CN109511109B - 一种宏观区域实时人流保有量预测方法 - Google Patents

Abstract

本发明公开了一种宏观区域实时人流保有量预测方法，包括按照物理空间部署在宏观区域范围内的多个检测子网络和远端的后台服务器，所述检测子网络包括若干个分机，以及与所述分机数据连接的的一个主机；所述分机通过无线被动感知的模式，采集分机覆盖范围内移动终端设备基于WIFI协议随机向四周环境发送的广播式数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索,对数据进行分析,实现区域人流保有量的精准预测，促进了智慧交通领域的发展。

Description

一种宏观区域实时人流保有量预测方法

技术领域

本发明属于移动智能互联网技术，尤其涉及景区等人流检测和评估算法。

背景技术

区域流量数据是当前智慧校园、智慧景区、智慧城市的重要信息来源，可为区域人流密度评估、区域人流变化、流量诱导等提供决策辅助。

随着我国经济和科技迅猛发展，为更好的管理校园、景区、城镇等人们日常生活旅行的区域，提升人民生活旅行的便捷性、幸福感，建设智慧校园、智慧景区、智慧城市成为未来发展的新趋势。

在智慧校园、智慧城市等的建设过程中，人流的动态监测、估计，动向检测、预测、引导为不可或缺的重要组成部分。

以景区为例，目前建立了大量数字监控用以监控景区人流量，如通过进出口门闸记录景区内人流总量；通过在重点区域布设视屏监控，对当前区域内人流进行识别；通过数字显示屏，向游客展示景区内相关信息等。

然而尽管现在部署了各种各样的设备，但在人流的检测、预测上仍有无法满足管理需求，如进出口门闸只能记录景区内的总保留量，而无法记录分散在各个景点的人流量，而视频等，虽然能够清晰可视化，甚至通过图像识别的方式识别人数，但无法做到全覆盖，自然也就无法全局统计，更做不到流量的预估。

发明内容

针对现有技术存在的问题，本发明提供了一种宏观区域实时人流保有量预测方法，。

为解决上述技术问题，本发明采用了以下技术方案：一种宏观区域实时人流保有量预测方法，包括按照物理空间部署在宏观区域范围内的多个检测子网络和远端的后台服务器，所述检测子网络包括若干个分机，以及与所述分机数据连接的一个主机；所述分机通过无线被动感知的模式，采集分机覆盖范围内移动终端设备基于WIFI协议随机向四周环境发送的广播式数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至远端的后台服务器中存储，并对数据按照以下步骤进行分析：

步骤1：通过分机采集完整时间段(T-Δkt)的数据D，将该数据段以时间差Δt作为周期切分成k段，得到每段完整数据D^k，

其中，D_ij表示第j个子网第i号分机数据；N表示子网的个数，M表示第j个子网中的分机个数；

步骤2：对数据D^k进行切片，并提取待分析局部区域S及时间段(T-Δkt)的数据D′_s，时间距t＝Δt，

式中，D_is′为第s子网下编号为i的分机所采集到的数据；

步骤3：对部署的子网络与对应局部区域S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；

步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；

步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数c进行分类：将仅在一个数据矩阵Tower中出现的ID记为ID_c＝1并单独提取进行分析，将在两个以上数据矩阵Tower中出现的ID数据归为ID_c＞1；

步骤6：对于在时间段Δt内仅出现在一个数据矩阵Tower中出现的ID数据进行分析，若在Δt时间段内，未发现该ID数据在该数据矩阵Tower中重复出现的，则遍历该局部区域S周围相邻的子网查找是否出现相同的ID数据，如果未出现，则将该ID数据归为ID_c＝1，若果在其他子网中出现，则将该ID数据打上标识归为ID_c＞1；

步骤7：重复步骤4～6直到数据处理完毕；

步骤8：将步骤5和6处理得到的数据进行归纳合并，形成两类数据ID_c＝1和ID_c＞1；

步骤9：在T-Δet时刻(e＝1,2,…, k)的Δt时间段内，区域内人流保有量为V_T-Δet， V_T-Δet＝D_T-Δet{ID}，然后采用以下方法对实时区域人流保有量进行评估：

(1)将ID_c＞1中数据经过数据唯一化处理后计入有效数据；

(2)将ID_c＝1中数据通过F_T-Δt(g)近似拟合函数近似拟合处理，拟合过程中设置T-Δet时刻的偏置参考系S_T-Δet，以(S_T-Δet-(V_c＞1)_T-Δet)/(V_c＝1)_T-Δet作为反馈判断条件，当 1-θ≤(S_T-Δet-(V_c＞1)_T-Δet)/(V_c＝1)_T-Δet≤1+θ，完成拟合得到ID_c＝1的有效数据，式中，θ为系统设置的允许误差；(V_c＞1)_T-Δet为出现在相邻子网的人流保有量,(V_c＝1)_T-Δet为未出现在相邻子网的人流保有量；

(3)然后，通过下式对ID_c＞1和ID_c＝1的有效数据进行求和得到区域人流保有量数据V_T-Δt，

(4)接着，根据Δkt时间段内区域人流保有量数列{V_T-Δet}，采用数据拟合算法生成区域流出量近似函数f(x)；

(5)最后，将时间数据带入步骤(4)得到的近似函数f(x)，计算得到T+Δt时间区域人流保有量，完成。

作为优选，所述偏置参考系S_T-Δet为区域视频计数或进出口闸门计数。

有益效果：本发明提供了一种基于便携移动终端唯一ID、采集数据时间戳和检测设备位置信息的宏观交通信息检测算法，实现对移动终端采集数据的数据挖掘和分析，为基于WIFI 信号的交通流量检测器及检测系统提供了基于该型数据的深度挖掘和交通流量检测算法实现，填补了该型数据在交通检测方面的应用空白，促进了智慧交通领域的发展。

附图说明

图1为本发明所述宏观区域实时人流保有量预测方法的逻辑流程示意图；

图2为本发明所述宏观区域实时人流保有量预测方法中的机器学习与自反馈原理示意图。

具体实施方式

下面结合附图并以具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

步骤1：采集完整时间段(T-Δkt)的完整数据，将数据段以时间差Δt作为周期，切分为 k段，每段完整数据表示为

其中

表示第j个子网第i号分机数据；

步骤2：将数据进行切片，并提取分析局部区域S及时间段(T-Δkt)的完整数据

步骤3：物理空间位置映射，对应所部署的子网络，将其与实际区域S进行空间匹配，每个子网络主机带有对应区域相应编号信息及分机部署情况列表；

步骤4：将采集数据根据其ID号进行排序，并建立数据矩阵{Tower(i，S)，t}；

步骤5：将建立的ID数据列表按出现在不同的Tower中的次数c进行分类，将仅在一个 Tower中出现的ID单独提取出进行分析，将在两个以上Tower中出现的ID数据归为一类ID_c＞1；

步骤6：对于在时间段Δt内仅出现在一个Tower中的ID进行分析，若在Δt时间段，未发现该ID在该Tower中重复出现，则遍历该区域S周围子网，查找是否出现相同的ID号，如果未出现，将该数据归为一类ID_c＝1，若在其他子网中出现，则打上标识，将该数据归到步骤5中数据ID_c＞1列表；

步骤7：重复步骤4、5、6，直到数据处理完毕；

步骤8：将步骤5和6中处理所得的有效数据进行归并，归并数据分为两类ID_c＞1和ID_c＝1；

步骤9：在T-Δet时刻(e＝1，2，...k)，Δt时间段内，区域人流保有量为V_T-Δet＝D_T-Δet{ID}，采用以下方法对实时区域人流保有量进行评估，如下网络所示：

中的数据唯一化后直接计入有效保有量，ID_c＞1-y中的数据需通过F_T-Δet(·)近似拟合函数进行近似后方可计入有效保有量，偏置参考系S表示有效基准参考单元，如视频计数、进出口闸门计数等。累加ID数据，并通过近似拟合函数F_T-Δet(.)，进行拟合，反馈判断条件为

可根据检测精度需要对该比值域值范围进行调节，当

(θ为系统设置允许误差)，表示完成数据拟合工作，形成有效数据。

步骤10：根据Δkt时间范围内，区域人流保有量数列{V_T-Δet}，采用数据拟合算法生成区域流出量近似函数f(x)。

步骤11：计算T+Δt时刻区域人流保有量，将时间数据代入f(x)即可。

步骤12：结束流程。

Claims (2)

1.一种宏观区域实时人流保有量预测方法，其特征在于：包括按照物理空间部署在宏观区域范围内的多个检测子网络和远端的后台服务器，所述检测子网络包括若干个分机，以及与所述分机数据连接的一个主机；所述分机通过无线被动感知的模式，采集分机覆盖范围内移动终端设备基于WIFI协议随机向四周环境发送的广播式数据包，并筛选其中带有移动终端设备ID信息的数据包进行检索，打上分机标签后上传至主机，主机将收集到的数据进行统一存储和打上时间标签，并上传至远端的后台服务器中存储，并对数据按照以下步骤进行分析：

步骤1：通过分机采集完整时间段(T-Δkt)的数据D，将该数据段以时间差Δt作为周期切分成k段，得到每段完整数据D^k，

其中，D_ij表示第j个子网第i号分机数据；N表示子网的个数，M表示第j个子网中的分机个数；

步骤2：对数据D^k进行切片，并提取待分析局部区域S及时间段(T-Δkt)的数据D'_s，时间距t＝Δt，

式中，D_is′为第s子网下编号为i的分机所采集到的数据；

步骤3：对部署的子网络与对应局部区域S进行空间匹配，得到子网络主机与对应路段的编号信息及该子网络的分机部署情况列表；

步骤4：对各分机采集的数据根据移动终端设备ID号进行排序，建立数据矩阵{Tower(i,s),t}；

步骤5：将建立的ID数据列表按出现在不同数据矩阵的次数c进行分类：将仅在一个数据矩阵Tower中出现的ID记为ID_c＝1并单独提取进行分析，将在两个以上数据矩阵Tower中出现的ID数据归为ID_c＞1；

步骤6：对于在时间段Δt内仅出现在一个数据矩阵Tower中出现的ID数据进行分析，若在Δt时间段内，未发现该ID数据在该数据矩阵Tower中重复出现的，则遍历该局部区域S周围相邻的子网查找是否出现相同的ID数据，如果未出现，则将该ID数据归为ID_c＝1，若果在其他子网中出现，则将该ID数据打上标识归为ID_c＞1；

步骤7：重复步骤4～6直到数据处理完毕；

步骤8：将步骤5和6处理得到的数据进行归纳合并，形成两类数据ID_c＝1和ID_c＞1；

步骤9：在T-Δet时刻(e＝1,2,…k)的Δt时间段内，区域内人流保有量为V_T-Δet，V_T-Δet＝D_T-Δet{ID}，然后采用以下方法对实时区域人流保有量进行评估：

(1)将ID_c＞1中数据经过数据唯一化处理后计入有效数据；

(2)将ID_c＝1中数据通过F_T-Δt(·)近似拟合函数近似拟合处理，拟合过程中设置T-Δet时刻的偏置参考系S_T-Δet，以(S_T-Δet-(V_c＞1)_T-Δet)/(V_c＝1)_T-Δet作为反馈判断条件，当1-θ≤(S_T-Δet-(V_c＞1)_T-Δet)/(V_c＝1)_T-Δet≤1+θ，完成拟合得到ID_c＝1的有效数据，式中，θ为系统设置的允许误差；(V_c＞1)_T-Δet为出现在相邻子网的人流保有量,(V_c＝1)_T-Δet为未出现在相邻子网的人流保有量；

(3)然后，通过下式对ID_c＞1和ID_c＝1的有效数据进行求和得到区域人流保有量数据V_T-Δt，

(4)接着，根据Δkt时间段内区域人流保有量数列{V_T-Δet}，采用数据拟合算法生成区域流出量近似函数f(x)；

(5)最后，将时间数据带入步骤(4)得到的近似函数f(x)，计算得到T+Δt时间区域人流保有量，完成。

2.根据权利要求1所述宏观区域实时人流保有量预测方法，其特征在于：所述偏置参考系S_T-Δet为区域视频计数或进出口闸门计数。

Images