WiDIA, WiATC, WiDATC, WiCAM

该仓库包含三个半合成和一个真实世界的被动WiFi传感数据集，用于细粒度的人群分析。这些数据集通过模拟和实际的WiFi传感技术收集，用于估计场景中整个人群的密度和局部高密度人群的速度。

This repository contains three semi-synthetic and one real-world passive WiFi sensing datasets, designed for fine-grained crowd analysis. These datasets are collected through simulated and actual WiFi sensing technologies, utilized to estimate the density of the entire crowd and the velocity of localized high-density crowds within a scene.

原始信息汇总

数据集概述

数据集名称

• Passive-WiFi-Sensing-Based-Fine-Grained-Crowd-Analysis-Dataset

数据集类型

• 三个半合成数据集：WiDIA, WiATC, WiDATC
• 一个真实世界数据集：WiCAM

数据集目的

• 用于细粒度人群分析，包括估计场景中整体人群密度和局部高密度人群的速度。

数据集内容

半合成数据集

• WiDIA, WiATC, WiDATC
  • 数据来源：基于DIAMOR和ATC两个行人跟踪数据集。
  • 数据格式：.mat格式。
  • 数据内容：
    • "corrected"文件：包含时间戳、行人ID、位置（x, y, z）、速度、运动方向、面对方向，用于生成人群密度图（CDM）。
    • "wifi"文件：包含每秒的单元格，由所有随机检测到的设备的位置组成，用于生成WiFi感知人群密度图（WDM）。
  • 特殊处理：WiDATC数据集通过将ATC数据集的4小时数据堆叠为1小时来模拟更密集的环境。

真实世界数据集

• WiCAM
  • 收集环境：校园环境，监控区域约4000平方米。
  • 数据内容：包含每秒的单元格，由通过WiFi指纹定位估计的所有检测到的设备的位置组成。

数据集链接

• WiDIA：链接
• WiATC：链接
• WiDATC：链接
• WiCAM：链接

数据集应用

• 生成人群密度图（CDM）和WiFi感知人群密度图（WDM）。
• 支持简单的人群计数任务。

搜集汇总

数据集介绍

构建方式

WiDIA、WiATC、WiDATC和WiCAM数据集的构建方式各具特色。WiDIA、WiATC和WiDATC作为半合成数据集，基于精确标注的行人追踪数据集（DIAMOR和ATC），通过分治法模拟被动WiFi感知数据，生成人群密度图（CDM）或WiFi感知人群密度图（WDM）。WiDATC通过将ATC数据集每天4小时的数据对齐并压缩为1小时，模拟了更密集的环境。WiCAM则是真实世界数据集，采集自校园环境，覆盖约4000平方米的监控区域，通过WiFi指纹定位技术估计设备位置，提供真实的感知结果。

使用方法

该数据集的使用方法灵活多样。对于半合成数据集（WiDIA、WiATC和WiDATC），用户可通过MATLAB格式的文件生成人群密度图或WiFi感知人群密度图，结合深度学习模型进行人群状态推断。WiCAM数据集则直接提供WiFi指纹定位估计的设备位置，用户可基于此进行真实场景下的群体计数和密度分析。所有数据集均以.mat格式提供，便于研究人员快速加载和处理数据，推动基于WiFi感知的精细人群分析研究。

背景与挑战

背景概述

WiDIA、WiATC、WiDATC和WiCAM数据集是近年来为细粒度人群分析任务而构建的被动WiFi感知数据集，由Hao等人于2023年提出。这些数据集的核心研究问题是通过WiFi嗅探技术被动捕捉行人设备发送的探测帧，结合深度学习模型推断人群状态，如人群密度和局部高密度人群的速度。WiDIA、WiATC和WiDATC是基于精确标注的行人追踪数据集（如DIAMOR和ATC）通过仿真生成的半合成数据集，而WiCAM则是在校园环境中采集的真实数据集。这些数据集的发布填补了该领域缺乏标注数据的空白，推动了基于WiFi感知的细粒度人群分析研究，并在智能交通系统和移动计算领域产生了重要影响。

当前挑战

WiDIA、WiATC、WiDATC和WiCAM数据集在解决细粒度人群分析问题时面临多重挑战。首先，WiFi感知数据的稀疏性和噪声问题使得准确推断人群状态变得复杂，尤其是在高密度环境中。其次，半合成数据集的构建依赖于精确的行人追踪数据，而仿真过程中如何真实还原WiFi感知场景仍存在技术难题。此外，WiCAM作为真实数据集，其大规模环境下的数据标注成本高昂，导致仅能提供未标注的感知结果，限制了其在监督学习中的应用。最后，如何将WiFi感知数据与深度学习模型有效结合，以提升人群密度和速度估计的精度，仍是该领域亟待解决的关键问题。

常用场景

经典使用场景

WiDIA、WiATC、WiDATC和WiCAM数据集在细粒度人群分析领域具有广泛的应用。这些数据集通过模拟和实际采集的被动WiFi感知数据，为研究人员提供了丰富的实验材料。经典的使用场景包括生成人群密度图（CDM）和WiFi感知人群密度图（WDM），这些图表能够帮助研究者深入理解人群的动态分布和移动模式。

解决学术问题

这些数据集解决了细粒度人群分析中的关键问题，如人群密度估计和局部高密度人群的速度测量。通过结合深度学习模型，研究者能够从WiFi测量数据中推断出人群状态，填补了该领域缺乏标注数据集的空白。这不仅推动了相关算法的发展，还为实际应用提供了理论支持。

实际应用

在实际应用中，WiDIA、WiATC、WiDATC和WiCAM数据集被广泛应用于智能交通系统、公共安全监控和城市规划等领域。例如，通过分析校园环境中的人群密度和移动模式，管理者可以优化资源配置，提高安全管理效率。此外，这些数据集还为大规模监控区域的人群计数提供了准确的数据支持。

数据集最近研究

最新研究方向

在被动WiFi感知技术领域，WiDIA、WiATC、WiDATC和WiCAM数据集的推出为细粒度人群分析提供了重要的研究基础。这些数据集通过模拟和真实环境中的WiFi探测帧捕获，结合深度学习模型，能够有效推断人群密度和局部高密度人群的速度。当前的研究热点集中在如何利用这些数据集生成更精确的人群密度图（CDM）和WiFi感知人群密度图（WDM），以应对大规模监控场景中的挑战。特别是WiCAM数据集，其在大范围校园环境中的实际应用，为准确的人群计数提供了新的可能性。这些研究不仅推动了被动WiFi感知技术的发展，也为智能交通系统和公共安全管理提供了有力的数据支持。