CN106203694A - 场所拥挤度预测模型建立、场所拥挤度预测方法和装置 - Google Patents

Abstract

本发明实施例公开了一种场所拥挤度预测模型建立、场所拥挤度预测方法和装置。场所拥挤度预测模型建立方法包括：在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据；根据由目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与目标场所对应的拥挤度预测模型。本发明的技术方案实现了在大量的定位数据中筛选有用数据对一个场所的拥挤度情况进行建模，进而可以根据建立的拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

Description

场所拥挤度预测模型建立、场所拥挤度预测方法和装置

技术领域

本发明实施例涉及信息处理技术，尤其涉及一种场所拥挤度预测模型建立、场所拥挤度预测方法和装置。

背景技术

随着近年来智能手机、平板等智能终端设备和4G等高速无线网络的普及，移动应用爆发式增长。全球目前4G用户超过10亿，全国3G及4G用户总数近8亿，触手可及的移动宽带，让人们习惯使用移动应用提供的社交、餐饮以及娱乐等各类服务。而GPS定位技术及蜂窝定位技术的成熟和普及让LBS(Location-Based Service，基于位置的服务)被使用到了各类移动应用中。

虽然LBS技术发展迅速，但人们常常因为不知道某个地方有多少人而束手无策。最为典型的就是医疗方面，需要就诊的患者在到达医院之前并不能得知医院现在有多少人在排队，不知道自己去了之后等待多久才能就医，更不用说知道多久才能看完。这对占着看病人数中绝大多数的轻微病、常见病患者来说是非常痛苦的。人们常常为了开到几样自己都知道名字的处方药而浪费一个上午甚至一整天。而对于一些虽然是常见病但却是急性病，例如急性肠胃炎等，的患者来说，长时间的等待更加是不能忍受的。

与此同时，各大三甲医院的门诊、急诊却因为需要诊断大量例如醉酒、感冒等常见病患者而无法更好的服务重病患者及疑难杂症病患。优质稀缺医疗资源被大量浪费，使得真正有需要的人们耽误了宝贵的就医时间。

发明内容

有鉴于此，本发明实施例提供了一种场所拥挤度预测模型建立、场所拥挤度预测方法和装置，以使用户能够对一个场所的拥挤度情况进行预判，进而提高用户的出行效率。

第一方面，本发明实施例提供了一种场所拥挤度预测模型建立方法，包括：

在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据；

根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型。

第二方面，本发明实施例提供了一种场所拥挤度预测方法，包括：

将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中；

其中，所述场所拥挤度预测模型由与目标场所对应的流动人员的用户定位数据确定的逗留时间参数训练标准时间预测模型生成；

将所述场所拥挤度预测模型的输出结果提供给用户，其中，所述输出结果包括：不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量的预测值。

第三方面，本发明实施例还提供了一种场所拥挤度预测模型建立装置，包括：

目标用户定位数据获取模块，用于在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据；

拥挤度预测模型生成模块，用于根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型。

第四方面，本发明实施例还提供了一种场所拥挤度预测装置，包括：

样本输入模块，用于将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中；

其中，所述场所拥挤度预测模型由与目标场所对应的流动人员的用户定位数据确定的逗留时间参数训练标准时间预测模型生成；

预测结果提供模块，用于将所述场所拥挤度预测模型的输出结果提供给用户，其中，所述输出结果包括：不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量的预测值。

本发明实施例在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据，根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型；将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中，将所述场所拥挤度预测模型的输出结果提供给用户，可以实现在大量的定位数据中筛选有用数据对一个场所的拥挤度情况进行建模，进而可以根据建立的场所拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，以使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

附图说明

图1是本发明实施例一提供的一种场所拥挤度预测模型建立方法的流程图；

图2是本发明实施例二提供的一种场所拥挤度预测模型建立方法的流程图；

图3是本发明实施例三提供的一种场所拥挤度预测模型建立方法的流程图；

图4a是本发明实施例四提供的一种场所拥挤度预测方法的流程图；

图4b是本发明实施例四提供的一种拥挤度预测曲线的示意图；

图5是本发明实施例五提供的一种场所拥挤度预测模型建立装置的结构图；

图6是本发明实施例六提供的一种场所拥挤度预测装置的结构图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种场所拥挤度预测模型建立方法的流程图，本实施例的方法可以由场所拥挤度预测模型建立装置来执行，该装置可通过硬件和/或软件的方式实现，并一般可集成于用于实现场所拥挤度预测模型建立功能的服务器中。本实施例的方法具体包括：

110、在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据。

在本实施例中，所述目标场所具体是指用户体验与场所内的人员数量(或者说拥挤度)密切相关的公共场所。例如，医院、商场、游乐场、车站、银行或者体育场等场所。

其中，所述目标场所定位数据具体是指获取的各用户定位请求数据中，定位结果位于所述目标场所内部的定位数据。

一般来说，当用户通过智能终端使用各种导航或定位软件时，这些导航或定位软件会每隔一段时间(例如：5分钟或者10分钟等)，向其所关联的导航服务器发送定位请求，服务器会基于该定位请求返回用户的实时定位结果，以确定用户的实时位置。

所述用户定位请求数据具体是指服务器基于定位请求返回的，记录有用户的定位结果的数据。典型的，可以在导航或者定位服务器中收集各种用户定位请求数据，通过将用户定位请求数据中的定位结果数据与目标场所的所在的地理位置信息进行匹配，以获取所述目标场所定位数据。

典型的，用户定位请求数据中可以包括：用户标识、定位结果以及定位时间等信息。

需要再次强调的是：如背景技术所述，虽然随着LBS技术的迅速发展，网络中存在着大量的用户定位请求数据，但是人们却无法根据这些用户定位请求数据来对一个场所中的拥挤度情况进行预测。在本申请中，创造性的提出了：基于网络中存在的这些用户定位请求数据，实现对一个目标场所的拥挤度情况进行预测。

其中，预测场所的拥挤度情况主要表现在对一个时间点或者一个时间段内该场所中可能出现的人员的数量值进行预测，通过对场所的拥挤度情况进行预测，可以实现对用户的出行规划进行指导的作用。例如，用户由于感冒想到医院就医，很多医院都可以满足用户的这一就医需求，如果存在针对各个不同医院的拥挤度预测模型，用户就可以规避掉拥挤度比较高的医院而直接选择到拥挤度较低的医院进行就医，进而可以减少用户的排队等待时间，提高用户的出行效率，这也是本发明所能解决的主要技术问题。

一般来说，一个场所中每天出现的人员中主要包括：流动人员以及常驻人员。典型的，医院中每天出现的人员中主要包括：门急诊患者、医院职工以及住院患者。商场中每天出现的人员主要包括：顾客、商场工作人员以及商场售货员等。其中，门急诊患者以及顾客为流动人员，医院职工、住院患者、商场工作人员以及商场售货员为常驻人员。

可以理解的是，一个场所中的拥挤度主要是通过这个场所中的流动人员体现的，也即：医院中的门急诊患者以及商场中的顾客等。

相应的，在本实施例中，在获取目标场所定位数据后，继续筛选该目标场所定位数据中与流动人员对应的目标用户定位数据。

一般来说，定位数据中除了包括定位结果之外，还包括有智能终端用户的用户标识(典型的，智能终端的设备标识，或者用户在导航或定位软件中注册的用户名等)，相应的，可以通过人为标注的方式，获取所述目标用户定位数据。例如，在获取目标场所定位数据之后，罗列与各目标场所定位数据对应的用户标识，在这些用户标识中，筛除出常驻人员(例如，医院中的职工或者商场中的工作人员等)的用户标识之后，即可确定与剩余用户标识对应的目标场所定位数据为与流动人员对应的目标用户定位数据。

还可以通过提取目标场所定位数据中，与同一目标用户标识对应的全部定位数据，根据该定位数据的数据特征，获取目标用户在目标场所中的驻留时间，并根据该驻留时间，确定目标用户具体为流动人员还是驻留人员。

120、根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型。

如前所述，一个场所中的流动人员最能反映这个场所的拥挤度情况。相应的，在获取与流动人员对应的目标用户定位数据之后，通过对目标用户定位数据进行分析处理，可以确定与各流动人员对应的逗留时间参数。

其中，所述逗留时间参数可以包括：设定时间单元(典型的，天)下的逗留时间，到达时间以及离开时间等可以反映流动人员在目标场所中的驻留情况的参数，本实施例对此并不进行限制。

在本实施例中，所述标准时间预测模型可以为任何可以对时间进行预测的基础模型，典型的，深层神经网络模型，例如，LSTM(Long-Short Term Memory，长短时记忆)模型，或者回归模型，例如，回归树模型等，本实施例对此并不进行限制。

本发明实施例在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据，根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型；将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中，将所述场所拥挤度预测模型的输出结果提供给用户，可以实现在大量的定位数据中筛选有用数据对一个场所的拥挤度情况进行建模，进而可以根据建立的场所拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，以使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

在上述实施例的基础上，在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据之前，还优选可以包括：

获取至少两个用户的历史定位请求数据中包括的定位点的地理位置信息；获取地理位置信息位于所述目标场所的地理位置范围内的历史定位请求数据作为所述目标场所定位数据。

一般来说，能够用拥挤度来衡量的场所多为多边形可描述场所，也即，可以通过地理位置范围来描述的场所。在一个具体例子中，“XX体育场”为一个正四边形，通过获取该正四边形中各个顶点的经纬度坐标，即可通过经纬度坐标范围来描述该体育场的地理位置范围。

在获取一个目标场所的地理位置范围后，可以将多个用户的历史定位请求数据中包括的地理位置信息(也即，定位结果)与该地理位置范围进行匹配，将地理位置信息位于所述目标场所的地理位置范围内的历史定位请求数据作为所述目标场所定位数据。这样设置的好处是：可以简单、高效的获取与一个目标场所对应的全部目标场所定位数据。

实施例二

图2是本发明实施例二提供的一种场所拥挤度预测模型建立方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据具体优化为：将所述目标场所定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据；将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据；根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间；根据所述逗留时间识别所述用户中的流动人员，并获取与所述流动人员对应的目标用户定位数据；以及

将根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型具体优化为：将所述目标场所下，与各所述流动人员分别对应的不同时间单元下的逗留时间作为训练样本；将各训练样本分别输入至所述标准时间预测模型中进行训练；将训练结束后的所述标准时间预测模型，作为与所述目标场所对应的拥挤度预测模型。

相应的，本实施例的方法具体包括：

210、获取至少两个用户的历史定位请求数据中包括的定位点的地理位置信息。

220、获取地理位置信息位于所述目标场所的地理位置范围内的历史定位请求数据作为所述目标场所定位数据。

230、将所述目标场所定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据。

在本实施例中，为了获取与流动人员对应的目标用户定位数据，在获取与目标场所对应的目标场所定位数据之后，首先需要按照用户标识，对所述目标场所定位数据进行分类。

在一个具体例子中，目标场所定位数据包括：

定位数据1：{用户标识：0001，定位结果：(39.089，116.70)，定位时间：20160628.10:04:06}；

定位数据2：{用户标识：0002，定位结果：(39.089，116.70)，定位时间：20160628.07:38:31}；

定位数据3：{用户标识：0003，定位结果：(39.089，116.70)，定位时间：20160628.13:32:17}；以及

定位数据4：{用户标识：0002，定位结果：(39.089，116.70)，定位时间：20160328.16:10:07}。

基于上述目标场所定位数据中包括的不同的用户标识，可以获取与不同用户分别对应的用户定位数据：用户标识0001{定位数据1}、用户标识0002{定位数据2，定位数据4}以及用户标识0003{定位数据3}。

240、将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据。

在本实施例中，所述时间单元可以根据实际情况进行预设，优选的，可以将“周”、“天”或者“小时”等单位，作为所述时间单元。进而可以生成与同一用户对应的，不同时间单元下的用户区间定位数据。

在一个具体的例子中，将时间单元设置为“天”，与用户0001对应的用户定位数据可以划分为：20160616{定位数据A、定位数据B、…定位数据N}；20160617{定位数据C、定位数据D、…定位数据M}；以及20160618{定位数据E、定位数据F、…定位数据P}。

250、根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间。

如前所述，通过分析与同一用户对应的用户区间定位数据，可以获取用户在不同时间单元下，在所述目标场所中的逗留时间。

其中，可以在一个目标用户一个时间单元下(例如：20160628，2016年06月28日)的用户区间定位数据中，获取最早的一个定位时间作为用户到达所述目标场所的抵达时间点，获取最晚的一个定位时间作为用户离开所述目标场所的离开时间点，将离开时间点与抵达时间点之差，作为该目标用户在该时间单元下的逗留时间。

其中，上述方法的优点在于实现简单，计算量小；缺点在于误差较大。例如，用户可能在早上很早进入了目标场所，但是因为一定的原因很快的离开了该目标场所，最后又在晚上很晚的时候再次进入了该目标场所，最后虽然计算得到用户的逗留时间很长，但是实际上用户仅仅逗留了很短的一段时间。

进一步的，还可以设定一个置信度衰减规则，根据离开置信度衰减规则以及一个目标用户一个时间单元下的各定位时间点，获取所述离开置信度衰减至设定衰减值时的标志时间点；根据所述标志时间点，逆推所述目标用户离开所述目标场所的离开时间点；根据所述定位时间点，获取与所述离开时间点对应的所述目标用户抵达所述目标场所的抵达时间点；根据所述抵达时间点以及所述离开时间点，确定所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间。

260、根据所述逗留时间识别所述用户中的流动人员，并获取与所述流动人员对应的目标用户定位数据。

在本实施例中，为了在大量用户中筛选出流动人员，可以根据各用户在不同时间单元下(典型的，天)下的逗留时间的特点，识别用户中的流动人员。

在本实施例的一个优选的实施方式中，根据所述逗留时间识别所述用户中的流动人员可以包括：

根据各用户在不同时间单元下，在所述目标场所中的逗留时间，绘制与各用户对应的逗留时间曲线；根据与各用户对应的逗留时间曲线的曲线特征，筛除所述用户中的误定位人员以及常驻人员；将筛除处理后的用户作为所述流动人员。

一般来说，由于定位结果具有一定的误差，所以有很大的可能性将一个用户误定位至目标场所中，例如，将一个从“XX医院”外面经过的用户误定位至该医院中的情况。如果将这些误定位人员的定位数据参与构建目标场所拥挤度预测模型，最终所构建模型的预测结果肯定是不准确的，因此，需要将这些误定位人员去除。其中，考虑到这些误定位人员的定位数据仅会在一个或者几个孤立的时间单元下出现，且与误定位人员对应的逗留时间一般较短。因此，通过逗留时间曲线可以很容易的将这些误定位人员筛选出来；

相类似的，一个目标场所中一定会具有一定的常驻人员，例如，医院职工或者医院中的住院患者等，这些常驻人员的逗留时间曲线则会有一定的特点，例如：医院职工的驻留特点是：在工作日的早上八点出现，驻留至下午6点；住院患者的驻留特点是：在一个设定时间区间内，24小时驻留。因此，通过逗留时间曲线可以相应的将这些常驻人员筛选出来。

在筛选出误定位人员以及常驻人员这些有明显驻留特点的用户后，可以进而将剩下的用户识别为流动人员。

270、将所述目标场所下，与各所述流动人员分别对应的不同时间单元下的逗留时间作为训练样本。

在本实施例中，考虑到最终训练生成拥挤度预测模型的目的就是为了对目标场所在一个时间点或者一段时间内的流动人员的数量进行预测。因此，可以将与各所述流动人员分别对应的不同时间单元下的逗留时间作为训练样本对所述标准时间预测模型中进行训练。

280、将各训练样本分别输入至所述标准时间预测模型中进行训练。

290、将训练结束后的所述标准时间预测模型，作为与所述目标场所对应的拥挤度预测模型。

本实施例的技术方案通过将所述目标场所定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据；将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据；根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间；根据所述逗留时间的特点识别所述用户中的流动人员的技术手段，实现了仅仅根据目标场所定位数据的数据特点，无需再引入其他的数据源，即可快速筛选出与流动人员对应的目标用户定位数据的效果，充分挖掘了定位数据中包括的有用信息，并最终根据与目标场所的流动人员对应的逗留时间参数，训练出目标场所对应的拥挤度预测模型，进而可以根据建立的拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，以使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

实施例三

图3是本发明实施例三提供的一种场所拥挤度预测模型建立方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间具体优化为：获取目标用户在目标时间单元下的区间定位数据作为当前处理定位数据；根据离开置信度衰减规则以及所述当前处理定位数据中的各定位时间点，获取所述离开置信度衰减至设定衰减值时的标志时间点；根据所述标志时间点，逆推所述目标用户离开所述目标场所的离开时间点；根据所述定位时间点，获取与所述离开时间点对应的所述目标用户抵达所述目标场所的抵达时间点；根据所述抵达时间点以及所述离开时间点，确定所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间；以及

将根据所述逗留时间识别所述用户中的流动人员具体优化为：根据各用户在不同时间单元下，在所述目标场所中的逗留时间，绘制与各用户对应的逗留时间曲线；根据与各用户对应的逗留时间曲线的曲线特征，筛除所述用户中的误定位人员以及常驻人员；将筛除处理后的用户作为所述流动人员；以及

将所述目标场所具体优化为医院，将所述流动人员具体优化为门急诊患者。

相应的，本实施例的方法具体包括：

310、将医院定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据。

320、将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据。

330、依次获取一个用户作为目标用户。

340、获取目标用户在目标时间单元下的区间定位数据作为当前处理定位数据。

350、根据离开置信度衰减规则以及所述当前处理定位数据中的各定位时间点，获取所述离开置信度衰减至设定衰减值时的标志时间点。

在本实施例中，用户在医院中可能不会频繁的使用智能终端，如果用户长时间不使用智能终端，则用户定位数据很可能长时间消失，使得定位噪音很大。为了有效的降低噪音，保证最终计算得到的逗留时间的准确度，引入了离开置信度衰减规则的概念。离开置信度规则的核心思想是：在规定时间长度内若没有检测到用户定位数据，则降低其在医院的可能性，直到超过某个时间长度时认为此用户已经离开医院。

在一个具体的例子中，针对一个目标用户在20160628这个时间单元下的各定位时间点，首先在第一个定位时间点下，分配一个取值为1的离开置信度，并规定在10分钟之内，如果没有检测到后续的定位时间点，则该离开置信度衰减0.1；如果检测到后续的定位时间点，则将离开置信度重新调整至1；以及当离开置信度衰减至0.2时，则确定用户已经离开医院。

进而，可以在所述各定位时间点，获取所述离开置信度衰减至设定衰减值时的一个或者多个标志时间点。

360、根据所述标志时间点，逆推所述目标用户离开所述医院的离开时间点。

如前例所述，离开置信度从1衰减到0.2需要80分钟，如果该标志时间点为11:23，则可以逆推11:23的80分钟、70分钟或者60分钟之前的时间点作为所述目标用户离开所述医院的离开时间点(即：10:03、10:13以及10:23)。

其中，所述离开置信度衰减至设定衰减值时所需的时间区间，可以与逆推时所使用的时间区间相同，也可以为逆推时所使用的时间区间的倍数，本实施例对此并不进行限制。

370、根据所述定位时间点，获取与所述离开时间点对应的所述目标用户抵达所述医院的抵达时间点。

在获取至少一个离开时间点之后，获取所述定位时间点中，位于所述离开时间点之前的，与所述离开时间点最接近的一个时间点作为所述目标用户抵达所述医院的抵达时间点。

380、根据所述抵达时间点以及所述离开时间点，确定所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间。

在本实施例中，如果仅包含一组抵达时间点以及离开时间点，则可以直接将离开时间点与抵达时间点的差值作为所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间；

如果包括至少两组抵达时间点以及离开时间点，则可以分别计算各组的逗留时间，并将最终计算得到的逗留时间之和，作为所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间。

在获取目标用户在目标时间单元下，在所述目标场所的逗留时间之后，可以进而获取该目标用户在不同时间单元下，在所述目标场所的逗留时间；进而可以获取不同用户在不同时间单元下，在所述目标场所的逗留时间。

390、判断是否完成对全部用户的处理：若是，执行3100；否则，返回执行330。

3100、根据所述逗留时间识别所述用户中的门急诊患者，并获取与所述门急诊患者对应的目标用户定位数据。

在本实施例中，可以根据不同用户在不同时间单元下，在所述目标场所的逗留时间，绘制与不同用户对应的逗留时间曲线，进而通过分析逗留时间曲线的特点，筛除所述用户中的医院职工以及住院患者，进而可以获取与门急诊患者对应的目标用户定位数据。

3110、根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述医院对应的拥挤度预测模型。

在本实施例中，可以针对不同医院训练不同的拥挤度预测模型，也可以针对不同医院训练一个拥挤度预测模型。

其中，如果针对不同医院训练一个拥挤度预测模型，则可以同时将医院标识(典型的，医院名称)、与医院标识对应的逗留时间参数作为训练样本，对同样的标准时间预测模型进行训练，在该标准时间预测模型内部生成与各个医院分别对应的预测模型，进而可以生成一个可以对不同医院的拥挤度情况进行预测的拥挤度预测模型。

本实施例的技术方案通过在与医院对应的医院定位数据中，获取与门急诊患者对应的门急诊患者定位数据；根据由门急诊患者定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与医院对应的拥挤度预测模型的技术手段，可以实现将LBS服务商掌握的大量定位数据以医院拥挤度预测模型的方式提供给广大患者，使得患者可以基于该医院拥挤度预测模型获取某个时间点或者某个时间段内各个医院中的拥挤度情况，进而可以帮助轻微病、常见病患者选择快速就医渠道，同时分流高级别医院病患。

同时，本实施例的技术方案在计算用户逗留时间的过程中，引入了离开置信度衰减规则的概念，有效的降低噪音，保证最终计算得到的逗留时间的准确度，保证了流动人员的识别准确性，进一步提高了最终建立的医院拥挤度预测模型的预测准确性。

实施例四

图4a为本发明实施例四提供的一种场所拥挤度预测方法的流程图，本实施例的方法可以由场所拥挤度预测装置来执行，该装置可通过硬件和/或软件的方式实现，并一般可集成于用于实现场所拥挤度预测功能的服务器中，本实施例的方法具体包括：

410、将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中。

其中，所述场所拥挤度预测模型由与目标场所对应的流动人员的用户定位数据确定的逗留时间参数训练标准时间预测模型生成。

在本实施例中，所述场所拥挤度预测模型具体可以为通过实施例一至实施例三的方法训练生成的场所拥挤度预测模型。

当需要对一个预测时间点或者说一个预测时间区间内目标场所的流动人员的数量值进行预测时，可以获取预测时间点之前的设定时间区间内(例如，一个月或者两个月等)，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中。

420、将所述场所拥挤度预测模型的输出结果提供给用户，其中，所述输出结果包括：不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量的预测值。

在一个具体的例子中，如果场所拥挤度预测模型中可以对不同医院的拥挤度情况进行预测，则该场所拥挤度预测模型的输出结果可以包括：一个医院名称、各预测时间点、逗留时间范围以及在各预测时间点进入该医院的该逗留时间范围的用户数量的预测值。

其中，在获取场所拥挤度预测模型的输出结果后，为了用户便于观察，可以将输出结果以拥挤度预测曲线的方式，直观的提供给用户。

其中，在图4b中示出了本发明实施例四提供的一种拥挤度预测曲线的示意图。该拥挤度预测曲线的横轴为时间，纵轴为流动人员数量的预测值。如图4b所示，可以以每两个小时为时段进行展示，也就是分别获取在医院分别停留0～2小时、2～4小时、4～6小时以及超过6小时的流动人员的数量的预测结果后，合并预测结果进行展示。

仍以医院作为目标场所为例，通过该场所拥挤度预测模型，可以根据各个医院中流动人员的历史逗留时间，预测各个医院在未来24小时的拥挤度、就医时间曲线。用户可以查看各个医院过去一段时间的统计数据及未来24小时的预测数据，使用户可以根据自己病情做出合理选择。

本实施例的技术方案通过将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至预先建立的场所拥挤度预测模型中，将所述场所拥挤度预测模型的输出结果提供给用户，可以根据建立的场所拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，以使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

实施例五

图5是本发明实施例五提供的一种场所拥挤度预测模型建立装置的结构图。如图5所示，所述装置包括：目标用户定位数据获取模块51以及拥挤度预测模型生成模块52。

目标用户定位数据获取模块51，用于在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据。

拥挤度预测模型生成模块52，用于根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型。

本发明实施例在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据，根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型；将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中，将所述场所拥挤度预测模型的输出结果提供给用户，可以实现在大量的定位数据中筛选有用数据对一个场所的拥挤度情况进行建模，进而可以根据建立的场所拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，以使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

在上述各实施例的基础上，在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据之前，还可以包括：

获取至少两个用户的历史定位请求数据中包括的定位点的地理位置信息；

获取地理位置信息位于所述目标场所的地理位置范围内的历史定位请求数据作为所述目标场所定位数据。

在上述各实施例的基础上，在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据可以包括：

将所述目标场所定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据；

将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据；

根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间；

根据所述逗留时间识别所述用户中的流动人员，并获取与所述流动人员对应的目标用户定位数据。

在上述各实施例的基础上，根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间可以包括：

获取目标用户在目标时间单元下的区间定位数据作为当前处理定位数据；

根据离开置信度衰减规则以及所述当前处理定位数据中的各定位时间点，获取所述离开置信度衰减至设定衰减值时的标志时间点；

根据所述标志时间点，逆推所述目标用户离开所述目标场所的离开时间点；

根据所述定位时间点，获取与所述离开时间点对应的所述目标用户抵达所述目标场所的抵达时间点；

根据所述抵达时间点以及所述离开时间点，确定所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间。

在上述各实施例的基础上，根据所述逗留时间识别所述用户中的流动人员可以包括：

根据各用户在不同时间单元下，在所述目标场所中的逗留时间，绘制与各用户对应的逗留时间曲线；

根据与各用户对应的逗留时间曲线的曲线特征，筛除所述用户中的误定位人员以及常驻人员；

将筛除处理后的用户作为所述流动人员。

在上述各实施例的基础上，根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型可以包括：

将所述目标场所下，与各所述流动人员分别对应的不同时间单元下的逗留时间作为训练样本；

将各训练样本分别输入至所述标准时间预测模型中进行训练；

将训练结束后的所述标准时间预测模型，作为与所述目标场所对应的拥挤度预测模型。

在上述各实施例的基础上，所述目标场所可以包括医院，所述流动人员可以包括门急诊患者。

本发明实施例所提供的场所拥挤度预测模型建立装置可用于执行本发明实施例一至实施例三提供的场所拥挤度预测模型建立方法，具备相应的功能模块，实现相同的有益效果。

实施例六

图6是本发明实施例六提供的一种场所拥挤度预测装置的结构图。如图6所示，所述装置包括：样本输入模块61以及预测结果提供模块62。

样本输入模块61，用于将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中。

其中，所述场所拥挤度预测模型由与目标场所对应的流动人员的用户定位数据确定的逗留时间参数训练标准时间预测模型生成。

预测结果提供模块62，用于将所述场所拥挤度预测模型的输出结果提供给用户，其中，所述输出结果包括：不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量的预测值。

本实施例的技术方案通过将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至预先建立的场所拥挤度预测模型中，将所述场所拥挤度预测模型的输出结果提供给用户，可以根据建立的场所拥挤度预测模型实现对不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量进行预测，以使用户基于预测结果对一个场所的拥挤度情况进行预判，进而可以提高用户的出行效率，减少用户在目标场所中的无效等待时间。

本发明实施例所提供的场所拥挤度预测装置可用于执行本发明实施例四提供的场所拥挤度预测方法，具备相应的功能模块，实现相同的有益效果。

显然，本领域技术人员应该明白，上述的本发明的各模块或各步骤可以通过如上所述的服务器实施。可选地，本发明实施例可以用计算机装置可执行的程序来实现，从而可以将它们存储在存储装置中由处理器来执行，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等；或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (16)

1.一种场所拥挤度预测模型建立方法，其特征在于，包括：

在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据；

根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型。

2.根据权利要求1所述的方法，其特征在于，在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据之前，还包括：

获取至少两个用户的历史定位请求数据中包括的定位点的地理位置信息；

获取地理位置信息位于所述目标场所的地理位置范围内的历史定位请求数据作为所述目标场所定位数据。

3.根据权利要求1所述的方法，其特征在于，在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据包括：

将所述目标场所定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据；

将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据；

根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间；

根据所述逗留时间识别所述用户中的流动人员，并获取与所述流动人员对应的目标用户定位数据。

4.根据权利要求3所述的方法，其特征在于，根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间包括：

获取目标用户在目标时间单元下的区间定位数据作为当前处理定位数据；

根据离开置信度衰减规则以及所述当前处理定位数据中的各定位时间点，获取所述离开置信度衰减至设定衰减值时的标志时间点；

根据所述标志时间点，逆推所述目标用户离开所述目标场所的离开时间点；

根据所述定位时间点，获取与所述离开时间点对应的所述目标用户抵达所述目标场所的抵达时间点；

根据所述抵达时间点以及所述离开时间点，确定所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间。

5.根据权利要求3所述的方法，其特征在于，根据所述逗留时间识别所述用户中的流动人员包括：

根据各用户在不同时间单元下，在所述目标场所中的逗留时间，绘制与各用户对应的逗留时间曲线；

根据与各用户对应的逗留时间曲线的曲线特征，筛除所述用户中的误定位人员以及常驻人员；

将筛除处理后的用户作为所述流动人员。

6.根据权利要求3所述的方法，其特征在于，根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型包括：

将所述目标场所下，与各所述流动人员分别对应的不同时间单元下的逗留时间作为训练样本；

将各训练样本分别输入至所述标准时间预测模型中进行训练；

将训练结束后的所述标准时间预测模型，作为与所述目标场所对应的拥挤度预测模型。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述目标场所包括医院，所述流动人员包括门急诊患者。

8.一种场所拥挤度预测方法，其特征在于，包括：

将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中；

其中，所述场所拥挤度预测模型由与目标场所对应的流动人员的用户定位数据确定的逗留时间参数训练标准时间预测模型生成；

将所述场所拥挤度预测模型的输出结果提供给用户，其中，所述输出结果包括：不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量的预测值。

9.一种场所拥挤度预测模型建立装置，其特征在于，包括：

目标用户定位数据获取模块，用于在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据；

拥挤度预测模型生成模块，用于根据由所述目标用户定位数据确定的逗留时间参数，对标准时间预测模型进行训练，生成与所述目标场所对应的拥挤度预测模型。

10.根据权利要求9所述的装置，其特征在于，还包括：目标场所定位数据获取模块，用于：

在与目标场所对应的目标场所定位数据中，获取与流动人员对应的目标用户定位数据之前，获取至少两个用户的历史定位请求数据中包括的定位点的地理位置信息；

获取地理位置信息位于所述目标场所的地理位置范围内的历史定位请求数据作为所述目标场所定位数据。

11.根据权利要求9所述的装置，其特征在于，所述目标用户定位数据获取模块包括：

用户定位数据获取单元，用于将所述目标场所定位数据按照用户标识进行分类，获取与不同用户分别对应的用户定位数据；

用户区间定位数据划分单元，用于将与各用户分别对应的用户定位数据，划分为不同时间单元下的用户区间定位数据；

逗留时间确定单元，用于根据所述用户区间定位数据，确定各用户在不同时间单元下，在所述目标场所中的逗留时间；

流动人员数据获取单元，用于根据所述逗留时间识别所述用户中的流动人员，并获取与所述流动人员对应的目标用户定位数据。

12.根据权利要求11所述的装置，其特征在于，所述逗留时间确定单元，具体用于：

获取目标用户在目标时间单元下的区间定位数据作为当前处理定位数据；

根据离开置信度衰减规则以及所述当前处理定位数据中的各定位时间点，获取所述离开置信度衰减至设定衰减值时的标志时间点；

根据所述标志时间点，逆推所述目标用户离开所述目标场所的离开时间点；

根据所述定位时间点，获取与所述离开时间点对应的所述目标用户抵达所述目标场所的抵达时间点；

根据所述抵达时间点以及所述离开时间点，确定所述目标用户在所述目标时间单元下，在所述目标场所的逗留时间。

13.根据权利要求11所述的装置，其特征在于，所述流动人员数据获取单元，具体用于：

根据各用户在不同时间单元下，在所述目标场所中的逗留时间，绘制与各用户对应的逗留时间曲线；

根据与各用户对应的逗留时间曲线的曲线特征，筛除所述用户中的误定位人员以及常驻人员；

将筛除处理后的用户作为所述流动人员。

14.根据权利要求11所述的装置，其特征在于，所述拥挤度预测模型生成模块，具体用于：

将所述目标场所下，与各所述流动人员分别对应的不同时间单元下的逗留时间作为训练样本；

将各训练样本分别输入至所述标准时间预测模型中进行训练；

将训练结束后的所述标准时间预测模型，作为与所述目标场所对应的拥挤度预测模型。

15.根据权利要求9-14任一项所述的装置，其特征在于，所述目标场所包括医院，所述流动人员包括门急诊患者。

16.一种场所拥挤度预测装置，其特征在于，包括：

样本输入模块，用于将目标场所在设定时间区间内，与各流动人员分别对应的不同时间单元下的逗留时间作为输入样本输入至场所拥挤度预测模型中；

其中，所述场所拥挤度预测模型由与目标场所对应的流动人员的用户定位数据确定的逗留时间参数训练标准时间预测模型生成；

预测结果提供模块，用于将所述场所拥挤度预测模型的输出结果提供给用户，其中，所述输出结果包括：不同预测时间点进入所述目标场所的不同逗留时间范围的流动人员数量的预测值。