CN111309954A - 景区导购行为识别系统 - Google Patents

景区导购行为识别系统 Download PDF

Info

Publication number
CN111309954A
CN111309954A CN202010112011.4A CN202010112011A CN111309954A CN 111309954 A CN111309954 A CN 111309954A CN 202010112011 A CN202010112011 A CN 202010112011A CN 111309954 A CN111309954 A CN 111309954A
Authority
CN
China
Prior art keywords
guide
data
behavior
database
tour
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
CN202010112011.4A
Other languages
English (en)
Other versions
CN111309954B (zh
Inventor
陈海江
倪剑平
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.)
Zhejiang Lishi Technology Co Ltd
Original Assignee
Zhejiang Lishi Technology Co 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 Zhejiang Lishi Technology Co Ltd filed Critical Zhejiang Lishi Technology Co Ltd
Priority to CN202010112011.4A priority Critical patent/CN111309954B/zh
Publication of CN111309954A publication Critical patent/CN111309954A/zh
Application granted granted Critical
Publication of CN111309954B publication Critical patent/CN111309954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies

Abstract

本申请公开了一种景区导购行为识别系统，包括：基于监控图像数据以及人脸售票数据，构建注册导游数据库和非注册导游数据库，合并形成总导游数据库；获取总导游数据库中各个导游的行为数据，将区域以商业区域，游览区域和过渡区域三类进行划分；基于监控数据获取各个导游的行为数据，并对同一导游的行为数据进行识别，若存在异常导购行为，进行标记。本发明通过使用物联网平台、人工智能、大数据计算等手段，通过建立异常导购行为模型，解决了基于景区范围内，识别异常导购行为，解决了预警难、取证难的问题，为精准管理提供依据；可以有效控制异常导购行为的发生，节省人力，提高游客服务满意度。

Description

景区导购行为识别系统
技术领域
本申请涉及导游大数据分析技术领域，尤其涉及一种景区导购行为识别系统。
背景技术
在目前旅游业态中，导游在工作中向游客推广本地特色产品，如果推荐体贴、周到推广高品质产品和服务，一方面有助于全域旅游推广，提升地方经济，另一方面为游客提供参谋，做到玩得舒心、买的放心、用的安心。这些都是有价值的工作。
但目前由于利益驱动，往往出现背道而驰的情况，部分导游受利益驱动，强行引导游客频繁出入且长时间驻留购物、消费场所，主要精力用于游说购买，而对于景点参观、讲解的服务则不断缩水。这些行为极易导致游客反感，影响旅游城市、景区口碑。
为了治理异常导购行为，净化市场，打造口碑，提升体验。各旅游城市和景区主要的手段包括如下：
1、事前提醒，如景区门口、火车站汽车站前广播提醒游客加强防范，这些手段主要针对散客拼团的一日游。
2、加强执法巡逻，事中干预：专门的执法、综管队伍进行巡逻，及时解决游客反馈，现场干预注册导游、驱散非注册导游(俗称野导)。
3、加强事后投诉和反馈：对于游客事后的投诉，调查核实后，对导游所处的旅行社、景区进行行政处罚。
以上主要是使用行政手段，为行政执法提供依据的主要靠人工干预，面临滞后性、证据不充分，事件认定难等情况。
另外一方面，采用这些手段需要游客配合，但游客具备流动性属性，如果为了处理导游把要求游客牺牲时间来帮助管理者厘清责任，不具备可操作性。
总体来说，当前关于异常导购行为的发现、干预、处理，认定困难，处理效率低下，这也导致多地出现导购行为综合管理困难的现象。
发明内容
为了解决上述技术问题，本申请实施例提供一种景区导购行为识别系统，可包括：
基于监控图像数据以及人脸售票数据，构建注册导游数据库和非注册导游数据库，合并形成总导游数据库；
获取总导游数据库中各个导游的行为数据，将区域以商业区域，游览区域和过渡区域三类进行划分；
基于监控数据获取各个导游的行为数据，并对同一导游的行为数据进行识别，若存在异常导购行为，进行标记。
进一步地，所述基于监控图像数据以及人脸售票数据，构建注册导游数据库和非注册导游数据库，合并形成总导游数据库具体包括：
基于景区道路以及周边场所的监控设备获取录像数据，并抓取其中的图像数据；
基于所获取的图像数据以及人脸售票数据，形成游客数据库；
基于所述游客数据库，获取其中的旅行团，并通过对该旅行团的行为数据获取该旅行团所对应的导游；
获取该导游的行为数据以及人脸数据，将该导游与注册导游库相比较，若不存在于该注册导游库中，将该导游录入非注册导游库。
进一步地，所述基于所获取的图像数据以及人脸售票数据，形成游客数据库具体包括：
基于所获取的图像数据，抓取其中的人脸数据以及行为数据，形成非注册游客人脸库；
获取人脸售票数据，形成注册游客人脸库；
将所述非注册游客人脸库和注册游客人脸库合并成游客数据库。
进一步地，所述游客数据库在建立过程中，依据的图像数据包括人脸图、多维特征编码、买票时间以及入园时间。
进一步地，所述获取总导游数据库中各个导游的行为数据，将区域以商业区域，游览区域和过渡区域三类进行划分具体包括：
获取划分区域范围，并以网格化方式进行划分；
获取各个导游在不同区域的带队频次以及带队时长；
基于预设阈值对各个网格化的区域进行分类。
进一步地，所述基于监控数据获取各个导游的行为数据，并对同一导游的行为数据进行识别，若存在异常导购行为，进行标记具体包括：
基于监控数据抓取图像数据，并从中，以导游为对象，获取该导游的行为数据；
构建导购行为模型，并利用已知数据进行模型训练；
基于所述导购行为模型，对当前的行为数据进行分析，并输出数据。
进一步地，所述导购行为模型包括：
游客群出入商业场所行为子模型、游客群无效游览行为子模型和导游消极行为子模型。
进一步地，所述游客群出入商业场所行为子模型的数据包括：
短周期内连续高密度出入覆盖度*团体人脸一致性系数；
中周期内连续高密度出入周期性；
消费场所驻留时长。
进一步地，所述游客群无效游览行为子模型的数据包括：
消费场所游客等待时长；
游客躁动指数。
进一步地，所述导游消极行为子模型的数据包括：
导游异常行为，包括导游拉扯或阻拦或消极等待行为；
基于所述导游异常行为进行异常指数分级。
本发明通过使用物联网平台、人工智能、大数据计算等手段，通过建立异常导购行为模型，解决了基于景区范围内，识别异常导购行为，解决了预警难、取证难的问题，为精准管理提供依据；通过人工智能对行为进行模拟运算，提高异常导购识别效率，保全行为证据，实现实时求证、准确留底，可以有效控制异常导购行为的发生，节省人力，提高游客服务满意度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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他的附图。
图1是本申请实施例提供的系统框图；
图2是步骤S100的具体流程图；
图3是区域划分示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
基于背景技术中所述的问题，本申请通过遍布于景区主要道路、观光娱乐场景、商业场所的监控设备，抓取视频监控录像抓取图像，以及在旅游管理机构官方系统中的导游注册信息，通过人脸识别和行为识别来识别注册导游、非注册导游(野导)、游客，并动态计算导游、野导的异常导购行为指数。依据指数变动，异常导购行为预警，实现自动视频片段保留，实时调度干预，事中即进入干预，
另外一方面，通过事件处理后留存野导照片，可以大幅度提高运算速度，并提高系统预判能力。最终实现事前扼制野导操作空间。
具体地，如图1所示的是一种景区导购行为识别系统的示意图，可包括：
S100:基于监控图像数据以及人脸售票数据，构建注册导游数据库和非注册导游数据库，合并形成总导游数据库。
可以理解的是，通过遍布于景区主要道路、公共场所(如停车场、餐厅)、观光娱乐场景、商业场所的监控设备，抓取视频监控录像抓取人群行为图像，识别过程逻辑如下：
101：基于景区道路以及周边场所的监控设备获取录像数据，并抓取其中的图像数据。
102：基于所获取的图像数据以及人脸售票数据，形成游客数据库，如果是人脸匹配售票，则直接纳入注册游客库(Ua库)，(Ua库一般存入人脸图，多维特征编码，买票时间，入园时间等字段)；如果通过现场购票或无人脸匹配售票，则依据出入景区监控，记录到非注册游客人脸库(Ub库)，注册导游和非注册导游共同形成游客库(U库)。
103：基于所述游客数据库，获取其中的旅行团，并通过对该旅行团的行为数据获取该旅行团所对应的导游，一般情况导游的特征比较明显，比如导游的衣着特征。
104：获取该导游的行为数据以及人脸数据，将该导游与注册导游库相比较，若不存在于该注册导游库中，将该导游录入非注册导游库。
具体地，针对注册地陪导游或讲解员，注册导游依据旅游管理部门导游资料库，和景区视频匹配识别出旅游团中导游，将其与前面所说的注册导游库比较如果注册导游库没有此人那就纳入注册导游库(Dt库)。
非注册导游甄别：除注册导游或讲解员外，事实上还会有不受监管但现实存在的非注册但具备实际导游或讲解行为的人员(俗称野导)存在，这些通常混迹于景区中，需要技术算法支撑从游客中甄别出来，建立非注册导游库，俗称野导库(Dy库)。
建立导游数据库：注册导游和非注册导游合成导游库(D库)
S200:获取总导游数据库中各个导游的行为数据，将区域以商业区域，游览区域和过渡区域三类进行划分。
可以理解的是，在获取了导游的行为数据之后，首先将所要针对的范围进行区域划分，以网格化方式进行划分；获取各个导游在不同区域的带队频次以及带队时长；基于预设阈值对各个网格化的区域进行分类。
同时，根据导游的带队导购行为的数据，进行商业区域的判定。
整体上在网格化方式划分之后，可以按照一定的比例分配三种区域，也可以依据导游的不同行为的时长对每个区域进行判定。
具体地，在进行划分时，先获取到全景区的俯视图，按照景区的实际大小合理的人为网格划分，商业聚集区划分为商业区域，观光游览区划分为游览区域，没有以上两个区域的为过渡区，形成初步的区域划分方案。
之后利用数据库中的数据获取到导游库导游的行为数据，合理的设置导游在不同区域的停留时长阈值，判断其导游行为。再根据该导游的行为模式反向修正人为制定的网格图，如果该行为是商业导购那么将该导游的行为路径全部网格标注为商业区域，其他区域相同原理，多次修正以后就可获得较为精确的景区三个区域的网格图方案。
S300:基于监控数据获取各个导游的行为数据，并对同一导游的行为数据进行识别，若存在异常导购行为，进行标记。
可以理解的是，在形成了区域之后，对每个区域的监控进行管理，不同的区域下，所针对的行为数据的获取是不同的，因此在步骤S200的情况下，可以便于本方案在实际的导购行为管理中进行更为快捷的监控。
具体地，本步骤包括：
构建导购行为模型，并利用已知数据进行模型训练；
基于所述导购行为模型，对当前的行为数据进行分析，并输出数据。
本申请中的导购行为模型包括：游客群出入商业场所行为子模型、游客群无效游览行为子模型和导游消极行为子模型。
游客群出入商业场所行为子模型的数据包括：
A：短周期内(Ts)连续高密度出入覆盖度*团体人脸一致性系数(确认同团队连续出入多个购物场所)；其中覆盖度代表该游客群所出入的商业区域，一致性系数表示整个团体是否为同一个团体，判断是否为同一个人或团体会有一个相似度范围，以0～100之间的数值表示。
B:中周期内(Tm)连续高密度出入周期性(确认连续带不同团行为规律)；
C：消费场所驻留时长(次/累计)：设置若干阈值，依照消费时间分等级。
游客群无效游览行为子模型的数据包括：
A：消费场所游客等待时长(次/累计)：设置若干阈值，如果出现游客扎堆等待，则说明浪费游客时间；
B:游客躁动指数：依据监控识别游客行为，如果游客出现反复走动、行为激动等，响应的提高躁动指数。其中，躁动指数利用cnn卷积模型收集处理反复走动，行为激动等行为，判断行为是否为躁动行为，并判断它的持续时间，时间总长度为1小时，躁动指数缩放在0～1之间，举例假设半小时都被判断为躁动行为，则躁动指数为0.5，如果超过一小时则都为1。对于模型的建立过程内容均是现有技术，本申请中所涉及到的行为建模，以具体的行为判定方式人为设置，并通过训练器不断训练，以更贴合于本申请中的应用场景。
导游消极行为子模型的数据包括：
A：导游异常行为指数：如果导游出现拉扯、阻拦、或者消极等待等行为，则导游异常行为指数分级设置。
作为一个具体的实施例，将拉扯、阻拦、或者消极等待等行为构建成卷积模型，再把导游的行为图片放入模型训练，每种行为分别有0～100％的置信区间，比较各个行为的置信区间，取最高的置信区间。之后利用所训练好的模型对导游的异常行为进行指数分级。
以上详细描述了本发明的优选实施方式，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等)，这些等同变换均属于本发明的保护。

Claims (10)

1.一种景区导购行为识别系统，其特征在于，包括：
基于监控图像数据以及人脸售票数据，构建注册导游数据库和非注册导游数据库，合并形成总导游数据库；
获取总导游数据库中各个导游的行为数据，将区域以商业区域，游览区域和过渡区域三类进行划分；
基于监控数据获取各个导游的行为数据，并对同一导游的行为数据进行识别，若存在异常导购行为，进行标记。
2.根据权利要求1所述的景区导购行为识别系统，其特征在于，
所述基于监控图像数据以及人脸售票数据，构建注册导游数据库和非注册导游数据库，合并形成总导游数据库具体包括：
基于景区道路以及周边场所的监控设备获取录像数据，并抓取其中的图像数据；
基于所获取的图像数据以及人脸售票数据，形成游客数据库；
基于所述游客数据库，获取其中的旅行团，并通过对该旅行团的行为数据获取该旅行团所对应的导游；
获取该导游的行为数据以及人脸数据，将该导游与注册导游库相比较，若不存在于该注册导游库中，将该导游录入非注册导游库。
3.根据权利要求2所述的景区导购行为识别系统，其特征在于，
所述基于所获取的图像数据以及人脸售票数据，形成游客数据库具体包括：
基于所获取的图像数据，抓取其中的人脸数据以及行为数据，形成非注册游客人脸库；
获取人脸售票数据，形成注册游客人脸库；
将所述非注册游客人脸库和注册游客人脸库合并成游客数据库。
4.根据权利要求2所述的景区导购行为识别系统，其特征在于，
所述游客数据库在建立过程中，依据的图像数据包括人脸图、多维特征编码、买票时间以及入园时间。
5.根据权利要求1所述的景区导购行为识别系统，其特征在于，
所述获取总导游数据库中各个导游的行为数据，将区域以商业区域，游览区域和过渡区域三类进行划分具体包括：
获取划分区域范围，并以网格化方式进行划分；
获取各个导游在不同区域的带队频次以及带队时长；
基于预设阈值对各个网格化的区域进行分类。
6.根据权利要求1所述的景区导购行为识别系统，其特征在于，
所述基于监控数据获取各个导游的行为数据，并对同一导游的行为数据进行识别，若存在异常导购行为，进行标记具体包括：
基于监控数据抓取图像数据，并从中，以导游为对象，获取该导游的行为数据；
构建导购行为模型，并利用已知数据进行模型训练；
基于所述导购行为模型，对当前的行为数据进行分析，并输出数据。
7.根据权利要求6所述的景区导购行为识别系统，其特征在于，
所述导购行为模型包括：
游客群出入商业场所行为子模型、游客群无效游览行为子模型和导游消极行为子模型。
8.根据权利要求7所述的景区导购行为识别系统，其特征在于，
所述游客群出入商业场所行为子模型的数据包括：
短周期内连续高密度出入覆盖度*团体人脸一致性系数；
中周期内连续高密度出入周期性；
消费场所驻留时长。
9.根据权利要求7所述的景区导购行为识别系统，其特征在于，
所述游客群无效游览行为子模型的数据包括：
消费场所游客等待时长；
游客躁动指数。
10.根据权利要求7所述的景区导购行为识别系统，其特征在于，
所述导游消极行为子模型的数据包括：
导游异常行为，包括导游拉扯或阻拦或消极等待行为；
基于所述导游异常行为进行异常指数分级。
CN202010112011.4A 2020-02-24 2020-02-24 景区导购行为识别系统 Active CN111309954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010112011.4A CN111309954B (zh) 2020-02-24 2020-02-24 景区导购行为识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010112011.4A CN111309954B (zh) 2020-02-24 2020-02-24 景区导购行为识别系统

Publications (2)

Publication Number Publication Date
CN111309954A true CN111309954A (zh) 2020-06-19
CN111309954B CN111309954B (zh) 2023-10-17

Family

ID=71148428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010112011.4A Active CN111309954B (zh) 2020-02-24 2020-02-24 景区导购行为识别系统

Country Status (1)

Country Link
CN (1) CN111309954B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030070568A (ko) * 2003-07-29 2003-08-30 박순규 여행자와 여행사를 위한 토탈 온라인 실시간 투어 서비스시스템
US20060161402A1 (en) * 2002-07-12 2006-07-20 Netscout Systems, Inc. System and method for analyzing data streams
US20080059222A1 (en) * 2006-09-01 2008-03-06 Yu Zhang Mobile multi-media intelligent tourist guide service system and its realizing method
CN103198147A (zh) * 2013-04-19 2013-07-10 上海岩土工程勘察设计研究院有限公司 自动化监测异常数据的判别及处理方法
CN203179164U (zh) * 2013-01-06 2013-09-04 黑龙江省经济管理干部学院 旅游监控装置
CN104134115A (zh) * 2014-07-17 2014-11-05 南宁市锋威科技有限公司 一种智慧旅游综合服务系统
CN104951892A (zh) * 2015-06-25 2015-09-30 华迪计算机集团有限公司 一种导游管理后台系统
WO2017080384A1 (zh) * 2015-11-10 2017-05-18 阿里巴巴集团控股有限公司 数据处理方法及装置
CN107977877A (zh) * 2016-10-25 2018-05-01 陈亮亮 一种大数据电子商务网络导游导购的方法
CN108664608A (zh) * 2018-05-11 2018-10-16 中国联合网络通信集团有限公司 可疑人员的识别方法、装置及计算机可读存储介质
CN109284733A (zh) * 2018-10-15 2019-01-29 浙江工业大学 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
US20190128686A1 (en) * 2017-10-26 2019-05-02 International Business Machines Corporation Assessing personalized risk for a user on a journey
JP2019101597A (ja) * 2017-11-30 2019-06-24 株式会社富士通アドバンストエンジニアリング 行動識別プログラム、行動識別方法及び行動識別装置
CN110288213A (zh) * 2019-06-14 2019-09-27 武汉合创源科技有限公司 一种旅游质量管理系统及方法
CN110443109A (zh) * 2019-06-11 2019-11-12 万翼科技有限公司 异常行为监控处理方法、装置、计算机设备和存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060161402A1 (en) * 2002-07-12 2006-07-20 Netscout Systems, Inc. System and method for analyzing data streams
KR20030070568A (ko) * 2003-07-29 2003-08-30 박순규 여행자와 여행사를 위한 토탈 온라인 실시간 투어 서비스시스템
US20080059222A1 (en) * 2006-09-01 2008-03-06 Yu Zhang Mobile multi-media intelligent tourist guide service system and its realizing method
CN203179164U (zh) * 2013-01-06 2013-09-04 黑龙江省经济管理干部学院 旅游监控装置
CN103198147A (zh) * 2013-04-19 2013-07-10 上海岩土工程勘察设计研究院有限公司 自动化监测异常数据的判别及处理方法
CN104134115A (zh) * 2014-07-17 2014-11-05 南宁市锋威科技有限公司 一种智慧旅游综合服务系统
CN104951892A (zh) * 2015-06-25 2015-09-30 华迪计算机集团有限公司 一种导游管理后台系统
WO2017080384A1 (zh) * 2015-11-10 2017-05-18 阿里巴巴集团控股有限公司 数据处理方法及装置
CN107977877A (zh) * 2016-10-25 2018-05-01 陈亮亮 一种大数据电子商务网络导游导购的方法
US20190128686A1 (en) * 2017-10-26 2019-05-02 International Business Machines Corporation Assessing personalized risk for a user on a journey
JP2019101597A (ja) * 2017-11-30 2019-06-24 株式会社富士通アドバンストエンジニアリング 行動識別プログラム、行動識別方法及び行動識別装置
CN108664608A (zh) * 2018-05-11 2018-10-16 中国联合网络通信集团有限公司 可疑人员的识别方法、装置及计算机可读存储介质
CN109284733A (zh) * 2018-10-15 2019-01-29 浙江工业大学 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
CN110443109A (zh) * 2019-06-11 2019-11-12 万翼科技有限公司 异常行为监控处理方法、装置、计算机设备和存储介质
CN110288213A (zh) * 2019-06-14 2019-09-27 武汉合创源科技有限公司 一种旅游质量管理系统及方法

Also Published As

Publication number Publication date
CN111309954B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
Cai et al. Deep learning-based video system for accurate and real-time parking measurement
JP6200421B2 (ja) 運転支援システム及び運転支援方法
US10552687B2 (en) Visual monitoring of queues using auxillary devices
CN114390079B (zh) 一种智慧城市公共场所管理方法和物联网系统
KR20200071799A (ko) 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법
CN115272037A (zh) 一种基于物联网的智慧城市区域治安管理预警方法和系统
KR102122850B1 (ko) 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션
KR102333143B1 (ko) 무인 계수 서비스 제공 시스템
CN113569659A (zh) 一种基于大数据的客流量分析方法、系统、智能终端及存储介质
CN113011371A (zh) 目标检测方法、装置、设备及存储介质
Staab et al. Comparing established visitor monitoring approaches with triggered trail camera images and machine learning based computer vision
Lumentut et al. Evaluation of recursive background subtraction algorithms for real-time passenger counting at bus rapid transit system
CN114332778B (zh) 基于人流密度的智慧告警工单生成方法、装置及相关介质
Ravish et al. Intelligent traffic violation detection
CN111309954A (zh) 景区导购行为识别系统
CN110046535B (zh) 基于机器学习的智能出行时间预测系统、方法及存储介质
CN113822367B (zh) 一种基于人脸的区域行为分析方法、系统及介质
CN111640303B (zh) 城市通勤路径识别方法及设备
Graf et al. Georeferencing of Road Infrastructure from Photographs using Computer Vision and Deep Learning for Road Safety Applications.
CN112785462A (zh) 基于大数据的景区客流量统计评估系统
Dalkic et al. A self-policing smart parking solution
Shirazi et al. Investigation of safety analysis methods using computer vision techniques
Ouseph et al. Machine Learning Based Smart Parking Management for Intelligent Transportation Systems
Lumentut et al. A system for real-time passenger monitoring system for bus rapid transit system
Africa International Journal of Emerging Trends in Engineering Research

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
GR01 Patent grant
GR01 Patent grant