Wi-Fi를 사용하여 점유를 감지하는 것은 이미 설치된 인프라를 활용하여 에너지 관리나 보안 분야에서 스마트 빌딩에 유익할 수 있습니다. 본 연구에서는 채널 상태 정보(CSI) 데이터를 처리하고 이를 사용하여 머신 러닝 분류기, 특히 결정 트리와 선형 커널을 가진 지원 벡터 머신(SVM)을 훈련시켜 동적 사무실 환경에서 인간 점유를 감지했습니다. 또한, 특징 추출 동안 데이터 정규화, 특징 수 및 다양한 슬라이딩 윈도우 크기가 모델 성능에 미치는 영향도 분석했습니다. 결정 트리 분류기는 최대 98%의 정확도를 달성했으며, SVM은 최대 68%에 도달했습니다. 데이터 정규화 및 필요하지 않은 서브셋을 넘어서는 특징 수의 증가는 모델 성능을 감소시키고 훈련 시간을 늘리는 것으로 나타났습니다. 반면, 특징 추출 동안 더 큰 윈도우 크기는 결정 트리 모델의 정확도와 효율성을 일관되게 향상시켰습니다.
Lin et al. (Wed,)은 이 질문을 연구했습니다.