CN108388852B - 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
- CN108388852B CN108388852B CN201810135804.0A CN201810135804A CN108388852B CN 108388852 B CN108388852 B CN 108388852B CN 201810135804 A CN201810135804 A CN 201810135804A CN 108388852 B CN108388852 B CN 108388852B
- Authority
- CN
- China
- Prior art keywords
- data
- inflow
- time
- outflow
- historical
- 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.)
- Active
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (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。该方法包括:将待测区域划分为多个栅格,获取每个栅格的历史流入时间序列数据和历史流出时间序列数据;对历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个栅格的流入时空序列数据和流出时空序列数据;根据流入时空序列数据、流出时空序列数据和第一预设时间窗口,确定流入时间切片数据和流出时间切片数据;基于深度学习模型,分别训练流入时间切片数据和流出时间切片数据,确定流入预测数据和流出预测数据;根据流入预测数据和流出预测数据,确定每个栅格的人群密度。本发明实施例根据时间特征和空间特征进行预测,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每个子区域的人流量数据,根据区域空间特征进行深度学习,预测区域的人员密度。然而,基于区域的预测方法仅考虑“空间”数据特征,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:
将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;
对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;
根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;
基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;
根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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,用于将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;
卷积模块,用于对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;
提取模块,用于根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;
训练模块,用于基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;
预测模块,用于根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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:将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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:将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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,通过区域栅格化,对栅格进行深度卷积运算,提取区域空间特征,分别从流入序列数据和流出序列数据进行人群密度预测,较全面的保留空间数据特征,通过时间切片,减少数据量,提高运算时效,应用深度学习模型分别训练流入时间切片数据和流出时间切片数据,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待测区域栅格化示意图;
图3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4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、将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;
具体地,首先将待测区域R划分为I*J个栅格,其中,I表示栅格的总行数,J表示栅格的总列数,每个栅格标识为grid(i,j),i∈[1,I],j∈[1,J],其中I和J可以根据经验设置,根据实际情况,不同的待测区域可以划分为不同的I*J个栅格。例如,将A区域划分为10*20个栅格,B区域划分为15*15个栅格等。然后获取待测区域中每个栅格的历史人流量数据,例如获取某一栅格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栅格的历史流入时间序列数据和历史流出时间序列数据。这样,就可以确定待测区域中各个栅格的流入和流出人员的流动数据,相比于只使用固定数据来预测区域人员密度,预测结果更加准确。
步骤S12、对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;
具体地,对每个栅格的历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,提取栅格的空间特征,构建空间特征提取后的每个栅格的流入时空序列数据和流出时空序列数据,这些数据不仅包括了每个栅格的时间信息,还包括了每个栅格的空间信息,将时间信息与空间信息融合,能够进一步提高密度预测的准确度。
步骤S13、根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;
具体地,在实际应用中,流入时空序列数据和流出时空序列数据较多,如果直接使用流入时空序列数据和流出时空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流入时空序列数据,作为第一流入时间切片数据。根据第一预设时间窗口截取一部分流出时空序列数据,作为第一流出时间切片数据。
具体地,首先确定待测区域的每个栅格的流入时空序列数据和流出时空序列数据n为流入时空序列数据的个数,表示每个栅格的流入时空间序列数据,表示每个栅格的流出时空间序列数据,然后根据公式(5)确定第一流入时间切片数据:
步骤S14、基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;
具体地,将第一流入时间切片数据和第一流出时间切片数据分别作为训练集,基于深度学习模型对第一流入时间切片数据和第一流出时间切片数据分别进行训练,将训练结果作为第一流入预测数据和第一流出预测数据这样就可以得到待测区域中每个栅格在未来某个时间段的每个时刻的流入和流出预测数据。
步骤S15、根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
具体地,确定每个栅格的流入和流出预测数据之后,根据下述公式计算每个栅格的人群密度:
通过上述公式就可以确定待测区域中每个栅格的人群密度,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,通过区域栅格化,对栅格进行深度卷积运算,提取区域空间特征,分别从流入序列数据和流出序列数据进行人群密度预测,较全面的保留空间数据特征,通过时间切片,减少数据量,提高运算时效,应用深度学习模型分别训练流入时间切片数据和流出时间切片数据,提高了预测精度。
在上述实施例的基础上,进一步地,所述将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据,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;
根据所述待测区域的经纬度信息,将待测区域划分为多个栅格;
根据所述历史人流量数据,确定每个所述栅格的历史流入时间序列数据和历史流出时间序列数据。
具体地,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将服务小区划分为I*J个栅格,由于MR数据携带终端设备的经纬度信息,因此,通过MR数据可以确定终端某个时刻位于哪个栅格内,这样就可以确定每个栅格的历史流入时间序列数据和历史流出时间序列数据。并且待测区域是均匀划分的,通过I和J可以确定每个栅格的面积。
例如,通过MR数据可以获知,在t时刻栅格grid(i,j)的历史流入数据为56,历史流出数据为30等,这样,就可以得到每个栅格的历史流入时间序列数据和历史流出时间序列数据。例如,栅格grid(1,1)的历史流入时间序列数据为{35,70,...,100},历史流出时间序列数据为{0,25,...,53}。
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中每个栅格的历史流入时间序列数据和历史流出时间序列数据,分别从流入序列数据和流出序列数据进行人群密度预测,较全面的保留空间数据特征,通过时间切片,减少数据量,提高运算时效,应用深度学习模型分别训练流入时间切片数据和流出时间切片数据,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,所述根据所述历史人流量数据,确定每个所述栅格的历史流入时间序列数据和历史流出时间序列数据,包括:
根据公式(1)确定每个栅格的历史流入时间序列数据:
其中,表示每个所述栅格的历史流入时间序列数据,为历史人流量数据中t时刻栅格grid(i,j)的历史流入数据,A为计数函数,∑表示t时刻符合计数条件的人员总数,g(t)为t时刻某个人员所在的栅格坐标,I为待测区域中栅格的总行数,J为待测区域中栅格的总列数;
根据公式(2)确定每个栅格的历史流出时间序列数据:
具体地,图2为本发明实施例提供的待测区域栅格化示意图,如图2所示,将待测区域划分为I*J个栅格,用grid(i,j)标识,若某个用户设备在t时刻的经纬度在栅格grid(i,j)的经纬度范围内,则该用户设备的栅格坐标g(t)=(i,j)。
根据公式(1)确定每个栅格的历史流入时间序列数据:
其中,表示每个栅格的历史流入时间序列数据,为历史人流量数据中t时刻栅格grid(i,j)的历史流入数据,A为计数函数,∑表示t时刻符合计数条件的人员总数,g(t)为t时刻某个人员所在的栅格坐标,I为待测区域中栅格的总行数,J为待测区域中栅格的总列数;
从公式(1)可以看出,t-1时刻不在栅格grid(i,j)内,t时刻在栅格grid(i,j)内的人员总数即为t时刻栅格grid(i,j)的历史流入数据。
根据公式(2)确定每个栅格的历史流出时间序列数据:
从公式(2)可以看出,t-1时刻在栅格grid(i,j)内,t时刻不在栅格grid(i,j)内的人员总数即为t时刻栅格grid(i,j)的历史流出数据。
例如,通过MR数据获知,用户User1在t0时刻的经纬度为(1,3),在t1时刻的经纬度为(1,9),在t2时刻的经纬度为(1,9);用户User2在t0时刻的经纬度为(0,3),在t1时刻的经纬度为(1,9),在t2时刻的经纬度为(1,1);用户User3在t0时刻的经纬度为(1,9),在t1时刻的经纬度为(5,1),在t2时刻的经纬度为(1,9)。待测区域经度信息为0-10,纬度信息为0-10,划分为10*10个栅格,则User1在t0时刻的栅格坐标为(1,3)在t1时刻的栅格坐标为(1,9),在t2时刻的栅格坐标为(1,9),由上面的数据可以看出,t1时刻流入栅格grid(1,9)的用户有User1和User2,则t0时刻,栅格grid(1,9)的流入数据为2。在t1时刻流出栅格grid(1,9)的用户有User3,则t0时刻,栅格grid(1,9)的流出数据为1。
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数据获得待测区域中每个栅格的历史流入时间序列数据和历史流出时间序列数据,分别从流入序列数据和流出序列数据进行人群密度预测,较全面的保留空间数据特征,通过时间切片,减少数据量,提高运算时效,应用深度学习模型分别训练流入时间切片数据和流出时间切片数据,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,所述对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据,包括:
根据公式(3)确定每个所述栅格的流入时空序列数据:
根据公式(4)确定每个所述栅格的流出时空序列数据:
具体地,根据公式(3)确定每个栅格的流入时空序列数据:
其中,为栅格的流入时空序列数据,为每个栅格的历史流入时间序列数据,C为卷积核,卷积核尺度大小可以根据经验设置,例如设置卷积核尺度为3*3;I为待测区域中栅格的总行数,J为待测区域中栅格的总列数,m,n为卷积参数;
根据公式(4)确定每个栅格的流出时空序列数据:
经过卷积处理后,提取栅格的空间特征,构建的训练数据既包含了历史数据中的时间特征,又包含了历史数据中的空间特征,通过时空融合进行预测,更进一步提高了预测精度。
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,通过区域栅格化,对栅格进行深度卷积运算,通过卷积核提取区域空间特征,分别从流入序列数据和流出序列数据进行人群密度预测,较全面的保留空间数据特征,通过时间切片,减少数据量,提高运算时效,应用深度学习模型分别训练流入时间切片数据和流出时间切片数据,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流入时间切片数据和第一流出时间切片数据进行训练,确定第一流入预测数据和第一流出预测数据。
以长短期记忆神经网络为例,得到的第一流入预测数据为:
使用长短期记忆神经网络对第一流出时间切片数据进行训练,得到的第一流出预测数据为:
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,通过深度学习模型训练第一流入时间切片数据和第一流出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,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流入时间切片数据和流出时间切片数据,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,所述方法还包括:
根据所述流入时空序列数据、所述流出时空序列数据和第一预设周期,确定第二流入时间切片数据和第二流出时间切片数据;
基于深度学习模型,分别训练所述第二流入时间切片数据和第二流出时间切片数据,确定第二流入预测数据和第二流出预测数据;
相应地,所述根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度,包括:
根据所述第一流入预测数据、第二流入预测数据、第一流出预测数据和第二流出预测数据,确定每个所述栅格的人群密度。
具体地,由于第一流入时间切片数据只保留了一段流入时空序列数据,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流入时空序列数据中提取周期性的人流量数据,作为第二流入时间切片数据。例如,以24小时为周期,从中截取作为第二流入时间切片数据,这样第二流入时间切片数据就可以保留原始数据中的周期性数据特征。
具体地,在实际应用中,流入时空序列数据较大,为减少计算量,可以从流入时空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,作为第二流入时间切片数据。
例如,待测区域的某个栅格的流入时空序列数据为第二预设时间窗口为200,第一预设周期为7,则根据公式(6)抽取28个数据作为第二流入时间切片数据,即这样抽取的第二流入时间切片数据包含了原始流入时空序列数据的周期性特征。
对第一流入预测数据和第二流入预测数据进行加权平均,作为待测区域各个栅格的流入预测值,其中第一流入预测数据和第二流入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各个栅格在未来某个时间段的每个时刻的流入预测值。
本发明实施例中,对流出时空序列数据的处理方法与流入时空序列数据的处理方法相同,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方法,通过区域栅格化,对栅格进行卷积运算,提取区域空间特征,分别从流入序列数据和流出序列数据进行人群密度预测,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,所述方法还包括:
根据所述流入时空序列数据、所述流出时空序列数据和第二预设周期,确定第三流入时间切片数据和第三流出时间切片数据,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;
基于深度学习模型,分别训练所述第三流入时间切片数据和第三流出时间切片数据,确定第三流入预测数据和第三流出预测数据;
相应地,所述根据所述第一流入预测数据、第二流入预测数据、第一流出预测数据和第二流出预测数据,确定每个所述栅格的人群密度,包括:
根据所述第一流入预测数据、第二流入预测数据、第三流入预测数据、第一流出预测数据、第二流出预测数据和第三流出预测数据,确定每个所述栅格的人群密度。
具体地,第二流入时间切片数据反映的是流入时空序列数据的周期性特征,在实际应用中,还可以从流入时空序列数据中提取第三流入时间切片数据,用以体现流入时空序列数据的趋势性特征。具体地,根据第二预设周期从流入时空序列数据中提取周期性的人流量数据,作为第三流入时间切片数据。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流入时空序列数据的趋势特征。例如采集某个栅格每小时的人流量确定流入时空序列数据,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,从中截取作为第三流入时间切片数据,这样第三流入时间切片数据就可以保留原始数据中的趋势性数据特征。
在实际应用中,流入时空序列数据较大,为减少计算量,可以从流入时空序列数据选取一段时间序列数据,然后再周期性地抽取一部分数据,作为第三流入时间切片数据。
例如,栅格的流入时空序列数据为第二预设时间窗口为2000,第二预设周期为150,则根据公式(7)抽取13个数据作为第二时间切片数据,即这样抽取的第三流入时间切片数据包含了原流入时空序列数据的趋势性特征。
之后,基于深度学习模型,对第三流入时间切片数据进行训练,得到的训练结果作为第三流入预测数据,例如使用长短期记忆神经网络对第三流入时间切片数据进行训练,得到的第三流入预测数据:
然后对第一流入预测数据、第二流入预测数据和第三流入预测数据加权平均,确定待测区域的各个栅格的流入人群预测值。具体地,根据下述公式确定流入人群预测值:
本发明实施例中,对流出时空序列数据的处理方法与流入时空序列数据的处理方法相同,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方法,通过区域栅格化,对栅格进行卷积运算,提取区域空间特征,分别从流入序列数据和流出序列数据进行人群密度预测,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3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3所示,该装置包括:获取模块31、卷积模块32、提取模块33、训练模块34和预测模块35,其中:
获取模块31用于将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;卷积模块32用于对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;提取模块33用于根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;训练模块34用于基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;预测模块35用于根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
具体地,获取模块31将待测区域R划分为I*J个栅格,其中,I表示栅格的总行数,J表示栅格的总列数,每个栅格标识为grid(i,j),i∈[1,I],j∈[1,J],其中I和J可以根据经验设置,根据实际情况,不同的待测区域可以划分为不同的I*J个栅格。然后获取模块31获取待测区域中每个栅格的历史人流量数据,例如获取某一栅格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栅格的历史流入时间序列数据和历史流出时间序列数据。这样,就可以确定待测区域中各个栅格的流入和流出人员的流动数据,相比于只使用固定数据来预测区域人员密度,预测结果更加准确。
卷积模块32对每个栅格的历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,提取栅格的空间特征,构建空间特征提取后的每个栅格的流入时空序列数据和流出时空序列数据,这些数据不仅包括了每个栅格的时间信息,还包括了每个栅格的空间信息,将时间信息与空间信息融合,能够进一步提高密度预测的准确度。提取模块33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流入时空序列数据,作为第一流入时间切片数据。根据第一预设时间窗口截取一部分流出时空序列数据,作为第一流出时间切片数据。
训练模块34将第一流入时间切片数据和第一流出时间切片数据分别作为训练集,基于深度学习模型对第一流入时间切片数据和第一流出时间切片数据分别进行训练,将训练结果作为第一流入预测数据和第一流出预测数据这样就可以得到待测区域中每个栅格在未来某个时间段的每个时刻的流入和流出预测数据。
预测模块35根据下述公式计算每个栅格的人群密度:
通过上述公式就可以确定待测区域中每个栅格的人群密度,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,通过区域栅格化,对栅格进行深度卷积运算,提取区域空间特征,分别从流入序列数据和流出序列数据进行人群密度预测,较全面的保留空间数据特征,通过时间切片,减少数据量,提高运算时效,应用深度学习模型分别训练流入时间切片数据和流出时间切片数据,提高了预测精度。
图4为本发明实施例提供的电子设备的结构示意图,如图4所示,所述设备包括:处理器(processor)41、存储器(memory)42和总线43;
其中,处理器41和存储器42通过所述总线43完成相互间的通信;
处理器41用于调用存储器42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:将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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:将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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:将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度。
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:
将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;
对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;
根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;
基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;
根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度;
所述流入时空序列数据和流出时空序列数据均包括时间信息和空间信息。
2.根据权利要求1所述的方法,其特征在于,所述将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据,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;
根据所述待测区域的经纬度信息,将待测区域划分为多个栅格;
根据所述历史人流量数据,确定每个所述栅格的历史流入时间序列数据和历史流出时间序列数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史人流量数据,确定每个所述栅格的历史流入时间序列数据和历史流出时间序列数据,包括:
根据公式(1)确定每个栅格的历史流入时间序列数据:
其中,表示每个所述栅格的历史流入时间序列数据,Pt in,i,j为历史人流量数据中t时刻栅格grid(i,j)的历史流入数据,A为计数函数,∑表示t时刻符合计数条件的人员总数,g(t)为t时刻某个人员所在的栅格坐标,I为待测区域中栅格的总行数,J为待测区域中栅格的总列数;
根据公式(2)确定每个栅格的历史流出时间序列数据:
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,所述方法还包括:
根据所述流入时空序列数据、所述流出时空序列数据和第一预设周期,确定第二流入时间切片数据和第二流出时间切片数据;
基于深度学习模型,分别训练所述第二流入时间切片数据和第二流出时间切片数据,确定第二流入预测数据和第二流出预测数据;
相应地,所述根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度,包括:
根据所述第一流入预测数据、第二流入预测数据、第一流出预测数据和第二流出预测数据,确定每个所述栅格的人群密度。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述流入时空序列数据、所述流出时空序列数据和第二预设周期,确定第三流入时间切片数据和第三流出时间切片数据,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;
基于深度学习模型,分别训练所述第三流入时间切片数据和第三流出时间切片数据,确定第三流入预测数据和第三流出预测数据;
相应地,所述根据所述第一流入预测数据、第二流入预测数据、第一流出预测数据和第二流出预测数据,确定每个所述栅格的人群密度,包括:
根据所述第一流入预测数据、第二流入预测数据、第三流入预测数据、第一流出预测数据、第二流出预测数据和第三流出预测数据,确定每个所述栅格的人群密度。
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,用于将待测区域划分为多个栅格,获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据;
卷积模块,用于对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算,确定每个所述栅格的流入时空序列数据和流出时空序列数据;
提取模块,用于根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口,确定第一流入时间切片数据和第一流出时间切片数据;
训练模块,用于基于深度学习模型,分别训练所述第一流入时间切片数据和第一流出时间切片数据,确定第一流入预测数据和第一流出预测数据;
预测模块,用于根据所述第一流入预测数据和第一流出预测数据,确定每个所述栅格的人群密度;
所述流入时空序列数据和流出时空序列数据均包括时间信息和空间信息。
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 |
---|---|---|---|
CN201810135804.0A CN108388852B (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 |
---|---|---|---|
CN201810135804.0A CN108388852B (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 (2)
Publication Number | Publication Date |
---|---|
CN108388852A CN108388852A (zh) | 2018-08-10 |
CN108388852B true CN108388852B (zh) | 2021-03-23 |
Family
ID=63075719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810135804.0A Active CN108388852B (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) | CN108388852B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110858954B (zh) * | 2018-08-22 | 2021-07-27 | 中国移动通信集团河北有限公司 | 数据处理方法、装置、设备和介质 |
CN109815867A (zh) * | 2019-01-14 | 2019-05-28 | 东华大学 | 一种人群密度估计和人流量统计方法 |
CN110795521B (zh) * | 2019-10-31 | 2024-04-19 | 中科软智(北京)科技有限公司 | 获取复杂空间的人员分布态势信息的方法和装置 |
CN111126697B (zh) * | 2019-12-24 | 2024-01-23 | 范士喜 | 人员情况预测方法、装置、设备及存储介质 |
CN111144666B (zh) * | 2020-01-02 | 2022-11-29 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
CN111832876B (zh) * | 2020-03-30 | 2024-05-14 | 北京骑胜科技有限公司 | 车辆调度方法、可读存储介质和电子设备 |
CN111611878B (zh) * | 2020-04-30 | 2022-07-22 | 杭州电子科技大学 | 一种基于视频图像的人群计数和未来人流量预测的方法 |
CN111652161A (zh) * | 2020-06-08 | 2020-09-11 | 上海商汤智能科技有限公司 | 人群过密预测方法、装置、电子设备及存储介质 |
CN112861697B (zh) * | 2021-02-03 | 2022-10-25 | 同济大学 | 基于图片自对称性人群计数网络的人群计数方法及装置 |
CN114154696A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 资金流预测方法、系统、计算机设备及存储介质 |
CN115293465B (zh) * | 2022-10-09 | 2023-02-14 | 枫树谷(成都)科技有限责任公司 | 一种人群密度预测方法及系统 |
-
2018
- 2018-02-09 CN CN201810135804.0A patent/CN108388852B/zh active Active
Non-Patent Citations (3)
Title |
---|
Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction;Junbo Zhang;《THIRTY-FIRST AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》;20171231;1-4 * |
DNN-Based Prediction Model for Spatio-Temporal Data;Junbo Zhang;《In ACM SIGSPATIAL》;20161231;1655-1661 * |
Junbo Zhang.DNN-Based Prediction Model for Spatio-Temporal Data.《In ACM SIGSPATIAL》.2016, * |
Also Published As
Publication number | Publication date |
---|---|
CN108388852A (zh) | 2018-08-10 |
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 | |
CN108965826B (zh) | 监控方法、装置、处理设备及存储介质 | |
CN108491310B (zh) | 一种日志监测方法及系统 | |
US20220254161A1 (en) | Real-time crowd measurement and management systems and methods thereof | |
CN115272037B (zh) | 一种基于物联网的智慧城市区域治安管理预警方法和系统 | |
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
US20170286845A1 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
CN109034036A (zh) | 一种视频分析方法、教学质量评估方法及系统、计算机可读存储介质 | |
WO2017202226A1 (zh) | 人群流量的确定方法及装置 | |
CN107086922B (zh) | 一种用户行为识别方法和装置 | |
US20140372172A1 (en) | Method and computer system to forecast economic time series of a region and computer program thereof | |
CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
CA2989281A1 (en) | Method and system for a mobile health platform | |
CN107818133A (zh) | 一种基于大数据的居民区网络能力分析方法及系统 | |
CN109086916A (zh) | 一种基于多源观测数据的对流天气临近预报方法及装置 | |
CN108898533A (zh) | 人口流动数据的获取方法、装置及计算机可读存储介质 | |
CN101764893A (zh) | 基于数据中间层的通信话务波动监控方法 | |
CN106709840B (zh) | 一种基于移动网络数据的城市常住人口估算方法 | |
CN104113869A (zh) | 一种基于信令数据的潜在投诉用户预测方法及系统 | |
CN108345857A (zh) | 一种基于深度学习的区域人群密度预测方法及装置 | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
CN113469587A (zh) | 一种评估气候变化对区域滑坡发生时空影响方法及装置 | |
CN108076235A (zh) | 一种呼叫放弃率预测方法及服务器 | |
CN115641014A (zh) | 基于定位的人员轨迹数据处理方法、装置以及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |