CN110022529A - 基于两种传感模式的目标区域人数统计的方法和装置 - Google Patents

基于两种传感模式的目标区域人数统计的方法和装置 Download PDF

Info

Publication number
CN110022529A
CN110022529A CN201811485413.8A CN201811485413A CN110022529A CN 110022529 A CN110022529 A CN 110022529A CN 201811485413 A CN201811485413 A CN 201811485413A CN 110022529 A CN110022529 A CN 110022529A
Authority
CN
China
Prior art keywords
heat transfer
transfer agent
sample rate
target area
sensing modes
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.)
Granted
Application number
CN201811485413.8A
Other languages
English (en)
Other versions
CN110022529B (zh
Inventor
蔡鸿博
傅春霖
姜世琦
曾晓东
林锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201811485413.8A priority Critical patent/CN110022529B/zh
Publication of CN110022529A publication Critical patent/CN110022529A/zh
Application granted granted Critical
Publication of CN110022529B publication Critical patent/CN110022529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication

Abstract

本发明涉及基于两种传感模式的目标区域人数统计方法，包括：接收通过第一传感模式获得的第一传感信息和通过第二传感模式获得的第二传感信息；基于第一传感信息和第二传感信息，分别得到第一统计人数，第二统计人数和第三统计人数；基于通过第一统计人数、第二统计人数和第三统计人数，分别计算第一采样率和第二采样率；分别基于第一统计人数和第一采样率、以及第二统计人数和第二采样率来计算第一人数和第二人数；基于第一人数和第二人数计算目标区域中的总人数。本发明通过产生以一种传感数据为主，另一种传感数据为辅的两类数据，再将其进行融合，达成了逻辑合理，不需要人工经验估计参数，大幅提高了准确率，并降低了维护成本。

Description

基于两种传感模式的目标区域人数统计的方法和装置
技术领域
本说明书的一个或多个实施例涉及计算机领域，尤其涉及一种基于两种传感模式的目标区域人数统计的方法和装置。
背景技术
在线下的商业场景中，流量变现、运营策略优化等的根本问题在于确定有效人流量的大小，从而进行售卖、计费以及商品部署等下游一系列的流量变现操作。目前，存在有若干种进行目标区域内的人数统计的方法。
例如，有一种方法是通过摄像头用视觉传感模式结合深度学习来统计目标范围内的人数。该方法有几个缺陷，摄像头的硬件成本较高，对端上的硬件计算能力要求也较高，且摄像不可避免会涉及隐私问题。综上，该方法在很多场景下会受到硬件成本和法律的约束而无法使用。
还例如，存在利用wifi探针进行全局mac地址获取，然后将该mac地址进行还原处理来进行目标区域总人数估计的方法。然而，该方法存在很多缺陷。例如，一个mac地址未必对应一个自然人，而可能是对应一台路由器或其它可联网的设备。另外，用于对mac地址进行还原的还原系数是通过人工经验估算得出的，其在不同时间地点可能存在变化，也会随着社会或科技的发展发生变化。因此，存在这样一种很大的可能性，即mac地址数和人数无法建立直接联系。换言之，以该方法实际计算出的人数与真实人数偏差较大。综上所述，该方法无法获取mac地址随机变化的设备，并且无法判断设备背后是否对应到人。
发明内容
本说明书的一个或多个实施例描述了一种基于两种传感模式的目标区域人数统计的方法和装置，其通过产生以一种传感数据为主，另一种传感数据为辅的两类数据，再将其进行融合，达成了逻辑合理，不需要人工经验估计参数，大幅提高了准确率，并降低了维护成本。
根据第一方面，本发明提供了一种基于两种传感模式的目标区域人数统计方法，可以包括：接收通过第一传感模式获得的第一传感信息和通过第二传感模式获得的第二传感信息，其中，所述第一传感信息和所述第二传感信息分别对应唯一的用户设备，所述第一传感模式和所述第二传感模式是通过在所述目标区域内布置一个或多个对应的传感器来执行的；基于所述第一传感信息和所述第二传感信息，分别得到第一统计人数，第二统计人数和第三统计人数，其中，所述第一统计人数是通过统计第一传感信息得到的由所述第一传感模式探测到的目标区域人数，所述第二统计人数是通过统计第二传感信息得到的由所述第二传感模式探测到的目标区域人数，而所述第三统计人数是通过统计具有一一对应关系的所述第一传感信息和所述第二传感信息得到的同时由所述第一传感模式和所述第二传感模式探测到的目标区域人数；基于通过所述第一统计人数、所述第二统计人数和所述第三统计人数，分别计算第一采样率和第二采样率，其中，所述第一采样率是所述第一传感模式探测到所述目标区域内的人的概率，所述第二采样率是所述第二传感模式探测到所述目标区域内的人的概率；对所述第一采样率和所述第二采样率进行数据平滑处理；分别基于所述第一统计人数和平滑后的第一采样率、以及所述第二统计人数和平滑后的第二采样率来计算第一人数和第二人数，其中，所述第一人数是以所述第一传感模式为主所探测到的目标区域人数，所述第二人数是以所述第二传感模式为主所探测到的目标区域人数；基于所述第一人数和所述第二人数计算最终的目标区域人数。
在一个实施例中，所述数据平滑处理可以包括：分别基于所述第一采样率和所述第二采样率的历史记录，使用基于LSTM的时间序列平滑模型或贝叶斯平滑模型对所述第一采样率和所述第二采样率进行平滑处理。
根据一个实施例，所述一一对应关系可以是所述第一传感信息与第三信息一一对应并且所述第二传感信息与所述第三信息一一对应，所述第三信息对应唯一的用户设备。
在一种实施方式中，基于所述第一人数和所述第二人数计算目标区域中的总人数的步骤可以包括：分别计算所述第一人数和所述第二人数的加权因子；基于所述第一人数、所述第二人数及其各自的加权因子来计算目标区域中的总人数。
根据一种实施方式，所述第一传感模式可以由wifi探针来执行，所述第二传感模式可以由Beacon来执行，并且所述第一传感信息可以是用户设备的mac地址，所述第二传感信息可以是设备的用户id。
根据第二方面，本发明提供了一种基于两种传感模式的目标区域人数统计装置，包括：传感信息接收模块，可以被配置为接收通过第一传感模式获得的第一传感信息和通过第二传感模式获得的第二传感信息，其中，所述第一传感信息和所述第二传感信息分别对应唯一的用户设备，所述第一传感模式和所述第二传感模式是通过在所述目标区域内布置一个或多个对应的传感器来执行的；人数统计模块，可以被配置为基于所述第一传感信息和所述第二传感信息，分别得到第一统计人数，第二统计人数和第三统计人数，其中，所述第一统计人数是通过统计第一传感信息得到的由所述第一传感模式探测到的目标区域人数，所述第二统计人数是通过统计第二传感信息得到的由所述第二传感模式探测到的目标区域人数，而所述第三统计人数是通过统计具有一一对应关系的所述第一传感信息和所述第二传感信息得到的同时由所述第一传感模式和所述第二传感模式探测到的目标区域人数；采样率计算模块，可以被配置为基于通过所述第一统计人数、所述第二统计人数和所述第三统计人数，分别计算第一采样率和第二采样率，其中，所述第一采样率是所述第一传感模式探测到所述目标区域内的人的概率，所述第二采样率是所述第二传感模式探测到所述目标区域内的人的概率；数据平滑模块，可以被配置为对所述第一采样率和所述第二采样率进行数据平滑处理；人数计算模块，可以被配置为分别基于所述第一统计人数和平滑后的第一采样率、以及所述第二统计人数和平滑后的第二采样率来计算第一人数和第二人数，其中，所述第一人数是以所述第一传感模式为主所探测到的的目标区域人数，所述第二人数是以所述第二传感模式为主所探测到的的目标区域人数；总人数计算模块，可以被配置为基于所述第一人数和所述第二人数来计算最终的目标区域人数。
根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
根据第四方面，提供了一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
根据第五方面，本发明还提供了一种基于两种传感模式的目标区域人数统计系统，包括：根据第二方面中所述的装置和一个或多个传感器，其中，所述一个或多个传感器可以被布置在所述目标区域中并且可以被配置为获得所述第一传感信息和所述第二传感信息。
在一个实施例中，所述一个或多个传感器可以是同一种传感器，或者所述一个或多个传感器可以包括两种不同的分别用于获得所述第一传感信息和所述第二传感信息的传感器。
本发明的目标区域人数统计方案可以利用诸如设备端的wifi模块和蓝牙模块之类传感器，以极低的成本即可在任意线下场景进行人数统计，具有较高的场景泛化能力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是根据本说明书实施例的基于两种传感模式的目标区域人数统计的方法的流程图；
图2是根据本说明书实施例的基于两种传感模式的目标区域人数统计装置的结构框图；
图3是根据本说明书实施例的基于wifi探针与Beacon的目标区域人数统计的方法的流程图；
图4是根据本说明书实施例的基于两种传感模式的目标区域人数统计系统的框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1是根据本说明书实施例的基于两种传感模式的目标区域人数统计方法的流程图。
在步骤101，接收基于第一传感模式得到的第一传感信息和基于第二传感模式得到的第二传感信息。
第一传感信息和第二传感信息是通过两种不同的传感模式获得的。第一传感信息和第二传感信息分别对应唯一的用户设备，并且可以采用不同的传感模式而获得。第一传感信息和/或第二传感信息可以例如响应于某些传感器发出的触发条件由用户移动设备上传到云端，也可以由一些能够采集用户移动设备信息的传感器进行采集并上传到云端。这两种传感器可以独立存在，也可以将其功能集成在一个传感器中，并且这两种传感器可以在人数待测的目标区域中布置一个或多个。可以理解，由于传感器并不能百分之百地探测到目标区域中人，所以布置超过一个的传感器来进行探测可以在一定程度上弥补漏测的情况。另外，由于存在重复探测的情况，可以设定预定的时间阈值，在该时间阈值内探测到的人可以只被视为某时段内在目标区域内的一个人。
应当指出，在云端储存有用户id(uid)第一传感信息，以及uid与第二传感信息的对应关系，或者存在uid与第一传感信息和第二传感信息的对应关系。简单地说，云端中uid与第一传感信息和/或第二传感信息的对应关系，诸如存储在对应关系列表中，可以通过各种各样的方式被事先得到被存储在云端，例如定时通过用户移动设备上传到云端，每次上传时新的对应关系会替代掉旧的对应关系。
在步骤102，基于接收到的第一传感信息和第二传感信息，分别统计通过第一传感模式探测到的人数、通过第二传感模式探测到的人数、以及同时被这两种传感模式探测到的人数。
具体地，在接收到第一传感信息和第二传感信息之后，自然也就能够知道第一传感模式探测到的人数和第二传感模式探测到的人数。另外，由于存在同时被这两种传感模式探测到的人(对应其移动设备)，所以也能够知道同时被这两种传感模式探测到的人数。例如，用接收到的第一传感信息或第二传感信息通过上述的对应关系进行查找，如果找到了两者都对应的一个唯一的uid，则说明该第一传感信息和第二传感信息所对应设备同时被这两种传感模式探测到。
在步骤103，分别计算第一传感模式和第二传感模式的采样率。
对于现有技术来说，无论是第一传感模式还是第二传感模式，其采样率都不是100％的。例如，第一传感模式在经过100人的情况下大约只能探测到约30人，即采样率是30％；而第二传感模式的采样率随地点的不同而具有不同的采样率，例如大约只有10％。因此，需要针对每个地点计算出其采样率。
通过分别基于上述步骤中得到的分别被两种传感模式探测到的人数和同时被两种传感模式探测到的人数，计算出人经过或停留在目标区域时被第一传感模式和第二传感模式探测到的概率/传感模式采样率。要计算采样率，就需要利用第一传感信息、第二传感信息以及uid与第一传感信息和第二传感信息的对应关系，具体计算方法如下：
第一传感模式采样率＝同时被第一传感模式和第二传感模式探测到人数/被第一传感模式探测到人数
第二传感模式采样率＝同时被第一传感模式和第二传感模式探测到人数/被第二传感模式探测到人数
应当理解，公式中的“同时被第一传感模式和第二传感模式探测到人数”意味着存在上面所述的对应关系的人的数量。
在步骤104，分别对第一传感模式采样率和第二传感模式采样率进行平滑处理。
由于采集过程中由于数据稀疏而带来的波动性，为了下一步的计算，需要对第一传感模式采样率和第二传感模式采样率在时间维度上进行平滑处理。例如，可以基于第一传感模式采样率的历史记录和当前的第一传感模式采样率，使用基于LSTM的时间序列平滑模型计算出某个时段的平滑后的第一传感模式采样率；可以基于第二传感模式采样率的历史记录和当前的第二传感模式采样率，使用基于LSTM的时间序列平滑模型计算出某个时段的平滑后的第二传感模式采样率。LSTM是一种常用的时间递归神经网络，指长短期记忆(Long Short-Term Memory)。本领域技术人员应当理解，可以采用各种各样的方法来进行平滑处理，例如也可以采用贝叶斯平滑模型来代替时间序列平滑模型。
在步骤105，分别进行以第一传感模式和第二传感模式为主传感模式的目标区域内的人数计算。例如，通过用第一传感模式探测到的人数除以平滑后的第一传感模式采样率来得到经过目标区域的第一总人数，通过用第二传感模式探测到的人数除以平滑后的第二传感模式采样率来得到经过目标区域的第二总人数。
在步骤106，进行目标区域内的总人数计算。
首先，例如可以使用诸如线性回归之类的算法，分析出两个总人数对最终人数的贡献度，从而得到其各自的加权因子。其次，第一总人数和第二总人数例如通过加权因子进行加权计算后，得到最终经过目标区域的总人数。当然，也可以采用各种各样的方法来进行加权处理，例如可以直接使用算数平均或者几何平均来进行加权。
图2是根据本说明书实施例的基于两种传感模式的目标区域人数统计装置的结构框图。
如图2中所示，根据本说明书实施例的基于两种传感模式的目标区域人数统计装置包括传感信息接收模块、人数统计模块、采样率计算模块、数据平滑模块、人数计算模块、总人数计算模块。
传感信息接收模块，被配置为接收基于第一传感模式得到的第一传感信息和基于第二传感模式得到的第二传感信息。
第一传感信息和第二传感信息是通过两种不同的传感模式获得的。第一传感信息和第二传感信息分别对应唯一的用户设备，并且可以采用不同的传感模式而获得。第一传感信息和/或第二传感信息可以例如响应于某些传感器发出的触发条件由用户移动设备上传到云端，也可以由一些能够采集用户移动设备信息的传感器进行采集并上传到云端。这两种传感器可以独立存在，也可以将其功能集成在一个传感器中，并且这两种传感器可以在人数待测的目标区域中布置一个或多个。可以理解，由于传感器并不能百分之百地探测到目标区域中人，所以布置超过一个的传感器来进行探测可以在一定程度上弥补漏测的情况。另外，由于存在重复探测的情况，可以设定预定的时间阈值，在该时间阈值内探测到的人可以只被视为某时段内在目标区域内的一个人。
应当指出，在云端储存有用户id(uid)第一传感信息，以及uid与第二传感信息的对应关系，或者存在uid与第一传感信息和第二传感信息的对应关系。简单地说，云端中uid与第一传感信息和/或第二传感信息的对应关系，诸如存储在对应关系列表中，可以通过各种各样的方式被事先得到被存储在云端，例如定时通过用户移动设备上传到云端，每次上传时新的对应关系会替代掉旧的对应关系。
人数统计模块，被配置为基于接收到的第一传感信息和第二传感信息，分别统计通过第一传感模式探测到的人数、通过第二传感模式探测到的人数、以及同时被这两种传感模式探测到的人数。
具体地，在接收到第一传感信息和第二传感信息之后，自然也就能够知道第一传感模式探测到的人数和第二传感模式探测到的人数。另外，由于存在同时被这两种传感模式探测到的人(对应其移动设备)，所以也能够知道同时被这两种传感模式探测到的人数。例如，用接收到的第一传感信息或第二传感信息通过上述的对应关系进行查找，如果找到了两者都对应的一个唯一的uid，则说明该第一传感信息和第二传感信息所对应设备同时被这两种传感模式探测到。
采样率计算模块，被配置为分别计算第一传感模式和第二传感模式的采样率。
对于现有技术来说，无论是第一传感模式还是第二传感模式，其采样率都不是100％的。例如，第一传感模式在经过100人的情况下大约只能探测到约30人，即采样率是30％；而第二传感模式的采样率随地点的不同而具有不同的采样率，例如大约只有10％。因此，需要针对每个地点计算出其采样率。
通过分别基于上述步骤中得到的分别被两种传感模式探测到的人数和同时被两种传感模式探测到的人数，计算出人经过或停留在目标区域时被第一传感模式和第二传感模式探测到的概率/传感模式采样率。要计算采样率，就需要利用第一传感信息、第二传感信息以及uid与第一传感信息和第二传感信息的对应关系，具体计算方法如下：
第一传感模式采样率＝同时被第一传感模式和第二传感模式探测到人数/被第一传感模式探测到人数
第二传感模式采样率＝同时被第一传感模式和第二传感模式探测到人数/被第二传感模式探测到人数
应当理解，公式中的“同时被第一传感模式和第二传感模式探测到人数”意味着存在上面所述的对应关系的人的数量。
数据平滑模块，被配置为分别对第一传感模式采样率和第二传感模式采样率进行平滑处理。在图中，数据平滑模块及其数据流向用虚线示出，如上所述地意味着可以在特殊情况下省略掉该模块。
由于采集过程中由于数据稀疏而带来的波动性，为了下一步的计算，需要对第一传感模式采样率和第二传感模式采样率在时间维度上进行平滑处理。例如，可以基于第一传感模式采样率的历史记录和当前的第一传感模式采样率，使用基于LSTM的时间序列平滑模型计算出某个时段的平滑后的第一传感模式采样率和平滑后的第二传感模式采样率。LSTM是一种常用的时间递归神经网络，指长短期记忆(Long Short-Term Memory)。本领域技术人员应当理解，可以采用各种各样的方法来进行平滑处理，例如也可以采用贝叶斯平滑模型来代替时间序列平滑模型。
人数计算模块，被配置为分别进行以第一传感模式和第二传感模式为主传感模式的目标区域内的人数计算。例如，通过用第一传感模式探测到的人数除以平滑后的第一传感模式采样率来得到经过目标区域的第一总人数，通过用第二传感模式探测到的人数除以平滑后的第二传感模式采样率来得到经过目标区域的第二总人数。
总人数计算模块，被配置为进行目标区域内的总人数计算。
首先，例如可以使用诸如线性回归之类的算法，分析出两个总人数对最终人数的贡献度，从而得到其各自的加权因子。其次，第一总人数和第二总人数例如通过加权因子进行加权计算后，得到最终经过目标区域的总人数。当然，也可以采用各种各样的方法来进行加权处理，例如可以直接使用算数平均或者几何平均来进行加权。
图3是根据本说明书实施例的基于wifi探针与Beacon的目标区域人数统计的方法的流程图。
在步骤301，接收wifi探针信息和Beacon信息。
wifi探针是能够通过wifi模块获取周围具有wifi功能的设备信息的终端。通过在目标区域内布置wifi探针，能够采集到目标区域内具有wifi功能的设备的信息，即上面所称的wifi探针信息。然后，wifi探针信息随后将被wifi探针通过有线或无线网络上报给云端。例如，wifi探针可以将wifi探针信息先传送到本地服务器，然后再由本地服务器传送到云端。在本文中，wifi探针信息可以包括该设备的mac地址和上报到云端的时间。众所周知，mac地址是指mac(Media Access Control或者Medium Access Control)地址，意译为媒体访问控制，或称为物理地址、硬件地址，用来定义网络设备的位置。
Beacon是指配备有低功耗蓝牙(BLE)通信功能的设备使用BLE技术向周围发送自己特有的ID，而接收到该ID的应用软件会根据该ID采取一些行动。例如，在目标区域内布置的Beacon信标设备在该范围内发射其唯一的识别码，用户移动设备上的诸如支付宝之类的应用软件接收该识别码，进行相应的响应并将生成的信息上报到云端，该信息即为上面提到的Beacon信息。在本文中，Beacon信息可以包括该APP的用户设备的用户id(uid)、Beacon信标设备的id和上报时间。
应当指出，在云端储存有用户id和mac地址的对应关系。如今，每个手机都有wifi模块，其中有唯一对应该模块的一串数字，所以也唯一对应了一台手机。用户通过其手机的app上报Beacon信息时，会同时记录是哪个用户上报的，即记录下该手机的uid，这样就会知道该地点什么时间来了什么人。另外，用户通过其手机app上报mac地址时，会同时记录是哪个用户上报的。如此，就获得了uid与mac的对应关系，该对应关系是云端已有的历史积累数据，每个uid可以取最近一次上报中的mac进行对应。总结一下，云端中uid和mac地址的对应关系，诸如uid-mac对应关系列表，可以通过各种各样的方式事先得到被存储在云端。
在步骤302，基于接收到的wifi探针信息和Beacon信息，分别统计被wifi探针信息探测到的人数、上报了Beacon信息的人数、以及同时被wifi探针信息探测到且上报了Beacon信息的人数。
具体地，在接收到wifi探针信息和Beacon信息之后，自然也就能够知道wifi探针探测到的人数和上报了Beacon的人数。另外，由于存在同时被wifi探针探测到和上报的Beacon的人(对应其移动设备)，所以也能够知道同时被wifi探针探测到和上报的Beacon的人的数量。例如，如果探测到的mac地址和上报的uid存在于在上面提到的历史对应关系里，则说明该mac对应的设备同时被wifi探针探测到且上报了Beacon信息。
在步骤303，分别计算wifi探针和Beacon的采样率。
无论是wifi探针还是Beacon，其中哪一种模式的采样率都不是100％的。例如，对于wifi探针来说，经过100人大约只能探测到约30人，即采样率是30％，究其原因可能是有些人没有开wifi或某些手机本身无法被wifi探针探测到；同样，对于Beacon来说，其采样率大约只有10％，不同地点采样率也会不同。因此，需要计算出每个地点的采样率。
一方面，基于被wifi探针信息探测到的人数、上报了Beacon信息的人数、以及同时被wifi探针信息探测到且上报了Beacon信息的人数，计算出人经过目标区域时被wifi探针探测到的概率，该概率在下文中简称为wifi探针采样率。另一方面，被wifi探针信息探测到的人数、上报了Beacon信息的人数、以及同时被wifi探针信息探测到且上报了Beacon信息的人数，计算出人经过目标区域时上报的Beacon信息的概率，该概率在下文中可简称为Beacon采样率。
要计算采样率，就需要利用Beacon上报的uid，探针探测到的mac，以及uid和mac的对应关系，具体计算方法是：
wifi探针采样率＝被wifi探针探测到且上报了Beacon的人数/上报了Beacon的人数
Beacon采样率＝被wifi探针探测到且上报了Beacon的人数/被wifi探针探测到的人数
应当理解，公式中的“被wifi探针探测到且上报了Beacon的人数”意味着存在上面所述的对应关系的人的数量。
在步骤304，分别对wifi探针采样率和Beacon采样率进行平滑处理。
由于采集过程中由于数据稀疏而带来的波动性，为了下一步的计算，需要对wifi探针采样率和Beacon采样率在时间维度上进行平滑处理。
一方面，基于wifi探针采样率的历史记录和当前的wifi探针采样率，使用基于LSTM的时间序列平滑模型计算出某个时段平滑后的wifi探针采样率。另一方面，基于Beacon采样率的历史记录和当前的Beacon采样率，使用基于LSTM的时间序列平滑模型计算出某个时段平滑后的Beacon采样率。LSTM是一种常用的时间递归神经网络，指长短期记忆(Long Short-Term Memory)。
本领域技术人员应当理解，可以采用各种各样的方法来进行平滑处理，例如也可以采用贝叶斯平滑模型来代替时间序列平滑模型。
在步骤305，分别进行以wifi探针和Beacon为主传感模式的目标区域内的人数计算。
一方面，以wifi探针数据为主，Beacon数据为辅，计算出经过目标区域的总人数。例如，可以用wifi探针探测到的人数除以平滑后的wifi探针采样率来得到经过目标区域的总人数。
另一方面，以Beacon数据为主，wifi探针数据为辅，计算出经过目标区域的总人数。例如，可以用上报了Beacon的人数除以平滑后的Beacon采样率来得到经过目标区域的总人数。
在步骤306，进行目标区域内的总人数计算。
首先，例如可以使用诸如线性回归之类的算法，分析出两个子模型对最终结果的贡献度，从而得到两个子模型的加权因子。其次，将两个子模型得到的结果例如通过加权因子进行加权计算后，得到最终经过目标区域的总人数。当然，也可以采用各种各样的方法来进行加权处理，例如可以直接使用算数平均或者几何平均来进行加权。
请注意，与图1性对比，用于获取两种传感信息的传感器可以是集成了wifi和蓝牙功能的一个传感器/芯片，也可以是分别独立的wifi模块和蓝牙模块。
基于上面对图3中各步骤的描述，下面给出对应于上述方法步骤的计算过程。
N：经过探针周围总人数而得到的最终计算目标
Nwifi：以wifi探针信息为主传感数据，Beacon信息为辅传感数据，计算得到的经过目标区域的总人数。
Nble：以Beacon信息为主传感数据，wifi探针信息为辅传感数据，计算得到的经过目标区域的总人数。
Pwifi：人经过目标区域时被wifi探针探测到的概率(wifi探针采样率)
Pble：人经过目标区域时上报Beacon的概率(Beacon采样率)
Pwifi-pre：使用wifi探针信息的历史数据平滑后的Pwifi
Pble-pre：使用Beacon信息的历史数据平滑后的Pble
nin：wifi探针检测到且上报了Beacon的人数
nwifi：wifi探针检测到的人数
nble：上报了Beacon的人数
c：权重调节因子，通过线性回归分析得到
N＝c×Nwifi+(1-c)×Nble
其中：
Pwifi-pre：使用历史Pwifi数据通过LSTM时间序列模型计算得出
Pble-pre：使用历史Pble数据通过LSTM时间序列模型计算得出
通过下面描述的具体示例，可以更好地理解上面的计算过程。
在目标区域中的某个或某些位置放置了一个或多个传感设备，包括wifi探针和Beacon设备。
在第1天，wifi探针探测到了100个人，Beacon探测到了50个人，其中，既被wifi探针探测到，又被Beacon探测到的有15个人。
在第2天，wifi探针探测到了100个人，Beacon探测到了60个人，其中，既被wifi探针探测到，又被Beacon探测到的有30个人。
如此，可以进行如下的计算：
1.在第1天：wifi探针的采样率为15/50＝30％，以wifi探针为主传感模式所计算出的总人数为100/30％＝333人；Beacon采样率为15/100＝15％，以Beacon为主传感模式所计算出的总人数为50/15％＝333人。
2.在第2天：wifi探针的采样率为30/60＝50％，平滑后采样率为40％，以wifi探针为主传感模式所计算出的总人数为100/40％＝250人；Beacon采样率为30/100＝30％，平滑后采样率为22.5％，以Beacon为主传感计算出的总人数为60/22.5％＝267人
3.如果使用简单的算数平均，计算出来的总人数结果是(250+267)/2＝259人。
为了易于理解，本示例只采用了两天的情况进行说明，但是本领域技术人员很容易理解，本发明并不限于此，而是可以在此示例以及上文描述的基础上推广到并适用于若干天的情况。
对于采样率的平滑处理，在本示例中只是简单地对每天的采样率赋予各50％的权重而计算得到，然而实际上，如上所述的LSTM的计算更为复杂。在此，本示例仅仅通过简单的平滑处理来说明以下事实，即对采样率进行平滑处理是导致分别以两种传感模式为主传感模式所计算出的人数存在差异的原因。本质上，对两种传感模式的采样率进行平滑处理利用了wifi探针和Beacon各自在时间维度上的积累形成的周期信息，优化了计算结果。
另外，还应当指出，图3与图1的不同之处在于第一传感模式是wifi探针，而第二传感模式是Beacon。还应当指出，通过Beacon直接得到了uid并将其传至云端，然而也可以通过不同于Beacon的传感模式获得不是uid的传感信息。因为图1和图3中已经进行了足够详细的阐述，所以针对这种情况仅简单地举例说明如下。
如果有了新的可以唯一识别用户设备的传感模式，假设可以通过该传感模式获取传感信息xid，并且xid可以唯一对应到一个用户设备。
第一步：接收xid与通过另一种传感模式获得的传感信息。如果xid与Beacon一样是用户设备上报的，则上报时就有uid，自然可以建立uid和xid之间的对应关系；如果xid与wifi探针一样是用户设备之外的传感设备探测的，就要从历史上通过用户设备app获取并上报的数据中去提取uid和xid的对应关系。
第二步：基于接收到的xid和另一种传感信息，统计分别通过这两种传感模式探测到的人数和同时这两种传感模式探测到的人数。
第三步：计算xid对应的传感模式采样率，以及另一辅助传感模式的采样率。
第四步：对两种采样率进行数据平滑处理。
第五步：进行以xid对应的传感模式为主传感模式的人数计算、并且进行以另一传感模式为主传感模式的人数计算。
第六步：将上一步中得到的两个人数计算结果进行融合，得到目标区域内经过和/或停留的人数的最终结果。
另外，用于执行图3所述的方法流程的装置与图2所述的装置本质上并无不同之处，因此不再赘述。
图4是根据本说明书实施例的基于两种传感模式的目标区域人数统计系统的框图。
如图所示，在目标区域中布置了一个或多个传感器，用于通过各种方式获得两种不同的传感信息，该一个或多个传感器通过有线或无线网络与图2中所述的装置进行通信。还应当指出，所述一个或多个传感器是同一种传感器，或者所述一个或多个传感器包括两种不同的分别用于获得所述第一传感信息和所述第二传感信息的传感器。
根据又一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图1所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图1所述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (14)

1.一种基于两种传感模式的目标区域人数统计方法，包括：
接收通过第一传感模式获得的第一传感信息和通过第二传感模式获得的第二传感信息，其中，所述第一传感信息和所述第二传感信息分别对应唯一的用户设备，所述第一传感模式和所述第二传感模式是通过在所述目标区域内布置一个或多个对应的传感器来执行的；
基于所述第一传感信息和所述第二传感信息，分别得到第一统计人数，第二统计人数和第三统计人数，其中，所述第一统计人数是通过统计第一传感信息得到的由所述第一传感模式探测到的目标区域人数，所述第二统计人数是通过统计第二传感信息得到的由所述第二传感模式探测到的目标区域人数，而所述第三统计人数是通过统计具有一一对应关系的所述第一传感信息和所述第二传感信息得到的同时由所述第一传感模式和所述第二传感模式探测到的目标区域人数；
基于通过所述第一统计人数、所述第二统计人数和所述第三统计人数，分别计算第一采样率和第二采样率，其中，所述第一采样率是所述第一传感模式探测到所述目标区域内的人的概率，所述第二采样率是所述第二传感模式探测到所述目标区域内的人的概率；
对所述第一采样率和所述第二采样率进行数据平滑处理；
分别基于所述第一统计人数和平滑后的第一采样率、以及所述第二统计人数和平滑后的第二采样率来计算第一人数和第二人数，其中，所述第一人数是以所述第一传感模式为主所探测到的目标区域人数，所述第二人数是以所述第二传感模式为主所探测到的目标区域人数；
基于所述第一人数和所述第二人数来计算最终的目标区域人数。
2.根据权利要求1所述的方法，其中，所述数据平滑处理包括：
分别基于所述第一采样率和所述第二采样率的历史记录，使用基于LSTM的时间序列平滑模型或贝叶斯平滑模型对所述第一采样率和所述第二采样率进行平滑处理。
3.根据权利要求1所述的方法，其中，所述一一对应关系是所述第一传感信息与第三信息一一对应并且所述第二传感信息与所述第三信息一一对应，所述第三信息对应唯一的用户设备。
4.根据权利要求1所述的方法，其中，基于所述第一人数和所述第二人数计算目标区域中的总人数的步骤包括：
分别计算所述第一人数和所述第二人数的加权因子；
基于所述第一人数、所述第二人数及其各自的加权因子来计算目标区域中的总人数。
5.根据权利要求1所述的方法，其中，所述第一传感模式由wifi探针来执行，所述第二传感模式由Beacon来执行，并且所述第一传感信息是用户设备的mac地址，所述第二传感信息是设备的用户id。
6.一种基于两种传感模式的目标区域人数统计装置，包括：
传感信息接收模块，被配置为接收通过第一传感模式获得的第一传感信息和通过第二传感模式获得的第二传感信息，其中，所述第一传感信息和所述第二传感信息分别对应唯一的用户设备，所述第一传感模式和所述第二传感模式是通过在所述目标区域内布置一个或多个对应的传感器来执行的；
人数统计模块，被配置为基于所述第一传感信息和所述第二传感信息，分别得到第一统计人数，第二统计人数和第三统计人数，其中，所述第一统计人数是通过统计第一传感信息得到的由所述第一传感模式探测到的目标区域人数，所述第二统计人数是通过统计第二传感信息得到的由所述第二传感模式探测到的目标区域人数，而所述第三统计人数是通过统计具有一一对应关系的所述第一传感信息和所述第二传感信息得到的同时由所述第一传感模式和所述第二传感模式探测到的目标区域人数；
采样率计算模块，被配置为基于通过所述第一统计人数、所述第二统计人数和所述第三统计人数，分别计算第一采样率和第二采样率，其中，所述第一采样率是所述第一传感模式探测到所述目标区域内的人的概率，所述第二采样率是所述第二传感模式探测到所述目标区域内的人的概率；
数据平滑模块，被配置为对所述第一采样率和所述第二采样率进行数据平滑处理；
人数计算模块，被配置为分别基于所述第一统计人数和平滑后的第一采样率、以及所述第二统计人数和平滑后的第二采样率来计算第一人数和第二人数，其中，所述第一人数是以所述第一传感模式为主所探测到的目标区域人数，所述第二人数是以所述第二传感模式为主的目标区域人数；
总人数计算模块，被配置为基于所述第一人数和所述第二人数来计算最终的目标区域人数。
7.根据权利要求6所述的方法，其中，所述数据平滑处理包括：
分别基于所述第一采样率和所述第二采样率的历史记录，使用基于LSTM的时间序列平滑模型或贝叶斯平滑模型对所述第一采样率和所述第二采样率进行平滑处理。
8.根据权利要求6所述的方法，其中，所述一一对应关系是所述第一传感信息与第三信息一一对应并且所述第二传感信息与所述第三信息一一对应，所述第三信息对应唯一的用户设备。
9.根据权利要求6所述的方法，其中，基于所述第一人数和所述第二人数计算目标区域中的总人数的步骤包括：
分别计算所述第一人数和所述第二人数的加权因子；
基于所述第一人数、所述第二人数及其各自的加权因子来计算目标区域中的总人数。
10.根据权利要求6所述的装置，其中，所述第一传感模式由wifi探针来执行，所述第二传感模式由Beacon来执行，并且所述第一传感信息是用户设备的mac地址，所述第二传感信息是设备的用户id。
11.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1-5中任一项的所述的方法。
12.一种计算系统，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-5中任一项所述的方法。
13.一种基于两种传感模式的目标区域人数统计系统，包括：
根据权利要求6-10中任一项所述的装置和一个或多个传感器，其中，所述一个或多个传感器被布置在所述目标区域中并且被配置为获得所述第一传感信息和所述第二传感信息。
14.根据权利要求13所述的目标区域人数统计系统，其中，所述一个或多个传感器是同一种传感器，或者所述一个或多个传感器包括两种不同的分别用于获得所述第一传感信息和所述第二传感信息的传感器。
CN201811485413.8A 2018-12-05 2018-12-05 基于两种传感模式的目标区域人数统计的方法和装置 Active CN110022529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811485413.8A CN110022529B (zh) 2018-12-05 2018-12-05 基于两种传感模式的目标区域人数统计的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811485413.8A CN110022529B (zh) 2018-12-05 2018-12-05 基于两种传感模式的目标区域人数统计的方法和装置

Publications (2)

Publication Number Publication Date
CN110022529A true CN110022529A (zh) 2019-07-16
CN110022529B CN110022529B (zh) 2020-08-14

Family

ID=67188590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811485413.8A Active CN110022529B (zh) 2018-12-05 2018-12-05 基于两种传感模式的目标区域人数统计的方法和装置

Country Status (1)

Country Link
CN (1) CN110022529B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458114A (zh) * 2019-08-13 2019-11-15 杜波 一种人数确定方法、装置及存储介质
CN111564053A (zh) * 2020-04-24 2020-08-21 上海钧正网络科技有限公司 车辆调度方法、装置、车辆调度设备和存储介质
WO2021022793A1 (zh) * 2019-08-02 2021-02-11 创新先进技术有限公司 一种人流量统计方法和装置
TWI766415B (zh) * 2020-10-30 2022-06-01 承易國際有限公司 人潮分析系統及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140282641A1 (en) * 2013-03-14 2014-09-18 Ranney Harrold Fry Methods and apparatus to determine a number of people in an area
US20150334523A1 (en) * 2012-03-01 2015-11-19 Innorange Oy A method, an apparatus and a system for estimating a number of people in a location
CN107025577A (zh) * 2017-04-07 2017-08-08 南京埃德媒互联网科技有限公司 一种户外广告周边人流的监测装置及方法
CN108154920A (zh) * 2018-01-31 2018-06-12 域通全球成都科技有限责任公司 基于物联网的医院管理系统
CN108260087A (zh) * 2018-01-31 2018-07-06 福州大学 一种基于wiifi长短时记忆的室内人流分布预测方法
CN108665584A (zh) * 2018-03-08 2018-10-16 常州工学院 一种出入口行人进出判断系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150334523A1 (en) * 2012-03-01 2015-11-19 Innorange Oy A method, an apparatus and a system for estimating a number of people in a location
US20140282641A1 (en) * 2013-03-14 2014-09-18 Ranney Harrold Fry Methods and apparatus to determine a number of people in an area
CN107025577A (zh) * 2017-04-07 2017-08-08 南京埃德媒互联网科技有限公司 一种户外广告周边人流的监测装置及方法
CN108154920A (zh) * 2018-01-31 2018-06-12 域通全球成都科技有限责任公司 基于物联网的医院管理系统
CN108260087A (zh) * 2018-01-31 2018-07-06 福州大学 一种基于wiifi长短时记忆的室内人流分布预测方法
CN108665584A (zh) * 2018-03-08 2018-10-16 常州工学院 一种出入口行人进出判断系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021022793A1 (zh) * 2019-08-02 2021-02-11 创新先进技术有限公司 一种人流量统计方法和装置
CN110458114A (zh) * 2019-08-13 2019-11-15 杜波 一种人数确定方法、装置及存储介质
CN110458114B (zh) * 2019-08-13 2022-02-01 杜波 一种人数确定方法、装置及存储介质
CN111564053A (zh) * 2020-04-24 2020-08-21 上海钧正网络科技有限公司 车辆调度方法、装置、车辆调度设备和存储介质
TWI766415B (zh) * 2020-10-30 2022-06-01 承易國際有限公司 人潮分析系統及方法

Also Published As

Publication number Publication date
CN110022529B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN110022529A (zh) 基于两种传感模式的目标区域人数统计的方法和装置
CN104980885B (zh) 一种面向wifi探测识别的数据处理系统及方法
Montoliu et al. Discovering places of interest in everyday life from smartphone data
Rachuri et al. Sociablesense: exploring the trade-offs of adaptive sampling and computation offloading for social sensing
Sherchan et al. Using on-the-move mining for mobile crowdsensing
CN206274655U (zh) 空气质量云监控系统
CN104348855B (zh) 用户信息的处理方法、移动终端及服务器
CN103905978B (zh) 基于位置的信息推送方法、推送装置和网络
CN108985446A (zh) 用于告警的方法及装置
Chen et al. Constructing and comparing user mobility profiles
CN111328405B (zh) 利用传感器驱动的动态可调整反馈回路来管理基于特定于资产的能量数据使用水平的装备风险
CN109635989A (zh) 一种基于多源异构数据融合的社交网络链路预测方法
CN107885742B (zh) 服务推荐方法和装置
Liu et al. $ alc^{2} $: When active learning meets compressive crowdsensing for urban air pollution monitoring
Doyle et al. Population mobility dynamics estimated from mobile telephony data
CN110471821A (zh) 异常变更检测方法、服务器及计算机可读存储介质
BRPI0908846B1 (pt) Sistema de obtenção de dados sobre o comportamento real e em tempo real do cliente durante a seleção de produtos
CN109891190B (zh) 基于衍生社交网络对个人进行地理定位
CN108304935A (zh) 机器学习模型训练方法、装置和计算机设备
CN110362492A (zh) 人工智能算法测试方法、装置、服务器、终端及存储介质
CN107003991A (zh) 用于对来自传感器的数据进行传输的方法
Lovett et al. Inferring proximity from Bluetooth low energy RSSI with unscented Kalman smoothers
CN109102324A (zh) 模型训练方法、基于模型的红包物料铺设预测方法及装置
Zhu et al. Cost-effective active sparse urban sensing: Adversarial autoencoder approach
CN110704754A (zh) 一种由用户终端执行的推送模型优化方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40012076

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200927

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee before: Advanced innovation technology Co.,Ltd.

Effective date of registration: 20200927

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands

Patentee after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Patentee before: Alibaba Group Holding Ltd.