CN109041099B - 人流量预测方法、装置及终端 - Google Patents

人流量预测方法、装置及终端 Download PDF

Info

Publication number
CN109041099B
CN109041099B CN201810706199.8A CN201810706199A CN109041099B CN 109041099 B CN109041099 B CN 109041099B CN 201810706199 A CN201810706199 A CN 201810706199A CN 109041099 B CN109041099 B CN 109041099B
Authority
CN
China
Prior art keywords
prediction
target area
people
time
people flow
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
Application number
CN201810706199.8A
Other languages
English (en)
Other versions
CN109041099A (zh
Inventor
郭逵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
New H3C Big Data Technologies Co Ltd
Original Assignee
New H3C Big Data Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by New H3C Big Data Technologies Co Ltd filed Critical New H3C Big Data Technologies Co Ltd
Priority to CN201810706199.8A priority Critical patent/CN109041099B/zh
Publication of CN109041099A publication Critical patent/CN109041099A/zh
Application granted granted Critical
Publication of CN109041099B publication Critical patent/CN109041099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • H04W4/029—Location-based management or tracking services

Abstract

本公开提供了一种人流量预测方法、装置及终端，涉及预测技术领域，该方法包括：采集目标区域内移动终端发送的无线信号探测请求；根据采集到的所述无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息；其中，所述预测类型包括：人员总数量预测、人员密度预测和人员分布数据预测；根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息；其中，所述预测模型是基于所述目标区域的历史人流量信息训练得到的模型。本公开能够准确可靠地预测人流量信息，有助于提前采取预防措施。

Description

人流量预测方法、装置及终端
技术领域
本公开涉及大数据分析技术领域，尤其是涉及一种人流量预测方法、装置及终端。
背景技术
诸如火车站、公园、商业区等人员密集的公共场所存在着各种各样的安全隐患，因而需要对人员密集的场所进行监控，以便根据人群聚集程度而采取相应措施。在现有技术中，大多通过人工监测公共场所的人流量，然而这种方式不仅需要较高的人力成本，而且得到的人流量已是结果数据，仅能针对当前人流量采取相应措施，而难以评估未来的人流量，不便于提前采取防范措施。
发明内容
有鉴于此，本公开的目的在于提供一种人流量预测方法、装置及终端，无需人工监测便能够准确可靠地预测人流量信息。
为了实现上述目的，本公开实施例采用的技术方案如下：
第一方面，本公开实施例提供了一种人流量预测方法，所述方法包括：采集目标区域内移动终端发送的无线信号探测请求；根据采集到的所述无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息；其中，所述预测类型包括：人员总数量预测、人员密度预测和人员分布数据预测；根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息；其中，所述预测模型是基于所述目标区域的历史人流量信息训练得到的模型。
第二方面，本公开实施例还提供一种人流量预测装置，所述装置包括：请求采集模块，用于采集目标区域内移动终端发送的无线信号探测请求；第一确定模块，用于根据采集到的所述无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息；其中，所述预测类型包括：人员总数量预测、人员密度预测和人员分布数据预测；第二确定模块，用于根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息；其中，所述预测模型是基于所述目标区域的历史人流量信息训练得到的模型。
第三方面，本公开实施例提供了一种智能终端，包括存储器和处理器；所述存储器用于存储支持处理器执行第一方面所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本公开实施例提供了一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现第一方面所述的方法。
本公开实施例提供了一种人流量预测方法、装置及终端，通过目标区域内移动终端发送的无线信号探测请求和预测类型确定当前时间的人流量信息，进而根据该预测类型对应的预测模型和当前时间的人流量信息，确定该目标区域在预测时段内的人流量信息，上述预测类型可以包括人员总数量预测、人员密度预测和人员分布数据预测，可以满足不同的预测需求，同时这种方式通过借助目标区域内的移动终端以及预测模型进行人流量信息预测，准确可靠。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，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示出了本公开实施例所提供的一种人流量预测方法流程图；
图2示出了本公开实施例所提供的一种WiFi探测原理图；
图3示出了本公开实施例所提供的一种人流量预测方法流程图；
图4示出了本公开实施例所提供的一种非平稳时间序列示意图；
图5示出了本公开实施例所提供的经一阶差分后的平稳时间序列示意图；
图6示出了本公开实施例所提供的一种工作日的预测结果示意图；
图7示出了本公开实施例所提供的一种人流量预测装置的结构框图；
图8示出了本公开实施例所提供的一种智能终端的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合附图对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
目前大多采用人工方式监测公共场所人流量，一方面人力成本较高，监测结果并不准确；另一方面难以预测人流量，难以提取采取防范措施。基于此，本公开实施例提供的一种人流量预测方法、装置及终端，该技术可应用于任何需要预测人数的场合，并采用相关的软件或硬件实现，以下对本公开实施例进行详细介绍。
首先，参见图1所示的一种人流量预测方法流程图，该方法可以由智能终端执行，具体包括如下步骤：
步骤S102，采集目标区域内移动终端发送的无线信号探测请求。其中，目标区域即为需要进行人流量监测的区域。
可以理解的是，位于目标区域内的人员大多随身携带有手机等移动终端，而移动终端通常会向外发送无线信号探测请求，以寻找附近可能存在的无线访问接入点(AccessPoint，AP)。移动终端发送的无线信号探测请求具体可以是probe探测帧，probe探测帧中携带有移动终端的MAC地址等信息。
步骤S104，根据采集到的无线信号探测请求和预测类型，确定目标区域内当前时间的人流量信息。其中，该预测类型包括人员总数量预测、人员密度预测和人员分布数据预测等。
预测类型和人流量信息具有对应关系，预测类型不同，需要获取的人流量信息也不同。比如当前预测类型是人员总数量预测，则可以根据采集到的所述无线信号探测请求，确定所述目标区域内当前时间的人员总数量，以当前的人员总数量推测预测时段内的人员总数量。因此具体实施时，可以先确定当前预测类型，基于预测类型获取人流量信息。
作为一种实现方式，预测类型与人流量信息一一对应，即预测类型为人员总数量预测时，人流量信息为人员总数量；预测类型为人员密度预测时，人流量信息为人员密度；人流量信息为人员总数量；预测类型为人员分布数据预测时，人流量信息为人员分布数据。
由于每个人大多都会随身携带有手机等移动终端，人员与移动终端具有对应关系，而移动终端通常会发送无线信号探测请求，由此可以基于采集到的无线信号探测请求推知位于目标区域的人员数量、人员密度、人员分布位置等人流量信息。
步骤S106，根据预测类型对应的预测模型和当前时间的人流量信息，确定目标区域在预测时段内的人流量信息；其中，该预测模型是基于该目标区域的历史人流量信息训练得到的模型。
在具体实施时，可以针对目标区域的历史人流量信息建立相应的预测模型，结合预测模型和当前人流量信息，对未来指定时段内的人流量信息进行预测。诸如，根据某旅游景点最近半年内各周末时段的人流量信息建立周末时段对应的预测模型，然后根据该旅游景点在当前时间的人流量信息以及预测模型，预估从当前时间起的下个周末的人流量信息。
本公开实施例提供的上述人流量预测方法，通过目标区域内移动终端发送的无线信号探测请求和预测类型确定当前时间的人流量信息，进而根据该预测类型对应的预测模型和当前时间的人流量信息，确定该目标区域在预测时段内的人流量信息，上述预测类型可以是人员总数量预测、人员密度预测或人员分布数据预测，可以满足不同的预测需求，同时这种方式通过借助目标区域内的移动终端以及预测模型进行人流量预测，无需人工监测人流量，有效降低了成本。
在采集目标区域内移动终端发送的无线信号探测请求时，可以采用 WiFi探针技术实现，WiFi探针技术是指利用WiFi探针识别周围可连接WiFi 的设备(简称为WiFi设备)，并获取WiFi设备的诸如MAC地址等相关信息。现有的手机、平板电脑等移动终端均属于WiFi设备。其中，WiFi探针相当于AP，能够定时广播，并向四周环境发送Beacon帧，用于通知附近设备的存在。在不连接WiFi的情况下，移动终端也会定时发送probe探测帧(也即，上述无线信号探测请求)，以寻找附近可用的AP；此时相当于 AP的WiFi探针能够采集(截获)probe帧，并收集probe帧携带的MAC 地址、帧类型、信号强度等相关等信息。因此，可通过WiFi探针采集目标区域内移动终端发送的probe探测帧。
为便于理解，具体可参见图2所示的一种WiFi探测原理图，如图2所示，示意出一个WiFi探针正在向周围环境发送Beacon帧，周围环境下的多个WiFi设备也在向外发送probe帧；WiFi设备通过接收到的Beacon帧可感知WiFi探针的存在，WiFi探针通过接收到的probe帧可感知位于该 WiFi探针覆盖范围之内的WiFi设备。
用于执行人流量预测方法的服务器等智能终端可以通过布设于目标区域内的各WiFi探针采集无线信号探测请求，从而基于采集到的无线信号探测请求获知移动终端的数量、分布位置等信息，并进一步分析目标区域内当前时间的人流量信息。
如果侧重于获知目标区域内的人员分布情况，可以考虑到各WiFi探针的布设位置，结合WiFi探针的所在位置分析当前时间的人数、人员分布等信息。具体的，可以根据采集到的无线信号探测请求，统计各个WiFi探针覆盖区域的移动终端数量；如果上述预测类型为人员总数量预测，将各个 WiFi探针覆盖区域的移动终端数量之和作为该目标区域内当前时间的人流量信息，此时的人流量信息具体可以是人员总数量；如果上述预测类型为人员密度预测，将各个WiFi探针覆盖区域的移动终端数量之和除以该目标区域的面积，得到人员密度，将人员密度作为该目标区域内当前时间的人流量信息；如果上述预测类型为人员分布数据预测，将各个WiFi探针覆盖区域的移动终端数量作为WiFi探针所在位置的人员数量，将各个WiFi探针所在位置对应的人员数量作为该目标区域内当前时间的人流量信息，此时的人流量信息为人员分布数据。
在实际应用中，可以在目标区域的不同位置可以分布部署WiFi探针，诸如可以在目标区域的出入口等大多数人会经过的关键位置进行探针布设。用于进行人流量分析的智能终端与各WiFi探针通信，统计各个WiFi 探针所在位置处的移动终端数量；其中，该智能终端可以预先记录有各WiFi 探针的部署位置。根据各WiFi探针所在位置的移动终端数量，即可确定当前出现在各WiFi探针的侦听范围内的人员数量，而且还可以根据WiFi探针位置相应确定人员分布位置等信息。
考虑到无线信号探测请求会携带移动终端的MAC地址，因此上述移动终端数量的具体统计过程可以包括：检查各个WiFi探针采集到的无线信号探测请求中携带的MAC地址，得到每个WiFi探针对应的MAC地址数量；将MAC地址数量作为WiFi探针覆盖区域中的移动终端数量。具体地，可以从某个WiFi探针采集到的各个无线信号探测请求中逐一提取移动终端的 MAC地址，并统计提取出的MAC地址的数量，如果统计过程中有相同的 MAC地址，则按一个MAC地址记录；将统计得到的MAC地址的数量确定为WiFi探针覆盖范围内的移动终端数量。由于每个移动终端都有唯一的 MAC地址，因而根据提取出的MAC地址数量即可确知移动终端的数量，从而确定出该WiFi探针覆盖区域内的人员数量。
考虑到大多公共区域中的人流量通常会受到诸如工作日、周末和法定假日等不同时间类别的影响，以旅游景区为例，在周末或法定假日的人数远远高于在工作日的人数，不同时间类别可能对应的人流量变化趋势不同，因此参见图3所示的一种人流量的预测方法流程图，包括如下步骤：
步骤S302，获取当前时间所属的时间类别，该时间类别可以包括工作日、周末和法定假日等。也即，判断当前时间是属于工作日、周末还是法定假日。目标区域在不同时间类别下的人流量可能差异性较大，预先确定当前时间所属的实际类别，有助于后续合理有效地进行人流量分析。
步骤S304，获取当前时间所属的时间类别和预测类型对应的预测模型；其中，预测模型是根据目标区域在时间类别和预测类型对应的历史人流量信息，按照时间序列分析法预先建立的。
时间序列是按时间顺序排列的一组数字序列，时间序列分析主要是应用数理统计方法对时间序列进行分析，以预测未来事物的发展。具体可基于事物发展的趋势变化、周期性变化和随机性变化，利用过去事物能推测新事物的发展趋势。基于时间序列分析法的原理，可以采用曲线拟合和参数估计(如非线性最小二乘法)对历史随时间发展的数据建立数学模型(预测模型)，以推测数据的未来走势。
在本实施例中，可以预先建立并存储有目标区域在各时间类别对应的预测模型。在按照时间序列分析法建立预测模型时，可以采用观测、调查、统计、抽样等方法取得目标区域的人流量随时间变化的序列数据，例如：以预测人员数量总数为例，假设通过观测某餐饮区域A得到某一天的序列数据：早上9:00-11:00的人员数量总数100人，中午11:00-14:00的人员数量总数200人，下午14:00-17:00的人员数量总数150人，晚上17:00-21:00 的人员数量总数300人。然后根据序列数据作相关图、进行相关分析、以及求自相关函数等数据处理。其中，相关图能显示出数据变化的趋势和周期，并能从中发现跳点和拐点。具体的，跳点是指与其它数据不一致的观测值，如果跳点是正确的观测值，在建模时应考虑进去；如果跳点反常，在建模时应把跳点调整到期望值。拐点是指时间序列从上升趋势突然变为下降趋势的点，如果存在拐点，在建模时需要用不同的模型去分段拟合该时间序列，例如采用门限回归模型。
在建立预测模型的过程中，可以选用合适模型去拟合时间序列的观测数据。对于简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA预测模型(也称ARMA模型或自回归滑动平均模型)及其特殊情况的自回归模型、滑动平均模型或组合 -ARMA预测模型等模型来进行拟合。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再选用合适模型去拟合这个差分序列。
基于上述方式，可以根据目标区域在各时间类别对应的人群聚集历史信息，按照时间序列分析法预先建立各时间类别对应的预测模型。
步骤S306，将当前时间的人流量信息输入上述预测模型，得到目标区域在预测时段内的人流量信息。该预测时段可以由人工设定，诸如未来24h 等。
通过上述方式，借助无线探针技术获得的当前时间的人流量信息，集合预先基于时间序列分析法建立的预测模型，能够准确有效地推测目标区域在预测时段内的人流量。
本实施例给出了一种预测模型的建立过程的具体实施方式，可以参照如下步骤：
(1)根据上述预测类型获取目标区域的训练数据；其中，训练数据为预先获取的目标区域的历史人流量信息；
(2)按照时间类别划分训练数据，并将每个时间类别对应的训练数据转换为时间序列数据；
(3)判断每个时间类别对应的时间序列数据是否为平稳时间序列；诸如，该时间类别可以为工作日、周末和法定假日等；
(4)如果否，通过一阶差分运算将非平稳时间序列转换为平稳时间序列；
(5)获取目标区域的指定时段，根据指定时段所属的时间类别确定指定时段对应的平稳时间序列；
(6)将指定时段对应的平稳时间序列输入至指定时段对应的ARMA 预测模型，得到目标区域在指定时段的预测人流量；
(7)比较所述指定时段的预测人流量信息与预先确定的所述指定时段的实际人流量信息是否匹配，如果否，调整ARMA预测模型，继续使用指定时段对应的平稳时间序列训练调整后的ARMA预测模型，直至指定时段的预测人流量与指定时段的实际人流量匹配，将最终的ARMA预测模型作为所述预测类型对应的预测模型。
为便于理解，以目标区域是图书馆为例，详细介绍建立图书馆对应的预测模型的具体方式：
步骤一:选定原始数据(也即，上述训练数据)，假设当前的预测类型为人员总数量预测，具体可以以该图书馆每小时的人员数量作为原始数据，并将原始数据在R语言中转化为时间序列数据。
步骤二：按照工作日、周末、节假日的时间类别，分别将原始数据转换为各时间类别对应的时间序列数据。
步骤三：分别对工作日、周末和节假日的时间序列数据进行分析，如果时间序列数据为平稳时间序列，如果不是平稳时间序列，采用一阶差分将非平稳时间序列数据转换为平稳时间序列数据(也简称平稳时间序列)。
以工作日的数据分析为例，可以预先设定函数y＝f(x)，式中y对x在非负整数值上有定义，也即，该函数限定自变量x为非负整数，在自变量x 依次取遍非负整数，即x＝0,1,2…时，相应的函数值为f(0)、f(1)、f(2)、 f(3)等，也可以简单记为y0、y1、y2等。当自变量从x变到x+1时，函数y＝f(x)的改变量Δyx＝y(x+1)-y(x)为函数f(x)在点x的一阶差分，通常可记作：Δyx＝yx+1-yx。诸如，可以参见图4所示的一种非平稳时间序列示意图，以及图5所示的经一阶差分后的平稳时间序列示意图。其中，flow表示人流量，time表示时间。图4和图5均表征了图书馆人流量随时间变化的数据序列。
步骤四：选定工作日对应的ARMA预测模型标记为m1_workdayts，周末ARMA预测模型标记为m1_weekendts，小长假ARMA预测模型标记为 m1_holidayts。
步骤五：分别将工作日、周末、节假日对应的平稳时间序列代入至对应的ARMA预测模型进行预测，这里使用工作日对应的平稳时间序列输入至上述m1_workdayts，使用周末对应的平稳时间序列输入至上述 m1_weekendts，使用节假日对应的平稳时间序列输入至上述m1_holidayts，分别得到工作日、周末、节假日对应的下一个时段的预测结果。
其中，ARMA预测模型可以采用如下预测公式实现：
Yt＝β1x1+β2x2+…βpxp+Z；Y是预测对象的观测值，Z为误差，x是自变量，其中β1，β2，…βp,是参数；作为预测对象Yt受到自身变化的影响，其规律可由下式体现：Yt＝β1Yt-1+β2Yt-2+…βpYt-p+Zt；误差项Zt在不同时期具有依存关系，依存关系可表示为：zt＝εt+α1εt-1+α2εt-2+…αqεt--q，因此ARMA预测模型表达式可以为：
Yt＝β0+β1Yt-1+β2Yt-2+…βpYt-p+εt+α1εt-1+α2εt-2+…αqεt--q。
步骤六：将上述ARMA预测模型输出的预测结果与预先确定的该指定时段的实际人员总数量进行对比，如果预测结果和实际人员总数量间的差值大于设定的误差阈值，则说明二者不匹配，调整该ARMA预测模型的参数，继续使用指定时段对应的平稳时间序列训练该ARMA预测模型，训练的过程也就是将平稳时间序列输入ARMA预测模型，根据输出的预测结果和实际的人员总数量的差异调整ARMA预测模型的参数，使输出的预测结果越来越接近实际的人员总数量，直至二者间的差值满足设定的误差要求停止训练，将最终的ARMA预测模型作为训练后人员总数量预测对应的预测模型。以工作日为例，可参见图6所示的一种工作日的预测结果示意图。
本公开实施方式，通过使用不同时间类别(工作日、周末或节假日) 对应的平稳时间序列，可以训练得到与该时间类别对应的预测模型，用于该时间类别的人流量预测。
上述ARMA预测模型对应的函数可以采用以下方式表示：
armafore<-function(y1,y2,y3,y24,y25,y26,y27)
{
y＝41.329+0.8792*y1-0.2736*y2+0.12*y3+0.8637*y24-0.7594*y25+
0.2363*y26-0.1036*y27
return(armafore＝y)
}
另外，为了进一步提升ARMA预测模型的预测准确度，还可以在使用 ARMA预测模型的过程中，继续引入增量数据(实际应用场景中采样到的数据)重新训练。
根据ARMA预测模型(可以为arma(3,0,0)*(1,0,0)模型)参数整理出最终的计算公式，编写ARMA预测模型，得到下一天的1步预测结果(一小时预测)与24步预测结果(一天整天的预测)，具体的，可以根据增量时间序列onedayadd重新训练arma(3,0,0)*(1,0,0)模型，然后由机器(predict 函数)预测24步预测结果，作图与实际数据对比，由此来检验预测方式的准确性。
上述1步预测的准确率高于24步预测的准确率，需要准确获知未来一个阶段内的人流量并迅速进行现场部署，以应对在未来一个阶段成功维持秩序的场合可以采用1步预测；而需要大概了解未来24小时的人流量状况，以便于提前做好相应措施的场合可以采用24步预测。
1步预测法基本能够捕获所有的模式并且预测值非常接近观测值，适用于可以马上行动且对预测精度要求较高的场景。在诸如旅游景点等目标区域，可以采用1步预测法，预测未来一期(诸如，1小时)的值，以便于一旦发现险情就可以马上采取措施的场所。
通过本实施例提供的上述人流量预测方法，通过无线探针技术探测目标区域内的人流量信息，并根据上述预测模型快速预测人流量信息。这种方式能够在人群未完成聚集之前，对人流量信息进行预测，从而根据预测结果采取相应的措施，能够对公共安全事件起到预防效果，达到提早应对的目的。
对应于前述人流量预测方法，本公开实施例进一步提供了一种人流量预测装置，参见图7所示的一种人流量预测装置的结构框图，该装置包括：
请求采集模块702，用于采集目标区域内移动终端发送的无线信号探测请求；
第一确定模块704，用于根据采集到的无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息；其中，所述预测类型包括：人员总数量预测、人员密度预测和人员分布数据预测；
第二确定模块706，用于根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息；其中，所述预测模型是基于所述目标区域的历史人流量信息训练得到的模型预测模型。
本公开实施例提供的上述人流量预测装置，可以借助目标区域内的移动终端以及预测模型进行人流量信息预测，无需人工监测人流量，有效降低了成本。
在一种实施方式中，上述请求采集模块用于：通过WiFi探针采集目标区域内移动终端发送的无线信号探测请求；其中，无线信号探测请求为 probe探测帧。
在一种实施方式中，上述第一确定模块用于：根据采集到的无线信号探测请求，统计各个WiFi探针覆盖区域的移动终端数量；如果所述预测类型为人员总数量预测，将各个所述WiFi探针覆盖区域的移动终端数量之和作为所述目标区域内当前时间的人流量信息；
如果所述预测类型为人员密度预测，将各个所述WiFi探针覆盖区域的移动终端数量之和除以所述目标区域的面积，得到人员密度，将所述人员密度作为所述目标区域内当前时间的人流量信息；
如果所述预测类型为人员分布数据预测，将各个所述WiFi探针覆盖区域的移动终端数量作为所述WiFi探针所在位置的人员数量，将各个所述 WiFi探针所在位置对应的人员数量作为所述目标区域内当前时间的人流量信息。
在另一种实施方式中，上述第一确定模块用于：检查各个所述WiFi探针采集到的所述无线信号探测请求中携带的MAC地址，得到每个所述WiFi 探针对应的MAC地址数量；将所述MAC地址数量作为所述WiFi探针覆盖区域中的移动终端数量。
在一种实施方式中，上述第二确定模块用于：获取当前时间所属的时间类别；获取当前时间所属的时间类别和所述预测类型对应的预测模型；其中，预测模型根据目标区域在时间类别和所述预测类型对应的历史人流量信息，按照时间序列分析法预先建立的；将当前时间的人流量信息输入预测模型，得到目标区域在预测时段内的人流量信息。
在具体实施时，预测模型的建立过程预测模型与上述方法中的过程一样，这里不再赘述。预测模型
图8为本发明实施例提供的一种智能终端的结构示意图，该智能终端 100包括：处理器80，存储器81，总线82和通信接口83，所述处理器80、通信接口83和存储器81通过总线82连接；处理器80用于执行存储器81 中存储的可执行模块，例如计算机程序。
其中，存储器81可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器81用于存储程序801，所述处理器80在接收到执行指令后，执行所述程序801，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中，或者由处理器80实现。
处理器80可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81，处理器80读取存储器81中的信息，结合其硬件完成上述方法的步骤。
本公开实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述人流量预测方法，具体实现可参见方法实施例，在此不再赘述。
本公开实施例所提供的人流量预测方法、装置以及终端的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种人流量预测方法，其特征在于，所述方法包括：
采集目标区域内移动终端发送的无线信号探测请求；
根据采集到的所述无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息；其中，所述预测类型包括：人员总数量预测、人员密度预测和人员分布数据预测；
根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息；其中，所述预测模型是基于所述目标区域的历史人流量信息训练得到的模型；
所述采集目标区域内移动终端发送的无线信号探测请求的步骤，包括：
通过WiFi探针采集目标区域内移动终端发送的无线信号探测请求；其中，所述无线信号探测请求为probe探测帧；所述probe探测帧携带MAC地址、帧类型和信号强度；
所述根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息的步骤，包括：
获取所述当前时间所属的时间类别；所述时间类别包括工作日、周末和法定假日；
获取所述当前时间所属的时间类别和所述预测类型对应的预测模型；其中，所述预测模型是根据所述目标区域在所述时间类别和所述预测类型对应的历史人流量信息，按照时间序列分析法预先建立的；
将所述当前时间的人流量信息输入所述预测模型，得到所述目标区域在预测时段内的人流量信息。
2.根据权利要求1所述的方法，其特征在于，所述根据采集到的所述无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息的步骤，还包括：
根据采集到的无线信号探测请求，统计各个所述WiFi探针覆盖区域的移动终端数量；
如果所述预测类型为人员总数量预测，将各个所述WiFi探针覆盖区域的移动终端数量之和作为所述目标区域内当前时间的人流量信息；
如果所述预测类型为人员密度预测，将各个所述WiFi探针覆盖区域的移动终端数量之和除以所述目标区域的面积，得到人员密度，将所述人员密度作为所述目标区域内当前时间的人流量信息；
如果所述预测类型为人员分布数据预测，将各个所述WiFi探针覆盖区域的移动终端数量作为所述WiFi探针所在位置的人员数量，将各个所述WiFi探针所在位置对应的人员数量作为所述目标区域内当前时间的人流量信息。
3.根据权利要求2所述的方法，其特征在于，所述统计各个所述WiFi探针覆盖区域的移动终端数量的步骤，包括：
检查各个所述WiFi探针采集到的所述无线信号探测请求中携带的MAC地址，得到每个所述WiFi探针对应的MAC地址数量；
将所述MAC地址数量作为所述WiFi探针覆盖区域中的移动终端数量。
4.根据权利要求1所述的方法，其特征在于，所述预测模型的建立过程包括：
根据所述预测类型获取所述目标区域的训练数据；其中，所述训练数据为预先获取的所述目标区域的历史人流量信息；
按照时间类别划分所述训练数据，并将每个所述时间类别对应的训练数据转换为时间序列数据；
判断每个所述时间类别对应的所述时间序列数据是否为平稳时间序列；
如果否，通过一阶差分运算将非平稳时间序列转换为平稳时间序列；
获取所述目标区域的指定时段，根据所述指定时段所属的时间类别确定所述指定时段对应的平稳时间序列；
将所述指定时段对应的平稳时间序列输入至所述指定时段对应的ARMA预测模型，得到所述目标区域在所述指定时段的预测人流量信息；
比较所述指定时段的预测人流量信息与预先确定的所述指定时段的实际人流量信息是否匹配，如果否，调整所述ARMA预测模型，继续使用所述指定时段对应的平稳时间序列训练调整后的所述ARMA预测模型，直至所述指定时段的预测人流量与所述指定时段的实际人流量匹配，将最终的所述ARMA预测模型作为所述预测类型对应的预测模型。
5.一种人流量预测装置，其特征在于，所述装置包括：
请求采集模块，用于采集目标区域内移动终端发送的无线信号探测请求；
第一确定模块，用于根据采集到的所述无线信号探测请求和预测类型，确定所述目标区域内当前时间的人流量信息；其中，所述预测类型包括：人员总数量预测、人员密度预测和人员分布数据预测；
第二确定模块，用于根据所述预测类型对应的预测模型和所述当前时间的人流量信息，确定所述目标区域在预测时段内的人流量信息；其中，所述预测模型是基于所述目标区域的历史人流量信息训练得到的模型；
所述请求采集模块用于：
通过WiFi探针采集目标区域内移动终端发送的无线信号探测请求；其中，所述无线信号探测请求为probe探测帧；所述probe探测帧携带MAC地址、帧类型和信号强度；
所述第二确定模块用于：
获取所述当前时间所属的时间类别；所述时间类别包括工作日、周末和法定假日；
获取所述当前时间所属的时间类别和所述预测类型对应的预测模型；其中，所述预测模型是根据所述目标区域在所述时间类别和所述预测类型对应的历史人流量信息，按照时间序列分析法预先建立的；
将所述当前时间的人流量信息输入所述预测模型，得到所述目标区域在预测时段内的人流量信息。
6.根据权利要求5所述的装置，其特征在于，所述第一确定模块用于：
根据采集到的无线信号探测请求，统计各个所述WiFi探针覆盖区域的移动终端数量；
如果所述预测类型为人员总数量预测，将各个所述WiFi探针覆盖区域的移动终端数量之和作为所述目标区域内当前时间的人流量信息；
如果所述预测类型为人员密度预测，将各个所述WiFi探针覆盖区域的移动终端数量之和除以所述目标区域的面积，得到人员密度，将所述人员密度作为所述目标区域内当前时间的人流量信息；
如果所述预测类型为人员分布数据预测，将各个所述WiFi探针覆盖区域的移动终端数量作为所述WiFi探针所在位置的人员数量，将各个所述WiFi探针所在位置对应的人员数量作为所述目标区域内当前时间的人流量信息。
7.根据权利要求6所述的装置，其特征在于，所述第一确定模块用于：
检查各个所述WiFi探针采集到的所述无线信号探测请求中携带的MAC地址，得到每个所述WiFi探针对应的MAC地址数量；
将所述MAC地址数量作为所述WiFi探针覆盖区域中的移动终端数量。
8.一种智能终端，其特征在于，包括存储器和处理器；所述存储器用于存储支持处理器执行权利要求1至4任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
9.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1至4任一项所述的方法。
CN201810706199.8A 2018-06-28 2018-06-28 人流量预测方法、装置及终端 Active CN109041099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810706199.8A CN109041099B (zh) 2018-06-28 2018-06-28 人流量预测方法、装置及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810706199.8A CN109041099B (zh) 2018-06-28 2018-06-28 人流量预测方法、装置及终端

Publications (2)

Publication Number Publication Date
CN109041099A CN109041099A (zh) 2018-12-18
CN109041099B true CN109041099B (zh) 2022-02-11

Family

ID=65521210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810706199.8A Active CN109041099B (zh) 2018-06-28 2018-06-28 人流量预测方法、装置及终端

Country Status (1)

Country Link
CN (1) CN109041099B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902865B (zh) * 2019-02-20 2021-08-31 广州视源电子科技股份有限公司 人流量安全性的识别方法、装置、计算机设备和存储介质
CN110175690A (zh) * 2019-04-04 2019-08-27 中兴飞流信息科技有限公司 一种景区客流量预测的方法、装置、服务器和存储介质
CN111935637A (zh) * 2019-05-13 2020-11-13 西安光启未来技术研究院 一种人流量分析方法、存储介质及处理器
CN111027592B (zh) * 2019-11-14 2023-07-11 中科软智(北京)科技有限公司 细粒度对象流量分析方法和装置
CN110991394A (zh) * 2019-12-17 2020-04-10 中国建设银行股份有限公司 一种基于多特征融合的人流分布确定方法及系统
CN111027883B (zh) * 2019-12-18 2022-09-20 北京化工大学 一种献血中心人员的智能调度方法及智能调度系统
CN111629336B (zh) * 2020-06-05 2021-04-27 腾讯科技（深圳）有限公司 一种目标区域内人数确定方法、装置、设备及存储介质
CN112383625B (zh) * 2020-11-16 2023-06-20 每日互动股份有限公司 区域人口数量的预测方法、装置、计算机设备及存储介质
CN112738883B (zh) * 2020-12-16 2022-05-20 北京邮电大学 一种空中基站位置确定方法及装置
CN112669537B (zh) * 2020-12-17 2022-08-09 上海交通大学 基于Wi-Fi日志的校园共享单车投放信息处理方法及装置
CN113068215B (zh) * 2021-03-12 2022-01-11 华扬联众数字技术(深圳)有限公司 一种基于权重与过滤的多WiFi探针MAC地址的动线算法
CN113657652B (zh) * 2021-07-31 2023-06-20 腾讯科技（深圳）有限公司 流动量的预测方法、装置、设备及可读存储介质
CN114999219A (zh) * 2022-06-23 2022-09-02 重庆城市综合交通枢纽（集团）有限公司 一种地下停车场车辆运行状态感知系统
CN116012776B (zh) * 2022-12-09 2024-02-23 北京数原数字化城市研究中心 一种人数监测方法、装置、电子设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010224762A (ja) * 2009-03-23 2010-10-07 Honda Motor Co Ltd 車両用情報提供装置
CN105282523A (zh) * 2015-11-23 2016-01-27 上海赢谊电子设备有限公司 一种人流量估计电子设备及其在公交站亭的使用方法
CN105974495A (zh) * 2016-04-29 2016-09-28 中国科学院遥感与数字地球研究所 利用分类拟合法预判目标区域未来平均云量的方法
CN106251578A (zh) * 2016-08-19 2016-12-21 深圳奇迹智慧网络有限公司 基于探针的人流预警分析方法和系统
CN108012309A (zh) * 2017-11-28 2018-05-08 北京锐安科技有限公司 基于WiFi的人流量统计方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010224762A (ja) * 2009-03-23 2010-10-07 Honda Motor Co Ltd 車両用情報提供装置
CN105282523A (zh) * 2015-11-23 2016-01-27 上海赢谊电子设备有限公司 一种人流量估计电子设备及其在公交站亭的使用方法
CN105974495A (zh) * 2016-04-29 2016-09-28 中国科学院遥感与数字地球研究所 利用分类拟合法预判目标区域未来平均云量的方法
CN106251578A (zh) * 2016-08-19 2016-12-21 深圳奇迹智慧网络有限公司 基于探针的人流预警分析方法和系统
CN108012309A (zh) * 2017-11-28 2018-05-08 北京锐安科技有限公司 基于WiFi的人流量统计方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于WI-FI探测数据的公共场所客流预测方案;朱时昊;《电信网技术》;20180403;正文第91-93页 *
朱时昊.基于WI-FI探测数据的公共场所客流预测方案.《电信网技术》.2018, *

Also Published As

Publication number Publication date
CN109041099A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109041099B (zh) 人流量预测方法、装置及终端
Alghamdi et al. Forecasting traffic congestion using ARIMA modeling
CN109492788B (zh) 预测人流量以及建立人流量预测模型的方法及相关设备
CN106503840B (zh) 停车场可用车位预测方法及系统
CN106878952B (zh) 区域人员数量的预测方法及装置
Xia et al. A multistep corridor travel-time prediction method using presence-type vehicle detector data
CN107491970B (zh) 实时反作弊检测监控方法和系统以及计算设备
JP2017520029A (ja) カルマンフィルタに基づく容量予測方法、システム及びコンピュータ機器
CN109920192A (zh) 火灾报警方法、系统及计算机可读存储介质
CN112183906B (zh) 一种基于多模型组合模型的机房环境预测方法及系统
CN114977176B (zh) 电力负荷分解方法、装置、设备及存储介质
CN110941558B (zh) 一种智慧办公远程运维的方法及系统
CN116822115A (zh) 一种基于数字孪生技术的智慧园区的环境管理方法及系统
CN105488335A (zh) 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置
CN112016856B (zh) 综合倍率异常识别方法、装置、计量系统和存储介质
Hargrove et al. Empirical evaluation of the accuracy of technologies for measuring average speed in real time
CN112527608A (zh) 一种告警方法、装置及计算机设备
JP6733766B1 (ja) 解析装置、制御方法、及びプログラム
CN116133031A (zh) 一种楼宇网络质量评估的方法、装置、电子设备以及介质
CN111914591A (zh) 一种时长确定方法及装置
Liu et al. A hybrid model based on kalman filter and neutral network for traffic prediction
CN114938339A (zh) 一种数据处理方法和相关装置
CN113762726A (zh) 物业标准化管理方法、装置及系统
Addy et al. Understanding the effect of baseline modeling implementation choices on analysis of demand response performance
Zhang et al. Short-term network traffic prediction with ACD and particle filter

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