CN110472788B - 一种人员信息预测方法及装置 - Google Patents

Abstract

本发明提供了一种人员信息预测方法及装置，该人员信息预测方法包括：获取目标区域在多个历史采样周期的采样图像数据；分别检测每个历史采样周期的采样图像数据中的人脸图像，并对人脸图像进行识别，得到人员信息集合；按照预设规则对人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果；根据采样结果及预测结果调整预设模型预测的下一采样周期的预测结果。通过实施本发明，实现了对已有历史图像数据进行处理和信息挖掘，以调整预测模型的预设结果，并可根据新采集的数据进行持续更新，以保证预测结果的准确性。

Description

一种人员信息预测方法及装置

技术领域

本发明涉及计算机技术领域，具体涉及一种人员信息预测方法及装置。

背景技术

通常人们采用人工采集的方式对某一特定区域的人员信息进行采集，然后利用采集的数据来对该区域整体的人员信息进行预测，这种人员预测的方式应用的场景已经越来越广泛，例如：对进入某商场的人员的性别和年龄进行采样以预测该商场未来一段时间的人流量及人流量性别或年龄的分布特性，为商场的定位规划提供依据；或者对出入某小区的人员的性别和年龄进行采样以预测该小区未来某一时间段的常规的居住人口及居住人口的特性等。

随着计算机技术的发展，人们开始采用神经网络的方式通过预先设置人员信息的预测模型，并通过训练数据不断对预测模型进行训练，最后将采样数据输入训练好的预测模型进行人员信息的预测。但是，由于采用数据是在不断发生变化的，而现有的预测模型在训练结束后，易受到采样数据的干扰，自我调整及适应能力差，进而容易影响最终预测结果的准确性。

发明内容

有鉴于此，本发明实施例提供了一种人员信息预测方法及装置，以克服现有技术中的人员信息预测模型易受到采样数据的干扰，自我调整及适应能力差，容易影响最终预测结果准确性的问题。

根据第一方面，本发明实施例提供了一种人员信息预测方法，包括：获取目标区域在多个历史采样周期的采样图像数据；分别检测每个历史采样周期的所述采样图像数据中的人脸图像，并对所述人脸图像进行识别，得到人员信息集合；按照预设规则对所述人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果；根据所述采样结果及预测结果调整所述预设模型预测的下一采样周期的预测结果。

可选地，所述根据所述采样结果及预测结果调整所述预设模型预测的下一采样周期的预测结果，包括：根据所述多个历史采样周期的所述采样结果及预测结果，按照采样时间顺序计算所述预设模型的平滑参数及惩罚系数；根据所述平滑参数、惩罚系数及上一采样周期的采样结果和预测结果对下一采样周期的预测结果进行更新。

可选地，采用以下公式对所述下一采样周期的预测结果进行更新：

y′_{t_new}＝α(β|p)y_{t-1_new}+(1-α)y′_{t-1_new}，

其中，y′_{t_new}表示下一采样周期的预测结果，y′_{t-1_new}表示上一采样周期预设模型的预测结果，y_{t-1_new}表示上一采样周期的采样结果，α表示平滑参数，β表示惩罚系数。

可选地，所述预测结果包括：年龄预测结果和/或性别预测结果。

根据第二方面，本发明实施例还提供了一种人员信息预测装置，包括：获取模块，用于获取目标区域在多个历史采样周期的采样图像数据；第一处理模块，用于分别检测每个历史采样周期的所述采样图像数据中的人脸图像，并对所述人脸图像进行识别，得到人员信息集合；第二处理模块，用于按照预设规则对所述人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果；第三处理模块，用于根据所述采样结果及预测结果调整所述预设模型预测的下一采样周期的预测结果。

可选地，所述第三处理模块包括：第一处理子模块，用于根据所述多个历史采样周期的所述采样结果及预测结果，按照采样时间顺序计算所述预设模型的平滑参数及惩罚系数；第二处理子模块，用于根据所述平滑参数、惩罚系数及上一采样周期的采样结果和预测结果对下一采样周期的预测结果进行更新。

可选地，采用以下公式对所述下一采样周期的预测结果进行更新：

y′_{t_new}＝α(β|p)y_{t-1_new}+(1-α)y′_{t-1_new}，

其中，y′_{t_new}表示下一采样周期的预测结果，y′_{t-1_new}表示上一采样周期预设模型的预测结果，y_{t-1_new}表示上一采样周期的采样结果，α表示平滑参数，β表示惩罚系数。

可选地，所述预测结果包括：年龄预测结果和/或性别预测结果。

根据第三方面，本发明实施例还提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者其任意一种可选实施方式中所述的人员信息预测方法。

根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面，或者其任意一种可选实施方式中所述的人员信息预测方法。

本发明技术方案，具有如下优点：

本发明实施例提供的人员信息预测方法及装置，通过获取目标区域在多个历史采样周期的采样图像数据，分别检测每个历史采样周期的采样图像数据中的人脸图像，并对人脸图像进行识别，得到人员信息集合；按照预设规则对人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果；根据采样结果及预测结果调整预设模型预测的下一采样周期的预测结果。从而实现了对已有历史图像数据进行处理和信息挖掘，以调整预测模型的预设结果，并可根据新采集的数据进行持续更新，以保证预测结果的准确性。

附图说明

为了更清楚地说明本发明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发明的一些实施方式，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为本发明实施例的一种人员信息预测方法的流程图；

图2为本发明实施例的一种人员信息预测装置的结构示意图；

图3为本发明实施例的一种电子设备的结构示意图；

图4为本发明实施例的A小区各个采样周期的预测结果与采样结果的关系示意图；

图5为本发明实施例的B小区各个采样周期的预测结果与采样结果的关系示意图；

图6为本发明实施例的C小区各个采样周期的预测结果与采样结果的关系示意图。

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。

下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

图1示出了根据本发明实施例的一种人员信息预测方法的流程图，如图1 所示，该人员信息预测方法具体包括如下步骤：

步骤S101：获取目标区域在多个历史采样周期的采样图像数据。需要说明的是，在本发明实施例中，是以某小区作为目标区域，以预测该小区的未来一周人员的年龄分布情况为人员信息预测目标为例进行的说明，在实际应用中，该目标区域即人员信息的预测目标可以根据需要进行设置，例如预测某商场未来一周出现客户的男女性别等，本发明并不以此为限。

具体地，可以利用小区中固有安装的摄像头采集到的大量的图像数据作为基础，这些图像数据带有图像采集时间，按照预先设定的采用周期进行图像数据采样，例如以一周为采样周期，则首先获取过去几周内所有的采样数据图像。

步骤S102：分别检测每个历史采样周期的采样图像数据中的人脸图像，并对人脸图像进行识别，得到人员信息集合。在实际应用中，可以通过现有技术中的特征提取、数据分析、信息挖掘、机器学习等方法，对采样图像数据中的包含人脸的图像进行识别，以获得包含人员信息即人的年龄信息的基础数据集合。

步骤S103：按照预设规则对人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果。在实际应用中，该预设规则可以根据需要进行设置，例如：对采集到的小区图像数据做人脸区域检测，按照4个年龄段进行划分：(0，20]，(20，40]，(40，60]，(60，∝)，得到采样结果，并将每个采样周期的人员信息集合输入预设模型，得到与预设规则对应的预测结果，以便于根据实际采样结果与预测结果的差异来调整预设模型对下周该小区人员年龄分布预测结果，以提高预测结果的准确性。需要说明的是，在本发明实施例中，所使用的预设模型为现有技术中用于根据人脸图像进行年龄预测的模型，该模型可以是神经网络模型，也可以是根据人脸图像中的特征所建立的其他年龄预测模型，只要能实现年龄划分功能即可。本发明并不以此为限。

步骤S104：根据采样结果及预测结果调整预设模型预测的下一采样周期的预测结果。

具体地，在一实施例中，上述的步骤S104具体包括如下步骤：

步骤S201：根据多个历史采样周期的采样结果及预测结果，按照采样时间顺序计算预设模型的平滑参数及惩罚系数。

具体地，在实际应用中，可以根据各历史采样周期t在采样时间轴上的位置，对最终预测结果做指数平滑处理：

y′_t＝αy_t-1+(1-α)y′_t-1

其中，y′_t表示第t个采样周期最终的预测结果，α表示平滑参数，y_t-1表示第t－1个采样周期的采样结果，y′_t-1表示第t－1个采样周期的预测结果。

具体地，上述的平滑参数α可以由历史采样数据自适应计算残差得到：

其中，α表示平滑参数，res_t表示残差，n表示历史总采样周期数，y_t表示第t个采样周期的采样结果，y′_t表示第t个采样周期的预测结果。

在确定上述的平滑参数α后，为了进一步的确保最终预测结果的准确性，需要对历史采样周期中表现不好的采样周期增加惩罚系数：

首先需要确定需要惩罚的采样周期的位置：

其中，err_p表示需要设置惩罚系数的周期位置P，P表示第P个采样周期， n表示历史总采样周期数，y_t表示第t个采样周期的采样结果，y_p表示需要惩罚的第P个采样周期的采样结果。

一般地，上述的惩罚系数通常设置在[0.9，1.1]之间，当然，该惩罚系数的设置也可以根据需要进行调节，例如可以由历史采样数据自适应计算得到：

其中：

y′_p＝αBy_p-1+(1-α)y′_p-1

其中，P表示第P个采样周期，α表示平滑参数，β表示惩罚系数，res_P表示残差，n表示历史总采样周期数，y_P表示第P个采样周期的采样结果，y′_P表示第P个采样周期的预测结果。

步骤S202：根据平滑参数、惩罚系数及上一采样周期的采样结果和预测结果对下一采样周期的预测结果进行更新。

在实际应用中，可以采用以下公式对下一采样周期的预测结果进行更新：

y′_{t_new}＝α(β|p)y_{t-1_new}+(1-α)y′_{t-1_new}，

其中，y′_{t_new}表示第t个采样周期的预测结果，y′_{t-1_new}表示第t－1个采样周期预设模型的预测结果，y_{t-1_new}表示第t－1个采样周期的采样结果，α表示平滑参数，β表示惩罚系数。

在实际应用中，本发明实施例提供的人员信息预测方法还可以应用于对目标区域内人群的性别进行预测，具体的实现方法参照对上述对年龄进行预测的过程，区别仅在于对人脸图像进行识别是以性别特征作为基础，在此不再进行赘述。

本发明实施例提供的人员信息预测方法是以伯努利大数定律和中心极限定理作为数学理论基础。通过对大量数据进行分析统计，小区年龄分布和/或性别分布以周、月为采样周期时，符合伯努利大数定律和中心极限定理的要求。

其中，伯努利大数定律：随着n的增大，n个独立同分布数据的样本均值会依概率收敛到真值μ。数学表达式如下：

中心极限定理：随着n(n≥30)的增大，n个数据的样本均值会趋近于正态分布，且该正态分布以真值μ为均值。

下面将以三个小区的人员的年龄分布预测作为具体应用示例，对本发明实施例提供的人员信息预测方法进行详细的说明。

1.A小区：数据采集时间为2018.11—2019.3，以周为采样周期，共20 个采样周期。α为0.82，惩罚系数β共对7个采样周期的采样结果进行校正，惩罚系数如下：

β＿04：[1.1 0.98 0.98 0.99]，β＿06：[0.9 0.99 1.05 1.1]，

β＿08：[1.1 0.99 1.0 1.01]，β＿14：[1.04 1.01 0.96 0.92]，

β＿15：[0.93 1.1 0.9 0.9]，β＿16：[0.9 1.1 0.9 0.9]，

β＿17：[0.9 1.1 0.9 0.9]

最终预测结果的置信度为：conf＝[0.917，0.963，0.839，0.853]。上述各个采样周期的预测结果与采样结果的关系如图4所示，train＿data为实际采样结果数据；y＿predict＿first＿round为仅做时间平滑的预测效果，未能很好处理过年期间的数据异动(14周—17周)；train＿data＿updated为惩罚系数β校正后的采样结果数据；y＿predict＿Final为惩罚系数β校正后的预测数据。从结果可见，过年期间的数据异动得到了较好的处理。

2.B小区：数据采集时间为2018.11—2019.3，以周为采样周期，共20 个采样周期。α为0.70，惩罚系数β共对9个采样周期的采样结果进行校正，惩罚系数如下：

β＿04：[1.06 1.01 0.95 0.96]，β＿05：[1. 1. 1.03 0.9]，

β＿06：[1.03 0.99 1.06 0.9]，β＿09：[1.1 1.01 0.93 1.01]，

β＿10：[1.02 1.02 0.97 0.9]，β＿11：[0.9 1.08 0.9 0.9]，

β＿13：[0.94 1.1 0.9 0.9]，β＿14：[1.04 1.1 0.9 0.9]，

β＿16：[0.9 0.99 1.06 1.09]

最终预测结果的置信度为：conf＝[0.866，0.983，0.921，0.925]

上述各个采样周期的预测结果与采样结果的关系如图5所示：

表2 3.C小区：数据采集时间为2018.11—2019.3，以周为采样周期，共20 个采样周期。α为0.36，惩罚系数β共对5个采样周期的采样结果进行校正，惩罚系数如下：

β＿04：[1.1 0.96 1. 1.06]，β＿06：[1.1 0.97 1.01 1.]，

β＿11：[1. 1.04 0.98 0.9]，β＿13：[0.9 1.1 0.9 0.9]，

β＿14：[0.9 1.1 0.9 0.9]

最终预测结果的置信度为：conf＝[0.908，0.936，0.913，0.874]

上述各个采样周期的预测结果与采样结果的关系如图6所示：

在以上3个小区上的测试结果表明，本发明实施例提供的人员信息预测方法对实际采样数据的趋势走向有准确的反映，同时恰当地平滑了时间因素的影响，很好地校正了异常数据，从而使得对年龄预测的结果具备较好的置信度和预测效果。

通过执行上述步骤，本发明实施例提供的人员信息预测方法，通过获取目标区域在多个历史采样周期的采样图像数据，分别检测每个历史采样周期的采样图像数据中的人脸图像，并对人脸图像进行识别，得到人员信息集合；按照预设规则对人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果；根据采样结果及预测结果调整预设模型预测的下一采样周期的预测结果。从而实现了对已有历史图像数据进行处理和信息挖掘，以调整预测模型的预设结果，并可根据新采集的数据进行持续更新，以保证预测结果的准确性。

图2示出了本发明实施例提供的一种人员信息预测装置的结构示意图，如图2所示，该人员信息预测装置具体包括：

获取模块1，用于获取目标区域在多个历史采样周期的采样图像数据。详细内容参见上述方法实施例中步骤S101的相关描述。

第一处理模块2，用于分别检测每个历史采样周期的采样图像数据中的人脸图像，并对人脸图像进行识别，得到人员信息集合。详细内容参见上述方法实施例中步骤S102的相关描述。

第二处理模块3，用于按照预设规则对人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果。详细内容参见上述方法实施例中步骤S103的相关描述。

第三处理模块4，用于根据采样结果及预测结果调整预设模型预测的下一采样周期的预测结果。详细内容参见上述方法实施例中步骤S104的相关描述。

具体地，在一实施例中，上述的第三处理模块包括：

第一处理子模块，用于根据多个历史采样周期的采样结果及预测结果，按照采样时间顺序计算预设模型的平滑参数及惩罚系数。详细内容参见上述方法实施例中步骤S201的相关描述。

第二处理子模块，用于根据平滑参数、惩罚系数及上一采样周期的采样结果和预测结果对下一采样周期的预测结果进行更新。详细内容参见上述方法实施例中步骤S202的相关描述。

在实际应用中，采用以下公式对下一采样周期的预测结果进行更新：

y′_{t_new}＝α(β|p)y_{t-1_new}+(1-α)y′_{t-1_new}，

其中，y′_{t_new}表示下一采样周期的预测结果，y′_{t-1_new}表示上一采样周期预设模型的预测结果，y_{t-1_new}表示上一采样周期的采样结果，α表示平滑参数，β表示惩罚系数。

具体地，在一实施例中，上述的预测结果包括：年龄预测结果和/或性别预测结果。详细内容参见上述方法实施例中相关描述。

通过上述各个组成部分的协同合作，本发明实施例提供的人员信息预测装置，通过获取目标区域在多个历史采样周期的采样图像数据，分别检测每个历史采样周期的采样图像数据中的人脸图像，并对人脸图像进行识别，得到人员信息集合；按照预设规则对人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果；根据采样结果及预测结果调整预设模型预测的下一采样周期的预测结果。从而实现了对已有历史图像数据进行处理和信息挖掘，以调整预测模型的预设结果，并可根据新采集的数据进行持续更新，以保证预测结果的准确性。

图3示出了本发明实施例的一种电子设备，如图3所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图3中以通过总线连接为例。

处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器 901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor， DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。

上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－StateDrive，SSD) 等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (4)

1.一种人员信息预测方法，其特征在于，包括：

获取目标区域在多个历史采样周期的采样图像数据；

分别检测每个历史采样周期的所述采样图像数据中的人脸图像，并对所述人脸图像进行识别，得到人员信息集合，所述人员信息集合包括：人的年龄和/或性别信息的基础数据集合；

按照预设规则对所述人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果，所述预测结果包括：年龄预测结果和/或性别预测结果；

根据所述采样结果及预测结果调整所述预设模型预测的下一采样周期的预测结果；

所述根据所述采样结果及预测结果调整所述预设模型预测的下一采样周期的预测结果，包括：

根据所述多个历史采样周期的所述采样结果及预测结果，按照采样时间顺序计算所述预设模型的平滑参数及惩罚系数；

根据所述平滑参数、惩罚系数及上一采样周期的采样结果和预测结果对下一采样周期的预测结果进行更新；

所述平滑参数由历史采样数据自适应计算残差得到：

其中，α表示平滑参数，res_t表示残差，n表示历史总采样周期数，y_t表示第t个采样周期的采样结果，y′_t表示第t个采样周期的预测结果；

需要惩罚的采样周期的位置通过如下公式确定：

其中，err_p表示需要设置惩罚系数的周期位置p，p表示第p个采样周期，n表示历史总采样周期数，y_t表示第t个采样周期的采样结果，y_p表示需要惩罚的第p个采样周期的采样结果；

所述惩罚系数由历史采样数据自适应计算得到：

其中：

y′_p＝αβy_p-1+(1-α)y′_p-1

其中，p表示第p个采样周期，α表示平滑参数，β表示惩罚系数，res_P表示残差，n表示历史总采样周期数，y_p-1表示第p-1个采样周期的采样结果，y′_P表示第p个采样周期的预测结果；

采用以下公式对所述下一采样周期的预测结果进行更新：

其中，y′_{t_new}表示下一采样周期的预测结果，

表示上一采样周期预设模型的预测结果，

表示上一采样周期的采样结果，α表示平滑参数，β表示惩罚系数。

2.一种人员信息预测装置，其特征在于，包括：

获取模块，用于获取目标区域在多个历史采样周期的采样图像数据；

第一处理模块，用于分别检测每个历史采样周期的所述采样图像数据中的人脸图像，并对所述人脸图像进行识别，得到人员信息集合，所述人员信息集合包括：人的年龄和/或性别信息的基础数据集合；

第二处理模块，用于按照预设规则对所述人员信息集合进行划分生成采样结果，并将每个采样周期的人员信息集合输入预设模型生成预测结果，所述预测结果包括：年龄预测结果和/或性别预测结果；

第三处理模块，用于根据所述采样结果及预测结果调整所述预设模型预测的下一采样周期的预测结果；

所述第三处理模块包括：

第一处理子模块，用于根据所述多个历史采样周期的所述采样结果及预测结果，按照采样时间顺序计算所述预设模型的平滑参数及惩罚系数，所述平滑参数由历史采样数据自适应计算残差得到：

其中，α表示平滑参数，res_t表示残差，n表示历史总采样周期数，y_t表示第t个采样周期的采样结果，y′_t表示第t个采样周期的预测结果；

需要惩罚的采样周期的位置通过如下公式确定：

其中，err_p表示需要设置惩罚系数的周期位置p，p表示第p个采样周期，n表示历史总采样周期数，y_t表示第t个采样周期的采样结果，y_p表示需要惩罚的第p个采样周期的采样结果；

所述惩罚系数由历史采样数据自适应计算得到：

其中：

y′_p＝αβy_p-1+(1-α)y′_p-1

其中，p表示第p个采样周期，α表示平滑参数，β表示惩罚系数，res_P表示残差，n表示历史总采样周期数，y_P-1表示第p-1个采样周期的采样结果，y′_P表示第p个采样周期的预测结果；

第二处理子模块，用于根据所述平滑参数、惩罚系数及上一采样周期的采样结果和预测结果对下一采样周期的预测结果进行更新；采用以下公式对所述下一采样周期的预测结果进行更新：

其中，y′_{t_new}表示下一采样周期的预测结果，

表示上一采样周期预设模型的预测结果，

表示上一采样周期的采样结果，α表示平滑参数，β表示惩罚系数。

3.一种电子设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1所述的人员信息预测方法。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行权利要求1所述的人员信息预测方法。

Images