CN108345857A - 一种基于深度学习的区域人群密度预测方法及装置 - Google Patents
一种基于深度学习的区域人群密度预测方法及装置 Download PDFInfo
- Publication number
- CN108345857A CN108345857A CN201810133939.3A CN201810133939A CN108345857A CN 108345857 A CN108345857 A CN 108345857A CN 201810133939 A CN201810133939 A CN 201810133939A CN 108345857 A CN108345857 A CN 108345857A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- determining
- time slice
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于深度学习的区域人群密度预测方法及装置。所述方法包括:获取待测区域对应的人流量历史时间序列数据;根据人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练第一时间切片数据和第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据近邻预测数据和第一周期预测数据,确定待测区域的人群预测值;根据待测区域的面积和人群预测值,计算待测区域的人群密度。本发明实施例分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,通过加权系数得到预测结果,提高了预测精度。
Description
技术领域
本发明实施例涉及机器学习技术领域,具体涉及一种基于深度学习的区域人群密度预测方法及装置。
背景技术
随着国民经济的迅速发展,人民生活水平不断提高,大型演唱会、体育比赛或节日庆典等公众群体性聚集活动不断增多。由于区域人群密度突然增加造成的公共安全事件时有发生。为保证公众活动场所的人员安全,保证大型活动的人员交通畅通,对区域人群进行密度预测,用以保障社会公共安全。
现有的人员密度预测方法通过监控视频获取区域内历史时间人流量数据,从全量时间数据中截取“时间窗口”内的时间数据进行深度学习,预测区域未来某个时间段的人员密度。然而,应用时间窗口内的数据作为训练数据进行学习,仅考虑了一段时间内的时间数据,导致预测精度较低。
发明内容
针对现有技术中的缺陷,本发明实施例提供了一种基于深度学习的区域人群密度预测方法及装置。
第一方面,本发明实施例提供一种基于深度学习的区域人群密度预测方法,包括:
获取待测区域对应的人流量历史时间序列数据;
根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;
基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;
根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;
根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
第二方面,本发明实施例提供一种基于深度学习的区域人群密度预测装置,包括:
获取模块,用于获取待测区域对应的人流量历史时间序列数据;
处理模块,用于根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;
训练模块,用于基于深度学习模型,分别对所述第一时间切片数据和所述第二时间切片数据进行学习,确定近邻预测数据和第一周期预测数据;
预测模块,用于根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;
计算模块,用于根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
第三方面,本发明实施例提供一种电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
第四方面,本发明实施例提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下方法:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,提高了预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于深度学习的区域人群密度预测方法流程示意图;
图2为本发明实施例提供的基于深度学习的区域人群密度预测装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的基于深度学习的区域人群密度预测方法流程示意图,如图1所示,该方法包括:
步骤S11、获取待测区域对应的人流量历史时间序列数据;
具体地,首先获取待测区域的历史人流量数据,例如获取某一区域在一段时间内的监控视频,对监控视频进行分析,确定每个时刻的人流量数据,然后将这些人流量数据构建成该区域的人流量历史时间序列数据{N0,N1,...Nt,...Nn-1},其中Nt为t时刻人流量,n为历史人流量数据的个数,例如获取待测区域在一年内每个整点时刻的历史人流量数据,则可以构建人流量历史时间序列数据{N0,N1,...,N8759},其中n=365*24=8760。
步骤S12、根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;
具体地,在实际应用中,人流量历史时间序列数据较多,如果直接使用人流量历史时间序列数据作为训练数据进行训练,将导致计算量非常大,为了减少计算量,可以截取一部分数据。具体地,预先设置第一预设时间窗口,根据第一预设时间窗口截取一部分人流量历史时间序列数据,作为第一时间切片数据。例如,从{N0,N1,...,N8759}中截取{N8000,N8001,...,N8759}作为第一时间切片数据,这样第一时间切片数据就可以保留原始数据中的相邻数据特征。
由于第一时间切片数据只保留了一段人流量数据,无法体现全量数据隐含的周期特征,因此,还可以预先设置第一预设周期,根据第一预设周期从人流量历史时间序列数据中提取周期性的人流量数据,作为第二时间切片数据。例如,以24小时为周期,从{N0,N1,...,N8759}中截取{N0,N23,...,N8736}作为第二时间切片数据,这样第二时间切片数据就可以保留原始数据中的周期性数据特征。
步骤S13、基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;
具体地,将第一时间切片数据作为训练集,基于深度学习模型对第一时间切片数据进行训练,将训练结果作为近邻预测数据,表示待测区域在第一预设时间窗口的人流量预测值,同时基于深度学习模型对第二时间切片数据进行训练,将训练结果作为第一周期预测数据,表示待测区域对应的第一预设周期的周期人流量预测值。
步骤S14、根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;
具体地,对近邻预测数据和第一周期预测数据进行加权累加,作为待测区域的人群预测值,其中紧邻预测数据的权重和第一周期预测数据的权重可以根据经验值确定,这样就可以得到待测区域在未来某个时间段的每个时刻的人群预测值。
步骤S15、根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
具体地,确定待测区域的人群预测值之后,根据下述公式计算待测区域的人群密度:
其中,ρ为预测的待测区域人群密度,为待测区域的人群预测值,S为待测区域的面积。
确定待测区域的人群密度之后,可以根据人群密度门限,确定是否启动公共安全管理措施,从而为待测区域提供保障,避免安全事故的发生。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,提高了预测精度。
在上述实施例的基础上,进一步地,所述获取待测区域对应的人流量历史时间序列数据,包括:
获取待测区域内所有终端设备的测量报告,根据所述测量报告确定所述待测区域对应的历史人流量数据;
根据所述历史人流量数据,确定所述待测区域对应的人流量历史时间序列数据。
具体地,为了更精确地获取待测区域的历史人流量数据,以服务小区为单位,划分不同的待测区域,首先实时获取所有终端设备的测量报告MR数据,MR数据包括终端设备所接入的服务小区标识Cell_ID,由于MR数据是定期上报的,可以根据MR数据确定同一时刻同一服务小区接入的终端设备的数量,将该数量作为该时刻该服务小区的人流量数据。这样通过MR数据就可以确定服务小区对应的历史人流量数据。与通过对监控视频进行分析相比,计算方法简单且准确性更高。然后根据服务小区标识Cell_ID确定服务小区的经纬度信息,根据服务小区的经纬度信息确定待测区域的面积。之后,根据服务小区对应的人流量数据,确定人流量历史时间序列数据。
本发明实施例提供的基于深度学习的区域人群密度预测方法,通过MR数据获得更准确的待测区域的人流量历史时间序列数据,从人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,进一步提高了预测精度。
在上述各实施例的基础上,进一步地,所述根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,包括:
根据公式(1)确定第一时间切片数据:
其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lc为第一预设时间窗口,Nc为第一时间切片数据。
具体地,首先确定待测区域的人流量历史时间序列数据{N0,N1,...Nt,...Nn-1},n为历史人流量数据的个数,然后根据根据公式(1)确定第一时间切片数据:
其中,lc为第一预设时间窗口,Nc为第一时间切片数据,lc可以根据经验预先设置。
例如,待测区域的人流量历史时间序列数据{N0,N1,...,N500},第一预设时间窗口为200,则根据公式(1)选取后面200个数据作为第一时间切片数据,即NC={Nt-200,Nt-199,...,Nt-1},对于不同时刻t,可以得到不同的第一时间切片数据,然后对第一时间切片数据进行训练,就可以确定t时刻的近邻预测数据,从而可以预测待测区域某个时刻的人流量密度。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,进一步提高了预测精度。
在上述各实施例的基础上,进一步地,所述根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据,包括:
根据公式(2)确定第二时间切片数据:
其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lp为第二预设时间窗口,p为第一预设周期,Np为第二时间切片数据。
具体地,在实际应用中,人流量历史时间序列数据较大,为减少计算量,可以从人流量历史时间序列数据中选取一段时间序列数据,然后再周期性地抽取一部分数据,作为第二时间切片数据。
首先确定待测区域的人流量历史时间序列数据{N0,N1,...Nt,...Nn-1},n为历史人流量数据的个数,然后根据根据公式(2)确定第一时间切片数据:
其中,lp为第二预设时间窗口,p为第一预设周期,Np为第二时间切片数据。其中lp和p可以根据经验预先设置。
例如,待测区域的人流量历史时间序列数据{N0,N1,...,Nn-1},第二预设时间窗口为200,第一预设周期为7,则根据公式(2)抽取28个数据作为第二时间切片数据,即这样抽取的第二时间切片数据包含了原始流量历史时间序列数据的周期性特征。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,进一步提高了预测精度。
在上述各实施例的基础上,进一步地,所述深度学习模型包括但不限于:深度全连接网络、深度残差网络或长短期记忆神经网络。
具体地,可以基于深度全连接网络(Deep Fully Connected Neural Network)、深度残差网络(Deep Residuals Network)、长短期记忆神经网络(Long-Short Term MemoryNeural Network)或其他深度学习模型对第一时间切片数据和第二时间切片数据进行训练,确定近邻预测数据和第一周期预测数据。
以长短期记忆神经网络为例,得到的近邻预测数据为:
其中,为近邻预测数据,Wc为第一时间切片数据对应的神经网络连接权值,bc为第一时间切片数据对应的神经网络连接偏置,Fc为第一时间切片数据对应的神经网络映射函数。
使用长短期记忆神经网络对第二时间切片数据进行训练,得到的第一周期预测数据为:
其中,为第一周期预测数据,Wp为第二时间切片数据对应的神经网络连接权值,bp为第二时间切片数据对应的神经网络连接偏置,Fp为第二时间切片数据对应的神经网络映射函数。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,通过深度学习模型训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,进一步提高了预测精度。
在上述各实施例的基础上,进一步地,所述根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据,还包括:
根据所述人流量历史时间序列数据和第二预设周期,确定第三时间切片数据,其中所述第二预设周期大于所述第一预设周期,且所述第二预设周期与所述第一预设周期对应的周期数量级不同;
相应地,所述基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据,还包括:
基于深度学习模型,训练所述第三时间切片数据,确定第二周期预测数据;
相应地,所述根据所述近邻预测数据和所述第一周期预测数据确定所述待测区域的人群预测值,包括:
根据所述近邻预测数据、所述第一周期预测数据和所述第二周期预测数据,确定所述待测区域的人群预测值。
具体地,第二时间切片数据反映的是人流量历史时间序列数据的周期性特征,在实际应用中,还可以从人流量历史时间序列数据中提取第三时间切片数据,用以体现人流量历史时间序列数据的趋势性特征。具体地,根据第二预设周期从人流量历史时间序列数据中提取周期性的人流量数据,作为第三时间切片数据。其中第二预设周期大于第一预设周期,且第二预设周期与第一预设周期对应的周期数量级不同,一般第二预设周期比第一预设周期大一个周期数量级,例如第一预设周期以“日”为周期,则第二预设周期以“周”为周期;第一预设周期以“周”为周期,则第二预设周期以“月”为周期依次类推。由于第二预设周期大于第一预设周期的周期数量级,因此,第二预设周期可以提取历史时间序列数据的趋势特征。例如采集待测区域每小时的人流量确定人流量历史时间序列数据,若第一预设周期为24,则提取的是以天为单位的数据,第二预设周期可以设置为168(24*7),则提取的是以周为单位的数据。例如,以168小时为周期,从{N0,N1,...,N8759}中截取{N0,N167,...,N8736}作为第三时间切片数据,这样第三时间切片数据就可以保留原始数据中的趋势性数据特征。
之后,基于深度学习模型,对第三时间切片数据进行训练,得到的训练结果作为第二周期预测数据,例如使用长短期记忆神经网络对第二时间切片数据进行训练,得到的第二周期预测数据为:
其中,为第二周期预测数据,Wq为第三时间切片数据对应的神经网络连接权值,bq为第三时间切片数据对应的神经网络连接偏置,Fq为第三时间切片数据对应的神经网络映射函数。
然后对近邻预测数据、第一周期预测数据和第二周期预测数据加权累加,确定待测区域的人群预测值。具体地,根据下述公式确定人群预测值:
其中,为人群预测值,Qc、Qp和Qq为加权系数,可以根据经验设置,为近邻预测数据,为第一周期预测数据,为第二周期预测数据。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据、第二时间切片数据和第三时间切片数据,通过深度学习模型训练第一时间切片数据、第二时间切片数据和第三时间切片数据,得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据、第二时间切片数据和第三时间切片数据分别提取时间邻近特征、周期特征和趋势特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,进一步提高了预测精度。
在上述各实施例的基础上,进一步地,所述根据所述人流量历史时间序列数据和第二预设周期,确定第三时间切片数据,包括:
根据公式(3)确定第三时间切片数据:
其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lq为第三预设时间窗口,q为第一预设周期,Nq为第三时间切片数据。
具体地,在实际应用中,人流量历史时间序列数据较大,为减少计算量,可以从人流量历史时间序列数据中选取一段时间序列数据,然后再周期性地抽取一部分数据,作为第三时间切片数据。
首先确定待测区域的人流量历史时间序列数据{N0,N1,...Nt,...Nn-1},n为历史人流量数据的个数,然后根据公式(3)确定第三时间切片数据:
其中,lq为第三预设时间窗口,q为第一预设周期,Nq为第三时间切片数据。其中lq和q可以根据经验预先设置。
例如,待测区域的人流量历史时间序列数据{N0,N1,...,Nn-1},第二预设时间窗口为2000,第二预设周期为150,则根据公式(3)抽取13个数据作为第三时间切片数据,即Nq={Nt-2000*13,Nt-1999*13,...,Nt-1},这样抽取的第三时间切片数据包含了原始流量历史时间序列数据的趋势性特征。
本发明实施例提供的基于深度学习的区域人群密度预测方法,从待测区域的人流量历史时间序列数据中提取第一时间切片数据、第二时间切片数据和第三时间切片数据,通过深度学习模型训练第一时间切片数据、第二时间切片数据和第三时间切片数据,得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据、第二时间切片数据和第三时间切片数据分别提取时间邻近特征、周期特征和趋势特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据、第二时间切片数据和第三时间切片数据,通过加权系数得到预测结果,进一步提高了预测精度。
图2为本发明实施例提供的基于深度学习的区域人群密度预测装置的结构示意图,如图2所示,该装置包括:获取模块21、处理模块22、训练模块23、预测模块24和计算模块25,其中:
获取模块21用于获取待测区域对应的人流量历史时间序列数据;处理模块22用于根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;训练模块23用于基于深度学习模型,分别对所述第一时间切片数据和所述第二时间切片数据进行学习,确定近邻预测数据和第一周期预测数据;预测模块24用于根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;计算模块25用于根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
具体地,获取模块21获取待测区域的历史人流量数据,例如获取某一区域在一段时间内的监控视频,对监控视频进行分析,确定每个时刻的人流量数据,然后将这些人流量数据构建成该区域的人流量历史时间序列数据{N0,N1,...Nt,...Nn-1},其中Nt为t时刻人流量,n为历史人流量数据的个数。
处理模块22预先设置第一预设时间窗口,根据第一预设时间窗口截取一部分人流量历史时间序列数据,作为第一时间切片数据。处理模块22预先设置第一预设周期,根据第一预设周期从人流量历史时间序列数据中提取周期性的人流量数据,作为第二时间切片数据。
训练模块23将第一时间切片数据作为训练集,基于深度学习模型对第一时间切片数据进行训练,将训练结果作为近邻预测数据,表示待测区域在第一预设时间窗口的人流量预测值,同时训练模块23基于深度学习模型对第二时间切片数据进行训练,将训练结果作为第一周期预测数据,表示待测区域对应的第一预设周期的周期人流量预测值。
预测模块24对近邻预测数据和第一周期预测数据进行加权累加,作为待测区域的人群预测值,计算模块25根据下述公式计算待测区域的人群密度:
其中,ρ为预测的待测区域人群密度,为待测区域的人群预测值,S为待测区域的面积。本发明实施例提供的装置,用于实现上述方法,其功能具体参照上述方法实施例,此处不再赘述。
本发明实施例提供的基于深度学习的区域人群密度预测装置,从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据,训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度,通过时间切片减少数据量,提高运算时效,通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征,较全面地保留了人流量历史时间序列数据特征,应用深度学习模型分别训练第一时间切片数据和第二时间切片数据,通过加权系数得到预测结果,提高了预测精度。
图3为本发明实施例提供的电子设备的结构示意图,如图3所示,所述设备包括:处理器(processor)31、存储器(memory)32和总线33;
其中,处理器31和存储器32通过所述总线33完成相互间的通信;
处理器31用于调用存储器32中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的区域人群密度预测方法,其特征在于,包括:
获取待测区域对应的人流量历史时间序列数据;
根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;
基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;
根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;
根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
2.根据权利要求1所述的方法,其特征在于,所述获取待测区域对应的人流量历史时间序列数据,包括:
获取待测区域内所有终端设备的测量报告,根据所述测量报告确定所述待测区域对应的历史人流量数据;
根据所述历史人流量数据,确定所述待测区域对应的人流量历史时间序列数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,包括:
根据公式(1)确定第一时间切片数据:
其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lc为第一预设时间窗口,Nc为第一时间切片数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据,包括:
根据公式(2)确定第二时间切片数据:
其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lp为第二预设时间窗口,p为第一预设周期,Np为第二时间切片数据。
5.根据权利要求1所述的方法,其特征在于,所述深度学习模型包括但不限于:深度全连接网络、深度残差网络或长短期记忆神经网络。
6.根据权利要求1-5任一所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据,还包括:
根据所述人流量历史时间序列数据和第二预设周期,确定第三时间切片数据,其中所述第二预设周期大于所述第一预设周期,且所述第二预设周期与所述第一预设周期对应的周期数量级不同;
相应地,所述基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据,还包括:
基于深度学习模型,训练所述第三时间切片数据,确定第二周期预测数据;
相应地,所述根据所述近邻预测数据和所述第一周期预测数据确定所述待测区域的人群预测值,包括:
根据所述近邻预测数据、所述第一周期预测数据和所述第二周期预测数据,确定所述待测区域的人群预测值。
7.根据权利要求6所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第二预设周期,确定第三时间切片数据,包括:
根据公式(3)确定第三时间切片数据:
其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lq为第三预设时间窗口,q为第一预设周期,Nq为第三时间切片数据。
8.一种基于深度学习的区域人群密度预测装置,其特征在于,包括:
获取模块,用于获取待测区域对应的人流量历史时间序列数据;
处理模块,用于根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;
训练模块,用于基于深度学习模型,分别对所述第一时间切片数据和所述第二时间切片数据进行学习,确定近邻预测数据和第一周期预测数据;
预测模块,用于根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;
计算模块,用于根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133939.3A CN108345857A (zh) | 2018-02-09 | 2018-02-09 | 一种基于深度学习的区域人群密度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133939.3A CN108345857A (zh) | 2018-02-09 | 2018-02-09 | 一种基于深度学习的区域人群密度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108345857A true CN108345857A (zh) | 2018-07-31 |
Family
ID=62959282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810133939.3A Pending CN108345857A (zh) | 2018-02-09 | 2018-02-09 | 一种基于深度学习的区域人群密度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108345857A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111835536A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
CN113496558A (zh) * | 2020-04-03 | 2021-10-12 | 美光科技公司 | 车辆数据记录器中对压倒性刺激的处理 |
WO2021249306A1 (zh) * | 2020-06-08 | 2021-12-16 | 上海商汤智能科技有限公司 | 人群过密预测方法及装置 |
WO2022088677A1 (zh) * | 2020-10-26 | 2022-05-05 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106940790A (zh) * | 2017-03-13 | 2017-07-11 | 重庆文理学院 | 一种人流拥塞预测方法及系统 |
-
2018
- 2018-02-09 CN CN201810133939.3A patent/CN108345857A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN105389980A (zh) * | 2015-11-09 | 2016-03-09 | 上海交通大学 | 基于长短时记忆递归神经网络的短时交通流预测方法 |
CN106940790A (zh) * | 2017-03-13 | 2017-07-11 | 重庆文理学院 | 一种人流拥塞预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
JUNBO ZHANG等: "Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction", 《THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 * |
JUNBO ZHANG等: "DNN-Based Prediction Model for spatio-temporal data", 《PROCEEDINGS OF THE 24TH ACM SIGSPATIAL INTERNATIONAL CONFERENCE ON ADVANCES IN GEOGRAPHIC INFORMATION SYSTEMS》 * |
张洪宾等: "短时交通流复杂动力学特性分析及预测", 《物理学报》 * |
谢凯兵: "基于马尔可夫链组合模型的交通流量长时预测", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111835536A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
CN111835536B (zh) * | 2019-04-16 | 2022-04-05 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
CN113496558A (zh) * | 2020-04-03 | 2021-10-12 | 美光科技公司 | 车辆数据记录器中对压倒性刺激的处理 |
US11562237B2 (en) | 2020-04-03 | 2023-01-24 | Micron Technology, Inc. | Processing of overwhelming stimuli in vehicle data recorders |
WO2021249306A1 (zh) * | 2020-06-08 | 2021-12-16 | 上海商汤智能科技有限公司 | 人群过密预测方法及装置 |
WO2022088677A1 (zh) * | 2020-10-26 | 2022-05-05 | 北京百度网讯科技有限公司 | 建立区域热度预测模型、区域热度预测的方法及装置 |
EP4012581A4 (en) * | 2020-10-26 | 2022-08-24 | Beijing Baidu Netcom Science and Technology Co., Ltd | METHODS AND DEVICES FOR CREATING A REGIONAL HEAT FORECAST MODEL AND REGIONAL HEAT FORECAST |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388852B (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
EP3571809B1 (en) | Method and apparatus for analysing performance of a telecommunications network | |
AU2019100806A4 (en) | Real-Time Crowd Measurement And Management Systems And Methods Thereof | |
CN112258093B (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN108345857A (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
US9953517B2 (en) | Risk early warning method and apparatus | |
US20220139070A1 (en) | Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program | |
CN107742125A (zh) | 预测和防止在结构资产处的不利状况的深度机器学习 | |
CN107070683A (zh) | 数据预测的方法和装置 | |
CN111526119B (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
CN108696529A (zh) | 基于多元信息融合的网络安全态势感知分析系统 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及系统 | |
CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN112835769A (zh) | 一种业务数据异常诊断方法、装置、设备及存储介质 | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
CN111368980A (zh) | 状态检测方法、装置、设备及存储介质 | |
CN113052147A (zh) | 一种行为识别方法及装置 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
CN116723540A (zh) | 一种5g网络数据的质差检测模型训练及质差检测方法 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 | |
CN116719002B (zh) | 定量降水估计方法、装置、电子设备及计算机存储介质 | |
CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
CN112561121A (zh) | 基于手机信令数据的复工趋势预测方法及系统 | |
CN115438885A (zh) | 业务异常波动的检测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180731 |
|
RJ01 | Rejection of invention patent application after publication |