Forecasting human entrances at a commercial store using facial recognition data

Abstract

Due to advances in Information Technology, there is a growing interest in the use of data mining to extract useful patterns from raw data in order to support decision making. In this work, a data mining approach was conducted aiming at the prediction of human entrances at a commercial store, as measured by an automatic video face detection system. In particular, a large number of experiments were held, targeting distinct types of human entrances (i.e., Female, Male, Both), forecasting periods (i.e., hourly and daily) and lookahead (horizon) predictions. Moreover, several forecasting methods were tested: conventional time series methods and time series models based on machine learning; a regression approach (e.g. using weather and special event data); and a hybrid approach that uses both time series (human entrances time lags) and regression variables. To achieve a robust evaluation, a rolling window scheme was adopted, which impled the use of a large number of model updates (trainings) and testing. For short term predictions (horizon of 1), the best performances were in general obtained by the hybrid approach, resulting in a mean absolute percentage error (MAPE) that ranges from 16.9% (all human daily entrances) to 24.8% (female hourly entrances). Such forecasting models are potentially valuable for commercial store managers. For instance, they can help in the supporting decisions related with the management of the retail store human resources and marketing campaigns.

Devido aos avanços nas tecnologias de informação, tem surgido um maior interesse no uso de técnicas de data mining para extrair padrões uteis de dados em bruto com o objetivo de suportar a tomada de decisão. Neste trabalho, foi seguida uma abordagem de data mining,com o objetivo de prever o numero de acessos de pessoas num espaço commercial, acesso este medido através de um sistema de reconhecimento facial automatic a partir de vídeo. Em particular, foi executado um elevado número de experiências com vista a prever distintos tipos de acessos humanos (e.g., homens, mulheres, ambos), periodos de previsão (horário e diário) e horizontes temporais da previsão. Mais ainda, diversos métodos de previsão foram testados: métodos de séries temporais convencionais e modelos de séries temporais com base em modelos de machine learning; uma abordagem de regressão (e.g., utilizando variáveis meteorológicas e relacionadas com eventos especiais ); e uma abordagem híbrida que usa variáveis de séries de temporais (time lags de entradas de pessoas) e de regressão. Para se obter uma avaliação mais robusta, foi utilizado um esquema de janelas deslizantes (rolling window) que implica um elevado número atualizações dos modelos (treinos) e testes. Para uma previsão de curto prazo (horizonte de 1), os melhores desempenhos foram obtidos, de um modo geral, pela abordagem híbrida, tendo-se obtido um erro percentual absolute médio (MAPE) que varia entre 16.9% (entradas diárias de pessoas) e 24.8% (entradas femininas horárias). Tais modelos de previsão são potencialmente valiosos para gerentes de lojas comerciais. Por exemplo, as previsões podem suportar decisões sobre a gestão dos recursos humanos de loja, bem como de campanhas de marketing.