客流统计系统在实际工程落地过程中，普遍采用“边缘计算 + 流式处理”的混合架构设计方案。
1. 系统整体架构
从数据流流转视角来看，整条链路大致可描述为：
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）
摄像头负责原始视频流的采集，边缘AI设备在本地完成目标检测与初步计数任务，随后将结构化的事件数据通过消息队列（例如MQTT或Kafka）上传至云端或中心端。流式计算引擎（如Flink）对这些事件进行去重、聚合与时间对齐，最终将处理后的结果写入数据湖，供上层API接口或BI分析工具调用。
该架构在逻辑上条理清晰，但实际落地时每个环节都可能遇到不同的挑战。下面逐一展开分析。
2. Edge侧处理
边缘设备上的算法任务主要包含三个核心环节：
- YOLO人体检测
- 简单跟踪（例如ByteTrack）
- ROI区域判断与初步计数
在实际部署中，边缘侧最容易遭遇三大问题：GPU算力不足导致帧率下降、夜间低照度场景下误检率显著升高、网络断连引发数据丢失。
针对算力瓶颈，常见做法包括降低输入分辨率或拉大帧间隔；为解决夜间误检，需单独训练低光照模型或叠加IR补光灯；而应对网络断连风险，可通过本地缓存（1~5分钟滑动窗口）缓解——断网期间数据暂存本地，待网络恢复后批量补传。
3. 数据流处理层
数据进入Kafka后，被转化为一条条结构化事件流，格式大致如下：
{
"device_id": "cam_01",
"timestamp": 1710000000,
"track_id": 123,
"event": "cross_line"
}
到达Flink层后，主要处理三项任务：
- 去重：同一track_id在短时间内多次触发cross_line事件，仅保留一次
- 窗口计算：按固定时间窗口（Tumbling或Sliding）聚合每个设备、每个区域的客流人次
- 多设备时间对齐：不同摄像头间可能存在时钟不同步，需在Flink中实施时间校正，确保聚合结果跨设备可对比
4. 去重逻辑
去重是整个系统的核心难点之一。常见的实现思路有两种：
- 基于时间窗口 + device_id + track_id的hash映射
- 基于空间区域映射：同一track_id在不同设备间跨区时，仅统计首次进入
但在实际项目中，多设备间的同步误差难以完全消除。即便去重逻辑设计得再精细，5%～8%的重复率残留依然是常态。这一数值在客流统计业务中是否可接受，完全取决于具体场景对精度的要求。
5. 存储与分析层
数据存储通常分为两类：
- 原始事件数据：存放于数据湖（HDFS或S3），常用Parquet格式存储，便于后续回溯与排查
- 聚合指标数据：直接送入OLAP引擎（如ClickHouse），供实时看板和API查询
常见组合为：HDFS / S3 + Hive 负责原始数据归档，ClickHouse 负责秒级聚合响应。该组合在稳定性与性能之间取得了良好平衡。
6. 实际瓶颈
尽管架构设计已较为完善，但正式上线时最容易出问题的环节集中在四个方面：
- Edge侧算力瓶颈：尤其在人流量大的场景（如商场入口），多路并发推理会导致GPU满载，造成严重丢帧
- 网络抖动导致事件乱序：Kafka虽能提供缓冲，但Flink的watermark延迟参数设置不当会引发大量事件被丢弃或滞后
- Flink watermark延迟设置：设得过短易丢失数据，设得过长则延迟过高，实时性大打折扣
- 多摄像头时间同步误差：尤其在混用不同型号、批次设备时，时间偏移直接影响去重效果与聚合准确性
7. 小结
客流统计系统在云架构层面，本质上是一个经典的“边缘采集 + 流式处理 + 数据湖存储”闭环。技术栈并无太多新鲜元素，真正的挑战在于如何在有限算力、不稳定网络、多设备异构的环境下，将去重率与实时性提升至业务可接受的水平。
换言之，架构图绘制起来并不复杂，但每一个细节的“填坑”才是决定系统能否稳定运行的关键所在。
