1.1脚步计数

在不同情况下使用不同的计数算法。 以下各节将说明FootfallCam使用的几种算法的类型和差异。

1.1.1 标准 3D 算法

在正常情况下，FootfallCam^TM 使用标准的3D算法以达到最佳水平。 FootfallCam的最佳高度^TM 是2.5m至4.5m。

标准3D算法的工作原理是：

• 区分人的头和肩点，形成跟踪他们运动的3D斑点和尾迹线。
• 它将不会使用掉头区域将掉头且未进入商店的人员计算在内。
• 它将通过高度检测来区分孩子，成年人和无生命的物体，并形成深度图。
• 在交通繁忙的情况下，它可以很好地工作，因为斑点和起点将很清晰。
• 它可以在跟踪线的特定部分应用排除线，这是工作人员经常使用的以避免计算工作人员人数的方法。

标准实时取景	不计掉头
不算孩子	带小车的人计为一

 

1.1.2面积计数算法

区域计数算法通过使用3D斑点跟踪技术来跟踪区域中的每个人，从而在有多个人进入区域时支持多次计数。 这也防止了个人的过度计数。 该算法自动跟踪人员进入区域的持续时间（可调），并且一旦该人员超过持续时间阈值，该人员将被视为进入，如果人员离开该区域，则将被视为离开。

停留一定时间	区域中的多次计数
运动中的随机模式	没有特定入口

区域计数最适合

• 没有特定入口的商店。 这意味着任何访客都可以从商店的任何方向进入和离开。
• 存储访客将以随机模式行走的位置，而不仅仅是进入和离开。 这通常是由于计数区附近的库存陈列引起的，从而导致访客与陈列进行交互。
• 跟踪区域非常有限，并且步行距离不足以使标准3D计数算法正常工作。

区域计数限制

• 排除行不适用，因为它不使用计数行。

 

1.1.3数据收集

对于标准3D算法，一旦访客在触发之间的进出线时进入和退出设备的跟踪区域，就会触发计数。 至于区域计数，一旦访客停留在设备的跟踪区域中的时间超过设置的阈值，就会触发计数。

然后，数据将以以下格式保存：

设备序列号	时间戳	线路ID
00000000xxxxxxxxx	12/2/2017 1:00pm	1
00000000xxxxxxxxx	12/2/2017 1:03pm	1
00000000xxxxxxxxx	12/2/2017 2:09pm	2

设备序列号指示数据来自哪个设备，时间戳记指示对访客进行计数的时间，线路ID指示相应的访客触发了哪条线路。

1.1.4数据上传过程

然后，每台设备收集的数据将以15分钟的间隔上载到服务器，该间隔将在7天后清除。 但是，数据上传过程非常依赖于站点的Internet连接。 如果速度太慢，数据上传速度也会降低，这会进一步影响报表中的数据显示。

数据上传到服务器后，以后将根据特定区域或站点的报告要求将其汇总为每小时和每天。 直到将设备从其站点释放后，聚合的数据才会被删除。

1.1.5销售转换

销售转化很简单，只需将访客在同一时间段内在同一时间段内商店的交易次数相除即可。 此结果使经理可以更深入地了解商店的绩效。 例如，高客流量将意味着这家商店从外部客流量吸引了很多顾客，但转换率低则表明它在最大化销售机会方面做得不好。

1.1.6 度量代码

用于客流量统计的关键指标是：

• PFC01 - 人流量统计
• PFC02 - 客流量统计
• SFC03 - 输入输出差异
• PFC07 - 总交易计数
• PFC08 - 总销量
• SFC09 - 访客数到销售额的转换

1.2 Wi-Fi分析

除了由跟踪算法触发的计数外，还有可以由Wi-Fi信号触发的计数。

1.2.1 数据覆盖率

Footfall Counter中的Wi-Fi模块的工作方式与任何其他启用Wi-Fi的设备一样，因为它可以从附近的其他启用Wi-Fi的设备中获取Wi-Fi信号。 Wi-Fi模块可以收集100m半径内启用Wi-Fi的设备发出的Wi-Fi信号。 但是，由于商店内壁的设置，实际的工作范围可能会减小。

没有关闭Wi-Fi功能的智能手机要么连接到Wi-Fi接入点，要么正在寻找要连接的智能手机。 为此，它们发出Wi-Fi消息-如果已连接，则发送数据消息，如果进行搜索，则发出探测信号，通知接入点作出响应。 这些信号的频率会有所不同，具体取决于智能手机供应商和设备状态，但通常，它们平均每分钟会出现XNUMX到XNUMX个信号。

1.2.1.1 关于 MAC 随机化及其检测方式

MAC 随机化成为网络行业的一部分已有一段时间，涉及在设备发出探测请求时更改设备的 MAC 地址。 这有助于防止跟踪未连接的设备。 然而，随着最新操作系统（例如 iOS 14/WatchOS 7、Android 10+ 和某些版本的 Windows 10）的发布，这种情况正在发生变化。这些系统现在不仅在发现阶段而且在设备运行期间随机化 MAC 地址已连接到网络。

对于配备MAC Randomization技术的智能手机，它不会影响通过Wi-Fi分析产生的数据的统计准确性。 MAC 地址的随机化只会影响未连接到移动网络的移动设备。 另外，当MAC Address被随机化时，它变成了一个与真正的MAC Address不同的无意义的MAC Address。

识别随机 MAC 地址很简单。 MAC 地址的 OUI 部分有一个设置位来指示随机地址或本地管理地址。 只需检查 MAC 地址中的第二个字符，如果它是 2、6、A 或 E，则它是一个随机地址。 例如，Wi-Fi 地址 92:B1:B8:42:D1:85 是随机的，因为它的第二个字符是 2。我们的流量计数器将过滤掉 Wi-Fi 传感器拾取的无意义的 MAC 地址，并排除它来自计数数据。

1.2.2统计抽样

Wi-Fi计数的主要功能是使用访客智能手机发出的Wi-Fi信号来估算给定区域内人员的交通流量。 但是，并非每个人都携带智能手机，有些人可能携带多个iPad等Wi-Fi设备。

我们的Wi-Fi计数算法可以克服上述限制，并通过使用统计采样提供准确的流量近似值。 这样可以确保即使不是每个访客都会贡献Wi-Fi数据，因为 并非每个访客都会携带手机，这些用户在访问者总数中所占的比例很小，并且不会带来很大的误差。

统计采样广泛用于许多不同的行业，例如电视收视率和选举轮询。 尼尔森公司（Nielsen Company）使用先进的采样技术来衡量和报告全球电视行业的收视率和收视率。 例如，在美国，公司会选择在其中安装监视观看习惯的小型设备的房屋。

选举民意测验中使用了另一个示例。 多年来，民意调查都是通过电信或人与人之间的联系进行的。 方法和技术各不相同，尽管它们在大多数领域已被广泛接受。 一些民意测验组织，互联网调查，是从一大批志愿者那里抽取样本，并对结果进行加权以反映感兴趣人口的人口统计数据。

1.2.3 Wi-Fi 数据规范化

归一化通常用于将统计数据转换为实际数字。 例如，将标准化系数应用于检测到的Wi-Fi设备的数量，以将其转换为该地区的人数。

通过使用“视频计数”将进入站点的人数与检测到已经走进门的Wi-Fi设备的数量相关联，该计数器使用最近两周的数据来建立统计资料，并估算携带人口的百分比智能手机。

这个统计模型是基于计数器的； 也就是说，每个计数器都有自己的统计模型，该模型会根据人们的人口统计特点及其周围的Wi-Fi特性自动进行调整。

 

1.2.4 数据收集

然后，已收集的数据将保存到我们的数据库中，包括设备序列号，信号强度，Mac地址和时间戳。

以下是Wi-Fi数据的数据收集方法：

1. Wi-Fi数据将从设备安装位置周围的人群中收集。
2. 设备中插入的Wi-Fi加密狗将是不断获取由具有Wi-Fi功能的设备（如智能手机，平板电脑等）发送的Wi-Fi信号的模块。
3. Mac ID在设备中以信号强度和时间戳进行处理，如下表所示：

散列的Wi-Fi Mac地址	检测时间	信号强度
AAA	12/2/2017 1:00pm	-65
BBB	12/2/2017 1:03pm	-66
CCC	12/2/2017 2:09pm	-100

这些设备的原始MAC地址将存储在数据库中，并不断地（每小时）上传到中央服务器，以在报告中进行进一步汇总。 FootfallCam会收集此数据，然后每小时将其安全地转发到FootfallCam Cloud进行处理和分析。

用于MAC地址的哈希算法是PBKDF2WithHmacSHA256，它是为密码哈希设计的，因此它是一种慢速算法。 这对于密码哈希非常有用，因为它可以减少攻击者在进行字典攻击时可能哈希的密码数量。 在密码中添加盐会降低使用预先计算的哈希值进行攻击的能力，这意味着必须单独测试多个密码，而不是一次测试所有密码。 该标准建议盐长度至少为64位。 美国国家标准技术研究院建议盐长度为128位，而FootfallCam在这种情况下使用的是256位。

 

1.2.5 数据处理与分类

每小时将数据流传输到FootfallCam Cloud中时，所有检测到的设备都被分类到一个时间序列数据库中，采用了强大的算法来对所有检测到的设备进行概要分析，并进一步将数据分类为几个值：

1. 通过信号强度Wi-Fi探头和置信度来区分Mac ID收集为“通过”和“进入存储区”。
2. 进一步映射“访问持续时间”，以获取“首次看到”和“最后看到”，其中条件是从在2个不同时间戳接收的探针检测到的最高信号强度。

单独的信号强度是一种粗略的近似方法，并且不准确，因为Wi-Fi信号在不同的环境设置中会发生变化。 此外，信号强度取决于许多实时环境条件。

加上探测次数，时间戳，置信度和阈值，将提高Wi-Fi数据的准确性。 Wi-Fi阈值有两个：阈值1过滤器弱信号，其远离计数器。 阈值2捕获了存储流量中的强信号强度。 低于阈值1的所有探测请求详细信息将存储在设备的原始mac数据库表中。 服务器端将通过将每日数据汇总到分析中来处理mac地址列表，以计算停留时间并返回客户价值。

 

1.2.5.1商店中安装了多个计数器

当单个商店中安装了多个计数器时，来自计数器的计数数据将被上载到数据库中，以进行进一步处理，以防止单个人计数过多。 此过程将确保FootfallCam生成的计数数据是真实的，并准备由用户的商务智能系统进行进一步的分析处理。

计数数据	柜台1 +柜台2 +柜台3

当单个商店中安装了多个计数器时，Wi-Fi计数数据将上传到中央数据库，以过滤掉重复的MAC地址条目。 重复的MAC地址将不会用于数据聚合。 此方法可防止单个MAC地址的超计数被计数两次。

Wi-Fi数据

柜台1 +柜台2 +柜台3

如果在一个宽阔的入口中安装了多个计数器，则需要保守地绘制跟踪区域和计数线。 一个计数器上绘制的跟踪区域和计数线不得与另一计数器上绘制的计数区域和跟踪线重叠。 这是必要的，以防止过多地统计访客数据，同时可能导致不正确的访客数和伪造的销售费率数据。

1.2.5.2 员工设备MAC地址排除

如果工作人员携带的设备开启了 WiFi，其 MAC 地址也会被人流量设备捕获。 您可以在站点页面手动排除员工的设备MAC地址。 参考 部分15.5 一步一步的指导。

1.2.5.3 平均访问时长

我们可以通过 Wi-Fi 信号强度的 2 个峰值来获得客户访问时长，因为它们是距离安装设备的入口最近的位置。 如果配置文件有两个高于定义的信号强度阈值的峰值，则将它们识别为访客的 IN 时间和 OUT 时间。

最长访问时间-有些访问者可能在同一天多次访问该网站。 最长访问持续时间是指访问者可以一次停留在站点上的最大合理访问次数。 默认值为2小时。

例如，

访客A：第一次访问=> 1:05 pm至1:30 pm第二次访问=> 4:05 pm至5:43 pm

结果：2次访问。 第一次访问是25分钟。 第二次访问是98分钟。

首先，访问持续时间是根据来自用户智能手机的唯一标识符（MAC ID探针）来衡量的。

参观时间	时间（入）-时间（出）

店铺条件：

1. 定义Wi-Fi跟踪的边界
2. 排除人员列表和设备列表

 访问持续时间类别的聚合

FootfallCam还将访问持续时间数据收集进一步分为3类。 默认情况下，以下15分钟，15分钟至30分钟以及30分钟以上。

具有多个计数器的站点的访问持续时间

通过将站点入口所有设备的Wi-Fi跟踪信息上传到中央服务器，服务器进行分析并估算Wi-Fi设备的IN和OUT时间。 该系统将聚合站点内所有柜台的 Wi-Fi 跟踪信息。

1.2.6 Wi-Fi 指标代码

Wi-Fi 模块使用的关键指标包括：

• PWA01 - 外部流量
• SWA02 - 上交率
• PWA03 - 平均访问时长
• SWA04 - 过去 14 天内的回头客率
• SWA05 - 过去 60 天内的回头客率
• SWA06 - 过去 14 天内的新客户率
• SWA07 - 过去 60 天内的新客户率

1.3空间占用

空间占用率是在给定时间停留在站点中的人数。 相当于 累计IN数 扣除 累计OUT计数.

占用	（累积IN-累积OUT）

累计IN数 是从工作时间开始到当前时间的所有IN计数的总和。 该数据被即时更新。 同样的 累计OUT计数.

1.3.1累积误差

没有 人流量统计器 是100％准确。 随着时间的流逝，它将累积误差。

 

1.3.2占用模式

有两种入住模式： 天真占用 和 智能入住.

比较	天真占用	智能入住
公式	进出	IN-OUT +纠错
纠错	×	√
需要历史数据样本收集	×	√（自动）
实时仪表板	√	√
历史数据报告	√	√
网站级别指标	√	√
区域级别指标	√	√
准确性	高	更高
区域级别数据总和等于分支级别数据	√	×（见说明）
模式	×	模式1和模式2
更多信息	第15.3.1.4	第15.3.1.5 & 第15.3.1.6

1.3.2.1推荐用例

一般来说， 智能入住 对于几乎所有情况（流量较低的网站除外）都是首选方法。

用例	幼稚	智能
客流量大的超市或杂货店	×	√
厕所占用	×	√
餐厅或食堂	×	√
通过仪表板或自动登机口控制占用能力	×	√
客流量低的图书馆或珠宝店	√	×
展览	×	√
电影院	×	√

1.3.2.2天真占用

占用图通常看起来像钟形曲线，占用峰值在工作时间之间。 有些可能有多个高峰，表示多个高峰时间。

由于累积错误，天真占用率可能会在营业时间结束时出现严重错误。

 

1.3.2.3（智能占用）实时错误纠正

由于入住人数会即时更新并显示在 实时占用仪表盘, 实时纠错 应用于天真占用，以最大程度地减少累积错误。 这样可以确保：

• 实际入住人数更准确
• 占用率从不超过0到负数
• 营业时间结束时，入住率接近0

 

在后台，系统使用 先进的AI建模 封装过去14天或更长时间内的占用趋势，并生成可准确减少累积占用误差的预测模型。

居住人数	天真占用+实时错误校正

有2 模式 智能入住.

模式1	模式2
使用 高级统计建模 概括站点/区域的占用模式。	如果超过配置的人数，将使一个人的居住期到期 有效期.
不需要用户输入。	用户必须设置有效期限。
需要收集历史数据（自动）。	不需要收集历史数据。
适用于高流量站点，例如：杂货店，超市，饭店，展览馆。	适用于访问持续时间已知且相当恒定的情况，例如：厕所占用，电影院占用。

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

1.3.2.4（智能占用）后处理错误纠正

有关前一天数据的占用情况 太空占用报告, 后处理错误纠正 会根据每日进出差额的整体差异应用到“占用率”。 这与实时占用错误校正具有相同的效果，只不过它现在处于后期处理中。

历史占有率

实时占用+后期处理错误纠正

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

1.3.3 度量代码

用于空间占用的关键指标是：

• PSO01 - 天真占用
• SSO02 - 入住率与容量
• PSO05 - 智能占用

1.4 分组计数

分组计数标识 一个或多个 个体作为一个集体单位并将它们聚集在一起。 这 跟踪轨迹 正在分析与其他个体相关的个体，并且 高级过滤逻辑 基于人与人的距离阈值，应用轨迹速度、方向和持续时间，以确保准确的群体计数。

分组计数为更好的数据和指标开辟了可能性：

• 在零售中，1 个家庭组被视为 1 个购买单位。 分组计数提供更准确 销售转换 指标。
• 对于队列等待时间计算，1 对夫妇被视为 1 个等待单元。 组计数提供了更准确的等待时间指标。

要求：

• 适用于计数器固件v3.4.2及以上版本，最低可从v3.3.0升级。
• 组计数目前可用于 标准客流量计数 只要。 它与员工排除兼容。 可用于区域计数、队列计数和热图计数 仍在进行中.

组计数旨在与其他计数算法一起作为附加的单独处理工作。

这意味着，如果计数器配置为标准入口计数 + 组计数，将收集 2 组单独的数据：

• 入口计数数据
• 额外 分组计数数据

例如，如果有 1 位访客从入口进入，柜台将同时收集：

• 1 位访客
• 1组输入

因此它是 不建议 合并标准客流量统计数据和分组统计数据，因为这会导致数据重复。

1.4.1 分组逻辑

在群体计数中，采用聚类算法处理出现在跟踪区域中的人的 3D 位置坐标，并生成彼此靠近的人群。 距离阈值用于控制分组逻辑，以便如果该人与该组的相对距离在该距离阈值内，则该人将被分配到现有组。 下面是两个示例场景，说明在运行组计数时如何形成组。

对于跟踪区域内≤ 3 人的场景，将彼此保持在固定距离阈值内的人视为一个组。 如图 15.4.1 所示，P1 和 P2 彼此足够接近（即它们之间的距离≤ 距离阈值）并形成一个 2 人组，而 P3 位于两者之间的距离大于固定距离阈值P1 和 P2 自己组成一组 1 人。 常用的距离阈值范围为1m～1.5m（可根据安装现场环境进行调整）。 

对于跟踪区域内超过 3 人的场景，采用更先进的聚类技术，根据跟踪区域内所有人员的位置分布动态确定多级距离阈值，以分层方式识别人群. 例如，如图 15.4.2 所示，总共有 5 个人，我们的分组逻辑将识别以下描述的 3 个唯一组：

• P1 & P2 相距 1.3m，形成 1 人的 G2 组，
• P3 & P4 相距 0.7m，形成 2 人的 G2 组，
• P5距G2.5组1m，距G2.0组2m，形成3人的G1组。

相距 1m 的 G2 和 G2 组不要组成一个组。 注意距离阈值不再是一个固定值（如≤ 3 人的场景），而是动态确定的，以适应跟踪区域内所有人员的位置分布变化，从而能够形成不同密度级别的组。

1.4.2 过滤逻辑

对分组逻辑的输出应用过滤逻辑以进一步细化分组结果。 与分组逻辑仅以人的最新位置坐标为输入进行分组不同，过滤逻辑通过获取跟踪区域内每个人的跟踪轨迹来分析​​其运动方向和速度，从而进行细粒度分组并去除错误分组。 有两种过滤机制正在实现，即方向过滤和速度过滤，它们以顺序方式应用于分组结果，方向过滤先于速度过滤。

A. 方向过滤
方向过滤的目的是通过比较组内每个人之间的角度差，将一大群人分成多个较小的组。 与组内其他人进行比较后，如果至少有一个人的角度差超过预设阈值，则形成新的子组。

方向过滤有助于群体计数的一个基本示例是，它将识别以相反方向行驶的人群，并防止他们在彼此靠近并在跟踪期间保持相对静止时被分配到一个大群体区。

B. 速度过滤

速度滤波应用于方向滤波的输出，其主要功能是识别组中的离群点（移动速度与组内其他人有显着差异的人），并将离群点从组中排除。 在异常值暂时靠近已保持静态一段时间的现有组的情况下，速度过滤将有助于防止异常值立即加入该组，而是将异常值视为另一个组。 

除了方向和速度过滤之外，组计数还利用可以调整的持续时间阈值来控制新组的形成速度和现有组的解散速度。

1.4.3 组计数触发逻辑

在以下情况下将触发分组计数数据：

• 组已触发计数事件。 例如，小组已经越过了 IN 计数线，并且
• 所有类型 该小组的成员已离开跟踪区。

备注：此触发逻辑不会影响正常的个人客流量计数，因为分组计数是一个单独的运行过程。 个人客流量计数将按照 本节.

分组计数数据将保存在以下位置 插图* 格式。

设备序列号	时间戳	线路ID	组
00000000xxxxxxxxx	12/2/2017 1:00pm	1	USB MIDI（XNUMX通道）
00000000xxxxxxxxx	12/2/2017 1:03pm	1	USB MIDI（XNUMX通道）
00000000xxxxxxxxx	12/2/2017 2:09pm	2	USB MIDI（XNUMX通道）

备注：不存储组大小信息。

组计数数据然后将按照中所述上传到服务器 本节.

* 仅用于说明目的。

1.4.4 组计数指标 

用于客流量统计的关键指标是：

• PFC21 - 客流量组 IN
• PFC22 - 客流量组输出

1.4.5 Liveview中分组计数结果的显示

图 15.4.3 描述了在启用分组计数时将在计数器实时视图上显示的一些一般信息，其中包括：

• 在跟踪区域中检测到的组数（在实时视图的左上角）
• 组父（即入组时间最长的人，用红圈标出）
• 一组中每个人的持续时间（以秒为单位）
• 组大小（仅显示在组父的持续时间文本下）
• 连接同一组内所有人员的黄线

1.4.6 一般数据保护条例 (GDPR)

1. 不会出于处理或分析目的收集 PII（个人身份信息），例如生物识别或面部。
2. 不能保证或假设聚集在一个群体中的人们具有任何形式的社会或生物学关系。
3. 分析完全基于轨迹和时间。
4. 一个组中的一个人将被标记为组长，其唯一目的是提高组计数的准确性。 任何人都可以成为组长，而不是（例如）只有组中的长者才能成为组长。

1.4.7限制 

• 由于我们没有收集人的生物特征、性别或面部信息，因此在现阶段无法通过群体计数来推断同一群体中的人的关系。
• 不建议在跟踪区域较小的场地启用分组计数，因为没有足够的人的跟踪轨迹数据供分组计数处理和生成分组结果。 建议的最小追踪区尺寸应至少为 3m x 3m，以获得令人满意的群体计数准确性。

1.5 视频分析计数

Video Analytics 使用 AI 算法执行人体检测和跟踪。 它用于 FootfallCam Centroid 生成客流量数据。 下面是带有 IP 摄像头的典型 Centroid 设置的完整流程图，从设备如何从摄像头获取输入，到处理数据并上传到服务器。

视频分析流程图

1.5.1 人工智能算法

人工智能算法使用机器学习技术训练的深度神经网络来识别和检测人类。 它只跟踪对算法有高度信心的人。 由于技术先进，误报率低。 它很少会错误地将手推车或物体检测为人类，因为它们在视觉上是截然不同的。

人体检测

可选地，可以对检测到的每个人进行人口统计分析，以根据人的面部（例如年龄、性别和情绪）获得更多见解。 这可以对个人特征进行良好的统计细分，并有助于衡量促销活动的有效性、了解客户群、获得富有表现力的反馈等。

限制：

• 可能会错误地检测出类人结构，例如绘画或类人生物
• 可能无法检测到儿童
• 在人群中可能无法检测到被阻挡或被遮挡的人
• 可能无法检测人类是否太远或太模糊
• 启用人口统计分析可能会影响正常 人流量统计
• 人口统计分析仅适用于没有任何面具的人的正面

1.5.2 计数模式

1.5.2.1 进出计数

跟踪区（红色）和进出线

In Out Counting 作品：

• 跟踪 AI 算法检测到的每个人
• 不断检查人是否在跟踪区域内
• 如果人越过内线或外线，则记录计数事件。
• 但是，如果人类掉头，该事件将被忽略。
• 当人离开跟踪区域时，事件被收集并发送。

1.5.3数据收集

一旦访客进入和退出设备的跟踪区域，同时触发其间的进出线，设备就会触发计数事件。

数据将以以下格式保存：

设备序列号	时间戳	指标 ID	投资回报率	组合对象类型 ID
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

定义：

• 设备序列号
  • 设备的序列号
• 时间戳
  • 事件发生的时间
• 指标 ID
  • 1：当访客穿过 In-line
  • 2：当访客越过大纲时
• 投资回报率
  • 事件发生的闭路电视摄像机的 ID
• 组合对象类型 ID
  • 编码个人详细信息的 ID 组合，例如人口统计分析

数据在设备数据库中最多存储 14 天。

设备中不存储人或人脸的个人身份信息 (PII) 敏感图像数据。

1.5.4数据上传过程

每台设备采集的数据通过websocket协议即时上传到服务器。 数据也将在服务器上实时处理，因此可以在门户网站上查看实时数据仪表板。 一个例子是 实时占用仪表板.

一旦数据到达服务器，它会立即聚合到站点或区域级别的粒度，并可供最终用户通过以下方式查询 计数数据 API. 用户可以检索多个时间粒度的数据，例如 1 分钟、15 分钟、30 分钟、每小时、每天、每周、每月或每年。

数据也可用于历史报告。 看 附录 B 度量定义 数据在服务器上存储多长时间。

不会将人或人脸的个人身份信息 (PII) 敏感图像数据发送到服务器。

1.5.5 公制代码

公制代码与 客流量统计公制代码.