CN110751307B - 人群疏散需求的预测方法、装置、设备及介质 - Google Patents

人群疏散需求的预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN110751307B
CN110751307B CN201810819803.8A CN201810819803A CN110751307B CN 110751307 B CN110751307 B CN 110751307B CN 201810819803 A CN201810819803 A CN 201810819803A CN 110751307 B CN110751307 B CN 110751307B
Authority
CN
China
Prior art keywords
mobile equipment
resident
predicted value
activity
determining
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
CN201810819803.8A
Other languages
English (en)
Other versions
CN110751307A (zh
Inventor
张韬
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Hubei Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Hubei 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 China Mobile Communications Group Co Ltd, China Mobile Group Hubei Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201810819803.8A priority Critical patent/CN110751307B/zh
Publication of CN110751307A publication Critical patent/CN110751307A/zh
Application granted granted Critical
Publication of CN110751307B publication Critical patent/CN110751307B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Alarm Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明公开了人群疏散需求的预测方法、装置、设备及介质。该方法包括：获取活动区域的移动设备信令数据；根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备；确定常驻移动设备的多方向疏散需求的常驻预测值；确定参与活动的新增移动设备的多方向疏散需求的新增预测值；根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的整体预测值。根据本发明实施例提供的预测方法、装置、设备及介质，可以实现更为精细化的人群多方向的疏散需求预测。

Description

人群疏散需求的预测方法、装置、设备及介质
技术领域
本发明涉及通信技术领域，尤其涉及一种人群疏散需求的预测方法、装置、设备及介质。
背景技术
随着人民生活水平的不断提高，重点活动(如演唱会、跨年活动、足球比赛等)的举办越来越频繁，但是重点活动时，密集人群的出现可能会引起疏散困难、交通拥堵、乘车难等问题，严重情况下还可能发生踩踏事件。
现有技术方案主要是根据问卷调查数据或视频监控，进行人群疏散需求预测。基于问卷调查数据分析人群疏散需求主要考虑的是人群疏散的影响因素，通过专家判定的经验法、线性回归分析模型(logistics regressive，Logistic)、人工神经网络模型等方法预测疏散总需求量。基于视频监控数据的疏散需求预测方法运用元胞自动机模拟行人运动，从微观角度刻画人群疏散。
而现有技术采用的专家判定的经验法、Logistic回归模型、人工神经网络模型等方法预测疏散需求量时，多数方法采用的是根据调查问卷数据获取静态的历史经验，获取数据的实时性差。运用元胞自动机方法模拟行人的运动特征，通过处理视频监控数据，获取场所出口处的人群密度，但该方法仅对小区域内的人群移动微观特征进行了描述，并未考虑宏观上人群移动疏散方向。现有技术数据样本规模小，人群疏散预测时缺乏对“时间”和“空间”的考虑，只能预测总疏散需求。
发明内容
本发明实施例提供了一种人群疏散需求的预测方法、装置、设备及介质，用以实现更为精细化的多方向的疏散需求预测。
第一方面，本发明实施例提供了一种人群疏散需求的预测方法，方法包括：
获取活动区域的移动设备信令数据；
根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备；
确定与常驻移动设备相关的多方向疏散需求的常驻预测值；
确定与新增移动设备相关的多方向疏散需求的新增预测值；
根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的整体预测值。
在第一方面的一些实施例中，根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备，包括：
获取活动发生前在活动区域出现的移动设备的国际移动设备身份码IMEI，以及活动发生期间在活动区域出现的移动设备的IMEI；
根据活动发生前的IMEI与活动发生期间的IMEI的匹配结果，确定活动区域的常驻移动设备和新增移动设备。
在第一方面的一些实施例中，确定与新增移动设备相关的多方向疏散需求的新增预测值之前，还包括：
获取新增移动设备在活动区域的停留时长；
基于停留时长和预设时长阈值，确定参与活动的新增移动设备。
在第一方面的一些实施例中，确定与常驻移动设备相关的多方向疏散需求的常驻预测值，包括：
统计活动发生前m周与活动发生期间相应的各时段的常驻移动设备的多方向转移概率，其中m为大于0的自然数；
确定常驻移动设备的多方向转移概率的变化规律；
确定常驻移动设备的数量的变化规律；
根据多方向转移概率的变化规律和数量的变化规律，确定常驻预测值。
在第一方面的一些实施例中，确定常驻移动设备的多方向转移概率的变化规律，包括：
将相邻时段常驻移动设备的多方向转移概率的差值的平均值，作为常驻移动设备的多方向转移概率的变化规律。
在第一方面的一些实施例中，确定常驻移动设备的数量的变化规律，包括：
将相邻时段常驻移动设备的数量差值的平均值，作为常驻移动设备的数量的变化规律。
在第一方面的一些实施例中，根据多方向转移概率的变化规律和数量的变化规律，确定常驻预测值，包括：
根据多方向转移概率的变化规律，预测下一时段常驻移动设备的多方向转移概率；
根据数量的变化规律，预测下一时段常驻移动设备的数量；
将下一时段常驻移动设备的多方向转移概率与下一时段常驻移动设备的数量的乘积，作为常驻预测值。
在第一方面的一些实施例中，确定与新增移动设备相关的多方向疏散需求的新增预测值，包括：
统计活动发生前h个时段参与活动的新增移动设备的多方向转移概率及数量，其中，h为大于0的自然数；
将新增移动设备的多方向转移概率和新增移动设备的数量的乘积，作为新增预测值。
在第一方面的一些实施例中，根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的整体预测值，包括：
根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的第一预测值；
基于第一预测值与活动区域的用户比例关系，确定活动区域的多方向疏散需求的整体预测值，用户比例关系包括所述活动区域的实际居民数与活动区域的移动设备用户数的比值。
第二方面，本发明实施例提供了一种人群疏散需求的预测装置，装置包括：
获取模块，用于获取活动区域的移动设备信令数据；
分析模块，用于分析移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备；
第一预测模块，用于确定与常驻移动设备相关的多方向疏散需求的常驻预测值；
第二预测模块，用于确定与新增移动设备相关的多方向疏散需求的新增预测值；
计算模块，用于根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的整体预测值。
第三方面，本发明实施例提供了一种人群疏散需求的预测设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面，本发明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指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
根据本发明实施例中的人群疏散需求的预测方法、装置、设备及介质，首先获取活动区域的移动设备信令数据，根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备，然后确定与常驻移动设备相关的多方向疏散需求的常驻预测值和与新增移动设备相关的多方向疏散需求的新增预测值，最后根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的整体预测值。本方案分别对活动区域的常驻移动设备和新增移动设备进行多方向疏散需求的预测，进而对活动区域的多方向疏散需求进行整体预测，利用移动设备信令数据，克服了数据样本量小、获取实时性差的缺点，并且对常驻移动设备和新增移动设备分别进行多方向疏散需求的预测，能够实现更为精细化的多方向的疏散需求预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了本发明实施例提供的人群疏散需求的预测方法的示意流程图；
图2示出了本发明一个示例中常驻移动设备的疏散需求的预测方法的示意流程图；
图3示出了本发明一个示例中新增移动设备的疏散需求的预测方法的示意流程图；
图4示出了本发明实施例提供的人群疏散需求的预测装置的结构示意图；
图5示出了本发明实施例提供的人群疏散需求的预测设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要说明的是，随着人民生活水平的不断提高，现在几乎人手至少一部移动设备，如移动电话、智能手机、平板电脑等。基于移动设备信令数据在基站间的转移规律计算与分析人群疏散需求，获取的数据规模量大且实时性强，在人群多方向疏散需求预测方面更为精细化。
还需要说明的是活动区域可以是举办一些重点活动的区域，如演唱会、跨年活动、足球比赛等，在此不作限定。
下面结合图1-图5对本发明实施例提供的人群疏散需求的预测方案进行详细说明。应注意，这些实施例并不是用来限制本发明公开的范围。
需要说明的是，本发明下述实施例提供的人群疏散需求的预测方案，适用于任意方向的疏散需求的预测，在此不作限定。
图1示出了本发明实施例提供的人群疏散需求的预测方法的示意流程图。如图1所示，本发明实施例提供的人群疏散需求的预测方法100包括以下步骤：
S110，获取活动区域的移动设备信令数据。
S120，根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备。
S130，确定与常驻移动设备相关的多方向疏散需求的常驻预测值。
S140，确定与新增移动设备相关的多方向疏散需求的新增预测值。
S150，根据常驻预测值和新增预测值，确定活动区域的多方向疏散需求的整体预测值。
根据本发明实施例提供的预测方法，在一些实施例中，移动设备也可以被称为移动终端、手机、平板电脑等，以实现对人群的有效覆盖，在此不作限定。
在S110中，作为一个示例，移动设备信令数据可以是手机信令数据，手机信令数据记录用户通话、移动行为的频率为一分钟/次，以20分钟为时间粒度，采集活动发生前及活动发生期间活动区域的手机信令数据，为人群疏散需求的预测提供数据基础。其中，时间粒度的时长可以根据实际需求进行灵活确定，在此不做限定。
在本发明实施例中，由于移动设备数据样本量大，且移动设备被用户随身携带，获取移动设备信令数据的实时性高，从而能够更准确的预测人群的疏散需求。
在S120中，作为一个示例，统计活动发生前和活动发生期间在活动区域出现的手机的国际移动设备身份码(International Mobile Equipment Identity，IMEI)，对活动发生前在活动区域出现的IMEI和活动发生期间在活动区域出现的IMEI进行匹配，能够匹配上的确定为常驻移动设备，匹配不上的确定为新增移动设备。
在本发明实施例中，常驻移动设备和新增移动设备的移动规律存在较大差异，常驻移动设备拥有大量的从活动区域出发的历史数据，新增移动设备则缺乏相关移动信息来辅助预测，将活动区域的移动设备划分为常驻移动设备和新增移动设备，能够更为精细化的预测不同人群的疏散需求。
在S130中，作为一个示例，确定与常驻移动设备相关的多方向疏散需求的常驻预测值包括如图2所示的步骤。
图2示出了常驻移动设备的疏散需求的预测方法的示意流程图。如图2所示，本发明实施例提供的常驻移动设备的疏散需求的预测方法200包括以下步骤：
S210，统计活动发生前m周与所述活动发生期间相应的各时段的常驻移动设备的多方向转移概率，其中m为大于0的自然数。
S220，将相邻时段所述常驻移动设备的多方向转移概率的差值的平均值，作为所述常驻移动设备的多方向转移概率的变化规律。
S230，将相邻时段常驻移动设备的数量差值的平均值，作为常驻移动设备的数量的变化规律。
S240，根据多方向转移概率的变化规律，预测下一时段常驻移动设备的多方向转移概率。
S250，根据数量的变化规律，预测下一时段所述常驻移动设备的数量。
S260，将下一时段常驻移动设备的多方向转移概率与下一时段常驻移动设备的数量的乘积，作为所述常驻预测值。
在本发明的实施例中，以常驻移动设备在基站j方向上的疏散需求的预测为例，对确定常驻移动设备的疏散需求的预测值的具体过程进行说明。基站j方向可以是任意方向，在此不做限定。
在S210中，计算常驻移动设备的多方向转移概率可以是根据马尔可夫链(Markov)进行计算。Markov链用来描述在状态空间转移的可能性，移动设备在基站间的转移可以视为Markov链。
把移动设备位于基站i视为状态1，位于基站j视为状态2，及其他可能出现的状态k。时段t用户在基站i与j间移动时，移动设备在基站i与j间的转移概率可以通过下面的表达式(1)来计算。
Figure BDA0001741131920000081
在上述表达式(1)中，
Figure BDA0001741131920000082
为时段t0从基站i移动到基站j的移动设备的转移概率，
Figure BDA0001741131920000083
为时段t0从基站i移动到基站j的移动设备的数量，n为时段t0与基站i有移动设备流动往来的基站个数。
需要说明的是，活动区域的常驻移动设备，在不同基站间的移动具有很强的周期性，工作日、周末的移动具有较大区别。
作为一个示例，根据活动举办的日期和具体时间，选择活动举办前m周的历史数据统计工作日或周末相应的各时段的常驻移动设备的基站间流量，按照表达式(1)计算常驻移动设备的转移概率，其中m为大于0的自然数。
作为一个示例，统计活动举办前第w周与活动举办期间相应的各时段从活动场所出发的常驻移动设备的转移概率pw，例如，活动举办前第w周与活动举办期间相应的各时段为t1，t2，t3时段，其中w为大于0的自然数。
Figure BDA0001741131920000084
在上述表达式(2)中，pw为第w周常驻移动设备的转移概率，i为活动区域所在的基站，n为时段t与基站i有移动设备流动往来的活动区域外的基站个数。
需要说明的是，选择活动举办前m周的历史数据，m的大小可以根据实际需要进行灵活定义，在此不作限定。如m可以为3，那么就选择活动举办前3周的历史数据。
另外，活动举办期间相应的各时段的确定可以根据实际需要进行灵活定义，在此不作限定。如活动举办时间为下午14:00-17:00，那么各时段可以是14:00-15:00、15:00-16:00、16:00-17:00。
同理，活动举办前m周里的任意一周的常驻移动设备的转移概率都可以根据上述表达式(2)进行计算，在此不再赘述。
在S220中，作为一个示例，计算第w周与活动举办期间相应的各时段的相邻时段，例如，t1，t2，t3时段，常驻移动设备从活动区域所在的基站i移动到活动区域外的基站j转移概率的差值，得到基站j方向上的转移概率的变化经验值
Figure BDA0001741131920000091
Figure BDA0001741131920000092
Figure BDA0001741131920000093
在上述表达式(3)和(4)中，
Figure BDA0001741131920000094
为第w周相邻时段t1，t2从基站i到基站j转移概率的变化经验值，
Figure BDA0001741131920000095
为第w周相邻时段t2，t3从基站i到基站j转移概率的变化经验值。
计算活动举办前m周的转移概率的变化经验值的平均值，得到转移概率的变化规律。
Figure BDA0001741131920000096
在上述表达式(5)中，
Figure BDA0001741131920000097
为从基站i到基站j转移概率的变化规律，t和t+1为活动举办期间相应的两个相邻时段。
同理，从活动区域所在基站i到活动区域外其他任意一个基站的转移概率的变化规律都可以根据上述表达式(3)、(4)和(5)进行计算，在此不做赘述。
在S230中，作为一个示例，计算第w周与活动举办期间相应的各时段的相邻时段，例如，t1，t2，t3时段，活动区域所在基站i的常驻移动设备数量的差值，得到数量的变化经验值
Figure BDA0001741131920000098
Figure BDA0001741131920000099
Figure BDA00017411319200000910
在上述表达式(6)和(7)中，
Figure BDA00017411319200000911
为第w周相邻时段t1，t2数量的变化经验值，
Figure BDA00017411319200000912
为第w周相邻时段t2，t3数量的变化经验值。
计算活动举办前m周的相邻时段的数量的变化经验值的平均值，得到数量的变化规律。
Figure BDA0001741131920000101
在上述表达式(8)中，
Figure BDA0001741131920000102
为活动区域所在基站i的数量的变化规律。
同理，活动区域所在的其他任意一个基站的数量的变化规律都可以根据上述表达式(6)、(7)和(8)进行计算，在此不做赘述。
在S240中，作为一个具体示例，根据相邻时段转移概率的变化规律和时段t的常驻移动设备的转移概率，在基站j方向上，计算下一时段常驻移动设备的转移概率。
Figure BDA0001741131920000103
在上述表达式(9)中，
Figure BDA0001741131920000104
为基站j方向上下一时段常驻移动设备的转移概率。
在S250中，作为一个示例，根据相邻时段数量的变化规律和时段t的常驻移动设备的数量，在活动区域所在基站i上，计算下一时段常驻移动设备的数量。
Figure BDA0001741131920000105
在上述表达式(10)中，
Figure BDA0001741131920000106
为下一时段常驻移动设备的数量。
在S260中，作为一个示例，在基站j方向上，计算下一时段的转移概率与下一时段的数量的乘积，得到常驻预测值。
Figure BDA0001741131920000107
在上述表达式(10)中，NC_predict为在基站j方向上的常驻预测值。
同理，从活动区域所在基站到活动区域外任意一个基站上的疏散需求的常驻预测值都可以根据上述表达式(11)进行计算，在此不做赘述。
在本发明的实施例中，首先统计活动发生前m周与所述活动发生期间相应的各时段的常驻移动设备的多方向转移概率；然后将相邻时段所述常驻移动设备的多方向转移概率的差值的平均值，作为所述常驻移动设备的多方向转移概率的变化规律；将相邻时段常驻移动设备的数量差值的平均值，作为常驻移动设备的数量的变化规律；进一步根据多方向转移概率的变化规律，预测下一时段常驻移动设备的多方向转移概率；根据数量的变化规律，预测下一时段所述常驻移动设备的数量；最后将下一时段常驻移动设备的多方向转移概率与下一时段常驻移动设备的数量的乘积，作为所述常驻预测值。基于常驻移动设备大量的历史数据进行常驻移动设备的多方向疏散需求的预测，预测值更为精细准确。
在S140中，作为一个示例，确定与新增移动设备相关的多方向疏散需求的新增预测值包括如图3所示的步骤。
图3示出了新增移动设备的疏散需求的预测方法的示意流程图。如图3所示，本发明实施例提供的新增移动设备的疏散需求的预测方法300，包括以下步骤：
S310，获取新增移动设备在所述活动区域的停留时长，基于停留时长和预设时长阈值，确定参与活动的新增移动设备。
S320，统计活动发生前h个时段参与活动的新增移动设备的多方向转移概率及数量，其中，h为大于0的自然数。
S330，将新增移动设备的多方向转移概率和新增移动设备的数量的乘积作为所述新增预测值。
在S310中，作为一个示例，新增移动设备在活动区域存在路过和停留两种可能，若新增移动设备参与活动，停留会持续一段时间。根据新增移动设备的停留时长和预设时长阈值，确定参与活动的新增移动设备数量Nnew。其中预设时长阈值可以根据经验值设定，在此不作限定。
作为一个示例，预设时长阈值设置为活动举办时长的20％，例如活动举办时长为3小时，那么预设时长阈值就为0.6小时。若新增移动设备在活动区域的停留时长大于或等于0.6小时，则认为该新增移动设备参与活动，若新增移动设备在活动区域的停留时长小于0.6小时，则认为该新增移动设备不参与活动。
在本发明的实施例中，将活动区域的新增移动设备分为参与活动和不参与活动两种情况，排除了不参与活动的新增移动设备对预测值的影响，从而实现更为精细准确的预测新增移动设备的疏散需求。
在S320中，作为一个示例，根据活动举办的具体时间，统计活动发生前h个时段，新增移动设备用户从活动区域外的基站转移到活动区域所在基站的累计值，按照表达式(12)计算新增移动设备的转移概率，其中h为大于0的自然数。
Figure BDA0001741131920000121
在上述表达式(12)中，
Figure BDA0001741131920000122
为活动发生前t′时段新增移动设备的转移概率，i为活动区域所在的基站，n为t′时段与基站i有移动设备流动往来的活动区域外的基站个数。
需要说明的是，活动发生前h个时段，h的取值可以根据实际需求灵活定义，在此不作限定。如活动举办时间为下午14:00-17:00，那么h可以为3，活动发生前3个时段即11:00-12:00、12:00-13:00、13:00-14:00。
同理，活动发生前任意时段新增移动设备的转移概率都可以根据上述表达式(12)进行计算，在此不再赘述。
在S330中，作为一个示例，参与活动的新增移动设备在活动结束后通常会返回来源地，利用新增移动设备在活动前的基站来源预测活动结束后新增移动设备的疏散需求，以新增移动设备在基站j方向上的疏散需求的预测为例，计算基站j方向上的新增移动设备的数量和新增移动设备的转移概率，确定新增预测值。
Figure BDA0001741131920000123
在上述表达式(13)中，NN_predictj为基站j方向上的新增预测值。
同理，从活动区域所在基站到活动区域外任意一个基站上的疏散需求的新增预测值都可以根据上述表达式(13)进行计算，在此不做赘述。
在本发明的实施例中，首先获取新增移动设备在所述活动区域的停留时长，基于停留时长和预设时长阈值，确定参与活动的新增移动设备；然后统计活动发生前h个时段参与活动的新增移动设备的多方向转移概率；最后将新增移动设备的多方向转移概率和新增移动设备的数量的乘积作为所述新增预测值。基于参与活动的新增移动设备在活动结束后通常会返回来源地进行新增移动设备的疏散需求的预测，预测值更为精细准确。
在S150中，作为一个示例，以基站j方向上为例，计算常驻预测值和新增预测值的和，确定活动区域的多方向疏散需求的第一预测值。
Figure BDA0001741131920000124
在上述表达式(14)中，Demandj为基站j方向上的第一预测值。
同理，从活动区域所在基站到活动区域外任意一个基站上的疏散需求的第一预测值都可以根据上述表达式(14)进行计算，在此不做赘述。
在本发明实施例中，计算常驻预测值和新增预测值的和，确定活动区域的多方向疏散需求的第一预测值，将移动设备分为常驻移动设备和新增移动设备，对移动设备类型进行区分，并针对不同类型进行分别预测，能够达到精准预测的目的。
作为一个示例，统计同方向θ角上的所有基站的疏散需求的第一预测值之和，作为该方向上的移动设备疏散需求的第一预测值。基于该方向上的第一预测值和活动区域的用户比例关系，确定活动区域的多方向疏散需求的整体预测值。
Figure BDA0001741131920000131
在上述表达式(15)中，Demandθ为θ角方向上的整体预测值，ρ为活动区域实际居民数与移动设备的用户数的比值，q为θ角方向上的基站个数，Demandk为基站k方向上的第一预测值。
需要说明的是，同方向θ角上的基站可能不止一个，将同方向θ角上的所有基站上的第一预测值相加，得到θ角方向上的第一预测值。
需要说明的是，活动区域的实际居民包括使用移动设备的、不使用移动设备的，基于活动区域实际居民数与移动设备的用户数的比值，得到的整体预测值更接近人群疏散需求的实际值。
同理，从活动区域所在基站到活动区域外任意一个方向上的疏散需求的整体预测值都可以根据上述表达式(15)进行计算，在此不做赘述。
在本发明实施例中，基于第一预测值和活动区域的用户比例关系，确定活动区域的多方向疏散需求的整体预测值，用户比例关系包括活动区域的实际居民数与活动区域的移动设备用户数的比值。整体预测值更接近人群疏散需求的实际值，即获得了更为精细化的人群疏散需求的预测结果。
基于同样的发明构思，本发明实施例还提供了一种人群疏散需求的预测装置。如图4所示，本发明人群疏散需求的预测装置，包括
获取模块401，用于获取活动区域的移动设备信令数据。
分析模块402，用于分析所述移动设备信令数据，确定所述活动区域的常驻移动设备和新增移动设备。
第一预测模块403，用于确定与常驻移动设备相关的多方向疏散需求的常驻预测值。
第二预测模块404，用于确定与新增移动设备相关的多方向疏散需求的新增预测值。
计算模块405，用于根据所述常驻预测值和所述新增预测值，确定所述活动区域的多方向疏散需求的整体预测值。
在一个实施方式中，分析模块402具体用于：获取活动发生前在活动区域出现的移动设备的国际移动设备身份码IMEI，以及活动发生期间在活动区域出现的移动设备的IMEI；根据活动发生前的IMEI与活动发生期间的IMEI的匹配结果，确定活动区域的常驻移动设备和新增移动设备。
在一个实施方式中，第二预测模块404具体用于：获取新增移动设备在活动区域的停留时长；基于停留时长和预设时长阈值，确定参与活动的新增移动设备。
在一个实施方式中，第一预测模块403具体用于：统计活动发生前m周与活动发生期间相应的各时段的常驻移动设备的多方向转移概率，其中m为大于0的自然数；确定常驻移动设备的多方向转移概率的变化规律；确定常驻移动设备的数量的变化规律；根据多方向转移概率的变化规律和数量的变化规律，确定常驻预测值。
在一个实施方式中，第一预测模块403具体用于：将相邻时段常驻移动设备的多方向转移概率的差值的平均值，作为常驻移动设备的多方向转移概率的变化规律。
在一个实施方式中，第一预测模块403具体用于：将相邻时段常驻移动设备的数量差值的平均值，作为常驻移动设备的数量的变化规律。
在一个实施方式中，第一预测模块403具体用于：根据多方向转移概率的变化规律，预测下一时段常驻移动设备的多方向转移概率；根据数量的变化规律，预测下一时段常驻移动设备的数量；将下一时段常驻移动设备的多方向转移概率与下一时段常驻移动设备的数量的乘积，作为常驻预测值。
在一个实施方式中，第二预测模块404具体用于：统计活动发生前h个时段参与活动的新增移动设备的多方向转移概率及数量，其中，h为大于0的自然数；将新增移动设备的多方向转移概率和新增移动设备的数量的乘积，作为新增预测值。
在一个实施方式中，计算模块405具体用于：根据常驻预测值和新增预测值，确定活动区域的移动设备的多方向疏散需求的第一预测值；
基于第一预测值与活动区域的用户比例关系，确定活动区域的多方向疏散需求的整体预测值，用户比例关系包括所述活动区域的实际居民数与活动区域的移动设备用户数的比值。
根据本发明实施例的人群疏散需求的预测装置的其他细节与以上结合图1至图3描述的根据本发明实施例的对人群疏散需求的预测方法类似，在此将不再赘述。
结合图1至图4描述的根据本发明实施例的人群疏散需求的预测方法和装置可以由人群疏散需求的预测设备来实现。图5是示出能够实现根据本发明实施例的人群疏散需求的预测方法和装置的人群疏散需求的预测的示例性硬件架构的结构图。如图5所示，人群疏散需求的预测设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备507。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与用户设备的定位系统500的其他组件连接。具体地，输入设备501接收来自外部例如用户设备的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506(例如显示器)将输出信息输出到用户设备的定位系统500的外部供用户使用。
在一个实施例中，图5所示的用户设备的定位系统500可以被实现为包括：存储器505，被配置为存储程序；接收单元501，被配置为接收各网络设备的端口流量信息、简单网络管理协议自陷告警信息和端口描述信息；处理器503，被配置为运行存储器中存储的程序，以执行以下步骤：获取活动区域的移动设备信令数据；根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备；确定与常驻移动设备相关的多方向疏散需求的常驻预测值；确定与新增移动设备相关的多方向疏散需求的新增预测值；根据常驻预测值和新增预测值，确定活动区域的移动设备的多方向疏散需求的整体预测值；显示器，用于显示生成的人群疏散需求的预测信息。
根据本发明实施例提供的人群疏散需求的预测设备，首先获取活动区域的移动设备信令数据，根据移动设备信令数据，确定活动区域的常驻移动设备和新增移动设备，然后确定与常驻移动设备相关的多方向疏散需求的常驻预测值和与新增移动设备相关的多方向疏散需求的新增预测值，最后根据常驻预测值和新增预测值，确定活动区域的移动设备的多方向疏散需求的整体预测值。本方案分别对活动区域的常驻移动设备和新增移动设备进行多方向疏散需求的预测，进而对活动区域的移动设备的多方向疏散需求进行整体预测，利用移动设备信令数据，克服了数据样本量小、获取实时性差的缺点，并且对常驻移动设备和新增移动设备分别进行多方向疏散需求的预测，能够实现更为精细化的多方向的疏散需求预测。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种人群疏散需求的预测方法，其特征在于，所述方法包括：
获取活动区域的移动设备信令数据；
根据所述移动设备信令数据，确定所述活动区域的常驻移动设备和新增移动设备；
确定与所述常驻移动设备相关的多方向疏散需求的常驻预测值；
确定与所述新增移动设备相关的多方向疏散需求的新增预测值；
根据所述常驻预测值和所述新增预测值，确定所述活动区域的多方向疏散需求的整体预测值；
所述常驻移动设备为对活动发生前在所述活动区域出现的移动设备的国际移动设备身份码IMEI和活动发生期间在所述活动区域出现的移动设备的IMEI进行匹配，能够匹配上的移动设备；
所述新增移动设备为对活动发生前在所述活动区域出现的移动设备的国际移动设备身份码IMEI和活动发生期间在所述活动区域出现的移动设备的IMEI进行匹配，匹配不上的移动设备；
所述确定与所述常驻移动设备相关的多方向疏散需求的常驻预测值，包括：
统计活动发生前m周与所述活动发生期间相应的各时段的常驻移动设备的多方向转移概率，其中m为大于0的自然数；
确定所述常驻移动设备的多方向转移概率的变化规律；
确定所述常驻移动设备的数量的变化规律；
根据所述多方向转移概率的变化规律和所述数量的变化规律，确定所述常驻预测值；
所述确定所述常驻移动设备的多方向转移概率的变化规律，包括：
将相邻时段所述常驻移动设备的多方向转移概率的差值的平均值，作为所述常驻移动设备的多方向转移概率的变化规律；
所述确定所述常驻移动设备的数量的变化规律，包括：
将相邻时段所述常驻移动设备的数量差值的平均值，作为所述常驻移动设备的数量的变化规律；
所述根据所述多方向转移概率的变化规律和所述数量的变化规律，确定所述常驻预测值，包括：
根据所述多方向转移概率的变化规律，预测下一时段常驻移动设备的多方向转移概率；
根据所述数量的变化规律，预测下一时段所述常驻移动设备的数量；
将所述下一时段常驻移动设备的多方向转移概率与所述下一时段常驻移动设备的数量的乘积，作为所述常驻预测值；
所述确定与所述新增移动设备相关的多方向疏散需求的新增预测值，包括：
统计活动发生前h个时段参与活动的所述新增移动设备的多方向转移概率及数量，其中，h为大于0的自然数；
将所述新增移动设备的多方向转移概率和所述新增移动设备的数量的乘积，作为所述新增预测值；
所述根据所述常驻预测值和所述新增预测值，确定所述活动区域的多方向疏散需求的整体预测值，包括：
根据所述常驻预测值和所述新增预测值，确定所述活动区域的移动设备的多方向疏散需求的第一预测值；
基于所述第一预测值与活动区域的用户比例关系，确定所述活动区域的多方向疏散需求的整体预测值，所述用户比例关系包括所述活动区域的实际居民数与所述活动区域的移动设备用户数的比值；
所述第一预测值为所述常驻预测值与所述新增预测值的和；
所述整体预测值为所述第一预测值与所述活动区域的用户比例关系的乘积。
2.根据权利要求1所述的方法，其特征在于，所述根据所述移动设备信令数据，确定所述活动区域的常驻移动设备和新增移动设备，包括：
获取活动发生前在所述活动区域出现的移动设备的国际移动设备身份码IMEI，以及活动发生期间在所述活动区域出现的移动设备的IMEI；
根据所述活动发生前的IMEI与所述活动发生期间的IMEI的匹配结果，确定所述活动区域的常驻移动设备和新增移动设备。
3.根据权利要求1所述的方法，其特征在于，所述确定与所述新增移动设备相关的多方向疏散需求的新增预测值之前，还包括：
获取所述新增移动设备在所述活动区域的停留时长；
基于所述停留时长和预设时长阈值，确定参与活动的所述新增移动设备。
4.一种人群疏散需求的预测装置，其特征在于，所述装置包括：
获取模块，用于获取活动区域的移动设备信令数据；
分析模块，用于分析所述移动设备信令数据，确定所述活动区域的常驻移动设备和新增移动设备；
第一预测模块，用于确定与所述常驻移动设备相关的多方向疏散需求的常驻预测值；
第二预测模块，用于确定与所述新增移动设备相关的多方向疏散需求的新增预测值；
计算模块，用于根据所述常驻预测值和所述新增预测值，确定所述活动区域的多方向疏散需求的整体预测值；
所述常驻移动设备为对活动发生前在所述活动区域出现的移动设备的国际移动设备身份码IMEI和活动发生期间在所述活动区域出现的移动设备的IMEI进行匹配，能够匹配上的移动设备；
所述新增移动设备为对活动发生前在所述活动区域出现的移动设备的国际移动设备身份码IMEI和活动发生期间在所述活动区域出现的移动设备的IMEI进行匹配，匹配不上的移动设备；
所述第一预测模块，具体用于：
统计活动发生前m周与所述活动发生期间相应的各时段的常驻移动设备的多方向转移概率，其中m为大于0的自然数；
确定所述常驻移动设备的多方向转移概率的变化规律；
确定所述常驻移动设备的数量的变化规律；
根据所述多方向转移概率的变化规律和所述数量的变化规律，确定所述常驻预测值；
将相邻时段所述常驻移动设备的多方向转移概率的差值的平均值，作为所述常驻移动设备的多方向转移概率的变化规律；
将相邻时段所述常驻移动设备的数量差值的平均值，作为所述常驻移动设备的数量的变化规律；
根据所述多方向转移概率的变化规律，预测下一时段常驻移动设备的多方向转移概率；
根据所述数量的变化规律，预测下一时段所述常驻移动设备的数量；
将所述下一时段常驻移动设备的多方向转移概率与所述下一时段常驻移动设备的数量的乘积，作为所述常驻预测值；
所述第二预测模块，具体用于：
统计活动发生前h个时段参与活动的所述新增移动设备的多方向转移概率及数量，其中，h为大于0的自然数；
将所述新增移动设备的多方向转移概率和所述新增移动设备的数量的乘积，作为所述新增预测值；
所述计算模块，具体用于：
根据所述常驻预测值和所述新增预测值，确定所述活动区域的移动设备的多方向疏散需求的第一预测值；
基于所述第一预测值与活动区域的用户比例关系，确定所述活动区域的多方向疏散需求的整体预测值，所述用户比例关系包括所述活动区域的实际居民数与所述活动区域的移动设备用户数的比值；
所述第一预测值为所述常驻预测值与所述新增预测值的和；
所述整体预测值为所述第一预测值与所述活动区域的用户比例关系的乘积。
5.一种人群疏散需求的预测设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-3中任一项所述的方法。
CN201810819803.8A 2018-07-24 2018-07-24 人群疏散需求的预测方法、装置、设备及介质 Active CN110751307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810819803.8A CN110751307B (zh) 2018-07-24 2018-07-24 人群疏散需求的预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810819803.8A CN110751307B (zh) 2018-07-24 2018-07-24 人群疏散需求的预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN110751307A CN110751307A (zh) 2020-02-04
CN110751307B true CN110751307B (zh) 2022-08-23

Family

ID=69275496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810819803.8A Active CN110751307B (zh) 2018-07-24 2018-07-24 人群疏散需求的预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110751307B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927591A (zh) * 2014-03-24 2014-07-16 北京交通大学 一种城市轨道交通应急疏散优化方法及系统
CN104635706A (zh) * 2015-02-05 2015-05-20 上海市城市建设设计研究总院 基于信息源检测的群集人员监测及预警的方法及系统
CN105512772A (zh) * 2015-12-22 2016-04-20 重庆邮电大学 一种基于移动网络信令数据的动态人流量预警方法
CN106792517A (zh) * 2016-12-05 2017-05-31 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN108184203A (zh) * 2017-12-26 2018-06-19 中国移动通信集团江苏有限公司 基于运营商位置信令的多级防控方法、装置、设备及介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170006421A1 (en) * 2013-12-27 2017-01-05 Sam Jerez Social Networking Interface
US9548828B1 (en) * 2014-12-31 2017-01-17 Namilogica LTD System and method for providing near real-time tsunami notification with the aid of a digital computer

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927591A (zh) * 2014-03-24 2014-07-16 北京交通大学 一种城市轨道交通应急疏散优化方法及系统
CN104635706A (zh) * 2015-02-05 2015-05-20 上海市城市建设设计研究总院 基于信息源检测的群集人员监测及预警的方法及系统
CN105512772A (zh) * 2015-12-22 2016-04-20 重庆邮电大学 一种基于移动网络信令数据的动态人流量预警方法
CN106792517A (zh) * 2016-12-05 2017-05-31 武汉大学 基于手机位置时空转移概率的基站服务人数时序预测方法
CN108184203A (zh) * 2017-12-26 2018-06-19 中国移动通信集团江苏有限公司 基于运营商位置信令的多级防控方法、装置、设备及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Adaptive routing and guidance approach for transportation evacuation;Bo Zhang等;《 2015 Winter Simulation Conference (WSC)》;20160218;第2008-2019页，全文 *
Positive Point Charge Potential Field based ACO algorithm for Multi-objective Evacuation Routing Optimization Problem;Fang zhixiang等;《2012 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》;20120802;第1-8页，全文 *
利用终端位置时空转移概率预测通讯基站服务用户规模;张韬等;《地球信息科学学报》;20170630;第19卷(第6期);第B026-2页，全文 *
非常规突发情况下大规模人群疏散的不确定性研究;王静虹;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》;20130915(第9期);第772-781页，全文 *
面向应急决策支持的城市交通疏散仿真方法研究;苑盛成;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20180515(第5期);第I138-31页，全文 *

Also Published As

Publication number Publication date
CN110751307A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN106878952B (zh) 区域人员数量的预测方法及装置
CN108053080B (zh) 区域用户数量统计值预测方法、装置、设备及介质
CN109921941B (zh) 网络业务质量评估和优化方法、装置、介质及电子设备
Do et al. Where and what: Using smartphones to predict next locations and applications in daily life
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
Dannemann et al. The time geography of segregation during working hours
WO2019172848A1 (en) Method and apparatus for predicting occurrence of an event to facilitate asset maintenance
Rivero et al. Energy associated tuning method for short-term series forecasting by complete and incomplete datasets
CN103731916A (zh) 一种基于无线网络的用户位置预测系统和方法
Yamada et al. Feature-selection based data prioritization in mobile traffic prediction using machine learning
Yang et al. Recurrent spatio-temporal point process for check-in time prediction
Oliveira et al. Measurement-driven mobile data traffic modeling in a large metropolitan area
Wen et al. Assisting intelligent wireless networks with traffic prediction: Exploring and exploiting predictive causality in wireless traffic
Bejarano-Luque et al. A deep-learning model for estimating the impact of social events on traffic demand on a cell basis
Fang et al. Idle time window prediction in cellular networks with deep spatiotemporal modeling
Ruíz-Guirola et al. Performance analysis of ML-based MTC traffic pattern predictors
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
Vaishali et al. Weather prediction model using Savitzky-Golay and Kalman Filters
CN113947260A (zh) 用户满意度预测方法、装置及电子设备
CN109618281A (zh) 一种高铁小区的识别方法及装置
CN110751307B (zh) 人群疏散需求的预测方法、装置、设备及介质
Ganewattha et al. Confidence aware deep learning driven wireless resource allocation in shared spectrum bands
Håkansson et al. Cost-aware dual prediction scheme for reducing transmissions at IoT sensor nodes
CN114158073B (zh) 网络切片部署方法、装置、设备及存储介质
CN114828055A (zh) 用户业务感知评估方法、装置、设备、介质和程序产品

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