CN111027592B - 细粒度对象流量分析方法和装置 - Google Patents

细粒度对象流量分析方法和装置 Download PDF

Info

Publication number
CN111027592B
CN111027592B CN201911117522.9A CN201911117522A CN111027592B CN 111027592 B CN111027592 B CN 111027592B CN 201911117522 A CN201911117522 A CN 201911117522A CN 111027592 B CN111027592 B CN 111027592B
Authority
CN
China
Prior art keywords
flow
fine
grained
grained object
training
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
CN201911117522.9A
Other languages
English (en)
Other versions
CN111027592A (zh
Inventor
杨洪陶
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.)
Zhongke Soft Intelligence Beijing Technology Co ltd
Original Assignee
Zhongke Soft Intelligence Beijing Technology 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 Zhongke Soft Intelligence Beijing Technology Co ltd filed Critical Zhongke Soft Intelligence Beijing Technology Co ltd
Priority to CN201911117522.9A priority Critical patent/CN111027592B/zh
Publication of CN111027592A publication Critical patent/CN111027592A/zh
Application granted granted Critical
Publication of CN111027592B publication Critical patent/CN111027592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种细粒度对象流量分析方法和装置。该方法包括：获取目标细粒度对象当前时刻对应的流量数据；将流量数据进行转换处理，生成目标细粒度对象对应的第一流量训练数据；获取当前时刻的相邻对象组对应的第二流量训练数据，其中，相邻对象组包括与目标细粒度对象相邻的细粒度对象；根据细粒度对象流量预测模型对第一流量训练数据和第二流程训练数据进行计算，得到目标细粒度对象下一时刻对应的流量预测数据。本申请可以解决相关技术中无法实现对活动区域进行人流量集中度和变化趋势进行预测的技术问题。

Description

细粒度对象流量分析方法和装置
技术领域
本申请涉及大数据技术领域，具体而言，涉及一种细粒度对象流量分析方法和装置。
背景技术
在大型园区、会展中心等举行大型活动的场合时，由于人流量较大，从安全等因素考虑，人流量集中度和变化趋势是需要被及时感知的，以便于进行客流疏导。但是，目前相关技术中无法实现对活动区域进行人流量集中度和变化趋势进行预测。
针对相关技术中无法实现对活动区域进行人流量集中度和变化趋势进行预测的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种细粒度对象流量分析方法和装置，以解决相关技术中无法实现对活动区域进行人流量集中度和变化趋势进行预测的问题。
为了实现上述目的，第一方面，本申请提供了一种细粒度对象流量分析方法，该方法包括：
获取目标细粒度对象当前时刻对应的流量数据；
将所述流量数据进行转换处理，生成所述目标细粒度对象对应的第一流量训练数据；
获取当前时刻的相邻对象组对应的第二流量训练数据，其中，所述相邻对象组包括与所述目标细粒度对象相邻的细粒度对象；
根据所述细粒度对象流量预测模型对所述第一流量训练数据和第二流程训练数据进行计算，得到所述目标细粒度对象下一时刻对应的流量预测数据。
可选地，该方法还包括
获取所述目标细粒度对象对应的流量统计序列，其中，所述流量统计序列包括所述目标细粒度对象对应的按时序排列的流量数据；
对所述流量统计序列进行转换处理，生成所述目标细粒度对象对应的流量训练序列；
将所述目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到所述细粒度对象流量预测模型。
可选地，所述流量数据包括细粒度对象的通行平均速度以及本地流量值与全局总流量之比。
可选地，所述转换处理包括离散化处理。
可选地，所述转换处理还包括对所述离散化处理的结果进行状态分类。
第二方面，本申请还提供了一种细粒度对象流量分析装置，该装置包括：
第一获取模块，用于获取目标细粒度对象当前时刻对应的流量数据；
第一转换模块，用于将所述流量数据进行转换处理，生成所述目标细粒度对象对应的第一流量训练数据；
第二获取模块，用于获取当前时刻的相邻对象组对应的第二流量训练数据，其中，所述相邻对象组包括与所述目标细粒度对象相邻的细粒度对象；
流量预测模块，用于根据所述细粒度对象流量预测模型对所述第一流量训练数据和第二流程训练数据进行计算，得到所述目标细粒度对象下一时刻对应的流量预测数据。
可选地，该装置还包括：
第三获取模块，用于获取所述目标细粒度对象对应的流量统计序列，其中，所述流量统计序列包括所述目标细粒度对象对应的按时序排列的流量数据；
第二转换模块，用于对所述流量统计序列进行转换处理，生成所述目标细粒度对象对应的流量训练序列；
模型构建模块，用于将所述目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到所述细粒度对象流量预测模型。
可选地，所述流量数据包括细粒度对象的通行平均速度以及本地流量值与全局总流量之比。
第三方面，本申请还提供了一种计算机设备，包括：存储器和处理器；所述存储器上存储有可由所述处理器运行的计算机程序；所述处理器运行所述计算机程序时，执行上述的细粒度对象流量分析方法。
第四方面，本申请还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有计算机代码，当所述计算机代码被执行时，上述的细粒度对象流量分析方法被执行。
在本申请提供的细粒度对象流量分析方法中，通过获取目标细粒度对象当前时刻对应的流量数据；将流量数据进行转换处理，生成目标细粒度对象对应的第一流量训练数据；获取当前时刻的相邻对象组对应的第二流量训练数据，其中，相邻对象组包括与目标细粒度对象相邻的细粒度对象；根据细粒度对象流量预测模型对第一流量训练数据和第二流程训练数据进行计算，得到目标细粒度对象下一时刻对应的流量预测数据。这样，可以根据园区地理规划特征，建立以场馆及栅格地块为主体的细粒度对象体系，再在园区的用户行为数据采集基础上，将细粒度对象的流量占比作为基本的计算对象构成训练集，带入基于细粒度对象的流量数据构建的细粒度对象流量预测模型，进而得到目标细粒度对象下一时刻对应的流量预测数据，从而实现确定出各活动区域(细粒度对象)的人流量集中度和变化趋势的目的。进而解决了相关技术中无法实现对活动区域进行人流量集中度和变化趋势进行预测的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例提供的一种细粒度对象流量分析方法的流程示意图；
图2是本申请实施例提供的一种细粒度对象流量预测模型的构建方法流程示意图；
图3是本申请实施例提供的一种细粒度对象流量分析装置的结构示意图；
图4是本申请实施例提供的另一种细粒度对象流量分析装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
根据本申请的一个方面，本申请实施例提供了一种细粒度对象流量分析方法，图1是本申请实施例提供的一种细粒度对象流量分析方法的流程示意图，如图1所示，该方法包括如下的步骤110至步骤140：
110，获取目标细粒度对象当前时刻对应的流量数据。
其中，可以根据园区地理规划特征，建立以场馆及栅格地块为主体的细粒度对象体系，可选地，流量数据包括细粒度对象的通行平均速度以及本地流量值与全局总流量之比，也就是说，将细粒度对象的流量占比、通行平均速度等作为流量数据V，即V＝{localPop/totalPop，velocity}，其中：
localPop为细粒度对象的本地流量值统计，
totalPop为整个园区中全部细粒度对象的全局总流量统计，
velocity为通行平均速度。
具体的，根据在园区的用户行为数据确定出目标细粒度对象当前时刻对应的流量数据。
120，将流量数据进行转换处理，生成目标细粒度对象对应的第一流量训练数据。
具体的，可以将流量数据进行转换处理生成符合细粒度对象流量预测模型输入项的流量训练数据。
可选地，该转换处理包括离散化处理。
具体为：通过对流量数据V的离散化处理形成取值分布区间V’，V’可以增加细粒度对象流量预测模型的计算敏感度，进而提高预测的准确性。
另外，可选地，该转换处理还包括对离散化处理的结果进行状态分类。
具体为：依据流量的状态分类可以对V’进行状态分类的标识，这样，例如，人流量大于一个预设值时，流量的状态分类标识为危险和/或红色，人流量小于另一个预设值时，流量的状态分类标识为安全和/或绿色等等。这样，经过细粒度对象流量预测模型得到的流量预测数据也会包括有该状态分类，从而更加直观的确定出人流量集中度和变化趋势等信息。
130，获取当前时刻的相邻对象组对应的第二流量训练数据，其中，相邻对象组包括与目标细粒度对象相邻的细粒度对象。
具体的，由于相邻对象组中的人流量一定会影响目标细粒度对象，因此，通过相邻对象组对应的第二流量训练数据，可以提高粒度对象流量预测模型的计算结果准确性。
140，根据细粒度对象流量预测模型对第一流量训练数据和第二流程训练数据进行计算，得到目标细粒度对象下一时刻对应的流量预测数据。
具体的，根据园区地理规划特征，建立以场馆及栅格地块为主体的细粒度对象体系，再在园区的用户行为数据采集基础上，将细粒度对象的流量占比作为基本的计算对象构成训练集，带入基于细粒度对象的流量数据构建的细粒度对象流量预测模型，进而得到目标细粒度对象下一时刻对应的流量预测数据，从而实现确定出各活动区域(细粒度对象)的人流量集中度和变化趋势的目的。
可选地，该方法还包括细粒度对象流量预测模型的构建过程，该过程可以如图2所示，其中，通过以下步骤可以构建出细粒度对象流量预测模型，具体为：
获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据；
对流量统计序列进行转换处理，生成目标细粒度对象对应的流量训练序列；
将目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到细粒度对象流量预测模型。
具体地，先获取细粒度对象流量统计的离线累积数据集，之后，选取或指定一个细粒度对象作为目标细粒度对象，获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据Vi，在通过对Vi进行转换处理，生成流量训练数据V’i，从而生成目标细粒度对象对应的流量训练序列，以Ti时刻以及Ti+1时刻的目标细粒度对象的V’构造训练集，将目标细粒度对象Oself自身及周边相邻对象组{ON,OWN,OW,OWS,OS,OES,OE,OEN}i的V’i作为输入量，将V’i+1作为输出量，带入计算模型中进行迭代训练计算，在计算过程中，具体为：
1)令i＝1；
2)构造第i时刻的训练数据集；
3)检测是否构造完成该细粒度对象对应的全部训练数据集，若未完成，继续执行步骤4)，否则执行步骤5)；
4)令i＝i+1，继续构造训练数据集，执行步骤5)；
5)将训练数据集代入训练当前细粒度对象流量预测模型进行训练。
在本申请提供的细粒度对象流量分析方法中，通过步骤110，获取目标细粒度对象当前时刻对应的流量数据；步骤120，将流量数据进行转换处理，生成目标细粒度对象对应的第一流量训练数据；步骤130，获取当前时刻的相邻对象组对应的第二流量训练数据，其中，相邻对象组包括与目标细粒度对象相邻的细粒度对象；步骤140，根据细粒度对象流量预测模型对第一流量训练数据和第二流程训练数据进行计算，得到目标细粒度对象下一时刻对应的流量预测数据。这样，可以根据园区地理规划特征，建立以场馆及栅格地块为主体的细粒度对象体系，再在园区的用户行为数据采集基础上，将细粒度对象的流量占比作为基本的计算对象构成训练集，带入基于细粒度对象的流量数据构建的细粒度对象流量预测模型，进而得到目标细粒度对象下一时刻对应的流量预测数据，从而实现确定出各活动区域(细粒度对象)的人流量集中度和变化趋势的目的。进而解决了相关技术中无法实现对活动区域进行人流量集中度和变化趋势进行预测的技术问题。
基于与上述方法实施例相同的技术构思，本申请还提供了一种细粒度对象流量分析装置，图3是本申请实施例提供的一种细粒度对象流量分析装置的结构示意图，如图3所示，该装置包括：
第一获取模块10，用于获取目标细粒度对象当前时刻对应的流量数据；
第一转换模块20，用于将流量数据进行转换处理，生成目标细粒度对象对应的第一流量训练数据；
第二获取模块30，用于获取当前时刻的相邻对象组对应的第二流量训练数据，其中，相邻对象组包括与目标细粒度对象相邻的细粒度对象；
流量预测模块40，用于根据细粒度对象流量预测模型对第一流量训练数据和第二流程训练数据进行计算，得到目标细粒度对象下一时刻对应的流量预测数据。
可选地，图4是本申请实施例提供的另一种细粒度对象流量分析装置的结构示意图，如图4所示，该装置还包括：
第三获取模块50，用于获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据；
第二转换模块60，用于对流量统计序列进行转换处理，生成目标细粒度对象对应的流量训练序列；
模型构建模块70，用于将目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到细粒度对象流量预测模型。
可选地，流量数据包括细粒度对象的通行平均速度以及本地流量值与全局总流量之比。
可选地，转换处理包括离散化处理。
可选地，转换处理还包括对离散化处理的结果进行状态分类。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元或模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的装置、单元、模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与上述方法实施例相对应，本说明书的实施例还提供了一种计算机设备，该计算机设备包括存储器和处理器。其中，存储器上存储有能够由处理器运行的计算机程序；处理器在运行存储的计算机程序时，执行本说明书实施例中上述服务提供终端所执行的数据处理方法的各个步骤。对上述服务提供终端所执行的数据处理方法的各个步骤的详细描述请参见之前的内容，不再重复。
与上述方法实施例相对应，本说明书的实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，这些计算机程序在被处理器运行时，执行本说明书实施例中服务提供终端所执行的数据处理方法的各个步骤。对上述服务提供终端所执行的数据处理方法的各个步骤的详细描述请参见之前的内容，不再重复。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书的实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书的实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (10)

1.一种细粒度对象流量分析方法，其特征在于，
该方法包括：
获取目标细粒度对象当前时刻对应的流量数据；
将所述流量数据进行转换处理，生成所述目标细粒度对象对应的第一流量训练数据；
获取当前时刻的相邻对象组对应的第二流量训练数据，其中，所述相邻对象组包括与所述目标细粒度对象相邻的细粒度对象；
根据所述细粒度对象流量预测模型对所述第一流量训练数据和第二流量训练数据进行计算，得到所述目标细粒度对象下一时刻对应的流量预测数据；
细粒度对象流量预测模型的构建，包括以下步骤：
获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据；
对流量统计序列进行转换处理，生成目标细粒度对象对应的流量训练序列；
将目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到细粒度对象流量预测模型；
目标细粒度对象下一时刻对应的流量预测数据的计算方法为：
先获取细粒度对象流量统计的离线累积数据集，之后，选取或指定一个细粒度对象作为目标细粒度对象，获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据Vi，再通过对Vi进行转换处理，生成流量训练数据V'i，从而生成目标细粒度对象对应的流量训练序列，以Ti时刻以及Ti+1时刻的目标细粒度对象的V'i构造训练集，将目标细粒度对象Oself自身及周边相邻对象组{ON,OWN,OW,OWS,OS,OES,OE,OEN}i的V'i作为输入量，将V'i+1作为输出量，带入计算模型中进行迭代训练计算，在计算过程中，具体为：
1)令i＝1；
2)构造第i时刻的训练数据集；
3)检测是否构造完成该细粒度对象对应的全部训练数据集，若未完成，继续执行步骤4)，否则执行步骤5)；
4)令i＝i+1，继续构造训练数据集，执行步骤5)；
5)将训练数据集代入当前细粒度对象流量预测模型进行训练。
2.根据权利要求1所述的细粒度对象流量分析方法，其特征在于，
该方法还包括：
获取所述目标细粒度对象对应的流量统计序列，其中，所述流量统计序列包括所述目标细粒度对象对应的按时序排列的流量数据；
对所述流量统计序列进行转换处理，生成所述目标细粒度对象对应的流量训练序列；
将所述目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到所述细粒度对象流量预测模型。
3.根据权利要求1或2所述的细粒度对象流量分析方法，其特征在于，
所述流量数据包括细粒度对象的通行平均速度以及本地流量值与全局总流量之比。
4.根据权利要求1或2所述的细粒度对象流量分析方法，其特征在于，
所述转换处理包括离散化处理。
5.根据权利要求4所述的细粒度对象流量分析方法，其特征在于，
所述转换处理还包括对所述离散化处理的结果进行状态分类。
6.一种细粒度对象流量分析装置，其特征在于，
该装置包括：
第一获取模块，用于获取目标细粒度对象当前时刻对应的流量数据；
第一转换模块，用于将所述流量数据进行转换处理，生成所述目标细粒度对象对应的第一流量训练数据；
第二获取模块，用于获取当前时刻的相邻对象组对应的第二流量训练数据，其中，所述相邻对象组包括与所述目标细粒度对象相邻的细粒度对象；
流量预测模块，用于根据所述细粒度对象流量预测模型对所述第一流量训练数据和第二流量训练数据进行计算，得到所述目标细粒度对象下一时刻对应的流量预测数据；
细粒度对象流量预测模型的构建，包括以下步骤：
获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据；
对流量统计序列进行转换处理，生成目标细粒度对象对应的流量训练序列；
将目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到细粒度对象流量预测模型；
目标细粒度对象下一时刻对应的流量预测数据的计算方法为：
先获取细粒度对象流量统计的离线累积数据集，之后，选取或指定一个细粒度对象作为目标细粒度对象，获取目标细粒度对象对应的流量统计序列，其中，流量统计序列包括目标细粒度对象对应的按时序排列的流量数据Vi，再通过对Vi进行转换处理，生成流量训练数据V'i，从而生成目标细粒度对象对应的流量训练序列，以Ti时刻以及Ti+1时刻的目标细粒度对象的V'i构造训练集，将目标细粒度对象Oself自身及周边相邻对象组{ON,OWN,OW,OWS,OS,OES,OE,OEN}i的V'i作为输入量，将V'i+1作为输出量，带入计算模型中进行迭代训练计算，在计算过程中，具体为：
1)令i＝1；
2)构造第i时刻的训练数据集；
3)检测是否构造完成该细粒度对象对应的全部训练数据集，若未完成，继续执行步骤4)，否则执行步骤5)；
4)令i＝i+1，继续构造训练数据集，执行步骤5)；
5)将训练数据集代入当前细粒度对象流量预测模型进行训练。
7.根据权利要求6所述的细粒度对象流量分析装置，其特征在于，
该装置还包括：
第三获取模块，用于获取所述目标细粒度对象对应的流量统计序列，其中，所述流量统计序列包括所述目标细粒度对象对应的按时序排列的流量数据；
第二转换模块，用于对所述流量统计序列进行转换处理，生成所述目标细粒度对象对应的流量训练序列；
模型构建模块，用于将所述目标细粒度对象和周围相邻对象组对应的流量训练序列中前一时刻对应的流量训练数据作为后一时刻对应的流量训练数据的输入量带入计算模型中进行迭代训练计算，得到所述细粒度对象流量预测模型。
8.根据权利要求6或7所述的细粒度对象流量分析装置，其特征在于，
所述流量数据包括细粒度对象的通行平均速度以及本地流量值与全局总流量之比。
9.一种计算机设备，包括：
存储器和处理器；
所述存储器上存储有由所述处理器运行的计算机程序；
所述处理器运行所述计算机程序时，执行如权利要求1到5任意一项所述的细粒度对象流量分析方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如权利要求1-5任一项所述的细粒度对象流量分析方法被执行。
CN201911117522.9A 2019-11-14 2019-11-14 细粒度对象流量分析方法和装置 Active CN111027592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911117522.9A CN111027592B (zh) 2019-11-14 2019-11-14 细粒度对象流量分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911117522.9A CN111027592B (zh) 2019-11-14 2019-11-14 细粒度对象流量分析方法和装置

Publications (2)

Publication Number Publication Date
CN111027592A CN111027592A (zh) 2020-04-17
CN111027592B true CN111027592B (zh) 2023-07-11

Family

ID=70200306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911117522.9A Active CN111027592B (zh) 2019-11-14 2019-11-14 细粒度对象流量分析方法和装置

Country Status (1)

Country Link
CN (1) CN111027592B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361810B (zh) * 2021-06-30 2024-04-26 佳都科技集团股份有限公司 一种客流量预测方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305094A (zh) * 2017-12-18 2018-07-20 北京三快在线科技有限公司 一种用户行为预测方法及装置，电子设备
CN109041099A (zh) * 2018-06-28 2018-12-18 新华三大数据技术有限公司 人流量预测方法、装置及终端
CN109559512A (zh) * 2018-12-05 2019-04-02 北京掌行通信息技术有限公司 一种区域交通流量预测方法及装置
CN109711865A (zh) * 2018-12-07 2019-05-03 恒安嘉新（北京）科技股份公司 一种基于用户行为挖掘的移动通信网流量精细化预测的方法
CN109858552A (zh) * 2019-01-31 2019-06-07 深兰科技（上海）有限公司 一种用于细粒度分类的目标检测方法及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171257B (zh) * 2017-12-01 2019-11-26 百度在线网络技术（北京）有限公司 细粒度图像识别模型训练及识别方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108305094A (zh) * 2017-12-18 2018-07-20 北京三快在线科技有限公司 一种用户行为预测方法及装置，电子设备
CN109041099A (zh) * 2018-06-28 2018-12-18 新华三大数据技术有限公司 人流量预测方法、装置及终端
CN109559512A (zh) * 2018-12-05 2019-04-02 北京掌行通信息技术有限公司 一种区域交通流量预测方法及装置
CN109711865A (zh) * 2018-12-07 2019-05-03 恒安嘉新（北京）科技股份公司 一种基于用户行为挖掘的移动通信网流量精细化预测的方法
CN109858552A (zh) * 2019-01-31 2019-06-07 深兰科技（上海）有限公司 一种用于细粒度分类的目标检测方法及设备

Also Published As

Publication number Publication date
CN111027592A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
JP6692561B2 (ja) ブロックチェーンコンセンサス方法およびデバイス
CN108446281B (zh) 确定用户亲密度的方法、装置及存储介质
US10667083B1 (en) Method and apparatus for determining index grids of geo-fence
CN106649331B (zh) 商圈识别方法及设备
Richter et al. Temporal and spatial clustering for a parking prediction service
CN111309614B (zh) A/b测试方法、装置及电子设备
JP2020514866A (ja) ブロックチェーンベースのデータ処理方法および装置
TWI718379B (zh) 針對使用共享物品的使用者評估方法、裝置及設備
CN113837635B (zh) 风险检测处理方法、装置及设备
CN111487624A (zh) 一种预测降雨量的方法与设备
CN109214421A (zh) 一种模型训练方法、装置、及计算机设备
US20180365339A1 (en) Application classification method and apparatus
CN110751515A (zh) 一种基于用户消费行为的决策方法和装置、电子设备及存储介质
CN111160793A (zh) 一种服务网点自助设备数量的配置方法、装置及设备
CN111882426A (zh) 业务风险分类器训练方法、装置、设备及存储介质
CN110766232B (zh) 动态预测方法及其系统
CN111027592B (zh) 细粒度对象流量分析方法和装置
CN109145225B (zh) 一种数据处理方法及装置
CN116562399A (zh) 端边云协同的模型训练方法及装置
CN109271453A (zh) 一种数据库容量的确定方法和装置
CN108932525A (zh) 一种行为预测方法及装置
CN117056620A (zh) 一种基于职业信息处理业务的方法、装置、设备及介质
CN115442262B (zh) 一种资源评估方法、装置、电子设备及存储介质
CN114567886B (zh) 网络规划方法、装置、设备和计算机存储介质
CN107944343B (zh) 视频检测方法及装置

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