CN108260087A - 一种基于wiifi长短时记忆的室内人流分布预测方法 - Google Patents

Abstract

本发明涉及一种基于WIIFI长短时记忆的室内人流分布预测方法，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。本发明提出的一种基于WIIFI长短时记忆的室内人流分布预测方法，通过被动式WIFI以及LSTM模型的有机结合，实现不同区域、不同时间段等多种情况的人流分布预测。

Description

一种基于WIIFI长短时记忆的室内人流分布预测方法

技术领域

本发明涉及被动式WIFI定位技术、机器学习方法、深度学习方法，特别是一种基于WIIFI长短时记忆的室内人流分布预测方法。

背景技术

随着经济、科技的高速发展，各类大型建筑纷纷涌现，如大型商场、机场等。这些大型建筑结构复杂、功能多样，能满足人们方方面面的需求，因此每天都有大量的人聚集在这些建筑当中。尽管现在的建筑越来越便捷，但建筑管理方、使用方仍有许多问题亟需解决。如对于商场当中的商铺而言，需要根据人流分布进行一些商业规划，广告宣传也与人流量紧密相关；而对于建筑管理方，除满足消费者的基本使用需求外，仍然需要在建筑节能、安全保障上多下功夫，而这也与人流分布密切相关。因此，如果能够发明一种既能实时采集人流量数据，又能根据现有人流量数据预测未来某一时段某区域的人流量方法，将为建筑的智能化发展做出极大贡献。

目前已有的人流预测方法主要有神经网络、时间序列模型、卡尔曼滤波模型、支持向量回归模型和混合组合模型等。然而上述方法对样本数据的特征选择都是基于一定的先验知识，不能充分地挖掘出数据的本质特征，例如神经网络、支持向量回归等预测模型等均属于浅层模型，在有限的样本和计算单元的条件下，对复杂函数的表达能力有限，泛化能力受到了限制。人流量本身就是一个复杂的量，与众多因素相关，如一个区域内的人流不仅与该区域过去、当前的人流有关，还与周边区域的过去、未来人流有关，因此无法应用现有的模型对未来人流作出一个较为准确的预测。

近年来深度学习作为一种新的机器学习方法开始受到研究人员和商业人士的高度关注。深度学习结构是一个包含多隐层的多层感知器，通过学习一种深层的非线性网络结构来实现复杂函数的逼近。针对大数据，深度学习能够通过底层的特征组合，抽象高层特征来实现数据的分布式表示，从而可以更好地刻画出数据的本质特征。长短期记忆人工神经网络（Long-Short Term Memory:LSTM）是一种改进的时间循环神经网络（RecurrentNeural Networks：RNN），LSTM由于具有长时间记忆历史数据和自动确定最佳的历史时滞的处理时间序列的能力因此适用于预测人流分布。

发明内容

本发明的目的在于提供一种基于WIIFI长短时记忆的室内人流分布预测方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于WIIFI长短时记忆的室内人流分布预测方法，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。

在本发明一实施例中，所述WIFI探测单元包括若干个设置于所述室内场所待检测位置的WIFI探测器。

在本发明一实施例中，所述WIFI探测器采用路由器。

在本发明一实施例中，所述人流数据包括：WIFI设备MAC地址、个体（X，Y）位置数据以及采样时间。

在本发明一实施例中，所述WIFI设备MAC地址分别对应一个个体；所述个体（X，Y）位置数据通过探测WIFI设备的RSSI值，并结合定位算法获取；所述采样时间为通过所述WIFI探测单元对所述WIFI设备MAC地址以及所述个体（X，Y）位置数据采样的时间，且为1min。

在本发明一实施例中，所述LSTM预测单元包括：周总人流预测模型、日总人流预测模型、周区域人流预测模型、日区域人流预测模型、时区域人流预测模型、周区域流向预测模型、日区域流向预测模型以及时区域流向预测模型。

在本发明一实施例中，对于进入每个预测模型的数据训练之前，建立一训练样本空间。

在本发明一实施例中，将采集的人流数据按照不同区域不同时间的个体数、不同流向不同时间的个体数建立表，并存储于所述训练样本空间。

在本发明一实施例中，滑动保存每个预测模型所建立的训练样本空间中的数据，每个样本空间的存储空间大小为预设，当采集到最新的样本数据时，剔除存储时间大于预设时间阈值的样本数据，采用最新的样本数据，以在预测的同时不断的训练对应的模型。

在本发明一实施例中，从所述数据库中提取一个月的样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，每天扣除重复计算的MAC地址；再将处理过的样本数据送入所述周总人流预测模型训练，获取未来一周内周一到周天7天的人流量预测；

从所述数据库中提取一周的样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述日总人流预测模型训练，获取未来一天内0时到23时的人流量预测；

从所述数据库中提取该区域一个月的样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，每天扣除重复计算的MAC地址；再将处理过的样本数据送入所述周区域人流预测模型训练，获取未来一周内周一到周天该区域的人流量预测；

从所述数据库中提取该区域一周的样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述日区域人流预测模型中训练，获取未来一天内0时到23时该区域的人流量预测；

从所述数据库中提取该区域一天的样本数据，并将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述时区域人流预测模型训练，获取未来一小时内0分到59分该区域的人流量预测；

从所述数据库中提取一个月的流向样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的流向；再将处理过的样本数据送入所述周区域流向预测模型训练，获取未来一周内周一到周天流向预测；

从所述数据库中提取一周的流向样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的流向；再将处理过的样本数据送入所述日区域流向预测模型训练，获取未来一天内0时到23时的流向预测；

从所述数据库中提取一天的流向样本数据，并将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的流向；再将处理过的样本数据送入所述时区域流向预测模型训练，获取未来一小时内0分到59分的流向预测。

相较于现有技术，本发明具有以下有益效果：本发明提出了一种基于WIIFI长短时记忆的室内人流分布预测方法，利用普及的具有WIFI功能的设备，结合被动式WIFI技术采集定位数据，再根据被动式WIFI的定位数据，利用LSTM模型进行人流分布的预测。深度学习当中的LSTM模型能够长时间记忆历史数据，因此能够很好的处理待预测区域过去、未来的人流分布，及周边区域未来、过去的人流分布对该区域未来人流分布的影响。

附图说明

图1为本发明中一种基于WIIFI长短时记忆的室内人流分布预测方法的结构图。

图2为本发明一实施例中STM单元结构图。

图3为本发明一实施例中基于LSTM模型的人流预测框架图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供一种基于WIIFI长短时记忆的室内人流分布预测方法，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。

在本实施例中，如图1所示，涉及设备包括多个WIFI探测器，WIFI探测器包括但不限于路由器。一个用于收发数据的服务器，一个存储数据的数据库，数据库不限于任何关系型数据库。WIFI设备包括但不限于手机。

在本实施例中，数据库内存储有WIFI设备MAC地址、个体的（X,Y）位置数据、采样时间，且通过有线或无线网络从WIFI探测器当中获得这三类数据。WIFI设备MAC地址与智能手机是唯一对应的，相当于一个个体对应一个MAC地址。采样时间以一分钟为最小时间单位，即每隔一分钟对室内的MAC地址、位置数据进行一次采样。

在本实施例中，LSTM预测单元包括：用于预测一周内该室内环境中每天的总体人流量分布周总人流预测模型、用于预测一天内该室内环境中每小时的总体人流量分布日总人流预测模型、用于预测一周内该室内环境中每天的各区域人流量分布周区域人流预测模型、用于预测一天内该室内环境中每小时的各区域人流量分布日区域人流预测模型、用于预测一小时内该室内环境中每分钟的各区域人流量分布时区域人流预测模型、用于预测一周内该室内环境中每天的各区域人流流向周区域流向预测模型、用于预测一天内该室内环境中每小时的各区域人流流向日区域流向预测模型以及用于预测一小时内该室内环境中每分钟的各区域人流流向时区域流向预测模型。

在本实施例中，对于上述LSTM模型，如图2所示，由多个LSTM单元组成。每个LSTM单元包含一个或多个细胞核（Cell），用于描述LSTM单元的当前状态。且每个LSTM单元分别包含输入门（Input gate）、遗忘门（Forget gate）、输出门（Output gate）三个门。三个门的输出分别连接到一个乘法单元上，从而分别控制网络的输入、输出以及 Cell 单元的状态。LSTM单元的工作流程如下：每一个时刻，LSTM 单元通过3 个门接收当前状态 x_t 和上一时刻 LSTM 的隐藏状态 h_t-1 这 2 类外部信息的输入。此外，每一个门还接收一个内部信息输入，即记忆单元的状态 c_t-1。接收输入信息后，每一个门将对不同来源的输入进行运算，并且由其逻辑函数决定其是否激活。输入门的输入经过非线性函数的变换后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状态 c_t。最终，记忆单元状态 c_t 通过非线性函数的运算和输出门的动态控制形成 LSTM 单元的输出 h_t。通过引入“门”的概念，使得LSTM与之前的预测算法比能够学习自身长期的变化规律，且通过对遗忘门的控制，可以对对当前信息有影响的先前信息进行选择、权重划分，因此用在商场等大型室内场所的人流预测更具优越性。

在本实施例中，在室内场所适当位置放置若干个WIFI探测器（包含但不限于路由器），并根据室内场所的空间布局将其划分为N个区域。然后，通过WIFI探测器去获取这N个区域中个体所携带的智能手机的人流数据，主要包括：MAC地址、个体的（X，Y）位置数据以及采样时间。其中，每个MAC地址分别对应一个个体，即统计得多少个MAC地址就相当于有多少个体。个体的（X，Y）位置数据可以通过但不限于探测手机设备的RSSI值，并结合不限于任何一种的定位算法计算得到。此外，通过WIFI探测器获取位置数据的采样时间为1min。最终将获取的MAC地址、（X，Y）位置数据、采样时间等数据作为人流数据，通过有线或无线网络保存在服务器中的关系型数据库中。

如图3所示，将所获取的人流数据送入每个LSTM模型训练之前，先要对这些数据进行预处理，即建立一个训练样本空间。假设采集了某年某月某日某一个小时内的人流数据，采样时间为一分钟，则可以将这些数据按照不同区域不同时间的个体数、不同流向不同时间的个体数列成如表1所示的一个数据样本（X，Y，F分别为不同采样时间时区域、总体、流向的MAC地址数，即个体数）。其中，流向即个体从一个区域走向另一个区域，需根据室内场所的具体区域划分进行设定，如流向1为从区域1流向区域2，流向2为区域1流向区域3，以此类推，注意从区域2流向区域1视为不同的流向。流向可以通过检测MAC地址的轨迹变化获得，且流向的个数m小于等于N！。

表1 不同区域不同流向各个时间人数

在本实施例中，LSTM模型也不是一层不变的，根据不同的预测目的有不同的预测模型，具体情况见表2。为了保证实时准确地预测，每个预测模型的训练样本空间是滑动保存的，即每个样本空间的存储空间是一定的（不同模型固定空间不一样），当采集到最新的样本数据时，最久的样本数据会被剔除，而最新的样本数据会被采用，这样就可达到在预测的同时不断的训练LSTM模型。

表2 模型对照表

其中：

LSTM1：周总人流预测模型，首先它需要从数据库当中提取一个月的样本数据，然后将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，注意每天扣除重复计算的MAC地址，再将处理过的样本数据送入LSTM1模型训练，即可得未来一周周一到周天7天的人流量预测；

LSTM2：日总人流预测模型，首先它需要从数据库当中提取一周的样本数据，然后将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，注意扣除重复计算的MAC地址，再将处理过的样本数据送入LSTM2模型训练，即可得未来一天内0时到23时的人流量预测；

LSTM3：周区域人流预测模型，首先它需要从数据库当中提取该区域一个月的样本数据，然后将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，注意每天扣除重复计算的MAC地址，再将处理过的样本数据送入LSTM3模型训练，即可得未来一周内周一到周天该区域的人流量预测；

LSTM4：日区域人流预测模型，首先它需要从数据库当中提取该区域一周的样本数据，然后将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，注意扣除重复计算的MAC地址，再将处理过的样本数据送入LSTM4模型训练，即可得未来一天内0时到23时该区域的人流量预测；

LSTM5：时区域人流预测模型，首先它需要从数据库当中提取该区域一天的样本数据，然后将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的MAC地址，注意扣除重复计算的MAC地址，再将处理过的样本数据送入LSTM5模型训练，即可得未来一小时内0分到59分该区域的人流量预测；

LSTM6：周区域流向预测模型，首先它需要从数据库当中提取一个月的流向样本数据，然后将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的流向，再将处理过的样本数据送入LSTM6模型训练，即可得未来一周内周一到周天流向预测；

LSTM7：日区域流向预测模型，首先它需要从数据库当中提取一周的流向样本数据，然后将这一周内每天的样本数据分别按0时到23时的顺序统计出总的流向，再将处理过的样本数据送入LSTM4模型训练，即可得未来一天内0时到23时的流向预测；

LSTM8：时区域流向预测模型，首先它需要从数据库当中提取一天的流向样本数据，然后将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的流向，再将处理过的样本数据送入LSTM8模型训练，即可得未来一小时内0分到59分的流向预测。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。

2.根据权利要求1所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述WIFI探测单元包括若干个设置于所述室内场所待检测位置的WIFI探测器。

3.根据权利要求2所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述WIFI探测器采用路由器。

4.根据权利要求1所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述人流数据包括：WIFI设备MAC地址、个体（X，Y）位置数据以及采样时间。

5.根据权利要求4所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述WIFI设备MAC地址分别对应一个个体；所述个体（X，Y）位置数据通过探测WIFI设备的RSSI值，并结合定位算法获取；所述采样时间为通过所述WIFI探测单元对所述WIFI设备MAC地址以及所述个体（X，Y）位置数据采样的时间，且为1min。

6.根据权利要求1所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述LSTM预测单元包括：周总人流预测模型、日总人流预测模型、周区域人流预测模型、日区域人流预测模型、时区域人流预测模型、周区域流向预测模型、日区域流向预测模型以及时区域流向预测模型。

7.根据权利要求6所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，对于进入每个预测模型的数据训练之前，建立一训练样本空间。

8.根据权利要求7所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，将采集的人流数据按照不同区域不同时间的个体数、不同流向不同时间的个体数建立表，并存储于所述训练样本空间。

9.根据权利要求6所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，滑动保存每个预测模型所建立的训练样本空间中的数据，每个样本空间的存储空间大小为预设，当采集到最新的样本数据时，剔除存储时间大于预设时间阈值的样本数据，采用最新的样本数据，以在预测的同时不断的训练对应的模型。

10.根据权利要求6所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于：

从所述数据库中提取一个月的样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，每天扣除重复计算的MAC地址；再将处理过的样本数据送入所述周总人流预测模型训练，获取未来一周内周一到周天7天的人流量预测；

从所述数据库中提取一周的样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述日总人流预测模型训练，获取未来一天内0时到23时的人流量预测；

从所述数据库中提取该区域一个月的样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，每天扣除重复计算的MAC地址；再将处理过的样本数据送入所述周区域人流预测模型训练，获取未来一周内周一到周天该区域的人流量预测；

从所述数据库中提取该区域一周的样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述日区域人流预测模型中训练，获取未来一天内0时到23时该区域的人流量预测；

从所述数据库中提取该区域一天的样本数据，并将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述时区域人流预测模型训练，获取未来一小时内0分到59分该区域的人流量预测；

从所述数据库中提取一个月的流向样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的流向；再将处理过的样本数据送入所述周区域流向预测模型训练，获取未来一周内周一到周天流向预测；

从所述数据库中提取一周的流向样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的流向；再将处理过的样本数据送入所述日区域流向预测模型训练，获取未来一天内0时到23时的流向预测；

从所述数据库中提取一天的流向样本数据，并将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的流向；再将处理过的样本数据送入所述时区域流向预测模型训练，获取未来一小时内0分到59分的流向预测。