1.1 Fußzählung

Unter verschiedenen Umständen werden unterschiedliche Zählalgorithmen verwendet. Die Typen und Unterschiede der verschiedenen von FootfallCam verwendeten Algorithmen werden in den folgenden Abschnitten angegeben.

1.1.1 Standard-3D-Algorithmus

Unter normalen Umständen FootfallCam^TM verwendet einen Standard-3D-Algorithmus, um auf dem optimalen Niveau zu zählen. Die optimalste Höhe für FootfallCam^TM beträgt 2.5 m bis 4.5 m.

Der Standard-3D-Algorithmus funktioniert nach:

• Unterscheiden Sie zwischen Kopf- und Schulterpunkt des Menschen und bilden Sie einen 3D-Blob und eine Spurlinie, die deren Bewegung verfolgen.
• Eine Person, die eine Kehrtwende macht und den Laden nicht betreten hat, wird von der Zählung unter Verwendung einer Start-End-Zone ausgeschlossen.
• Es wird durch Höhenerkennung zwischen Kindern, Erwachsenen und leblosen Objekten unterscheiden und eine Tiefenkarte erstellen.
• Es kann bei starkem Verkehr gut funktionieren, da der Blob und der Kopfpunkt klar sind.
• Es kann eine Ausschlusslinie an einem bestimmten Teil der Verfolgungslinie anwenden, die häufig von Mitarbeitern verwendet wird, um das Zählen von Mitarbeitern zu vermeiden.

Standard Live View	Kehrtwende wird nicht gezählt
Kinder werden nicht gezählt	Personen mit Wagen werden als eins gezählt

 

1.1.2 Flächenzählalgorithmus

Der Algorithmus zur Bereichszählung verwendet die 3D-Blob-Tracking-Technologie, um jede einzelne Person in einem Bereich zu verfolgen und die Mehrfachzählung zu unterstützen, wenn mehr als eine Person die Zone betritt. Es verhindert auch ein Überzählen einer Person. Der Algorithmus verfolgt automatisch die Dauer (einstellbar), zu der eine Person die Zone betritt. Sobald die Person den Schwellenwert für die Dauer überschreitet, wird die Person als In betrachtet. Wenn die Person die Zone verlässt, wird sie als Out betrachtet.

Für eine bestimmte Dauer bleiben	Mehrfachzählung in einem Bereich
Zufälliges Muster in Bewegung	Kein spezifischer Eingang

Flächenzählung ist meistens geeignet für

• Geschäfte ohne bestimmte Eingänge. Dies bedeutet, dass jeder Besucher aus jeder Richtung des Geschäfts ein- und aussteigen kann.
• Geschäfte, in denen der Besucher in einem zufälligen Muster und nicht nur rein und raus gehen würde. Dies wird normalerweise durch die Bestandsanzeigen in der Nähe des Zählbereichs verursacht, wodurch Besucher mit den Anzeigen interagieren.
• Der Verfolgungsbereich ist sehr begrenzt und hat nicht genügend Gehentfernung, damit der Standard-3D-Zählalgorithmus einwandfrei funktioniert.

Einschränkung der Flächenzählung

• Die Ausschlusslinie gilt nicht, da keine Zähllinie verwendet wird.

 

1.1.3 Datensammlung

Beim Standard-3D-Algorithmus wird die Zählung ausgelöst, sobald ein Besucher die Verfolgungszone eines Geräts betreten und verlassen hat, während er die dazwischen liegende In-Out-Linie auslöst. Wenn sich ein Besucher länger als der festgelegte Schwellenwert in der Verfolgungszone eines Geräts befindet, wird die Zählung ausgelöst.

Die Daten werden dann in folgender Form gespeichert:

Geräteserie	Timestamp	Leitungs-ID
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

Die Seriennummer des Geräts gibt an, von welchem ​​Gerät die Daten stammen, der Zeitstempel zeigt an, wann ein Besucher gezählt wird, und die Leitungs-ID gibt an, welche Leitung vom entsprechenden Besucher ausgelöst wurde.

1.1.4 Daten-Upload-Prozess

Die von jedem Gerät gesammelten Daten werden dann im Abstand von 15 Minuten auf den Server hochgeladen und nach 7 Tagen gelöscht. Der Prozess des Hochladens von Daten hängt jedoch stark von der Internetverbindung der Site ab. Wenn die Geschwindigkeit langsam ist, wird auch die Geschwindigkeit beim Hochladen von Daten verlangsamt, was sich weiter auf die Datenanzeige in Berichten auswirkt.

Sobald die Daten auf den Server hochgeladen wurden, werden sie später auf Stunden- und Tagesbasis zusammengefasst, abhängig von den Anforderungen des Berichts eines bestimmten Bereichs oder Standorts. Aggregierte Daten werden erst gelöscht, wenn die Zuordnung des Geräts von seinem Standort aufgehoben wird.

1.1.5 Umsatzumrechnung

Bei der Umsatzumwandlung wird einfach die Anzahl der Transaktionen geteilt, die innerhalb eines bestimmten Zeitraums vom Besucher für das Geschäft im selben Zeitraum ausgeführt werden. Dieses Ergebnis ermöglicht es dem Manager, einen tieferen Einblick in die Geschäftsleistung zu erhalten. Zum Beispiel bedeutet eine hohe Besucherfrequenz, dass das Geschäft viele Kunden aus dem Außenverkehr anzieht, aber eine niedrige Conversion-Rate zeigt an, dass es die Verkaufschancen nicht gut maximiert.

1.1.6 Metrikcodes

Die wichtigsten Kennzahlen für die Besucherzählung sind:

• PFC01 - Schrittzähler IN
• PFC02 - Trittfrequenz AUS
• SFC03 - Diskrepanz IN OUT
• PFC07 – Gesamtzahl der Transaktionen
• PFC08 – Gesamtverkaufsvolumen
• SFC09 – Umrechnung von Besucherzahl in Umsatz

1.2 WLAN-Analyse

Neben der Zählung, die durch den Tracking-Algorithmus ausgelöst wird, gibt es auch eine Zählung, die durch Wi-Fi-Signale ausgelöst werden kann.

1.2.1 Datenabdeckung

Das Wi-Fi-Modul in Footfall Counter funktioniert wie jedes andere Wi-Fi-fähige Gerät, da es Wi-Fi-Signale von anderen Wi-Fi-fähigen Geräten in der Nähe empfangen kann. Das Wi-Fi-Modul kann die Wi-Fi-Signale erfassen, die von den Wi-Fi-fähigen Geräten im Umkreis von 100 m gesendet werden. Der tatsächliche Arbeitsbereich kann jedoch aufgrund der Einrichtung der Innenwände in den Filialen eingeschränkt sein.

Smartphones, deren Wi-Fi-Funktionen nicht ausgeschaltet sind, sind entweder mit einem Wi-Fi-Zugangspunkt verbunden oder suchen nach einem, zu dem eine Verbindung hergestellt werden kann. Zu diesem Zweck senden sie Wi-Fi-Nachrichten aus - wenn sie verbunden sind, senden sie Datennachrichten und suchen bei der Suche nach Nachrichten, die einem Zugangspunkt signalisieren, zu antworten. Die Frequenz dieser Signale variiert je nach Smartphone-Hersteller und Gerätestatus. Im Allgemeinen beträgt der Durchschnitt jedoch zwei bis neun Signale pro Minute.

1.2.1.1 Über MAC-Randomisierung und wie sie erkannt werden

Die MAC-Randomisierung ist seit einiger Zeit ein Teil der Netzwerkindustrie und beinhaltet das Ändern der MAC-Adresse eines Geräts, wenn es Probe Requests sendet. Dadurch wird verhindert, dass nicht verbundene Geräte verfolgt werden. Dies ändert sich jedoch mit der Veröffentlichung der neuesten Betriebssysteme wie iOS 14/WatchOS 7, Android 10+ und einigen Versionen von Windows 10. Diese Systeme randomisieren MAC-Adressen jetzt nicht nur während der Erkennungsphase, sondern auch während des Gerätes mit dem Netzwerk verbunden ist.

Bei Smartphones, die mit der MAC-Randomisierungstechnologie ausgestattet sind, hat dies keinen Einfluss auf die Zählgenauigkeit von Daten, die mithilfe von Wi-Fi-Analysen generiert werden. Die Randomisierung der MAC-Adresse wirkt sich nur auf Mobilgeräte aus, die nicht mit einem Mobilfunknetz verbunden sind. Wenn die MAC-Adresse randomisiert wird, wird sie außerdem in eine bedeutungslose MAC-Adresse umgewandelt, die sich von der echten MAC-Adresse unterscheidet.

Das Erkennen randomisierter MAC-Adressen ist einfach. Der OUI-Abschnitt einer MAC-Adresse hat ein gesetztes Bit, um eine randomisierte oder lokal verwaltete Adresse anzugeben. Überprüfen Sie einfach das zweite Zeichen in einer MAC-Adresse und wenn es 2, 6, A oder E ist, ist es eine zufällige Adresse. Beispielsweise wird die Wi-Fi-Adresse 92:B1:B8:42:D1:85 randomisiert, da ihr zweites Zeichen eine 2 ist. Unser Trittfrequenzzähler filtert die bedeutungslosen MAC-Adressen, die vom Wi-Fi-Sensor erfasst werden, heraus und schließt sie aus es aus den Zähldaten.

1.2.2 Statistische Stichprobe

Die Hauptfunktion der Wi-Fi-Zählung besteht darin, Wi-Fi-Signale zu verwenden, die von den Smartphones der Besucher gesendet werden, um den Verkehrsfluss von Personen in einem bestimmten Bereich zu approximieren. Allerdings trägt nicht jede Person ein Smartphone, und einige Personen tragen möglicherweise mehr als ein Wi-Fi-Gerät wie iPads.

Unser Wi-Fi-Zählalgorithmus kann die oben genannten Einschränkungen überwinden und mithilfe der statistischen Stichprobe eine genaue Verkehrsnäherung liefern. Dies stellt sicher, dass auch wenn nicht jeder Besucher seitdem zu Wi-Fi-Daten beiträgt Nicht jeder Besucher wird ein Mobiltelefon tragenDiese Benutzer machen einen kleinen Teil der Gesamtzahl der Besucher aus und tragen nicht zu einer großen Fehlerquote bei.

Statistische Stichproben werden in vielen verschiedenen Branchen wie Fernsehbewertung und Wahlumfragen häufig verwendet. Die Nielsen Company verwendet ausgefeilte Stichprobentechniken, um Bewertungen und Zuschauerzahlen in der Fernsehbranche auf der ganzen Welt zu messen und darüber zu berichten. In den USA wählt das Unternehmen beispielsweise Häuser aus, in denen kleine Geräte installiert werden sollen, die die Sehgewohnheiten überwachen.

Ein weiteres Beispiel wurde in der Wahlumfrage verwendet. Meinungsumfragen wurden über viele Jahre durch Telekommunikation oder persönlichen Kontakt geführt. Methoden und Techniken variieren, obwohl sie in den meisten Bereichen weit verbreitet sind. Einige Umfrageorganisationen, Internet-Umfrage, bei der eine Stichprobe aus einer großen Gruppe von Freiwilligen gezogen wird und die Ergebnisse gewichtet werden, um die Demografie der interessierenden Bevölkerung widerzuspiegeln.

1.2.3 Wi-Fi-Datennormalisierung

Die Normalisierung wird häufig verwendet, um die statistischen Daten in reale Zahlen umzuwandeln. Der Normalisierungsfaktor wird beispielsweise auf die Anzahl der erkannten Wi-Fi-Geräte angewendet, um sie in die Anzahl der Personen in der Region umzuwandeln.

Durch Korrelieren der Anzahl der Personen, die mithilfe der Videozählung die Website betreten, und der Anzahl der Wi-Fi-Geräte, bei denen festgestellt wurde, dass sie durch die Tür gegangen sind, erstellt der Zähler anhand der Daten der letzten zwei Wochen ein statistisches Profil und schätzt den Prozentsatz der Personen, die die Website tragen Smartphones.

Dieses statistische Modell basiert auf Zählern. Das heißt, jeder Zähler verfügt über ein eigenes statistisches Modell, das basierend auf der Demografie der Personen und den umgebenden Wi-Fi-Eigenschaften automatisch angepasst wird.

 

1.2.4 Datenerhebung

Die gesammelten Daten werden dann in unserer Datenbank gespeichert, einschließlich Seriennummer des Geräts, Signalstärke, Mac-Adresse und Zeitstempel.

Nachfolgend finden Sie die Datenerfassungsmethode für Wi-Fi-Daten:

1. Die Wi-Fi-Daten werden von der Menge an dem Ort gesammelt, an dem das Gerät installiert ist.
2. Der am Gerät angeschlossene Wi-Fi-Dongle ist das Modul, das ständig das Wi-Fi-Signal erfasst, das von den Wi-Fi-fähigen Geräten wie Smartphones, Tablets usw. gesendet wird.
3. Die Mac-ID wird im Gerät mit der Signalstärke und dem Zeitstempel wie in der Tabelle gezeigt verarbeitet:

Hashed Wi-Fi Mac-Adresse	Erkannte Zeit	Signalstärke
aaa	12/2/2017 1:00pm	-65
bbb	12/2/2017 1:03pm	-66
ccc	12/2/2017 2:09pm	-100

Die unformatierte MAC-Adresse dieser Geräte wird in der Datenbank gespeichert und ständig (stündlich) auf den zentralen Server hochgeladen, um sie in der Berichterstellung weiter zusammenzufassen. FootfallCam sammelt diese Daten und leitet sie dann stündlich zur Verarbeitung und Analyse sicher an die FootfallCam Cloud weiter.

Der verwendete Hashing-Algorithmus für die MAC-Adresse ist PBKDF2WithHmacSHA256, der für das Hashing von Passwörtern entwickelt wurde und daher ein langsamer Algorithmus ist. Dies ist gut für das Hashing von Passwörtern, da es die Anzahl der Passwörter pro Sekunde reduziert, die ein Angreifer beim Erstellen eines Wörterbuchangriffs hashen könnte. Das Hinzufügen eines Salt zum Kennwort verringert die Möglichkeit, vorberechnete Hashes für Angriffe zu verwenden, und bedeutet, dass mehrere Kennwörter einzeln und nicht alle gleichzeitig getestet werden müssen. Der Standard empfiehlt eine Salzlänge von mindestens 64 Bit. Das US-amerikanische National Institute of Standards and Technology empfiehlt eine Salzlänge von 128 Bit, und FootfallCam verwendet in diesem Fall 256 Bit.

 

1.2.5 Datenverarbeitung und Klassifizierung

Wenn Daten stündlich in die FootfallCam Cloud übertragen werden, werden alle erkannten Geräte in einer Zeitreihendatenbank klassifiziert. Dabei werden robuste Algorithmen angewendet, um alle erkannten Geräte zu profilieren und die Daten in einige Werte einzuteilen:

1. Unterscheiden Sie die Mac-ID, die als "Vorbeigehen" und "In den Laden eingegeben" erfasst wurde, anhand der Wi-Fi-Sonden und des Vertrauens der Signalstärke.
2. Weitere Karte "Besuchsdauer" durch Erhalten der "zuerst gesehen" und "zuletzt gesehen" mit der Bedingung höchste Signalstärke, die von Sonden erfasst wird, die zu 2 verschiedenen Zeitstempeln empfangen wurden.

Die Signalstärke allein ist eine grobe Näherungsmethode und ungenau, da Wi-Fi-Signale in unterschiedlichen Umgebungseinstellungen variieren können. Darüber hinaus hängt die Signalstärke von vielen Umgebungsbedingungen in Echtzeit ab.

Durch Hinzufügen der Anzahl der Sonden, des Zeitstempels, des Konfidenzniveaus und des Schwellenwerts wird die Genauigkeit der Wi-Fi-Daten erhöht. Es gibt zwei Wi-Fi-Schwellenwerte: Schwellenwert 1 filtert schwaches Signal, das weit vom Zähler entfernt ist. Schwellenwert 2 erfasst eine starke Signalstärke, die sich im Ladenverkehr befindet. Alle Details zur Prüfanforderung unterhalb von Schwellenwert 1 werden in einer unformatierten Mac-Datenbanktabelle auf dem Gerät gespeichert. Die Serverseite verarbeitet die Mac-Adressliste, um die Verweilzeit zu berechnen und Kundenwerte zurückzugeben, indem die täglichen Daten für die Analyse aggregiert werden.

 

1.2.5.1 Mehrere in einem Geschäft installierte Zähler

Wenn in einem Geschäft mehrere Zähler installiert sind, werden die Zähldaten von den Zählern zur weiteren Verarbeitung in die Datenbank hochgeladen, um das Überzählen einer einzelnen Person zu verhindern. Durch diesen Prozess wird sichergestellt, dass die von der FootfallCam generierten Zähldaten echt sind und für die weitere analytische Verarbeitung durch das Business Intelligence-System des Benutzers bereit sind.

Daten zählen

Zähler 1 + Zähler 2 + Zähler 3

Wenn in einem Geschäft mehrere Zähler installiert sind, werden die Wi-Fi-Zähldaten in die zentrale Datenbank hochgeladen, um doppelte Einträge von MAC-Adressen herauszufiltern. Die duplizierten MAC-Adressen werden bei der Aggregation der Daten nicht verwendet. Diese Methode verhindert, dass das Überzählen einer einzelnen MAC-Adresse zweimal gezählt wird.

Wi-Fi-Daten

Zähler 1 + Zähler 2 + Zähler 3

Wenn mehrere Zähler in einem breiten Eingang installiert sind, müssen die Verfolgungszone und die Zähllinien konservativ gezeichnet werden. Die auf einem Zähler gezeichnete Verfolgungszone und die Zähllinien dürfen die auf einem anderen Zähler gezeichneten Zählzone und Verfolgungslinien nicht überlappen. Dies ist erforderlich, um ein Überzählen der Besucherdaten zu verhindern, während dies zu einer ungenauen Besucherzahl und zu gefälschten Umsatzraten führen kann.

1.2.5.2 Ausschluss der Geräte-MAC-Adresse des Personals

Wenn das Personal Geräte mit eingeschaltetem WLAN trägt, wird dessen MAC-Adresse auch von Fußgängergeräten erfasst. Sie können die MAC-Adresse der Geräte des Personals auf der Site-Seite manuell ausschließen. Verweisen Teil 15.5 zur Schritt-für-Schritt-Anleitung.

1.2.5.3 Durchschnittliche Besuchsdauer

Wir können die Dauer des Kundenbesuchs anhand der beiden Spitzenwerte der Wi-Fi-Signalstärke ermitteln, da es sich dabei um den Standort handelt, der dem Eingang am nächsten liegt, wenn das Gerät installiert ist. Wenn das Profil zwei Spitzen aufweist, die über einem definierten Signalstärkeschwellenwert liegen, werden diese als IN-Zeit und OUT-Zeit des Besuchers identifiziert.

Maximale Besuchsdauer - Einige Besucher besuchen die Website möglicherweise mehrmals am selben Tag. Die maximale Besuchsdauer ist die maximale angemessene Besuchsdauer, die ein Besucher für einen einzigen Besuch auf der Website erwarten kann. Der Standardwert ist 2 Stunden.

Zum Beispiel,

Besucher A: erster Besuch => 1:05 bis 1:30 Uhr zweiter Besuch => 4:05 bis 5:43 Uhr

Ergebnis: 2 Besuche. Der erste Besuch dauert 25 Minuten. Der zweite Besuch dauert 98 Minuten.

Zunächst wird die Besuchsdauer anhand der eindeutigen Kennung (MAC-ID-Sonden) vom Smartphone des Benutzers gemessen.

Besuchen Dauer

Zeit (In) - Zeit (Out)

Neu/Gebraucht:

1. Definieren der Grenze der Wi-Fi-Verfolgung
2. Ausgeschlossene Mitarbeiterliste und Geräteliste

 Aggregation von Besuchsdauerkategorien

FootfallCam klassifizierte die Datenerfassung für die Besuchsdauer weiter in drei Kategorien. Standardmäßig liegen 3 Minuten darunter, innerhalb von 15 Minuten bis 15 Minuten und über 30 Minuten.

Besuchsdauer für Websites mit mehreren Zählern

Durch das Hochladen der Wi-Fi-Tracking-Informationen aller Geräte am Standorteingang auf einen zentralen Server würde der Server die Analyse durchführen und die Ein- und Ausgangszeiten der Wi-Fi-Geräte schätzen. Das System würde die Wi-Fi-Tracking-Informationen von allen Zählern innerhalb des Standorts zusammenfassen.

1.2.6 Wi-Fi-Metrikcodes

Die für das Wi-Fi-Modul verwendeten Schlüsselmetriken sind:

• PWA01 - Außenverkehr
• SWA02 - Turn-In-Rate
• PWA03 - Durchschnittliche Besuchsdauer
• SWA04 – Rate wiederkehrender Kunden in den letzten 14 Tagen
• SWA05 – Rate wiederkehrender Kunden in den letzten 60 Tagen
• SWA06 – Neukundenrate in den letzten 14 Tagen
• SWA07 – Neukundenrate in den letzten 60 Tagen

1.3 Raumbelegung

Die Raumbelegung ist die Anzahl der Personen, die sich zu einem bestimmten Zeitpunkt an einem Standort aufgehalten haben. Es ist gleichbedeutend mit Akkumulative IN-Zählung abziehen Akkumulative OUT-Anzahl.

Belegung

(Accumulative IN - Accumulative OUT)

Akkumulative IN-Zählung ist die Summe aller IN-Zählungen vom Beginn der Betriebsstunde bis zur aktuellen Zeit. Diese Daten werden sofort aktualisiert. Ebenso für Akkumulative OUT-Anzahl.

1.3.1 Akkumulativer Fehler

Nein personenzähler ist 100% genau. Es würde im Laufe des Tages akkumulative Fehler geben.

 

1.3.2 Belegungsmodi

Es gibt zwei Belegungsmodi: Naive Belegung und Intelligente Belegung.

Vergleiche	Naive Belegung	Intelligente Belegung
Formel	EIN - AUS	IN - OUT + Fehlerkorrektur
Fehlerkorrektur	×	√
Erfordert die Sammlung von Verlaufsdatenproben	×	√ (automatisch)
Echtzeit-Dashboard	√	√
Bericht über historische Daten	√	√
Metrik auf Site-Ebene	√	√
Metrik auf Gebietsebene	√	√
Genauigkeit	High	Höher
Die Summe der Daten auf Gebietsebene entspricht den Daten auf Verzweigungsebene	√	×(siehe Anmerkung)
Modi	×	Modus 1 & Modus 2
Details	Abschnitt 15.3.1.4	Abschnitt 15.3.1.5 & Abschnitt 15.3.1.6

1.3.2.1 Empfohlene Anwendungsfälle

Im Allgemeinen Intelligente Belegung ist die bevorzugte Option für fast alle Situationen mit Ausnahme von Websites mit geringem Verkehrsaufkommen.

Anwendungsbeispiele	Naiv	Intelligente
Supermärkte oder Lebensmittelgeschäfte mit hohem Verkehrsaufkommen	×	√
Toilettenbelegung	×	√
Restaurants oder Kantinen	×	√
Belegungskapazitätskontrolle über Armaturenbrett oder automatisches Tor	×	√
Bibliotheks- oder Juweliergeschäfte mit geringem Verkehrsaufkommen	√	×
Ausstellungen	×	√
Kinos	×	√

1.3.2.2 Naive Belegung

Das Belegungsdiagramm sieht im Allgemeinen wie eine Glockenformkurve aus, wobei die Belegungsspitze irgendwo zwischen den Betriebsstunden liegt. Einige können mehrere Spitzen aufweisen, was auf mehrere Spitzenstunden hinweist.

Aufgrund eines akkumulierten Fehlers kann die naive Belegung gegen Ende der Betriebsstunden einen signifikanten Fehler aufweisen.

 

1.3.2.3 (Smart Occupancy) Echtzeit-Fehlerkorrektur

Da die Belegung sofort aktualisiert und angezeigt wird Live-Belegungs-Dashboard, Echtzeitfehlerkorrektur wird auf Naive Occupancy angewendet, um den akkumulierten Fehler zu minimieren. Dies stellt sicher, dass:

• Die Belegung ist genauer in Bezug auf die tatsächliche Anzahl
• Die Belegung fällt nie über 0 auf negative Zahlen
• Die Belegung nähert sich am Ende der Betriebsstunden nahe 0

 

Hinter den Kulissen verwendet das System Erweiterte KI-Modellierung um den Belegungstrend der letzten 14 Tage oder mehr zu kapseln und ein Vorhersagemodell zu generieren, das den akkumulierten Belegungsfehler genau reduziert.

Live-Belegung

Naive Belegung + Echtzeitfehlerkorrektur

Es gibt 2 Modi für Intelligente Belegung.

Modus 1	Modus 2
Verwendung Erweiterte statistische Modellierung Verallgemeinerungsmuster eines Standorts / Gebiets zu verallgemeinern.	Läuft die Belegung einer Person ab, wenn die konfigurierte überschritten wird Ablauffrist.
Benötigt keine Benutzereingabe.	Der Benutzer muss die Ablauffrist festlegen.
Erfordert die Erfassung historischer Daten (automatisch).	Erfordert keine Erfassung historischer Daten.
Geeignet für Websites mit hohem Verkehrsaufkommen, z. B. Lebensmittelgeschäfte, Supermärkte, Restaurants, Ausstellungen.	Geeignet für Situationen, in denen die Besuchsdauer bekannt und ziemlich konstant ist, z. B.: Toilettenbelegung, Kinobelegung.

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

1.3.2.4 (Smart Occupancy) Fehlerkorrektur nach der Verarbeitung

Für die Belegung der Daten des Vortages in Raumbelegungsbericht, Fehlerkorrektur nach der Verarbeitung wird basierend auf der täglichen In-Out-Diskrepanz auf die Belegung angewendet. Dies hat die gleichen Auswirkungen wie die Echtzeit-Belegungsfehlerkorrektur, außer dass sie sich jetzt in der Nachbearbeitung befindet.

Historische Belegung

Live-Belegung + Fehlerkorrektur nach der Verarbeitung

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

1.3.3 Metrikcodes

Die wichtigsten Kennzahlen für die Raumbelegung sind:

• PSO01 - Naive Belegung
• SSO02 - Belegung vs. Kapazität
• PSO05 - Intelligente Belegung

1.4 Gruppenzählung

Gruppenzählung identifiziert ein oder mehr Individuen als eine kollektive Einheit und bündelt sie. Die Tracking-Trajektorie einer Person wird in Bezug auf eine andere Person analysiert, und erweiterte Filterlogik basierend auf dem Personen-zu-Person-Entfernungsschwellenwert, der Flugbahngeschwindigkeit, der Richtung und der Dauer, werden angewendet, um eine genaue Gruppenzählung zu gewährleisten.

Die Gruppenzählung eröffnet Möglichkeiten für bessere Daten und Metriken:

• Im Einzelhandel gilt 1 Familiengruppe als 1 Einkaufseinheit. Gruppenzählung liefert genauere Verkaufsumwandlung metrisch.
• Für die Berechnung der Wartezeiten in der Warteschlange gilt 1 Paar als 1 Warteeinheit. Die Gruppenzählung bietet eine genauere Wartezeitmetrik.

Anforderungen:

• Gilt für Counter-Firmware v3.4.2 und höher, die von mindestens v3.3.0 aktualisiert werden kann.
• Gruppenzählung ist derzeit verfügbar für Standard-Fußzahlzählung nur. Es ist mit Personalausschluss vereinbar. Verfügbarkeit für Flächenzählung, Warteschlangenzählung und Heatmap-Zählung sind noch in Arbeit.

Die Gruppenzählung ist so konzipiert, dass sie mit anderen Zählalgorithmen als zusätzliche separate Verarbeitung zusammenarbeitet.

Das heißt, wenn der Zähler für die Standardeingangszählung + Gruppenzählung konfiguriert ist, werden 2 separate Datensätze erfasst:

• Eingangszähldaten
• zusätzlich Gruppenzähldaten

Wenn beispielsweise 1 Besucher durch den Eingang kommt, sammelt der Schalter beides ein:

• 1 Besucher IN
• 1 Gruppe IN

Daher ist es nicht ratsam um Standarddaten zur Besucherzählung und Gruppenzählungsdaten zu kombinieren, da dies zu Datenduplizierungen führt.

1.4.1 Gruppierungslogik

Bei der Gruppenzählung werden Clustering-Algorithmen verwendet, um die 3D-Standortkoordinaten von Personen zu verarbeiten, die in der Tracking-Zone erschienen sind, und um Gruppen von Personen zu generieren, die nahe beieinander bleiben. Ein Entfernungsschwellenwert wird verwendet, um die Gruppierungslogik so zu steuern, dass eine Person einer bestehenden Gruppe zugeordnet wird, wenn die relative Entfernung der Person von der Gruppe innerhalb des Entfernungsschwellenwerts liegt. Nachfolgend finden Sie zwei Beispielszenarien, die veranschaulichen, wie Gruppen gebildet werden, wenn die Gruppenzählung ausgeführt wird.

Bei einem Szenario mit ≤ 3 Personen in der Verfolgungszone werden Personen, die sich innerhalb einer festgelegten Entfernungsschwelle voneinander aufhalten, als Gruppe betrachtet. Wie in Abbildung 15.4.1 gezeigt, sind P1 und P2 ausreichend nahe beieinander (dh der Abstand zwischen ihnen ist ≤ Entfernungsschwelle) und bilden eine Gruppe von 2 Personen, während P3, der sich in einer Entfernung von mehr als der festen Entfernungsschwelle von beiden befindet P1 und P2 bilden selbst eine Gruppe von 1 Person. Der häufig verwendete Entfernungsschwellenwert reicht von 1 m bis 1.5 m (kann je nach Umgebung des Installationsorts angepasst werden). 

Für Szenarien mit mehr als 3 Personen in der Verfolgungszone wird eine fortschrittlichere Clustering-Technik verwendet, um Gruppen von Personen auf hierarchische Weise unter Verwendung mehrerer Ebenen von Entfernungsschwellenwerten zu identifizieren, die dynamisch basierend auf der Standortverteilung aller Personen in der Verfolgungszone bestimmt werden . Wie beispielsweise in Abbildung 15.4.2 mit insgesamt 5 Personen gezeigt, identifiziert unsere Gruppierungslogik 3 eindeutige Gruppen, die im Folgenden beschrieben werden:

• P1 & P2 sind 1.3 m voneinander entfernt und bilden die Gruppe G1 von 2 Personen,
• P3 & P4 sind 0.7 m voneinander entfernt und bilden die Gruppe G2 von 2 Personen,
• P5 ist 2.5 m von Gruppe G1 und 2.0 m von Gruppe G2 entfernt, also Gruppe G3 von 1 Person.

Gruppe G1 & G2, die 2m voneinander entfernt sind, bilden KEINE Gruppe. Beachten Sie, dass die Entfernungsschwelle kein fester Wert mehr ist (wie im Szenario von ≤ 3 Personen), sondern dynamisch bestimmt wird, um sich an die sich ändernde Standortverteilung aller Personen in der Verfolgungszone anzupassen, wodurch eine Gruppe mit unterschiedlicher Dichte gebildet werden kann.

1.4.2 Filterlogik

Filterlogik wird auf die Ausgabe der Gruppierungslogik angewendet, um die Gruppierungsergebnisse weiter zu verfeinern. Im Gegensatz zur Gruppierungslogik, die nur die neuesten Standortkoordinaten von Personen als Eingabe für die Gruppierung verwendet, berücksichtigt die Filterlogik die Verfolgungsbahn jeder Person in der Verfolgungszone, um ihre Bewegungsrichtung und Geschwindigkeit zu analysieren, um eine feinkörnige Gruppierung zu ermöglichen und falsche Gruppierungen zu entfernen. Es werden zwei Arten von Filtermechanismen implementiert, nämlich Richtungsfilterung und Geschwindigkeitsfilterung, die sequentiell auf die Gruppierungsergebnisse angewendet werden, wobei die Richtungsfilterung der Geschwindigkeitsfilterung vorausgeht.

A. Richtungsfilterung
Der Zweck der Richtungsfilterung besteht darin, eine große Gruppe von Personen in mehrere kleinere Gruppen aufzuteilen, indem die Winkeldifferenz zwischen den einzelnen Personen in der Gruppe verglichen wird. Eine neue Untergruppe wird gebildet, wenn es mindestens eine Person gibt, deren Winkeldifferenz nach dem Vergleich mit anderen Personen in der Gruppe einen voreingestellten Schwellenwert überschreitet.

Ein grundlegendes Beispiel, bei dem die Richtungsfilterung bei der Gruppenzählung hilft, ist, dass sie Gruppen von Personen identifiziert, die in die entgegengesetzte Richtung reisen, und verhindert, dass sie einer großen Gruppe zugeordnet werden, wenn sie sich einander nähern und für einen bestimmten Zeitraum innerhalb der Verfolgung relativ statisch bleiben Zone.

B. Geschwindigkeitsfilterung

Bei der Geschwindigkeitsfilterung, die auf die Ausgabe der Richtungsfilterung angewendet wird, besteht ihre Hauptfunktion darin, Ausreißer (eine Person, deren Bewegungsgeschwindigkeit sich signifikant von der anderen Person in der Gruppe unterscheidet) in einer Gruppe zu identifizieren und den Ausreißer aus der Gruppe auszuschließen. In Fällen, in denen ein Ausreißer vorübergehend einer bestehenden Gruppe nahekommt, die für einige Zeit statisch blieb, hilft die Geschwindigkeitsfilterung, zu verhindern, dass der Ausreißer sofort der Gruppe beitritt, sondern behandelt den Ausreißer stattdessen als eine andere Gruppe. 

Neben der Richtungs- und Geschwindigkeitsfilterung verwendet die Gruppenzählung auch eine Dauerschwelle, die eingestellt werden kann, um zu steuern, wie schnell eine neue Gruppe gebildet und wie schnell eine bestehende Gruppe aufgelöst werden kann.

1.4.3 Gruppenzähler-Triggerlogik

Gruppenzähldaten werden ausgelöst, wenn:

• Gruppe hat ein Zählereignis ausgelöst. Zum Beispiel hat die Gruppe die IN-Zähllinie überschritten und
• Alle Mitglieder der Gruppe haben die Tracking-Zone verlassen.

Note: Diese Auslöselogik hat keinen Einfluss auf die normale Einzelfrequenzzählung, da die Gruppenzählung ein separater laufender Prozess ist. Die individuelle Trittfrequenzzählung wird wie in beschrieben ausgelöst In diesem Abschnitt.

Gruppenzähldaten werden im Folgenden gespeichert illustriert* Format.

Geräteserie	Timestamp	Leitungs-ID	IsGroup
00000000xxxxxxxxx	12/2/2017 1:00pm	1	Ja
00000000xxxxxxxxx	12/2/2017 1:03pm	1	Ja
00000000xxxxxxxxx	12/2/2017 2:09pm	2	Ja

Note: Informationen zur Gruppengröße werden nicht gespeichert.

Die Gruppenzählungsdaten werden dann wie in beschrieben auf den Server hochgeladen In diesem Abschnitt.

* nur zu Illustrationszwecken.

1.4.4 Metriken zur Gruppenzählung 

Die wichtigsten Kennzahlen für die Besucherzählung sind:

• PFC21 – Besuchergruppe IN
• PFC22 – Footfall Group OUT

1.4.5 Anzeige von Gruppenzählergebnissen in der Liveansicht

Abbildung 15.4.3 zeigt einige allgemeine Informationen, die in der Zähler-Liveansicht angezeigt werden, wenn die Gruppenzählung aktiviert ist, darunter:

• Anzahl der in der Tracking-Zone erkannten Gruppen (in der oberen linken Ecke der Liveansicht)
• Gruppenelternteil (dh die Person, die am längsten in der Gruppe war, mit rotem Kreis markiert)
• Dauer jeder Person in einer Gruppe (in Sekunden)
• Gruppengröße (wird nur unter dem Dauertext des Gruppenübergeordneten angezeigt)
• Gelbe Linie, die alle Personen in derselben Gruppe verbindet

1.4.6 Datenschutz-Grundverordnung (DSGVO)

1. Es werden keine PII (Personenidentifizierbare Informationen) wie biometrische oder Gesichter zu Verarbeitungs- oder Analysezwecken gesammelt.
2. Keine Garantie oder Annahme, dass Personen, die sich in einer Gruppe zusammenschließen, irgendeine Form von sozialer oder biologischer Beziehung haben.
3. Die Analyse basiert ausschließlich auf Flugbahn und Zeit.
4. Eine Person einer Gruppe wird als Gruppenleiter gekennzeichnet, um die Genauigkeit der Gruppenzählung zu verbessern. Jeder kann Gruppenleiter sein, im Gegensatz zu (zum Beispiel) kann nur der Älteste der Gruppe Gruppenleiter sein.

1.4.7 Einschränkungen 

• Die Verwandtschaft von Personen in derselben Gruppe kann aus der Gruppenzählung zum gegenwärtigen Zeitpunkt nicht abgeleitet werden, da wir keine biometrischen, Geschlechts- oder Gesichtsinformationen von Personen gesammelt haben.
• Es ist nicht ratsam, die Gruppenzählung an Standorten mit einer relativ kleinen Tracking-Zone zu aktivieren, da nicht genügend Tracking-Trajektorie-Daten von Personen vorhanden sind, um die Gruppenzählung zu verarbeiten und Gruppierungsergebnisse zu generieren. Die empfohlene Mindestgröße der Verfolgungszone sollte mindestens 3 m x 3 m betragen, um eine zufriedenstellende Gruppenzählgenauigkeit zu erzielen.

1.5 Videoanalyse-Zählung

Video Analytics verwendet einen KI-Algorithmus, um Personen zu erkennen und zu verfolgen. Es wird in verwendet FootfallCam Centroid Trittfrequenzdaten zu erstellen. Nachfolgend finden Sie ein vollständiges Flussdiagramm eines typischen Centroid-Setups mit IP-Kameras, von der Art und Weise, wie das Gerät Eingaben von den Kameras erhält, bis zur Verarbeitung der Daten und dem Hochladen auf den Server.

Flussdiagramm der Videoanalyse

1.5.1 AI-Algorithmus

Der KI-Algorithmus verwendet Deep Neural Network, das durch maschinelle Lerntechniken trainiert wurde, um Menschen zu identifizieren und zu erkennen. Es verfolgt nur Menschen, die vom Algorithmus ein hohes Vertrauen haben. Dank der fortschrittlichen Technologie hat es eine niedrige Falsch-Negativ-Rate. Trolleys oder Objekte werden selten fälschlicherweise als Menschen erkannt, da sie sich optisch unterscheiden.

Menschliche Entdeckung

Optional kann für jede erkannte Person eine demografische Analyse durchgeführt werden, um mehr Einblicke basierend auf dem Gesicht der Person zu erhalten, wie z. B. Alter, Geschlecht und Emotion. Dies kann eine gute statistische Segmentierung der Personenmerkmale liefern und ist nützlich, um die Effektivität von Werbekampagnen zu messen, den Kundenstamm zu verstehen, aussagekräftiges Feedback zu erhalten usw.

Einschränkungen:

• Kann menschenähnliche Strukturen wie Gemälde oder Humanoide fälschlicherweise erkennen
• Kann Kinder nicht erkennen
• Kann blockierte oder okkludierte Menschen in einer Menschenmenge nicht erkennen
• Kann nicht erkennen, ob der Mensch zu weit entfernt oder zu verschwommen ist
• Die Aktivierung der demografischen Analyse kann sich auf normal auswirken personenzählung Genauigkeit
• Die demografische Analyse funktioniert nur auf der Vorderseite von Personen ohne Maske

1.5.2 Zählmodi

1.5.2.1 Ein-Aus-Zählung

Verfolgungszone (rot) und In-Out-Linie

In Out Counting arbeitet von:

• Verfolgung jedes vom KI-Algorithmus erkannten Menschen
• Ständige Überprüfung, ob sich der Mensch innerhalb der Ortungszone befindet
• Wenn der Mensch entweder die Inline oder die Outline überquert, wird ein Zählereignis registriert.
• Das Ereignis wird jedoch ignoriert, wenn der Mensch eine Kehrtwende macht.
• Wenn der Mensch die Verfolgungszone verlässt, wird das Ereignis erfasst und gesendet.

1.5.3 Datensammlung

Sobald ein Besucher die Tracking-Zone eines Geräts betritt und verlässt, während er dazwischen die In-Out-Linie auslöst, löst das Gerät ein Zählereignis aus.

Die Daten werden in folgendem Format gespeichert:

Geräteserie	Timestamp	Metrik-ID	Roi-ID	Kombinieren Sie die Objekttyp-ID
142xxxxxxxxxxx	12/2/2022 1:00pm	1	1	23311
142xxxxxxxxxxx	12/2/2022 1:03pm	1	2	14511
142xxxxxxxxxxx	12/2/2022 2:09pm	2	1	12311

Definitionen:

• Geräteserie
  • die Seriennummer des Geräts
• Timestamp
  • der Zeitpunkt, zu dem das Ereignis eintritt
• Metrik-ID
  • 1: wenn ein Besucher die Inline überquert
  • 2: wenn ein Besucher die Outline überquert
• Roi-ID
  • die ID der CCTV-Kamera, in der das Ereignis stattfindet
• Kombinieren Sie die Objekttyp-ID
  • eine Kombination aus ID, die die Details einer Person codiert, z. B. demografische Analyse

Die Daten werden bis zu 14 Tage in der Gerätedatenbank gespeichert.

Im Gerät werden keine personenbezogenen Daten (PII), sensible Bilddaten von Personen oder Gesichtern, gespeichert.

1.5.4 Daten-Upload-Prozess

Die von jedem Gerät gesammelten Daten werden sofort über das Websocket-Protokoll auf den Server hochgeladen. Die Daten werden auch in Echtzeit auf dem Server verarbeitet, daher ist es möglich, das Live-Dashboard der Daten auf dem Portal anzuzeigen. Ein Beispiel ist die Live-Belegungs-Dashboard.

Sobald die Daten den Server erreichen, werden sie sofort auf Standort- oder Bereichsebene aggregiert und stehen Endbenutzern sofort für Abfragen zur Verfügung Zähldaten-API. Benutzer können die Daten in mehreren Zeitgranularitäten abrufen, z. B. 1 Minute, 15 Minuten, 30 Minuten, stündlich, täglich, wöchentlich, monatlich oder jährlich.

Daten sind auch für historische Berichte verfügbar. Sehen Anhang B Metrikdefinition wie lange die Daten auf dem Server gespeichert werden.

Es werden keine personenbezogenen Daten (PII), sensible Bilddaten von Personen oder Gesichtern, an den Server gesendet.

1.5.5 Metrikcodes

Die Metrikcodes sind genau die gleichen wie Metrikcodes für die Trittfrequenzzählung.