基于边缘计算的客流统计系统架构设计实践

客流统计系统在工程落地中通常采用“边缘计算 + 流式处理”的结构。

1. 系统整体架构

摄像头
  ↓
Edge AI设备（本地推理）
  ↓
MQTT / Kafka
  ↓
流式计算（Flink）
  ↓
数据湖（HDFS / S3）
  ↓
分析服务（API / BI）

2. Edge侧处理

边缘设备主要承担：

• YOLO人体检测
• 简单跟踪（ByteTrack）
• ROI区域判断
• 初步计数

实际部署中，Edge侧通常会遇到：

• GPU算力不足导致帧率下降
• 夜间低照度误检上升
• 网络断连导致数据丢失

因此一般会做本地缓存（1~5分钟窗口）。

3. 数据流处理层

进入Kafka后数据变成事件流：

{
  "device_id": "cam_01",
  "timestamp": 1710000000,
  "track_id": 123,
  "event": "cross_line"
}

Flink主要做：

• 去重窗口计算
• 多设备时间对齐
• 聚合统计

4. 去重逻辑

常见实现是基于：

• 时间窗口（Tumbling / Sliding Window）
• device_id + track_id hash
• 空间区域映射

但在实际项目中，多设备同步误差会导致：

• 5%~8%重复率残留

5. 存储与分析层

数据通常分为两类：

• 原始事件数据（Data Lake）
• 聚合指标数据（OLAP）

常见组合：

• HDFS / S3 + Hive
• ClickHouse 做实时分析

6. 实际瓶颈

系统中最容易出问题的是：

• Edge侧算力瓶颈
• 网络抖动导致事件乱序
• Flink watermark延迟设置
• 多摄像头时间同步误差

7. 小结

客流统计系统在云架构上本质是一个：

低延迟事件流处理 + 边缘AI推理系统