分類器模型和獨(dú)立分類器的ROC曲線對比。從圖7可以看出，集成學(xué)習(xí)模型方法相較于其它3個(gè)獨(dú)立的分類器ROC面積更大，性能更優(yōu)。

圖7 模型ROC對比

以上實(shí)驗(yàn)結(jié)果表明：集成學(xué)習(xí)模型方法的平均精度和ROC面積值相較于其它3個(gè)單獨(dú)的分類器更高，即融合模型方法的性能要優(yōu)于單個(gè)的分類器和已有的基于RSS的方法。

4 結(jié)束語

本文提出了一種基于無線傳感網(wǎng)絡(luò)射頻信號(hào)和Stacking集成機(jī)器學(xué)習(xí)算法的行人流量監(jiān)測系統(tǒng)方法。該方法利用行人對射頻信號(hào)的陰影衰減效應(yīng)，提取有效射頻鏈路的RSS的衰減值作為特征向量，采用“學(xué)習(xí)型”策略訓(xùn)練得到一個(gè)包括SVM、GBDT、XGBoost和邏輯回歸的兩層集成學(xué)習(xí)Stacking識(shí)別模型。實(shí)驗(yàn)結(jié)果表明，該方法可以達(dá)到94.29%的行人流量監(jiān)測精度，驗(yàn)證了本文所提出的人流量監(jiān)測方法的有效性。