CN107423742A - 人群流量的确定方法及装置 - Google Patents

Abstract

本发明提供了一种人群流量的确定方法及装置。其中，该方法包括：获取目标基站的位置信息和接入所述目标基站的用户的历史位置信息；将所述历史位置信息和所述位置信息合并处理，并根据合并处理后的结果确定所述目标基站的人群流量。采用上述技术方案，解决了相关技术中，对人群流量的预测方法存在检测结果不准确、成本高等诸多问题，进而不需要视频监控的介入才能实现对人群流量的确定，避免了过高的成本压力。

Description

人群流量的确定方法及装置

技术领域

本发明涉及通信领域，具体而言，涉及一种人群流量的确定方法及装置。

背景技术

公共安全在当前日益得到政府和人民群众的重视和关注，尤其是针对公共场所的密集人群来说，当密度到达一定阈值时，就存在非常大的安全隐患。当前的公共场所人流密度检测的主流方法，还停留在利用视频监控设备对人群进行拍摄，然后对实时视频做识别、分析。以上方法成本较高、对摄像设备的布置位置也有要求、而且存在监控盲区导致人流检测不准确，对后续预测造成不利影响。

针对相关技术中，对人群流量的预测方法存在检测结果不准确、成本高等诸多问题，尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种人群流量的确定方法及装置，以至少解决相关技术中对人群流量的预测方法存在检测结果不准确、成本高等诸多问题。

根据本发明的一个方面，提供了一种人群流量的确定方法，包括：

获取目标基站的位置信息和接入所述目标基站的用户的历史位置信息；将所述历史位置信息和所述位置信息合并处理，并根据合并处理后的结果确定所述目标基站的人群流量。

可选地，根据处理后的结果确定所述目标基站的人群流量之前，所述方法还包括：根据离散点发现技术从合并处理后的结果中筛选出异常点。

可选地，根据离散点发现技术从合并处理后的结果中筛选出异常点，包括：在合并处理后的结果中，将隶属于聚类正常值的结果划分到第一训 练集中，以及将游离于所述聚类正常值之外的结果划分到第二训练集中。

可选地，所述方法还包括:根据所述第一训练集构建初始化模型；利用所述初始化模型对所述第二训练集进行预测，并根据预测结果得到更新后的第二训练集；根据更新后的第二训练集和所述第一训练集得到人群流量的预测模型，其中，将当前时刻所述目标基站的人群流量确定值输入到所述预测模型中，得到所述当前时刻之后的指定时刻的目标基站的人群流量。

可选地，所述目标基站的位置信息至少包括以下之一：用户标识ID、时间戳、目标基站标识ID；

接入所述目标基站的用户的所述历史位置信息至少包括以下之一：目标基站标识ID、目标基站纬度、目标基站经度。

根据本发明的另一个方面，还提供了一种人群流量的确定装置，包括：

获取模块，用于获取目标基站的位置信息和接入所述目标基站的用户的历史位置信息；

处理模块，用于将所述历史位置信息和所述位置信息合并处理；

第一确定模块，用于根据合并处理后的结果确定所述目标基站的人群流量。

可选地，所述装置还包括：筛选模块，用于根据离散点发现技术从合并处理后的结果中筛选出异常点。

可选地，所述筛选模块，还用于在合并处理后的结果中，将隶属于聚类正常值的结果划分到第一训练集中，以及将游离于所述聚类正常值之外的结果划分到第二训练集中。

可选地，所述装置还包括:构建模块，用于根据所述第一训练集构建初始化模型；预测模块，用于利用所述初始化模型对所述第二训练集进行预测；第二确定模块，用于根据预测结果得到更新后的第二训练集；第三确定模块，用于根据更新后的第二训练集和所述第一训练集得到人群流量的预测模型，其中，将当前时刻所述目标基站的人群流量确定值输入到所述 预测模型中，得到所述当前时刻之后的指定时刻的目标基站的人群流量。

可选地，所述目标基站的位置信息至少包括以下之一：用户标识ID、时间戳、目标基站标识ID；

接入所述目标基站的用户的所述历史位置信息至少包括以下之一：目标基站标识ID、目标基站纬度、目标基站经度。

通过本发明，能够根据目标基站的位置信息和接入所述目标基站的用户的历史位置信息确定所述目标基站的人群流量，采用上述技术方案，解决了相关技术中，对人群流量的预测方法存在检测结果不准确、成本高等诸多问题，进而不需要视频监控的介入才能实现对人群流量的确定，避免了过高的成本压力。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的人群流量的确定方法的流程图；

图2是根据本发明实施例的人群流量的确定装置的结构框图；

图3是根据本发明实施例的人群流量的确定装置的另一结构框图；

图4为根据本发明实施例的人群流量的确定方法的流程图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

在本实施例中提供了一种人群流量的确定方法，图1是根据本发明实 施例的人群流量的确定方法的流程图，如图1所示，该流程包括如下步骤：

步骤S102，获取目标基站的位置信息和接入目标基站的用户的历史位置信息；

步骤S104，将历史位置信息和位置信息合并处理，并根据合并处理后的结果确定目标基站的人群流量。

通过上述各个步骤，能够根据目标基站的位置信息和接入目标基站的用户的历史位置信息确定目标基站的人群流量，采用上述技术方案，解决了相关技术中，对人群流量的预测方法存在检测结果不准确、成本高等诸多问题，进而不需要视频监控的介入才能实现对人群流量的确定，避免了过高的成本压力。

实际上，不可能所有的历史数据都是正确完整的，当上述位置信息和历史位置信息不完整时，本发明实施例还提供了以下技术方案：根据处理后的结果确定目标基站的人群流量之前，上述方法还包括：根据离散点发现技术从合并处理后的结果中筛选出异常点，在一个可选示例中，可以通过以下方式筛选出异常点，在合并处理后的结果中，将隶属于聚类正常值的结果划分到第一训练集中，以及将游离于聚类正常值之外的结果划分到第二训练集中，其中，第二训练集中的元素可以理解为是上述异常点。

也就是说，由于基站信令数据是多年积累的结果，并不能保证每个基站区域的历史记录都覆盖全时间段，导致数据存在大量残缺；如果将残缺数据直接丢弃，则宝贵的数据资产将不能得到充分利用，同时训练出的模型准确率也会相应降低，采用本发明上述实施例的提供的技术方案，能够有效利用不完整残缺的数据。

本发明实施例的技术方案还可以对未来某一时刻的人群流量值进行预测，主要通过以下方案实现：根据第一训练集构建初始化模型；利用初始化模型对第二训练集进行预测，并根据预测结果得到更新后的第二训练集；根据更新后的第二训练集和第一训练集得到人群流量的预测模型，其中，将当前时刻目标基站的人群流量确定值输入到预测模型中，得到当前 时刻之后的指定时刻的目标基站的人群流量，该部分的技术方案以下将结合优选实施例进行说明，此处不再赘述。

可选地，目标基站的位置信息至少包括以下之一：用户标识ID、时间戳、目标基站标识ID；接入目标基站的用户的历史位置信息至少包括以下之一：目标基站标识ID、目标基站纬度、目标基站经度。

通过上述技术方案，利用运营商手机信令数据对重点地段人群进行定位，则摆脱了视频监控的高成本，且无需采用高性能的计算设备进行视频分析、更没有监控死角，是当前最为有效的人群态势感知手段，具备了高准确率预测的基础，同时还能够对重点地段的人群密度能够提前预测、从而进一步提前布置，防范于未然。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

实施例2

在本实施例中还提供了一种人群流量的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2是根据本发明实施例的人群流量的确定装置的结构框图，如图2所示，该装置包括：

获取模块20，用于获取目标基站的位置信息和接入所述目标基站的用 户的历史位置信息；

处理模块22，用于将所述历史位置信息和所述位置信息合并处理；

第一确定模块24，用于根据合并处理后的结果确定所述目标基站的人群流量。

通过本发明上述各个模块的综合作用，能够根据目标基站的位置信息和接入所述目标基站的用户的历史位置信息确定所述目标基站的人群流量，采用上述技术方案，解决了相关技术中，对人群流量的预测方法存在检测结果不准确、成本高等诸多问题，进而不需要视频监控的介入才能实现对人群流量的确定，避免了过高的成本压力。

图3是根据本发明实施例的人群流量的确定装置的另一结构框图，如图3所示，上述装置还包括：

筛选模块26，用于根据离散点发现技术从合并处理后的结果中筛选出异常点。

可选地，筛选模块26，还用于在合并处理后的结果中，将隶属于聚类正常值的结果划分到第一训练集中，以及将游离于所述聚类正常值之外的结果划分到第二训练集中。

如图3所示，上述装置还包括:构建模块28，用于根据所述第一训练集构建初始化模型；预测模块30，用于利用所述初始化模型对所述第二训练集进行预测；第二确定模块32，用于根据预测结果得到更新后的第二训练集；第三确定模块34，用于根据更新后的第二训练集和所述第一训练集得到人群流量的预测模型，其中，将当前时刻所述目标基站的人群流量确定值输入到所述预测模型中，得到所述当前时刻之后的指定时刻的目标基站的人群流量。

可选地，目标基站的位置信息至少包括以下之一：用户标识ID、时间戳、目标基站标识ID；接入所述目标基站的用户的所述历史位置信息至少包括以下之一：目标基站标识ID、目标基站纬度、目标基站经度。

为了更好的理解上述人群流量的确定方法，以下结合优选实施例进行 说明，但不用于限定本发明实施例。

优选实施例1

本发明所阐述的技术方案分为4个步骤阶段，图4为根据本发明实施例的人群流量的确定方法的流程图，如图4所示，包括以下阶段：

数据准备阶段：将现有的历史信令数据和基站地理位置数据进行汇聚，具体来说利用基站编号Cell ID，将以上两种数据进行连接，并进一步获取形如“某年-某月-某日-某时间段”，进入/停留在某基站范围内的人流统计值。

数据处理阶段：以上汇聚结果并不一定完全符合实际情况，因为运营商信令数据的日志记录受到各种情况影响，可能存在某些用户切换、位置定时上报信令的残缺。具体来说，就是由于历史数据不完整，存在部分“某些基站点的人流统计值远远低于其周边基站同期统计值/前期统计值；以及某些基站点的人流统计值远低于其前后时段的统计值”的现象，以上数据不能反应人群流动的真实情况，直接进行训练得出的将是不准确的模型。而直接抛弃这些时空切片的统计数据，一来浪费了数据资源，二来模型将缺少足够数据支撑，同样也不准确。本发明优选实施例利用离群点发现技术将这些异常点找出，进行标示，以备下一阶段有选择性地利用。具体来说，利用聚类技术将“某时间段-某地点的人流统计值”进行聚类，隶属于各个聚类的正常值直接放入TrainingSet训练集(相当于上述实施例的第一训练节)、游离于各个聚类之外的异常值被放入AbnormalSet辅助训练集(相当于上述实施例的第二训练集)。

模型构建阶段：

1)利用TrainingSet训练集的样本，通过机器学习方法构建初始化预测模型Flow_Model0，并计算模型的拟合指标R；Flow_Model0的形式为：

y＝X^TW(公式1)

其中，X是输入特征的向量形式，W是对应特征的权重向量，y指的是当特定输入X、模型参数为W的时候，目标区域人流量的期望值。

2)迭代执行如下循环，直到R指标不再提升：

利用当前模型Flow_Model0对AbnormalSet做出预测，用预测值代替AbnormalSet中原有因变量y，与原有TrainingSet合并构造最新训练集TrainingAllSet.

利用TrainingAllSet训练集的样本，通过机器学习方法构建预测模型,更新到Flow_Model0，并计算拟合系数R.

将最后得到的模型Flow_Model0命名为Flow_Model1。

模型应用阶段：利用Flow_Model对新进入的待预测数据进行预测，根据当前时刻、目标位置周边的人流统计值，求出未来某时刻、目标位置的人群流量值。

与现有技术相比，本发明优选实施例不需要视频监控介入，避免了过高的成本压力；能够处理残缺的信令历史数据，保护了数据资产、同时能够提高预测的精度，克服了现有视频监控流量计数技术的视觉盲点、以及传统运营商手机历史信令记录部分缺失导致的负面影响，提出了一种利用运营商手机信令数据对公共场所人群流量进行预测的方法。该技术可以在训练数据有残缺的情况下依旧良好工作，帮助城市管理者对城市重点区域的人流密度实现提前预判。为城市公共安全、大型活动组织等提供数据支撑。

优选实施例2

在介绍本发明优选实施例2的技术方案之前，先对以下技术术语进行说明：

定义聚簇质心C-Center：某批多元数据集合的几何中心点

定义点-聚簇距离:在多维空间中，某点与某聚簇质心的欧氏距离

定义聚簇半径：某聚簇中各点到质心的平均欧式距离

定义某远离某聚簇：某点与该聚簇的距离大于其3倍半径

定义离群点：某点与所有聚簇都远离

定义映射函数S(X),输入参数X是m维向量，输出量Y也是m维向量。

令Xi为向量X的第i分量，Yi为向量Y的第i分量,则存在映射关系：Yi＝Xi

定义两个k维向量W(1)，W(2)的距离distance(W(1)，W(2)),

其中W(1)j和W(2)j分别是两个向量的第j分量值：

定义两个k维向量W(1)，W(2)“近似相等”条件：

distance(W(1)，W(2))＜ε

其中ε是外部定义的一个很小的浮点数。

令历史数据有m条训练样本，每条样本有n个特征，其形式为：

其中，x_ij表示第i历史训练数据样本的第j特征值，Y_i表示第i训练数据样本的统计值。

模型判定系数R：用来衡量训练出的模型性能。令训练集的行数为n；令Y为训练集的实际因变量向量，则Y_k对应就是它的每个分量；令Z为训练集作用在现有模型上预测出的结果变量，则Z_k对应就是它的每个分量。令则R的计算公式为：

具体实施步骤如下：

步骤101、将运营商提供了用户位置更新数据(包含用户ID，时间戳，基站ID)和基站的位置数据(基站ID，基站经度，基站纬度)进行关联，将用户历史位置信息与基站地理位置结合，按时间段统计，形成人流空间分布的时间切片，汇总信息作为后续步骤的训练样本集，格式如下：

步骤201、在步骤101工作完成后，由于运营商数据历史信令记录不定完备，以及存在信令基站漂移的固有技术问题，可能存在异常数据。因此本方案利用离群点发现技术将这些异常点找出，进行标示，以备下一阶段有选择性地利用。具体的：

利用外部业务知识设置参数k，这里将k设置为5。

随机选择k个对象，并且所选择的每个对象都代表一个组的初始均值或初始的组中心值；对剩余的每个对象，根据其与各个组初始均值的欧式距离，将它们分配给最近的(最相似)小组；然后，重新计算每个小组新的均值。

以上过程不断重复，质心逐渐向最合适的位置靠拢；直到各组质心变化趋向为0，此时到达稳态：所有的对象在K组分布中都找到离自己最近的组，完成聚类；求出每个聚簇的质心和半径。

重新遍历历史数据集，如果其与所有聚簇都远离(距离质心超过3倍半径)，则认为是离群点，构造出数据集AbnormalSet1；非离群点构造出训练数据集TrainingSet.

将海量时空统计数据去除因变量属性“人流计数值”，重复以上前述过程，构造数据集AbnormalSet2。

最后将数据集AbnormalSet1和AbnormalSet2集合求交，获得离群数据集AbnormalSet，这部分数据可以供下一阶段训练训练使用。

步骤301、步骤201完成后，首先利用正常样本训练集TrainingSet构建初始化模型Flow_Model0，具体的：

初始化循环计数器k＝0；记W(k)为第k轮循环后的权重向量W。

初始化训练步长参数α＝0.1；记α(k)为第k轮循环后的步长参数。

初始化训练衰减λ参数(＝0.95)。

对n+1维权重向量W进行初始化:对每个权重分量Wi生成(0，1)之间的随机数并赋值，此时W记为W(0)。

进入循环，循环跳出条件为：循环执行次数大于外部参数t，或者之前连续3次循环，W(k-2)、W(k-1)、W(k)都彼此“近似相等”：

通过如下公式迭代计算W(k+1)：

Wn+1,1(k+1)＝Wn+1,1(k)+α(k)*Xn+1,mT*(Ym,1-(Xm,n+1*Wn+1,1(k)))(公式2)

通过如下公式迭代计算α(k+1)：

α(k+1)＝α(k)×λk (公式3)

跳出循环后的W(k)作为训练结果Whistory,α(k)作为最后步长参数αhistory。

在TrainingSet上,基于当前模型(参数即为Whistory)和公式4，计算判定系数Rtraining.。

步骤302、利用AbnormalSet的未完整数据的内部分布特征提升Flow_Model0模型的准确性，具体的：

对AbnormalSet中的每一条训练数据Xabnormal，利用现有模型给出预测值ypredicti,将<Xabnormal,ypredicti>作为新的训练样本，将该样本放入TrainingSet.

在新的TrainingSet，利用步骤301描述的方法进行训练，得出新的判定系数Rnew，如果Rnew>Rtraining,将<Xabnormal,ypredicti>放入样本集NewSet.

在遍历全部AbnormalSet后，将NewSet与TrainingSet重新合并，再次利用步骤301描述的方法，形成最后的模型Flow_Model1。

步骤401、系统上线后，对于新观测数据(记为向量X)，代入训练好的模型Flow_Model1中的参数向量W，利用公式1求出目标基站区域的人流期望值。对较大区域(面积大于某一基站覆盖区域)进行人流预测 时，只要将该区域所在的多个基站人流期望值进行相加即可。

综上所述，本发明实施例达到了以下技术效果：不需要视频监控介入，避免了过高的成本压力；能够处理残缺的信令历史数据，保护了数据资产、同时能够提高预测的精度，克服了现有视频监控流量计数技术的视觉盲点、以及传统运营商手机历史信令记录部分缺失导致的负面影响。

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，获取目标基站的位置信息和接入所述目标基站的用户的历史位置信息；

S2，将所述历史位置信息和所述位置信息合并处理；

S3，根据合并处理后的结果确定所述目标基站的人群流量。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，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结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精 神和原则之内，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 (10)

1.一种人群流量的确定方法，其特征在于，包括：

获取目标基站的位置信息和接入所述目标基站的用户的历史位置信息；

将所述历史位置信息和所述位置信息合并处理，并根据合并处理后的结果确定所述目标基站的人群流量。

2.根据权利要求1所述的方法，其特征在于，根据处理后的结果确定所述目标基站的人群流量之前，所述方法还包括：

根据离散点发现技术从合并处理后的结果中筛选出异常点。

3.根据权利要求2所述的方法，其特征在于，根据离散点发现技术从合并处理后的结果中筛选出异常点，包括：

在合并处理后的结果中，将隶属于聚类正常值的结果划分到第一训练集中，以及将游离于所述聚类正常值之外的结果划分到第二训练集中。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括:

根据所述第一训练集构建初始化模型；

利用所述初始化模型对所述第二训练集进行预测，并根据预测结果得到更新后的第二训练集；

根据更新后的第二训练集和所述第一训练集得到人群流量的预测模型，其中，将当前时刻所述目标基站的人群流量确定值输入到所述预测模型中，得到所述当前时刻之后的指定时刻的目标基站的人群流量。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标基站的位置信息至少包括以下之一：用户标识ID、时间戳、目标基站标识ID；

接入所述目标基站的用户的所述历史位置信息至少包括以下之一：目标基站标识ID、目标基站纬度、目标基站经度。

6.一种人群流量的确定装置，其特征在于，包括：

获取模块，用于获取目标基站的位置信息和接入所述目标基站的用户的历史位置信息；

处理模块，用于将所述历史位置信息和所述位置信息合并处理；

第一确定模块，用于根据合并处理后的结果确定所述目标基站的人群流量。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

筛选模块，用于根据离散点发现技术从合并处理后的结果中筛选出异常点。

8.根据权利要求7所述的装置，其特征在于，所述筛选模块，还用于在合并处理后的结果中，将隶属于聚类正常值的结果划分到第一训练集中，以及将游离于所述聚类正常值之外的结果划分到第二训练集中。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括:

构建模块，用于根据所述第一训练集构建初始化模型；

预测模块，用于利用所述初始化模型对所述第二训练集进行预测；

第二确定模块，用于根据预测结果得到更新后的第二训练集；

第三确定模块，用于根据更新后的第二训练集和所述第一训练集得到人群流量的预测模型，其中，将当前时刻所述目标基站的人群流量确定值输入到所述预测模型中，得到所述当前时刻之后的指定时刻的目标基站的人群流量。

10.根据权利要求6-9任一项所述的装置，其特征在于，所述目标基站的位置信息至少包括以下之一：用户标识ID、时间戳、目标基站标识ID；

接入所述目标基站的用户的所述历史位置信息至少包括以下之一：目标基站标识ID、目标基站纬度、目标基站经度。