酒店预测性入住率监控

• Introduction
  • Implementation plan
  • Key outcomes
• Getting started:
  • Prerequisites
  • Step 1: Compute hourly occupancy rate as a percent from max capacity for each area
  • Step 2: Compute occupancy rate for the whole floor and building
  • Step 3: Predict an occupancy rate for the upcoming week with hourly breakdown
  • Step 4: Bar chart with top-5 overcrowded/underutilized areas in the hotel
  • Step 5: Create occupancy analysis dashboard in ThingsBoard
• Summary

Introduction

某中型酒店希望提升客户体验、降低运营成本，因此引入occupancy monitoring。 希望通过分析不同区域的受欢迎程度和时段，更合理地调配人力和资源。 同时希望减少能耗、识别HVAC系统潜在问题，降低环境影响。

任务定义 - 分析酒店内不同区域的occupancy rate，并预测未来一周的 hourly occupancy rate。

Implementation plan

• 计算各区域按最大容量百分比的hourly occupancy rate
• 计算整层、整栋建筑的occupancy rate
• 构建未来一周occupancy rate预测
• 展示各区域/楼层/建筑的周heatmap
• 显示top-5拥挤区域
• 显示top-5低利用率区域
• 在ThingsBoard创建occupancy分析dashboard

Key outcomes

• 公共事业成本降低12%
• 人力成本降低15%
• 正面客户评价提升10%

Getting started:

Prerequisites

本指南聚焦数据分析和可视化，传感器安装与配置从简。系统概况如下：

• 酒店各区域已安装occupancy sensors，通过LoRaWAN integration连接ThingsBoard
• ThingsBoard中有3种asset类型：building、floor、area。Building关联多个floor，floor关联多个area，每个area关联occupancy sensor
• 传感器上报当前区域内人数
• Occupancy sensor payload——{"ts": 1651419204000, peopleCnt": 5}
• 每个area有最大容量attribute。用于计算occupancy rate。provision时设置初始值

Step 1: Compute hourly occupancy rate as a percent from max capacity for each area

先计算各区域的occupancy rate。使用Trendz calculated field，基于区域最大容量和传感器上报的历史occupancy定义公式。 使用heatmap展示过去7天各小时的occupancy rate。用户可切换时间范围，聚焦实时或历史数据。

• 创建Heatmap视图
• 在X-axis区域添加Date(Hour)
• 在Y-axis区域添加Date(Day)
• 在Value区域添加Calculated字段，Label改为Occupancy rate
• 编写返回按最大容量百分比的occupancy rate的函数

1
2
3
4
var peopleCnt = sum(occupancySensor.peopleCnt);
var maxCapacity = uniq(area.maxCapacity);

return peopleCnt / maxCapacity * 100;

• 字段计算Unit设为%
• 在filter区域添加Area、Floor、Building字段，便于聚焦酒店特定区域
• 默认时间范围——Last 7 days
• 以名称Weekly occupancy rate heatmap保存

Step 2: Compute occupancy rate for the whole floor and building

Step 1创建的heatmap包含filter字段。未选择filter时，heatmap显示全系统的occupancy rate。所有区域、楼层、建筑的数据会聚合显示。

实际中通常聚焦特定建筑或区域。使用filter实现。例如在filter中选择特定建筑，heatmap仅显示该建筑的occupancy rate。 Trendz在后台会：

• 拉取所选建筑的所有floor
• 拉取各floor的所有area
• 拉取各area内sensor的occupancy数据
• 对每个sensor应用计算
• 在建筑层面聚合结果

因此查看整层或整栋建筑的occupancy rate时，可使用同一视图，只需在filter中选择楼层或建筑即可。

Step 3: Predict an occupancy rate for the upcoming week with hourly breakdown

此前使用历史数据。现在使用Trendz prediction工具构建未来一周预测。先创建展示过去7天、按小时拆分的occupancy rate折线图。

• 创建Line chart视图
• 在X-axis区域添加Date(Full Hour)
• 在Y-axis区域添加Calculated字段，Label改为Occupancy rate
• 编写返回按最大容量百分比的occupancy rate的函数

1
2
3
4
var peopleCnt = sum(occupancySensor.peopleCnt);
var maxCapacity = uniq(area.maxCapacity);

return peopleCnt / maxCapacity * 100;

• 勾选Prediction
  • Prediction method——Fourier transformation
  • Prediction range——7
  • Prediction unit——days
• 字段计算Unit设为%
• 在Series区域添加Area name——各区域occupancy rate显示为独立线
• 在filter区域添加Area、Floor、Building，便于聚焦酒店特定区域
• 默认时间范围——Last 7 days

最后，对字段计算Occupancy rate预测未来7天。使用Fourier transformation prediction method，对季节性时序效果较好。

• 点击Y-axis区域中的Occupancy rate字段
• 勾选Prediction
  • Prediction method——Fourier transformation
  • Prediction range——7
  • Prediction unit——days
• 以名称Hourly occupancy forecast保存

各区域历史数据以实线显示，预测以虚线显示。

Step 4: Bar chart with top-5 overcrowded/underutilized areas in the hotel

Top-5 bar chart便于在较大时间范围内理解系统、对比asset、识别拥挤与低利用率区域。先从拥挤区域开始。

• 创建Bar chart视图
• 在X-axis区域添加Area name
• 在Y-axis区域添加Occupancy rate。复用Step 1的字段计算
• 打开View settings
  • 排序——Descending
  • Limit——5
  • 启用Horizontal bar chart
• 在filter区域添加Area、Floor、Building，便于聚焦酒店特定区域
• 默认时间范围——Last 7 days
• 以名称top-5 overcrowded areas保存

top-5低利用率区域的bar chart步骤几乎相同。仅将排序改为Ascending，视图名称改为top-5 underutilized areas。

Step 5: Create occupancy analysis dashboard in ThingsBoard

所有Trendz分析chart已就绪，可在ThingsBoard创建用户dashboard。注意用户可能访问多家酒店，需创建适用于所有酒店的dashboard。用户应能选择酒店、楼层、区域。 首先添加所有Trendz视图到dashboard：

• 在ThingsBoard创建名为Occupancy analysis的dashboard
• 在Trendz：对前几步创建的每个部件：
  • 点击Share to ThingsBoard，复制Add on Dashboard
  • 选择Occupancy analysis dashboard
  • 勾选Create alias
  • Filter选择Area name
• 返回ThingsBoard Occupancy analysis dashboard并调整布局

然后创建用于dashboard过滤的aliases：

• 创建新alias All buildings——保存用户可见的所有建筑
  • Filter type——Asset type
  • Asset type——Building
• 创建新alias Selected entity——保存用户点击的实体
  • Filter type——Entity from dashboard state
  • State entity parameter name——selectedEntity
• 创建新alias Filtered areas——保存用户要聚焦的Area
  • Filter type——Asset search query
  • 勾选Root entity，entity parameter name——selectedEntity
  • 勾选Fetch last level relation only
  • Direction——From
  • Max relation level——3
  • Asset types——Area

最后添加hierarchy部件，展示酒店内所有建筑/楼层/区域，供用户选择。用户点击实体后，Filtered areas alias会刷新并加载所选实体的所有区域。 之后dashboard上所有Trendz部件会更新，因其以Filtered areas alias为数据源。用户将看到所选区域的occupancy数据。

• 在dashboard添加hierarchy部件Cards -> Entities hierarchy，展示酒店内所有建筑/楼层/区域
  • 数据源alias——All buildings
  • Latest data key——Name
• 为hierarchy部件添加On node selected action，更新dashboard state中的selectedEntity参数
  • Action type——Update current dashboard state
  • State entity parameter name——selectedEntity
• 所有dashboard上的Trendz部件的数据源alias设为Filtered areas
• 保存dashboard

Summary

综上所述，occupancy monitoring技术的实施帮助客户实现了提升客户体验、降低运营成本、减少环境影响的目标。 借助实时数据和预测分析，他们优化了人员配置、更有效地分配资源、降低了能耗。 实施的主要成效包括公共事业和人力成本下降，以及正面客户评价提升。