- 综合排序
- 最热优先
- 最新优先
- 来自专栏张叔叔讲互联网
人群数据如何对外输出
比如用户希望在Push平台上针对指定人群下的所有用户推送消息，此时可以使用画像平台接口拉取人群数据；在七夕活动中，运营人员投放使用了多个人群，为了分析不同人群的转化效果，此时需要将人群结果的Hive表提供给数据分析师使用 拥有数据表权限的用户理论上可以读取到所有人群下的用户数据，如果部分人群数据比较敏感（比如充值用户人群、日活用户人群），就需要严格控制Hive表的读取权限。 数据锁问题：用户在读取人群结果表数据的同时可能遇到人群数据正在写入的情况，这个时候会出现数据锁问题，可以通过show locks查看锁表情况。 数据表下线问题：当人群结果表应用到数据生产和分析任务中时，人群表的更新或者下线会对下游依赖产生影响。 当调用方通过接口拉取人群数据时，画像平台侧首先从OSS读取人群BitMap数据，然后通过人群BitMap接口返回给调用方。
68950编辑于 2023-10-23 - 来自专栏机器学习、深度学习
人群分析、人群计数 开源代码文献及数据库
Scale-adaptive Convolutional Nerual Network https://github.com/miao0913/SaCNN-CrowdCounting-Tencent_Youtu 人群分析 Network for Dense Crowd Counting Caffe: https://github.com/davideverona/deep-crowd-counting_crowdnet 人群数据库 Novel Dataset for Fine-grained Abnormal Behavior Understanding in Crowd 人群异常行为数据库：https://github.com /hosseinm/med Panic，Fight，Congestion，Obstacle ，Neutral 人群异常检测 Anomaly Detection and Localization in Crowded Scenes 数据库 http://www.svcl.ucsd.edu/projects/anomaly/ 人群分析 Deep Spatio-Temporal Residual
2.1K70发布于 2018-01-03 - 来自专栏数据科学和人工智能
数据集 | 贷款人群信息数据集
下载数据集请登录爱数科(www.idatascience.cn) Lending Club平台2012-2018年的贷款数据。 1. 字段描述 2. 数据预览 3. 字段诊断信息 4. 数据来源 来源于Kaggle。
1.2K10编辑于 2022-03-30 - 来自专栏张叔叔讲互联网
画像平台人群创建方式-规则人群创建
前两种执行方式生产的人群会优先产出BitMap并存储到OSS中，第三种方式生成的人群数据直接存储在Hive表中。为了实现人群数据的持久化存储和便捷的接口调用，人群数据最终会存储在Hive表和OSS中。 SQL语句示例如下所示，SQL执行后人群结果数据将直接存储到人群结果Hive表中。 Hive表中的人群数据主要用于离线数据分析场景，很多业务使用人群之后需要通过人群结果表进行效果分析。图5-13展示了人群结果表的表结构设计，人群crowd_id作为分区键，分区下包含该人群所有用户。 OSS中的人群数据主要应用在通过接口获取人群数据的场景下。人群数据压缩为BitMap并存储到OSS中，一亿人群大小在100M左右，通过接口可以在几秒内获取到人群结果。 每一个人群最终都会存储在Hive表和OSS中，但是不同人群创建方式优先产出的人群存储类型不同，所以画像平台需要支持Hive和OSS之间数据的相互转换。
1.8K00编辑于 2023-10-18 - 来自专栏张叔叔讲互联网
人群LookALike以及挖掘人群的创建思路
人群LookALike是给定种子人群，然后通过技术手段找到与该种子人群相似的用户群体。 使用画像数据、行为数据、消费数据等为每一个用户构建特征向量，构建过程依赖数据编码、数据归一化等手段。 借助画像数据对种子人群进行特征分析并找出其主要标签特征，比如种子人群标签特征趋向于：性别男、年龄30至40岁、兴趣爱好－军事，那么可以把非种子人群中的所有30-40岁之间爱好军事的男性用户圈选出来作为目标人群 图片基于分类算法计算相似人群。把种子人群当作正样本，其他非种子人群（或者其他人群）当作负样本，通过训练分类模型计算出满足条件的用户并构建目标人群。 人群挖掘的思路是先找到训练样本（种子人群），然后通过LookALike的思路扩展种子人群。该方式与人群LookALike不同的是，人群挖掘的结果中可以包含种子人群中的用户数据。
1.8K30编辑于 2023-10-22 - 来自专栏张叔叔讲互联网
画像平台人群创建方式-导入人群创建
导入人群是将外部数据导入画像平台构建人群，主要有3种实现方式：文件导入、Hive表导入和SQL导入。 不同用户配置导入人群时涉及的数据表不同，要严格校验用户对数据表是否有读权限，防止发生数据安全事故。 Hive导入和SQL导入方式创建的人群数据直接存储到Hive表中，后续需要通过HiveToBitmap将人群数据写入BitMap并存储在OSS中。 通过TXT或者CSV文件创建人群，其文件中只需要保存一列UserId数据。文件通过接口上传到服务端后可以解析其中的每一行数据，数据经处理后可以直接写入BitMap并存储到OSS中。 导入人群是画像平台最常用的人群创建方式之一，其实现了将各类数据源沉淀为人群的功能，支持更灵活的人群创建方式，拓展了画像平台数据范围。
89110编辑于 2023-10-19 时空API实测：区域人群客流画像数据快速获取
公司市场部门要做人群客流调研做分析，到处找人群客流统计数据和画像数据，哪用那么麻烦？直接找相关API接口啊，分分钟获取数据。给市场同事搞定人群客流数据后，顺便写写分享出来，有相同需求的可以试试。 ，还能追溯历史数据，适配各种数据精准化需求。 API中可选择10类人群、11类人群画像数据，涵盖基础画像（如年龄、性别）和各种偏好画像（如消费、兴趣），不同人群不同画像，满足多样人群分析需求，应用面挺广。 ，各类人群的画像数据基本都有，若能深度开发或集成“区域人群画像分布API”至产品，即可获得多维度的深度人群洞察。 总的来说，这个区域人群画像分布API还是很有意思的，能给做市场调研的人提供很多数据支撑，感兴趣的可以调取接口玩玩。
43010编辑于 2025-07-15- 来自专栏机器学习、深度学习
人群密度估计
Counting Varying Density Crowds Through Attention Guided Detection and Density Estimation CVPR2018 本文针对人群密度问题 将 检测方法和回归方法结合到一起，以此来提升人群密度估计精度 人群密度估计问题目前主要的方法有基于检测的和基于回归的方法。 在人群密度小的时候，基于检测的方法效果更好。在人群密度较大的时候，基于回归方法的效果比较好。 ? ? 本文的思路就是将 检测方法和回归方法结合起来，各取所长。
1.5K40发布于 2019-05-26 - 来自专栏用户画像
相似人群画像算法
一、数据源 1、相似人群数据存在TDW库中，数据字典说明： CREATE TABLE sim_people_tdw_tbl( uid STRING COMMENT 'reader id', ，格式为用户编号:相同阅读量，相似用户之间以逗号分隔 sim_num BIGINT 相似人群的人数 update_date string 数据日期 2、基础用户画像存在MongoDB中 Image [ MongoDB中 QQ截图20180719095235.png 二、整体思路 由于TESLA集群无法直接操作MongoDB，需要将TDW里面的用户画像数据，通过洛子系统导出至HDFS，再与MongoDB :param all_uid:用户的编号列表 :type batch_num: int """ rs = {} # 数据库查询所有人群用户画像 om_users_basic_profile_map # print("dump basic profile %d records" % len(pac_all_users_profile_map)) # 数据库查询相似人群画像
2.6K61发布于 2018-07-19 - 来自专栏机器学习、深度学习
人群密度估计
该网络在几个常用的公开人群密度估计数据库上取得了不错的效果。 1 Introduction 拥挤场景解析的发展从简单的人群数值估计到 人群密度图估计，人群密度图可以提供额外的信息，因为同样数量的人可以分布在不同的位置，如下图所示 ? 生成准确的人群分布图挑战性比较大，其中一个主要的困难就是离散化的问题，人在图像中不是只占用一个像素，密度图需要保持局部邻域的连续性。其他的困难包括场景的多样性，相机角度的多样性。 以前基于CNN网络的人群密度估计主要采用了 multi-scale architectures，虽然取得了不错的性能，但是存在两个问题：当网络变深的时候， the large amount of training 不同数据库真值密度图的生成 3.2.2 Data augmentation 这里我们做了一些数据增强来增加训练样本的数量 3.2.3 Training details 损失函数如下： ?
1.7K30发布于 2019-05-26 - 来自专栏生信技能树
Illumina首款东亚人群数据芯片ASA看这里哦
Illumina之前推出的 GSA（Global Screening Array） 芯片获得了较大成功，此次主要基于东亚及东南亚人群数据开发了高通量芯片ASA（Asian Screening Array ）用以低成本大规模推动人群分型。 （图二） 图一显示了ASA芯片标记的选取数据主要来源：中国、日本、韩国、蒙古国、新加坡等东亚及东南亚人群数据，其骨架基于9000个上述人群全基因测序数据获得，筛选出了共大约60万个标记。 不难发现ASA-CHIA芯片标记数据利用更充分，也更适合亚洲人群。 ? （图三） 那么ASA-CHIA SNP芯片有哪些用途呢？ 1. 积累数据，推动不同维度的数据与基因数据相结合为实现“未病先治、已病防变”做基石。 ? ? 有同学会说，现在芯片技术已经过时了，很难发高分文章。
3.1K80发布于 2018-03-29 - 来自专栏机器学习AI算法工程
受众行为分析与人群定向
于是，以物拟人，以物窥人，才是比任何大数据都要更大的前提。明白了这一点，也就触摸到了人群定向的天花板–不可能百分之百精准。 如何从广泛的受众中提炼目标人群呢? 正是依靠受众行为分析。 这得有请在计算机届鼎鼎有名的数据挖掘工：聚类（Clustering）。聚类是一个将数据集划分为若干类的过程。聚类的宗旨和评判标准是使得同类对象相似度尽可能大，而各个类之间的相似度尽可能小。 它克服了偏向发现相似大小和圆形形状聚类的问题；同时在处理高维数据和异常数据时也表现得更加高效稳定。 这个人群就是经过多道工序处理之后，数据挖掘工最终给我们淘出的亮灿灿的金子。 人群定向投放 作为人群定向广告正式投放前的最后一步，受众聚类和结构化的人群分类将进行匹配映射。这种映射是利用二者标签集合的重合度来实现的。
2.4K70发布于 2018-03-14 - 来自专栏机器学习、深度学习
人群计数--Mixture of Counting CNNs
of CNNs Specialized to Specific Appearance for Crowd Counting https://arxiv.org/abs/1703.09393 本文是人群计数的 ，不是人群密度估计。 这里主要的思路是针对不同场景的 scale and congestion 造成图像块的 Appearance 差别很大，这里我们使用多个小 CNN 来估计总人群。 另外适应一个大点的 CNN 对 图像块进行分类，这种分类主要依据人群密度大小。类别的概率作为每个小 CNN 的权重。 Appearance 的差异性 ?
70870发布于 2018-01-03 选址、调研所需周边人群画像怎么获取？区域人群画像分布API接入指南！
在传统商业决策中，有多少资源因“目标人群”画像模糊而被浪费？多少营销活动因缺乏精准人群触达而效果不佳？多少市场调研因无法获取核心客群画像数据，导致策略偏离实际？ 区域人群画像分布APIAPI介绍：查询指定区域内得人群基础画像（共11类画像数据）；从标准开发文档中的关键参数，即可看出其灵活性与实用价值：Body参数从Body参数可知，你可以自由选择不同季度（Q1~ 此外，你还能选择10类人群，获取其11类画像数据，涵盖基础画像（如年龄、性别）和各种偏好画像（如消费、兴趣），全面覆盖人群分析所需维度。 返回响应参数从返回参数中可见该API的数据丰富度——仅基础画像就包含8类分布数据。对于有真实人群画像统计与分析需求的企业和产品而言，该接口能大幅节省调研时间与人力成本。 API获取指南及应用案例这个API主要来源是一个新上线的数据开放平台，提供很多人群、客流类 API（人群热力图、人群画像、客流趋势、客流画像等），比较小众，但包含的API还是很实用的。
29010编辑于 2025-10-17- 来自专栏无原型不设计
Mockplus 的主要应用人群
所以，Mockplus的适用人群是比较广的，只要你有产品（范围很广，可以是某网站，某功能，某个策划案，某个广告模型，某个创意等）模型的展示需要。
83760发布于 2018-03-15 - 来自专栏燧机科技-视频AI智能分析
人群异常聚集识别监测系统
人群异常聚集识别监测系统基于OpenCv+yolo网络深度学习模型，对监控区域内的人员异常聚集行为进行识别，一旦人群异常聚集识别监测系统OpenCv+yolo网络深度学习模型发现监控画面中出现人群大量聚集
84230编辑于 2022-12-27 - 来自专栏燧机科技-视频AI智能分析
人群异常聚集检测告警算法
人群异常聚集检测告警算法基于yolov5图像识别和数据分析技术，人群异常聚集检测告警算法通过在关键区域布设监控摄像头，实时监测人员的密集程度和行为动态,分析和判断人群密集程度是否超过预设阈值，一旦发现异常聚集 YOLOv5是一种单阶段目标检测算法，人群异常聚集检测告警算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 人群异常聚集检测告警算法中在YOLOv5训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。 CutMix仅仅利用了两张图片进行拼接，而Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成。 这种增强方法可以将几张图片组合成一张，这样不仅可以丰富人群异常聚集检测告警算法数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。
1.3K20编辑于 2023-09-10 - 来自专栏大数据智能实战
基于python的人群密度图生成
相关原理见：https://zhuanlan.zhihu.com/p/39424587
1.8K30发布于 2019-08-01 - 来自专栏燧机科技-视频AI智能分析
人群聚众行为识别系统
人群聚众行为识别系统通过yolov5网络模型AI视频智能分析技术，人群聚众行为识别系统对现场人群聚众行为全天候监测，发现异常情况立即抓拍告警。 我们选择卷积神经网络YOLOv5来进行人群聚众行为识别检测。6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天。 虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。
58120编辑于 2023-03-07 - 来自专栏燧机科技-视频AI智能分析
人群聚集监测预警算法 python
人群聚集监测预警系统采用python+opencv网络模型AI视频智能分析技术，人群聚集监测预警算法对人员聚集情况进行实时监测，当人群聚集过于密集时，系统将自动发出警报。 OpenCV-Python使用Numpy，这是一个高度优化的数据库操作库，具有MATLAB风格的语法。所有OpenCV数组结构都转换为Numpy数组。
51110编辑于 2023-09-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号