實用指南說明
——這種聽起來有點玄乎但說白了就是用各種彎彎繞繞的方法去猜一個地方將來會不會有人、有多少人待著的技術，在現在這個滿世界都講究效率講究提前準備的年頭，可真是越來越受那些搞管理、搞規劃的人待見了！畢竟你想，如果能提前知道哪個會議室下午人多到搶不著？哪個商業區夜裡會冷清到店老闆都想提前打烊？那日子能好過多少！這就好比你出門前看看天氣預報帶不帶傘，總得有個譜不是？
核心技術模塊拆解
1.數據收集層：這東西可不是拍腦袋瞎琢磨就能出來的！你得知道過去啥時候人多？比如某個咖啡廳，週一早上八點是不是永遠排長隊？節假日？除夕那天估計人影都沒幾個？還有你樓裡裝的哪個門刷卡次數多？哪個走廊腳步聲傳感器能吵翻天？這些零零碎碎的——什麼wi-fi連接記錄、電力消耗的忽高忽低、甚至窗戶被風吹得晃蕩了幾下（哦這個可能太過了）——都得一股腦兒把它們攏過來，不然巧婦也難為無米之炊不是？
2.特徵提取層：收集來的數據都亂七八糟的，就像一堆沒洗的菜！你得挑挑揀揀。挑啥？哪些是真有用的？比如時間本身——是工作日還是周末？幾點鐘？天氣好不好也大有關係！下雨天誰樂意往外跑？還有周圍有沒有大活動？比如隔壁廣場要開演唱會，那附近的小吃攤還不得擠爆？把這些管用的特徵像模像樣地拎出來，才算邁出了關鍵一步。
3.模型訓練層：這個就到了考驗真本事的時候了！你選個啥模型好？聽說那個叫什麼的傢伙本事大，但會不會太了搞不定？簡單點的像回歸分析？或者決策樹？就像當年上學選專業一樣頭疼！然後拿歷史數據餵給它們，讓它們自己慢慢學——今天錯明天改，改到預測得跟情況差不多了才算合格，真是操碎了心！
4.預測輸出與應用層：模型搞好了總不能供起來？得讓它幹活！預測出明天停車場大概停多少車？那就可以提前安排疏導；會議室明天下午哪幾個時段是空的？那就趕緊放出來讓人預訂。結果得讓人看得懂，別整那些密密麻麻誰都聽不懂的數字，搞個chart，弄個簡單的顏色標一下，紅的表示人已滿，綠的表示寬敞的很，多直觀！
常見問答與實戰技巧
Q1： ""這個預測能百分百準嗎？怕到時候不准被領導罵..""
A： 哎呀我的老伙計，在這個世界上，跟未來有關的事，誰敢拍胸脯說百分百準那就是吹牛！畢竟總有意外發生！比如突然下大暴雨把所有人都堵路上了，或者哪個大明星突然來店裡買杯咖啡——那種人流量的'海嘯'誰頂得住？但是話說回來，雖然不能百分百，但靠譜的模型能把誤差降到很低很低；比你憑感覺瞎猜那可是強到天上去了！記住，預測是為了輔助決策，不是讓你當甩手掌櫃。
Q2： ""搞這個需要花很多錢買高級設備嗎？我們小公司怕是..""
A： 這個，就得看你的需求有多大、想要多精確了！大公司財大氣粗可以上頂級傳感器、服務器堆成山。小公司咧？也不是沒活路！先用點基礎的： 的監控攝像頭（不涉及人臉隱私還是要注意的！）分析一下移動軌跡；或者讓員工填報哪個區域用得多這類簡單的數據；能不能把數據規整規整，用點免費的工具（比如的某些庫，網上教程一堆一堆的）先試試看水有多深？慢慢來，羅馬不是一天建成的，技術也是一步一步往上爬的
實踐應用小驚喜舉例
商場空調調節：知道哪個區域啥時候人多熱氣大？那空調就往那兒狠狠吹，人少的地方就調小點兒，省下的電費都能給員工多發點福利了！這多好！
辦公樓電梯調度：早上九點大家都上班，電梯擠得跟沙丁魚罐頭似的！要是能預測出哪幾部電梯在哪兒下的人多，提前把它們召集過來候著，還愁沒人給你點贊？
校園自習室管理：期末季圖書館一座難求，要是能告訴學生們哪個時段哪個角落通常人少，學生們不得高興壞了，學習勁頭都足了！
個人觀點： 這東西，核心其實就是利用過去發生的事，結合現在能看到的各種蛛絲馬跡，通過一些還算聰明（但也別太迷信）的算法去推測未來的大致模樣。它確實不是什麼魔法或者天書，但用好了，對於提升那麼一丟丟效率、改善那麼一丟丟體驗，還是能起到不小作用的。
發佈留言