ZDNet至顶网软件频道消息:上海五角场万达广场占地33万平方米,是上海迄今为止体量最大、拥有业态,最齐全、商业氛围最浓厚、商业设施最完备的商业项目,特别是超大的停车库,配备了完善的商业设施和数据分析系统,率先开创新思路引进”智慧购物解决方案“为收集分析O2O大数据进行精准数据营销决策,带来管理方式和购物体验方式上质的改变。为繁忙的大都市提供了超便捷的服务。
客流致胜
五角场是杨浦区交通最发达、消费最密集的商圈,据统计2013年整个商圈平均日客流 26万,仅五角场万达平均日客流达17万。停车场每日车辆数也在3600到4000辆左右,节假日达3800到4200辆左右,以前遇到高峰时刻的车辆入场慢,有些客户想找个就近的空车位都要开上好几圈,客流量时刻考验着万达的整合、管理、体验和服务能力。为了方便管理并且给消费者提供独一无二的购物体验,五角场万达引进汇纳科技的”全视频智能停车场管理系统“,对其所有停车位进行全视频管理,多个指导幕、寻车终端与集中收费系统顺利上线后,五角场万达排队停车取卡的历史一去不复返。
智能化汇总、分析、量化管理
首先这套“ 全视频智能停车场管理系统 ”由出口收费系统,智能停车引导系统,智能反向寻车系统,数据报表系统,一共四大块功能构成。此系统是以一套完善的基于车牌及车型识别的收费系统作为车辆出入停车场的凭证,通过出入口的视频识别特殊的算法来判断车辆进出场的权限及车辆的停放时间和应缴停车费并防止车辆丢失。系统进场快、识别准确率高、避免收费漏洞、降低后期运营成本、设定费率灵活且支持多渠道缴费方式。
在五角场万达停车场,闸机前端的摄像头可自动识别会员私家车和普通车辆。抬杠放行实现快进。进入后在每个分岔路口都安装了电子引导屏,自动为顾客进行全程车位引导,从车库入口开始就逐步进行有效的分流,减缓车道压力。离场时,岗亭收费以及PAD端移动收费后,出口闸杆自动抬起实现快出。
除此之外,自助反向寻车功能才是该系统最大的亮点。顾客不仅可以通过设置在出入口、电梯口的寻车终端查找爱车,而且还可以通过微信及扫描附近的二维码进行远程寻车,系统会自动将到达车辆的最佳路径展现给车主。不仅如此,五角场万达每日有60到100辆左右的无牌车停放,平均每日75辆左右。如果因为没有牌照视频数据,堵塞了收费口怎么办!此套系统对于无牌车识别准确率高达80%,收费系统优先展示匹配度最高的车辆,人工选取,完成收费过程。即使你是第一次来万达广场对整个停车库都不了解的情况下,也能根据这套停车引导系统迅速的停放爱车。
在“全视频智能停车场管理系统”后台管理系统中,商场管理者可进行实时车辆数据分析,诸如开车用户占比、车辆到店频率分析、新老客户车辆占比、车位利用率等分析数据一览无遗。对于万达管理者而言,智能停车场管理系统在帮助其提高消费者购物体验的同时节省了诸多人力资源和管理成本。管理者只需要做集中管控就可以将多维度的分析数据净收囊中。五角场万达对顾客进入商场到离开每个关键环节的数据进行了采集与分析,结合wifi定位实现,通过逐步细化的管理部署、细致的对比及各种数据的综合分析,商场任何细枝末节的特点和规律都可以准确的呈现于管理者眼前,数据将发挥其最大的分析价值。
便捷为王
站在运营者的角度上来看,以前755个车位在营业时间内停放利用率低,采用了智能停车场系统后运转更为舒畅高效,755个车位循环停放4000多车次,假期更甚,一套系统解决“停车难时间长”及“找车难缴费慢”两大难题。同时提高了车库的收益情况,驾车一族更愿意开车到五角场万达体验科技时代为大家带来的便捷,这样的智能寻车体验无疑又成为万达在五角场商圈内吸引客流量的一大手段。
给客户的爱车提供了一个安心、省心的、放心的家。
好文章,需要你的鼓励
清华大学团队突破性开发"零样本量化"技术,让AI模型在不接触真实数据的情况下完成高效压缩,性能反超传统方法1.7%,为隐私保护时代的AI部署开辟新路径。
普林斯顿大学研究团队开发出"LLM经济学家"框架,首次让AI学会为虚拟社会制定税收政策。系统包含基于真实人口数据的工人AI和规划者AI两层,通过自然语言交互找到最优经济政策,甚至能模拟民主投票。实验显示AI制定的税收方案接近理论最优解,为AI参与社会治理提供了新路径。
K Prize是由Databricks和Perplexity联合创始人推出的AI编程挑战赛,首轮比赛结果显示,获胜者巴西工程师Eduardo Rocha de Andrade仅答对7.5%的题目就获得5万美元奖金。该测试基于GitHub真实问题,采用定时提交系统防止针对性训练,与SWE-Bench 75%的最高得分形成鲜明对比。创始人承诺向首个在该测试中得分超过90%的开源模型提供100万美元奖励。
南开大学研究团队提出了一种新的3D高斯泼溅重光照方法,通过在高斯原语上直接编码离散化SDF值,避免了传统方法需要额外SDF网络的问题。该方法设计了投影一致性损失来约束离散SDF样本,并采用球形初始化避免局部最优。实验表明,新方法在保持高质量重光照效果的同时,仅需现有方法20%的显存,显著提升了训练和渲染效率。