Exploration and Application of Digital Passenger Flow in Offline Scenarios

Di era Internet, data adalah dasar dari semua aplikasi. Pedagang Taobao dapat menilai status setiap produk di toko berdasarkan riwayat volume klik produk, dan melakukan tindakan operasional yang sesuai. Pembeli Taobao akan menggunakan data transaksi dari riwayat produk ke data Ulasan, dll., untuk membantu Anda menilai apakah akan melakukan pembelian. Pada saat yang sama, platform kami juga akan melatih model berdasarkan data historis pengguna dan produk, memprediksi rasio klik-tayang setiap produk , memprediksi preferensi setiap pengguna, dan membuat hasil yang ditampilkan lebih sesuai dengan kebutuhan pengguna. Dapat dilihat bahwa data memainkan peran penting dalam berbagai peran.

Di Internet, relatif mudah untuk mendapatkan data. Berbeda dengan skenario ritel offline, sebagian besar data hilang. Pedagang tidak tahu berapa banyak produk di toko yang telah dijelajahi, berapa banyak produk yang telah dicoba, dan pembeli tidak tahu harga masing-masing produk data historis.

Oleh karena itu, penjajakan digitalisasi aliran pelanggan kami adalah untuk mengumpulkan data perilaku pengguna dan komoditas secara offline, sehingga perilaku offline juga dapat dilacak, dan memberikan dukungan data yang akurat dan efektif untuk keputusan bisnis dan operasi pasar. menjadi indikator digital terukur dan statistik, yang dapat membantu pedagang dalam operasi mereka dan membantu pengguna membuat keputusan. Berdasarkan data tersebut, algoritme juga dapat memainkan peran yang lebih besar secara offline.

Program keseluruhan

Skema keseluruhan ditunjukkan pada gambar di bawah ini.Skema ini melibatkan panduan strategi pemilihan produk di luar lokasi, drainase offline, potret orang yang memasuki toko, pelacakan lintasan pelanggan, pengendapan data interaksi manusia-barang, interaksi/rekomendasi cermin yang pas, dan online berbelanja setelah meninggalkan toko. Dua sentuhan terakhir. Dari off-site ke on-site ke online, ini merupakan solusi produk keseluruhan proses secara keseluruhan.

Eksplorasi Digital Arus Penumpang

Dalam eksplorasi digitalisasi arus penumpang toko, dalam hal penerapan perangkat keras, kami menggunakan kamera pengintai dan tag RFID yang ada di toko, dikombinasikan dengan teknologi terkait visi dan frekuensi radio, dan menerapkan terminal GPU di toko untuk perhitungan. Dalam hal solusi teknis, berdasarkan teknologi pengenalan wajah, kami mengidentifikasi atribut dasar pengguna yang memasuki toko, seperti jenis kelamin, usia, pelanggan baru dan lama, serta melacak perubahan pergerakan pengguna di dalam toko melalui deteksi dan pelacakan pejalan kaki serta teknologi identifikasi ulang pejalan kaki lintas kamera.Pada saat yang sama, distribusi peta panas dari setiap area toko secara keseluruhan diperoleh.Selain itu, perilaku pengguna di toko diidentifikasi melalui teknologi kamera dan RFID multi- fusi sensor, termasuk membalik, mencoba, dll., dan frekuensi penelusuran dan mencoba setiap produk di toko secara akurat ditemukan dan preferensi pengguna offline. Berikut ini terutama akan memperkenalkan pengoptimalan terkait dengan tiga arah teknis deteksi pejalan kaki, identifikasi ulang pejalan kaki, dan pengenalan tindakan.

deteksi pejalan kaki

Dalam skenario digitalisasi arus penumpang ritel yang baru, kita perlu menggunakan kamera pengintai untuk merekam dan menganalisis secara komprehensif frekuensi masuk toko, jenis kelamin, pergerakan, jejak perilaku, dan waktu tinggal arus penumpang toko. Untuk mencapai tujuan kami, pertama-tama kami harus dapat mendeteksi dan mengidentifikasi pejalan kaki di kamera.

Meskipun algoritme pendeteksian target seperti YOLO dapat mencapai performa komputasi hampir real-time, lingkungan evaluasinya semuanya adalah GPU performa tinggi seperti Titan X dan M40, dan hanya dapat mendukung satu input. Terlepas dari biaya perangkat keras atau daya komputasi, algoritme ini tidak dapat diterapkan langsung ke skenario nyata. Tentu saja, YOLO secara resmi juga menyediakan solusi model yang ringan seperti YOLOv3-Tiny, tetapi performa modelnya terlalu lemah, dan mAP pada COCO turun lebih dari 40%. Pada saat yang sama, kemampuan generalisasi skema deteksi target yang ada masih relatif lemah, dan perbedaan skenario yang berbeda akan berdampak lebih besar pada kinerja model. Sudut pandang, cahaya, oklusi, interferensi objek serupa, dll. di adegan toko sangat berbeda dari kumpulan data sumber terbuka. Langsung menggunakan model yang dilatih pada kumpulan data VOC dan COCO untuk memeriksa pemandangan, efeknya sangat tidak memuaskan . Kami telah membuat pengoptimalan yang sesuai untuk kinerja model dan efeknya pada kumpulan data aktual.

Penyederhanaan dan optimalisasi struktur jaringan

Kami menyempurnakan model berdasarkan kerangka kerja YOLO dan menerapkan algoritme deteksi objek real-time yang ringan. Dalam adegan nyata toko pakaian, dibandingkan dengan YOLOv3, kinerja model menurun tidak lebih dari 2%, dan ukuran model dikurangi ke aslinya Dibandingkan dengan Tesla P4, FPS meningkat sebesar 268%.Hal ini dapat langsung digunakan pada perangkat edge seperti ponsel dan chip.Dalam skenario bisnis nyata, satu GTX1070 dapat mendukung deteksi simultan dari 16 kamera, efektif menghemat biaya renovasi toko.

Struktur jaringan YOLOv3 standar memiliki 106 lapisan, dan ukuran modelnya 237M. Untuk merancang sistem deteksi target yang ringan, kami menggunakan Tiny DarkNet sebagai jaringan backbone. Tiny DarkNet adalah struktur jaringan minimalis dengan jumlah maksimum saluran 512 Ukuran model hanya 4M Struktur model lebih ramping daripada jaringan tulang punggung YOLOv3-Tiny resmi YOLO, tetapi jaringan yang ramping akan menyebabkan pelemahan kemampuan ekstraksi fitur, dan kinerja model akan turun tajam. Pada dataset, struktur Tiny DarkNet + FPN yang diganti 30% lebih rendah dari AP-50 (IOU=0,5) dari struktur aslinya. Kami melakukan Spatial Pyramid Pooling [10] setelah jaringan ekstraksi fitur, agregat bersama dengan fitur asli, dan kemudian menggabungkan berbagai tingkat fitur melalui operasi downsampling dan dekonvolusi, berharap untuk sepenuhnya mengintegrasikan fitur piksel yang mendasari dan fitur semantik tingkat tinggi. digunakan untuk menebus penurunan kemampuan ekstraksi fitur.Struktur jaringan keseluruhan ditunjukkan pada gambar di bawah ini.Ukuran model deteksi yang disederhanakan adalah sekitar 1/10 dari aslinya.

Struktur jaringan deteksi objek

Optimalisasi lebih lanjut dari penyulingan pengetahuan

Penyulingan Pengetahuan [2] menggunakan keluaran Soft Target oleh Jaringan Guru untuk mengawasi Pengetahuan Gelap di jaringan pembelajaran Jaringan Siswa untuk mencapai tujuan Transfer Pengetahuan.Metode seperti kuantisasi, pemangkasan, dan pendekatan matriks sering digunakan untuk mencapai kompresi model . Namun, metode seperti distilasi dan kuantifikasi dapat digabungkan satu sama lain, dan distilasi itu sendiri lebih transparan untuk modifikasi model, tanpa ketergantungan khusus dan kerangka kerja eksekusi.

Struktur jaringan distilasi pengetahuan

Gambar di atas menunjukkan desain struktur model dari distilasi jaringan kami. Kami menggunakan YOLOv3 asli sebagai Jaringan Pengajar selama distilasi. Meskipun YOLOv3 memiliki kinerja deteksi yang lebih baik dan strukturnya mirip dengan model kami, YOLOv3 dibuat langsung di antara dua lapisan keluaran. Kendala L2 tidak dapat mengatasi noise di Jaringan Guru dan fluktuasi prediksi regresi, dan hasilnya menghambat pembelajaran Jaringan Siswa. Dalam percobaan, ditemukan bahwa desain kerugian Lapisan Petunjuk dan ketidakpastian prediksi regresi adalah masalah inti dari efek distilasi, dan metode untuk menetapkan batasan kerugian secara paksa antara saluran yang sesuai terlalu ketat. Untuk konvolusi biasa, kita tidak perlu meminta konsistensi urutan Saluran Input Jaringan Guru/Siswa, hanya distribusi seluruh input yang harus konsisten. Setiap Saluran setara dengan hasil pengambilan sampel, distribusi yang sama, urutan pengambilan sampel dapat bervariasi, tetapi hasil keseluruhan sesuai dengan distribusi yang sama, dan distribusi Saluran setelah fungsi aktivasi tidak lagi stabil, dan perlu dinormalisasi. Untuk menghindari ketidakstabilan prediksi regresi Jaringan Guru itu sendiri, kerugian regresi tetap dirancang dengan Ground Truth sebagai tujuannya, dan Output Jaringan Guru digunakan sebagai Bound, dan hanya bagian dengan kesalahan lebih besar dari Guru. Jaringan terkendala, yang intinya meminjam dari Jaringan Guru.Contoh Keras Penambangan Online.

Identifikasi ulang pejalan kaki

Masalah identifikasi ulang orang (Person Re-identification) adalah untuk mengetahui apakah orang tersebut muncul di kamera lain yang diberikan gambar orang tersebut untuk ditemukan dalam adegan lintas kamera. Umumnya digunakan untuk menyelesaikan pelacakan lintas kamera. Dalam skenario toko offline, setiap toko akan memasang kamera di area yang berbeda. Saat pelanggan berbelanja di toko, kita perlu memahami bagaimana pengguna berpindah antar area, serta memahami keberadaan dan sumber arus penumpang di setiap area. Oleh karena itu, diperlukan untuk Pejalan kaki yang sama dikaitkan dengan kamera yang berbeda.

Ekstraksi Fitur Pejalan Kaki

Kesulitan identifikasi ulang pejalan kaki adalah bahwa sudut pejalan kaki yang ditangkap oleh beberapa kamera berbeda, pejalan kaki dalam gambar dapat berubah 72 kali, dan mungkin ada tingkat oklusi yang berbeda, yang membuatnya sangat menantang untuk menggunakan keseluruhan pejalan kaki secara langsung. fitur untuk identifikasi ulang Jenis kelamin, dapatkah pengenalan wajah digunakan untuk identifikasi ulang pejalan kaki? Ini mungkin secara teori, tetapi sangat sulit untuk diterapkan dalam pemandangan nyata. Pertama, bagian belakang kepala dan wajah samping hadir secara luas, dan pengenalan wajah sulit untuk wajah depan. Kedua, piksel kamera mungkin tidak tinggi, terutama di kamera perspektif.Potongan wajah mungkin tidak berukuran 32x32 piksel. Oleh karena itu, pengenalan wajah memiliki keterbatasan besar dalam aplikasi pengenalan ulang yang sebenarnya.

Dalam masalah identifikasi ulang pejalan kaki, bagaimana mempelajari representasi fitur pejalan kaki yang kuat telah menjadi isu kritis. Cara paling intuitif untuk mempelajari representasi fitur pejalan kaki adalah dengan langsung menggunakan seluruh gambar pejalan kaki sebagai masukan untuk mengekstraksi fitur global. Tujuan dari fitur global adalah untuk mempelajari informasi paling menonjol yang dapat membedakan antara pejalan kaki yang berbeda, seperti warna pakaian, untuk membedakan pejalan kaki ini. Namun, kompleksitas pemandangan pemantauan sangat membatasi keakuratan metode ini, misalnya ada perbedaan warna antara kamera, dan kondisi pencahayaan di area toko yang berbeda akan berbeda, selain itu, banyak orang yang memakai pakaian serupa dari pejalan kaki. Pada saat yang sama, karena kurangnya volume dan kekayaan kumpulan data identifikasi ulang pejalan kaki saat ini, beberapa fitur detail yang tidak mencolok dan jarang muncul mudah diabaikan dalam pelatihan fitur global.

Untuk mengatasi masalah tersebut di atas, solusi yang lebih baik adalah menggunakan fitur lokal untuk menggantikan fitur global.Metode identifikasi ulang pejalan kaki berdasarkan fitur lokal merepresentasikan input asli sebagai beberapa blok fitur, dan setiap blok fitur merepresentasikan fitur lokal. metode berbasis fitur lokal dapat lebih memperhatikan karakteristik detail lokal pejalan kaki.

Ada juga beberapa masalah dengan metode berdasarkan fitur lokal. Jenis metode ini membagi pejalan kaki menjadi blok semantik independen dan tidak mempertimbangkan hubungan antara fitur lokal. Oleh karena itu, dalam skema kami, kami menggunakan multi-level Skema fusi fitur lokal mempertimbangkan korelasi beberapa fitur lokal sambil mempertimbangkan setiap fitur lokal Struktur jaringan spesifik ditunjukkan pada gambar di bawah Berdasarkan fitur lokal asli, beberapa fitur lokal dengan skala berbeda dan Fitur global, fitur yang dipelajari tidak hanya dapat mengekspresikan fitur terperinci dari setiap bagian, tetapi juga mengungkapkan fitur dari berbagai bagian yang digabungkan menjadi satu, yang lebih diperkaya daripada versi aslinya.

Saat ini, model berdasarkan versi ini masih dioptimalkan, Rank@1 dapat mencapai 96,19% pada dataset Market, dan versi Rank@1 dari ekstraksi fitur global menggunakan struktur jaringan backbone yang sama hanya dapat mencapai 89,9%, sedangkan hanya menggunakan versi The Rank@1 fitur lokal dapat mencapai 92,5%, dan solusi terintegrasi memiliki peningkatan yang signifikan dibandingkan dengan dua versi.

Eksplorasi dan upaya identifikasi ulang pejalan kaki lintas dataset
Karena kekhasan skenario offline, model kami perlu diterapkan di toko yang berbeda. Pencahayaan dan lingkungan setiap toko sangat berbeda, dan sudut kamera yang dipasang di toko yang berbeda juga akan sedikit berbeda. Model dilatih di lokasi syuting mungkin tidak cocok untuk semua toko, tetapi tidak mungkin bagi kami untuk memberi label pada penyimpanan data dengan toko. Oleh karena itu, kami ingin menggunakan cara yang memungkinkan model kami beradaptasi dengan data toko baru. .

Di dalam toko, karena pelanggan berada di ruang tertutup, terdapat aturan tertentu untuk perpindahan pelanggan antar berbagai kamera Berdasarkan karakteristik suasana toko, pertama kami mencoba model hybrid berdasarkan informasi spatio-temporal dari kamera Lihat [7] Struktur model ditunjukkan pada gambar berikut:

Model hybrid pertama menghitung distribusi probabilitas transisi antara kamera dan interval waktu yang berbeda berdasarkan pengklasifikasi fitur visual asli, dan kemudian menggabungkan informasi spatio-temporal dengan pengklasifikasi asli untuk mendapatkan hasil akhir.

Deteksi gerakan manusia dan kargo

Selain data arus penumpang dasar, data perilaku pelanggan di toko juga sangat berharga. Kami mencoba menggunakan solusi fusi visi yang dikombinasikan dengan sinyal frekuensi radio RFID untuk mencoba menyelesaikan masalah interaksi pelanggan dengan barang di toko , yaitu, pelanggan mana yang ada di toko Dimana dan produk mana yang dibalik/diambil mirip dengan data klik online.

Data interaksi manusia-barang adalah tautan offline yang sangat penting. Data interaksi manusia-barang dapat memberi tahu pedagang produk mana yang sering dibalik, produk mana yang lebih menarik bagi pelanggan, jenis pelanggan mana yang lebih menyukai gaya produk mana, dan pada saat yang sama Bagian dari data ini juga meningkatkan transformasi corong seluruh toko. Di masa lalu, pedagang hanya dapat menilai popularitas setiap produk berdasarkan transaksi, dan beberapa item terlaris mungkin disebabkan oleh penempatan yang tidak tepat , sehingga tidak ada pelanggan yang melihat dengan cermat sama sekali. Ditemukan bahwa volume transaksi akhir rendah. Pada saat yang sama, meskipun beberapa produk memiliki jumlah transaksi yang besar, namun sebenarnya banyak diambil oleh pelanggan. Ini mungkin terjadi karena produk ini berada pada posisi yang lebih mencolok dibandingkan dengan transaksi yang sama Produk dengan waktu pengambilan yang lebih sedikit memiliki tingkat konversi aktual yang lebih rendah. Melengkapi data di tautan ini memainkan peran kunci dalam operasi offline pedagang, dan pada saat yang sama, bagian dari data perilaku ini memainkan peran paling penting dalam layanan online setelah produk online dan offline pedagang dibuka. ke atas.

Data interaksi manusia-barang merupakan mata rantai yang relatif serius karena kurangnya data offline saat ini.Umumnya, pedagang dapat dengan mudah memperoleh data statistik transaksi komoditas, dan data interaksi manusia-barang lebih sering terjadi dan tidak mudah untuk menilai Oleh karena itu, secara keseluruhan Kesulitan pengumpulan data relatif tinggi Selain itu, data interaksi manusia-produk harus akurat untuk SKU tertentu Tidak masuk akal hanya karena pelanggan memiliki tindakan Fusi skema teknologi dan sinyal frekuensi radio RFID bisa mendapatkan data interaksi akhir manusia-barang. Gambar berikut menunjukkan skema keseluruhan:

Toko tersebut dilengkapi dengan peralatan kamera pemantau dan peralatan penerima RFID, masing-masing merekam video waktu nyata dan sinyal waktu dari pantulan terstimulasi dari tag RFID, pertama berdasarkan sinyal RFID yang dikembalikan dan mendeteksi tag RFID mana yang mungkin telah dibalik, karena petugas toko sudah Nomor EPC dari tag RFID dikaitkan dengan nomor SKU produk, dan SKU produk yang sesuai dapat diambil berdasarkan nomor EPC dari tag yang telah dibalik Transformasi koordinat dilakukan pada koordinat gambar pelanggan untuk mendapatkan koordinat fisik pelanggan yang sebenarnya Terakhir, produk yang terdeteksi yang dicurigai dibalik dikaitkan dengan pelanggan yang dicurigai membalik produk, dan diperoleh kecocokan terbaik antara produk dan pejalan kaki .

Di antara mereka, pengenalan tindakan komoditas berdasarkan teknologi frekuensi radio RFID adalah upaya yang relatif baru. Saat pelanggan membalik pakaian, tag RFID pada pakaian akan sedikit bergetar, dan peralatan penerima RFID merekam perubahan nilai karakteristik sinyal yang dipantulkan oleh tag, seperti RSSI dan Phase, dan mengirimkannya kembali ke latar belakang Nilai sinyal dianalisis untuk menentukan apakah komoditas telah membalik. Ada banyak masalah dalam menilai pembalikan produk berdasarkan sinyal RFID, termasuk derau sinyal, efek multijalur lingkungan, derau elektromagnetik sesekali, dan dampak wadah pada oklusi sinyal. Pada saat yang sama, ada hubungan nonlinier antara ukuran sinyal pantulan RFID dan jarak antara penerima dan tag.


Diantaranya, d merepresentasikan jarak antara tag RFID dan penerima, yang dipengaruhi oleh Multipath dan lingkungan saat ini, dan merepresentasikan offset yang disebabkan oleh berbagai kesalahan peralatan statis. Dapat dilihat dari rumus bahwa lokasi tempat penerima dipasang dan lingkungan penyimpanan akan berdampak besar pada sinyal RFID. Merupakan tantangan besar untuk menemukan algoritme penilaian balik terpadu yang dapat diterapkan ke penyimpanan dan penerima yang berbeda di lokasi yang berbeda. Dalam versi aslinya, kami menggunakan nilai asli RSSI dan Fase sebagai nilai fitur untuk melatih model. Ada masalah dengan model seperti itu. Dalam kasus sampel yang tidak mencukupi, sangat dipengaruhi oleh lingkungan dan seringkali tidak bisa offline di lingkungan nyata Sebagai hasil pengujian, oleh karena itu kami berusaha untuk membantu penilaian tindakan berdasarkan nilai sinyal mentah yang dihasilkan dari nilai eigen yang tidak begitu berkorelasi kuat dengan lokasi spasial.

Meskipun informasi amplitudo dalam informasi frekuensi terkait dengan posisi spasial, ketika kita hanya fokus pada distribusi frekuensi (proporsi komponen frekuensi yang berbeda), informasi frekuensi juga dapat dianggap sebagai fitur yang tidak ada hubungannya dengan spasial. informasi posisi. Perolehan informasi frekuensi memerlukan transformasi Fourier diskrit dari sinyal RSSI dan sinyal Fase, dan kemudian statistik distribusi sinyal frekuensi dan sinyal fase. Untuk grafik distribusi yang diperoleh, hitung divergensi JS antara distribusi saat ini dan distribusi waktu sebelumnya (relatif terhadap divergensi KL, divergensi JS memiliki simetri aditif, sehingga dapat digunakan untuk mengukur jarak relatif antar beberapa distribusi).

Versi berdasarkan perbedaan dispersi JS dari dua sampel sebelum dan sesudah momen yang berdekatan dapat mencapai akurasi pengenalan 94% pada data pengujian kami, dibandingkan dengan akurasi 91,9% dari versi asli berdasarkan nilai RSSI asli dan nilai fase sebagai fitur. Ada adalah perbaikan tertentu.

Deteksi tindakan pelanggan berbasis gambar adalah masalah klasifikasi klasik. Untuk mengurangi kebutuhan akan daya komputasi, kami menggunakan: MobileNet[12] untuk mengklasifikasikan lebih lanjut gambar deteksi pejalan kaki, dan mengoptimalkan parameter berdasarkan model keluaran Logits. Dengan tetap mempertahankan akurasi klasifikasi , tingkatkan tingkat penarikan contoh positif untuk memastikan bahwa contoh positif diingat sebanyak mungkin, seperti yang ditunjukkan pada gambar di bawah ini.

Kami mencocokkan melalui dua dimensi korelasi waktu dan tindakan mencurigakan pada saat yang bersamaan, sehingga tingkat akurasi akhir pencocokan pejalan kaki dan produk membalik mencapai 85,8%.

## Aplikasi Digital Arus Penumpang

Data terkait arus penumpang yang dihasilkan oleh digitalisasi arus penumpang tidak hanya digunakan untuk operasi offline pedagang, tetapi kami juga memiliki beberapa aplikasi awal untuk distribusi lalu lintas offline berdasarkan bagian data ini.Taobao adalah pintu masuk distribusi lalu lintas online yang besar . Pencarian dan rekomendasi Taobao menentukan produk mana yang saat ini dapat dilihat konsumen, dan pada saat yang sama memengaruhi aliran keseluruhan setiap pedagang dan produk. Pencarian dan rekomendasi adalah untuk mencocokkan pedagang, produk, dan pengguna, dan menampilkan produk yang sesuai kepada pengguna yang sesuai. Pengguna, sekaligus memuaskan pengalaman berbelanja konsumen, juga menyeimbangkan lalu lintas distribusi produk masing-masing merchant, menghindari pemborosan lalu lintas, dan mewujudkan nilai lalu lintas yang maksimal.

Pusat perbelanjaan offline juga memiliki permintaan yang sama untuk distribusi lalu lintas. Namun, dibandingkan dengan online, ada dua tantangan yang lebih besar di pasar offline: 1) Saat ini tidak ada pintu masuk terpadu offline, mirip dengan aplikasi pencarian dan rekomendasi online, yang tidak dapat menjangkau pengguna; 2) Tidak ada offline kaya serupa untuk log dan data perilaku, sulit untuk mencapai personalisasi yang akurat tanpa dukungan data, dan tidak mungkin untuk mengoptimalkan efeknya.

Dalam eksplorasi distribusi lalu lintas offline, kami menggunakan layar interaktif yang ada di pusat perbelanjaan dan toko-toko sebagai pintu keluar distribusi lalu lintas, pada saat yang sama kami menggunakan data yang dikumpulkan oleh digitalisasi arus penumpang tersebut di atas untuk mendukung distribusi lalu lintas yang dipersonalisasi di pasar luring.

Layar drainase di luar lokasi

Fungsi layar drainase di luar lokasi adalah untuk melakukan distribusi lalu lintas tingkat pertama. Pertama, perlu menarik pengguna melalui berbagai permainan interaktif dan aktivitas pemasaran, dan kemudian mengirimkan kupon yang dipersonalisasi kepada pengguna melalui layar untuk memandu pengguna ke berbagai toko.

Di pusat perbelanjaan tradisional, ketika pengguna pertama kali memasuki mal, mereka dapat melakukan aktivitas secara acak di lantai ini, ketika mereka melihat merek yang mereka minati menyelesaikan aktivitas memasuki toko, atau pengguna akan mendapatkan gambaran umum ​Distribusi merek di lantai mal berdasarkan layar navigasi, lalu melakukan penelusuran yang ditargetkan. Fungsi layar drainase kami adalah untuk merekomendasikan diskon yang sesuai kepada orang yang bersangkutan, untuk memandu pengguna ke dalam toko, yang setara dengan distribusi lalu lintas keseluruhan di pulau tengah pusat perbelanjaan, dan memandu pengguna yang terkonsentrasi di tengah pulau ke berbagai arah. . Skema keseluruhan ditunjukkan pada gambar di bawah ini:

Solusi keseluruhan bergantung pada tiga bagian data, yaitu data atribut kerumunan berdasarkan karakteristik gambar pengguna, data distribusi kerumunan yang memasuki toko dan statistik toko lainnya, berdasarkan karakteristik atribut pengguna saat ini. dan kerumunan toko. Pencocokan distribusi dapat memperoleh hasil rekomendasi toko yang dipersonalisasi awal. Selain itu, dengan menggunakan karakteristik statistik toko itu sendiri sebagai informasi tambahan, dalam kondisi pencocokan yang sama, pertimbangkan juga karakteristik dimensi dari setiap toko itu sendiri, seperti popularitas dan efisiensi, serta informasi intensitas kupon yang disediakan saat ini diperoleh, dan peringkat akhir kupon diperoleh dan ditampilkan kepada pengguna.

Layar pemasangan di lapangan

Fungsi dari fitting screen di venue adalah untuk mendistribusikan lalu lintas pada layer kedua, yaitu produk mana yang perlu direkomendasikan untuk ditampilkan kepada pengguna setelah pengguna memasuki toko. Di toko tradisional, pengguna akan menelusuri toko secara acak setelah memasuki toko, dan akan meminta panduan belanja untuk mencoba pakaian yang mereka minati, dan panduan belanja juga akan merekomendasikan pelanggan setelah mencobanya. Ada beberapa masalah dalam keseluruhan proses. Pertama-tama, penjelajahan produk oleh pengguna memiliki hubungan yang baik dengan lokasi produk. Produk di jendela akan lebih mudah menarik perhatian pengguna. Di beberapa area gantungan yang padat, pengguna mungkin tidak dapat melihat beberapa produk. Kedua, rekomendasi yang dibuat oleh panduan belanja setelah mencobanya akan berbeda dari orang ke orang, dan sangat berkaitan dengan kualitas panduan belanja itu sendiri. Beberapa panduan belanja yang berpengalaman dapat merekomendasikan produk yang lebih cocok untuk Anda sesuai dengan penampilan dan temperamen pribadi Anda, dan banyak lagi Panduan belanja terbaik hanya dapat membuat rekomendasi berdasarkan model terlaris saat ini, dan tidak dapat bervariasi dari orang ke orang.

Rekomendasi pemasangan layar perlu mengatasi dua masalah di atas Bentuk tampilan keseluruhan adalah sebagai berikut:

Saat pengguna mencoba, detail produk akan ditampilkan di sisi cermin, termasuk apakah produk saat ini memiliki diskon, dll. Pada saat yang sama, berdasarkan perilaku percobaan pengguna, produk yang relevan, dan kecocokan produk akan direkomendasikan, dan beberapa produk akan diberikan kesempatan tampilan tambahan, pada saat yang sama, juga dapat memberikan hasil rekomendasi yang dipersonalisasi berdasarkan percobaan pengguna dan karakteristik gambar pengguna saat ini, yang nyaman bagi pengguna untuk membeli Pengambilan keputusan tambahan dapat membantu panduan belanja merekomendasikan produk yang lebih dipersonalisasi dan lebih kaya kepada pengguna.

Mempertimbangkan masalah privasi, dalam aplikasi kami, kami tidak mencoba mengaitkan wajah dengan ID yang sesuai, tetapi hanya membuat rekomendasi berdasarkan kesamaan antara perilaku pengguna dan perilaku pengguna lain di tempat tersebut.

Realisasi rekayasa

Inferensi AI adalah bagian penting dari komputasi terminal GPU. Pada awal eksplorasi, inferensi AI mengadopsi mode serial:

Dengan mengamati data pengujian, kami terkejut menemukan bahwa meskipun program sudah dalam kondisi jenuh pemrosesan gambar aliran video, tingkat penggunaan CPU 6-inti hanya 150%, dan tingkat penggunaan GPU hanya 30%, artinya, lebih dari setengah sumber daya perangkat keras A menganggur. Untuk menggunakan kembali sumber daya yang sewaktu-waktu menganggur, kami telah mengubahnya menjadi mode pipa. Diagram strukturnya adalah sebagai berikut:

Dalam solusi pipa yang diimplementasikan oleh banyak proses, karena data dari setiap proses tidak tergantung satu sama lain, data yang dihasilkan atau diubah oleh satu proses tidak sensitif terhadap proses lainnya. Cara meningkatkan transfer data antar proses adalah kunci untuk mencapai konkurensi secara efisien. Kami telah mengadopsi memori bersama berdasarkan tipe mmap. Dibandingkan dengan mekanisme komunikasi multi-proses pipa dan soket, memori bersama sangat efisien dan fleksibel dalam solusi komunikasi data multi-proses. Lihat solusi nilai multiprosesing dan gunakan dasar struktur data dibangun ke dalam ctypes Untuk mengimplementasikan model data kami, sangat mudah untuk melakukan segmentasi memori dan mengubahnya menjadi struktur data yang dapat digunakan.

Dikombinasikan dengan situasi bisnis, mode kerja pipeline kami membagi setiap tahap menjadi subtugas. Kami juga merancang antrean berbagi gambar. Seluruh proses hanya perlu menulis data gambar satu kali, dan setiap tahap hanya perlu membaca gambar dari antrean bersama ini. Lagipula proses selesai, hapus data gambar dari antrian gambar, untuk memastikan kebenaran dan efisiensi operasi gambar. Melalui pengujian, kami menemukan bahwa antrian memori bersama yang kami terapkan lebih dari 300 kali lebih cepat daripada metode pipa dalam membaca data.

efek bisnis

Saat ini, data digital aliran pelanggan kami telah disimpan ke dalam produk yang sesuai. Berikut ini adalah diagram skema aliran pelanggan dasar. Pemilik merek dapat melihat aliran pelanggan dasar harian toko dan aliran penumpang berdasarkan periode waktu, dan memahami status operasi saat ini dari setiap toko.

Gambar di bawah menunjukkan peta panas regional dan peta garis bergerak regional. Peta panas regional menunjukkan kepadatan lalu lintas toko di setiap area setiap jam dalam sehari. Kami mengintegrasikan data kamera yang berbeda dan akhirnya memetakannya ke peta peta CAD toko. Menampilkan panas regional, sehingga toko dapat melihat panas setiap area secara lebih intuitif. Peta garis pergerakan regional menunjukkan tujuan dan sumber arus penumpang di setiap area. Berdasarkan panas regional dan memindahkan data jalur, pedagang dapat dengan jelas memahami setiap area toko Kepadatan wilayah dan perpindahan pelanggan antar wilayah, pemilik merek koperasi saat ini juga akan melakukan penyesuaian yang sesuai dengan tampilan di toko berdasarkan wilayah data, dan beberapa toko bahkan menyesuaikan kembali distribusi regional dari seluruh toko berdasarkan data garis bergerak.


Gambar di bawah ini menunjukkan potret kerumunan pelanggan yang masuk ke toko, menunjukkan distribusi jenis kelamin dan usia pelanggan yang masuk ke toko setiap hari.Pedagang akan membandingkan kelompok target merek saat ini berdasarkan data potret pelanggan kerumunan memasuki toko, dan berdasarkan aliran pelanggan aktual ke dalam toko Distribusi menyesuaikan struktur kategori produk yang ditampilkan di toko dan proporsi berbagai jenis produk.