1.1 حساب عدد الزائرين

يتم استخدام خوارزميات عد مختلفة في ظل ظروف مختلفة. يتم ذكر أنواع واختلاف الخوارزميات المتعددة التي يستخدمها FootfallCam في الأقسام التالية.

1.1.1 خوارزمية قياسية ثلاثية الأبعاد

في ظل الظروف العادية ، فإن FootfallCam^TM يستخدم خوارزمية قياسية ثلاثية الأبعاد للعد عند المستوى الأمثل. الارتفاع الأمثل لـ FootfallCam^TM 2.5 م إلى 4.5 م.

تعمل الخوارزمية القياسية ثلاثية الأبعاد من خلال:

• التفريق بين رأس الإنسان ونقطة الكتف ، وتشكيل نقطة ثلاثية الأبعاد وخط أثر يتتبع حركتهم.
• سوف يستبعد الشخص الذي يقوم بالدوران على شكل حرف U ولم يدخل المتجر من أن يتم احتسابه باستخدام منطقة البداية والنهاية.
• سوف يفرق بين الأطفال والبالغين والأشياء الجامدة من خلال اكتشاف الارتفاع وتشكيل خريطة عمق.
• يمكن أن تعمل بشكل جيد في حالات الازدحام الشديد حيث أن النقطة والرأس ستكون واضحة.
• قد يطبق خط الاستبعاد في جزء معين من خط التتبع الذي يستخدمه الموظفون بشكل متكرر لتجنب عد الموظفين.

عرض حي قياسي	لا يتم احتساب الدوران
لا يتم احتساب الأطفال	يتم احتساب الأشخاص الذين يحملون عربة واحدة

 

1.1.2 خوارزمية عد المنطقة

تعمل خوارزمية Area Counting باستخدام تقنية 3D Blob Tracking لتتبع كل فرد في منطقة ما لدعم العد المتعدد عند دخول أكثر من شخص إلى المنطقة. كما أنه يمنع العد المفرط للفرد. تتعقب الخوارزمية تلقائيًا المدة (القابلة للتعديل) التي يدخلها الشخص إلى المنطقة وبمجرد أن يتجاوز الشخص عتبة المدة ، سيتم اعتبار الشخص في ، إذا غادر الشخص المنطقة ، فسيتم اعتباره خارجًا.

البقاء لمدة معينة	عد متعدد في منطقة
نمط عشوائي في الحركة	لا يوجد مدخل محدد

عد المنطقة مناسب في الغالب لـ

• مخازن ليس لها مداخل محددة. هذا يعني أنه يمكن لأي زائر الدخول والخروج من أي اتجاه للمحل.
• المتاجر التي يسير فيها الزائر في نمط عشوائي بدلاً من مجرد الدخول والخروج. يحدث هذا عادةً بسبب عروض الأسهم بالقرب من منطقة العد ، مما يتسبب في تفاعل الزوار مع شاشات العرض.
• منطقة التتبع محدودة للغاية ولا تحتوي على مسافة سير كافية حتى تعمل خوارزمية العد القياسية ثلاثية الأبعاد بشكل جيد.

حدود منطقة العد

• لا ينطبق سطر الاستثناء لأنه لا يستخدم سطر الجرد.

 

جمع البيانات شنومكس

بالنسبة إلى الخوارزمية القياسية ثلاثية الأبعاد ، بمجرد دخول الزائر إلى منطقة التتبع الخاصة بجهاز ما وخروجه منها أثناء تشغيل الخط الداخل للخارج بينهما ، سيؤدي ذلك إلى بدء العد. بالنسبة إلى حساب المنطقة ، بمجرد بقاء الزائر في منطقة التتبع لجهاز أطول من الحد المعين ، سيؤدي ذلك إلى بدء العد.

سيتم بعد ذلك حفظ البيانات بالشكل التالي:

مسلسل الجهاز	الطابع الزمني	معرف الخط
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

يشير تسلسل الجهاز إلى الجهاز الذي يتم إرسال البيانات منه ، ويشير الطابع الزمني إلى وقت حساب الزائر ويشير معرف السطر إلى الخط الذي تم تشغيله بواسطة الزائر المقابل.

1.1.4 عملية تحميل البيانات

يتم بعد ذلك تحميل البيانات التي تم جمعها بواسطة كل جهاز إلى الخادم بفاصل زمني مدته 15 دقيقة يتم مسحه بعد 7 أيام. ومع ذلك ، فإن عملية تحميل البيانات تعتمد بشكل كبير على اتصال الموقع بالإنترنت. إذا كانت السرعة بطيئة ، فسيتم أيضًا إبطاء سرعة تحميل البيانات مما يؤثر بشكل أكبر على عرض البيانات في التقارير.

بمجرد تحميل البيانات إلى الخادم ، سيتم لاحقًا تجميعها في كل ساعة وعلى أساس يومي اعتمادًا على متطلبات تقرير منطقة أو موقع معين. لن يتم حذف البيانات المجمعة حتى يتم إلغاء تخصيص الجهاز من موقعه.

1.1.5 تحويل المبيعات

تحويل المبيعات هو مسألة بسيطة تتمثل في قسمة عدد المعاملات التي يتم إجراؤها خلال فترة زمنية بواسطة الزائر للمخزن في نفس الفترة الزمنية. تسمح هذه النتيجة للمدير برؤية نظرة أعمق لأداء المتجر. على سبيل المثال ، سيعني الإقبال الكبير أن المتجر يجذب الكثير من العملاء من حركة المرور الخارجية ، لكن معدل التحويل المنخفض سيشير إلى أنه لا يقوم بعمل جيد في تعظيم فرص المبيعات.

1.1.6 رموز المقاييس

ستكون المقاييس الرئيسية المستخدمة لحساب عدد الزيارات هي:

• PFC01 - عدد الاقدام في
• PFC02 - عد الإقدام على الخروج
• SFC03 - تناقض داخلي
• PFC07 - إجمالي عدد المعاملات
• PFC08 - إجمالي حجم المبيعات
• SFC09 - عدد الزوار لتحويل المبيعات

1.2 تحليلات Wi-Fi

إلى جانب العد الذي يتم تشغيله بواسطة خوارزمية التتبع ، هناك أيضًا حساب يمكن تشغيله بواسطة إشارات Wi-Fi.

1.2.1 تغطية البيانات

تعمل وحدة Wi-Fi في Footfall Counter مثل أي جهاز آخر مزود بتقنية Wi-Fi حيث يمكنها التقاط إشارة Wi-Fi من جهاز آخر قريب من Wi-Fi. يمكن لوحدة Wi-Fi جمع إشارات Wi-Fi المنبعثة من الأجهزة التي تدعم Wi-Fi داخل دائرة نصف قطرها 100 متر. ومع ذلك ، قد يتم تقليل نطاق العمل الفعلي بسبب إعداد الجدران الداخلية في المتاجر.

الهواتف الذكية التي لا تحتوي على إمكانات Wi-Fi مغلقة إما متصلة بنقطة وصول Wi-Fi أو تبحث عن واحدة للاتصال بها. للقيام بذلك ، يرسلون رسائل Wi-Fi - في حالة الاتصال ، يقومون بإرسال رسائل البيانات ، وفي حالة البحث ، تحقق من الرسائل التي تشير إلى نقطة وصول للرد. يختلف تواتر هذه الإشارات اعتمادًا على بائع الهاتف الذكي وحالة الجهاز ، ولكن بشكل عام ، يبلغ متوسطها من XNUMX إلى XNUMX إشارات كل دقيقة.

1.2.1.1 حول عشوائية MAC وكيفية اكتشافها

لقد كان MAC Randomization جزءًا من صناعة الشبكة لفترة من الوقت ويتضمن تغيير عنوان MAC الخاص بالجهاز عندما يرسل طلبات مسبار. يساعد هذا في منع تتبع الأجهزة غير المتصلة. ومع ذلك ، يتغير هذا مع إصدار أحدث أنظمة التشغيل مثل iOS 14 / WatchOS 7 و Android 10+ وبعض إصدارات Windows 10. هذه الأنظمة الآن تقوم بترتيب عناوين MAC بشكل عشوائي ليس فقط أثناء مرحلة الاكتشاف ، ولكن أيضًا أثناء تشغيل الجهاز متصل بالشبكة.

بالنسبة للهواتف الذكية المزودة بتقنية MAC Randomization ، فلن يؤثر ذلك على دقة حساب البيانات التي تم إنشاؤها من خلال تحليلات Wi-Fi. سيؤثر التوزيع العشوائي لعنوان MAC فقط على الأجهزة المحمولة غير المتصلة بشبكة الهاتف المحمول. بالإضافة إلى ذلك ، عندما يكون عنوان MAC عشوائيًا ، فإنه يتحول إلى عنوان MAC لا معنى له ويختلف عن عنوان MAC الأصلي.

التعرف على عناوين MAC العشوائية أمر بسيط. يحتوي قسم OUI لعنوان MAC على بت محدد للإشارة إلى عنوان عشوائي أو مُدار محليًا. ما عليك سوى التحقق من الحرف الثاني في عنوان MAC وإذا كان 2 أو 6 أو A أو E ، فهو عنوان عشوائي. على سبيل المثال ، عنوان Wi-Fi 92: B1: B8: 42: D1: 85 عشوائي لأن حرفه الثاني هو 2. سيعمل عداد المشاة على تصفية عناوين MAC التي لا معنى لها والتي يلتقطها مستشعر Wi-Fi ويستبعد من بيانات العد.

1.2.2 أخذ العينات الإحصائية

تتمثل الوظيفة الرئيسية لحساب Wi-Fi في استخدام إشارات Wi-Fi المنبعثة من الهواتف الذكية للزوار لتقريب تدفق حركة المرور للأشخاص داخل منطقة معينة. ومع ذلك ، لا يحمل كل شخص هاتفًا ذكيًا ، وقد يحمل بعض الأشخاص أكثر من جهاز Wi-Fi مثل أجهزة iPad.

يمكن لخوارزمية حساب Wi-Fi الخاصة بنا التغلب على القيود المذكورة أعلاه وتقديم تقريب دقيق لحركة المرور باستخدام أخذ العينات الإحصائية. هذا يضمن أنه حتى لو لم يساهم كل زائر في بيانات Wi-Fi منذ ذلك الحين لن يحمل كل زائر هاتفًا محمولًا، هؤلاء المستخدمون يمثلون نسبة صغيرة من إجمالي عدد الزوار ولا يساهمون في هامش خطأ كبير.

يستخدم أخذ العينات الإحصائية على نطاق واسع في العديد من الصناعات المختلفة مثل التصنيف التلفزيوني والاقتراع الانتخابي. تستخدم شركة Nielsen تقنيات أخذ عينات متطورة لقياس التقييمات ونسبة المشاهدة في صناعة التلفزيون حول العالم وإعداد تقارير عنها. في الولايات المتحدة ، على سبيل المثال ، تختار الشركة منازل لتثبيت الأجهزة الصغيرة التي تراقب عادات المشاهدة.

تم استخدام مثال آخر في الاقتراع الانتخابي. تم الاحتفاظ باستطلاعات الرأي لسنوات عديدة من خلال الاتصالات السلكية واللاسلكية أو الاتصال الشخصي. تختلف الأساليب والتقنيات ، على الرغم من أنها مقبولة على نطاق واسع في معظم المجالات. بعض منظمات الاقتراع ، مسح عبر الإنترنت ، حيث يتم أخذ عينة من مجموعة كبيرة من المتطوعين ويتم ترجيح النتائج لتعكس التركيبة السكانية للسكان المعنيين.

1.2.3 تطبيع بيانات Wi-Fi

غالبًا ما يستخدم التطبيع لتحويل البيانات الإحصائية إلى أرقام حقيقية ؛ على سبيل المثال ، يتم تطبيق عامل التطبيع على عدد أجهزة Wi-Fi التي تم اكتشافها لتحويلها إلى عدد الأشخاص في المنطقة.

من خلال ربط عدد الأشخاص الذين دخلوا الموقع باستخدام حساب الفيديو وعدد أجهزة Wi-Fi التي تم اكتشافها عبر الباب ، يستخدم العداد بيانات الأسبوعين الأخيرين لإنشاء ملف تعريف إحصائي ، وتقريب النسبة المئوية للأشخاص الذين يحملون الهواتف الذكية.

هذا النموذج الإحصائي قائم على العداد ؛ أي أن كل عداد له نموذج إحصائي خاص به يتم ضبطه تلقائيًا بناءً على التركيبة السكانية للأشخاص وخصائص Wi-Fi المحيطة به.

 

1.2.4 جمع البيانات

سيتم بعد ذلك حفظ البيانات التي تم جمعها في قاعدة البيانات الخاصة بنا ، بما في ذلك تسلسل الجهاز وقوة الإشارة وعنوان Mac والطابع الزمني.

فيما يلي طريقة جمع البيانات لبيانات Wi-Fi:

1. سيتم جمع بيانات Wi-Fi من الحشد حول الموقع حيث تم تثبيت الجهاز.
2. سيكون Wi-Fi dongle المتصل بالجهاز هو الوحدة التي تلتقط باستمرار إشارة Wi-Fi المرسلة بواسطة الأجهزة التي تدعم Wi-Fi مثل الهواتف الذكية والأجهزة اللوحية وما إلى ذلك.
3. تتم معالجة معرف Mac في الجهاز بقوة الإشارة والطابع الزمني كما هو موضح في الجدول:

عنوان Mac مجزأ لشبكة Wi-Fi	وقت الكشف	قوة الإشارة
AAA	12/2/2017 1:00pm	-65
BBB	12/2/2017 1:03pm	-66
مجلس التعاون الجمركي	12/2/2017 2:09pm	-100

سيتم تخزين عنوان MAC الأولي لهذه الأجهزة في قاعدة البيانات وتحميله باستمرار إلى الخادم المركزي (كل ساعة) لمزيد من التجميع في التقارير. يجمع FootfallCam هذه البيانات ، ثم يعيد توجيهها بشكل آمن إلى FootfallCam Cloud على أساس كل ساعة للمعالجة والتحليل.

خوارزمية التجزئة لعنوان MAC المستخدم هي PBKDF2WithHmacSHA256 ، وهي مصممة لتجزئة كلمة المرور ومن ثم فهي خوارزمية بطيئة. يعد هذا أمرًا جيدًا لتجزئة كلمة المرور لأنه يقلل من عدد كلمات المرور في الثانية التي يمكن للمهاجم تجزئتها عند صياغة هجوم القاموس. تقلل إضافة ملح إلى كلمة المرور من القدرة على استخدام تجزئة مسبقة الحساب للهجمات ، وتعني أنه يجب اختبار كلمات مرور متعددة بشكل فردي ، وليس كلها مرة واحدة. توصي المواصفة القياسية بطول ملح لا يقل عن 64 بت. يوصي المعهد الوطني الأمريكي للمعايير والتكنولوجيا بطول ملح يبلغ 128 بتًا ، ويستخدم FootfallCam 256 بت في هذه الحالة.

 

1.2.5 معالجة البيانات وتصنيفها

مع تدفق البيانات إلى FootfallCam Cloud كل ساعة ، يتم تصنيف جميع الأجهزة المكتشفة في قاعدة بيانات السلاسل الزمنية ، مع تطبيق خوارزميات قوية على ملف تعريف جميع الأجهزة المكتشفة وتصنيف البيانات في عدد قليل من القيم:

1. قم بتمييز معرف Mac الذي تم جمعه على أنه "سير بجوار" و "دخل إلى المتجر" من خلال قوة إشارة Wi-Fi تحقيقات وثقة.
2. قم بتخطيط مزيد من "مدة الزيارة" من خلال الحصول على "أول ظهور" و "آخر ظهور" بأعلى قوة إشارة تم اكتشافها من تحقيقات تم استلامها في طوابع زمنية مختلفة.

قوة الإشارة وحدها هي طريقة تقريب خام وغير دقيقة ، حيث تميل إشارات Wi-Fi إلى التباين في بيئات بيئية مختلفة. بالإضافة إلى ذلك ، تعتمد قوة الإشارة على العديد من الظروف البيئية في الوقت الفعلي.

ستؤدي إضافة عدد التحقيقات والطابع الزمني ومستوى الثقة والعتبة إلى زيادة دقة بيانات Wi-Fi. هناك نوعان من عتبات Wi-Fi: مرشح العتبة 1 إشارة ضعيفة بعيدة عن العداد. يلتقط الحد 2 قوة إشارة قوية موجودة في حركة مرور المتجر. سيتم تخزين جميع تفاصيل طلبات الفحص التي تقل عن الحد 1 في جدول قاعدة بيانات mac الخام في الجهاز. سيقوم جانب الخادم بمعالجة قائمة عناوين mac لحساب وقت الإقامة وإعادة قيم العملاء من خلال تجميع البيانات اليومية إلى التحليلات.

 

1.2.5.1 عدادات متعددة مثبتة في متجر

عندما يكون هناك عدة عدادات مثبتة في متجر واحد ، سيتم تحميل بيانات الجرد من العدادات في قاعدة البيانات لمزيد من المعالجة لمنع العد الزائد لفرد واحد. ستضمن هذه العملية أن تكون بيانات العد التي تم إنشاؤها بواسطة FootfallCam حقيقية وجاهزة لمزيد من المعالجة التحليلية بواسطة نظام ذكاء الأعمال الخاص بالمستخدم.

عد البيانات

عداد 1 + عداد 2 + عداد 3

عندما يكون هناك عدة عدادات مثبتة في متجر واحد ، سيتم تحميل بيانات عد Wi-Fi إلى قاعدة البيانات المركزية لتصفية الإدخالات المكررة لعناوين MAC. لن يتم استخدام عناوين MAC المكررة في تجميع البيانات. تمنع هذه الطريقة العد الزائد لعنوان MAC واحد مرتين.

بيانات Wi-Fi

عداد 1 + عداد 2 + عداد 3

عندما يكون هناك عدة عدادات مثبتة في مدخل واحد واسع ، يجب رسم منطقة التتبع وخطوط العد بشكل متحفظ. يجب ألا تتداخل منطقة التعقب وخطوط الجرد المرسومة على عداد واحد مع منطقة الجرد وخطوط التتبع المرسومة على عداد آخر. يعد هذا ضروريًا لمنع الحساب المفرط لبيانات الزائر ، بينما قد يؤدي إلى عدم دقة عدد الزائرين وتحويل المبيعات المزيفة إلى بيانات الأسعار.

1.2.5.2 استبعاد عنوان MAC الخاص بجهاز الموظفين

إذا كان الموظفون يحملون أجهزة مزودة بشبكة WiFi قيد التشغيل ، فسيتم أيضًا التقاط عنوان MAC الخاص به بواسطة أجهزة الإقبال أيضًا. يمكنك استبعاد عنوان MAC الخاص بأجهزة الموظفين يدويًا من صفحة الموقع. أشير جزء 15.5 للحصول على دليل خطوة بخطوة.

1.2.5.3 متوسط ​​مدة الزيارة

يمكننا الحصول على مدة زيارة العميل باستخدام ذروتين لقوة إشارة الواي فاي، حيث أنهما أقرب موقع من المدخل مع تثبيت الجهاز. إذا كان المظهر الجانبي يحتوي على ذروتين أعلى من عتبة قوة الإشارة المحددة، فسيتم تحديدهما على أنهما وقت الدخول ووقت الخروج للزائر.

مدة الزيارة القصوى - قد يزور بعض الزوار الموقع عدة مرات في نفس اليوم. المدة القصوى للزيارة هي الحد الأقصى المعقول الذي يتوقعه الزائر للبقاء في الموقع لزيارة واحدة. القيمة الافتراضية هي ساعتان.

على سبيل المثال،

الزائر أ: الزيارة الأولى => 1:05 م إلى 1:30 م الزيارة الثانية => 4:05 م إلى 5:43 م

النتيجة: زيارتان. الزيارة الأولى 2 دقيقة. الزيارة الثانية 25 دقيقة.

أولاً ، يتم قياس مدة الزيارة بناءً على معرف فريد (تحقيقات معرف MAC) من الهاتف الذكي للمستخدم.

زيارة المدة

الوقت (في) - الوقت (خارج)

شرط:

1. تحديد حدود تتبع الواي فاي
2. قائمة الموظفين المستبعدة وقائمة الأجهزة

 تجميع فئات مدة الزيارة

صنف FootfallCam كذلك جمع بيانات مدة الزيارة إلى 3 فئات. بشكل افتراضي ، هناك 15 دقيقة أدناه ، في غضون 15 دقيقة إلى 30 دقيقة وأكثر من 30 دقيقة.

مدة الزيارة للمواقع ذات العدادات المتعددة

من خلال تحميل معلومات تتبع Wi-Fi لجميع أجهزة مدخل الموقع إلى خادم مركزي، سيقوم الخادم بإجراء التحليل وتقدير أوقات الدخول والخروج لأجهزة Wi-Fi. سيقوم النظام بتجميع معلومات تتبع Wi-Fi من جميع العدادات داخل الموقع.

1.2.6 رموز مقاييس Wi-Fi

ستكون المقاييس الرئيسية المستخدمة لوحدة Wi-Fi هي:

• PWA01 - حركة المرور الخارجية
• SWA02 - معدل التسليم
• PWA03 - متوسط ​​مدة الزيارة
• SWA04 - معدل عودة العملاء في آخر 14 يومًا
• SWA05 - معدل عودة العملاء في آخر 60 يومًا
• SWA06 - سعر العميل الجديد في آخر 14 يومًا
• SWA07 - سعر العميل الجديد في آخر 60 يومًا

1.3 إشغال الفضاء

إشغال المكان هو عدد الأشخاص الذين بقوا في موقع ما في وقت معين. إنه يعادل العد التراكمي خصم عدد OUT التراكمي.

الإشغال

(تراكمي - مخرج تراكمي)

العد التراكمي هو مجموع عدد IN من بداية ساعة التشغيل إلى الوقت الحالي. يتم تحديث هذه البيانات على الفور. وبالمثل ل عدد OUT التراكمي.

1.3.1 الخطأ التراكمي

لا عداد أشخاص 100٪ دقيقة. سيكون لها أخطاء متراكمة مع مرور اليوم.

 

1.3.2 أوضاع الإشغال

هناك نوعان من أوضاع الإشغال: شغل ساذج و شغل ذكي.

مقارنات	شغل ساذج	شغل ذكي
المعادلة	في خارج	IN - OUT + تصحيح الخطأ
تصحيح الخطأ	×	√
يتطلب جمع عينة بيانات التاريخ	×	√ (تلقائي)
لوحة تحكم في الوقت الحقيقي	√	√
تقرير البيانات التاريخية	√	√
مقياس مستوى الموقع	√	√
مقياس مستوى المنطقة	√	√
دقة	مرتفع	أكثر
يساوي مجموع بيانات مستوى المنطقة بيانات مستوى الفرع	√	×(انظر الملاحظة)
وسائط	×	الوضع 1 والوضع 2
التفاصيل	قسم 15.3.1.4	قسم 15.3.1.5 & قسم 15.3.1.6

1.3.2.1 حالات الاستخدام الموصى بها

على العموم، شغل ذكي هو الخيار المفضل لجميع المواقف تقريبًا باستثناء المواقع ذات الكثافة المرورية المنخفضة.

استخدم حالات	ساذج	لوحة تحكم ذكية
محلات السوبر ماركت أو محلات البقالة ذات الكثافة المرورية العالية	×	√
إشغال المرحاض	×	√
مطاعم أو مقاصف	×	√
التحكم في سعة الإشغال عبر لوحة القيادة أو البوابة الأوتوماتيكية	×	√
مكتبة أو متاجر مجوهرات ذات كثافة حركة مرور منخفضة	√	×
المعارض	×	√
دور السينما	×	√

1.3.2.2 إشغال بسيط

يبدو الرسم البياني للإشغال عمومًا على شكل منحنى على شكل جرس ، مع ذروة الإشغال في مكان ما بين ساعات التشغيل. قد يكون لبعضها قمم متعددة ، مما يشير إلى عدة ساعات ذروة.

بسبب الخطأ التراكمي ، يمكن أن يكون للإشغال الساذج خطأ كبير في نهاية ساعات التشغيل.

 

1.3.2.3 (الإشغال الذكي) تصحيح الخطأ في الوقت الفعلي

حيث يتم تحديث الإشغال على الفور وعرضه على لوحة القيادة الحية, الوقت الحقيقي لتصحيح الخطأ يتم تطبيقه على سذاجة الإشغال لتقليل الخطأ المتراكم. هذا يضمن أن:

• الإشغال أكثر دقة في العد الفعلي
• لا تنخفض الإشغال أبدًا إلى ما بعد 0 إلى أرقام سالبة
• تقترب نسبة الإشغال من الصفر في نهاية ساعات العمل

 

وراء الكواليس ، يستخدم النظام نمذجة الذكاء الاصطناعي المتقدمة لتلخيص اتجاه الإشغال من آخر 14 يومًا أو أكثر ، وإنشاء نموذج تنبؤي يقلل بدقة من خطأ الإشغال التراكمي.

الإشغال الحي

إشغال ساذج + تصحيح الخطأ في الوقت الفعلي

هناك 2 وسائط For شغل ذكي.

وضع شنومكس	وضع شنومكس
استخدام النمذجة الإحصائية المتقدمة لتعميم أنماط الإشغال للموقع / المنطقة.	تنتهي صلاحية إشغال الشخص إذا تجاوز التكوين فترة انتهاء الصلاحية.
لا يتطلب إدخال المستخدم.	يجب على المستخدم تحديد فترة انتهاء الصلاحية.
يتطلب جمع البيانات التاريخية (تلقائي).	لا يتطلب جمع البيانات التاريخية.
مناسب للمواقع ذات الكثافة المرورية العالية ، على سبيل المثال: محلات البقالة ومحلات السوبر ماركت والمطاعم والمعارض.	مناسب للمواقف التي تكون مدة الزيارة فيها معروفة وثابتة تمامًا ، على سبيل المثال: شغل المرحاض ، إشغال السينما.

مرجع: https://www.semanticscholar.org/paper/PreCount%3A-a-predictive-model-for-correcting-count-Sangogboye-Kj%C3%A6rgaard/8db6e7809f9eec131aee63a851a6b27ea6deed5b

1.3.2.4 (الإشغال الذكي) تصحيح أخطاء المعالجة اللاحقة

لشغل بيانات اليوم السابق في تقرير إشغال الفضاء, بعد تصحيح خطأ المعالجة يتم تطبيقه على "الإشغال" بناءً على التناقض اليومي العام في "In Out". هذا له نفس تأثيرات تصحيح خطأ الإشغال في الوقت الفعلي ، باستثناء أنه الآن في مرحلة ما بعد المعالجة.

شغل تاريخي

إشغال مباشر + تصحيح خطأ معالجة ما بعد

مرجع: https://www.semanticscholar.org/paper/PLCount%3A-A-Probabilistic-Fusion-Algorithm-for-from-Sangoboye-Kj%C3%A6rgaard/b68ccf4d6a43bbf104e598fbbae988eb7bd3f160

1.3.3 رموز المقاييس

ستكون المقاييس الرئيسية المستخدمة في إشغال المساحة هي:

• PSO01 - إشغال ساذج
• SSO02 - الإشغال مقابل السعة
• PSO05 - إشغال ذكي

1.4 عد المجموعة

يحدد العد الجماعي واحد أو أكثر الأفراد كوحدة جماعية واحدة وتجمعهم معًا. ال مسار التتبع يتم تحليل الفرد فيما يتعلق بالفرد الآخر ، و منطق الترشيح المتقدم استنادًا إلى عتبة المسافة من شخص لآخر ، وسرعة المسار ، والاتجاه ، والمدة ، يتم تطبيقها لضمان حساب المجموعة الدقيق.

يفتح حساب المجموعة إمكانيات لبيانات ومقاييس أفضل:

• في البيع بالتجزئة ، تعتبر مجموعة عائلية واحدة كوحدة شراء واحدة. يوفر عد المجموعة أكثر دقة تحويل بيع قياس.
• لحساب أوقات الانتظار في قائمة الانتظار ، يعتبر الزوج الزوجي وحدة انتظار واحدة. يوفر عد المجموعة مقياسًا أكثر دقة لوقت الانتظار.

المتطلبات:

• قابل للتطبيق لمواجهة البرامج الثابتة v3.4.2 وما فوق ، والتي يمكن ترقيتها من الإصدار 3.3.0 الأدنى.
• جرد المجموعة متاح حاليًا لـ العد القياسي للقدم فقط. إنه متوافق مع استبعاد الموظفين. التوفر على حساب المنطقة ، عد قائمة الانتظار وعد خريطة الحرارة لا يزال العمل جاريا.

تم تصميم حساب المجموعة للعمل جنبًا إلى جنب مع خوارزميات العد الأخرى كإضافة معالجة منفصلة.

هذا يعني أنه إذا تم تكوين العداد لعد المدخل القياسي + جرد المجموعة ، فستكون هناك مجموعتان منفصلتان من البيانات التي تم جمعها:

• بيانات حساب المدخل
• إضافي مجموعة عد البيانات

على سبيل المثال ، إذا كان هناك زائر واحد قادم من خلال المدخل ، فسيقوم العداد بجمع كلاهما:

• زائر واحد IN
• 1 مجموعة IN

ظزولاؤ غير مستحسن لدمج بيانات حساب عدد الزائرين القياسي وبيانات عد المجموعة حيث سيؤدي ذلك إلى تكرار البيانات.

1.4.1 منطق التجميع

في حساب المجموعة ، تم اعتماد خوارزميات التجميع لمعالجة إحداثيات الموقع ثلاثية الأبعاد للأشخاص الذين ظهروا في منطقة التتبع وإنشاء مجموعات من الأشخاص الذين يظلون بالقرب من بعضهم البعض. يتم استخدام عتبة المسافة للتحكم في منطق التجميع بحيث يتم تخصيص شخص لمجموعة موجودة إذا كانت المسافة النسبية بين الشخص والمجموعة ضمن عتبة المسافة. فيما يلي مثالان على سيناريوهين يوضحان كيفية تكوين المجموعات عند تشغيل عد المجموعة.

بالنسبة للسيناريو الذي يحتوي على ≤ 3 أشخاص في منطقة التتبع ، سيتم اعتبار الأشخاص الذين يبقون ضمن عتبة مسافة ثابتة من بعضهم البعض كمجموعة. كما هو مبين في الشكل 15.4.1 ، P1 و P2 قريبان بدرجة كافية من بعضهما البعض (أي المسافة بينهما هي ≤ عتبة المسافة) وتشكل مجموعة من شخصين بينما P2 الذي يقع على مسافة أكبر من عتبة المسافة الثابتة من كليهما يشكل P3 و P1 مجموعة من شخص واحد بنفسه. تتراوح قيمة عتبة المسافة المستخدمة بشكل شائع من 2 متر إلى 1 متر (يمكن تعديلها بناءً على بيئة موقع التثبيت). 

بالنسبة للسيناريو الذي يضم أكثر من 3 أشخاص في منطقة التتبع ، يتم اعتماد تقنية تجميع أكثر تقدمًا لتحديد مجموعات الأشخاص بطريقة هرمية باستخدام مستويات متعددة من عتبة المسافة التي يتم تحديدها ديناميكيًا بناءً على توزيع الموقع لجميع الأشخاص في منطقة التتبع . على سبيل المثال ، كما هو موضح في الشكل 15.4.2 بإجمالي 5 أشخاص ، سيحدد منطق التجميع لدينا 3 مجموعات فريدة موصوفة أدناه:

• P1 & P2 على بعد 1.3 متر من بعضهما البعض وتشكل المجموعة G1 من شخصين ،
• P3 & P4 على بعد 0.7 متر من بعضهما البعض وتشكل المجموعة G2 من شخصين ،
• يبعد P5 2.5 متر عن المجموعة G1 و 2.0 متر عن المجموعة G2 ، وبالتالي تشكل المجموعة G3 المكونة من شخص واحد.

المجموعة G1 و G2 اللتان تبعدان مترين عن بعضهما البعض لا تشكلان مجموعة. لاحظ أن عتبة المسافة لم تعد قيمة ثابتة (كما في السيناريو 2 أشخاص) ولكن تم تحديدها ديناميكيًا للتكيف مع توزيع الموقع المتغير لجميع الأشخاص في منطقة التتبع ، وبالتالي فهي قادرة على تكوين مجموعة ذات مستوى كثافة متفاوتة.

1.4.2 منطق التصفية

يتم تطبيق منطق التصفية على إخراج منطق التجميع لتحسين نتائج التجميع. على عكس منطق التجميع الذي يأخذ فقط أحدث إحداثيات الموقع للأشخاص كمدخلات لأداء التجميع ، فإن منطق التصفية يأخذ مسار التتبع لكل شخص في منطقة التتبع لتحليل اتجاه حركتهم وسرعتها للسماح بالتجميع الدقيق وإزالة التجميع الخاطئ. هناك نوعان من آلية التصفية التي يتم تنفيذها ، وهما تصفية الاتجاه وفلترة السرعة ، والتي يتم تطبيقها على نتائج التجميع بطريقة متسلسلة ، مع ترشيح الاتجاه يسبق تصفية السرعة.

أ. تصفية الاتجاه
الغرض من تصفية الاتجاه هو تقسيم مجموعة كبيرة من الأشخاص إلى مجموعات متعددة أصغر من خلال مقارنة اختلاف الزاوية بين كل شخص في المجموعة. ستتشكل مجموعة فرعية جديدة إذا كان هناك شخص واحد على الأقل يتجاوز اختلاف زاويته قيمة عتبة محددة مسبقًا بعد المقارنة مع أشخاص آخرين في المجموعة.

أحد الأمثلة الأساسية حيث تساعد تصفية الاتجاه في حساب المجموعة هو تحديد مجموعات الأشخاص الذين يسافرون في الاتجاه المعاكس ويمنع تعيينهم في مجموعة كبيرة واحدة عندما يقتربون من بعضهم البعض ويظلون ثابتًا نسبيًا لفترة زمنية معينة ضمن التتبع منطقة.

B. سرعة التصفية

بالنسبة لتصفية السرعة التي يتم تطبيقها على ناتج تصفية الاتجاه ، فإن وظيفتها الأساسية هي تحديد الناشز (الشخص الذي تختلف سرعة حركته اختلافًا كبيرًا عن الشخص الآخر في المجموعة) في مجموعة واستبعاد الخارج من المجموعة. في المناسبة التي يقترب فيها شخص غريب بشكل مؤقت من مجموعة موجودة ظلت ثابتة لبعض الوقت ، ستساعد تصفية السرعة على منع المتطرف من الانضمام إلى المجموعة على الفور ، ولكن بدلاً من ذلك تعامل المجموعة الخارجية على أنها مجموعة أخرى. 

علاوة على ترشيح الاتجاه والسرعة ، يستخدم حساب المجموعة أيضًا حدًا للمدة يمكن تعديله للتحكم في مدى سرعة تكوين مجموعة جديدة ومدى سرعة حل مجموعة موجودة.

1.4.3 منطق إطلاق عدد المجموعات

سيتم تشغيل بيانات جرد المجموعة عندما:

• قامت المجموعة بتشغيل حدث العد. على سبيل المثال ، تجاوزت المجموعة خط عد IN ، و
• الكل أعضاء المجموعة غادروا منطقة التعقب.

ملاحظات: لا يؤثر منطق التشغيل هذا على العد العادي للعدد الفردي لأن عد المجموعة هو عملية تشغيل منفصلة. سيتم تشغيل حساب عدد الزائرين الفرديين وفقًا لما هو موضح في هذا القسم.

سيتم حفظ بيانات عد المجموعة في ما يلي يتضح * تنسيق.

مسلسل الجهاز	الطابع الزمني	معرف الخط	IsGroup
00000000xxxxxxxxx	12/2/2017 1:00pm	1	نعم
00000000xxxxxxxxx	12/2/2017 1:03pm	1	نعم
00000000xxxxxxxxx	12/2/2017 2:09pm	2	نعم

ملاحظات: لا يتم تخزين معلومات حجم المجموعة.

سيتم بعد ذلك تحميل بيانات عد المجموعة إلى الخادم وفقًا لما هو موضح في هذا القسم.

* لغرض التوضيح فقط.

1.4.4 مقاييس عد المجموعة 

ستكون المقاييس الرئيسية المستخدمة لحساب عدد الزيارات هي:

• PFC21 - مجموعة فوتفول إن
• PFC22 - مجموعة سقوط القدم خارج

1.4.5 الإشارة إلى نتائج عد المجموعة في العرض المباشر

يوضح الشكل 15.4.3 بعض المعلومات العامة التي سيتم عرضها على المعاينة الحية للعداد عند تمكين عد المجموعة ، والتي تشمل:

• عدد المجموعات التي تم اكتشافها في منطقة التتبع (في الزاوية اليسرى العليا من المعاينة الحية)
• أحد الوالدين للمجموعة (أي الشخص الذي كان في المجموعة لأطول فترة من الوقت ، تم وضع علامة عليه بدائرة حمراء)
• مدة كل شخص في المجموعة (بالثواني)
• حجم المجموعة (يظهر فقط تحت نص المدة للمجموعة الرئيسية)
• خط أصفر يربط بين جميع الأشخاص في نفس المجموعة

1.4.6 اللائحة العامة لحماية البيانات (GDPR)

1. لا يتم جمع معلومات تحديد الهوية الشخصية (معلومات التعريف الشخصية) ، مثل المقاييس الحيوية أو الوجوه ، لغرض المعالجة أو التحليل.
2. لا يوجد ضمان أو افتراض بأن الأشخاص المتجمعين في مجموعة لديهم أي شكل من أشكال العلاقات الاجتماعية أو البيولوجية.
3. يعتمد التحليل بحتة على المسار والوقت.
4. سيتم وضع علامة على شخص واحد في المجموعة كقائد للمجموعة ، لغرض وحيد هو تحسين دقة حساب المجموعة. يمكن لأي شخص أن يكون قائدًا للمجموعة ، على عكس (على سبيل المثال) يمكن أن يكون الأكبر فقط هو قائد المجموعة.

1.4.7 القيود 

• لا يمكن الاستدلال على علاقة الأشخاص في نفس المجموعة بإحصاء المجموعة في المرحلة الحالية لأننا لم نجمع معلومات المقاييس الحيوية أو الجنس أو الوجه للأشخاص.
• لا يُنصح بتمكين حساب المجموعة في الموقع مع منطقة تتبع صغيرة نسبيًا لأنه لن تكون هناك بيانات مسار تتبع كافية للأشخاص من أجل حساب المجموعة للمعالجة وإنشاء نتائج التجميع. يجب أن يكون الحجم الأدنى الموصى به لمنطقة التتبع 3 م × 3 م على الأقل لضمان دقة عد المجموعة المرضية.

1.5 عد تحليلات الفيديو

تستخدم تحليلات الفيديو خوارزمية الذكاء الاصطناعي لأداء الكشف والتتبع البشري. يتم استخدامه في FootfallCam Centroid لإنتاج بيانات الإقبال. يوجد أدناه مخطط تدفق كامل لإعداد Centroid نموذجي بكاميرات IP ، بدءًا من كيفية حصول الجهاز على الإدخال من الكاميرات ، إلى معالجة البيانات وتحميلها إلى الخادم.

مخطط تدفق تحليلات الفيديو

1.5.1 خوارزمية الذكاء الاصطناعي

تستخدم خوارزمية الذكاء الاصطناعي الشبكة العصبية العميقة المدربة بواسطة تقنيات التعلم الآلي لتحديد هوية الإنسان واكتشافه. إنه يتتبع فقط الإنسان الذي يتمتع بثقة عالية من الخوارزمية. بفضل التكنولوجيا المتقدمة ، لديها معدل سلبي كاذب منخفض. نادرًا ما يكتشف بشكل خاطئ العربات أو الأشياء كبشر لأنها متميزة بصريًا.

الكشف عن الإنسان

اختياريًا ، يمكن إجراء التحليل الديموغرافي على كل إنسان تم اكتشافه للحصول على مزيد من الأفكار بناءً على وجه الشخص ، مثل العمر والجنس والعاطفة. يمكن أن يعطي هذا تقسيمًا إحصائيًا جيدًا لخصائص الشخص ، وهو مفيد لقياس فعالية الحملة الترويجية ، وفهم قاعدة العملاء ، والحصول على تعليقات معبرة ، وما إلى ذلك.

القيود:

• قد يكتشف بشكل خاطئ الهياكل الشبيهة بالبشر ، مثل اللوحات أو البشر
• قد لا تكتشف الأطفال
• قد لا يكتشف الإنسان المحظور أو المسدود ، عندما يكون في حشد من الناس
• قد لا يكتشف ما إذا كان الإنسان بعيدًا جدًا أو ضبابيًا جدًا
• قد يؤثر تمكين التحليل الديموغرافي على الوضع الطبيعي people counting دقة
• يعمل التحليل الديموغرافي فقط على الوجوه الأمامية للشخص دون أي قناع

1.5.2 أوضاع العد

1.5.2.1 في العد خارج

منطقة التعقب (حمراء) وخط داخلي

يعمل In Out Counting عن طريق:

• تتبع كل إنسان تم اكتشافه بواسطة خوارزمية الذكاء الاصطناعي
• التحقق باستمرار مما إذا كان الإنسان داخل منطقة التتبع
• إذا تجاوز الإنسان إما In-line أو Out-line ، فسيتم تسجيل حدث الجرد.
• ومع ذلك ، يتم تجاهل الحدث إذا قام الإنسان بدورة.
• عندما يغادر الإنسان منطقة التتبع ، يتم جمع الحدث وإرساله.

جمع البيانات شنومكس

بمجرد دخول الزائر إلى منطقة التتبع الخاصة بجهاز ما والخروج منها أثناء تشغيل الخط الداخل للخارج بينهما ، يقوم الجهاز بتشغيل حدث الجرد.

سيتم حفظ البيانات بالتنسيق التالي:

مسلسل الجهاز	الطابع الزمني	معرف المقياس	معرف Roi	ادمج معرّف نوع الكائن
142xxxxxxxxx	12/2/2022 1:00pm	1	1	23311
142xxxxxxxxx	12/2/2022 1:03pm	1	2	14511
142xxxxxxxxx	12/2/2022 2:09pm	2	1	12311

التعاريف:

• مسلسل الجهاز
  • الرقم التسلسلي للجهاز
• الطابع الزمني
  • وقت وقوع الحدث
• معرف المقياس
  • 1: عندما يعبر زائر الخط
  • 2: عندما يتجاوز الزائر الخط الخارجي
• معرف Roi
  • معرّف كاميرا CCTV حيث يحدث الحدث
• ادمج معرّف نوع الكائن
  • مزيج من المعرفات يشفر تفاصيل الشخص مثل التحليل الديموغرافي

يتم تخزين البيانات في قاعدة بيانات الجهاز لمدة تصل إلى 14 يومًا.

لا يتم تخزين بيانات الصور الحساسة الخاصة بمعلومات تحديد هوية الشخص (PII) للشخص أو الوجه في الجهاز.

1.5.4 عملية تحميل البيانات

يتم تحميل البيانات التي تم جمعها بواسطة كل جهاز إلى الخادم على الفور عبر بروتوكول websocket. ستتم أيضًا معالجة البيانات في الوقت الفعلي على الخادم ، لذلك من الممكن عرض لوحة التحكم المباشرة للبيانات على البوابة. أحد الأمثلة هو لوحة تحكم الإشغال المباشر.

بمجرد وصول البيانات إلى الخادم ، يتم تجميعها على الفور إلى مستوى الدقة على مستوى الموقع أو المنطقة ، وتكون متاحة بسهولة للمستخدمين النهائيين للاستعلام عبر حساب بيانات API. يمكن للمستخدمين استرداد البيانات بدقة زمنية متعددة ، مثل دقيقة واحدة أو 1 دقيقة أو 15 دقيقة أو كل ساعة أو يوميًا أو أسبوعيًا أو شهريًا أو سنويًا.

البيانات متاحة أيضًا لإعداد التقارير التاريخية. نرى الملحق ب تعريف المقاييس إلى متى يتم تخزين البيانات على الخادم.

لا يتم إرسال أي بيانات صور حساسة خاصة بمعلومات تحديد هوية الشخص (PII) للشخص أو الوجه إلى الخادم.

1.5.5 رموز متري

رموز المقاييس هي نفسها تمامًا عدد رموز متري.