[论文解读] Analyzing the Impact of Covid-19 Control Policies on Campus Occupancy and Mobility via Passive WiFi Sensing

Camellia Zakaria, Amee Trivedi+4 more|arXiv (Cornell University)|May 25, 2020

Human Mobility and Location-Based Analysis参考文献 21被引用 8

一句话总结

本文提出利用现有校园基础设施的被动式WiFi感知技术，监测新冠疫情下的室内人员数量与移动情况，证明粗粒度WiFi数据——源自独特的设备MAC地址——能有效追踪不同公共卫生政策下人群规模的变化。研究显示，在线学习与分组团队政策显著降低了建筑内人员密度，而个体在各空间间的移动模式未发生改变。

ABSTRACT

Mobile sensing has played a key role in providing digital solutions to aid with COVID-19 containment policies. These solutions include, among other efforts, enforcing social distancing and monitoring crowd movements in indoor spaces. However, such solutions may not be effective without mass adoption. As more and more countries reopen from lockdowns, there remains a pressing need to minimize crowd movements and interactions, particularly in enclosed spaces. This paper conjectures that analyzing user occupancy and mobility via deployed WiFi infrastructure can help institutions monitor and maintain safety compliance according to the public health guidelines. Using smartphones as a proxy for user location, our analysis demonstrates how coarse-grained WiFi data can sufficiently reflect indoor occupancy spectrum when different COVID-19 policies were enacted. Our work analyzes staff and students' mobility data from three different university campuses. Two of these campuses are in Singapore, and the third is in the Northeastern United States. Our results show that online learning, split-team, and other space management policies effectively lower occupancy. However, they do not change the mobility for individuals transitioning between spaces. We demonstrate how this data source can be put to practical application for institutional crowd control and discuss the implications of our findings for policy-making.

研究动机与目标

• 评估被动式WiFi感知是否能够检测疫情期间室内人员数量与移动情况的实时变化。
• 评估各种新冠疫情管控政策（如在线学习与分组团队排班）在降低校园人群密度方面的有效性。
• 为机构提供一种保护隐私、可扩展的监测方法，利用现有WiFi基础设施监控对安全指南的遵守情况。
• 通过基于匿名化WiFi数据的仪表板界面，为校园管理者提供实时、可操作的洞察。
• 通过识别高密度区域与低使用率区域，支持接触追踪与空间管理，而无需采用侵入式监控。

提出的方法

• 从校园接入点被动收集匿名化WiFi日志，使用唯一设备MAC地址作为用户存在的代理。
• 按建筑、楼层和区域聚合设备数量，计算随时间变化的人员密度百分比。
• 通过分析设备在不同接入点间关联变化的序列，追踪用户移动情况。
• 实施隐私保护数据处理流程，缺省状态下对数据进行去标识化，仅在获得同意后进行去匿名化以支持接触追踪。
• 开发实时仪表板（Elastic WiFiTrace），可视化展示按位置和时间划分的人员密度热力图与动态人员密度趋势。
• 应用数据匿名化与访问控制机制，确保符合隐私法规与伦理标准。

实验结果

研究问题

• RQ1 被动式WiFi感知在多大程度上能反映不同新冠疫情管控政策下室内人员数量与移动情况的变化？
• RQ2 在线学习与分组团队排班等政策如何影响建筑层级与楼层层级的人员密度？
• RQ3 基于WiFi的人员密度监测能否在不增加额外硬件或侵入式追踪的前提下，识别出高风险区域？
• RQ4 个体移动行为在政策调整后如何变化，其变化是否与总体人员密度变化相关？
• RQ5 使用WiFi数据进行公共卫生监测的隐私影响是什么，实践中如何缓解？

主要发现

• 在线学习与分组团队政策在所研究的三个校园中均显著降低了整体建筑人员密度。
• 在远程授课期间，人员密度水平显著下降，校园高峰时段的人员密度率有明显降低。
• 尽管人员密度下降，但个体移动模式——以访问的建筑序列衡量——基本保持不变，表明人员在各空间间的持续流动。
• 该系统通过实时热力图成功识别出高密度区域，使管理者能够针对性地在特定区域或楼层实施干预措施。
• 仪表板界面支持在建筑、楼层和区域层级进行精细化监控，有助于动态调整容量与支持运营决策。
• 通过数据匿名化与基于同意的去标识化等隐私保护措施，有效降低了隐私风险，同时支持接触追踪。