CN109214584B - 用于预测客流量的方法和装置 - Google Patents
用于预测客流量的方法和装置 Download PDFInfo
- Publication number
- CN109214584B CN109214584B CN201811109673.5A CN201811109673A CN109214584B CN 109214584 B CN109214584 B CN 109214584B CN 201811109673 A CN201811109673 A CN 201811109673A CN 109214584 B CN109214584 B CN 109214584B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- value
- prediction
- preset
- time period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims description 64
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了用于预测客流量的方法和装置。该系统的一具体实施方式包括:基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列;对路线信息进行编码处理,生成编码后的路线信息;将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到在预设时段内目标交通路线的客流量预测值,其中,客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。该实施方式提高了对客流量值的预测精度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于预测客流量的方法和装置。
背景技术
随着信息技术的发展,各种平台之间的交互为数据的获取提供了便利。基于大数据的信息技术可以应用于多种行业中。各行业通过数据平台对获取到的历史数据进行分析,从而实现了对未来信息的预测。
应用于客流量预测的相关技术中,通常是利用人工标注的方式对获取到的历史数据进行分析,从而得到客流量预测值;或者采用人工预测的方式对客流量信息进行预测。
发明内容
本申请实施例提出了用于预测客流量的方法和装置。
第一方面,本申请实施例提供了一种用于预测客流量的方法,包括:基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列;对路线信息进行编码处理,生成编码后的路线信息;将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到在预设时段内目标交通路线的客流量预测值,其中,客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。
在一些实施例中,客流量预测模型包括客流量预测子模型和长短记忆神经网络,以及将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到在预设时段内目标交通路线的客流量值,包括:将编码后的路线信息输入至客流量预测子模型,得到第一特征值,第一特征值用于表征在预设时段内对目标交通路线的客流量值的预测结果;将客流量序列输入至长短记忆神经网络,得到第二特征值,第二特征值用于表征预测结果的预测偏差;将第一特征值和第二特征值输入至预先训练的全连接网络,得到在预设时段内目标交通路线的客流量预测值。
在一些实施例中,客流量预测子模型包括广义线性模型和深度神经网络。
在一些实施例中,客流量预测模型通过如下训练步骤得到:获取训练样本集合,训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值;从训练样本集合中选取训练样本,执行如下调整步骤:将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型,得到第一初始特征值;将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络,得到第二初始特征值;将所得到的第一初始特征值和第二初始特征值输入至全连接网络,得到指定时间段的样本客流量的预测值;基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值;响应于确定预设损失函数的损失值达到预设目标值,确定客流量预测模型训练完成,其中,预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。
在一些实施例中,客流量预测模型的训练步骤还包括:响应于确定预设损失函数的损失值未达到预设目标值,调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数,将调整后的初始客流量预测子模型作为初始客流量预测子模型,将调整后的初始长短记忆神经网络作为初始长短记忆神经网络,继续执行调整步骤。
第二方面,本申请实施例提供了一种用于预测客流量的装置,装置包括:获取单元,被配置成基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列;编码单元,被配置成对路线信息进行编码处理,生成编码后的路线信息;生成单元,被配置成将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到在预设时段内目标交通路线的客流量预测值,其中,客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。
在一些实施例中,客流量预测模型包括客流量预测子模型和长短记忆神经网络,以及生成单元,包括:第一生成子单元,被配置成将编码后的路线信息输入至客流量预测子模型,得到第一特征值,第一特征值用于表征在预设时段内对目标交通路线的客流量值的预测结果;第二生成子单元,被配置成将客流量序列输入至长短记忆神经网络,得到第二特征值,第二特征值用于表征预测结果的预测偏差;全连接子单元,被配置成将第一特征值和第二特征值输入至预先训练的全连接网络,得到在预设时段内目标交通路线的客流量预测值。
在一些实施例中,客流量预测子模型包括广义线性模型和深度神经网络。
在一些实施例中,客流量预测模型通过如下训练步骤得到:获取训练样本集合,训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值;从训练样本集合中选取训练样本,执行如下调整步骤:将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型,得到第一初始特征值;将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络,得到第二初始特征值;将所得到的第一初始特征值和第二初始特征值输入至全连接网络,得到指定时间段的样本客流量的预测值;基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值;响应于确定预设损失函数的损失值达到预设目标值,确定客流量预测模型训练完成,其中,预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。
在一些实施例中,客流量预测模型的训练步骤还包括:响应于确定预设损失函数的损失值未达到预设目标值,调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数,将调整后的初始客流量预测子模型作为初始客流量预测子模型,将调整后的初始长短记忆神经网络作为初始长短记忆神经网络,继续执行调整步骤。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如控制方法中任意实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如控制方法中任意实施例的方法。
本申请实施例提供的用于预测客流量的方法和装置,通过获取目标交通路线的路线信息和待预测时间段之前的预设数目个连续时间段对应的客流量序列,然后将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到预设时段内目标交通路线的客流量值,从而使得所预测出的客流量值更加准确,提高了对客流量值的预测精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于预测客流量的方法的一个实施例的流程图;
图3是根据本申请的用于预测客流量的方法的一个应用场景的示意图;
图4示出了客流量预测模型的训练方法的一种可选的实现方式的流程图;
图5是根据本申请的用于预测客流量的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于预测客流量的方法或用于预测客流量的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如信息预测类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏且支持数据输入的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的包含路线信息的客流量预测请求进行分析,生成预测的客流量值的客流量预测服务器。客流量预测服务器可以对获取到的目标交通路线的路线信息和当前时间之前的时间段对应的客流量序列进行分析处理,并将处理结果(例如所预测的客流量值)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于预测客流量的方法一般由服务器105执行,相应地,用于预测客流量的装置一般设置于服务器105中。
需要指出的是,服务器105的本地也可以存储有目标交通路线的路线信息和待预测时间段之前的连续时间段对应的客流量序列,服务器105可以直接提取本地的目标交通路线的路线信息和待预测时间段之前的连续时间段对应的客流量序列,此时,示例性系统架构100可以不包括终端设备101、102、103和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于预测客流量的方法的一个实施例的流程200。用于预测客流量的方法,包括以下步骤:
步骤201,基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列。
在本实施例中,用于预测客流量的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接的方式接收终端发送的对预设时段内目标交通路线进行客流量值预测的请求。然后,上述执行主体可以从和其通信连接的存储有路线信息和客流量值的数据服务器中获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列。
在本实施例中,上述交通路线可以包括但不限于飞机航线、火车轨道路线、轮船航线、地铁路线、汽车路线等等。作为示例,上述目标交通路线可以为从A地到B地的飞机航线。上述路线信息可以包括上述路线的出发地信息、目的地信息、路线距离信息、路线交通工具信息和上述预设时段信息。在这里,上述出发地信息可以包括出发地人口数目、出发地GDP、出发地城市等级信息。目的地信息可以包括目的地人口数目目的地GDP、目的地城市等级信息。路线交通工具信息可以包括火车、高铁、轮船、飞机等。上述预设数目个连续时间段和各时间段的客流量值一一对应。也即是说,上述客流量序列中包含有预设数目个客流量值,从而形成客流量序列。在这里,该待预测时间段例如可以为某一年、某一个月、某一星期、某一天等等。当上述待预测时间段为某一月时,上述执行主体可以获取当前时间之前的预设数目个连续月份对应的每一个月份的客流量值,从而形成该预设数目个连续月份对应的客流量序列。
在本实施例中,上述路线信息中的每一个信息均可以代表一个特征。客流量预测模型可以对路线信息所包含的各种信息特征进行分析,从而根据分析结果得到客流量值。为了使得客流量预测模型对路线信息中的特征更加容易识别,上述执行主体还可以对路线信息中的每一种信息进行分段离散化。
步骤202,对路线信息进行编码处理,生成编码后的路线信息。
在本实施例中,上述执行主体可以利用one-hot编码方式对路线信息进行编处理。具体的,可以对与路线信息对应的每一个特征设置一个寄存器,寄存器中的每一位代表该特征的一个数据段的值。以路线交通工具、出发地人口数目和预设时段信息为例,进行具体阐述。
对于交通工具特征,可以设置交通工具寄存器。该交通工具寄存器中的每一位可以分别代表火车、高铁、轮船、飞机。当出行工具为飞机时,可以将寄存器中与飞机对应的位置1,其余位置零。
对于出发地人口数目特征,可以设置人口数目寄存器。该人口数目寄存器中的每一位可以代表一个人口数目段。确定路线信息中所包括的人口数目所属的人口数目寄存器中的人口数目段,将该人口数目段对应的人口数目寄存器中的位置1,其余位置零。
对于预设时段信息特征,上述执行主体可以设置一个12位寄存器,每一位代表一个月;设置一个31位寄存器,每一位对应一天;设置一个24位寄存器,每一位对应一时。作为示例,当预设时段对应的时间信息为11月11日11时的客流量时,可以将代表月的寄存器中与11月对应的位置1,其余置0;将代表天的寄存器中与11日对应的位置1,其余位置0;将代表日的寄存器中与11时对应的位置1,其余位置0。还可以设置节假日寄存器。寄存器中的每一位对应一个节假日。当接收到预设时段信息后,可以确定该预设时段信息中是否包括节假日。当预设时段信息中包括节假日时,可以将节假日寄存器中与该节假日对应的位置1,其余位置0。通过对预设时段信息进行节假日标注,可以为客流量预测模型提供更多的特征,从而进一步提高客流量的预测准确度。
步骤203,将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到预设时段内目标交通路线的客流量预测值。
在本实施例中,上述执行主体可以将编码后的路线信息和客流量序列发送至预先训练的客流量预测模型中,从而可以得到在预设时段内上述目标交通路线的客流量值。在这里,该客流量预测模型可以用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。上述客流量预测模型可以包括深度神经网络(DNN)、循环神经网络(RNN)、归一化层(BN,Batch Normalization)、激活函数和全连接层。深度神经网络的输出的特征值与循环神经网络输出的特征值在全连接层进行全连接操作后,可以得到上述客流量预测值。在这里,该客流量预测值可以为一个值,也可以为多个值。具体来说,客流量预测值为一个值时,可以为所预测的预设时间段内的全部客流量。上述预设时段可以划分为多个连续的子时段,例如可以天为单位或者以星期为单位。客流量预测值为多个值时,可以为所预测的多个连续时段中的每一个时段对应的客流量值。
在本实施例的一些可选的实现方式中,上述客流量预测模型可以包括客流量预测子模型和长短记忆神经网络。在这里,该客流量预测子模型可以用于预测客流量。该长短记忆神经网络可以用于指示客流量预测子模型所预测的客流量值的偏差。在这里,上述执行主体可以将编码后的路线信息输入至客流量预测子模型,得到第一特征值,该第一特征值用于表征预设时段内对目标交通路线的客流量值的预测结果。接着,上述执行主体可以将客流量序列输入至长短记忆神经网络,得到第二特征值,第二特征值用于表征预测结果的预测偏差。最后,上述执行主体可以将第一特征值和第二特征值输入至预先训练的全连接网络,得到在预设时段内目标交通路线的客流量预测值。
具体来说,上述客流量预测子模型可以用于表征编码后的路线信息与第一特征值之间的对应关系。该客流量预测子模型可以为深度神经网络。该深度神经网络可以对编码后的路线信息进行特征提取,从而得到第一特征值。长短记忆神经网络(LSTM,Long shortterm memory network),是对循环网络的改进。其通常包括多个相互连接的记忆神经元,每一个记忆神经元都可以接收到携带有其他神经元全部或部分特征的上一个记忆神经元输入的信息,然后对该信息进行处理,从而实现记忆特征。通常,可以对LSTM设置时间步长,每一个时间步长为一个处理周期。上述预设数目个连续时间段即是根据LSTM的时间步长来设置的。举例来说,当上述时间步长为3时,上述预设数目个连续时间段为3个连续时间段。从而,上述执行主体可以获取3个连续时间段对应的客流量序列。然后,上述执行主体可以分时将客流量序列输入至LSTM中。当第一个客流量值输入后,上述LSTM对其进行处理,生成处理后的输出值;接着,LSTM接收第二个客流量值,同时将上述输出值叠加至所接收到第二个客流量值中,对叠加后的信息进行特征提取;依次往复,直到一个时间步长的数据处理完毕,将最终的输出作为第二特征值。当上述执行主体在获取到第一特征值和第二特征值后,可以对第一特征值和第二特征值利用全连接网络进行特征融合,最终得到预设时段内目标交通路线的客流量预测值。在这里,该全连接网络可以为全连接层。
在本实施例的一些可选的实现方式中,客流量预测子模型可以为广义线性模型和深度神经网络的组合,也即Wide&Deep网络。
具体的,可以将编码后的路线信息输入至所述广义线性模型,得到第一子特征值。该广义线性模型例如可以为逻辑回归模型、泊松回归模型等。该广义线性模型可以用于学习路线信息和编码后的时间信息中的各特征之间的特征关系。从而可以提高客流量预测子模型的记忆能力。将编码后的路线信息输入至深度神经网络,得到第二特征值。深度神经网络可以用于深度学习路线信息和编码后的时间信息中的各特征值,从而可以提高客流量预测子模型的泛化能力。最后,可以利用全连接网络对第一子特征值和第二子特征值融合,得到第一特征值。该全连接网络可以为全连接层。
继续参考图3,图3是根据本实施例的用于预测客流量的方法的应用场景的一个示意图。在图3的应用场景中,用户通过计算机301向服务器302发送了对12月1日从A地到B地的航线的客流量值的预测请求。服务器302在接收到客流量值的预测请求后,可以获取从A地到B地的航线的路线信息。在这里,该路线信息包括A地人口、A地GDP、A地城市等级、B地人口、B地GDP、B地城市等级、A地到B地的距离,还包括预设时间信息12月1日。服务器302还可以获取到当前时间11月28日之前从11月25日到11月27日中的每一天对应的客流量序列303。该客流量序列为30万人、27万人、29万人。接着,服务器302可以对获取到的路线信息中的每一个特征信息进行编码处理,生成编码后的路线信息304。最后,服务器302可以将编码后的路线信息304和客流量序列303输入至预先训练的客流量预测模型305,从而得到在12月1日从A地到B地的航线的客流量值306为27万人。
本申请实施例提供的用于预测客流量的方法,通过获取目标交通路线的路线信息和待预测时间段之前的预设数目个连续时间段对应的客流量序列,然后将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到预设时段内目标交通路线的客流量值,从而使得所预测出的客流量值更加准确,提高了对客流量值的预测精度。
在上述实施例的一些可选的实现方式中,上述客流量预测模型可以是基于样本集合训练得出的。图4示出了该客流量预测模型的训练方法的一种可选的实现方式的流程400。该流程400包括以下步骤:
步骤401,获取训练样本集合。在这里,该训练样本集合中的训练样本可以包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值。在这里,该样本路线信息的具体信息内容可以参考步骤201所示的路线信息,在此不再赘述。
步骤402,从训练样本集合中选取训练样本,执行如下调整步骤:
首先,在步骤4021中,将选取的训练样本的编码后的样本路线信息输入至初始客流量预测子模型,得到第一初始特征值;将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络,得到第二初始特征值;将所得到的第一初始特征值和第二初始特征值输入至全连接网络,得到指定时间段的样本客流量的预测值。
接着,在步骤4022中,基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值。响应于确定预设损失函数的损失值达到预设目标值,确定客流量预测模型训练完成。预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。该预设损失函数例如可以为均方误差函数。当预设损失函数的值不再减小时,可以确定预设损失函数的损失值达到预设目标值。
在一些可选的实现方式中,上述训练步骤还包括:步骤403,响应于确定预设损失函数的损失值未达到预设目标值,调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数,将调整后的初始客流量预测子模型作为初始客流量预测子模型,将调整后的初始长短记忆神经网络作为初始长短记忆神经网络,继续执行步骤402所示的调整步骤。
当初始客流量预测子模型为初始深度神经网络时,调整初始客流量预测子模型的参数例如可以调整初始深度神经网络的每一层网络的权重等。调整初始长短记忆神经网络中的参数例如可以调整初始长短记忆神经网络的时间步长、记忆神经元的数目等。还可以调整初始客流量预测子模型输出的样本客流量预测值的权重和初始长短记忆神经网络输出的预测差值的权重。
基于图4提供的客流量预测模型的训练步骤得到的客流量预测模型通过对初始客流量预测子模型和初始长短记忆神经网络进行联合训练,可以利用长短记忆神经网络预测客流量预测子模型所预测出的客流量值的偏差,从而可以更准确地对客流量进行预测。
进一步参考图5,作为对上述图2所示方法的实现,本申请提供了一种用于预测客流量的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于预测客流量的装置500包括:获取单元501、编码单元502和生成单元503。其中获取单元501,被配置成基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列。编码单元502,被配置成对路线信息进行编码处理,生成编码后的路线信息。生成单元503,被配置成将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到在预设时段内目标交通路线的客流量预测值,其中,客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。
在本实施例中,用于预测客流量的装置500中:获取单元501、编码单元502和生成单元503的具体处理及其带来的有益效果可参看图2对应实施例中的步骤201、步骤202和步骤203的实现方式的相关描述,在此不再赘述。
在本实施例的一些可选的实现方式中,客流量预测模型包括客流量预测子模型和长短记忆神经网络,以及生成单元503包括:第一生成子单元(未示出),被配置成将编码后的路线信息输入至客流量预测子模型,得到第一特征值,第一特征值用于表征在预设时段内对目标交通路线的客流量值的预测结果。第二生成子单元(未示出),被配置成将客流量序列输入至长短记忆神经网络,得到第二特征值,第二特征值用于表征预测结果的预测偏差。全连接子单元(未示出),被配置成将第一特征值和第二特征值输入至预先训练的全连接网络,得到在预设时段内目标交通路线的客流量预测值。
在本实施例的一些可选的实现方式中,客流量预测子模型包括广义线性模型和深度神经网络。
在本实施例的一些可选的实现方式中,客流量预测模型通过如下训练步骤得到:获取训练样本集合,训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值;从训练样本集合中选取训练样本,执行如下调整步骤:将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型,得到第一初始特征值;将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络,得到第二初始特征值;将所得到的第一初始特征值和第二初始特征值输入至全连接网络,得到指定时间段的样本客流量的预测值;基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值;响应于确定预设损失函数的损失值达到预设目标值,确定客流量预测模型训练完成,其中,预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。
在本实施例的一些可选的实现方式中,客流量预测模型的训练步骤还包括:响应于确定预设损失函数的损失值未达到预设目标值,调整初始客流量预测子模型的参数和初始长短记忆神经网络中的参数,将调整后的初始客流量预测子模型作为初始客流量预测子模型,将调整后的初始长短记忆神经网络作为初始长短记忆神经网络,继续执行调整步骤。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,该程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、编码单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列;对路线信息进行编码处理,生成编码后的路线信息;将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型,得到在预设时段内目标交通路线的客流量预测值,其中,客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于预测客流量的方法,包括:
基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取所述目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列,其中,所述路线信息表示路线特征;
对所述路线信息进行编码处理,生成编码后的路线信息;
将所述编码后的路线信息和所述客流量序列输入至预先训练的客流量预测模型,得到在所述预设时段内所述目标交通路线的客流量预测值,其中,所述客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系;
其中,所述客流量预测模型包括客流量预测子模型和长短记忆神经网络,以及所述将所述编码后的路线信息和所述客流量序列输入至预先训练的客流量预测模型,得到在所述预设时段内所述目标交通路线的客流量预测值,包括:将所述编码后的路线信息输入至所述客流量预测子模型,得到第一特征值,所述第一特征值用于表征在所述预设时段内对所述目标交通路线的客流量值的预测结果;将所述客流量序列输入至所述长短记忆神经网络,得到第二特征值;将所述第一特征值和所述第二特征值输入至预先训练的全连接网络,得到在所述预设时段内所述目标交通路线的客流量预测值。
2.根据权利要求1所述的方法,其中,所述第二特征值用于表征所述预测结果的预测偏差。
3.根据权利要求2所述的方法,其中,所述客流量预测子模型包括广义线性模型和深度神经网络。
4.根据权利要求2所述的方法,其中,所述客流量预测模型通过如下训练步骤得到:
获取训练样本集合,所述训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值;
从所述训练样本集合中选取训练样本,执行如下调整步骤:将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型,得到第一初始特征值;将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络,得到第二初始特征值;将所得到的第一初始特征值和第二初始特征值输入至全连接网络,得到指定时间段的样本客流量的预测值;基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值;响应于确定预设损失函数的损失值达到预设目标值,确定客流量预测模型训练完成,其中,预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。
5.根据权利要求4所述的方法,其中,所述客流量预测模型的训练步骤还包括:
响应于确定预设损失函数的损失值未达到预设目标值,调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数,将调整后的初始客流量预测子模型作为初始客流量预测子模型,将调整后的初始长短记忆神经网络作为初始长短记忆神经网络,继续执行所述调整步骤。
6.一种用于预测客流量的装置,包括:
获取单元,被配置成基于接收到的对预设时段内目标交通路线的客流量值的预测请求,获取所述目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列,其中,所述路线信息表示路线特征;
编码单元,被配置成对所述路线信息进行编码处理,生成编码后的路线信息;
生成单元,被配置成将所述编码后的路线信息和所述客流量序列输入至预先训练的客流量预测模型,得到在所述预设时段内所述目标交通路线的客流量预测值,其中,所述客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系;
其中,所述客流量预测模型包括客流量预测子模型和长短记忆神经网络,以及所述生成单元,包括:第一生成子单元,被配置成将所述编码后的路线信息输入至所述客流量预测子模型,得到第一特征值,所述第一特征值用于表征在所述预设时段内对所述目标交通路线的客流量值的预测结果;第二生成子单元,被配置成将所述客流量序列输入至所述长短记忆神经网络,得到第二特征值;全连接子单元,被配置成将所述第一特征值和所述第二特征值输入至预先训练的全连接网络,得到在所述预设时段内所述目标交通路线的客流量预测值。
7.根据权利要求6所述的装置,其中,所述第二特征值用于表征所述预测结果的预测偏差。
8.根据权利要求7所述的装置,其中,所述客流量预测子模型包括广义线性模型和深度神经网络。
9.根据权利要求7所述的装置,其中,所述客流量预测模型通过如下训练步骤得到:
获取训练样本集合,所述训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值;
从所述训练样本集合中选取训练样本,执行如下训练步骤:将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型,得到第一初始特征值;将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络,得到第二初始特征值;将所得到的第一初始特征值和第二初始特征值输入至全连接网络,得到指定时间段的样本客流量的预测值;基于预设损失函数,确定预设损失函数的损失值是否达到预设目标值;响应于确定预设损失函数的损失值达到预设目标值,确定客流量预测模型训练完成,其中,预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。
10.根据权利要求9所述的装置,其中,所述客流量预测模型的训练步骤还包括:
响应于确定预设损失函数的损失值未达到预设目标值,调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数,将调整后的初始客流量预测子模型作为初始客流量预测子模型,将调整后的初始长短记忆神经网络作为初始长短记忆神经网络,继续执行所述调整步骤。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109673.5A CN109214584B (zh) | 2018-09-21 | 2018-09-21 | 用于预测客流量的方法和装置 |
US16/455,449 US11526748B2 (en) | 2018-09-21 | 2019-06-27 | Method and apparatus for predicting passenger flow |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109673.5A CN109214584B (zh) | 2018-09-21 | 2018-09-21 | 用于预测客流量的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214584A CN109214584A (zh) | 2019-01-15 |
CN109214584B true CN109214584B (zh) | 2022-02-08 |
Family
ID=64985453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811109673.5A Active CN109214584B (zh) | 2018-09-21 | 2018-09-21 | 用于预测客流量的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11526748B2 (zh) |
CN (1) | CN109214584B (zh) |
Families Citing this family (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753386B (zh) * | 2019-03-11 | 2024-03-26 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法及装置 |
CN109933926B (zh) * | 2019-03-19 | 2023-11-21 | 北京百度网讯科技有限公司 | 用于预测航班可靠性的方法和装置 |
CN110149238B (zh) * | 2019-06-18 | 2022-10-28 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
CN111862585B (zh) * | 2019-07-23 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的系统和方法 |
CN111091196B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN111476032B (zh) * | 2020-04-07 | 2024-02-02 | 武汉元光科技有限公司 | 一种公交中途站点名称生成方法及装置 |
CN111832797B (zh) * | 2020-04-10 | 2024-06-04 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN111554118B (zh) * | 2020-04-24 | 2022-01-25 | 深圳职业技术学院 | 一种公交车到站时间的动态预测方法及系统 |
CN111915073A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 |
CN111556434A (zh) * | 2020-04-28 | 2020-08-18 | 中国联合网络通信集团有限公司 | 一种游客画像方法及装置 |
CN111553737B (zh) * | 2020-04-30 | 2023-08-22 | 北京金山安全软件有限公司 | 一种营业时间预测方法和装置 |
CN111597971B (zh) * | 2020-05-14 | 2024-05-21 | 北京交通大学 | 一种城市轨道交通短期进站客流量预测方法 |
CN113868305A (zh) * | 2020-06-30 | 2021-12-31 | 腾讯科技(深圳)有限公司 | 交通路线中关键点序列化方法及装置 |
CN111985706B (zh) * | 2020-08-15 | 2023-08-25 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
CN111985716B (zh) * | 2020-08-21 | 2024-05-14 | 北京交通大学 | 一种客运信息可视化的客运量预测系统 |
CN114036991B (zh) * | 2020-09-24 | 2024-05-14 | 北京市市政工程设计研究总院有限公司 | 客运枢纽客流与交通接驳方式客流之间关系确定方法和装置 |
CN112200360B (zh) * | 2020-09-30 | 2024-05-07 | 北京百度网讯科技有限公司 | 植物生长重量预测方法、模型训练方法及装置 |
CN112036668B (zh) * | 2020-09-30 | 2023-06-16 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN112418518A (zh) * | 2020-11-20 | 2021-02-26 | 佳都新太科技股份有限公司 | 基于时间特征权重和线网拓扑的客流预测方法及装置 |
CN112288554B (zh) * | 2020-11-27 | 2023-09-29 | 腾讯科技(深圳)有限公司 | 商品推荐方法和装置、存储介质及电子装置 |
CN112555084B (zh) * | 2020-12-04 | 2023-01-10 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
CN112465566B (zh) * | 2020-12-14 | 2023-08-04 | 树蛙信息科技(南京)有限公司 | 一种基于历史数据辅助场景分析的商场客流量预测方法 |
CN112990645B (zh) * | 2020-12-16 | 2023-11-17 | 中国铁道科学研究院集团有限公司 | 客流需求非限化确定方法和相关设备 |
CN112651571A (zh) * | 2020-12-31 | 2021-04-13 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN113779103B (zh) * | 2021-03-02 | 2024-04-09 | 北京沃东天骏信息技术有限公司 | 用于检测异常数据的方法和装置 |
CN113079033B (zh) * | 2021-03-08 | 2022-09-27 | 南京苏宁软件技术有限公司 | 一种流量控制方法、装置、电子设备及计算机可读介质 |
CN113095209B (zh) * | 2021-04-07 | 2024-05-31 | 深圳海智创科技有限公司 | 一种客流的人群识别方法、系统及电子设备 |
CN113112076B (zh) * | 2021-04-14 | 2022-06-03 | 北京航空航天大学 | 一种客流集散模式发现及预测方法 |
CN113255563B (zh) * | 2021-06-10 | 2022-06-10 | 湘南学院 | 一种景区人流控制系统及方法 |
CN113537577A (zh) * | 2021-06-25 | 2021-10-22 | 中国铁路广州局集团有限公司 | 收入预测方法、系统、电子设备和计算机可读存储介质 |
CN113435122B (zh) * | 2021-06-30 | 2023-11-07 | 平安科技(深圳)有限公司 | 实时流量数据处理方法、装置、计算机设备和存储介质 |
CN113762338B (zh) * | 2021-07-30 | 2023-08-25 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
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 |
CN113793015A (zh) * | 2021-09-09 | 2021-12-14 | 重庆城市综合交通枢纽(集团)有限公司 | 基于客流预测的枢纽站停车泊位规模设计方法及系统 |
CN116128274B (zh) * | 2021-11-11 | 2023-09-26 | 北京轨道交通路网管理有限公司 | 数据分析系统及方法 |
CN114257521B (zh) * | 2021-12-17 | 2024-05-17 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
CN114282732A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种区域人流量的预测方法及装置 |
CN114742291A (zh) * | 2022-03-30 | 2022-07-12 | 阿里巴巴(中国)有限公司 | 偏航率预测方法、装置、设备、可读存储介质及程序产品 |
CN115130719B (zh) * | 2022-04-19 | 2023-09-22 | 北京交通大学 | 用于城轨路网的新线开通路网客流预测方法及系统 |
CN114862034A (zh) * | 2022-05-19 | 2022-08-05 | 江西理工大学 | 一种应用于城市轨道交通客流预测的预测模型 |
CN115171372B (zh) * | 2022-06-20 | 2023-10-24 | 青岛海信网络科技股份有限公司 | 一种交通异常检测方法、设备及装置 |
CN115810271B (zh) * | 2023-02-07 | 2023-04-28 | 安徽交欣科技股份有限公司 | 一种基于刷卡数据判断客流走廊位置的方法 |
CN116029395B (zh) * | 2023-03-24 | 2023-08-04 | 深圳市明源云科技有限公司 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN117131999B (zh) * | 2023-09-14 | 2024-04-30 | 浙江非线数联科技股份有限公司 | 基于数字孪生的轨道交通客流量预测系统及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9898759B2 (en) * | 2014-03-28 | 2018-02-20 | Joseph Khoury | Methods and systems for collecting driving information and classifying drivers and self-driving systems |
CN105590346B (zh) * | 2016-02-18 | 2018-01-16 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
-
2018
- 2018-09-21 CN CN201811109673.5A patent/CN109214584B/zh active Active
-
2019
- 2019-06-27 US US16/455,449 patent/US11526748B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
Non-Patent Citations (2)
Title |
---|
"基于深度CNN-LSTM-ResNet组合模型的出租车需求预测";段宗涛等;《交通运输系统工程与信息》;20180815;第18卷(第4期);第215-222页 * |
"基于深度学习的城市地面公交客流集散点刷卡客流预测";徐特等;《交通工程》;20180430;第18卷(第2期);第13-18页 * |
Also Published As
Publication number | Publication date |
---|---|
US11526748B2 (en) | 2022-12-13 |
US20200097815A1 (en) | 2020-03-26 |
CN109214584A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214584B (zh) | 用于预测客流量的方法和装置 | |
CN111143535B (zh) | 用于生成对话模型的方法和装置 | |
CN108805348B (zh) | 一种交叉口信号配时控制优化的方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
CN111862585B (zh) | 用于交通预测的系统和方法 | |
CN109976997B (zh) | 测试方法和装置 | |
TWI703516B (zh) | 用於預估到達時間的方法以及系統 | |
CN110249357B (zh) | 用于数据更新的系统和方法 | |
US11488067B2 (en) | Training machine learning models using teacher annealing | |
CN112868036A (zh) | 位置推荐的系统和方法 | |
CN110149238B (zh) | 用于预测流量的方法和装置 | |
CN111353620A (zh) | 构建网点件量预测模型的方法、装置、设备及存储介质 | |
CN111415024A (zh) | 一种到达时间预估方法以及预估装置 | |
CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN113762454A (zh) | 轨迹异常检测方法及装置 | |
CN111950791A (zh) | 一种航班延误预测方法、装置、服务器及存储介质 | |
CN110751395B (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN114511152A (zh) | 预测模型的训练方法和装置 | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
CN110675176A (zh) | 用于生成属性预测模型的方法和装置 | |
CN113222299A (zh) | 一种用于景区的车辆智能调度系统及方法 | |
CN117035842A (zh) | 模型训练方法、业务量预测方法、装置、设备和介质 | |
US20230258461A1 (en) | Interactive analytical framework for multimodal transportation | |
Fatkhulin et al. | Analysis of the Basic Image Generation Methods by Neural Networks |
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 |