CN108600965B - 一种基于客人位置信息的客流数据预测方法 - Google Patents
一种基于客人位置信息的客流数据预测方法 Download PDFInfo
- Publication number
- CN108600965B CN108600965B CN201810450262.6A CN201810450262A CN108600965B CN 108600965 B CN108600965 B CN 108600965B CN 201810450262 A CN201810450262 A CN 201810450262A CN 108600965 B CN108600965 B CN 108600965B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- flow data
- store
- guest
- area
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Abstract
本发明公开了一种基于客人位置信息的客流数据预测方法,包括以下步骤:(1)客流数据分析:通过移动设备的无线接收信号强度计算移动设备到商店中收集该信号的设备之间的距离,从而确定出不同时刻不同客人的位置信息;根据不同时刻客人的位置变化,判断出客人何时进入商店、何时走出商店,据此计算出一段时间内客流量、入店量、出店量;(2)客流数据预测:将客流量、入店量、出店量作为训练集,训练一个客流数据预测网络模型,实现对未来客流数据的预测;(3)客流数据分析预测:用于构建出图形化的系统界面以展示客流数据。本发明分析出的有价值的客流数据较多、预测客流数据准确度较高,进而实现以可视化界面展示历史、未来客流数据。
Description
技术领域
本发明涉及一种基于客人位置信息的客流数据预测方法,属于客流数据的分析与预测技术领域。
背景技术
客流数据的分析与预测技术在商业领域逐渐占有重要地位,客流数据的真实性和超前预测能力对商业的精细化运营更是起着不可估量的作用。对客流数据的准确预测为商店的精细化运营提供了全方位的数据参考,能够帮助商店帮助发现潜在机会和改进措施,更加有效地提高商店的利润。目前客流数据的分析和预测方式大体上分为两种:基于人工数量统计并预测技术和基于智能视频分析预测技术。
基于人工数量统计客流数据,即由特定工作人员在各个时间段用抽样的方式对商店的客人数量进行统计,从而根据抽样比例计算出每日的客流量,再根据数据的变化规律来预测未来的客流数据。这种方法虽然成本低,但可以分析出的有价值的客流数据较少,且客流数据准确度较低,因此导致预测结果不准确,数据的变化趋势不能较好的反映出来。
基于智能视频分析预测技术是通过借助监控设备使用运动区域检测和追踪算法或者是基于图像特征和机器学习的算法进行客流数据的分析,这种技术对算法的准确度要求过高,并且在客流量较大时靠监控设备难以进行图像的识别,因此,对客流数据预测时准确度较低。
在实际应用中,当客流量较大且商店面积并不大时,无论是人工数量统计预测还是智能视频分析预测,可分析出的有价值的客流数据都较少,预测的准确度也会大打折扣。因此,目前现有的客流数据分析预测技术往往难以满足部分商店的客流分析预测的需求。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于客人位置信息的客流数据预测方法,对于有较大客流的中小型商店,本发明可以分析出的有价值的客流数据较多、预测客流数据准确度较高,进而实现以可视化界面展示历史客流数据和预测的未来客流数据,有效地满足商店对于客流数据分析的需求。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明涉及客人位置信息的分析与提取、客流数据的分析和预测以及可视化系统的构建,具体涉及试图通过分析一定时间内客人相对商店位置信息的变化来研究商店的客流量、入店量、出店量等客流数据,基于历史客流数据对未来一周客流数据进行预测,并构建出图形化的系统界面以展示这些数据。
本发明的一种基于客人位置信息的客流数据预测方法,包括以下步骤:
(1)客流数据分析:根据移动设备的无线接收信号强度,计算移动设备到商店中收集该信号的WIFI探针设备之间的距离,将此距离作为客人到WIFI探针设备之间的距离,从而确定出不同时刻不同客人的位置信息;根据不同时刻客人的位置变化,判断出客人何时进入商店、何时走出商店,据此计算出一段时间内客流量、入店量、出店量;
(2)客流数据预测:将客流量、入店量、出店量作为训练集,训练一个客流数据预测网络模型,实现对未来客流数据的预测;
(3)客流数据分析预测:构建出图形化的系统界面,将分析出的客流数据和预测出的客流数据展示出来。
步骤(1)具体步骤如下:
步骤A,通过收集无线接收信号的WIFI探针设备来收集每个客人的移动设备的信号;
步骤B,根据信号强度计算出客人到WIFI探针设备的距离X,并去除噪声数据和有错误的数据;
步骤C,设置一个数据存储结构,用来记录客人编号、进店时刻和出店时刻三个字段;
步骤D,设WIFI探针设备至店门的距离为D1,D2=D1+L,其中L表示店门前设定的一段距离,距离X<D1表示客人在店内,D1≤X≤D2表示客人在店门前,根据距离X和D1、D2的关系记录下客人的进店时间、出店时间数据。
步骤D具体的方法如下:
每当一个客人的距离X由X<D1变化到X>D1时,说明有客人进入商店,在相应客人编号的进店时刻字段记录下该时刻,每当一个客人的距离X由X>D1变化到X<D1时,说明有客人离开商店,在相应客人编号的出店时刻字段记录下该时刻;由此得出一个时间段内进入商店的客人数量和离开商店的客人数量;
每当一个客人的距离X出现在[D1,D2]范围内时,商店门前客流量加一,从而得出一个时间段商店门前客流量。
步骤(2)具体的方法如下:
步骤E,构造所述客流数据预测网络模型,确定该模型的输入区域、调节区域和输出区域的区域节点数,以及响应函数和训练算法;
步骤F,初始化网络各区域的权值和阈值,即为权值wij和wjk以及阈值θj和αk分别在(0,1)之间赋一个随机初值,用p来表示是第几组客流数据样本,置p=1,用N表示总样本数目;
步骤G,输入第p组客流数据样本,计算各区域的输入值和输出值;
步骤H,计算出第p组客流数据样本输出区域输出值的误差;
步骤I,判断p是否等于N,如果不等,则将令p=p+1并转向步骤G,否则,计算N组客流数据样本输出区域输出值的总误差E;
步骤J,如果总误差大于或等于设定的最小误差值,则调整各区域的权值和阈值,并置p=1,转向步骤G,否则客流数据预测网络模型训练完成。
步骤E中,将调节区域节点数l设置为l=2n+1,其中,n为所述客流数据预测网络模型的输入区域节点数,在训练的过程中通过逐渐增加或减少调节区域节点数目反复试验,对比训练结果,从而确定一个最佳调节区域节点数量的网络结构;
使用S型生长函数作为响应函数,使用误差梯度下降的方法作为训练算法来调节各区域的权值和阈值,进而使训练误差均方值最小化,最终逼近预测网络模型的目标输出值;
网络构造完毕后,使用客流量、入店量、出店量对网络进行训练,输出区域有m个节点,xi表示输入区域的输入值,wij表示输入区域第i个节点到调节区域第j个节点之间的权值,θj表示调节区域第j个节点的阈值,φ(x)表示调节区域的调节函数,wjk表示调节区域第j个节点到输出区域第k个节点之间的权值,αk表示输出区域第k个节点的阈值,ψ(x)表示输出区域的调节函数,yk表示输出区域的输出值,其中,i=1,2,…n,j=1,2,…l,k=1,2,…m。
步骤G中,调节区域第j个节点的客流数据输入值netj(j=1,2,…l)为:
调节区域第j个节点的输出值hj(j=1,2,…l)为
输出区域第k个节点的输入值netk(k=1,2,…m)为
输出区域第k个节点的客流数据输出值yk(k=1,2,…m)为
步骤H中,设Tk为预期客流数据输出值,其中,k=1,2,…m,则对于每一组客流数据样本p的误差Ep为
步骤J中,调节公式如下:
其中,h为调节率。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明基于无线接收信号强度实现对客人的定位,具有较高的实用性和准确性:2、本发明基于历史数据构建预测网络模型的结构和参数,具有较高的准确性,有较好的预测结果;3、本发明采用多种图表形象地展现分析和预测出的数据,提高了观察和分析客流数据的便利性。
附图说明
图1是本发明中基于客人位置信息的客流数据预测方法工作流程图;
图2是本发明中建立客流数据预测网络模型的工作流程图;
图3是本发明中建立的客流数据分析预测系统界面示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明根据移动设备的无线接收信号强度计算出该移动设备到商店中收集该信号的设备之间的距离,将此距离作为客人到收集该信号的设备之间的距离,从而确定出不同时刻不同客人的位置信息。基于客人位置信息的变化,判断客人何时进入商店、何时走出商店,从而计算出客流量、入店量、出店量和停留时间等客流数据,将这些量的历史数据作为训练集,训练一个预测网络模型,进而预测出未来一周的客流数据。建立一个基于此方式的客流数据分析预测系统,从而解决了目前预测客流数据准确度较低等问题。
一种基于客人位置信息的客流数据预测系统,包括客流数据分析模块、客流数据预测模块和客流数据分析预测模块,客流数据分析模块通过移动设备的无线接收信号强度计算出移动设备到商店中收集该信号的设备之间的距离,实现对客人的定位,并据此分析出客流量、入店量、出店量数据;客流数据预测模块通过将客流量、入店量、出店量数据作为训练集,建立一个客流数据预测网络模型,进而预测出未来的客流数据;客流数据分析预测模块用于构建出图形化的系统界面以展示客流数据。
如图1所示,本实施例的客流数据预测方法共包括三个模块:
(1)客流数据分析模块
该模块通过收集无线接收信号的WIFI探针设备来收集每个客人的移动设备的信号,根据信号强度计算出客人到该手机设备的距离X,去除这些数据中的噪声数据和有明显错误的数据。设置一个数据存储结构,用来记录客人编号、进店时刻和出店时刻三个字段。设WIFI探针设备至店门的距离为D1,每当一个客人的X由X<D1变化到X>D1时,说明有客人进入商店,在相应客人编号的进店时刻字段记录下该时刻,每当一个客人的X由X>D1变化到X<D1时,说明有客人离开商店,在相应客人编号的出店时刻字段记录下该时刻。由此便可以得出某个时间段内进入商店的客人数量和离开商店的客人数量。设D2=D1+L,其中L表示店门前的一段距离,该距离因店而异,每当一个客人的X出现在[D1,D2]范围内时,商店门前客流量加一,从而可以得出某个时间段商店门前客流量。
(2)客流数据预测模块
该模块基于历史客流数据预测未来客流数据,将客流量、入店量、出店量等客流数据的历史值作为训练集,建立一个客流数据预测网络模型,进而预测出未来一周的客流数据。
具体的,用于客流数据预测网络模型的构造方法为:
步骤1,确定该预测网络模型的输入区域和输出区域,以过去几个月的的客流数据作为网络的输入输出变量,设定预测周期为7,即按顺序将7天的客流数据作为该网络的输入变量,第8天的客流数据作为输出变量,依次进行滚动式排列,通过历史7天与未来1天的客流数据的非线性映射的实现,达到预测的目的。因此,设定的输入区域有7个区域节点数,输出区域有1个区域节点数。
步骤2,确定调节区域,它是连接网络输入区域和输出区域的重要桥梁,决定着整个网络的结构和性能。将调节区域节点数m设置为m=2n+1,其中,n为输入区域节点数,在训练的在过程中通过逐渐增加或减少节点数目反复试验,对比训练结果,从而确定一个最佳调节区域节点数量的网络结构。
步骤3,确定响应函数和训练算法,使用S型生长函数作为响应函数,发挥其良好的可微性和非线性映射能力,使用误差梯度下降的方法作为训练的算法来调节各区域的权值和阈值,进而使训练误差均方值最小化,最终逼近预测网络模型的目标输出值。
网络构造完毕后便可以使用历史客流数据对网络进行训练,设该客流数据预测网络模型的输入区域有n个节点,调节区域有l个节点,输出区域有m个节点,xi表示输入区域的输入值,wij表示输入区域第i个节点到调节区域第j个节点之间的权值,θj表示调节区域第j个节点的阈值,φ(x)表示调节区域的调节函数,wjk表示调节区域第j个节点到输出区域第k个节点之间的权值,αk表示输出区域第k个节点的阈值,ψ(x)表示输出区域的调节函数,yk表示输出区域的输出值,其中,i=1,2,…n,j=1,2,…l,k=1,2,…m。
参见图2,具体的,该训练的方法为:
步骤1,初始化网络各区域的权值和阈值,即为权值wij和wjk以及阈值θj和αk分别在(0,1)之间赋一个随机初值,用p来表示是第几组客流数据样本,置p=1,用N表示总样本数目。
步骤2,输入第p组客流数据样本,计算各个区域的输入值和输出值。调节区域第j个节点的客流数据输入值netj(j=1,2,…l)为:
调节区域第j个节点的输出值hj(j=1,2,…l)为
输出区域第k个节点的输入值netk(k=1,2,…m)为
输出区域第k个节点的客流数据输出值yk(k=1,2,…m)为
步骤3,计算出第p组客流数据样本输出区域的输出值的误差。设Tk(k=1,2,…m)为预期客流数据输出值,则对于每一组客流数据样本p的误差Ep为
步骤5,如果总误差大于或等于设定的误差最小值,则调整各区域的权值和阈值,调节公式如下:
其中,η为调节率。同时令p=1,转向步骤2,否则,预测客流数据的网络模型训练完成。
(3)客流数据分析预测系统的建立
本系统划分为三个逻辑独立的功能模块:数据采集模块,数据分析模块和数据预测模块。在数据采集模块中,利用收集无线接收信号的设备每秒收集一次数据,将经过去重和去噪音后的数据存入数据库中。在数据分析模块中,从客人和店铺两个角度出发,根据数据库中的记录对诸如客人的入店时长和店铺的客流量、入店量、出店量等指标做出统计分析。在数据预测模块中,将这些量的历史数据作为训练集,训练一个预测网络模型,进而预测出未来一周的客流数据。
据此构建一个具有可视化界面的系统软件,将将这个可视化界面分成三个部分,分别为查询模块、分析模块和预测模块。在查询模块中展示每天收集到的客人信息,同时可以实现对这些信息的增加、修改、删除;分析模块和预测模块分别用表格、柱状图、饼图和折线图四种不同的形式形象地展示分析和预测出的客流数据,该图形化软件的示意图如图3所示。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于客人位置信息的客流数据预测方法,其特征在于,包括以下步骤:
(1)客流数据分析:根据移动设备的无线接收信号强度,计算移动设备到商店中收集该信号的WIFI探针设备之间的距离,将此距离作为客人到WIFI探针设备之间的距离,从而确定出不同时刻不同客人的位置信息;根据不同时刻客人的位置变化,判断出客人何时进入商店、何时走出商店,据此计算出一段时间内客流量、入店量、出店量;
步骤(1)具体步骤如下:
步骤A,通过收集无线接收信号的WIFI探针设备来收集每个客人的移动设备的信号;
步骤B,根据信号强度计算出客人到WIFI探针设备的距离X,并去除噪声数据和有错误的数据;
步骤C,设置一个数据存储结构,用来记录客人编号、进店时刻和出店时刻三个字段;
步骤D,设WIFI探针设备至店门的距离为D1,D2=D1+L,其中L表示店门前设定的一段距离,距离X<D1表示客人在店内,D1≤X≤D2表示客人在店门前,根据距离X和D1、D2的关系记录下客人的进店时间、出店时间数据;
(2)客流数据预测:将客流量、入店量、出店量作为训练集,训练一个客流数据预测网络模型,实现对未来客流数据的预测;
(3)客流数据分析预测:构建出图形化的系统界面,将分析出的客流数据和预测出的客流数据展示出来。
2.根据权利要求1所述的基于客人位置信息的客流数据预测方法,其特征在于,步骤D具体的方法如下:
每当一个客人的距离X由X<D1变化到X>D1时,说明有客人进入商店,在相应客人编号的进店时刻字段记录下该时刻,每当一个客人的距离X由X>D1变化到X<D1时,说明有客人离开商店,在相应客人编号的出店时刻字段记录下该时刻;由此得出一个时间段内进入商店的客人数量和离开商店的客人数量;
每当一个客人的距离X出现在[D1,D2]范围内时,商店门前客流量加一,从而得出一个时间段商店门前客流量。
3.根据权利要求1所述的基于客人位置信息的客流数据预测方法,其特征在于,步骤(2)具体的方法如下:
步骤E,构造所述客流数据预测网络模型,确定该模型的输入区域、调节区域和输出区域的区域节点数,以及响应函数和训练算法;
步骤F,初始化网络各区域的权值和阈值,即为权值wij和wjk以及阈值θj和αk分别在(0,1)之间赋一个随机初值,用p来表示是第几组客流数据样本,置p=1,用N表示总样本数目;
步骤G,输入第p组客流数据样本,计算各区域的输入值和输出值;
步骤H,计算出第p组客流数据样本输出区域输出值的误差;
步骤I,判断p是否等于N,如果不等,则将令p=p+1并转向步骤G,否则,计算N组客流数据样本输出区域输出值的总误差E;
步骤J,如果总误差大于或等于设定的最小误差值,则调整各区域的权值和阈值,并置p=1,转向步骤G,否则客流数据预测网络模型训练完成。
4.根据权利要求3所述的基于客人位置信息的客流数据预测方法,其特征在于,步骤E中,将调节区域节点数l设置为l=2n+1,其中,n为所述客流数据预测网络模型的输入区域节点数,在训练的过程中通过逐渐增加或减少调节区域节点数目反复试验,对比训练结果,从而确定一个最佳调节区域节点数量的网络结构;
使用S型生长函数作为响应函数,使用误差梯度下降的方法作为训练算法来调节各区域的权值和阈值,进而使训练误差均方值最小化,最终逼近预测网络模型的目标输出值;
网络构造完毕后,使用客流量、入店量、出店量对网络进行训练,输出区域有m个节点,xi表示输入区域的输入值,wij表示输入区域第i个节点到调节区域第j个节点之间的权值,θj表示调节区域第j个节点的阈值,φ(x)表示调节区域的调节函数,wjk表示调节区域第j个节点到输出区域第k个节点之间的权值,αk表示输出区域第k个节点的阈值,ψ(x)表示输出区域的调节函数,yk表示输出区域的输出值,其中,i=1,2,…n,j=1,2,…l,k=1,2,…m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450262.6A CN108600965B (zh) | 2018-05-11 | 2018-05-11 | 一种基于客人位置信息的客流数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810450262.6A CN108600965B (zh) | 2018-05-11 | 2018-05-11 | 一种基于客人位置信息的客流数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108600965A CN108600965A (zh) | 2018-09-28 |
CN108600965B true CN108600965B (zh) | 2020-05-22 |
Family
ID=63637298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810450262.6A Active CN108600965B (zh) | 2018-05-11 | 2018-05-11 | 一种基于客人位置信息的客流数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108600965B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726532B (zh) * | 2018-12-22 | 2023-05-26 | 成都毅创空间科技有限公司 | 一种基于人工智能行为预测的安全管理方法 |
CN110148025A (zh) * | 2019-05-22 | 2019-08-20 | 郑州智通互联电子有限公司 | 一种基于大数据的景区智能售票系统 |
CN110337063B (zh) * | 2019-05-31 | 2021-01-08 | 口碑(上海)信息技术有限公司 | 目标用户终端识别方法、装置、存储介质及计算机设备 |
CN111160840B (zh) * | 2019-11-27 | 2023-07-25 | 北京中交兴路信息科技有限公司 | 一种车辆服务站的流量估计方法和系统 |
CN115358492B (zh) * | 2022-10-19 | 2023-03-24 | 通号通信信息集团有限公司 | 客流预测方法、装置和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686601A (zh) * | 2013-12-13 | 2014-03-26 | 汤海峰 | 一种基于Wifi网络的人员密集监控方法及装置 |
CN106228209A (zh) * | 2016-07-21 | 2016-12-14 | 中国地质大学武汉 | 一种基于rfid的公共场合人流量监控方法 |
CN107770721A (zh) * | 2017-10-10 | 2018-03-06 | 东南大学 | 一种旅游交通客流大数据可视化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016057714A1 (en) * | 2014-10-09 | 2016-04-14 | Retail Optimization International, Inc. | Systems and methods for indoor location services |
CN106792456A (zh) * | 2016-12-21 | 2017-05-31 | 浙江省公众信息产业有限公司 | 数据分析系统和方法 |
CN106982411A (zh) * | 2017-03-20 | 2017-07-25 | 华南理工大学 | 一种基于wifi探针数据的实时客流统计方法 |
CN107105412A (zh) * | 2017-06-01 | 2017-08-29 | 深圳市咖讯科技有限公司 | 实体店客流量统计的方法及装置 |
CN107995649A (zh) * | 2017-11-28 | 2018-05-04 | 四川长虹电器股份有限公司 | 通过wifi探针实现考勤打卡或统计人流量的方法与系统 |
-
2018
- 2018-05-11 CN CN201810450262.6A patent/CN108600965B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686601A (zh) * | 2013-12-13 | 2014-03-26 | 汤海峰 | 一种基于Wifi网络的人员密集监控方法及装置 |
CN106228209A (zh) * | 2016-07-21 | 2016-12-14 | 中国地质大学武汉 | 一种基于rfid的公共场合人流量监控方法 |
CN107770721A (zh) * | 2017-10-10 | 2018-03-06 | 东南大学 | 一种旅游交通客流大数据可视化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108600965A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108600965B (zh) | 一种基于客人位置信息的客流数据预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN110164128A (zh) | 一种城市级智能交通仿真系统 | |
CN108491970A (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN110517485B (zh) | 一种基于时段划分的短时交通流预测方法 | |
CN109871876A (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN107085943B (zh) | 一种道路旅行时间短期预测方法和系统 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
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 | |
CN109598935A (zh) | 一种基于超长时间序列的交通数据预测方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN106691440A (zh) | 基于bp神经网络的管制员疲劳检测方法及系统 | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN108877224B (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
CN112562311B (zh) | 基于gis大数据的工况权重因子获取方法及装置 | |
Zhang et al. | Integrating heterogeneous data sources for traffic flow prediction through extreme learning machine | |
CN109190797A (zh) | 一种基于改进k最近邻的大规模路网状态短时预测方法 | |
CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
CN115240418B (zh) | 基于因果门控-低通图卷积网络的短时交通流量预测方法 | |
CN112101132A (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 |
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 |