CN111553753A - 一种客流统计方法、装置及电子设备 - Google Patents

一种客流统计方法、装置及电子设备 Download PDF

Info

Publication number
CN111553753A
CN111553753A CN202010661785.2A CN202010661785A CN111553753A CN 111553753 A CN111553753 A CN 111553753A CN 202010661785 A CN202010661785 A CN 202010661785A CN 111553753 A CN111553753 A CN 111553753A
Authority
CN
China
Prior art keywords
users
dimension
store
perception data
user
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
CN202010661785.2A
Other languages
English (en)
Other versions
CN111553753B (zh
Inventor
孙毅
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010661785.2A priority Critical patent/CN111553753B/zh
Priority to CN202011152399.7A priority patent/CN112232882B/zh
Publication of CN111553753A publication Critical patent/CN111553753A/zh
Application granted granted Critical
Publication of CN111553753B publication Critical patent/CN111553753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/45—Commerce
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
    • H04W8/183—Processing at user equipment or user record carrier
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
    • H04W8/20—Transfer of user or subscriber data
    • H04W8/205—Transfer to or from user equipment or user record carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书实施例提供一种客流统计方法、装置及电子设备。所述方法包括：获取不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，所述不同维度至少包含第一维度和第二维度；利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定第一用户数量；根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率；基于所述采样率以及所述第一用户数量计算得到客流量。

Description

一种客流统计方法、装置及电子设备
技术领域
本说明书涉及互联网技术领域，尤其涉及一种客流统计方法、装置及电子设备。
背景技术
随着互联网和信息技术的快速发展，客流统计被广泛应用于智慧零售、安防监控等多种场景，通过客流统计可以辅助商家更精准的了解店内的情况并进行相应的经营和营销决策，帮助景区、车站等场所更好的进行导流限流等功能。
目前常用的客流统计方案是基于场景内部多个摄像头拍摄的数据，结合人体检测、跟踪等图像处理技术进行客流的统计和分析。但是，这种方案需要在场景内部布置很多个监控摄像头，同时需要结合后台一套复杂的软件系统来实现，具有硬件成本高、实施和维护复杂等特点。尤其是在长尾小商户中不具备广泛推广的条件。
基于现有技术，需要提供一种实施成本低、易于推广的客流统计方案。
发明内容
本说明书实施例提供一种客流统计方法、装置及电子设备，以解决现有技术存在的硬件成本高、实施和维护复杂的问题。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种客流统计方法，所述方法包括：
获取预设的时间段内产生的多个不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，其中，所述不同维度至少包含第一维度和第二维度；
利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量；
根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；
根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率；
基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量。
本说明书实施例提供的一种客流统计装置，所述装置包括：
获取模块，用于获取预设的时间段内产生的多个不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，其中，所述不同维度至少包含第一维度和第二维度；
识别模块，用于利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量；
映射模块，用于根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；
确定模块，用于根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率；
计算模块，用于基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量。
本说明书实施例提供的一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种客流统计方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过获取预设的时间段内产生的多个不同维度的感知数据集合，并根据感知数据集合确定基于不同维度所感知到的用户，其中，不同维度至少包含第一维度和第二维度；利用预定的识别模型对基于第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量；根据预先建立的映射关系，确定基于第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；根据第三用户数量以及基于第二维度所感知到的用户所对应的第二用户数量来确定采样率；基于采样率以及第一用户数量计算得到在预设的时间段内预定应用场景所对应的客流量。基于本方案，不仅降低了实施成本、易于推广，而且对客流的感知更加全面，感知范围也更加准确，能够得到较为真实的客流数据。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的一种客流统计方法的流程示意图；
图2为本说明书实施例提供的一种店内外识别模型训练方法的流程示意图；
图3为本说明书实施例提供的一种客流统计装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
目前通用的客流统计方案是基于场景内部多个摄像头拍摄的数据，结合人体检测、跟踪等图像处理技术进行客流的统计和分析。这种方案直接基于场内全视角的监控视频数据，利用人像识别和跟踪算法技术跟踪个体，因此能够对场内客流有较为准确的刻画。但是由于这种客流统计方式需要在场景内部布置很多个监控摄像头，同时需要结合后台一套复杂的软件系统来实现，因此具有硬件成本高、实施和维护复杂等特点。尤其是在长尾小商户中不具备广泛开展的条件。
针对上述情形，本说明书提供了一种能够基于不同维度的感应装置感知店铺内部的客流数据，并与收银体系相结合，通过充分挖掘通信感知数据和收银数据的规律达到统计客流的目的。本方案解决了在店铺场景内布置多个摄像头的铺设和维护成本问题，具有实施简单、易推广的特点。本方案还可以为长尾商户提供低成本、可复制的店内客流解决方案，能够帮助商家快速实现线下场景的数字化。本说明书实施例是以线下商户所在的店铺作为应用场景来说的，但该应用场景不构成对本说明书技术方案的限定。
基于上述场景，下面对本说明书的方案进行详细说明。
图1为本说明书实施例提供的一种客流统计方法的流程示意图，该方法具体可以包括以下步骤：
在步骤S110中，获取预设的时间段内产生的多个不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，其中，所述不同维度至少包含第一维度和第二维度。
在本说明书一个或多个实施例中，多个不同维度的感知数据可以通过安装在店铺内的一个或者多个智能终端设备或传感器对用户进行感知和采集来获得感知数据。在实际应用中，对一种维度的感知数据进行感知时可以使用一种单独的传感器或收银终端，也可以在一个智能收银终端设备中集成用于感知不同维度的感知数据的传感器。下面以智能收银终端设备为例，详细说明如何对店铺内的用户进行感知从而获取感知数据，具体内容如下：
目前的智能收银设备，如一些能触达长尾小商户的智能收银终端设备，不仅具有收银设备的能力，还可以通过在智能终端内集成摄像头、蓝牙、wifi等传感器，使得终端设备在给商户提供收银功能的同时，还可以利用自身的摄像头、蓝牙、wifi等传感器来感知店内用户，从而为商户提供客流数据。例如，当用户进行交易时，智能终端中的收银功能可以感知到店内交易的用户；当用户在摄像头范围内时，可以基于摄像头感知视野范围内的用户；当用户的手机蓝牙处于打开状态时，可以通过蓝牙传感器对这部分用户进行感知；当用户的wifi处于开启状态时，可以通过wifi传感器对这部分用户进行感知。从而就能够获取各个不同维度的感知数据。
不同于在场景内布置监控摄像头的客流统计方式，在基于智能收银设备对店内客流进行感知时，受到设备摆放区域和角度的限制，很难仅通过一种感知手段（如交易、摄像头、蓝牙等感知方式）来获取全部的客流用户，造成这种问题的原因主要包括以下几点：
第一、受到不同维度的感知方式的限制，无法仅依靠一种感知手段对店内的全客流进行统计。正如前述内容，基于交易的感知手段仅能实现对店内真正交易的用户进行统计，而对于店内无交易行为，仅仅浏览商品的用户则无法实现感知；智能收银终端上的摄像头也仅能感知到摄像头视野范围内的用户，基于蓝牙的感知手段也只能够感知到部分蓝牙打开的用户，基于wifi的感知手段也只能够感知到部分打开wifi的用户，因此导致感知到的用户客流不全面。
第二、基于上述通信技术的感知手段往往存在无法区分店内用户（店铺场景内的用户）和店外用户（店铺场景外的用户）的能力，导致店外路过的用户也可能会被wifi、蓝牙、摄像头等感知到，因此导致感知范围不够准确。
第三、在基于上述多种不同维度的感知数据得到总客流量时，由于基于不同维度所感知到的数据存在id标识不统一的问题，比如通过wifi感知到的是用户终端的wifi mac地址，通过蓝牙感知到的是用户终端的蓝牙mac地址，通过交易所感知到的是用户的交易账户id等，因此需要克服如何基于不同维度的数据统计得到真实客流数据的问题。
正是基于对上述问题的考虑，在本说明书实施例中通过使用店内外识别模型来解决上述第二点中所说的问题，并采用id映射和重合度匹配的方式来解决上述第一点和第三点中所说的问题。在对这部分实施例进行详细介绍之前，先说明以下内容：
在本说明书具体实施例中，获取预设的时间段内通过一个或多个智能终端设备或传感器采集到的多个不同维度的感知数据所分别组成的感知数据集合。其中，所述预设的时间段既可以是一个个单独的时间段，也可以是一段连续的时间周期，在实际应用中，可以根据不同商户的客流统计需求来设置不同的时间周期，例如若需要统计每十分钟店内的客流量，那么时间周期就可以设为十分钟，如果需要统计每小时店内的客流量，那么时间周期就可以设为一小时。
进一步地，在本说明书实施例中，所述感知数据集合内包含多个由维度标识、感知时间以及序号所组成的感知数据；在根据所述感知数据集合确定基于不同维度所感知到的用户时，具体可以包括以下内容：
根据感知数据集合内的各个感知数据中的维度标识确定基于不同维度所感知到的用户；其中，一个维度标识对应一个用户，但不同感知数据中可能包含相同的维度标识，因此，实际上每一条感知数据则对应一个用户数量（即一条感知数据可以认为对应一个客流），根据感知数据的条数或者感知数据的序号确定基于不同维度所感知到的用户对应的用户数量。
下面以采用两种维度的感知数据来统计客流量作为具体实施例，对感知到的感知数据所组成的数据集合，以及如何基于感知数据集合确定所感知到的用户的过程进行说明，具体内容如下：
当店铺内的智能收银终端启动后，便可以持续地对店内的用户进行相应维度的感知，下面以蓝牙和交易这两种维度为例进行说明，基于蓝牙所采集到的感知数据所组成的感知数据集合如下：{mac_1，BT_time_1；mac_2，BT _time_2；mac_3，BT_time_4；…}；基于交易所采集到的感知数据所组成的感知数据集合如下：{uid_1，trade_time_1；uid_2，trade_time_2；uid_3，trade_time_4；…}。其中，mac表示采用蓝牙所感知到的用户手机的mac地址，BT_time表示用户手机蓝牙与终端设备通过蓝牙信号交互的时间；uid表示用户支付时所使用支付账户的id，trade_time表示交易时间，数字1、2、3、4则表示序号。
上述实施例中的mac可以认为是蓝牙维度标识，uid可以认为是交易维度标识，time可以认为是感知时间，因此可以通过对感知数据集合内感知数据的数量或者感知数据对应的序号进行统计，便可以得到每种维度所感知到的用户的数量，并将交易和蓝牙在周期时间内感知到的总人数分别记为
Figure 938271DEST_PATH_IMAGE001
、
Figure 260668DEST_PATH_IMAGE002
。
需要说明的是，本说明书实施例不限于采用蓝牙和交易的维度对客流统计，也不限于通过两种维度的感知数据对客流统计，其他维度的感知手段或者多个不同维度感知手段之间的结合都可以实现对客流统计，在实际应用中，包括但不限于以下维度的通信感知手段：wifi、蓝牙、nfc、5G、基站、UWB、超声波、雷达等。
在步骤S120中，利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量。
在本说明书一个或多个实施例中，所述预定应用场景可以为店铺场景，所述预定的识别模型为店内外识别模型；由于用户在店内外的行为往往存在较为明显的区别，例如店外用户存在经过时间短，距离由远到近再到远等特点，而店内用户则存在持续时间长，与收银终端之间的距离存在不规则波动等特点。通过获取蓝牙等感知信号，对并这些信号进行分析得到能够表征这些区别的特征，再根据这些特征数据对店内用户和店外用户加以区分，最后利用机器学习算法对这两种用户进行学习训练得到相应的识别模型。
店内外识别模型可以认为是一种通过机器学习训练得到的识别模型，可以用来对智能终端设备感知到的用户进行区分，从而判断哪些是店铺场景内的用户，哪些是店铺场景外的用户。
在本说明书一具体实施例中，可以采用以下方法训练得到所述店内外识别模型，如图2所示，为本说明书实施例提供的一种店内外识别模型训练方法的流程示意图，该方法具体可以包括以下步骤：
S210、获取基于第一维度进行感知时的感知信号，并对所述感知信号执行滤波和异常值处理操作；
S220、对处理后的感知信号进行特征的提取，所述特征用于表征店内用户和店外用户之间的行为差异，所述特征包含信号持续时间和信号强度变化；
S230、根据提取出的所述特征确定店内用户和店外用户，并将店内用户作为模型训练的正样本，将店外用户作为模型训练的负样本；
S240、将所述正样本和负样本作为模型训练的输入，利用预定的机器学习算法进行训练得到店内外识别模型。
进一步地，在本说明书实施例中，通过上述店内外识别模型可以将第一维度（即蓝牙）所感知到的用户划分为店内用户和店外用户，在前述实施例的基础上，通过蓝牙在周期时间内感知到的总人数为
Figure 808324DEST_PATH_IMAGE004
，那么采用店内外识别模型所确定的属于店铺场景内的用户所对应的第一用户数量可以定义为
Figure 634198DEST_PATH_IMAGE005
。
在步骤S130中，根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量。
在本说明书一个或多个实施例中，可以采用以下方式预先建立所述映射关系，具体包括以下内容：
当用户在店铺内进行交易时，获取店内用户所上传的与自身相关的第一维度标识和第二维度标识，并建立所述第一维度标识和第二维度标识之间的对应关系。
在实际应用中，上述映射关系也可以认为是一种id映射字典，该字典刻画了用户交易账户id与蓝牙mac地址等维度标识之间的映射关系。当然，该字典需要在获得用户授权的情况下，才能够获取用户当前所使用通信设备的蓝牙mac地址以及用户的交易账户id等信息，在获取相应维度的标识后，可以直接根据获取到的信息离线构建映射字典。
进一步地，通过离线建立的id映射字典可以将店内用户的第一维度标识（即蓝牙mac地址）映射到同一用户的第二维度标识（即交易账户id），从而实现店内开启蓝牙的用户与店内交易用户的对齐，因此，基于该字典可以查询得到两者用户的重合数量为
Figure 999320DEST_PATH_IMAGE006
。
在步骤S140中，根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率。
在本说明书一个或多个实施例中，通过假定蓝牙所感知到的用户是店内用户的随机采样，由于该采样率与用户是否进行交易无关，因此该采样率与交易用户中被蓝牙感知到的用户比例应当是相同，基于上述这种假定，首先根据以下公式确定出所述的采样率（可认为是蓝牙采样率），具体的：
Figure 100002_DEST_PATH_IMAGE007
其中，
Figure 12275DEST_PATH_IMAGE008
表示采样率，
Figure 363622DEST_PATH_IMAGE006
表示第三用户数量，
Figure 309581DEST_PATH_IMAGE001
表示第二用户数量。
下面结合一具体实施例对蓝牙采样率的计算过程进行说明，假设通过交易所感知到的用户包括用户A、用户B和用户C，那么交易所感知到的总人数
Figure 986550DEST_PATH_IMAGE001
就是3，通过蓝牙所感知到的用户包括用户C、用户D和用户E，那么两种维度所感知到的用户之间的重合数量
Figure 893327DEST_PATH_IMAGE006
就是1，即代表蓝牙感知和交易感知是有一个人重合的，那么蓝牙采样率
Figure 644769DEST_PATH_IMAGE008
就约等于33.3%。
在步骤S150中，基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量。
在本说明书一个或多个实施例中，由于本实施例所成立的前提条件是假定通过蓝牙所感知到的用户是店内所有用户客流的随机采样，并且该随机采样的采样率是与交易感知到的总用户数中被蓝牙所感知到的用户数（即重合部分的用户数）与交易感知到的总用户数之间的比值是相同的，那么通过首先计算得出该比值（即上述采样率），便可以基于该采样率进一步计算得到近乎真实的客流量。
具体地，在本说明书实施例中，店内的实际客流数量几乎与蓝牙感知到的用户数除以蓝牙采样率的数值相同，因此可以采用以下公式计算所述客流量，具体的：
Figure 710814DEST_PATH_IMAGE009
其中，
Figure 293105DEST_PATH_IMAGE010
表示客流量，
Figure 952757DEST_PATH_IMAGE011
表示第一用户数量，
Figure 770540DEST_PATH_IMAGE013
表示采样率。
根据本说明书以上实施例的内容，基于方便快捷、即插即用的智能收银终端设备，通过感知不同维度的感知数据，并通过店内外识别模型区分店内用户和店外用户，通过id映射字典、重合度匹配以及基于假定条件下的采样率计算，并通过蓝牙感知数据和交易感知数据的交叉验证实现了对店内真实客流的统计。不仅降低了实施成本、易于推广，而且对客流的感知更加全面，感知范围也更加准确，能够得到较为真实的客流数据。
基于同样的思路，本说明书实施例还提供了一种客流统计装置，如图3为本说明书实施例提供的一种客流统计装置的结构示意图，该装置300主要包括：
获取模块301，用于获取预设的时间段内产生的多个不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，其中，所述不同维度至少包含第一维度和第二维度；
识别模块302，用于利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量；
映射模块303，用于根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；
确定模块304，用于根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率；
计算模块305，用于基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量。
本说明书实施例还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中的一种客流统计方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种客流统计方法，所述方法包括：
获取预设的时间段内产生的多个不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，其中，所述不同维度至少包含第一维度和第二维度；
利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量；
根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；
根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率；
基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量。
2.如权利要求1所述的方法，所述获取预设的时间段内产生的多个不同维度的感知数据集合，包括：
获取预设的时间段内通过一个或多个智能终端设备或传感器采集到的多个不同维度的感知数据所分别组成的感知数据集合。
3.如权利要求1所述的方法，所述感知数据集合内包含多个由维度标识、感知时间以及序号所组成的感知数据；所述根据所述感知数据集合确定基于所述不同维度所感知到的用户，包括：
根据所述感知数据集合内的各个感知数据中的维度标识确定基于所述不同维度所感知到的用户；
其中，每一条所述感知数据对应一个用户数量，根据所述感知数据的条数或者感知数据的序号确定基于所述不同维度所感知到的用户对应的用户数量。
4.如权利要求1所述的方法，所述预定应用场景为店铺场景，所述预定的识别模型为店内外识别模型；采用以下方法训练得到所述店内外识别模型，具体地：
获取基于第一维度进行感知时的感知信号，并对所述感知信号执行滤波和异常值处理操作；
对处理后的感知信号进行特征的提取，所述特征用于表征店内用户和店外用户之间的行为差异，所述特征包含信号持续时间和信号强度变化；
根据提取出的所述特征确定店内用户和店外用户，并将店内用户作为模型训练的正样本，将店外用户作为模型训练的负样本；
将所述正样本和负样本作为模型训练的输入，利用预定的机器学习算法进行训练得到店内外识别模型。
5.如权利要求1所述的方法，建立所述映射关系包括：
当用户在店铺内进行交易时，获取店内用户所上传的与自身相关的第一维度标识和第二维度标识，并建立所述第一维度标识和第二维度标识之间的对应关系。
6.如权利要求1所述的方法，所述根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率，包括根据以下公式确定所述采样率，具体的：
Figure 969627DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示采样率，
Figure 687047DEST_PATH_IMAGE004
表示第三用户数量，
Figure DEST_PATH_IMAGE005
表示第二用户数量。
7.如权利要求1所述的方法，所述基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量，包括根据以下公式计算所述客流量，具体的：
Figure DEST_PATH_IMAGE007
其中，
Figure 534786DEST_PATH_IMAGE008
表示客流量，
Figure DEST_PATH_IMAGE009
表示第一用户数量，
Figure 552421DEST_PATH_IMAGE003
表示采样率。
8.如权利要求1-7任一项所述的方法，所述第一维度为蓝牙，所述第二维度为交易。
9.一种客流统计装置，所述装置包括：
获取模块，用于获取预设的时间段内产生的多个不同维度的感知数据集合，并根据所述感知数据集合确定基于所述不同维度所感知到的用户，其中，所述不同维度至少包含第一维度和第二维度；
识别模块，用于利用预定的识别模型对基于所述第一维度所感知到的用户进行识别，从而确定出属于预定应用场景内的用户，并确定该预定应用场景内的用户所对应的第一用户数量；
映射模块，用于根据预先建立的映射关系，确定基于所述第一维度所感知到的用户与基于第二维度所感知到的用户之间属于相同的用户所对应的第三用户数量；
确定模块，用于根据所述第三用户数量以及基于所述第二维度所感知到的用户所对应的第二用户数量来确定采样率；
计算模块，用于基于所述采样率以及所述第一用户数量计算得到在所述预设的时间段内所述预定应用场景所对应的客流量。
10.如权利要求9所述的装置，所述获取模块还用于：
获取预设的时间段内通过一个或多个智能终端设备或传感器采集到的多个不同维度的感知数据所分别组成的感知数据集合。
11.如权利要求9所述的装置，所述感知数据集合内包含多个由维度标识、感知时间以及序号所组成的感知数据；所述获取模块还用于：
根据所述感知数据集合内的各个感知数据中的维度标识确定基于所述不同维度所感知到的用户；
其中，每一条所述感知数据对应一个用户数量，根据所述感知数据的条数或者感知数据的序号确定基于所述不同维度所感知到的用户对应的用户数量。
12.如权利要求9所述的装置，所述预定应用场景为店铺场景，所述预定的识别模型为店内外识别模型；所述识别模块还用于：
获取基于第一维度进行感知时的感知信号，并对所述感知信号执行滤波和异常值处理操作；
对处理后的感知信号进行特征的提取，所述特征用于表征店内用户和店外用户之间的行为差异，所述特征包含信号持续时间和信号强度变化；
根据提取出的所述特征确定店内用户和店外用户，并将店内用户作为模型训练的正样本，将店外用户作为模型训练的负样本；
将所述正样本和负样本作为模型训练的输入，利用预定的机器学习算法进行训练得到店内外识别模型。
13.如权利要求9所述的装置，所述映射模块还用于：
当用户在店铺内进行交易时，获取店内用户所上传的与自身相关的第一维度标识和第二维度标识，并建立所述第一维度标识和第二维度标识之间的对应关系。
14.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法。
CN202010661785.2A 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备 Active CN111553753B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010661785.2A CN111553753B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备
CN202011152399.7A CN112232882B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010661785.2A CN111553753B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202011152399.7A Division CN112232882B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111553753A true CN111553753A (zh) 2020-08-18
CN111553753B CN111553753B (zh) 2020-09-25

Family

ID=72002225

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010661785.2A Active CN111553753B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备
CN202011152399.7A Active CN112232882B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011152399.7A Active CN112232882B (zh) 2020-07-10 2020-07-10 一种客流统计方法、装置及电子设备

Country Status (1)

Country Link
CN (2) CN111553753B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508618A (zh) * 2020-12-15 2021-03-16 支付宝(杭州)信息技术有限公司 客流统计的系统和方法
CN112785759A (zh) * 2021-01-22 2021-05-11 支付宝(杭州)信息技术有限公司 客流统计的系统和方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113961761A (zh) * 2021-11-11 2022-01-21 北京锐安科技有限公司 数据处理方法、装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296879A (zh) * 2015-05-21 2017-01-04 杭州海康威视数字技术股份有限公司 基于无线探测的人流量获取的方法、装置和系统
CN107798869A (zh) * 2017-10-24 2018-03-13 东南大学 基于站点WiFi和车载GPS的公交乘客客流采集与分析方法
CN109344281A (zh) * 2018-10-12 2019-02-15 元力云网络有限公司 一种基于wifi探针与摄像头技术的数据分析方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105991745A (zh) * 2015-03-04 2016-10-05 上海杰轩智能科技有限公司 一种兼容多种客流计数终端的方法及系统
EP3101620A1 (en) * 2015-06-05 2016-12-07 FourC AS Passenger flow determination
CN107948937B (zh) * 2018-01-05 2021-01-22 北京全路通信信号研究设计院集团有限公司 一种客流量统计方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296879A (zh) * 2015-05-21 2017-01-04 杭州海康威视数字技术股份有限公司 基于无线探测的人流量获取的方法、装置和系统
CN107798869A (zh) * 2017-10-24 2018-03-13 东南大学 基于站点WiFi和车载GPS的公交乘客客流采集与分析方法
CN109344281A (zh) * 2018-10-12 2019-02-15 元力云网络有限公司 一种基于wifi探针与摄像头技术的数据分析方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508618A (zh) * 2020-12-15 2021-03-16 支付宝(杭州)信息技术有限公司 客流统计的系统和方法
CN112785759A (zh) * 2021-01-22 2021-05-11 支付宝(杭州)信息技术有限公司 客流统计的系统和方法
CN112785759B (zh) * 2021-01-22 2023-05-23 支付宝(杭州)信息技术有限公司 客流统计的系统和方法

Also Published As

Publication number Publication date
CN112232882A (zh) 2021-01-15
CN111553753B (zh) 2020-09-25
CN112232882B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN111553753B (zh) 一种客流统计方法、装置及电子设备
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
CN110413877B (zh) 一种资源推荐方法、装置及电子设备
CN110570200B (zh) 一种支付方法及装置
US20200364802A1 (en) Processing method, processing apparatus, user terminal and server for recognition of vehicle damage
TWI713891B (zh) 一種公共交通支付的方法、裝置及設備
CN107590654A (zh) 一种在线支付的方法、终端及计算机可读介质
CN109558416A (zh) 一种异常交易的检测方法、装置及存储介质
CN106126592B (zh) 搜索数据的处理方法及装置
CN116777569B (zh) 基于区块链的商品大数据语音介绍和智能结账方法及系统
CN112966113A (zh) 一种数据的风险防控方法、装置及设备
CN109102324B (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
CN110033092B (zh) 数据标签生成、模型训练、事件识别方法和装置
US20200219164A1 (en) Systems and methods for purchase recommendation
CN110705439B (zh) 一种信息的处理方法、装置及设备
CN113297462A (zh) 数据处理方法、装置、设备和存储介质
CN109145821B (zh) 一种对人眼图像中瞳孔图像进行定位的方法及装置
CN114638613B (zh) 基于身份识别的菜品结算处理方法及装置
CN116204838A (zh) 一种异常业务识别的方法、装置、存储介质及电子设备
CN115567371A (zh) 一种异常检测方法、装置、设备及可读存储介质
CN114926437A (zh) 一种图像质量评价方法及装置
CN112613891B (zh) 一种店铺注册信息验证方法、装置及设备
CN113963282A (zh) 视频替换检测及其模型的训练方法及装置
CN115599891B (zh) 一种确定异常对话数据方法、装置、设备及可读存储介质
CN115661584B (zh) 一种模型训练方法、开放域目标检测方法及相关装置

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
GR01 Patent grant
GR01 Patent grant