一、需求挖掘及客户引导

1、社区的日常”内容“

1.1、人员进出

a、早上：住户出门，乘坐电梯，出楼宇，走到小区大门，走人行，经过大门口，跟门卫保安打下招呼；

b、晚上：住户从外回来，跟门卫打招呼，走进大门口，经过人行道，进入对应楼宇，乘坐电梯，进房门；

c、吃饭时间：点了外卖，外卖小哥到小区门口，门卫保安看到后直接放行，到对应楼宇上电梯，到用户门口按门铃，送到后出小区；

d、吃完饭：住户乘坐电梯到地面层，在路灯的照明下，休闲走动，然后乘坐电梯回到房间；

e、晚上11点：小区保安日常绕小区一周巡逻，然后回到门卫处。

1.2、车量

住户车辆进入小区停车场后，根据指示牌移动到停车场，然后找到自己的停车位，停好车；

没有固定车位的住户，进入停车场（活小区）后，绕一圈看看有没有停车位，然后停车或开走。

1.3、物业作业

a、节假日，准备搞活动，然后在大门口张贴传单；

b、门口张贴社区通知，收取物业费的通知；

c、每隔一段时间，社区大爷大妈上门一个一个询问客户情况，反馈信息；

d、物业人员需要对社区绿化灌溉；

e、物业人员对社区的路灯等设施进行日常检查维护。

1.4、其他

a、小区社区的耗电量、耗水量等能源消耗，物业人员进行统计汇总；

b、年底物业公司总结大会，开了小年会，发了小奖金。

2、社区的异常“内容”

2.1、人员/动物

a、非小区住户，随便进入小区及各楼宇；

b、住户宠物没管好，跑到小区绿道上，吓到其他住户；

2.2、车辆

a、胡乱停车：一个住户胡乱停车，堵住了车位，不留电话号码，你被迫成为第二个”胡乱停车“的住户

b、外来的车辆在旁边商场吃饭，没停车位，来你小区停车，霸占了你的停车位。

2.2.2.3、物业/设备

a、吃完饭后到楼下散步，发现路灯坏了，路面一篇漆黑；

b、物业组织的活动通知不到位，被大爷大妈围攻，以”不公平“为由要求物业赔偿

c、物业人员多次灌溉花草，造成花草凋零；

d、小区中心区丢了一个高贵的盆栽，但不知道是谁拿走的。

2.4、其他

年终奖报告的时候，物业耗电量巨大，但是不知道是哪方面耗费的，无法追溯

3、社区的角色了解

3.1、开发商

社区楼盘开发商开发完后，基本就不理睬啦，既不是（智慧社区的）用户，也不是客户

3.2、住户

购买房屋或租房住进来，与日常生活息息相关，是用户，但不是客户

3.3、物业公司

社区运营的主要管理者，物业管理工作很关心，是用户，但不是客户

3.4、社区居委会

社区居民多项工作管理者，对民生很有帮助，是用户，但不是客户

所以，谁才是智慧社区的客户呢？也就是谁会来买单

3.5、ZF管理者

随着政府出台的一系列政策，如《关于加强和完善社区治理的意见》、《全国公安机关社会治安防控体系建设指南》等，指出了政府管理者的责任与任务，所以政府管理者才是智慧社区真正的客户 。

他们是师范小区的典型代表，高端小区的缔造者，智慧化区域的建设者、业绩功勋的拥有者，所以他才是智慧社区的客户。

4、社区的痛点

4.1、公安部门

• 实有人口信息采集难度大
• 流动人口、重点人口管理难
• 缺乏数据研判分析应用

4.2、街道办

• 社区一标N实数据不全
• 出租房、小作坊治理难
• 信息孤岛、采集数据未有效应用

4.3、居民/业主

• 社区事件处置不畅
• 政府服务办事慢
• 政策通知获取难

4.4、网络

• 流程人口管理难
• 车辆管理复杂
• 小区巡查效率低下

5、客户引导

6、建设目标

针对上门分析的社区痛点，提供相对应的服务，与传统互联网的区别是，智慧社区的产品实现方式需要：


看得见、知重点、管的住



。

运用云计算、人工智能、大数据、物联网等技术，打造安全、便民、智慧的社区。

6.1、安全

• 小区监控全覆盖

• 小区、楼栋出入口人脸识别管控

• 重点人员监控预警

• 孤寡老人预警

• 特殊人员报警

• 多级安全管理

6.2、便民

• 小区进出无感知

• 小区外来人员、车辆统计

• 小区车辆违停通报

• 可视监控

• 公共卫生间管理

• 综合设备管理

6.3、智慧

• 可视化指挥调度

• 智慧巡逻

• 独居老人关怀

• 重点人员行为管控

• 道路通行情况预警

数字孪生

1、以数字孪生的方式，让社区管理者对社区的全景以及问题，可以得到实时反馈

2、通过物联终端、智能感应设备的方式，可以做到远控

人工智能

1、采用图像识别的技术，对社区的行人、动物、设备等进行实时监控和管理

2、通过智能数据分析，判断和预测社区内

7、产品服务对象及其期望

7.1、人口办

7.2、街道办

•管理社区事物，处置 社区紧急事件等

7.3、网格员

•

处置任务，管理社区 采集社区基本信息等

7.4、社区居民

•获取资讯，居民办事 停车服务等

8、需求细分

对应用户需求梳理完后，接下来需要细分需对应不同的业务或用户，需要提供哪些功能来实现他们的期望:

8.1、行人管理

人脸识别、身份验证、智慧电梯、实时定位、视频监控

8.2、物业保安

智慧门禁、视频监护、全域巡视、实时对讲喊话

8.3、车辆管理

车辆识别、智慧停车、智慧泊车、能源点情况反馈

8.4、环境管理

视频监护、动态识别、智慧路灯、边界防护

8.5、物业管理

信息发布、能耗监控、设备维护、园林自动灌溉

9、产品方案

需要把对应点提供的具体服务标注好，这实际对客户引导是非常重要的一点。

10、业务架构

业务架构包括支撑层，核心功能以及应用层。

11、数据流

二、产品功能及AI需求拆解

1、产品实现

1.1、智慧社区大屏展示

对社区的人员、房屋、、车辆、事件等数据进行统计分析，并对资源进行上图展示，实现对社区的管理与监测。

1.2、智慧社区管理子系统

通知社区管理子系统，实现对社区基础数据的管理，监控事件的配置，物联设备的设置，以及社区任务的发布和事件的处置跟进等。

1.3、社区停车管理子系统

社区停车管理子系统，实现对社区车位的展示，停车数据的统计，以及对停车场、停车位的管理，并可实现停车查询等功能。

1.4、社区养老管理子系统

社区养老管理，能够实现对社区老人的统计，并发布养老服务任务，并通过监控设备实现对老人的监控预警。

1.5、网格移动运用

实现对社区的日常巡检，数据采集，事件上报，事件处置等功能。

1.6、社区居民移动运用

社区居民移动应用主要包括社区资讯的查看，一键报警、事件上传、车位查询以及社区办事指南扽

2、功能内容

2.1、社区事件上报

事件上报

事件处置

上报事件展示

2.2、智能设备感知预警

管理设置

预警处置

大屏跟踪

2.3、社区任务下发

下发跟进

处置反馈

2.4、资讯下发查询

内容下发

资讯查看

2.5、智慧停车服务

停车管理

停车查询

停车展示

大屏效果（是一个动态视频）

3、需求拆解

3.1、图像识别需求

人脸识别、身份识别、实时定位、视频监控、

车辆识别、智慧泊车、动态识别、边界防护

3.2、IOT需求

智慧电梯、智慧门禁、实时对讲喊话、智慧路灯、

能耗监控、设备维护、智慧停车

3.3、信息化管理（也就是传统互联网部分）

能源点反馈、信息发布

4、需求拆解

图像识别的需求，在进行梳理的时候，需要明确如下几个内容（需要跟算法工程师说清楚的事情）：

4.1、业务需求

业务场景、规定动作、本质需求、触发场景、是否关键识别，如下图：

4.2、技术方案

硬件配置、算法类型、采集数据类型、、识别类型/监测内容、识别明细、判断内容、返回结果

4.3、应用层方案

应用触发事件、应用执行动作、应用流程持续时长、流程节点限制条件、预警等级、预警方式、接触预警方式、、评分规则等。

4.4、异常情况

5、可行性评估

5.1、可行性整体评估

确认好需求后，要和技术人员评估可行性。

5.2、可行性细分评估

三、图像识别之数据准备

1、数据的定义

数据是AI产品的基础，AI产品必须懂得如何利用数据去构建产品。

1.1、数据的内涵

数据是业务的反馈，利用数据来梳理业务关系

1.2、数据的本质

数据类型

图像数据：人脸/监控

文本数据：标签/画像

声音数据：场音/录音

数据质量

清晰度/复杂度

完整性/真实性

模糊度/多元性

1.3、数据的处理

采集—-》标注—-》清洗—-》去噪/分割/增强

2、数据准备的要点

要点1

根据客户具体需求，拆分、筛选数据类型：是身份证还是行驶证，



不能不分类



地喂养给AI

要点2

真实数据要遵循 7：3 原则，7成训练，3成测试。真实数据不能全部用于训练

要点3

保证开发进度和识别率

四、图像识别之算法选择

1、算法设计

1.1、决策树

相当于分层分级来处理信息，如人名问（忘记是小爱同学还是哪个语音助手：用用想要查询某个人名时，语音助手提供一系列的问题来咨询用户，用户主要回答是与否就行，在回答了大概6、7个问题后，它能给你一个人名，准确度还蛮高的）

优势

1、决策树易于理解和解释，可以可视化分析，容易提取出规则。

2、可以同时处理



标称型



和



数值型



数据。

3、测试数据集时，运行速度比较快。

4、决策树可以很好的扩展到大型数据库中，同时它的大小独立于数据库大小。

劣

势

1、对缺失数据处理比较困难。

2、容易出现过拟合问题。

3、忽略数据集中属性的相互关联。

4、ID3算法计算信息增益时结果偏向数值比较多的特征。

2、模型设计

分类算法

KNN算法、SVM（支持向量机）、朴素贝叶斯、Logistics回归算法（翻译过来叫”逻辑斯蒂“回归算法）等

聚类算法

Kmeans算法（很常用的一个算法）、EM最大期望值算法等

其他算法

AdoBoost算法、人工神经网络算法、、排序算法

五、图像识别之算法与程序

算法模型是一个固定程序，他是会成长，但是它不是万能的。

现实中，很多地方都需要：现实业务、硬件、前端操作、后端程序做很多帮助。

实际应用中，切勿把算法当成万能的，产品能落地上线才是关键！！

如人脸识别功能：