Occupancy estimation through Bluetooth classic and low energy packet sniffing applying machine learning

Information regarding occupancy is a key component to facilitate people’s lives. Indeed, occupants presence have significant impact on space around us. It is interesting to know how many people are present in different environments. Generally speaking, information about allocation and reservation of spaces make people feel more comfortable, allowing them to save their time using public transportation, to better manage energy consumption of indoor environments, etc. The main goal of this thesis project is to perform space occupancy esti- mation using packet sniffing and Machine Learning algorithms. On the one hand, packet sniffing is carried out through Bluetooth Low Energy and Classic Bluetooth advertising packet detection and count. Packets have been captured using a sniffing hardware named Ubertooth One and the bluetooth Linux stack Bluez HCItool. On the other hand, machine learning techniques such as Linear Regression, Decision Tree Regression and Support Vector Regression were used to estimate occupancy. Despite we used low-cost wireless sniffers, it is shown that the task of occupancy estimation can be performed with a good level of accuracy. Sniffing and Data Acquisition processes are discussed, also explaining how the features sets are built to best fit the occupancy predicting models. Experimental results, expressed in terms of RMSE and MAPE indicators demonstrate the validity of the proposed system in both indoor and outdoor uncontrolled scenarios. Finally, we spend a few words on the reason why we believe in the potential of this non-intrusive methodology.

L'informazione riguardo l'occupazione di un luogo è una componente chiave per facilitare la quotidianità delle persone. Infatti, la presenza di occupanti ha un impatto significativo sullo spazio intorno a noi. È interessante sapere quante persone sono presenti in diversi ambienti. In generale, conoscere le informazioni sull'assegnazione e la prenotazione degli spazi fanno sentire le persone più a loro agio, consentendo loro di risparmiare tempo utilizzando i mezzi pubblici, per gestire meglio il consumo energetico degli ambienti interni, ecc. L'obiettivo principale di questo progetto di tesi è quello di eseguire la stima di occupazione dello spazio usando tecniche di "Sniffing" e "Machine Learning". Da un lato, il processo di Sniffing viene eseguito tramite la rilevazione e il conteggio di pacchetti pubblicitari "Bluetooth Classico" e "Bluetooth Low Energy". I pacchetti vengono catturati usando un dispositivo di sniffing, chiamato Ubertooth One, e lo stack Bluetooth di Linux, Bluez hcitool. Dall'altro lato, tecniche di Machine Learning, come Regressione lineare, Regressione a supporto vettoriale e alberi di decisione, sono state utilizzate per stimare l'occupazione. Nonostante abbiamo utilizzato sniffer wireless a basso costo, abbiamo dimostrato che l'obiettivo della stima di occupazione può essere eseguito con un ottimo livello di accuratezza. Vengono discussi i processi di sniffing e acquisizione dati, spiegando come vengono costruiti i gruppi di descrittori per adattarsi al meglio ai modelli di previsione di occupazione. I risultati sperimentali, espressi in termini di indicatori RMSE e MAE, dimostrano la validità del sistema proposto in scenari sia interni che esterni incontrollati. Infine, dedichiamo alcune parole sul motivo per cui crediamo nel potenziale di questo metodo non intrusivo.