CN111144648A - 人流量预测设备及方法 - Google Patents

人流量预测设备及方法 Download PDF

Info

Publication number
CN111144648A
CN111144648A CN201911360825.3A CN201911360825A CN111144648A CN 111144648 A CN111144648 A CN 111144648A CN 201911360825 A CN201911360825 A CN 201911360825A CN 111144648 A CN111144648 A CN 111144648A
Authority
CN
China
Prior art keywords
time period
holiday
week
weather
feature
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.)
Granted
Application number
CN201911360825.3A
Other languages
English (en)
Other versions
CN111144648B (zh
Inventor
李阳
胡博文
高华超
刘斌
王恒玮
崔玲龙
陈博
宋雨伦
赵越
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 United Network Communications Group Co Ltd
Unicom Big Data Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Unicom Big Data 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 United Network Communications Group Co Ltd, Unicom Big Data Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201911360825.3A priority Critical patent/CN111144648B/zh
Publication of CN111144648A publication Critical patent/CN111144648A/zh
Application granted granted Critical
Publication of CN111144648B publication Critical patent/CN111144648B/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"
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种人流量预测设备及方法，该设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机执行指令，所述处理器执行所述计算机执行指令时实现如下步骤：基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过长短期记忆网络LSTM模型，获得人流量在第一预设时间段上连续变化的规律；基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得待预测时间段的天气特征、节假日特征和星期特征对人流量的影响；基于人流量在第一预设时间段上连续变化的规律，以及待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定待预测时间段的目标人流量。

Description

人流量预测设备及方法
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种人流量预测设备及方法。
背景技术
随着科技和经济的发展，计算机技术得到了快速发展，带来了数据信息的爆发式增长，数据信息与各个行业息息相关。例如在旅游管理、商业规划、交通优化等行业的宏观调控均与人流量数据信息密切相关，因此人流量的预测受到人们的关注。
现有技术通常根据待预测日当天的天气情况以及历史人流量，获取待预测日的人流量，进行人流量预测，例如阴晴雨雪的天气对应不同的系数，根据系数与以及历史人流量的乘积，预测人流量。
然而上述预测方法仅考虑了天气的影响，因此只能粗略预测，造成预测的人流量与真实人流量偏差较大。
发明内容
本申请实施例提供一种人流量预测设备及方法，以解决现有的人流量预测方法仅考虑了天气的影响，只能粗略预测，造成预测的人流量与真实人流量偏差较大的问题。
第一方面，本申请实施例提供一种人流量预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机执行指令，所述处理器执行所述计算机执行指令时实现如下步骤：
基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过长短期记忆网络(Long Short-Term Memory，简称LSTM)模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
在一种可能的设计中，所述确定所述待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
在一种可能的设计中，在所述基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律之前，所述处理器执行所述计算机执行指令时实现如下步骤：
获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息，其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
在一种可能的设计中，在所述基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响之前，所述处理器执行所述计算机执行指令时实现如下步骤：
获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息，其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
第二方面，本申请实施例提供一种人流量预测方法，包括：
基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
在一种可能的设计中，所述确定所述待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
在一种可能的设计中，在所述基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律之前，还包括：
获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息，其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
在一种可能的设计中，在所述基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响之前，还包括：
获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息，其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
第三方面，本申请实施例提供一种人流量预测装置，包括：
第一获得模块，用于基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在第二预设时间段上连续变化的规律训练得到；
第二获得模块，用于基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
确定模块，用于基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定待预测时间段的目标人流量。
第四方面，本申请实施例提供另一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第二方面以及第二方面各种可能的设计所述的人流量预测方法。
本实施例提供的人流量预测设备及方法，该设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机执行指令，该处理器执行该计算机执行指令时实现如下步骤：基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第一预设时间段上连续变化的规律，LSTM模型能够对人流量特征、天气特征、节假日特征和星期特征进行学习挖掘，对时序上的相关性进行自动学习，捕捉在时间维度和特征维度共同作用下的规律，因此能够准确获得人流量在第一预设时间段上连续变化的规律；基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，全连神经网络模型能够对待预测时间段的天气特征、节假日特征、星期特征进行学习挖掘，准确捕捉预测时间段的各个特征对人流量的影响；然后通过综合考虑人流量在上述第一预设时间段上连续变化的规律，以及上述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定的待预测时间段的目标人流量，确定结果更加准确，更接近真实人流量，从而基于上述目标人流量进行旅游管理、商业规划、交通优化，例如：当某一景点的目标人流量大于设定值时，可以对该景点提前进行客流控制和疏导；基于目标人流量增减商场的工作人员；基于目标人流量进行交通改道并广播通知。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的人流量预测设备的硬件结构示意图；
图2为本申请实施例提供的人流量预测系统的架构示意图；
图3为本申请实施例提供的一种人流量预测方法的流程示意图；
图4为本申请实施例提供的另一种人流量预测方法的流程示意图；
图5为本申请实施例提供的人流量预测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，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，都属于本申请的保护的范围。
现有技术通常根据待预测日当天的天气情况以及历史人流量，获取待预测日的人流量，进行人流量预测，例如阴晴雨雪的天气对应不同的系数，根据系数与以及历史人流量的乘积，预测人流量。
然而上述预测方法仅考虑了天气的影响，因此只能粗略预测，造成预测的人流量与真实人流量偏差较大。
因此，考虑到上述问题，本实施例提供一种人流量预测设备及方法，该设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机执行指令，该处理器执行该计算机执行指令时实现如下步骤：基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第一预设时间段上连续变化的规律，LSTM模型对人流量特征、天气特征、节假日特征和星期特征进行学习挖掘，能够对时序上的相关性进行自动学习，捕捉在时间维度和特征维度共同作用下的规律，因此能够准确获得人流量在第一预设时间段上连续变化的规律；基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，全连神经网络模型能够对待预测时间段的天气特征、节假日特征、星期特征进行学习挖掘，准确捕捉预测时间段的各个特征对人流量的影响；然后通过综合考虑人流量在上述第一预设时间段上连续变化的规律，以及上述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定的待预测时间段的目标人流量，确定结果更加准确，更接近真实人流量，从而基于上述目标人流量进行旅游管理、商业规划、交通优化，例如：当某一景点的目标人流量大于设定值时，可以对该景点提前进行客流控制和疏导；基于目标人流量增减商场的工作人员；基于目标人流量进行交通改道并广播通知。
图1为本申请实施例提供的一种人流量预测设备的硬件结构示意图。如图1所示，本实施例的人流量预测设备10包括：存储器101、处理器102以及存储在所述存储器101中并可在所述处理器102上运行的计算机执行指令，所述处理器102执行所述计算机执行指令时实现如下步骤：
基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
可选地，所述确定待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
可选地，在所述基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律之前，所述处理器执行所述计算机执行指令时实现如下步骤：
获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息，其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
可选地，在所述基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响之前，所述处理器执行所述计算机执行指令时实现如下步骤：
获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息，其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
可选地，存储器102既可以是独立的，也可以跟处理器101集成在一起。
当存储器102独立设置时，该人流量预测设备还包括总线103，用于连接所述存储器102和处理器101。
本实施例提供的人流量预测设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机执行指令，该处理器执行该计算机执行指令时实现如下步骤：基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第一预设时间段上连续变化的规律，LSTM模型能够对人流量特征、天气特征、节假日特征和星期特征进行学习挖掘，对时序上的相关性进行自动学习，捕捉在时间维度和特征维度共同作用下的规律，因此能够准确获得人流量在第一预设时间段上连续变化的规律；基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，全连神经网络模型能够对待预测时间段的天气特征、节假日特征、星期特征进行学习挖掘，准确捕捉预测时间段的各个特征对人流量的影响；然后通过综合考虑人流量在上述第一预设时间段上连续变化的规律，以及上述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定的待预测时间段的目标人流量，确定结果更加准确，更接近真实人流量，从而基于上述目标人流量进行旅游管理、商业规划、交通优化，例如：当某一景点的目标人流量大于设定值时，可以对该景点提前进行客流控制和疏导；基于目标人流量增减商场的工作人员；基于目标人流量进行交通改道并广播通知。
本实施例提供一种人流量预测方法，该方法可以适用于图2所示的一种人流量预测系统的架构示意图，如图2所示，本实施例提供的系统包括终端201。终端201包括：接收器、显示器、处理器和存储器中至少一个。
其中，接收器可以接收用户指令，例如接收开始指令或者结束指令等。
显示器可以显示人流量预测的过程信息。
存储器可以存储LSTM模型和全连神经网络模型等信息。
处理器可以基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第一预设时间段上连续变化的规律，上述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征和星期特征和人流量在第二预设时间段上连续变化的规律训练得到；还可以基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得上述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，上述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；也可以基于人流量在上述第一预设时间段上连续变化的规律，以及上述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定待预测时间段的目标人流量。
应理解，上述处理器可以通过处理器读取存储器中的指令并执行指令的方式实现，也可以通过芯片电路实现。
上述系统仅为一种示例性系统，具体实施时，可以根据应用需求设置。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图3为本申请实施例提供的一种人流量预测方法的流程示意图，本实施例的执行主体可以为图2所示实施例中的终端201的处理器。如图3所示，该方法可以包括：
S301：基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律。
其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到。
其中，上述第一预设时间段可以全部为人流量已知的时间段，也可以包括一部分人流量特征未知的时间段。
上述第二预设时间段全部为人流量已知的时间段。
示例性的，对于第一预设时间段中人流量已知的时间段，可以通过对待预测的区域内信令进行筛选与聚合，得到该区域的人流量特征信息；对于第一预设时间段中人流量未知的时间段，可采用迭代法得到该区域的人流量特征信息。对于第一预设时间段中天气已知的时间段，可以通过天气提取系统对该区域的天气数据爬取下来，得到该区域的天气特征信息；对于第一预设时间段中天气未知的时间段可以通过天气预报，获得该区域的天气特征信息。可以通过万年历或者其他携带有国家规定节假日安排的日历，收集整理是否为节假日、距节假日开始的天数、距节假日结束的天数、节假日总天数、星期几和是否为周末等信息，得到节假日特征信息以及星期特征信息。对上述信息进行处理后得到对应的特征。
示例性的，上述迭代法是指，对于第一预设时间段中的人流量特征未知的第六时间段，则采用迭代的算法，根据第一预设时间段中的人流量特征已知的第七预设时间段的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第七预设时间段上连续变化的规律，根据通过天气预报获取的第六预设时间段的天气特征，通过日历等方式获取的节假日特征和星期特征，通过全连神经网络模型，获得第六预设时间段的天气特征、节假日特征和星期特征对人流量的影响；基于人流量在第七预设时间段上连续变化的规律，以及第六预设时间段的天气特征、节假日特征和星期特征对人流量的影响，确定第六预设时间段的人流量。例如：待预测时间段为12月1日，第一预设时间段为11月1日-11月30日，其中11月30日的人流量是未知的，根据人流量在10月31日-11月29日上连续变化的规律，以及11月30日的天气特征、节假日特征和星期特征对人流量的影响，确定11月30日的人流量。
可以理解，第二预设时间段内的人流量特征、天气特征、节假日特征和星期特征也可以通过与上述方式获得，此处不再赘述。
其中，在一种可能的实现方式中，通过根据LSTM模型的拟合速度和拟合效果，确定LSTM模型包括两层神经网络，每一层的隐藏节点数均为128；将第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征输入上述LSTM模型，通过LSTM模型输出128维特征向量之后，再将这128维特征向量通过128*1的权重矩阵映射到1个数字上，该数字就是人流量在第一预设时间段上连续变化的规律。
S302：基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响。
其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到。
其中，上述待预测时间段为人流量特征未知的时间段。
上述第三预设时间段为人流量特征已知的时间段。
示例性的，可以通过天气预报，获得待预测区域在待预测时间段的天气特征信息，可以通过上述万年历或者其他携带有国家规定节假日安排的日历，得到该区域在待预测时间段的节假日特征信息和星期特征信息，对上述信息进行处理得到对应的特征。
可以理解，第三预设时间段的天气特征、节假日特征和星期特征也可以通过与上述方式获得，此处不再赘述。
其中，在一种可能的实现方式中，通过根据全连神经网络模型的拟合速度和拟合效果，确定全连神经网络模型包括三层神经网络，输入为34维，隐藏层为32个神经元节点；将待预测时间段内的天气特征、节假日特征和星期特征输入上述全连神经网络模型，输出1个神经元，该神经元就是待预测时间段的天气特征、节假日特征和星期特征对人流量的影响。
为了使训练出的LSTM模型和全连神经网络模型更加合理，可以根据实际需要使上述第二预设时间段与第三预设时间段相对应，例如第三预设时间段为9月1日，第二预设时间段为8月1日-8月31日。可以理解，上述第二预设时间段与第三预设时间段均是历史时间段，即在这两个时间段中的上述特征均是已知的。
为了使后续确定的目标人流量更加准确，可以根据实际需要使上述第一预设时间段与待预测时间段相对应，例如待预测时间段为12月1日，第二预设时间段为11月1日-11月30日。
本申请实施例对上述S301和S302的顺序不做限定，可以先执行S301再执行S302，也可以先执行S302再执行S301，还可以同时执行S301和S302。
S303：基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
示例性的，人流量在第一预设时间段上连续变化的规律，以及待预测时间段的天气特征、节假日特征和星期特征对人流量的影响可以根据实际应用场景确定各自的权重，可以人流量在第一预设时间段上连续变化的规律所占比重大一些，也可以待预测时间段的天气特征、节假日特征和星期特征对人流量的影响所占比重大一些，通过结合上述两个因素，能够准确、合理地确定待预测时间段的目标人流量。
在确定待预测时间段的目标人流量后，可以根据需要对对应的区域提前进行客流控制和疏导；或者，增减商场的工作人员；或者，进行交通改道并广播通知。
本实施例提供的人流量预测方法，基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在第一预设时间段上连续变化的规律，LSTM模型能够对人流量特征、天气特征、节假日特征和星期特征进行学习挖掘，对时序上的相关性进行自动学习，捕捉在时间维度和特征维度共同作用下的规律，因此能够准确获得人流量在第一预设时间段上连续变化的规律；基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，全连神经网络模型能够对待预测时间段的天气特征、节假日特征、星期特征进行学习挖掘，准确捕捉预测时间段的各个特征对人流量的影响；然后通过综合考虑人流量在上述第一预设时间段上连续变化的规律，以及上述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定的待预测时间段的目标人流量，确定结果更加准确，更接近真实人流量，从而基于上述目标人流量进行旅游管理、商业规划、交通优化，例如：当某一景点的目标人流量大于设定值时，可以对该景点提前进行客流控制和疏导；基于目标人流量增减商场的工作人员；基于目标人流量进行交通改道并广播通知。
图4为本申请实施例提供的另一种人流量预测方法的流程示意图，本实施例的执行主体可以为图2所示实施例中的终端201的处理器。如图4所示，该方法可以包括：
S401：获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息；对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项。
示例性的，对于第一预设时间段中人流量已知的时间段，可以通过对预设区域内信令进行筛选与聚合，得到该区域的人流量特征信息；对于第一预设时间段中人流量未知的时间段，可采用上述迭代法得到该区域的人流量特征信息。对上述人流量特征信息进行归一化处理，例如通过xi＝(Xi-Xmin)/(Xmax-Xmin)，得到第一预设时间段中的第i时间段内的人流量特征xi，其中，Xi为第i时间段内的人流量特征信息，Xmin为第一预设时间段中人流量特征信息的最小值，Xmax为第一预设时间段中人流量特征信息的最大值，i＝1，2，3……n，n为第一预设时间段中所有的时间段总数。
对于第一预设时间段中天气已知的时间段，可以通过天气提取系统对该区域的天气数据爬取下来，得到其天气特征信息；对于第一预设时间段中天气未知的时间段可以通过天气预报，获得其天气特征信息。其中天气信息包括：包括天气类型、最低温度、最高温度和/或风速等级等，天气类型又包括晴、小雨、多云等，将天气类型、最低温度、最高温度和/或风速等级等信息，对上述天气特征信息进行最大最小归一化处理，所有特征都归一化到[0,1]之间，各个天气特征供有20维，得到第一预设时间段中各个的时间段天气特征。
可以通过万年历或者其他携带有国家规定节假日安排的日历，收集整理第一预设时间段中是否为节假日、距节假日开始的天数、距节假日结束的天数和/或节假日总天数等信息，得到第一预设时间段中节假日特征信息；收集整理第一预设时间段中星期几和/或是否为周末等信息，得到第一预设时间段中星期特征信息。对节假日特征信息以及星期特征信息进行归一化处理，例如是否为节假日特征用0或者1表示，是节假日则为1，否则为0；距节假日开始的天数，距节假日结束的天数，节假日总天数均进行最大最小归一化处理，得到4维的节假日特征。星期特征包括星期几和是否为周末，其中对星期几进行one-hot热编码处理，比如周一，编码为[1,0,0,0,0,0,0]向量，是否为周末用0或者1表示，是周末则为1，否则为0，得到8维的星期特征。
通过对获取的第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息进行归一化处理，可以得到归一化处理后的第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，从而在输入LSTM模型时，能够实现LSTM算法。
S402：基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律。
其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到。
其中，该S402与上述S301的实现方式相同，此处不再赘述。
S403：获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息；对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项。
其中，该归一化处理的方法与上述S401中归一化处理的方法相同，此处不再赘述。
通过对获取的待预测时间段的天气特征信息、节假日特征信息和星期特征信息进行归一化处理，可以得到归一化处理后的待预测时间段的天气特征、节假日特征和星期特征，从而在输入全连神经网络模型时，能够实现全连神经网络算法。
S404：基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响。
其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到。
其中，该S404与上述S302的实现方式相同，此处不再赘述。
本申请实施例对S401-S402和S403-S404的顺序不做限定，即可以先执行S401-S402，再执行S403-S404，也可以先执行S403-S404，再执行S401-S402，也可以同时执行S401-S402和S403-S404。
S405：基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
可选地，所述确定所述待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
示例性的，该加权融合模型为2*1全连层的权重矩阵，将人流量在第一预设时间段上连续变化的规律，以及待预测时间段的天气特征、节假日特征和星期特征对人流量的影响进行拼接，通过上述2*1全连层的权重矩阵，输出待预测时间段的目标人流量。
可以理解，为了使训练出的加权融合模型更加合理，能够更好地融合上述LSTM模型、全连神经网络模型的输出结果，上述第四预设时间段可以和上述第二预设时间段相同，上述第五预设时间段可以和上述第三预设时间段相同。即，上述加权融合模型可以通过人流量在上述第二预设时间段上连续变化的规律、上述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响和上述第三预设时间段的人流量训练得到，而人流量在上述第二预设时间段上连续变化的规律是上述LSTM模型训练时的输出结果，上述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响是全连神经网络模型训练时的输出结果，因此，上述LSTM模型、全连神经网络模型和加权融合模型可以一起训练得到。
通过加权融合模型对人流量在上述第一预设时间段上连续变化的规律，以及待预测时间段的天气特征、节假日特征和星期特征对人流量的影响进行加权融合，而不是人为进行加权计算，因此，能够更有效的结合上述LSTM模型、全连神经网络模型的输出结果，使确定的待预测时间段的目标人流量更加准确。
本实施例提供的人流量预测方法，对获取的第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息进行归一化处理，可以得到归一化处理后的第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，从而在输入LSTM模型时，能够实现LSTM算法，获得人流量在第一预设时间段上连续变化的规律，LSTM模型能够对人流量特征、天气特征、节假日特征和星期特征进行学习挖掘，对时序上的相关性进行自动学习，捕捉在时间维度和特征维度共同作用下的规律，因此能够准确获得人流量在第一预设时间段上连续变化的规律；对获取的待预测时间段的天气特征信息、节假日特征信息和星期特征信息进行归一化处理，可以得到归一化处理后的待预测时间段的天气特征、节假日特征和星期特征，从而在输入全连神经网络模型时，能够实现全连神经网络算法，获得待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，全连神经网络模型能够对待预测时间段的天气特征、节假日特征、星期特征进行学习挖掘，准确捕捉预测时间段的各个特征对人流量的影响；通过加权融合模型对人流量在上述第一预设时间段上连续变化的规律，以及待预测时间段的天气特征、节假日特征和星期特征对人流量的影响进行加权融合，而不是人为进行加权计算，因此，能够更有效的结合上述LSTM模型、全连神经网络模型的输出结果，确定的待预测时间段的目标人流量，确定结果更加准确，从而基于上述目标人流量进行旅游管理、商业规划、交通优化，例如：当某一景点的目标人流量大于设定值时，可以对该景点提前进行客流控制和疏导；基于目标人流量增减商场的工作人员；基于目标人流量进行交通改道并广播通知。
对应于上文实施例的人流量预测方法，图5为本申请实施例提供的一种人流量预测装置的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分。如图5所示，人流量预测装置50包括：第一获得模块501、第二获得模块502以及确定模块503，可选地，还包括第一处理模块504以及第二处理模块505。
第一获得模块501，用于基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
第二获得模块502，用于基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
确定模块503，用于基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定待预测时间段的目标人流量。
可选地，所述确定模块503确定所述待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
可选地，所述第一处理模块504，用于在所述基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律之前，
获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息，其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
可选地，所述第二处理模块505，用于在所述基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响之前，
获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息，其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
本申请实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本申请实施例此处不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的人流量预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的人流量预测装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例所述人流量预测方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的人流量预测方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各人流量预测方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各人流量预测方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种人流量预测设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机执行指令，所述处理器执行所述计算机执行指令时实现如下步骤：
基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过长短期记忆网络LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
2.根据权利要求1所述的设备，其特征在于，所述确定所述待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
3.根据权利要求1所述的设备，其特征在于，在所述基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律之前，所述处理器执行所述计算机执行指令时实现如下步骤：
获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息，其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
4.根据权利要求1所述的设备，其特征在于，在所述基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响之前，所述处理器执行所述计算机执行指令时实现如下步骤：
获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息，其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
5.一种人流量预测方法，其特征在于，包括：
基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定所述待预测时间段的目标人流量。
6.根据权利要求5所述的方法，其特征在于，所述确定所述待预测时间段的目标人流量，包括：
通过加权融合模型确定所述待预测时间段的目标人流量，所述加权融合模型通过人流量在第四预设时间段上连续变化的规律、第五预设时间段的天气特征、节假日特征和星期特征对人流量的影响和所述第五预设时间段的人流量训练得到。
7.根据权利要求5所述的方法，其特征在于，在所述基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律之前，还包括：
获取所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息，其中，所述人流量特征信息包括预设区域的人流量数据，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述第一预设时间段内的人流量特征信息、天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征。
8.根据权利要求5所述的方法，其特征在于，在所述基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响之前，还包括：
获取所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息，其中，所述天气特征信息包括预设区域的天气类型、最低温度、最高温度和风速等级中的至少一项，所述节假日特征信息包括是否为节假日、距节假日开始的天数、距节假日结束的天数和节假日总天数中的至少一项，所述星期特征信息包括星期几和是否为周末中的至少一项；
对所述待预测时间段的天气特征信息、节假日特征信息和星期特征信息分别进行归一化处理，获得所述待预测时间段的天气特征、节假日特征和星期特征。
9.一种人流量预测装置，其特征在于，包括：
第一获得模块，用于基于第一预设时间段内的人流量特征、天气特征、节假日特征和星期特征，通过LSTM模型，获得人流量在所述第一预设时间段上连续变化的规律，其中，所述LSTM模型通过第二预设时间段内的人流量特征、天气特征、节假日特征、星期特征和人流量在所述第二预设时间段上连续变化的规律训练得到；
第二获得模块，用于基于待预测时间段的天气特征、节假日特征和星期特征，通过全连神经网络模型，获得所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，其中，所述全连神经网络模型通过第三预设时间段的天气特征、节假日特征、星期特征和所述第三预设时间段的天气特征、节假日特征和星期特征对人流量的影响训练得到；
确定模块，用于基于人流量在所述第一预设时间段上连续变化的规律，以及所述待预测时间段的天气特征、节假日特征和星期特征对人流量的影响，确定待预测时间段的目标人流量。
10.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求5至8任意一项所述的人流量预测方法。
CN201911360825.3A 2019-12-25 2019-12-25 人流量预测设备及方法 Active CN111144648B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911360825.3A CN111144648B (zh) 2019-12-25 2019-12-25 人流量预测设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911360825.3A CN111144648B (zh) 2019-12-25 2019-12-25 人流量预测设备及方法

Publications (2)

Publication Number Publication Date
CN111144648A true CN111144648A (zh) 2020-05-12
CN111144648B CN111144648B (zh) 2023-11-24

Family

ID=70520213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911360825.3A Active CN111144648B (zh) 2019-12-25 2019-12-25 人流量预测设备及方法

Country Status (1)

Country Link
CN (1) CN111144648B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070263A (zh) * 2020-07-13 2020-12-11 西安交通大学 基于长短期记忆网络模型的城市人群流动预测方法
CN112070324A (zh) * 2020-11-11 2020-12-11 江西鹭鹭行科技有限公司 站点客流量预测方法、装置、可读存储介质及计算机设备
CN113255563A (zh) * 2021-06-10 2021-08-13 湘南学院 一种景区人流控制系统及方法
CN113257008A (zh) * 2021-05-12 2021-08-13 兰州交通大学 基于深度学习的行人流量动态控制系统及方法
CN113971479A (zh) * 2021-10-01 2022-01-25 浙江省机电设计研究院有限公司 一种融合节假日影响的日交通流参数预测方法
CN114282732A (zh) * 2021-12-29 2022-04-05 重庆紫光华山智安科技有限公司 一种区域人流量的预测方法及装置
CN114390079A (zh) * 2022-03-24 2022-04-22 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
WO2022088677A1 (zh) * 2020-10-26 2022-05-05 北京百度网讯科技有限公司 建立区域热度预测模型、区域热度预测的方法及装置
CN117056730A (zh) * 2023-09-08 2023-11-14 广西大也智能数据有限公司 数据预测的方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778508A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于多源数据融合的公共自行车租借预测方法
US20180137412A1 (en) * 2016-11-16 2018-05-17 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
CN109886444A (zh) * 2018-12-03 2019-06-14 深圳市北斗智能科技有限公司 一种交通短时客流预测方法、装置、设备和存储介质
CN110223510A (zh) * 2019-04-24 2019-09-10 长安大学 一种基于神经网络lstm的多因素短期车流量预测方法
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778508A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于多源数据融合的公共自行车租借预测方法
US20180137412A1 (en) * 2016-11-16 2018-05-17 Cisco Technology, Inc. Network traffic prediction using long short term memory neural networks
CN109886444A (zh) * 2018-12-03 2019-06-14 深圳市北斗智能科技有限公司 一种交通短时客流预测方法、装置、设备和存储介质
CN110223510A (zh) * 2019-04-24 2019-09-10 长安大学 一种基于神经网络lstm的多因素短期车流量预测方法
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨龙龙: ""基于泊车大数据的用户行为分析及剩余车位数预测研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 *
杨龙龙: "基于泊车大数据的用户行为分析及剩余车位数预测研究" *
韩伟 等: ""基于全连接和LSTM神经网络的空气污染物预测"", 《地理信息世界》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070263A (zh) * 2020-07-13 2020-12-11 西安交通大学 基于长短期记忆网络模型的城市人群流动预测方法
WO2022088677A1 (zh) * 2020-10-26 2022-05-05 北京百度网讯科技有限公司 建立区域热度预测模型、区域热度预测的方法及装置
CN112070324A (zh) * 2020-11-11 2020-12-11 江西鹭鹭行科技有限公司 站点客流量预测方法、装置、可读存储介质及计算机设备
CN113257008A (zh) * 2021-05-12 2021-08-13 兰州交通大学 基于深度学习的行人流量动态控制系统及方法
CN113255563A (zh) * 2021-06-10 2021-08-13 湘南学院 一种景区人流控制系统及方法
CN113255563B (zh) * 2021-06-10 2022-06-10 湘南学院 一种景区人流控制系统及方法
CN113971479A (zh) * 2021-10-01 2022-01-25 浙江省机电设计研究院有限公司 一种融合节假日影响的日交通流参数预测方法
CN114282732A (zh) * 2021-12-29 2022-04-05 重庆紫光华山智安科技有限公司 一种区域人流量的预测方法及装置
CN114390079A (zh) * 2022-03-24 2022-04-22 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
US11868926B2 (en) 2022-03-24 2024-01-09 Chengdu Qinchuan Iot Technology Co., Ltd. Systems and methods for managing public place in smart city
CN117056730A (zh) * 2023-09-08 2023-11-14 广西大也智能数据有限公司 数据预测的方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111144648B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN111144648A (zh) 人流量预测设备及方法
CN108171260B (zh) 一种图片识别方法及系统
CN109214436A (zh) 一种针对目标场景的预测模型训练方法及装置
CN112163963B (zh) 业务推荐方法、装置、计算机设备和存储介质
CN109543886A (zh) 目的地的预测方法、装置、终端和存储介质
CN111340244B (zh) 预测方法、训练方法、装置、服务器及介质
CN111582559B (zh) 一种到达时间的预估方法及装置
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
US11200587B2 (en) Facilitating use of select hyper-local data sets for improved modeling
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
CN107679680A (zh) 一种金融走势预测方法、装置、设备及存储介质
CN112818218A (zh) 信息推荐方法、装置、终端设备及计算机可读存储介质
WO2015084853A1 (en) Systems and methods for financial asset analysis
CN111210347A (zh) 交易风险预警方法、装置、设备及存储介质
CN114996486A (zh) 一种数据推荐方法、装置、服务器以及存储介质
CN114417174B (zh) 内容推荐方法、装置、设备及计算机存储介质
CN116385039A (zh) 一种营销策略的生成方法、装置及终端设备
CN110704706B (zh) 分类模型的训练方法、分类方法及相关设备、分类系统
CN115331048A (zh) 图像分类方法、装置、设备以及存储介质
CN111582589A (zh) 一种租车出险预测方法、装置、设备及存储介质
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN116541608B (zh) 房源推荐方法、装置、电子设备及存储介质
US20240233325A9 (en) Method for classifying images and electronic device
CN110033383B (zh) 一种数据处理方法、设备、介质以及装置

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