一種基于遙感影像分析的商場客流規律統計方法

創新者：龍海東

一種基于遙感影像分析的商場客流規律統計方法

創新者：龍海東

在商業機構中需要對商場客流量進行有效的統計，在統計過程中所采用的統計方法就顯得非常重要。本文通過對一種基于遙感影像分析的商場客流規律統計方法的介紹，為商場客流量統計提供了更加精準的方法。

商場客流統計數據在商業機構中應用十分廣泛，一般用于商場有針對性的開展促銷活動，增加營業額；也可用于供貨商分析各大商場的營業狀況，調整供貨計劃。傳統的商場客流統計方法通常利用紅外線感應或者攝像頭影像模式識別的方法，采取這類方法時需要在商場內部安裝特定的傳感器用于采集數據；這些傳感器往往由商場安裝或授權使用，因此采集的數據需要商場運營商授權才可獲得，一般機構難以獲得此類信息。大數據時代的到來給很多領域帶來革命性的改變，尤其是遙感影像在數據開放方面尤為突出，使利用遙感影像的應用拓展至更廣的方面。本文闡述了一種基于遙感影像的商場客流規律統計方法，將遙感影像分析和商業運作結合起來，使遙感影像分析向商業應用方向進一步拓展。

大數據給信息挖掘帶來福音

曾幾何時，大數據這個概念已悄然的融入我們每個人的生活之中，在不經意之間改變了我們生活和工作的方式，同時也改變可我們認識世界和改造世界的方法。我們的行為、位置，甚至身體的每一個變化都可能成為被記錄和分析的數據。

大數據具有很多特性，其中最為典型的是開放性、相關性和復用性。

所謂開放性是指大數據是共享的或通過較低的門檻可獲取的數據，不需要通過自己從底層建立一整套齊全的數據收集、存儲和預處理設備，使用者可直接運用自身相關專業的知識直接進行數據的分析，得出某一專業領域需要的結論。

相關性指在處理大數據時主要考慮的因素往往不是事情的前因后果，而是更專注于事件之間的關聯關系。簡單來講，大數據分析者樂于看到這樣的規律，即A事件出現的同時B事件也會出現，至于A與B之間的因果關系則不需進行深入的研究。因為A與B總是會同時出現這條規律已經足以解決特定領域的問題。

復用性指大數據的應用范圍不會局限在某一各領域內，從不同的專業視角看待同一組數據，會得出不同的結論，從而應用到不同的專業領域之中。

大數據的這些特性說明傳統意義上專業性很強的基礎數據可以被應用到其他的領域當中，同樣很多普通的行業中遇到的問題也可以使用更為廣泛的數據來源和顛覆傳統意義的方法加以解決。

遙感影像應用范圍大幅拓展

人類本身就生活在一個三維的空間里，地理空間信息包含在我們生活的方方面面，人們的工作和生活越來越離不開各種地理空間系統。遙感影像是地理給空間系統的基礎數據之一，是各種分析的原始資料；而且，遙感影像本身具有其他數據所不具有的優勢，主要表現在：

信息量大

遙感影像按獲取手段劃分通常分為航空遙感影像和航天遙感影像。從覆蓋范圍上看，一幅航空遙感影像覆蓋的范圍從幾百米至千米不等，航天遙感影像甚至可達數百千米，可獲得大范圍的地表影像；從影像分辨率上看，無論是航空遙感還是航天遙感影像的分辨率均已經達到亞米級，對地物的發現和識別的準確率都較以往有大幅提高。因此，遙感影像從覆蓋范圍上還是從清晰程度上都提供了較為豐富的信息，為后續的分析工作提供了基礎的數據保證。

可視性好

遙感影像眾多信息中少數的以圖片形式存在的信息，是一種能夠看得見的數據。隨著遙感技術的發展，影像的分辨率還會進一步縮小，圖像的清晰程度越來越高，對判讀的要求在降低，這使得很多非遙感專業的人員也有參與到遙感圖像分析的工作中，從而使遙感影像的應用范圍大幅拓展。

處理技術成熟

遙感圖像的處理經過多年的研究積累了大量成熟的算法，可運用計算機技術極大的提高工作效率。近年來在“互聯網+”概念的帶動下，遙感影像的數據共享程度也在不斷攀升。通過大家熟知的Google Earth等地理信息系統可獲得某一地點、一段時期內不同時相的影像數據，為數據的分析提供大量的數據來源。

利用衛星遙感影像分析商場客流規律

分析方法

本方法利用互聯網地理信息系統平臺，如Google Earth、百度地圖、天地圖等，下載待分析的商場衛星遙感影像圖；利用ARCMAP圖像分析軟件獲取每幅遙感圖像中露天停車場內車輛數量；默認車輛數量與客流量總體基本呈正比關系，將車輛數量和遙感影像的成像時間相結合，繪制不同時間跨度的曲線圖，從中尋找規律，得出結論。

樣本選取

分析目標的選取要盡量選擇大型綜合商場，且商場具有地面停車場，從而使利用遙感圖像查明車輛數量成為可能。本文選取國內某大型綜合商場作為分析樣本，該商場毗鄰大型居住社區，購物人群穩定；周邊交通便利，停車位充足，可滿足顧客自駕車前往；商場經營項目豐富，可滿足不同人群不同方面的購物需求。商場遙感影像如圖1所示。

圖1　某商場衛星遙感影像圖

數據收集

利用Google Earth、百度地圖、天地圖等數據開放平臺，下載該商場營業以來所有遙感影像圖，并記錄每幅遙感影像的成像時間。

數據處理

利用ARCMAP處理收集的遙感影像需要進行3步操作。

制作停車場空場底圖

停車場空場底圖是停車場沒有車輛停放時場景，是利用多幅圖像合成的成果，作為后續處理的基準。首先選取一幅停車場內車輛相對較少的影像作為基準，使用ARCMAP中掩膜工具將有車輛停放的停車位剔除；在其他時相的影像圖中查找之前被剔除的且沒有車輛停放的停車位，利用裁切工具裁切下來；將剔除后的地圖和裁切的圖像合成為一幅圖，圖內所有車位均無車輛停放，作為后續處理的底圖。

配準各時相的遙感影像圖

通常，對柵格數據集進行地理配準的步驟包括：

1.在ArcMap中，添加需要與投影數據對齊的柵格

2.使用控制點對齊柵格

控制點是在柵格數據集和實際坐標中可以精確識別的位置。許多不同類型的要素都可以用作可識別位置，如道路或河流交叉點、小溪口、巖石露頭、土地的堤壩盡頭、已建成場地的一角、街道拐角或者兩個灌木籬墻的交叉點。

需要創建的鏈接數量取決于計劃使用的變換的復雜程度，此變換用于將柵格數據集變換到地圖坐標。不過，添加更多的鏈接并不一定會獲得更好的配準效果。如有條件，應該在整個柵格數據集中散布鏈接，而不是將它們集中在某一個區域中。通常，使柵格數據集的每個角點附近具有至少一個鏈接且內部也具有幾條鏈接，這樣可以收到最好的效果。

一般來說，柵格數據集和目標數據之間的重疊部分越大，對齊效果越好，因為可以在更廣闊的范圍內設定控制點來對柵格數據集進行地理配準。例如，如果目標數據僅占柵格數據集覆蓋區域的四分之一，則用于對齊柵格數據集的點將限制在此重疊區域中。因此，重疊區域之外的區域很可能無法正確對齊。

3.如果對對齊（也稱為配準）滿意，則保存地理配準信息。

4.導出配準后的遙感影像圖

圖像相減識別變化區域

以逐個像元比較的方式，確定第一個輸入的哪些值與第二個輸入的值在邏輯上不同。如果兩個輸入的值不同，則使用第一個輸入的值作為輸出。如果兩個輸入的值相同，則輸出為0。原理如圖2所示。

提取車輛數量

圖2　圖像差異提取原理示意圖

假設遙感影像的地面分辨率為0.5m，車輛尺寸最小為1m×2m，1輛車輛占據4個像素。在前期得出的差異圖像中，尋找4個相鄰的不為0的像素算作1輛車輛，計數器累加計數1次。遍歷所有像素之后，計數器的計數值作為車輛數量。

數據分析

數據分析采取多樣本求平均值的方法，以年為單位統計為例，找出所有當年的樣本，求和后除以樣本數量，即為該年度的平均值。具體計算見下公式：

分析結論

以年為單位來看，客流量呈周期性波動

從車輛數量曲線中可以看到，客流量基本以4年為周期上下波動，2009年和2014年客流量較多，而2011年和2015年有所回落。以年為單位的統計結果顯示，經濟規律在一定程度上影響了商場的客流量。客流變化曲線見表1。

表1　以年為單位的客流量統計曲線

以月為單位來看，夏季客流相對較少

以月為統計單位的分析結果看，全年的客流量高峰分布在全年的兩頭，主要原因或因為節日較為集中，購物需求比較旺盛。3、4月份和9、10月份客流量處于平均水平，而客流量得低谷分布在8月份。究其原因，或因為3、4月份和9、10月份氣溫適宜，人們的出游愿望比較強烈，一定程度上分流了購物的人群；而8月份由于天氣炎熱，人們更愿意待在家里。以月為單位的統計結果顯示，氣溫也在一定程度上影響了商場的客流量。客流變化曲線見表2。

表2　以月為單位的客流量統計曲線

以周為單位來看，周二和周末客流較為集中

以周為單位的統計結果看，人們周末的空閑時間較多，購物休閑的需求較大；值得注意的是周二作為普通工作日，人們表現出了較強的購物欲望，這也是眾多商家需要關注的地方。以月為單位的統計結果顯示，短時間內客流量的變化可能取決于人們的工作節奏。客流變化曲線見表3。

表3　以周為單位的客流量統計曲線

結束語

大數據時代的正以不可阻擋的趨勢改變著我們的日常生活，給我們的生產方式帶來的變革有時是細微的但也是革命性的；隨著遙感技術的不斷發展，相信遙感技術能夠隨著大數據的浪潮乘風破浪，將應用的范圍推向更高更遠的領域，惠及更多人的工作和生活。

10.3969/j.issn.1001-8972.2015.24.037