Analyzing customer behavior in walking street markets using deep learning techniques

การวิเคราะห์พฤติกรรมผู้บริโภคในตลาดถนนคนเดินด้วยเทคนิคการเรียนรู้เชิงลึก

Name: Manaschai Aonon

ThaSH: Deep learning (Machine learning)

ThaSH: Walking street

ThaSH: Consumer behavior

Abstract: This research presents a comprehensive framework for analyzing customer behavior in walking street markets using advanced person re-identification techniques. We deployed dual CCTV cameras at strategic points along a 200-meter section of a walking street market in Chiang Mai, Thailand, to track customer movements and analyze behavioral patterns. Our methodology comprises three main components: (1) a novel segmentation-enhanced multi-region feature extraction framework combining YOLOv11 segmentation with Swin Transformer, (2) a robust person re-identification approach with PCA-enhanced feature matching, and (3) detailed customer behavior analysis based on movement patterns, speeds, and interactions. Our feature extraction method achieves 92.31% Rank-1 accuracy and 59.62% mAP, significantly outperforming traditional approaches. Using the re-identification results, we identify five distinct customer behavior types (Goal-Oriented, Browsing, Lingering, Focused, and Brief Visitors) with actionable insights for market management. This research contributes both methodological advances in per-son re-identification and practical applications for retail analytics in dynamic public spaces.

Abstract: งานวิจัยนี้นำเสนอกรอบแนวทางที่ครอบคลุมสำหรับการวิเคราะห์พฤติกรรมของลูกค้าในตลาดถนนคนเดิน โดยอาศัยเทคนิคการระบุตัวตนบุคคลขั้นสูง เราได้ติดตั้งกล้องวงจรปิดสองตัว ณ จุดยุทธศาสตร์ในระยะ 200 เมตรของตลาดถนนคนเดินในจังหวัดเชียงใหม่ ประเทศไทย เพื่อทำการติดตามการเคลื่อนไหวของลูกค้าและวิเคราะห์รูปแบบพฤติกรรม กรอบวิธีการของเราประกอบด้วยองค์ประกอบหลักสามส่วน ได้แก่ (1) กรอบการสกัดคุณลักษณะหลายภูมิภาคที่เสริมด้วยการแบ่งส่วน โดยผสาน YOLOv11 segmentation เข้ากับ Swin Transformer, (2) วิธีการระบุตัวตนบุคคลที่มีประสิทธิภาพสูงโดยใช้การจับคู่คุณลักษณะผ่าน PCA-enhanced feature matching, และ (3) การวิเคราะห์พฤติกรรมของลูกค้าผ่านรูปแบบการเคลื่อนไหว ความเร็ว และปฏิสัมพันธ์ ผลการทดลองแสดงให้เห็นว่า วิธีการสกัดคุณลักษณะของเรามีความแม่นยำ Rank-1 accuracy สูงถึง 92.31% และค่า mAP ที่ 59.62% ซึ่งดีกว่าวิธีการดั้งเดิมอย่างมีนัยสำคัญ จากผลลัพธ์การระบุตัวตนบุคคล เราสามารถจำแนกพฤติกรรมของลูกค้าออกเป็น 5 รูปแบบหลัก ได้แก่ ลูกค้าที่มีเป้าหมายชัดเจน (Goal-Oriented), ลูกค้าที่เดินชมสินค้า (Browsing), ลูกค้าที่ใช้เวลานาน (Lingering), ลูกค้าที่มีจุดสนใจเฉพาะ (Focused), และลูกค้าที่แวะชมเพียงสั้น ๆ (Brief Visitors) พร้อมทั้งให้ข้อมูลเชิงลึกที่เป็นประโยชน์สำหรับการบริหารจัดการตลาด งานวิจัยนี้มีส่วนสำคัญทั้งในแง่ของการพัฒนาวิธีการระบุตัวตนบุคคลและการประยุกต์ใช้เชิงปฏิบัติสำหรับการวิเคราะห์ธุรกิจค้าปลีกในพื้นที่สาธารณะแบบไดนามิก

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Phasit Charoenkwan

Role: Advisor

Created: 2025

Modified: 2025-09-04

Issued: 2025-09-04

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Data Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	660632034.pdf	1.39 MB

ใช้เวลา

0.026425 วินาที