Dublin Bus GAEN Attenuation Durations Dataset

测量在都柏林公交车上进行的Google/Apple Exposure Notification衰减持续时间的数据集，每行对应一对手机在一个距离上的数据，每列对应特定衰减范围内的衰减持续时间。

A dataset measuring the attenuation duration of Google/Apple Exposure Notification on Dublin buses. Each row corresponds to data from a pair of phones at a certain distance, and each column represents the attenuation duration within a specific attenuation range.

原始信息汇总

Dublin Bus GAEN Attenuation Durations Dataset 概述

数据集来源

本数据集来源于研究论文 "Measurement-Based Evaluation Of Google/Apple Exposure Notification API For Proximity Detection In A Commuter Bus"，作者为 Douglas J. Leith 和 Stephen Farrell，发表于 2020年6月15日的 SCSS Tech Report。

数据集内容

数据集包含两个文件：

1. dublinbus_dataset_attenuations.txt

   • 每行代表一对手机在某一距离下的数据。
   • 每列代表在特定衰减水平范围内的衰减持续时间（以分钟计）。例如，第一列对应衰减范围48-50dB，第二列对应50-52dB，以此类推。

2. dublinbus_dataset_distances.txt

   • 每行包含一对手机之间的估计距离（以米计）。
   • 每行数据对应于 dublinbus_dataset_attenuations.txt 文件中的同一行。

数据结构

• 衰减数据文件：记录不同衰减水平下的持续时间。
• 距离数据文件：提供相应手机对的距离信息。

搜集汇总

数据集介绍

构建方式

Dublin Bus GAEN Attenuation Durations Dataset的构建基于在都柏林公交车上进行的Google/Apple Exposure Notification（GAEN）API的衰减持续时间测量。研究团队通过在不同距离下对多对手机进行测量，记录每对手机在不同衰减水平范围内的持续时间。数据被整理为两个文件，分别记录衰减持续时间和对应的手机间距离，确保了数据的系统性和可追溯性。

特点

该数据集的特点在于其专注于公交车环境下的GAEN API性能评估，提供了详细的衰减持续时间数据。数据集包含多个衰减水平范围的数据，覆盖了从48dB到更高水平的广泛范围。此外，数据集还提供了每对手机之间的估计距离，使得研究者能够将衰减数据与实际距离关联，进一步分析GAEN API在复杂环境中的表现。

使用方法

使用该数据集时，研究者可以通过分析dublinbus_dataset_attenuations.txt文件中的衰减持续时间数据，结合dublinbus_dataset_distances.txt文件中的距离信息，评估GAEN API在不同距离和衰减水平下的性能。数据集的结构化设计使得研究者能够轻松进行数据匹配和分析，适用于研究近距离检测技术的性能优化和实际应用场景的模拟。

背景与挑战

背景概述

Dublin Bus GAEN Attenuation Durations Dataset 是由 Douglas J. Leith 和 Stephen Farrell 于2020年6月15日发布的一项研究数据集，主要围绕Google/Apple Exposure Notification (GAEN) API在通勤巴士环境中的近距离检测性能进行评估。该数据集的核心研究问题在于通过测量不同距离下手机之间的信号衰减持续时间，评估GAEN API在实际应用中的准确性和可靠性。这一研究为公共卫生领域的接触者追踪技术提供了重要的数据支持，尤其是在公共交通等复杂环境中，如何有效利用无线信号进行近距离检测成为了一个关键问题。该数据集的发布不仅推动了相关领域的研究进展，还为后续的技术优化和应用提供了实证基础。

当前挑战

Dublin Bus GAEN Attenuation Durations Dataset 所解决的主要领域问题是如何在复杂的通勤环境中准确检测设备之间的近距离接触。这一问题的挑战在于，公共交通环境中的信号干扰、设备多样性以及动态变化的环境条件可能导致信号衰减的不稳定性，从而影响检测的准确性。在数据集的构建过程中，研究人员面临的挑战包括如何在有限的空间内精确测量设备之间的距离，以及如何在不同信号衰减范围内记录和分析数据。此外，确保数据的可重复性和一致性也是一个重要的技术难题，尤其是在多设备、多距离的复杂场景下，如何有效捕捉和记录信号衰减的持续时间成为了数据集构建的关键挑战。

常用场景

经典使用场景

在公共交通环境中，Dublin Bus GAEN Attenuation Durations Dataset被广泛用于评估Google/Apple Exposure Notification (GAEN) API在接近检测中的性能。该数据集通过测量都柏林公交车上手机之间的信号衰减持续时间，为研究者在真实世界环境中测试和验证接触追踪技术的有效性提供了宝贵的数据支持。

实际应用

在实际应用中，Dublin Bus GAEN Attenuation Durations Dataset为公共卫生部门和科技公司提供了关键数据，用于改进和部署基于GAEN API的接触追踪系统。这些系统在COVID-19疫情期间被广泛用于识别和通知潜在的病毒暴露者，从而有效控制疫情的传播。

衍生相关工作

基于该数据集的研究成果，许多相关的工作得以展开。例如，研究者们开发了新的算法来更准确地估计设备间的距离，并优化了接触追踪系统的性能。此外，该数据集还被用于评估不同环境因素（如车辆速度、乘客密度）对信号衰减的影响，进一步推动了接触追踪技术的发展。