想象你是城市公园的园长。公园开园多年，你一直凭感觉布置设施：长椅放在你自认为的“好位置”，小吃摊摆在湖边的“黄金位”。可有一天，一位数据工程师朋友送来一份“客流热力图”——那是用无人机拍摄和AI算法把一周的游客活动画成的一张彩色地图。红色区域是人群聚集的热土，蓝色区域是无人问津的冷角。你惊讶地发现，自己一直以为的黄金位其实冷冷清清，而儿童游乐区旁的草坪才是真正的人气王。按图调整摊位与长椅后，第二个月小卖部收入涨了三成。 这就是新零售正在发生的变革。门店就是你的公园，顾客就是游客，摄像头与WiFi探针就是无人机，热力图就是那张人潮地图。智能零售的核心，不再是“猜顾客想要什么”，而是用数据“看见顾客在哪里、停留多久、去向何方”。本文从零开始，带你理解客流分析与热力图的原理、算法、应用与落地实战。

岗位关联

掌握客流分析与热力图，是AI从业者切入零售数字化赛道的核心技能，也是从“看懂数据”迈向“创造商业价值”的关键一跃。

目录
  1. 可视化演示
  2. 客流分析基础
  3. 热力图原理
  4. 关键算法
  5. 数据管道
  6. 应用场景
  7. 性能优化
  8. 行业案例
  9. 未来趋势
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示智能零售中客流计数与去重算法、顾客轨迹追踪与停留分析及热力图生成与商业洞察能力。

本节配有交互动效（进入视口后自动加载，约 3KB）。

客流计数与去重 总客流 去重客 Unique=Total-Revisit 通过人脸识别或设备指纹去重统计真实独立访客数

客流分析基础

作为公园园长，你最先想知道的不是游客为什么来，而是今天来了多少人、哪个时段人流最旺。没有这些基础数字，所有关于设施优化的讨论都是空谈。零售门店也一样——店长每天睁开眼，第一个问题就是“今天会有多少顾客进店”。

客流分析，就是对一定时间内进入门店的人员进行数量统计与行为刻画的整套方法。它由四个部分组成：客流定义、采集技术、统计指标和应用价值。先说“客流”本身——它区分“人次”和“人数”：同一位顾客一进一出，是2人次，却是1人。节假日促销时，门店更关心人次，因为每一次进店都意味着一次销售机会。

采集技术的演进很有意思。从早期的红外对射、压力地垫，到WiFi探针，再到今天主流的视觉识别方案。视觉方案通过摄像头识别人体轮廓，能同时输出位置坐标和移动轨迹，支撑更丰富的分析。统计指标方面有四个常用指标：进店率（进店人数÷路过人数）、提袋率（购买人数÷进店人数）、坪效（销售额÷营业面积）和客流密度。其中客流密度是安全预警和热力图的基础，公式很简单：

就像公园管理员在拱桥路口数人流，发现高峰期桥面每平方米要挤4个人，于是果断把单向放行改成双向分流。客流密度这个简单的比值，是所有安全与布局决策的第一块基石。

ρ=NA\displaystyle \rho = \frac{N}{A}
$\rho$是客流密度，$N$是区域内同时存在的顾客数，$A$是区域面积。密度过高就需要限流或增开收银通道。
  1. 定义客流密度把某个区域里同时站着的顾客数量除以区域面积，就得到单位面积上的人数，也就是客流密度。
    ρ=NA\rho = \frac{N}{A}
  2. 三个符号的含义$\rho$表示客流密度，$N$表示瞬时顾客人数，$A$表示区域面积。人数越多、面积越小，密度就越高。
    N↑,A↓⇒ρ↑N \uparrow, A \downarrow \quad \Rightarrow \quad \rho \uparrow

热力图原理

园长拿到无人机记录的坐标数据，密密麻麻的点看得头晕。设计师把点画成一张“温度地图”：人多的地方喷成红色，人少的地方涂成蓝色。园长一眼就锁定了问题区域。这张温度地图，就是客流热力图。

热力图并不是魔法，它的本质是“离散点→连续面”的密度估计过程。每个顾客的位置只是画布上的一个点，我们需要把点“摊开”成一片柔和的热量分布，再把区域内所有顾客的贡献叠加起来，得到一张连续变化的密度场。

最常用的密度建模方法是核密度估计（KDE）。对每个顾客位置，用一个高斯核函数向四周“涂抹热量”，距离中心越近贡献越大；把所有贡献叠加，就得到平面上任意一点的密度估计值。带宽 $h$ 是其中最关键的参数，它决定热量涂抹的范围：$h$ 太小，热力图满是毛刺；$h$ 太大，所有热点糊成一团。算法工程师调 $h$ 的过程，就像园长调整航拍图的“虚化程度”。

配合前端工程师完成渲染后，园长看到的地图就是门店运营者每天盯着的热力图。红到发紫的区域是“高流量区”，蓝色区域是“冷区”。把商品摆到热区、把试衣间设在冷区旁以引流，这些都是后话——先把地图画对，才能谈看地图做决策。

f^(x)=1nh∑i=1nK(x−xih),K(u)=12πe−u2/2\displaystyle \hat{f}(x) = \frac{1}{n h} \sum_{i=1}^{n} K\left(\frac{x - x_i}{h}\right), \quad K(u) = \frac{1}{\sqrt{2\pi}} e^{-u^2/2}
$\hat{f}(x)$ 是位置 $x$ 处的密度估计，$x_i$ 是第 $i$ 个顾客的位置，$K$ 是高斯核。核心思想：离得越近的顾客，对该位置的“热度”贡献越大。
  1. 读出公式结构$x$ 是要估算密度的位置，$x_i$ 是第 $i$ 个顾客的观测位置，$n$ 是顾客总数，$K$ 是高斯核函数。
    f^(x)=1nh∑i=1nK(x−xih)\hat{f}(x) = \frac{1}{n h} \sum_{i=1}^{n} K\left(\frac{x - x_i}{h}\right)
  2. 核函数的作用$K(u)$ 衡量 $x$ 到 $x_i$ 的距离带来的贡献，距离越近，指数越接近0，贡献越大。
    K(u)=12πe−u2/2K(u) = \frac{1}{\sqrt{2\pi}} e^{-u^2/2}
  3. 带宽h的作用$h$ 是平滑带宽，$h$ 越大热量涂抹越广、图形越平滑；$h$ 越小则保留细节越多，但容易出噪声尖峰。
    h↑⇒f^ smootherh \uparrow \Rightarrow \hat{f} \text{ smoother}

关键算法

要让热力图自动更新，光靠无人机录像不行，系统得“看懂画面里谁是游客”。园长发现算法工程师给每段视频装了一双“智能眼睛”，能在复杂的树影、人群重叠中锁定每个行人。

这双眼睛背后是一条算法链：目标检测→多目标追踪→密度估计→轨迹聚类。每一步解决一个经典问题，环环相扣。

目标检测的行业标准是YOLO系列，它把画面分割成网格，每个网格同时预测边界框和类别概率，速度快到能实时处理视频流。追踪阶段，ByteTrack等算法利用检测框与上一帧做匹配，匹配度用交并比（IoU）衡量，再结合外观特征为每个行人分配唯一ID。有了ID，就能拼接出每条移动轨迹。最后用DBSCAN等聚类算法把轨迹按空间位置归类，常见的路径和驻留区就浮现出来了。

园长恍然大悟：原来视频里“认出同一个游客”靠的就是“两帧人影轮廓的重合度”。重叠得越多，越可能是同一人在移动。算法链的每一环都像公园里的巡逻保安——前一个保安确认“有人”，后一个保安记下“他从哪来、要往哪去”。

IoU=∣A∩B∣∣A∪B∣\displaystyle IoU = \frac{|A \cap B|}{|A \cup B|}
$A$、$B$ 是两个边界框。IoU 衡量两个框的重合程度，是追踪算法判断“是否为同一个目标”的基础。
  1. 计算交并比$|A \cap B|$ 是两个框重叠区域的面积，$|A \cup B|$ 是两个框覆盖的总面积，两者相比得到 IoU。
    IoU=∣A∩B∣∣A∪B∣IoU = \frac{|A \cap B|}{|A \cup B|}
  2. 匹配决策规则当前帧检测框与上一帧某个框的 IoU 大于阈值（通常设为0.5），就认为它们是同一个顾客。
    IoU≥0.5⇒same personIoU \geq 0.5 \Rightarrow \text{same person}

数据管道

光有算法还不够。园长发现无人机每天录下40TB视频，服务器告警、电费飙升。他需要一条“从天空到地图”的流水线：视频落地、清洗、计算、存档，每一步各司其职。

零售客流的实时分析系统同样是一条数据管道，核心环节包括四个：数据采集、实时处理、数据存储与离线分析。每个环节都有专门的技术选型。

采集端，摄像头通过RTSP协议把视频流推给边缘计算盒子，盒子内部署上一节讲的检测追踪模型。实时处理阶段的关键指标是吞吐量——单位时间内能处理多少路视频。比如一台边缘设备每秒只能处理5路，门店有8路摄像头，就需要两台。处理后的结构化数据（人数、轨迹、密度）写入时序数据库，原始视频存入对象存储做短期留存。离线分析时，用Spark或Pandas对一周数据做OD分析（起终点矩阵）和热力图聚合，生成管理层看的日报。

园长按吞吐量规划了3台地面接收站，视频先落本地再上云，总算压住了电费账单。他感慨：“原来聪明不只是算法聪明，管道也得足够宽，才不会让数据堵在半路。”

T=DΔt\displaystyle T = \frac{D}{\Delta t}
$T$ 表示吞吐量，$D$ 表示处理的数据量，$\Delta t$ 表示耗时。吞吐量决定了需要购置多少边缘设备。
  1. 理解吞吐量定义吞吐量等于一段时间内处理完的数据量除以时间，单位常写作“路每秒”或“帧每秒”。
    T=DΔtT = \frac{D}{\Delta t}
  2. 设备规划推算已知单台设备吞吐量 $T_{single}$，门店需要处理的总路数 $D_{need}$，所需设备数至少为向上取整的比值。
    ndevice=⌈DneedTsingle⌉n_{device} = \left\lceil \frac{D_{need}}{T_{single}} \right\rceil

应用场景

热力图在手，园长开始大刀阔斧改造公园：把冰淇淋车推到儿童区旁的热区，把长椅移到树荫步道中间，冷区改造成迷你花园。数据第一次让他的直觉有了依据。

零售门店的客流分析应用同样围绕四个维度展开：门店布局、营销优化、安全预警与供应链联动。每个维度都有可量化的收益。

布局优化是最直观的应用。热力图显示进门后5米和生鲜区转角是“高流量区”，就把高毛利商品和当季新品摆在这里，冷区改作休息区或体验区。营销优化方面，系统按小时输出客流曲线，店长在高峰期前启动限时秒杀；针对“长逛不买”的人群，结合驻留时长推送优惠券。安全预警依托第1节的客流密度：密度超过0.75人/平方米时触发限流，防止拥挤踩踏。供应链层面，热区商品的销量预测被放大，物流系统自动追加补货，减少缺货损失。所有这些行动最终都汇入同一个衡量指标——ROI。

园长用两个月的数据算出小吃摊搬迁的ROI是1.8，也就是每投入1元赚回1.8元。他笑着说：“以前我拍脑袋做决定，现在我拿着热力图和ROI说话。”这就是智能零售让经验决策升级为数据决策的过程。

ROI=Gain−CostCost\displaystyle ROI = \frac{Gain - Cost}{Cost}
ROI 是投资回报率，$Gain$ 是改造带来的收益增长，$Cost$ 是改造投入成本。ROI 大于1说明值得投入。
  1. 收益与成本之比ROI 的计算是用收益增量减去投入成本，再除以投入成本，代表每投入1元赚回多少元。
    ROI=Gain−CostCostROI = \frac{Gain - Cost}{Cost}
  2. 决策阈值判断$Gain$ 是热力图改造带来的月销售增量，$Cost$ 是陈列翻新和设备采购成本，若 ROI 大于1则方案可行。
    ROI>1⇒worthy investmentROI > 1 \Rightarrow \text{worthy investment}

性能优化

系统上线后，园长面临新烦恼：无人机悬停一天消耗的算力电费高得吓人，云端带宽也经常不够用。他请来工程师做“节流”，让系统跑得更快、更省。

客流分析系统的性能优化有四个方向：模型压缩、边缘计算、精度调优与成本控制。它们共同决定了AI方案的性价比。

模型压缩是最常见的手段。用剪枝去掉神经网络中不重要的连接，再用量化把参数从32位浮点压到8位整数，模型体积能缩小一半以上。由于检测在边缘端完成，云端只接收结构化数据，带宽压力骤降。精度调优针对零售场景特有的挑战：低照度、柜台遮挡、顾客身形相似，需要用门店真实数据做数据增强和微调，避免误检漏检。成本控制上采用混合云架构：热数据本地缓存，冷数据低频归档至廉价存储。

公园保安队重新培训后，既不会把树影当成游客（误报），也不会让穿深色衣服的人溜走（漏报）。F1 分数就像保安队长打出的综合素质分——单项突出不算优秀，全面发展才是真的好系统。

F1=2×P×RP+R\displaystyle F1 = 2 \times \frac{P \times R}{P + R}
F1 分数是精确率 $P$ 与召回率 $R$ 的调和平均，用于衡量检测模型在“少误报”和“少漏报”之间的平衡。
  1. 精确率与召回率$P$ 是检出的顾客中真实顾客的比例（少误报），$R$ 是真实顾客中被检出的比例（少漏报），其中 TP 为真正例、FP 为假正例、FN 为假负例。
    P=TPTP+FP,R=TPTP+FNP = \frac{TP}{TP + FP}, \quad R = \frac{TP}{TP + FN}
  2. F1调和平均当 $P$ 与 $R$ 都高时 F1 才高，避免模型牺牲一方来讨好另一方。
    F1=2×P×RP+RF1 = 2 \times \frac{P \times R}{P + R}

行业案例

公园改造三个月后，游客投诉减少、小卖部收入上涨，隔壁城市公园的园长也来取经。数据改变的不只是设施摆放，更是整个园区的运营节奏。

在零售行业，类似的故事已经大规模落地。我们看三类典型案例：大型商超、连锁便利店和购物中心。它们的共同点，是用热力图找到了“看不见的问题”。

某大型商超通过热力图发现，生鲜区的直角转角是“动线黑洞”——顾客经过但不进通道，冷柜前长期空置。调整货架走向并放置促销堆头后，该品类销量提升18%。某连锁便利店用客流预测模型安排排班，将门店人工成本降低12%，同时高峰时段收银排队时间缩短40%。某购物中心用驻留时长给会员分群，对“长逛不买”的人群定向推送餐饮券，月度会员复购率提升9%。这些项目上线前都采用AB测试：同商圈选两家体量相当的门店，一家上新系统、一家保持原状，用转化率对比验证效果。

园长把这次改造沉淀成一本《公园运营手册》，每一章开头都印着一句话：“没有对照的实验结论，都是自我感动。”数据验证，让每一次成功都可复制。

CVR=PurchasesVisits\displaystyle CVR = \frac{Purchases}{Visits}
CVR 是转化率，$Purchases$ 是成交顾客数，$Visits$ 是进店人数。它是评估客流价值最直接的指标。
  1. 定义转化率转化率等于成交顾客数除以进店人数，反映进店顾客最终“掏钱”的比例。
    CVR=PurchasesVisitsCVR = \frac{Purchases}{Visits}
  2. AB测试对比评估把改造店的 $CVR_{test}$ 与对照店的 $CVR_{control}$ 做差，差值即为改造的净效果。
    ΔCVR=CVRtest−CVRcontrol\Delta CVR = CVR_{test} - CVR_{control}

未来趋势

园长站在新的控制台前，看着屏幕上跳动的数据，规划起五年后的公园：所有路灯杆集成智能传感器，系统实时预测人流，却看不到任何一张人脸。

客流分析的未来趋势可以归纳为四个方向：隐私保护、多模态融合、AIoT集成与数字孪生。它们将重新定义“懂顾客”的方式。

隐私保护是最受关注的方向。欧盟GDPR和国内个人信息保护法对生物特征数据监管严格，差分隐私技术成为刚需：在统计数据中加入经过校准的噪声，让攻击者无法反推出单个个体。多模态融合把视觉、WiFi、红外信号结合起来，雨天、暗光、遮挡场景下依然稳定。AIoT集成把摄像头、智能货架、POS机接入同一平台，客流数据直接驱动自动补货。数字孪生在虚拟空间中一比一复刻门店，设计师能在动工前模拟货架移动带来的客流变化。

园长想到自己公园的游客数据也能匿名化处理，就像给地图上的每个游客打上模糊的马赛克——统计规律依然清晰，个体的隐私却得到保护。未来零售的竞争，不仅在算法精度，更在“让数据可用却不可见”的智慧。

M(x)=f(x)+Lap(Δfϵ)\displaystyle M(x) = f(x) + Lap\left(\frac{\Delta f}{\epsilon}\right)
$M(x)$ 是扰动后的统计结果，$f(x)$ 是真实统计值，$Lap$ 是拉普拉斯噪声，$\Delta f$ 是敏感度，$\epsilon$ 是隐私预算。
  1. 叠加噪声扰动在真实统计结果 $f(x)$ 上叠加一个拉普拉斯分布的随机噪声，让任何单个人的信息都无法被准确还原。
    M(x)=f(x)+Lap(Δfϵ)M(x) = f(x) + Lap\left(\frac{\Delta f}{\epsilon}\right)
  2. 隐私预算与可用性权衡$\epsilon$ 越小，噪声越大，隐私保护越强，但统计结果可用性下降；$\Delta f$ 越敏感，需要加的噪声越多。
    ϵ↓⇒noise↑, privacy↑, utility↓\epsilon \downarrow \Rightarrow \text{noise} \uparrow, \ \text{privacy} \uparrow, \ \text{utility} \downarrow

AI 应用场景

大型连锁超市动线优化

阶段：模型部署与结果应用

解决的问题：传统超市靠店长经验摆货，促销位与客流热度错配，坪效低下。AI通过摄像头采集实时位置，生成热力图和动线图，量化每个货架的曝光量与停留时长。

具体案例：华东某连锁超市在生鲜区加装边缘计算盒子，两周后热力图显示熟食柜台冷区化，将熟食位置调整至牛排促销区后，熟食日销售额提升22%。

购物中心安全预警与营销联动

阶段：实时监控与决策支持

解决的问题：节假日前广场人满为患，安全风险高，同时周边店铺却缺客流。AI实时密度预警系统在人群超限时自动广播限流，同时将溢出客流引导到冷区门店。

具体案例：某区域购物中心在双11启用密度热力系统，密度峰值超限后自动开启备用通道，并将人流引导至二楼主营区，当日该区销售额环比激增35%。

连锁便利店智能排班

阶段：数据驱动运营

解决的问题：门店排班凭店长经验，高峰人手不足、低峰人力浪费。AI基于历史客流曲线预测未来7天各时段客流，自动生成排班建议。

具体案例：某连锁品牌在200家门店落地预测排班，总工时成本下降12%，高峰时段客诉率下降30%。

Python 演示

python68 行
import numpy as npimport matplotlib.pyplot as plt  def generate_customer_data(n, seed=42):    rng = np.random.default_rng(seed)    hotspots = np.array([[20, 20], [80, 30], [50, 70]])    labels = rng.integers(0, len(hotspots), size=n)    noise = rng.normal(0, 5, size=(n, 2))    return hotspots[labels] + noise  def gaussian_smooth(heatmap, sigma=2):    size = int(sigma * 4) + 1    center = size // 2    kernel = np.zeros((size, size))    for i in range(size):        for j in range(size):            dx, dy = i - center, j - center            kernel[i, j] = np.exp(-(dx * dx + dy * dy) / (2 * sigma * sigma))    kernel /= kernel.sum()    pad = center    padded = np.pad(heatmap, pad, mode="constant")    out = np.zeros_like(heatmap, dtype=float)    for i in range(heatmap.shape[0]):        for j in range(heatmap.shape[1]):            out[i, j] = (padded[i:i + size, j:j + size] * kernel).sum()    return out  def find_peaks(heatmap, threshold_ratio=0.7):    threshold = heatmap.max() * threshold_ratio    peaks = []    for i in range(1, heatmap.shape[0] - 1):        for j in range(1, heatmap.shape[1] - 1):            val = heatmap[i, j]            if val < threshold:                continue            block = heatmap[i - 1:i + 2, j - 1:j + 2]            if val == block.max():                peaks.append((i, j, val))    return peaks  def main():    points = generate_customer_data(800)    heatmap, _, _ = np.histogram2d(        points[:, 0], points[:, 1],        bins=100, range=[[0, 100], [0, 100]]    )    heatmap = gaussian_smooth(heatmap, sigma=2)    peaks = find_peaks(heatmap)    print("客流模拟共采样", len(points), "个顾客位置")    print("检测到", len(peaks), "个热点区域")    for i, j, v in sorted(peaks, key=lambda t: -t[2]):        print("  (x=%.0f, y=%.0f), 热力值=%.1f" % (j, i, v))    plt.figure(figsize=(8, 6))    plt.imshow(heatmap.T, origin="lower", cmap="hot")    plt.colorbar(label="热力值")    plt.xlabel("x 坐标")    plt.ylabel("y 坐标")    plt.title("门店客流热力图")    plt.savefig("heatmap_demo.png", dpi=150)    print("热力图已保存为 heatmap_demo.png")  if __name__ == "__main__":    main()
目的：模拟800个顾客在门店内的位置分布，用二维直方图加高斯平滑生成热力图，并自动定位热点区域。
  1. hotspots = np.array([[20, 20], [80, 30], [50, 70]])预设三个顾客聚集的热点中心，模拟公园里的小吃摊、游乐区等热门地点。
  2. labels = rng.integers(0, len(hotspots), size=n)随机为每个顾客指定一个热点归属，靠近哪个中心就会聚集在哪。
  3. return hotspots[labels] + noise在热点中心叠加高斯噪声，形成自然的聚集分布。
  4. np.histogram2d(...)把坐标投到100×100网格上计数，得到离散的“人数-位置”矩阵。
  5. heatmap = gaussian_smooth(heatmap, sigma=2)用高斯核做平滑，把离散计数变成连续的热力场，对应正文的KDE思想。
  6. find_peaks(heatmap, threshold_ratio=0.7)找出热力值超过峰值70%且是局部最大值的点，定位热点。
  7. plt.imshow(heatmap.T, origin="lower", cmap="hot")用"hot"色带渲染热力图，红色越亮代表人数越密集。

常见误区

误区热力图嘛，颜色越红的地方温度越高，顾客站久了会觉得热，所以要少摆商品在那里。

正解热力图的红色只是密度可视化编码，跟物理温度毫无关系。它是把顾客坐标经过核密度估计后映射出来的颜色，表达的是“单位面积上的人次和停留时长”。就像公园地图上的海拔色带，红色是“人流高地”，不是天气温度。

为何常见：字面理解了“热力”这个词，把可视化的语义当成了物理含义，这在小白阶段很常见。

误区摄像头识别到画面里有人，客流分析就结束了，计数结果就是全部价值。

正解精确计数只是第一步，深度分析必须依赖追踪。热力图本质是“位置+时间”的累积，没有轨迹，就无法知道顾客从哪里来、到哪里去、在哪个货架逗留多久，也无法区分“刚进门”还是“正要离开”。公园航拍照片告诉你哪里人多，但只有连续视频才知道游客是驻足还是路过。

为何常见：把“检测”当成“分析”，低估了轨迹数据带来的增量价值。

误区热力图的网格划分得越小越好，分辨率越高，结果就越接近真实客流。

正解网格过小会带来两个问题：一是稀疏区域的噪声被放大，出现大量假热点；二是计算量成倍上升。核密度估计的带宽h也存在同样的权衡。地图精度精细到1米，反而会把一棵树的影子也当成热点，造成误判。

为何常见：默认“高分辨率=高质量”，忽略了统计估计中噪声与分辨率的内在矛盾。

误区只要能收集到更多的顾客数据，模型就更好用。隐私合规是法务部门的事，跟我做算法有什么关系？

正解个人信息保护法要求人脸数据收集必须单独同意，差分隐私、联邦学习等技术方案直接影响数据可用性和系统架构。算法工程师需要从设计阶段就把隐私预算计入计算。擅自用人脸数据做营销，就像公园在卫生间装隐蔽摄像头——违法且社死。

为何常见：技术思维和合规思维割裂，忽视了法规对技术选型和数据流设计的硬约束。

面试题

Q1. 客流分析中，热力图主要反映的是什么信息？

单选题 · easy

  • A.顾客的移动速度
  • B.顾客的密度分布← 正确答案
  • C.商品的价格高低
  • D.门店的温度变化

答案：B。热力图通过核密度估计把离散的顾客坐标转化成连续密度场，并用颜色编码密度高低。移动速度需要轨迹差分计算，价格和温度与客流位置无关。

Q2. 关于“人次”与“人数”的区别，下列哪项正确？

单选题 · easy

  • A.一人进出两次算1人次
  • B.一人进出两次算1人← 正确答案
  • C.人次和人数完全相同
  • D.人数大于进店总人次

答案：B。人次是进店动作的计数，同一个人进出两次就是2人次；人数是去重后的个体数量。促销场景更关注人次，因为每次进店都是销售机会。

Q3. 核密度估计中，带宽h越大，热力图会发生什么变化？

单选题 · mid

  • A.细节更丰富噪声更多
  • B.图像越平滑但热点模糊← 正确答案
  • C.颜色种类变得更多
  • D.客流总量会自动减少

答案：B。h决定高斯核的涂抹范围。h越大，每个点的热量摊得越广，热力图越平滑但细节丢失；h越小，越容易出现毛刺状假热点。

Q4. 目标追踪算法中，IoU的作用是什么？

单选题 · mid

  • A.判断两帧框是否同一目标← 正确答案
  • B.计算顾客的消费金额
  • C.统计一帧画面的总人数
  • D.压缩视频流的数据大小

答案：A。IoU是两帧之间检测框的重叠率，大于阈值时判定为同一个目标，从而拼接出轨迹。金额计算、人数统计、视频压缩都是无关功能。

Q5. 客流密度超过阈值的直接用途是？

单选题 · mid

  • A.自动增加商品价格
  • B.触发限流与安全预警← 正确答案
  • C.关闭门店所有空调
  • D.给顾客推送促销短信

答案：B。客流密度等于单位面积人数，超过0.75人/平方米即为拥挤，系统会触发限流广播、增开收银通道等安全措施。调价、空调、短信都不是安全用途。

Q6. 差分隐私中，隐私预算ε越小表示什么？

单选题 · hard

  • A.噪声越小可用性越高
  • B.噪声越大隐私越强← 正确答案
  • C.数据量越大精度越高
  • D.模型训练速度越快

答案：B。ε越小，拉普拉斯噪声越大，攻击者越难反推出个体，隐私保护更强，但统计结果可用性下降。ε控制隐私与可用性的天平，与数据量、训练速度无关。

Q7. 模型量化把参数从FP32压到INT8后，常见效果是？

单选题 · hard

  • A.模型体积显著增大
  • B.推理速度明显下降
  • C.体积缩小但精度略降← 正确答案
  • D.无需再设摄像头硬件

答案：C。INT8量化使每个参数占位从4字节变为1字节，模型体积缩小约4倍，推理能耗降低，代价是精度轻微损失。C选项描述最准确。

Q8. 客流分析的数据来源通常包括哪些？

多选题 · mid

  • A.视频摄像头视觉识别← 正确答案
  • B.WiFi探针的MAC信号← 正确答案
  • C.红外对射传感器计数← 正确答案
  • D.供应商发货账单明细

答案：ABC。视觉、WiFi、红外都是常见的客流采集技术；供应商账单属于供应链数据，不是客流来源。

Q9. 下列哪些做法有助于提升热力图的实际业务价值？

多选题 · hard

  • A.结合驻留时长识别兴趣区← 正确答案
  • B.按小时输出热力变化曲线← 正确答案
  • C.只保留一张全天汇总图
  • D.叠加销售数据做动静对比← 正确答案

答案：ABD。驻留时长、时间切片、销售叠加都能让热力图从“看热闹”变成“看门道”。全天汇总图丢失时段信息，业务价值有限。

Q10. 关于零售客流分析中的隐私合规，正确做法包括？

多选题 · hard

  • A.人脸特征数据加密存储← 正确答案
  • B.部署前做单独同意授权← 正确答案
  • C.原始视频永久保存备份
  • D.用差分隐私发布统计数据← 正确答案

答案：ABD。加密、单独授权、差分隐私都是合规手段。原始视频应定期删除而非永久保存，C选项违反个人信息保护法的留存期限要求。