CN110781742B - 一种人流智能识别出行管理系统 - Google Patents
一种人流智能识别出行管理系统 Download PDFInfo
- Publication number
- CN110781742B CN110781742B CN201910897191.9A CN201910897191A CN110781742B CN 110781742 B CN110781742 B CN 110781742B CN 201910897191 A CN201910897191 A CN 201910897191A CN 110781742 B CN110781742 B CN 110781742B
- Authority
- CN
- China
- Prior art keywords
- user
- people
- travel
- information
- algorithm
- 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
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人流智能识别出行管理系统,包括以下步骤:通过多摄像头实时采集系统对车站人流图片信息进行实时采集,通过人脸识别技术确定每个人的身份信息,通过一种基于时间‑地点序列的多输入多输出卷积神经网络算法TPSMIMOCNN(Time‑Place Series Multiple‑Input Multiple‑Output CNN)算法对不同用户的目的地、经济能力、同行人数、进行预测判断,并根据TPSMIMOCNN算法所提取到的信息,使用K均值聚类算法,为用户推广满意的酒店住宿信息,有效的提高了酒店平台的推广效率与用户的出行体验。
Description
技术领域
本发明涉及智能酒店管理领域,具体涉及一种人流智能识别出行管理系统
背景技术
现有技术只能根据用户以往的消费数据对用户的意向酒店进行推测,而此数据具有时效性,用户出行是低频行为,每两次出行之间会有一定的间隔,以往数据只能表征以往的用户特征,无法对用户进行实施表征,因此所推荐酒店并非用户的需求酒店,可能会导致用户需求难以满足,平台推广效率低,用户体验差等结果。
发明内容
有鉴于此,本发明提供了一种人流智能识别出行管理系统。
一种人流智能识别出行管理系统,包括以下步骤:
步骤1:通过多摄像头实时采集系统对车站人流图片信息进行实时采集,将车站人流图片信息数据通过网络传输给服务器,通过服务器进行人脸识别,从而获取用户身份信息,服务器将此用户出现过的图像、所截取图像的时间与地点进行记录;
步骤2:采用TPSMIMOCNN算法,对步骤1所采集到的此用户图片进行处理,实现对此用户的信息包括经济能力,同行人数,出行类型,出行目的地推测;
步骤3:以步骤2所推测到的信息作为特征,使用推荐算法,为用户推荐最满意的住宿酒店。
进一步地,所述步骤2中TPSMIMOCNN算法具体实现方式为:将步骤1所采集到此用户出现过的图像数据经过CNN的卷积层与池化层进行特征的提取,然后将所提取出的特征与服务器记录的地点特征一起作为输入特征,输入到CNN的神经网络层,从而得到此时用户的特征信息,然后加上上一时刻所获取到的时用户特征信息,从而组成多输入部分,并获取多个类别的输出,包括经济能力,同行人数,出行类型,出行目的地,从而构成一个多输入多输出的神经网络系统,实现对用户的特征信息推测。
进一步地,所述经济能力的判断方法为:对用户的照片进行人工标注,可根据用户的衣着与交通工具对用户的经济能力进行判断。
进一步地,所述同行人数的判断方法为:通过不同地点捕捉到的照片中,临近行人之间的行为动作对其同行人数进行判断。
进一步地,所述出行类型的判断方法为:通过对其同行人的判断,对其出行类型进行判断,带有小孩的,一般为家庭旅行,一男一女且关系亲密的,一般为情侣出行。
进一步地,所述步骤3中的推荐算法具体为K均值聚类算法。
进一步地,所述步骤3中为用户推荐最满意的住宿酒店的方法为:将以往在酒店住宿的用户和要推荐用户的同行人数,经济能力,出行类型以及出行目的地,作为特征空间,根据已住宿用户和推荐用户在特征空间上的欧式距离,判断是否属于同一类别,从而为同一类别中的相似用户推荐最满意的酒店。
本发明提供的技术方案带来的有益效果是:可以根据用户的出行信息进行实时判断,根据其经济能力,出行目的,出行类型与出行人数四个方面进行多方位考虑,从而为用户推荐最满意的酒店提供居住,提高了用户的出行体验与酒店的推广效率。
附图说明
图1是本发明一种人流智能识别出行管理系统系统整体框图;
图2是本发明一种人流智能识别出行管理系统TPSMIMOCNN模型图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
步骤1:通过多摄像头实时采集系统对车站人流图片信息进行实时采集,通过人脸识别技术确定每个人的身份信息;
请参考图1,多摄像头系统采集图片信息后,通过5G网络模块,将数据通过网络传输给主服务器,5G网络具有速度快,吞吐量大等特点,因此可以实现图像信息的实时传输,同时并通过服务器对人脸进行识别,从而获取用户身份,而系统中的服务器则将此用户出现过的图像、所截取图像的时间与地点进行记录。
步骤2:提出一种TPSMIMOCNN算法,对步骤1所采集到的车站人流图片信息进行处理,实现对用户的信息包括经济能力,同行人数,出行类型,出行目的地进行推测;
接下来使用TPSMIMOCNN算法,此算法是一种深度学习算法,将服务器记录的此用户的图像信息与时间序列与地点序列加入特征,图像特征与上一次提取到的图像特征,以及所储存的地点信息同时作为输入特征,从而组成多输入部分,并获取多个类别的输出,分别是:经济能力包括高、中、低,同行人数包括三人及以上、两人、一人,出行类型包括情侣、商务、家庭出行、旅游休闲,出行目的地;
通过对这些出行旅客的照片进行人工标注,实现分类功能,根据用户的衣着与交通工具对用户的经济能力进行判断,将鞋子或者衣服的品牌分为高中低三类,当鞋子或者衣服为高端品牌时,则经济能力判断为高,如果鞋子或者衣服为一般品牌时,则经济能力判断为中,如果穿着很质朴比如民工之类的穿着,经济能力判断为低;通过不同地点捕捉到的照片中,临近行人之间的行为动作对其同行人数进行判断,通过对其同行人的判断,对其出行类型进行判断,比如带有小孩的,一般为家庭旅行,一男一女且关系亲密的,一般为情侣出行。通过人工标注,获取标注的照片以及照片所对应的分类,再将此分类好的数据信息通过上述神经网络算法进行训练,从而实现神经网路的分类功能,其结构如图2所示。
步骤3:以步骤2所推测到的信息作为特征,使用K均值聚类算法,为用户推荐最满意的住宿酒店;
以TPSMIMOCNN算法所推测到的信息作为特征,实现酒店推荐系统,使用K均值聚类算法作为推荐算法,将以往在酒店住宿且进行过五星评价的用户和要推荐用户的同行人数,经济能力,出行类型以及出行目的地作为特征空间,根据已住宿用户和推荐用户在特征空间上的欧式距离,判断是否属于同一类别,欧氏距离最近的属于同一类,从而为同一类别中的相似用户推荐最满意的酒店。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种人流智能识别出行管理系统,其特征在于,包括以下步骤:
步骤1:通过多摄像头实时采集系统对车站人流图片信息进行实时采集,将车站人流图片信息数据通过网络传输给服务器,通过服务器进行人脸识别,从而获取用户身份信息,服务器将用户出现过的图像、用户出现过的图像的时间与地点进行记录;
步骤2:采用TPSMIMOCNN算法,对步骤1所采集到的此用户图片进行处理,实现对此用户的信息包括经济能力,同行人数,出行类型以及出行目的地推测;
步骤3:以步骤2所推测到的信息作为特征,使用推荐算法,为用户推荐最满意的住宿酒店;
所述步骤2中TPSMIMOCNN算法具体实现方式为:将步骤1所采集到此用户出现过的图像数据经过CNN的卷积层与池化层进行特征的提取,然后将所提取出的特征与服务器记录的地点特征一起作为输入特征,输入到CNN的神经网络层,从而得到此时用户的特征信息,然后加上上一时刻所获取到的用户特征信息,从而组成多输入部分,并获取多个类别的输出,包括经济能力,同行人数,出行类型,出行目的地,从而构成一个多输入多输出的神经网络系统,实现对用户的特征信息推测。
2.根据权利要求1所述的一种人流智能识别出行管理系统,其特征在于,所述经济能力的判断方法为:对用户的照片进行人工标注,可根据用户的衣着与交通工具对用户的经济能力进行判断。
3.根据权利要求1所述的一种人流智能识别出行管理系统,其特征在于,所述同行人数的判断方法为:通过不同地点捕捉到的照片中,临近行人之间的行为动作对其同行人数进行判断。
4.根据权利要求1所述的一种人流智能识别出行管理系统,其特征在于,所述出行类型的判断方法为:通过对其同行人的判断,对其出行类型进行判断,带有小孩的,一般为家庭旅行,一男一女且关系亲密的,一般为情侣出行。
5.根据权利要求1所述的一种人流智能识别出行管理系统,其特征在于,所述步骤3中的推荐算法具体为K均值聚类算法。
6.根据权利要求1所述的一种人流智能识别出行管理系统,其特征在于,所述步骤3中为用户推荐最满意的住宿酒店的方法为:将以往在酒店住宿且做过五星评价的用户和要推荐用户的同行人数,经济能力,出行类型以及出行目的地,作为特征空间,根据已住宿用户和推荐用户在特征空间上的欧式距离,判断是否属于同一类别,从而为同一类别中的相似用户推荐最满意的酒店。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897191.9A CN110781742B (zh) | 2019-09-23 | 2019-09-23 | 一种人流智能识别出行管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897191.9A CN110781742B (zh) | 2019-09-23 | 2019-09-23 | 一种人流智能识别出行管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781742A CN110781742A (zh) | 2020-02-11 |
CN110781742B true CN110781742B (zh) | 2020-10-30 |
Family
ID=69383717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910897191.9A Active CN110781742B (zh) | 2019-09-23 | 2019-09-23 | 一种人流智能识别出行管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781742B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006155545A (ja) * | 2004-11-30 | 2006-06-15 | Hiroshi Kida | 画像評価装置及びカメラ付き携帯端末 |
CN104573621A (zh) * | 2014-09-30 | 2015-04-29 | 李文生 | 基于Chebyshev神经网络的动态手势学习和识别方法 |
US10083369B2 (en) * | 2016-07-01 | 2018-09-25 | Ricoh Company, Ltd. | Active view planning by deep learning |
CN107708080A (zh) * | 2017-09-29 | 2018-02-16 | 联想(北京)有限公司 | 数据处理方法和电子设备 |
CN107992795B (zh) * | 2017-10-27 | 2021-08-31 | 江西高创保安服务技术有限公司 | 基于人口信息库与实名通话记录的团伙及其头目识别方法 |
CN110059795A (zh) * | 2018-01-18 | 2019-07-26 | 中国科学院声学研究所 | 一种融合地理位置与时间特征的移动用户节点组网方法 |
CN108960119B (zh) * | 2018-06-28 | 2021-06-08 | 武汉市哈哈便利科技有限公司 | 一种用于无人售货柜的多角度视频融合的商品识别算法 |
CN109658194A (zh) * | 2018-12-20 | 2019-04-19 | 焦点科技股份有限公司 | 一种基于视频追踪的客户推荐方法及系统 |
CN109858388A (zh) * | 2019-01-09 | 2019-06-07 | 武汉中联智诚科技有限公司 | 一种智慧旅游管理系统 |
CN109800355B (zh) * | 2019-01-21 | 2021-01-05 | 美的集团武汉制冷设备有限公司 | 筛选展示方法、机器人及计算机可读存储介质 |
-
2019
- 2019-09-23 CN CN201910897191.9A patent/CN110781742B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110781742A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | Clustering passenger trip data for the potential passenger investigation and line design of customized commuter bus | |
CN108388888B (zh) | 一种车辆识别方法、装置和存储介质 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
Papadopoulos et al. | Cluster-based landmark and event detection for tagged photo collections | |
Matzen et al. | Streetstyle: Exploring world-wide clothing styles from millions of photos | |
CN104063683B (zh) | 一种基于人脸识别的表情输入方法和装置 | |
CN109858388A (zh) | 一种智慧旅游管理系统 | |
CN107368534B (zh) | 一种预测社交网络用户属性的方法 | |
CN102937951B (zh) | 建立ip地址分类模型的方法、对用户分类的方法及装置 | |
CN106778876A (zh) | 基于移动用户轨迹相似性的用户分类方法和系统 | |
CN106778684A (zh) | 深度神经网络训练方法及人脸识别方法 | |
CN109214346B (zh) | 基于层次信息传递的图片人体动作识别方法 | |
CN102165464A (zh) | 用于对视频内容中的人进行自动注释的方法和系统 | |
CN109033325A (zh) | 基于人脸识别技术的旅游终端系统及其使用方法 | |
CN109063565A (zh) | 一种低分辨率人脸识别方法及装置 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN110070066A (zh) | 一种基于姿态关键帧的视频行人重识别方法及系统 | |
CN108960048A (zh) | 一种基于大数据的用于景区失踪游客的搜索方法及系统 | |
CN107947874B (zh) | 基于WiFi信道状态信息的室内地图语义标识方法 | |
CN106294738B (zh) | 一种智能家居场景配置方法 | |
CN107169106A (zh) | 视频检索方法、装置、存储介质及处理器 | |
CN111582178B (zh) | 基于多方位信息和多分支神经网络车辆重识别方法及系统 | |
CN110162643A (zh) | 电子相册报告生成方法、装置及存储介质 | |
CN111597870A (zh) | 一种基于注意力机制与多任务学习的人体属性识别方法 | |
CN109740573A (zh) | 视频分析方法、装置、设备及服务器 |
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 |