一种客流的人群识别方法、系统及电子设备

技术领域

本发明涉及人群识别领域，尤其涉及一种客流的人群识别方法、系统及电子设备。

背景技术

在商场、地铁商业街等商业区域内，通常会有大量的客户穿行、消费和娱乐活动，特别是在现代化的综合性商业区域内，通常包括有饮食、娱乐、休闲、养生等众多商铺，每日接待的客流量很大，而在大型的商业体中，如何根据人群的种类和消费取向等信息来决定商圈的铺排，对商场的维持和发展具有重大意义。而在巨大的客流中，通常包含了多种类型的人群，例如，家庭亲子、情侣、朋友或商业洽谈客户等，每一种人群的消费通常具有不同的取向，故针对客流进行准确的人群识别是重点。

而现有的针对人群识别的系统中，忽略了在商业区域内的临时穿行人员的因素，例如借道穿行的人群和上下班路过的人群，该种人群均只是穿堂客性质的无效人群，会降低上述的大数据统计的准确度。

发明内容

本发明提供了一种客流的人群识别方法、系统及电子设备，旨在解决现有的客流的人群识别系统中忽略无效人群的问题。

根据本申请实施例，提供了一种客流的人群识别方法，包括以下步骤：步骤S1：获取每个通行者的移动轨迹、进店数据及穿行时间；步骤S2：判断每个移动轨迹是否是光滑的曲线，若是，则进入步骤S3，若否，则进入步骤S4；步骤S3：定义该移动轨迹对应的通行者为临时人群；步骤S4：结合对应的进店数据，判断该通行者进店时间是否小于预设数值，若是，则进入步骤S5，若否，则进入步骤S6；步骤S5：定义该移动轨迹对应的通行者为临时人群；及步骤S6：定义该移动轨迹对应的通行者为参与人群。

优选地，步骤S1与步骤S2之间还包括：步骤S100：获取通行者的性别和年龄；步骤S101：基于至少两个通行者的移动轨迹，判断多个移动轨迹之间的重合度是否大于预设值，若是，则进入步骤S102，若否，则进入步骤S103；步骤S102：基于通行者的性别和年龄，预测对应的多个通行者之间的同行关系；及步骤S103：多个移动轨迹对应的通行者为个人通行者。

优选地，步骤S1与步骤S2之间还包括：步骤S200：获取通行者的性别和年龄；步骤S201：基于至少两个通行者的穿行时间和进店数据，判断多个通行者之间的重合度是否大于预设值，若是，则进入步骤S202，若否，则进入步骤S203；步骤S202：基于通行者的性别和年龄，预测对应的多个通行者之间的同行关系；及步骤S203：多个移动轨迹对应的通行者为个人通行者。

优选地，基于步骤S102中预测的人群关系，剔除同行者的所有数据。

优选地，步骤S6之后还包括：步骤S7：获取预设天数内的参与人群数量，筛选在预设天数内出现同一通行者的出现次数；及步骤S8：基于出现次数，对达到预设次数的通行者定义为粘性人群。

优选地，上述步骤S8后还包括：步骤S9：基于粘性人群，筛选出连续出现的数量符合要求的通行者进一步定义为忠诚人群。

本发明还提供一种客流的人群识别系统，包括：第一信息获取单元，用于获取每个通行者的移动轨迹、进店数据及穿行时间；轨迹判断单元，用于判断每个移动轨迹是否是光滑的曲线；第一穿堂客判断单元，用于当轨迹为光滑的曲线时，定义该移动轨迹对应的通行者为临时人群；进店判断单元，用于当移动轨迹不光滑时，结合对应的进店数据，判断该通行者进店时间是否小于预设数值；第二穿堂客判断单元，用于当通行者进店时间小于预设数值时，定义该移动轨迹对应的通行者为临时人群；及参与人群判断单元，用于当通行者进店时间大于预设数值时，则定义该移动轨迹对应的通行者为参与人群。

优选地，还包括：第二信息获取单元，用于获取通行者的性别和年龄；轨迹拟合单元，用于基于至少两个通行者的移动轨迹，判断多个移动轨迹之间的重合度是否大于预设值；同行预测单元，用于当多个通行者的移动轨迹相似时，基于通行者的性别和年龄，预测对应的多个通行者之间的同行关系；及个人预测单元，用于当多个通行者的移动轨迹不相似时，将多个移动轨迹对应的通行者为个人通行者。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述客流的人群识别方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述客流的人群识别方法。

本发明提供的一种客流的人群识别方法、系统及电子设备具有以下有益效果：

1、通过获取通行者的移动轨迹、进店数据及穿行时间，并基于移动轨迹的曲线光滑度，并结合进店数据的进店时间，来识别出人群中的临时人群，也即通过上述数据来在多个人群之中筛选出处于无效数据的临时人群，以便于在后续的商场大数据分析的情况下，充分考虑了由于临时人群的无效穿行、临时借道造成的无效数据，增加了数据分析维度，提高了商场大数据分析的准确度，使得决策者可更加具有针对性地做出安排和策划。

2、通过对同行人群的识别和预测，进一步识别多种人群种类，可基于不同的年龄段和同行人群进行细分，可进一步针对商场内的商铺安排、活动策划等进行优化，做出针对性计划实施，有效把握消费人群动向。

3、基于预测的人群关系，剔除同行者的所有数据。基于同行的性质，多个人之间的多项数据具有较高的重合度，而删除其他同行者的数据，使得同行的人群变为单个个人数据，使得在列入大数据计算时，可减少重复的数据，降低运算量，提高运算效率。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种客流的人群识别方法的流程图。

图2是本发明第一实施例提供的一种客流的人群识别方法中一种同行人群识别的流程图。

图3是本发明第一实施例提供的一种客流的人群识别方法中又一种同行人群识别的流程图。

图4是本发明第一实施例提供的一种客流的人群识别方法中粘性人群识别的流程图。

图5是本发明第二实施例提供的一种客流的人群识别系统的模块图。

图6是本发明第二实施例提供的一种客流的人群识别系统中同行人群识别的模块图。

图7是本发明第三实施例提供的一种电子设备的模块图。

标号说明：

1、客流的人群识别系统；

11、第一信息获取单元；12、轨迹判断单元；13、第一穿堂客判断单元；14、进店判断单元；15、第二穿堂客判断单元；16、参与人群判断单元；100、第二信息获取单元；101、轨迹拟合单元；102、同行预测单元；103、个人预测单元；

10、存储器；20、处理器。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的″一″、″一个″及″该″意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语″和/或″是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，本发明公开了一种客流的人群识别方法1，包括以下步骤：

步骤S1：获取每个通行者的移动轨迹、进店数据及穿行时间。

步骤S2：判断每个移动轨迹是否是光滑的曲线，若是，则进入步骤S3，若否，则进入步骤S4。

步骤S3：定义该移动轨迹对应的通行者为临时人群。

步骤S4：结合对应的进店数据，判断该通行者进店时间是否小于预设数值，若是，则进入步骤S5，若否，则进入步骤S6。

步骤S5：定义该移动轨迹对应的通行者为临时人群。及

步骤S6：定义该移动轨迹对应的通行者为参与人群。

可以理解，在步骤S1中，所述移动轨迹基于商场区域内多个摄像头的实时数据，最同一个通行者的出现地点进行拟合获得移动轨迹。所述进店数据仅包括进入店铺消耗的时间，地点以及对应店铺的名称等，不涉及进店后消费的具体数据。

可以理解，在步骤S2中，移动轨迹形成的曲线的光滑度，决定着该通行者在进入商场区域后，游逛的路线是否具有目的性，例如，穿堂客穿行时，没有进店的往返轨迹，则曲线具有较大的光滑度。

可以理解在步骤S3中，临时人群即为临时通过或借道穿行的穿堂客人群。

可以理解，在步骤S4中，穿堂客也会有短时间的进店轨迹，也即考虑了穿堂客在穿行时的部分进店行为，该进店行为当小于预设时间时，可定义为无效进店行为，例如，将进店时间预设为3分钟、5分钟等。通过筛选短时间的无效进店行为，可减少穿堂客判断的误差，提高识别准确度。

可以理解，在步骤S6中，所述参与人群即为进入商场内的有效人群，该种人群的数据可作为商场铺排的主要数据来源。

请参阅图2，步骤S1与步骤S2之间还包括：

步骤S100：获取通行者的性别和年龄。

步骤S101：基于至少两个通行者的移动轨迹，判断多个移动轨迹之间的重合度是否大于预设值，若是，则进入步骤S102，若否，则进入步骤S103。

步骤S102：基于通行者的性别和年龄，预测对应的多个通行者之间的同行关系。及

步骤S103：多个移动轨迹对应的通行者为个人通行者。

可以理解，在步骤S100中，基于通行者的脸部识别数据，识别出通行者的性别和年龄，不涉及通行者的姓名、身份识别等个人信息，可以有效保证对每一个通行者个人隐私的保护。

可以理解，在步骤S101中，同行人群通常具有相同的移动轨迹，可基于同行人群，结合性别和年龄数据，预测出同行人群中的多种类型，例如：老年结伴人群、情侣、家庭亲子等。在本实施例中，轨迹重合度预设值设置为80％。

可以理解，通过步骤102对同行人群的进一步预测，可将同行人群的种类进行划分，可基于该人群数据，针对商场内的商铺安排、活动策划等进行优化，做出针对性计划实施，有效把握消费人群动向。

可选地，作为一种实施例，在上述步骤S102中，基于步骤S102中预测的人群关系，剔除同行者的所有数据。基于同行的性质，多个人之间的多项数据具有较高的重合度，而删除其他同行者的数据，使得同行的人群变为单个个人数据，使得在列入大数据计算时，可减少重复的数据，降低运算量，提高运算效率。

可以理解，步骤S101～S103仅为该实施例的一种实施方式，其实施方式并不限定于步骤S101～S103。

可选地，请参阅图3，作为一种实施例，步骤S1与步骤S2之间还包括：

步骤S200：获取通行者的性别和年龄；

步骤S201：基于至少两个通行者的穿行时间和进店数据，判断多个通行者之间的重合度是否大于预设值，若是，则进入步骤S202，若否，则进入步骤S203；

步骤S202：基于通行者的性别和年龄，预测对应的多个通行者之间的同行关系；及

步骤S203：多个移动轨迹对应的通行者为个人通行者。

可以理解，在步骤S201中，可基于穿行时间和进店数据的重合度，来判断通行者之间是否为同行人群，该重合度可以设定为70％。

可以理解，步骤S201～S203仅为该实施例的一种实施方式，其实施方式并不限定于步骤S201～S203。

请参阅图4，步骤S6之后还包括：

步骤S7：获取预设天数内的参与人群数量，筛选在预设天数内出现同一通行者的出现次数。

步骤S8：基于出现次数，对达到预设次数的通行者定义为粘性人群。及

步骤S9：基于粘性人群，筛选出连续出现的数量符合要求的通行者进一步定义为忠诚人群。

可以理解，在步骤S7中，从参与人群中进一步进行分类，获得有效人群中用户的粘性，而在连续的天数范围内，多次出现的用户即为粘性较高的人群，反之，到场的有效人群次数逐渐降低，会定义为流失人群。

可以理解，通过步骤S8和步骤S9，对粘性人群进行进一步细分，可有效地针对粘性较高的参与人群进行针对性安排，有利于商场内的各项策划和铺排。

请参阅图5，本发明第二实施例提供一种客流的人群识别系统1，其采用上述第一实施例提供的客流的人群识别方法，该系统主要包括：

第一信息获取单元11，用于获取每个通行者的移动轨迹、进店数据及穿行时间。

轨迹判断单元12，用于判断每个移动轨迹是否是光滑的曲线。

第一穿堂客判断单元13，用于当轨迹为光滑的曲线时，定义该移动轨迹对应的通行者为临时人群。

进店判断单元14，用于当移动轨迹不光滑时，结合对应的进店数据，判断该通行者进店时间是否小于预设数值。

第二穿堂客判断单元15，用于当通行者进店时间小于预设数值时，定义该移动轨迹对应的通行者为临时人群。及

参与人群判断单元16，用于当通行者进店时间大于预设数值时，则定义该移动轨迹对应的通行者为参与人群。

请参阅图6，还包括第二信息获取单元100，用于获取通行者的性别和年龄。

轨迹拟合单元101，用于基于至少两个通行者的移动轨迹，判断多个移动轨迹之间的重合度是否大于预设值。

同行预测单元102，用于当多个通行者的移动轨迹相似时，基于通行者的性别和年龄，预测对应的多个通行者之间的同行关系。及

个人预测单元103，用于当多个通行者的移动轨迹不相似时，将多个移动轨迹对应的通行者为个人通行者。

请参阅图7，本发明第三实施例提供一种用于实施上述客流的人群识别方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项客流的人群识别方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项客流的人群识别方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。

本发明提供的一种客流的人群识别方法、系统及电子设备具有以下有益效果：

1、通过获取通行者的移动轨迹、进店数据及穿行时间，并基于移动轨迹的曲线光滑度，并结合进店数据的进店时间，来识别出人群中的临时人群，也即通过上述数据来在多个人群之中筛选出处于无效数据的临时人群，以便于在后续的商场大数据分析的情况下，充分考虑了由于临时人群的无效穿行、临时借道造成的无效数据，增加了数据分析维度，提高了商场大数据分析的准确度，使得决策者可更加具有针对性地做出安排和策划。

2、通过对同行人群的识别和预测，进一步识别多种人群种类，可基于不同的年龄段和同行人群进行细分，可进一步针对商场内的商铺安排、活动策划等进行优化，做出针对性计划实施，有效把握消费人群动向。

3、基于预测的人群关系，剔除同行者的所有数据。基于同行的性质，多个人之间的多项数据具有较高的重合度，而删除其他同行者的数据，使得同行的人群变为单个个人数据，使得在列入大数据计算时，可减少重复的数据，降低运算量，提高运算效率。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。

在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。

计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言一诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言一诸如″C″语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)一连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一信息获取单元、轨迹判断单元、第一穿堂客判断单元、进店判断单元、第二穿堂客判断单元以及参与人群判断单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一信息获取单元还可以被描述为″获取每个通行者的移动轨迹、进店数据及穿行时间的单元″。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。