CN104778642B - 基于WiFi的校园用户数据处理方法、服务器和监测系统 - Google Patents
基于WiFi的校园用户数据处理方法、服务器和监测系统 Download PDFInfo
- Publication number
- CN104778642B CN104778642B CN201510125846.2A CN201510125846A CN104778642B CN 104778642 B CN104778642 B CN 104778642B CN 201510125846 A CN201510125846 A CN 201510125846A CN 104778642 B CN104778642 B CN 104778642B
- Authority
- CN
- China
- Prior art keywords
- record
- time
- visiting
- monitoring
- wifi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于WiFi的校园用户数据处理方法、服务器和监测系统。该方法包括：通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录；对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录；基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间；根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数。本发明利用部署在校园内典型监测场所的WiFi探针收集到的实时校园数据进行数据挖掘，判断用户的具体行为。
Description
技术领域
本发明涉及数字化校园领域，具体地说，涉及一种基于WiFi的校园用户数据处理方法、服务器和监测系统。
背景技术
利用各种计算机技术创建一个基于互联网与现实校园并行的“虚拟化电子校园”，并依托各种技术工具和手段来推动高校的全方位改革，成为世界各国高等教育改革的重要趋势之一。数字化校园是一个网络化、数字化、智能化有机结合的新型教育、学习和研究的校园平台。数字化校园的建设目的是充分利用信息技术来改变，校内各部门之间的信息传递流程，推动高校组织模式、管理模式与运行方式的变革，从而最终实现优化管理流程、提高工作效率和促进教学科研之目标。
在理论研究方面，数字化校园的概念与智慧校园的概念有重叠和交叉。当今，有多种对于数字化校园的定义与理解。有学者认为数字化校园能够有效支持教与学，丰富学校的校园文化，真正拓展学校的时空维度，以面向服务为基本理念，基于新型通信网络技术构建业务流程、资源共享、智能灵活的教育教学环境。有研究者认为智慧校园是各种技术的综合应用，智慧校园是充分利用信息化相关技术，通过监测、分析、融合、智能响应的方式，综合学校各职能部门，融合优化现有资源，提供质量更高的教学更好的服务，构建绿色的环境和谐的校园，以保证学校教育的持续发展。当前，物联网技术发展迅猛，于是有研究者提出将物联网技术应用到智慧校园的建设中，将人、设备、环境、资源以及社会因素，在信息化背景下有机整合的一种独特的校园系统，以物联网技术为基础，以信息的相关性为核心，通过多平台的信息传递手段提供及时的双向交流平台。
在实践方面，南京邮电大学完成了一个相对完整的智慧校园规划，且认为智慧校园的核心特征主要反映在三个层面：一是为广大师生提供一个全面的智能感知环境和综合信息服务平台，提供基于角色的个性化定制服务；二是将基于计算机网络的信息服务融入学校的各个应用与服务领域，实现互联和协作；三是通过智能感知环境和综合信息服务平台，为学校与外部世界提供一个相互交流和相互感知的接口。
然而，现有技术中各种研究工作均未对电子化校园中的用户行为数据进行深层次的数据挖掘，未对校园中的用户的位置、时间和活动特征作细节上的分析。
发明内容
本发明的目的在于解决现有技术中数字化校园在用户数据挖掘和分析方面存在的技术缺陷。
本申请的实施例提供一种基于WiFi的校园用户数据处理方法，包括：
通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录；
对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录；
基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间；
根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数。
在一个实施例中，在基于有效用户数据记录形成监测场所的实时到访记录的步骤中，
在有效用户记录中查找网卡MAC地址首次出现的记录，以网卡MAC地址首次出现的记录中的时间戳作为实时到访记录中的到访开始时间；
从网卡MAC地址首次出现的记录开始，查找在第一时间阈值内网卡MAC地址再次出现的记录作为参考记录；
从参考记录开始，判断在第一时间阈值内网卡MAC地址是否再次出现，若否，则以参考记录中的时间戳作为实时到访记录中的到访结束时间；若是，则以网卡MAC地址再次出现的记录作为新的参考记录。
在一个实施例中，还包括：
基于有效用户数据记录进行实时数据分析，根据WiFi探针地理位置获得监测场所的实时流量数据以及/或者多个监测场所之间的关联数据；其中，多个监测场所之间的关联数据为在预设时间间隔内访问多个监测场所的有效用户数据记录。
在一个实施例中，还包括：
基于有效用户数据记录统计监测场所中的用户活跃度，其中，所述用户活跃度表示在统计时间段内单一用户到访的监测场所数量的总和与总用户数量的比值，或者，表示在统计时间段内单一监测场所中到访的用户数量的总和与总用户数量的比值。
在一个实施例中，还包括：基于有效用户数据记录中的网卡MAC地址统计监测场所中用户终端设备的品牌信息。
在一个实施例中，在对原始用户数据记录进行预处理的步骤中包括：
在原始用户数据记录中缺少网卡MAC地址、信号强度、时间戳中任一项的情况下，删除该条原始用户数据记录；以及/或者，
删除信号强度低于预设阈值的原始用户数据记录。
在一个实施例中，在根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数的步骤中，
根据WiFi探针地理位置确定在监测场所内部和外部WiFi探针；
在监测场所内部和外部WiFi探针的实时到访记录中选择具有相同网卡MAC地址的记录作为中间记录；
在中间记录中提取监测场所内部WiFi探针的到访开始时间设定为内部时刻，并选择与内部时刻的时间差值的绝对值小于第二时间阈值的监测场所外部WiFi探针的到访开始时间设定为外部时刻；
根据内部时刻和外部时刻构建有效到访数据组；
根据所述网卡MAC地址的有效到访时间数据组统计在统计时间段内用户进入监测场所以及/或者离开监测场所的次数。
在一个实施例中，在根据内部时刻和外部时刻构建有效到访数据组的步骤中，
若与内部时刻的时间差值的绝对值小于第二时间阈值的外部时刻只有一个，所述外部时刻与与内部时刻构成网卡MAC地址的有效到访数据组；
若与内部时刻的时间差值的绝对值小于第二时间阈值的外部时刻存在多个，在外部时刻中选择与内部时刻的时间差值的绝对值最小的一个，与内部时刻构成网卡MAC地址的有效到访数据组。
在一个实施例中，在所述有效到访时间数据对中，若内部时刻早于外部时刻，则用户离开监测场所的次数增加一次；
若外部时刻早于内部时刻，则用户进入监测场所的次数增加一次。
本申请的实施例还提供一种基于WIFI的校园用户数据处理服务器，包括：
数据采集模块，用于通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录；
预处理模块，用于对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录；
实时到访记录模块，用于基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间；
用户行为统计模块，用于根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数。
在一个实施例中，还包括：
实时流量监测模块，用于基于有效用户数据记录进行实时数据分析，根据WiFi探针地理位置获得监测场所的实时流量数据以及/或者多个监测场所之间的关联数据；其中，多个监测场所之间的关联数据为在预设时间间隔内访问多个监测场所的有效用户数据记录；
用户活跃度统计模块，用于基于有效用户数据记录统计监测场所中的用户活跃度，其中，所述用户活跃度表示在统计时间段内单一用户到访的监测场所数量的总和与总用户数量的比值，或者，表示在统计时间段内单一监测场所中到访的用户数量的总和与总用户数量的比值；
用户终端设备统计模块，用于基于有效用户数据记录中的网卡MAC地址统计监测场所中用户终端设备的品牌信息。
本申请的实施例还提供一种基于WiFi的校园用户监测系统，包括：设置在校园中监测场所的WiFi探针对，用于采集包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录，其中，所述WiFi探针对包括设置在监测场所内部的WiFi探针和设置在监测场所外部的WiFi探针；以及如上文所述的服务器。
本申请的实施例利用部署在校园内典型监测场所的WiFi探针收集到的实时校园数据进行数据挖掘，从而得出“校园人流分析”，“学生活动情况的宏观分析”以及“基于位置与时间特征的深层数据挖掘”三方面的情况在所构建的信息展示Web平台上，以多种图表进行校园动态的实时呈现。
在数据挖掘的过程中，利用设置监测场所内部和外部的WiFi探针对捕获到的用户MAC地址的时间戳，进而判断用户进入或者离开监控场所的具体行为，为统计监测场所的到访数据、进入或者离开监测场所的人次提供依据。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明实施例的基于WiFi的校园用户监测系统的结构示意图；
图2是根据本发明实施例的服务器存储数据的示意图；
图3是根据本发明实施例的基于WiFi的校园用户数据处理方法的步骤流程图；
图4是根据本发明实施例的生成实时到访记录的步骤流程图；
图5是根据本发明实施例的统计用户进入或者离开监控区域的步骤流程图；
图6是根据本发明实施例的基于WIFI的校园用户数据处理服务器的结构图；
图7是根据本发明实施例的多点关联的统计图；
图8是根据本发明实施例的热力图；
图9是根据本发明实施例的实时流量统计图；
图10是根据本发明实施例的用户活跃度分析统计图；
图11是根据本发明实施例的校门出入情况的统计图；
图12是根据本发明实施例的手机品牌的消费能力分析统计图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明作进一步地详细说明。
本发明实施例旨在基于WiFi数据挖掘进行校园用户数据动态分析与可视化处理。利用WiFi探针的合理部署，配合数据挖掘算法等技术实现基于人流分析的“智慧校园”。
本发明的实施例提供一种基于WiFi的校园用户监测系统，如图1所示，该系统包括设置在校园中监测场所的WiFi探针对，用于采集包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录，还包括后台数据处理服务器，用于对探针收集到的实时校园数据进行数据挖掘。
具体来说，利用部署在校园内典型监测场所(如教学楼、图书馆、校门和食堂)的WiFi探针收集到的实时校园数据进行数据挖掘，从而得出“校园人流分析”，“学生活动情况的宏观分析”以及“基于位置与时间特征的深层数据挖掘”三方面的情况。基于数据挖掘的结果分析，在所构建的信息展示Web平台上，以多种图表进行校园动态的实时呈现。同时一些深层次的数据挖掘结果，如手机用户特征画像(学生/教师，本科生/研究生，年级)、校园户社交关系发现、学生逃课情况分析(教学质量分析)、学生异常行为检测(心理健康预测)等，可以为学生管理，课程考核等多方面的决策提高参考意见。
WiFi探针采集数据
以下对WiFi探针收集数据的原理进行说明。具备WiFi功能的用户移动终端在开启WLAN功能时，会主动发送探测请求帧(Probe Request帧)来获取提供WiFi网络服务的无线接入点(AP，Access Point)的探查响应帧(Probe Response)，从而获取网络信号。不论用户移动终端是处于发现附近WiFi网络请求网络连接的状态下，还是处于已连接WiFi网络的状态下，都会有Probe Request帧发送信号。本实施例中的WiFi探针利用用户移动终端发出的探测请求帧进行数据收集。由此，WiFi探针可以实时地收集在其信号覆盖范围内的所有开启WLAN功能的用户移动终端的信号。WiFi探针所收集数据的每一条原始记录包含网卡MAC地址、信号强度RSSI(Received Signal Strength Indication)以及时间戳。三者以“|”符号分隔，即原始记录的数据格式为：用户Mac|RSSI|时间戳。
探针部署
本实施例在校园的各种监测场所中共计设置50个WiFi探针，监测场所类型涵盖：教学楼、图书馆、校门、食堂和学生宿舍等。在这些校园内典型场所内部署WiFi探针可以使对校园的数据分析更加全面，同时也为展开“深层次的校园数据挖掘”提供可能。
在一个优选的实施方式中，将WiFi探针成对设置以构成一个探针对。WiFi探针对包括设置在监测场所内部的WiFi探针和设置在监测场所外部的WiFi探针。本实施例中为每个WiFi探针设定ID编号来表征WiFi探针的地理位置，以便区分各监测场所的数据。
例如，在主要教学楼的每个门至少部署两个WiFi探针，以保证能够得到进出教学楼的人流情况；在校门的内外两侧分别部署一个WiFi探针，以保证能够通过对比两个探针的数据得到进出校园的人流情况。
WiFi探针数据与服务器端数据的同步
WiFi探针每隔一段时间间隔将缓存的数据上传到服务器中，由此实现实时数据的收集。
如图2所示，在服务器端，数据的管理方式如下。每一个WiFi探针的数据存放在以自身ID编号(例如WiFi01)命名的文件夹下，每天的0点0分，服务器在各个WiFi探针的文件夹下创建以当天日期为名的新文件用来存放当天的数据。例如，20141211的文件名代表2014年12月11日的数据。所有WiFi探针的数据文件夹都会统一存放在一个总的数据目录下(DataFile)。这样的数据管理方式便于数据管理和WiFi探针管理。若有某个WiFi探针出现故障无法正常收集或上传数据时，可以快速地发现是哪个WiFi探针出现异常，同时也不会影响到其他WiFi探针数据的收集过程。
在图2中，服务器存储数据的总目录为DataFile，共三个WiFi探针的数据，分别存放在WiFi01、WiFi02、WiFi03三个文件夹下，每个文件夹下都有2014年12月11日至2014年12月13日三天的数据，文件名即为当天日期。
数据处理过程
服务器首先接收来自WiFi探针采集的实时数据进行数据文件的更新，然后后台程序做数据预处理，包括读取原始数据、去除噪声、处理不完整数据，之后进行数据分析。依据数据分析的时间频率将其分为两大类：实时数据分析和每日数据分析，后台将分析结果插入到数据库中；最后，前端通过调用数据库中的数据进行绘图、制表并呈现，完成数据可视化。
图3所示为基于WiFi的校园用户数据处理方法的步骤流程图。其中，步骤S203、步骤S204和步骤S205为实时的数据处理过程，而步骤S206、步骤S207和步骤S208为在统计时间段内的统计过程。优选的，以每24小时作为一个统计时间段。
在图3中，首先通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录(步骤S201)。然后，对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录(步骤S202)。在原始用户数据记录中缺少网卡MAC地址、信号强度、时间戳中任一项的情况下，删除该条原始用户数据记录；以及/或者删除信号强度低于预设阈值的原始用户数据记录。
具体而言，服务器后台在处理原始文件的时候，依次遍历数据总目录下的每个文件夹，即每一个WiFi探针的数据，依据当前系统时间查找当天的数据文件，然后按行读取数据，利用“|”符号对每行数据进行分隔，得到：手机Mac、RSSI、时间戳三个数据。而且根据此条数据记录所在的文件夹名称，还可以得到其所属WiFi探针的ID。即在处理原始文件阶段对于每一条数据记录可以得到手机Mac、RSSI、时间戳和WiFi探针ID四个字段的信息。
由于外部噪声的影响，有些数据的格式不是形如：“用户Mac|RSSI|时间戳”的标准格式，所以需要“清洗”掉这些数据，以避免后期数据处理的故障。在读取每行数据时，“|”进行分隔后得到个数若为三，则认为此条记录符合标准格式，正常读取，否则删除此条数据。即在原始用户数据记录中缺少网卡MAC地址、信号强度、时间戳中任一项的情况下，删除该条原始用户数据记录。
另外，WiFi探针数据中有噪声的存在，噪声指RSSI值很小的记录。RSSI值较小代表此用户终端距离WiFi探针很远，不在监测范围内。预先设定RSSI阈值，当一条记录的RSSI值大于阈值时，视为此条数据有效，进行正常处理，否则删除此条数据。
在后续的步骤中，假设每一个Mac值代表一个手机用户，且信号强度超过阈值的MAC代表该用户位于此WiFi探针附近。依据处理所得结果的数据特征不同，在处理时间频率上分为两大类：实时数据分析和每日数据分析。
实时数据分析
实时数据分析是指经过固定的时间间隔T(例如，每五分钟)进行一次数据分析，以保证数据的实时性。实时数据的分析项目包含：校园个监测场所的实时流量统计、监测场所的到访记录统计和多场所关联数据统计。
下面对监测场所的实时流量数据(步骤S203)的统计步骤进行说明。基于有效用户数据记录进行实时数据分析，根据WiFi探针地理位置获得监测场所的实时流量数据。因为部署在某些个监测场所的WiFi探针不止一个，所以在处理过程中需要先对WiFi探针进行分组，即根据WiFi探针地理位置把同一场所的WiFi探针分为一组，同一组内的数据统一处理。然后，统计时间T内，每组WiFi探针捕捉到的MAC个数经过去重处理后作为本场所的此时段的实时人流量。
下面以校门为例对监测场所的实时到访记录(步骤S204)的统计步骤进行说明。基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间。在监测场所为校门的情况下，为得到进出校园的人次，须先统计出部署在校门附近的校内、校外两个WiFi探针的实时到访记录(VisitRecord)。
一条实时到访记录的数据结构如下：
以下结合图4来说明实时到访记录(VisitRecord)的生成过程。
首先，在有效用户记录中查找网卡MAC地址首次出现的记录，以网卡MAC地址首次出现的记录中的时间戳作为实时到访记录中的到访开始时间(步骤S401)。具体来说对于一个网卡MAC地址，在WiFi探针的有效用户数据记录中查找该MAC地址首次出现的记录V1，将首次出现的记录V1中的时间戳作为用户的到访开始时间(intime)。
随后从网卡MAC地址首次出现的记录开始，查找在第一时间阈值内网卡MAC地址再次出现的记录作为参考记录(步骤S402)。其中，第一时间阈值Th可以根据WiFi探针部署的不同位置设置为1分钟、2分钟或者5分钟。举例而言，对于校门这种监测场所来说，由于用户停留的时间较短，即可将Th数值设定为1分钟以便快速完成查找。而对于食堂或者图书馆这种场所，用户停留的时间较长，则可将Th数值设定为5分钟，减少进行检索的数据量。
这样以来，在WiFi探针的有效用户数据记录中继续查询在预设的时间阈值Th内包含该MAC地址的记录。若在预设的时间阈值Th内存在该MAC地址的记录V2，则以记录V2作为参考记录。
接下来从参考记录开始，判断在第一时间阈值内网卡MAC地址是否再次出现(S403)，若否，则以参考记录中的时间戳作为实时到访记录中的到访结束时间(S404)；若是，则以网卡MAC地址再次出现的记录作为新的参考记录(S405)，回到步骤S403来确定到访结束时间。
这样，为一个MAC地址生成一条到访记录之后，继续按照该方法在原始数据中查找该MAC地址之后所有的到访记录。对于一个数据文件内的数据不仅仅是只统计该MAC地址的一次到访，而是把当天的所有到访行为都按此方法统计出来。
这样，继续查找记录V2之后在Th时间阈值内的包含该MAC地址的记录。重复此过程直到没有查找到符合条件的记录，则认为此MAC地址的本次“到访”结束，将查找过程中最后一条符合条件的记录的时间戳作为到访结束时间(offtime)。并将此WiFi探针的ID作为wifiID，由此生成一条完整的实时到访记录。
例如，对于在WiFi探针的信号覆盖范围内仅出现的一次的MAC地址，会根据图4中的判断算法，仅统计出一次到访。假设到访开始时刻与结束时刻相差仅为1秒，证明停留时长较短，可供后续的数据处理。而对于在WiFi探针的信号覆盖范围内反复多次出现的MAC地址，则统计出多条到访记录。
需要说明的是，本实施例提供的实时到访记录是为了确定移动终端到达WiFi探针的信号覆盖范围，以及离开WiFi探针的信号覆盖范围的具体时间。按照上述方法得到校内、外WiFi探针的实时到访记录，为统计进出校园人次作准备。
下面对多监测场所关联数据(步骤S205)的统计步骤进行说明。多监测场所关联数据为在预设时间间隔(优选设定为15分钟)内访问多个监测场所的有效用户数据记录，用于统计多个监测场所之间的关联程度。
此分析项目的结果主要用于Gephi软件作图，所以根据Gephi作多点关联图的数据源需求，从数据预处理阶段读取的有效用户数据记录的结果中获得每一条数据记录的“手机MAC，时间戳，WiFi探针ID”三个字段值，插入到数据库中即可。关于利用Gephi软件绘制多点关联图的过程将在下文阐述。
每日数据分析
每日数据分析是指每天0时0分对前一天的全部数据进行统计分析。每日数据分析项目包含：移动终端品牌统计分析、用户进入或者离开监测场所的次数统计分析、用户活跃度数据统计分析。
以下对移动终端品牌统计分析(步骤S206)进行说明。移动终端MAC地址共48位(6个字节)，以十六进制表示。前24位由IEEE(Institute of Electrical and ElectronicsEngineers，电气电子工程师学会)决定如何分配，后24位由实际生产该网络设备的厂商自行指定。IEEE分配各个厂商的信息是公开的，可以查询。所以，根据MAC前24位可以得到此移动终端的生产厂商，由此确定移动终端的品牌。
后台程序在处理过程中，取每一条数据记录中的MAC值的前24位，查询事先存储在数据库中的各厂商持有MAC值的表，得出此MAC值的移动终端品牌。进一步而言，还可以统计出各个移动终端品牌的MAC个数除以MAC总数，得出每种移动终端品牌的占比。
学生持有的移动终端的品牌分布可以从一个侧面反映出校园的消费能力。假设某品牌的手机的市场平均价格是Ri，该品牌手机的占比为Pi，则该人群的消费能力指数index＝Ri×Pi。根据数据处理中得出的各个手机品牌的占比，结合事先已搜集的各个手机品牌的品牌价格，便能够计算出北邮学生的消费能力，进一步，可以社会上其它人群或者其它学校的数据进行分析对比。为在展示上更加形象直观，我们将消费能力指数划分为A+、A、B、C、D五个等级。等级划分方法如下式所示。
其中，level表示消费等级，index为消费能力指数。
下面对用户进入或者离开监测区域的次数的统计(步骤S207)过程进行说明。在本步骤中，根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数。
在图5中，首先根据WiFi探针地理位置(也就是WiFi探针ID确定的地理位置)确定在监测场所内部和外部WiFi探针(步骤S501)，在监测场所内部和外部WiFi探针的实时到访记录中提取具有相同网卡MAC地址的记录作为中间记录(步骤S502)。
然后，在中间记录中提取监测场所内部WiFi探针的到访开始时间设定为内部时刻，并选择与内部时刻的时间差值的绝对值小于第二时间阈值的监测场所外部WiFi探针的到访开始时间设定为外部时刻(步骤S503)，根据内部时刻和外部时刻构建有效到访数据组(步骤S504)。第二时间阈值优选为300秒。
其中，在步骤S504中，若与内部时刻的时间差值的绝对值小于第二时间阈值的外部时刻只有一个，所述外部时刻与与内部时刻构成网卡MAC地址的有效到访数据组；若与内部时刻的时间差值的绝对值小于第二时间阈值的外部时刻存在多个，在外部时刻中选择与内部时刻的时间差值的绝对值最小的一个，与内部时刻构成网卡MAC地址的有效到访数据组。
最后，根据所述网卡MAC地址的有效到访时间数据对统计在统计时间段内用户进入监测场所以及/或者离开监测场所的次数(步骤S505)。
在一个优选的示例中，在所述有效到访时间数据对中，若内部WiFi探针的到访开始时间早于外部WIFI探针的到访开始时间，则用户离开监测场所的次数增加一次；若外部WIFI探针的到访开始时间早于内部WiFi探针的到访开始时间，则用户进入监测场所的次数增加一次。
在以下的示例中，以校门作为监测场所提供步骤S207的详细过程。
在步骤S204中已得到校内、外WiFi探针的实时到访记录。可以通过对校内外两个探针的数据分析得到每个校门的进入校园人次和离开校园人次，进一步地，汇总所有校门进出人次便得出校园整体的出入人流情况。
根据数据处理中每个校门校内外两个wifi探针的到访记录的数据，按照如下算法进行判断，得出进出校园人次。
a)在部署在每个校门附近的校内、校外两个WiFi探针的实时到访记录中提取当天的记录，查找校内、外探针的记录中重合的网卡MAC地址。
b)对于此重合的MAC，校内和校外探针捕捉到的到访记录作为中间记录。
c)在中间记录中，校内探针捕捉到的到访记录的到访开始时间(intime)设为内部时刻(insidetime)；相应地，校外探针捕捉到的到访记录的到访开始时间(intime)设为外部时刻(outsidetime)。对内部时刻(insidetime)和外部时刻(outsidetime)做差值取绝对值得到时间差(diffabs)。
d)若时间差diffabs小于300秒，则此组内部时刻(insidetime)和外部时刻(outsidetime)可算作有效到访数据组。需要说明的是，有可能一个内部时刻会与多个外部时刻的差值的绝对值在300秒之内。出现此种情况时，只选择与insidetime差值绝对值最小的一个outsidetime与insidetime组成有效到访数据组。
e)在有效到访数据组中进行判断，若内部时刻小于外部时刻，则出去人次加一，若内部时刻大于外部时刻，则进来人次加一。
这样经过a)至e)步骤得出了每个校门进出校园的人次，将所有校门的进出人次汇总即得出校园整体的进出人次情况。
以上仅以校门为例进行说明，本领域技术人员容易理解，对于教学楼、图书馆或者餐厅等监测场所，可以按照相似方法进行用户进入或者离开次数的分析。
需要强调的是，在步骤S501至步骤S505中可利用探针对准确捕捉移动终端进入或者离开监控区域的行为，而排除各种干扰噪声。
下面对监测区域中用户活跃度数据的统计(步骤S208)的过程进行说明。本步骤基于有效用户数据记录统计监测场所中的用户活跃度，其中，所述用户活跃度表示在统计时间段内单一用户到访的监测场所总数与总用户数量的比值，或者，表示在统计时间段内单一监测场所中到访的用户数与总用户数量的比值。
活跃度值是表征校园内学生人均在一天之中出现在不同场所的个数，若学生在当天去过多个场所，则活跃度值较高。
若用户活跃度表示在统计时间段内单一用户到访的监测场所数量的总和与总用户数量的比值，即从移动用户的角度进行统计，则用户活跃度表示为：
其中，Ni为每一个移动用户当天去过的校园内场所的个数，i指每一个移动用户。
若用户活跃度表示在统计时间段内单一监测场所中到访的用户数量的总和与总用户数量的比值，即从监测场所的角度进行统计，则用户活跃度表示为：
其中，Mj为各个监测场所当天出现的MAC的个数(经过去重处理)，i指每一个移动用户，j指每个监测场所。∑i表示所有WIFI探针当天探测到的MAC地址总数。
数据可视化
至此为止，步骤S203至步骤S208完成对监测场所中用户进入或者离开的次数的实时分析和每日统计分析，对数据库进行数据更新(步骤S209)。随后，上述步骤中基于数据挖掘的分析结果，在所构建的信息展示Web平台上，以多种图表进行校园动态的实时呈现。本实施例中数据可视化主要是基于Web平台进行，用户可上网浏览网页获取校园各个监测区域的实时流量、用户活跃度分析和用户进入或者离开的次数等图形展示。
具体来说，可利用Gephi软件绘制多点关联图(步骤S210),由Gephi软件依据实时数据每15分钟生成一次。如图7所示，图中有若干个由密集的点组成的椭圆，两个椭圆之间有用连线连接起来的“共享点”。其中，每个椭圆代表一个监测场所；组成椭圆的点代表该场所此15钟内的移动用户；椭圆之间的“共享点”代表此15分钟内在这两个场所都出现过的移动用户。由此，“共享点”反应了场所之间的关联程度，两个场所的“共享点”越多代表其关联程度越大。
用户可以选择查看历史多点关联图，即通过选择日期和时段来查看以往的多点关联图。网页提供自WiFi探针部署至今的所有日期，任何时段的多点关联图的查看。
此外，还可根据监测场所的实时流量数据、监测场所的实时到访记录、用户持有的移动终端品牌、用户活跃度和用户进出校门的情况进行绘图、制表(步骤S211),并在Web页面上呈现图表。
热力图和实时流量
图8是监测场所热力图的一个示例。在图8中，在北邮校园的地图上显示出已部署WiFi探针的场所的热力值，热力值为此场所的人流量。热力值越高，地图上热点呈现的灰度越大；热力值越低，地图上热点呈现的灰度越小。利用灰度的大小可以使用户直观地感受到各个场所人员的密集程度。
图9是实时流量统计图的一个示例。如图9所示，根据步骤S203中得到的监测场所实时流量数据，在校园的地图上显示出已部署WiFi探针的监测场所的热力值，热力值为此场所的人流量。热力值越高，地图上热点呈现的颜色越偏向暖色调；热力值越低，地图上热点呈现的颜色越偏向冷色调。利用颜色的“冷暖”可以使用户直观地感受到各个场所人员的密集程度。
在校园地图上，用户点击热点，就会弹出此热点对应场所的实时流量曲线图，用户可以通过按钮选择查看“今天”、“本周”、“本月”的实时流量图。用户还可以调整观察“精度”，最高精度下，折线图上每个点代表每五分钟的数据，最低精度下，折线图上每个代表每两天的数据。
用户活跃度分析
根据步骤S208中对监测区域中用户活跃度数据的统计结果，利用折线图或者柱状图表示用户活跃度特征。图10所示为用户活跃度分析统计图的一个示例。
折线图展示：折线图中的每一个折点代表每一天的活跃度数值，用户可使用按钮选择查看近7天和近30天的数据，也可以直接拖动折线图下方的滚动条选择以往的任何一天或者几天的数据进行观察。
柱状图展示：统计近30天的数据，并按照周一，周二，……，周日将数据分类，计算每一类的算活跃度均值，作为柱状图中的每一个柱形。故柱状图的横坐标为周一至周日，用户可以看到一周中的每天的活跃度特征。
进出校园情况
根据步骤S207中统计的监测区域中用户进入或者离开的次数，可利用柱状图、饼图或者数字展示，如图11所示。
以用户进出校门为例，柱状图横轴为近七天的日期，每一个日期对应两个柱形：进入人数和离开人数，两个柱形分别以蓝色和绿色显示。用户可以在柱状图上方的按钮选择要显示数据的来源：总体、西门、东门、中门、北门。
在以饼图显示的情况下，有两个饼图呈现。饼图1对比了近七天四个门的情况，用户可以选择查看进入人数或离开人数，饼图中扇形面积大的门代表进入(或离开)人数较多。饼图2对比了近七天的周末和工作日的进出情况对比，此饼图中只有两个扇形，分别对应周末的进出人数和工作日的进出人数。
此外，还可以利用数字显示出当前东门、西门、中门、北门四个门的当前人数。
基于手机品牌的消费能力分析
根据在步骤S206中对移动终端品牌统计分析结果，可从不同角度展示用户手机品牌的分布情况。在图12中可以利用饼图展示各个手机品牌在检测到的用户中的占比，占比大的对应于饼图中扇形面积大，并可显示出排名前五的手机品牌。使用横向条形图展示小于1000元、1000～2000元、2000～3000元、3000～4000元、5000元及以上各个价格区间的手机数量，并显示出基于手机品牌计算出的消费能力等级A+，A，B，C，D。
服务器结构
在本实施例中提供一种基于WIFI的校园用户数据处理服务器。如图6所示，该服务器包括数据采集模块、预处理模块、实时到访记录模块、用户行为统计模块、实时监测模块、用户活跃度统计模块和用户终端设备统计模块。
其中，数据采集模块，用于执行步骤S201中的操作，通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录。
预处理模块，用于执行步骤S202中的操作，对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录。
实时到访记录模块，用于执行步骤S204中的操作，基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间。
用户行为统计模块，用于执行步骤S207中的操作，根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入或者离开监控区域的次数。
实时流量监测模块，用于执行步骤S203和步骤S205中的操作，基于有效用户数据记录进行实时数据分析，根据WiFi探针地理位置获得监测场所的实时流量数据以及/或者多个监测场所之间的关联数据；其中，多个监测场所之间的关联数据为在预设时间间隔内访问多个监测场所的有效用户数据记录。
用户活跃度统计模块，用于执行步骤S208中的操作，基于有效用户数据记录统计监测场所中的用户活跃度，其中，所述用户活跃度表示在统计时间段内单一用户到访的监测场所总数与总用户数量的比值，或者，表示在统计时间段内单一监测场所中到访的用户数与总用户数量的比值；
用户终端设备统计模块，用于执行步骤S206中的操作，基于有效用户数据记录中的网卡MAC地址统计监测场所中用户终端设备的品牌信息。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种基于WiFi的校园用户数据处理方法，其特征在于，包括：
通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录；
对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录；
基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间；
根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数，在根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数的步骤中，
根据WiFi探针地理位置确定在监测场所内部和外部WiFi探针；
在监测场所内部和外部WiFi探针的实时到访记录中选择具有相同网卡MAC地址的记录作为中间记录；
在中间记录中提取监测场所内部WiFi探针的到访开始时间设定为内部时刻，并选择与内部时刻的时间差值的绝对值小于第二时间阈值的监测场所外部WiFi探针的到访开始时间设定为外部时刻；
根据内部时刻和外部时刻构建有效到访数据组；
根据所述网卡MAC地址的有效到访时间数据组统计在统计时间段内用户进入监测场所以及/或者离开监测场所的次数。
2.如权利要求1所述的基于WiFi的校园用户数据处理方法，其特征在于，在基于有效用户数据记录形成监测场所的实时到访记录的步骤中，
在有效用户记录中查找网卡MAC地址首次出现的记录，以网卡MAC地址首次出现的记录中的时间戳作为实时到访记录中的到访开始时间；
从网卡MAC地址首次出现的记录开始，查找在第一时间阈值内网卡MAC地址再次出现的记录作为参考记录；
从参考记录开始，判断在第一时间阈值内网卡MAC地址是否再次出现，若否，则以参考记录中的时间戳作为实时到访记录中的到访结束时间；若是，则以网卡MAC地址再次出现的记录作为新的参考记录。
3.如权利要求1所述的基于WiFi的校园用户数据处理方法，其特征在于，还包括：
基于有效用户数据记录进行实时数据分析，根据WiFi探针地理位置获得监测场所的实时流量数据以及/或者多个监测场所之间的关联数据；其中，多个监测场所之间的关联数据为在预设时间间隔内访问多个监测场所的有效用户数据记录。
4.如权利要求1所述的基于WiFi的校园用户数据处理方法，其特征在于，还包括：
基于有效用户数据记录统计监测场所中的用户活跃度，其中，所述用户活跃度表示在统计时间段内单一用户到访监测场所的数量的总和与总用户数量的比值，或者，表示在统计时间段内单一监测场所中到访用户数量的总和与总用户数量的比值。
5.如权利要求1所述的基于WiFi的校园用户数据处理方法，其特征在于，还包括：基于有效用户数据记录中的网卡MAC地址统计监测场所中用户终端设备的品牌信息。
6.如权利要求1所述的基于WiFi的校园用户数据处理方法，其特征在于，在对原始用户数据记录进行预处理的步骤中包括：
在原始用户数据记录中缺少网卡MAC地址、信号强度、时间戳中任一项的情况下，删除该条原始用户数据记录；以及/或者，
删除信号强度低于预设阈值的原始用户数据记录。
7.如权利要求1所述的基于WiFi的校园用户数据处理方法，其特征在于，在根据内部时刻和外部时刻构建有效到访数据组的步骤中，
若与内部时刻的时间差值的绝对值小于第二时间阈值的外部时刻只有一个，所述外部时刻与与内部时刻构成网卡MAC地址的有效到访数据组；
若与内部时刻的时间差值的绝对值小于第二时间阈值的外部时刻存在多个，在外部时刻中选择与内部时刻的时间差值的绝对值最小的一个，与内部时刻构成网卡MAC地址的有效到访数据组。
8.如权利要求1或7所述的基于WiFi的校园用户数据处理方法，其特征在于，
在所述有效到访时间数据对中，若内部时刻早于外部时刻，则用户离开监测场所的次数增加一次；
若外部时刻早于内部时刻，则用户进入监测场所的次数增加一次。
9.一种基于WIFI的校园用户数据处理服务器，其特征在于，包括：
数据采集模块，用于通过设置在监测区域的WiFi探针获取包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录；
预处理模块，用于对原始用户数据记录进行预处理，去除无效用户数据后获得有效用户数据记录；
实时到访记录模块，用于基于有效用户数据记录形成监测场所的实时到访记录，所述实时到访记录中包括由所述时间戳生成的到访开始时间和到访结束时间；
用户行为统计模块，用于根据WiFi探针地理位置和监测场所的实时到访记录中的到访开始时间统计用户进入以及/或者离开监控区域的次数；
所述用户行为统计模块具体用于：
根据WiFi探针地理位置确定在监测场所内部和外部WiFi探针；
在监测场所内部和外部WiFi探针的实时到访记录中选择具有相同网卡MAC地址的记录作为中间记录；
在中间记录中提取监测场所内部WiFi探针的到访开始时间设定为内部时刻，并选择与内部时刻的时间差值的绝对值小于第二时间阈值的监测场所外部WiFi探针的到访开始时间设定为外部时刻；
根据内部时刻和外部时刻构建有效到访数据组；
根据所述网卡MAC地址的有效到访时间数据组统计在统计时间段内用户进入监测场所以及/或者离开监测场所的次数。
10.如权利要求9所述的基于WiFi的校园用户数据处理服务器，其特征在于，还包括：
实时流量监测模块，用于基于有效用户数据记录进行实时数据分析，根据WiFi探针地理位置获得监测场所的实时流量数据以及/或者多个监测场所之间的关联数据；其中，多个监测场所之间的关联数据为在预设时间间隔内访问多个监测场所的有效用户数据记录；
用户活跃度统计模块，用于基于有效用户数据记录统计监测场所中的用户活跃度，其中，所述用户活跃度表示在统计时间段内单一用户到访的监测场所数量的总和与总用户数量的比值，或者，表示在统计时间段内单一监测场所中到访的用户数量的总和与总用户数量的比值；
用户终端设备统计模块，用于基于有效用户数据记录中的网卡MAC地址统计监测场所中用户终端设备的品牌信息。
11.一种基于WiFi的校园用户监测系统，其特征在于，包括：设置在校园中监测场所的WiFi探针对，用于采集包括网卡MAC地址、信号强度、时间戳和WiFi探针地理位置的原始用户数据记录，其中，所述WiFi探针对包括设置在监测场所内部的WiFi探针和设置在监测场所外部的WiFi探针；以及如权利要求9或10中任一项所述的服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510125846.2A CN104778642B (zh) | 2015-03-20 | 2015-03-20 | 基于WiFi的校园用户数据处理方法、服务器和监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510125846.2A CN104778642B (zh) | 2015-03-20 | 2015-03-20 | 基于WiFi的校园用户数据处理方法、服务器和监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104778642A CN104778642A (zh) | 2015-07-15 |
| CN104778642B true CN104778642B (zh) | 2018-04-13 |
Family
ID=53620090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510125846.2A Active CN104778642B (zh) | 2015-03-20 | 2015-03-20 | 基于WiFi的校园用户数据处理方法、服务器和监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104778642B (zh) |
Families Citing this family (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354290B (zh) * | 2015-10-30 | 2019-06-04 | 山东合天智汇信息技术有限公司 | 一种基于移动终端mac地址查找特定人员的方法及系统 |
| CN105472036A (zh) * | 2016-01-06 | 2016-04-06 | 上海斐讯数据通信技术有限公司 | 回头客数量统计方法、系统及路由器 |
| CN105681550A (zh) * | 2016-01-07 | 2016-06-15 | 山东合天智汇信息技术有限公司 | 一种监测城市人群密度、分布及趋势的系统及方法 |
| CN106982415A (zh) * | 2016-01-19 | 2017-07-25 | 北京栋邦达科技有限公司 | 公共场所人流密度的监测系统和监测方法 |
| CN107169398A (zh) * | 2016-03-07 | 2017-09-15 | 阿里巴巴集团控股有限公司 | 信号处理方法及装置 |
| CN107305666A (zh) * | 2016-04-18 | 2017-10-31 | 深圳前海华视移动互联有限公司 | 车辆运营路线商业分析方法及系统 |
| CN106447084A (zh) * | 2016-08-22 | 2017-02-22 | 北京易游华成科技有限公司 | 一种路径规划装置、方法及系统 |
| CN108243067A (zh) * | 2016-12-23 | 2018-07-03 | 上海辰智商务信息咨询有限公司 | 一种基于wifi探测的用户终端数据采集系统 |
| CN108259421B (zh) * | 2016-12-29 | 2021-04-16 | 沈阳美行科技有限公司 | 一种用户活跃度的统计方法及系统 |
| CN106982411A (zh) * | 2017-03-20 | 2017-07-25 | 华南理工大学 | 一种基于wifi探针数据的实时客流统计方法 |
| CN107295606A (zh) * | 2017-06-30 | 2017-10-24 | 北京小米移动软件有限公司 | 网络连接方法、装置及用户设备 |
| CN107423563A (zh) * | 2017-07-25 | 2017-12-01 | 深信服科技股份有限公司 | 一种学生心理分析方法、设备及其存储介质 |
| CN107566207A (zh) * | 2017-08-07 | 2018-01-09 | 北京天元创新科技有限公司 | 一种网络资源消耗的评估方法和装置 |
| CN107734041B (zh) * | 2017-10-24 | 2021-07-30 | 深圳友朋智能商业科技有限公司 | 一种数据处理方法、装置及自动售货系统 |
| CN107801202A (zh) * | 2017-10-31 | 2018-03-13 | 广东思域信息科技有限公司 | 一种基于WiFi接入的用户画像方法 |
| CN108011761A (zh) * | 2017-12-06 | 2018-05-08 | 易居（中国）企业集团股份有限公司 | 基于大数据的采集和分析访客数据的方法 |
| CN108012285A (zh) * | 2017-12-07 | 2018-05-08 | 福建三元达网络技术有限公司 | 一种探针采集方法和系统 |
| CN108389070A (zh) * | 2018-01-17 | 2018-08-10 | 链家网（北京）科技有限公司 | 一种客户行为特征分析方法、服务器及系统 |
| CN108429791A (zh) * | 2018-02-06 | 2018-08-21 | 北京数字新思科技有限公司 | 一种信息推广方法及系统 |
| CN108391234B (zh) * | 2018-02-09 | 2021-04-30 | 华高数字科技有限公司 | 一种基于WiFi技术的人流量检测装置 |
| CN108399387A (zh) * | 2018-02-27 | 2018-08-14 | 南京芝麻信息科技有限公司 | 用于识别目标群体的数据处理方法及装置 |
| CN108418644B (zh) * | 2018-02-27 | 2021-07-27 | 南京芝麻信息科技有限公司 | 信号处理方法及装置 |
| CN108551654A (zh) * | 2018-04-27 | 2018-09-18 | 广州仁星数位时代科技有限公司 | 一种基于区域链的细分人群数据挖掘系统 |
| CN108600375A (zh) * | 2018-04-27 | 2018-09-28 | 广州仁星数位时代科技有限公司 | 基于区块链的设备数据收集方法、装置、服务器及客户端 |
| CN108600947A (zh) * | 2018-04-27 | 2018-09-28 | 广州仁星数位时代科技有限公司 | 一种基于区块链的智能硬件收集数据系统 |
| CN108668227A (zh) * | 2018-04-27 | 2018-10-16 | 广州仁星数位时代科技有限公司 | 一种基于区块链的特征识别方法、装置和服务器 |
| CN108667954A (zh) * | 2018-04-27 | 2018-10-16 | 广州仁星数位时代科技有限公司 | 基于区域链的人群画像分析方法、装置、服务器及客户端 |
| CN108566450A (zh) * | 2018-04-27 | 2018-09-21 | 广州仁星数位时代科技有限公司 | 基于区块链的数据运算处理方法、装置、服务器和客户端 |
| CN108737968A (zh) * | 2018-05-07 | 2018-11-02 | 成都天佑飞天科技有限公司 | 一种通过无线技术感知乘客异常行为的方法 |
| CN108805629A (zh) * | 2018-06-20 | 2018-11-13 | 深圳市玛威尔显控科技有限公司 | 一种基于大数据的利用WiFi探针识别周围人群信息内容播放方法 |
| CN108882219A (zh) * | 2018-06-26 | 2018-11-23 | 深圳市梧桐世界科技股份有限公司 | 一种无线终端特征管理系统和方法 |
| CN109002386A (zh) * | 2018-07-02 | 2018-12-14 | 北京小米移动软件有限公司 | 用户活跃时间记录方法、装置、存储介质和电子设备 |
| CN108986466B (zh) * | 2018-07-30 | 2020-09-25 | 安徽四创电子股份有限公司 | 一种基于WiFi探针的交通OD信息采集系统及处理方法 |
| CN109447114B (zh) * | 2018-09-25 | 2020-11-06 | 北京酷云互动科技有限公司 | 场所之间关联度的评估方法和评估系统 |
| CN109302678B (zh) * | 2018-11-14 | 2020-12-29 | 每日互动股份有限公司 | 根据地址围栏和电子围栏内移动终端信息进行预警的方法 |
| CN109657700B (zh) * | 2018-11-22 | 2022-11-11 | 南京茶非氪信息科技有限公司 | 一种宏观区域连通道热度检测方法 |
| CN109343437A (zh) * | 2018-11-29 | 2019-02-15 | 张建军 | 一种智能餐饮交互设备硬件连接结构及智能餐饮云系统 |
| CN109451486B (zh) * | 2018-11-30 | 2021-09-21 | 南京航空航天大学 | 基于探测请求帧的WiFi采集系统及WiFi终端探测方法 |
| CN109977132B (zh) * | 2019-02-01 | 2021-07-16 | 北京工业大学 | 一种基于无监督聚类模式的学生异常行为模式分析方法 |
| CN111917597B (zh) * | 2019-05-08 | 2022-02-22 | 中国移动通信集团福建有限公司 | 一种宽带业务监测方法和设备 |
| CN110348874A (zh) * | 2019-05-22 | 2019-10-18 | 口碑(上海)信息技术有限公司 | 广告信息的推送方法、装置及系统 |
| CN112738802B (zh) * | 2020-12-25 | 2022-10-14 | 深圳市微网力合信息技术有限公司 | 一种基于wifi6的通信方法及系统 |
| CN112911000A (zh) * | 2021-02-01 | 2021-06-04 | 南京信息工程大学 | 基于wifi探针的高校区域性人流量监测系统及方法 |
| CN114842980B (zh) * | 2022-04-14 | 2023-07-25 | 浙江大学 | 一种基于WiFi匹配的传染病易感人群接触追踪预筛选方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497667A (zh) * | 2011-12-20 | 2012-06-13 | 中国电信股份有限公司 | WiFi 应用聚焦区域的定位方法及系统 |
| CN102946590A (zh) * | 2012-10-31 | 2013-02-27 | 北京众思铭信息技术有限公司 | 一种利用wifi网络进行信息发布的方法及系统 |
| CN103458456A (zh) * | 2013-08-27 | 2013-12-18 | 中国科学院信息工程研究所 | 基于移动终端Wi-Fi数据的用户行为检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140355592A1 (en) * | 2012-11-01 | 2014-12-04 | Datavalet Technologies | System and method for wireless device detection, recognition and visit profiling |
-
2015
- 2015-03-20 CN CN201510125846.2A patent/CN104778642B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102497667A (zh) * | 2011-12-20 | 2012-06-13 | 中国电信股份有限公司 | WiFi 应用聚焦区域的定位方法及系统 |
| CN102946590A (zh) * | 2012-10-31 | 2013-02-27 | 北京众思铭信息技术有限公司 | 一种利用wifi网络进行信息发布的方法及系统 |
| CN103458456A (zh) * | 2013-08-27 | 2013-12-18 | 中国科学院信息工程研究所 | 基于移动终端Wi-Fi数据的用户行为检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104778642A (zh) | 2015-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104778642B (zh) | 基于WiFi的校园用户数据处理方法、服务器和监测系统 | |
| CN101990003B (zh) | 一种基于ip地址属性的用户行为监控系统与方法 | |
| CN103635892B (zh) | 自动创建用于分享照片的群体 | |
| CN109684514A (zh) | 基于轨迹数据的学生行为定位系统及方法 | |
| CN108549566A (zh) | 一种基于用户特征的个性化页面及客户端布局生成方法 | |
| CN107800801A (zh) | 一种基于用户学习偏好的学习资源推送方法及系统 | |
| CN103412951A (zh) | 基于人物照片的人脉关联分析管理系统与方法 | |
| CN108038237A (zh) | 一种信息推荐方法与系统 | |
| CN106682212A (zh) | 一种基于用户移动行为的社会关系分类方法与装置 | |
| CN108022303A (zh) | 一种虚拟丝路博物馆导览系统和方法 | |
| CN106339456A (zh) | 一种基于数据挖掘的推送方法 | |
| CN109359686A (zh) | 一种基于校园网流量的用户画像方法及系统 | |
| CN110245196A (zh) | 一种基于时序和特征值确定公共安全环境的数据关联分析方法 | |
| CN110009416A (zh) | 一种基于大数据清洗和ai精准营销的系统 | |
| CN103440328B (zh) | 一种基于鼠标行为的用户分类方法 | |
| Yu et al. | A data-driven perspective for sensing urban functional images: Place-based evidence in Hong Kong | |
| Iranmanesh et al. | Reading urban land use through spatio-temporal and content analysis of geotagged Twitter data | |
| CN108876182A (zh) | 基于热力图的智慧园区系统及工作方法 | |
| Tamborrino et al. | A resources ecosystem for digital and heritage-led holistic knowledge in rural regeneration | |
| CN108777866A (zh) | 一种网络分析方法、服务器及网络系统 | |
| Oses et al. | Monitoring and benchmarking the performance of a destination's hotel industry: the case study of Bilbao in 2014 | |
| CN105190619A (zh) | 终端装置以及装置的程序 | |
| CN116089448A (zh) | 一种基于多维感知建立人口画像的实时人口管理系统 | |
| Lískovec et al. | Chronotopes of urban centralities: Looking for prominent urban times and places | |
| Kahila et al. | Making cities wiser–Crowdsourcing for better decisions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |