CN104573859A - 一种基于Wifi定位和云数据处理技术的人流量预测方法 - Google Patents

Abstract

本发明涉及一种基于Wifi定位和云数据处理技术的人流量预测方法，与现有技术相比解决了尚无人流量预测方法的缺陷。本发明包括以下步骤：获取基础数据；上传数据云端；定位数据的筛查；定位数据与城市道路坐标的匹配；预测人流量。本发明通根据路段平均移动速度为基础交通参数，基于历史数据库的统计分析，预测出未来时间周期区域内的平均移动速度，从而进行人流量的预测。

Description

一种基于Wifi定位和云数据处理技术的人流量预测方法

技术领域

本发明涉及云数据处理技术领域，具体来说是一种基于Wifi定位和云数据处理技术的人流量预测方法。

背景技术

在日常生活中，当进行大型活动或场馆集会时，组织者最重要的问题就是考虑如何避免人群量过度集中，防范可能出现的安全事故。但是在实际管理工作中发现，人群的集中并非是随机的，是有规律性的，例如在某个时间点或某个路段无法通过而产生的聚集等。那么如何能够提前预测出人流量，为组织者的管理工作提供依据和预警，则会大大降低管理难度，目前均是通过管理人员的经验判断感性得出。Wifi通讯在日常已经使用广泛，其具有成本低廉、数据质量高、通信效率好的优点。Wifi定位技术也已成熟应用到手机定位中，Wifi定位的数据主要包括标识码、经纬度信息、时间信息等。但是Wifi定位数据所涉及到计算量太大，无法通过设立服务器来进行计算预测。特别是出现大量人群聚集时，其所涉及的个体数量更多，相对的计算量则更是无法支持。如何基于Wifi定位技术实现人流量预测已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中尚无人流量预测方法的缺陷，提供一种基于Wifi定位和云数据处理技术的人流量预测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于Wifi定位和云数据处理技术的人流量预测方法，包括以下步骤：

获取基础数据，Wifi热点获取统计周期内的Wifi客户端，将Wifi客户端数据上传至Wifi网络服务器，通过Wifi网络服务器获取用户定位数据，定位数据包括ID号、经度、纬度、方向角和时间；

上传数据云端，Wifi网络服务器将用户定位数据上传至数据云端；

定位数据的筛查，云端根据定位数据的平均速度判断出有效的定位数据；

定位数据与城市道路坐标的匹配，将统计周期内的用户定位数据通过坐标匹配的方法匹配到相应的城市道路坐标上；

预测人流量，根据定位数据预测出下个时间段的人流量。

所述的定位数据的筛查包括以下步骤：

设定时速阈值X；

计算定位数据的移动速度V_i，其公式如下：

$V_i=\frac{L_i}{t_i},$

其中，V_i为单个Wifi客户端的移动速度，L_i为单个Wifi客户端在统计周期内的移动距离，t_i为统计时间；

将定位数据的移动速度V_i与X进行比较，若V_i≤X，则删掉移动速度V_i。

所述的预测人流量包括以下步骤：

取周期时间内的人流量移动速度代表路段的总体平均速度，其计算公式如下：

$\stackrel{\‾}{V}=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{V}_n}{N},$

其中，N为周期时间内经过路段的人流量样本总数；V_n为每个Wifi客户端所在路段的平均速度；为周期时间内路段平均速度，单位为km/h；

预测未来周期时间的路段平均移动速度，其计算公式如下：

$v=w_1\stackrel{\‾}{v}+w_2{v}_{\mathrm{pre}},$

其中：v为下一周期的路段平均速度预测值；是历史同期的路段速度平均值；v_pre是最近一个历史同期的路段速度值；w₁、w₂是对应的权重。

所述的权重w₁、w₂的计算方法包括以下步骤：

计算历史同期的路段速度平均值，计算公式如下：

$\stackrel{\‾}{v}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i/n,$

其中，v_i为历史同时的路段速度值，为历史同期的路段速度平均值；

计算速度速度的标准差S，其计算公式如下：

$s=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^2};$

计算权重w₁、w₂，其计算公式如下：

$w_2=\left|\frac{v_{\mathrm{prei}}-\stackrel{\‾}{v}}{3*s_v}\right|,$

w₁＝1-w₂。

有益效果

本发明的一种基于Wifi定位和云数据处理技术的人流量预测方法，与现有技术相比通过大量的Wifi手机用户定位数据回传到云端，进行一系列处理分析，得到当前区域的平均移动速度，再根据路段平均移动速度为基础交通参数，基于历史数据库的统计分析，预测出未来时间周期区域内的平均移动速度，从而进行人流量的预测。

通过Wifi手机定位技术，相比较传统的GPS装置数据、3G智能手机数据而言具有数据质量好、成本低廉、传输速率高的特点。通过云数据处理技术，解决了基础用户群体多、信息量大、地图匹配方法需要占用很大的内存空间的问题。与此同时，还能提供大量的历史数据支持，具有稳定、高效、可靠的特点。

附图说明

图1为本发明的方法流程图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种基于Wifi定位和云数据处理技术的人流量预测方法，包括以下步骤：

第一步，获取基础数据。Wifi热点获取统计周期内的Wifi客户端，此周期指的是当前周期，具体根据实际需要设定，如30分钟，获取此30分钟的基础数据，预测下个30分钟的人流量。将Wifi客户端数据上传至Wifi网络服务器，通过Wifi网络服务器获取用户定位数据，定位数据包括ID号、经度、纬度、方向角和时间。

在实际应用中，以会展场馆举例，在某一时间点，会展场馆的进口或出口会出现人群拥堵的情况，即人流量过大，在此就需要在人流量还未形成拥堵的时候就提前进行预测报警，从而便于管理。Wifi热点首先统计区域内的Wifi客户端，即有多少手机用户使用了Wifi连接。由于Wifi热点的覆盖范围有限，因此实际应用中可以有多个不同区域的Wifi热点在一起将数据进行组合计算。同理，Wifi网络服务器也可以有多台，也正是基于如此大的数据量，普通服务器难以完成计算预测过程，因此在此采用云数据处理技术。在此处，不要求区域内的第一个定位信息的获得，只需要获得部分Wifi手机用户的信息即可。因为获得的是Wifi手机用户的定位信息，即单台或小范围的多台Wifi手机的移动速度慢即可说明下个周期有可能会形成人流量的增加；同理，单台或小范围的多台Wifi手机的移动速度快即可说明下个周期有可能会形成人流量的减少。

第二步，上传数据云端。Wifi网络服务器将用户定位数据上传至数据云端，多台Wifi网络服务器均将其收集到的用户定位数据上传至云端，利用云端强大的数据计算和存储能力进行人流量预测。

第三步，定位数据的筛查。在实际应用中，使用Wifi手机的用户可能存在多种情况出现移动速度过慢或未移动的情况，例如用户停留在原地使用Wifi进行通讯等。这类数据不能归为正常的计算中，会影响预测的准确性，因此云端根据用户定位数据的平均速度判断出有效的定位数据。其具体步骤如下：

(1)设定时速阈值X，阈值X用于后面进行对比，其值根据需要设定，实际中可以将阈值X设为5Km/H。

(2)计算定位数据的移动速度V_i，即计算单个Wifi手机用户的移动速度。其公式如下：

$V_i=\frac{L_i}{t_i},$

其中，V_i为单个Wifi客户端的移动速度，L_i为单个Wifi客户端在统计周期内的移动距离，t_i为统计时间，通过移动距离和统计时间(统计周期)计算出移动速度。

(3)将定位数据的移动速度V_i与X进行比较，若V_i≤X，则说明当前Wifi手机客户处于静止状态，其所涉及到的数据会影响预测的准确性，删掉此移动速度V_i。若移动速度V_i大于X，则说明数据有效，保留以待后面的预测计算。

第四步，定位数据与城市道路坐标的匹配。将统计周期内的用户定位数据通过坐标匹配的方法匹配到相应的城市道路坐标上，即匹配到相应的区域中。由于Wifi技术只能获取到Wifi本身的信息，如移动距离、时间、经度、纬度和方向角，但是具体到某个区域、某条道路，则无法定位到。定位数据与坐标的匹配最常用的匹配方法是互相关法，它要求对被搜索图中每个位置都进行相关运算，因此需要的计算量很大。还可以采用序贯检测法、层次搜索法和边缘特征匹配法。序贯检测法随机地规定一个模板中像素的匹配次序，并对每一配准位置按这一次序计算模板像素与被搜索图像对应像素之间灰度差绝对值的累计值,当此值超过某一阈值时立即中止运算,而转入下一个匹配位置。层次搜索法把初始图像按空间分辨率2k倍逐次降低，形成层次系列图。

第五步，预测人流量，根据定位数据预测出下个时间段的人流量。在第一步中所获取的时间周期为采样周期，此步骤中预测的下个时间段则是基于第一步中的采样周期来言。例如，采样周期为一小时，则预测的下个时间段也同样为一小时。其具体步骤如下：

(1)取周期时间内的人流量移动速度代表路段的总体平均速度，此时周期时间内的人流量移动速度不是单体的移动速度，而是多个Wifi网络服务器上多个区域内的Wifi手机用户的移动速度，因此所涉及的计算量极其庞大。其计算公式如下：

$\stackrel{\‾}{V}=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{V}_n}{N},$

其中，N为周期时间内经过路段的人流量样本总数；V_n为每个Wifi客户端所在路段的平均速度；为周期时间内路段平均速度，单位为km/h。

(2)预测未来周期时间的路段平均移动速度，即预测下个周期(30分钟、一小时)此区域(路段)的平均移动速度，平均移动速度也就是人流量，平均移动速度大，说明预测的人流量小，移动快；平均移动速度小，说明预测的人流量大，移动慢。其计算公式如下：

$v=w_1\stackrel{\‾}{v}+w_2{v}_{\mathrm{pre}},$

其中：v为下一周期的路段平均速度预测值；是历史同期的路段速度平均值；v_pre是最近一个历史同期的路段速度值；w₁、w₂是对应的权重。

在实际应用中，若历史同期数据量越大，预测的准确性则越高，v_pre则是众多历史数据中最近的一个数据。权重w₁、w₂的计算也是基于历史数据获得，其包括以下步骤：

A、计算历史同期的路段速度平均值，计算公式如下：

$\stackrel{\‾}{v}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i/n,$

其中，v_i为历史同时的路段速度值，为历史同期的路段速度平均值。

B、计算速度速度的标准差S，其计算公式如下：

$s=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^2}.$

C、计算权重w₁、w₂，其计算公式如下：

$w_2=\left|\frac{v_{\mathrm{prei}}-\stackrel{\‾}{v}}{3*s_v}\right|,$

w₁＝1-w₂。

由于涉及计算量大、且需要存储大量的历史数据的支持，此预测方法无法在普通的服务器计算上实现。因此采用云端数据处理的方法相比较传统的服务器处理，具有稳定、高效、可靠的特性，能够保证预测判别的精准度。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于Wifi定位和云数据处理技术的人流量预测方法，其特征在于，包括以下步骤：

11)获取基础数据，Wifi热点获取统计周期内的Wifi客户端，将Wifi客户端数据上传至Wifi网络服务器，通过Wifi网络服务器获取用户定位数据，定位数据包括ID号、经度、纬度、方向角和时间；

12)上传数据云端，Wifi网络服务器将用户定位数据上传至数据云端；

13)定位数据的筛查，云端根据定位数据的平均速度判断出有效的定位数据；

14)定位数据与城市道路坐标的匹配，将统计周期内的用户定位数据通过坐标匹配的方法匹配到相应的城市道路坐标上；

15)预测人流量，根据定位数据预测出下个时间段的人流量。

2.根据权利要求1所述的一种基于Wifi定位和云数据处理技术的人流量预测方法，其特征在于，所述的定位数据的筛查包括以下步骤：

21)设定时速阈值X；

22)计算定位数据的移动速度V_i，其公式如下：

$V_i=\frac{L_i}{t_i},$

其中，V_i为单个Wifi客户端的移动速度，L_i为单个Wifi客户端在统计周期内的移动距离，t_i为统计时间；

23)将定位数据的移动速度V_i与X进行比较，若V_i≤X，则删掉移动速度V_i。

3.根据权利要求1所述的一种基于Wifi定位和云数据处理技术的人流量预测方法，其特征在于，所述的预测人流量包括以下步骤：

31)取周期时间内的人流量移动速度代表路段的总体平均速度，其计算公式如下：

$\stackrel{\‾}{V}=\frac{\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{V}_n}{N},$

其中，N为周期时间内经过路段的人流量样本总数；V_n为每个Wifi客户端所在路段的平均速度；为周期时间内路段平均速度，单位为km/h；

32)预测未来周期时间的路段平均移动速度，其计算公式如下：

$v=w_1\stackrel{\‾}{v}+w_2{v}_{\mathrm{pre}},$

其中：v为下一周期的路段平均速度预测值；是历史同期的路段速度平均值；v_pre是最近一个历史同期的路段速度值；w₁、w₂是对应的权重。

4.根据权利要求3所述的一种基于Wifi定位和云数据处理技术的人流量预测方法，其特征在于，所述的权重w₁、w₂的计算方法包括以下步骤：

41)计算历史同期的路段速度平均值，计算公式如下：

$\stackrel{\‾}{v}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i/n,$

其中，vⁱ为历史同时的路段速度值，为历史同期的路段速度平均值；

42)计算速度速度的标准差S，其计算公式如下：

$s=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(v_i-\stackrel{\‾}{v})}^2};$

43)计算权重w₁、w₂，其计算公式如下：

$w_2=\left|\frac{v_{\mathrm{prei}}-\stackrel{\‾}{v}}{3*s_v}\right|,$

w₁＝1-w₂。