CN111429185A - 人群画像预测方法、装置、设备及存储介质 - Google Patents
人群画像预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111429185A CN111429185A CN202010231060.XA CN202010231060A CN111429185A CN 111429185 A CN111429185 A CN 111429185A CN 202010231060 A CN202010231060 A CN 202010231060A CN 111429185 A CN111429185 A CN 111429185A
- Authority
- CN
- China
- Prior art keywords
- feature
- result
- convolution
- crowd
- spatial correlation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 78
- 230000000737 periodic effect Effects 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 17
- 238000012805 post-processing Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000011176 pooling Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NNJPGOLRFBJNIW-HNNXBMFYSA-N (-)-demecolcine Chemical compound C1=C(OC)C(=O)C=C2[C@@H](NC)CCC3=CC(OC)=C(OC)C(OC)=C3C2=C1 NNJPGOLRFBJNIW-HNNXBMFYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种人群画像预测方法、装置、设备及存储介质，方法包括：获取历史人群流量记录、地块信息点数据和地块路网数据；从历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；将邻近性特征、周期性特征、趋势性特征、地块信息点数据和地块路网数据，输入至人群画像预测模型，获得人群画像预测模型输出的人群画像；其中人群画像预测模型对邻近性特征、周期性特征和趋势性特征进行第一特征融合后，提取空间相关性特征，并对空间相关性特征、地块信息点数据以及地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。本申请用以提高人群画像预测的预测效率、降低预测的复杂度。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种人群画像预测方法、装置、设备及存储介质。
背景技术
人群画像预测是指预测某个地块各个画像的人流量，例如，年龄20-25岁且性别为女的人流量。准确的画像预测对于精准营销，广告投放等有着重大的意义。当前流量预测多关注于交通流量预测，例如，出租车流量，人流量等。
目前的流量预测模型主要有以下两种：基于固定结构的预测模型深度时空网(ST-ResNet，DeepSTN+)和基于自动机器学习的预测模型(ST-NASNet)。
在实现本发明的过程中，发明人发现：目前的流量预测模型复杂度高且预测效率低。
发明内容
本申请提供了一种人群画像预测方法、装置、设备及存储介质，用以提高人群画像预测的预测效率、降低预测的复杂度。
第一方面，本申请实施例提供了一种人群画像预测方法，包括：
获取历史人群流量记录、地块信息点数据和地块路网数据；
从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；
将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像；
其中，所述人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
可选地，将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像，包括：
通过所述人群画像预测模型的第一特征处理部分进行以下处理：对所述邻近性特征、所述周期性特征和所述趋势性特征，进行第一特征融合，并从第一特征融合得到的结果中提取设定空间范围内的空间相关性特征，将所述设定空间范围内的空间相关性特征输入至所述第二特征处理部分；
通过所述人群画像预测模型的第二特征处理部分进行以下处理：对所述设定空间范围内的空间相关性特征、所述地块信息点数据以及所述地块路网数据，进行第二特征融合，对第二特征融合得到的结果进行激活操作以及后处理操作后，输出人群画像预测结果。
可选地，对所述邻近性特征、所述周期性特征和所述趋势性特征，进行第一特征融合，包括：
对所述临近性特征进行初始化卷积，得到第一卷积结果；
对所述周期性特征进行初始化卷积，得到第二卷积结果；
对所述趋势性特征进行初始化卷积，得到第三卷积结果；
将所述第一卷积结果、所述第二卷积结果以及所述第三卷积结果拼接后，得到第一拼接结果；
将所述第一拼接结果作为所述第一特征融合得到的结果。
可选地，从第一特征融合得到的结果中提取设定空间范围内的空间相关性特征，包括：
依次对所述第一特征融合得到的结果进行1～L层空间范围内的空间相关性特征提取，并将第L层空间范围内的空间相关性特征，作为所述设定空间范围内的空间相关性特征，所述L为大于1的正整数；
其中，第i层空间范围内的空间相关性特征提取过程包括：对第i-1层空间范围内的空间相关性特征提取的结果进行混合卷积，得到第i层的混合卷积结果，i为大于2且小于或等于L的正整数；对所述第一特征融合得到的结果，以及所述第1层至第i-1层空间范围内的空间相关性特征，分别进行混合连接操作，得到i个混合连接操作结果；对所述第i层的混合卷积结果，以及所述i个混合连接操作结果，进行拼接后，进行归一化处理，得到所述第i层空间范围内的空间相关性特征，所述i为大于1、且小于或等于所述L的正整数；
其中，第1层空间范围内的空间相关性特征提取过程包括：将对所述第一特征融合得到的结果进行混合卷积得到的混合卷积结果，与对所述第一特征融合得到的结果进行混合连接操作得到的混合连接操作结果，进行拼接后做进行归一化处理，得到所述第1层空间范围内的空间相关性特征。
可选地，对第i-1层空间范围内的空间相关性特征提取的结果进行混合卷积，得到第i层的混合卷积结果，包括：
按照以下公式计算：
其中，
表示卷积核的集合，x表示第i-1层空间范围内的空间相关性特征提取的结果，wc表示所述卷积核的集合中第c个卷积核的权重，wc'表示所述卷积核的集合中第c’个卷积核的权重，f表示卷积函数，θc表示卷积核，MConvBlock(x)表示第i层的混合卷积结果。
可选地，所述混合连接操作是按照以下公式计算得到：
其中，
表示残差连接的搜索空间，x表示所述第一特征融合得到的结果，以及所述第1层至第i-1层空间范围内的空间相关性特征中的任意一个，ws表示所述残差连接的搜索空间中连接的权重，ws'表示所述残差连接的搜索空间中不连接的权重，c_s表示在s取值为连接时，取值为x，否则取值为0，MConnBlock(x)表示混合连接的结果。
可选地，对所述设定空间范围内的空间相关性特征、所述地块信息点数据以及所述地块路网数据，进行第二特征融合，对第二特征融合得到的结果进行激活操作以及后处理操作后，输出人群画像预测结果，包括：
对所述地块信息点数据进行初始化卷积，得到第四卷积结果；
对所述地块路网数据进行初始化卷积，得到第五卷积结果；
将所述设定空间范围内的空间相关性特征与第一权重的乘积，所述第四卷积结果与第二权重的乘积，所述第五卷积结果和第三权重的乘积，进行累加，将累加得到的结果作为第二特征融合得到的结果；
对所述第二特征融合得到的结果进行激活操作后，对激活操作的结果进行后处理卷积，对后处理卷积的结果进行双曲正切运算，将双曲正切运算的结果，作为所述人群画像预测结果。
第二方面，本申请实施例提供了一种人群画像预测装置，包括：
获取模块，用于获取历史人群流量记录、地块信息点数据和地块路网数据；
提取模块，用于从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；
处理模块，用于将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像；
其中，所述人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
第三方面，本申请实施例提供了一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现第一方面所述的人群画像预测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的人群画像预测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，将历史人群流量记录、地块信息点数据和地块路网数据作为人群画像预测重要的数据来源，从历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征，基于该邻近性特征、周期性特征、趋势性特征、块信息点数据和所述地块路网数据。采用人群画像预测模型进行预测，在该预测过程中，先对邻近性特征、周期性特征和趋势性特征进行第一特征融合，提取空间相关性特征，再将提取的空间相关性特征、地块信息点数据和地块路网数据进行第二特征融合，根据第二特征融合的结果输出人群画像预测结果。该预测过程将邻近性特征、周期性特征和趋势性特征进行第一特征融合，达到了特征级前向融合的效果，降低了提取空间相关性特征的复杂度，使得搜索空间从3个降低到了1个，大大降低了搜索复杂度，从而进一步提高了预测效率，降低了预测复杂度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例中人群画像预测的方法流程示意图；
图2为本申请实施例中人群画像预测模型的网络架构示意图；
图3为本申请实施例中ConvAvgPool的操作过程示意图；
图4为本申请实施例中ConvMaxPool的操作过程示意图；
图5为本申请实施例中混合卷积过程示意图；
图6为本申请实施例中混合连接过程示意图；
图7为本申请实施例中第二特征融合的过程示意图；
图8为本申请实施例中人群画像预测装置的结构示意图；
图9为本申请实施例中电子设备的结构示意图。
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的一部分实施例，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做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例中提供了一种人群画像预测方法，该方法可以应用于任何一个电子设备中，尤其是后台服务器中。
如图1所示，本申请实施例中人群画像预测的详细方法流程如下：
步骤101，获取历史人群流量记录、地块信息点数据和地块路网数据。
其中，该历史人群流量记录可以是预备进行人群画像预测的地块在过去的一段时间内统计到的人群流量数据。例如，北京市某个地铁站出口一周内的人群流量数据。
其中，地块信息点(Point if Information，POI)数据可以是该预备进行人群画像预测的地块内的房子、商铺等的名称、坐标、类别等信息。
其中，地块路网数据可以是该预备进行人群画像预测的地块内的道路信息，例如主干道、分支道路、岔路等。
步骤102，从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征。
其中，邻近性特征、周期性特征和趋势性特征是三种时间间隔不同的时间特征，邻近性特征的时间间隔小于周期性特征的时间间隔，周期性特征的时间间隔小于趋势性特征的时间间隔。例如，邻近性特征的时间间隔为1个小时，周期性特征的时间间隔为1周，趋势性特征的时间间隔为1个月。
步骤103，将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像。
其中，人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
具体地，通过人群画像预测模型的第一特征处理部分进行以下处理：对所述邻近性特征、所述周期性特征和所述趋势性特征，进行第一特征融合，并从第一特征融合得到的结果中提取设定空间范围内的空间相关性特征，将所述设定空间范围内的空间相关性特征输入至所述第二特征处理部分；通过所述人群画像预测模型的第二特征处理部分进行以下处理：对所述设定空间范围内的空间相关性特征、所述地块信息点数据以及所述地块路网数据，进行第二特征融合，对第二特征融合得到的结果进行激活操作以及后处理操作后，输出人群画像预测结果。
需要说明的是，本申请实施例中提出的人群画像预测模型主要是用于数据时空数据的模型，也称为基于深度时空网的人群画像预测模型。
在如图2所示的一个示例性的基于深度时空网的人群画像预测模型的网络架构(Network)中，进行第一特征融合的具体过程为：对所述临近性(closeness)特征进行初始化卷积(Conv1)，得到第一卷积结果；对所述周期性(period)特征进行初始化卷积(Conv1)，得到第二卷积结果；对所述趋势性(trend)特征进行初始化卷积(Conv1)，得到第三卷积结果；将所述第一卷积结果、所述第二卷积结果以及所述第三卷积结果拼接(即融合(Fusion))后，得到第一拼接结果；将所述第一拼接结果作为所述第一特征融合得到的结果。需要说明的是，本申请实施例中融合就是进行简单拼接，例如临近性、周期性、趋势性各自为[2通道，空间的高，空间的宽]，拼接后为[6通道，空间的高，空间的宽]。其中，空间的通道即画像的通道，例如画像的通道包括男、女、高收入、低收入这4个通道。
从第一特征融合得到的结果中提取设定空间范围内的空间相关性特征的具体过程为：依次对所述第一特征融合得到的结果进行1～L层(layer 1～layer L)空间范围内的空间相关性特征提取，并将第L层(layer L)空间范围内的空间相关性特征，作为所述设定空间范围内的空间相关性特征，所述L为大于1的正整数。
其中，第i层空间范围内的空间相关性特征提取过程包括：对第i-1层空间范围内的空间相关性特征提取的结果进行混合卷积(MConvBlock)，得到第i层的混合卷积结果，i为大于2且小于或等于L的正整数；对所述第一特征融合得到的结果，以及所述第1层至第i-1层空间范围内的空间相关性特征，分别进行混合连接(MConnBlock)操作，得到i个混合连接操作结果；对所述第i层的混合卷积结果，以及所述i个混合连接操作结果，进行拼接(Fusion)后，进行归一化处理(BatchNorm)，得到所述第i层空间范围内的空间相关性特征，所述i为大于1、且小于或等于所述L的正整数。
具体地，第i层空间范围内的空间相关性特征，可以用公式表示为：
该公式中，oi-1表示第i-1层空间范围内的空间相关性特征提取的结果，MConvBlocki表示第i层的混合卷积结果，在j的取值为大于0、小于或等于i-1时，oj表示第j层的空间范围内的空间相关性特征提取的结果，在j的取值为0时，o0表示第一特征融合得到的结果。
其中，第1层空间范围内的空间相关性特征提取过程包括：将对所述第一特征融合得到的结果进行混合卷积(MConvBlock)得到的混合卷积结果，与对所述第一特征融合得到的结果进行混合连接(MConnBlock)操作得到的混合连接操作结果，进行拼接(Fusion)后做进行归一化处理(BatchNorm)，得到所述第1层空间范围内的空间相关性特征。
其中，假设对第i-1层空间范围的空间相关性特征提取的结果进行混合卷积(MConvBlock)，混合卷积(MConvBlock)的公式表示为：
其中，
表示卷积核的集合，x表示第i-1层空间范围内的空间相关性特征提取的结果，wc表示所述卷积核的集合中第c个卷积核的权重，wc'表示所述卷积核的集合中第c’个卷积核的权重，f表示卷积函数，θc表示卷积核，MConvBlock(x)表示第i层的混合卷积结果。
在一个示例性的实施例中，卷积核的集合中包括标准卷积核3×3(standardconvolution 3×3)，标准卷积核5×5(standard convolution 5×5)，扩展卷积核分别为：1×1ConvMaxPool(最大池化卷积)，2×2ConvMaxPool(平均池化卷积)，3×3ConvMaxPool，1×1ConvAvgPool，2×2ConvAvgPool，3×3ConvAvgPool。
ConvMaxPool和ConvAvgPool是为了更好地捕捉到空间距离的依赖。如图3和图4所示，ConvAvgPool和ConvMaxPool的操作类似，均是先通过池化(Pooling)操作缩小空间图的规模，然后对pooling后的空间图进行卷积操作提取不同距离的空间依赖。例如，对于64(通道数)×32(高)×32(宽)的空间流量图，先通过2×2的max pooling操作将64×32×32的空间图缩小到64(通道数)×16(高)×16(宽)；然后通过扩展通道的卷积(1×1卷积或者3×3卷积)将图片扩展到规模256(通道数)×16(高)×16(宽)；最后进行减少通道操作，使得最后输出空间图的规模为64(通道数)×32(高)×32(宽)。
对于1×1的扩展卷积操作，由于先进行2×2的max pooling操作，后进行卷积操作，相当于考虑2×2范围内的空间依赖。而对于2×2和3×3的卷积核，则相当于考虑4×4，6×6大小的空间依赖。综上所述，搜索单元考虑到了2×2，3×3，4×4，5×5，6×6距离的空间依赖，考虑的距离范围更加的广泛。
混合卷积是将所有的卷积核的卷积结果通过加权和(weight sum)的方式得到混合卷积的结果。一个示例性的实施例中，如图5所示，混合卷积对输入量(input)分别进行标准卷积核3×3，标准卷积核5×5，扩展卷积核1×1ConvMaxPool，2×2ConvMaxPool，3×3ConvMaxPool，1×1ConvAvgPool，2×2ConvAvgPool，3×3ConvAvgPool的卷积，得到各自的卷积结果，标准卷积核3×3的卷积结果乘以权重w0，标准卷积核5×5的卷积结果乘以权重w1，扩展卷积核1×1ConvMaxPool的卷积结果乘以权重w2，扩展卷积核2×2ConvMaxPool的卷积结果乘以权重w3，扩展卷积核3×3ConvMaxPool的卷积结果乘以权重w4，扩展卷积核1×1ConvAvgPool的卷积结果乘以权重w5，扩展卷积核2×2ConvAvgPool的卷积结果乘以权重w6，扩展卷积核3×3ConvAvgPool的卷积结果乘以权重w7，将各卷积核对应的乘积结果累加，得到混合卷积的输出。
其中，混合连接(MConnBlock)操作是按照以下公式计算得到：
混合连接是将所有搜索空间的连接操作通过加权和的方式进行计算，一个示例性的实施例中，如图6所示，混合连接对输入量(input)分别在不连接和连接的搜索空间内进行运算后，将不连接的搜索空间的运算结果乘以权重w8，将连接的搜索空间的运算结果乘以权重w9，将两者乘积所得的结果进行累加，将累加得到的和值作为混合连接的输出(output)。
一个具体实施例中，进行第二特征融合，并对第二特征融合得到的结果进行激活操作以及后处理操作，如图7所示，具体过程为：
步骤701，对所述地块POI数据进行初始化卷积(Conv1)，得到第四卷积结果。
其中，假设路块POI数据的形式为
其中，Cpoi表示地块POI的类别数，H表示空间的高，W表示空间的宽，采用初始化卷积对路块POI数据进行特征抽取，得到的POI特征，即第四卷积结果表示为
Nd表示空间的通道数目，卷积核表示为θpoi，则该过程可以用公式表示为：opoi＝f(xpoi；θpoi)。
步骤702，对所述地块路网数据进行初始化卷积(Conv1)，得到第五卷积结果。
其中，假设地块路网数据表示为
Croad表示地块内各个路网类别的占比，通过初始化卷积从地块路网数据提取的特征，即第五卷积结果表示为
卷积核表示为θroad，则该过程可以用公式表示为：oroad＝f(xroad；θroad)。
步骤703，将所述设定空间范围内的空间相关性特征与第一权重的乘积，所述第四卷积结果与第二权重的乘积，所述第五卷积结果和第三权重的乘积，进行累加，将累加得到的结果作为第二特征融合(Fusion)得到的结果。
该过程用公式表示为：oautoml＝wh*oL+wpoi*opoi+wroad*oroad，wh表示第一权重，wpoi表示第二权重，wroad表示第三权重，oL表示设定空间范围内的空间相关性特征，opoi表示第四卷积结果，oroad表示第五卷积结果。
步骤704，对所述第二特征融合得到的结果进行激活操作(例如采用修正线性单元(Rectified linear unit，ReLU)作为神经元的激活函数进行激活，约束结果大于0)后，对激活操作的结果进行后处理卷积(Conv2)，对后处理卷积的结果进行双曲正切(tanh)运算，将双曲正切运算的结果，作为所述人群画像预测结果。
该过程可表示为公式：omain＝tanh(f(relu(oautoml)；θc2))，θc2表示后处理卷积的卷积核。
本申请实施例中，考虑到地块路网特征和地块POI特征影响流量的预测结果，选择最后进行融合，也就是“决策级”特征融合，而邻近性特征、周期性特征和趋势性特征采取提前特征融合，也就是“特征级”特征融合。
整个基于深度时空网的人群画像预测模型的优化，使用经典的基于梯度下降的优化方法，采用训练集损失来优化模型参数{θc1，θc，θpoi，θroad，θc2}，其中θc1为Conv1的卷积核，采用验证集损失来优化结构参数，如卷积核的权重、残差连接的权重等，公式如下：
其中，β表示训练集的学习率，a表示结构参数，γ表示验证集学习率，Lvalid表示验证集损失，Ltrain表示训练集损失，θ表示模型参数，
表示求梯度运算。
通过优化，学习每个层(Layer)中每个卷积核的权重和连接的权重，选取层中权重最大的卷积核和连接，得到最优的网络结构，采用该最优的网络结构进行预测，得到人群画像的预测结果。假设学习得到1×1卷积核的权重为0.1,3×3卷积核的权重为0.8,5×5卷积核的权重为0.1，则权重最大的卷积核为3×3，则认为该层中3×3卷积核为最优。
综上，本申请实施例中，将历史人群流量记录、地块信息点数据和地块路网数据作为人群画像预测重要的数据来源，从历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征，基于该邻近性特征、周期性特征、趋势性特征、块信息点数据和所述地块路网数据。采用人群画像预测模型进行预测，在该预测过程中，先对邻近性特征、周期性特征和趋势性特征进行第一特征融合，提取空间相关性特征，再将提取的空间相关性特征、地块信息点数据和地块路网数据进行第二特征融合，根据第二特征融合的结果输出人群画像预测结果。该预测过程将邻近性特征、周期性特征和趋势性特征进行第一特征融合，达到了特征级前项融合的效果，降低了提取空间相关性特征的复杂度，使得搜索空间从3个降低到了1个，大大降低了搜索复杂度，从而进一步提高了预测效率，降低了预测复杂度。
下面将本申请实施例的人流画像预测模型与目前的ST-ResNet，DeepSTN+，ST-NASNet进行效果比较，比较结果如表1所示。
其中，基于固定结构的预测模型深度时空网DeepSTN+提使用固定大小的卷积核来建模空间距离关系，建模更大空间范围的依赖性。但是不同的画像，对空间范围的依赖是不同的，ConvPlus使用的策略是先进行池化(pooling)，然后进行卷积，使得影响范围变大。例如，一个2×32×32的地块流量图，池化(平均池化或者最大池化)是取32×32的最大值或者平均值，生成2×1的图，然后进行通道扩充，生成通道数为32×32的图，全局32×32的池化，而不是局部(3×3或5×5等)的池化，能够考虑更大的影响范围。特征提取部分使用多个残差单元级联的方式，然而不同的画像，级联的级别应该不一样。本申请实施例中，通过学习连接块来克服级联级别不一样的缺陷。其中，在道路交通场景下的人群画像预测时，当前的道路状态对于交通流量预测有很大影响，例如当前地块内主干道路比较多，则可能流动人口比较多，若地块内无主要道路，则流动人口比较少，当前的模型没有将道路状态考虑进模型。而本申请提出的方法将地块POI特征和路网特征考虑进来，提高了预测的准确性。
ST-NASNet基于ST-ResNet的框架，对临近性、周期性和趋势性分别学习网络结构NAS-C-Net，NAS-P-Net，NAS-T-Net，然后使用3×3和5×5的卷积核来建模不同距离的影响。整体框架上使用基于梯度下降的策略来学习各个基本操作的权重，然后使用验证集的损失优化网络结构。该模型中，同时搜索多个网络结构，导致复杂度高、占用内存大、计算耗时长，本申请提出的方法中仅考虑一个网络结构即可，降低了复杂度以及占用的内存，提高了效率。ST-NASNet将临近性、周期性和趋势性进行决策级融合，使得无法很好的学习网络结构，而本申请将临近性、周期性和趋势性进行决策级进行特征级融合，避免了该缺陷。并且，ST-NASNet简单的使用两个卷积核并不能捕捉到不同空间距离的依赖，本申请实施例提出的方法充分利用了多个卷积核，以能够捕捉到足够空间距离的依赖。
通过比较发现，本申请实施例提出的方法优于其余几种方法，本申请实施例所提出的方法，大大降低了网络结构冗余，缩小了搜索空间，提高了可扩展性，性能和内存占用均明显降低。并且，通过将预测的人群画像模型，与真实的人群画像模型比对，发现预测的结果与真实情况基本吻合，验证了算法的准确性。
基于同一构思，本申请实施例中提供了一种人群画像预测装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图8所示，该装置主要包括：
获取模块801，用于获取历史人群流量记录、地块信息点数据和地块路网数据；
提取模块802，用于从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；
处理模块803，用于将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像；
其中，所述人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
基于同一构思，本申请实施例中还提供了一种电子设备，如图9所示，该电子设备主要包括：处理器901、通信接口902、存储器903和通信总线904，其中，处理器901、通信接口902和存储器903通过通信总线904完成相互间的通信。其中，存储器903中存储有可被至处理器901执行的程序，处理器901执行存储器903中存储的程序，实现如下步骤：获取历史人群流量记录、地块信息点数据和地块路网数据；从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像；其中，所述人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
上述电子设备中提到的通信总线904可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线904可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口902用于上述电子设备与其他设备之间的通信。
存储器903可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器901的存储装置。
上述的处理器901可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等，还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。
在本申请的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的人群画像预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
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“包括一个……”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。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种人群画像预测方法，其特征在于，包括：
获取历史人群流量记录、地块信息点数据和地块路网数据；
从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；
将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像；
其中，所述人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
2.根据权利要求1所述的人群画像预测方法，其特征在于，将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像，包括：
通过所述人群画像预测模型的第一特征处理部分进行以下处理：对所述邻近性特征、所述周期性特征和所述趋势性特征，进行第一特征融合，并从第一特征融合得到的结果中提取设定空间范围内的空间相关性特征，将所述设定空间范围内的空间相关性特征输入至所述第二特征处理部分；
通过所述人群画像预测模型的第二特征处理部分进行以下处理：对所述设定空间范围内的空间相关性特征、所述地块信息点数据以及所述地块路网数据，进行第二特征融合，对第二特征融合得到的结果进行激活操作以及后处理操作后，输出人群画像预测结果。
3.根据权利要求2所述的人群画像预测方法，其特征在于，对所述邻近性特征、所述周期性特征和所述趋势性特征，进行第一特征融合，包括：
对所述临近性特征进行初始化卷积，得到第一卷积结果；
对所述周期性特征进行初始化卷积，得到第二卷积结果；
对所述趋势性特征进行初始化卷积，得到第三卷积结果；
将所述第一卷积结果、所述第二卷积结果以及所述第三卷积结果拼接后，得到第一拼接结果；
将所述第一拼接结果作为所述第一特征融合得到的结果。
4.根据权利要求3所述的人群画像预测方法，其特征在于，从第一特征融合得到的结果中提取设定空间范围内的空间相关性特征，包括：
依次对所述第一特征融合得到的结果进行1～L层空间范围内的空间相关性特征提取，并将第L层空间范围内的空间相关性特征，作为所述设定空间范围内的空间相关性特征，所述L为大于1的正整数；
其中，第i层空间范围内的空间相关性特征提取过程包括：对第i-1层空间范围内的空间相关性特征提取的结果进行混合卷积，得到第i层的混合卷积结果，i为大于2且小于或等于L的正整数；对所述第一特征融合得到的结果，以及所述第1层至第i-1层空间范围内的空间相关性特征，分别进行混合连接操作，得到i个混合连接操作结果；对所述第i层的混合卷积结果，以及所述i个混合连接操作结果，进行拼接后，进行归一化处理，得到所述第i层空间范围内的空间相关性特征，所述i为大于1、且小于或等于所述L的正整数；
其中，第1层空间范围内的空间相关性特征提取过程包括：将对所述第一特征融合得到的结果进行混合卷积得到的混合卷积结果，与对所述第一特征融合得到的结果进行混合连接操作得到的混合连接操作结果，进行拼接后做进行归一化处理，得到所述第1层空间范围内的空间相关性特征。
5.根据权利要求4所述的人群画像预测方法，其特征在于，对第i-1层空间范围内的空间相关性特征提取的结果进行混合卷积，得到第i层的混合卷积结果，包括：
按照以下公式计算：
其中，
表示卷积核的集合，x表示第i-1层空间范围内的空间相关性特征提取的结果，wc表示所述卷积核的集合中第c个卷积核的权重，wc'表示所述卷积核的集合中第c’个卷积核的权重，f表示卷积函数，θc表示卷积核，MConvBlock(x)表示第i层的混合卷积结果。
6.根据权利要求5所述的人群画像预测方法，其特征在于，所述混合连接操作是按照以下公式计算得到：
其中，
表示残差连接的搜索空间，x表示所述第一特征融合得到的结果，以及所述第1层至第i-1层空间范围内的空间相关性特征中的任意一个，ws表示所述残差连接的搜索空间中连接的权重，ws'表示所述残差连接的搜索空间中不连接的权重，c_s表示在s取值为连接时，取值为x，s取值为不连接时，取值为0，MConnBlock(x)表示混合连接的结果。
7.根据权利要求2至6任一项所述的人群画像预测方法，其特征在于，对所述设定空间范围内的空间相关性特征、所述地块信息点数据以及所述地块路网数据，进行第二特征融合，对第二特征融合得到的结果进行激活操作以及后处理操作后，输出人群画像预测结果，包括：
对所述地块信息点数据进行初始化卷积，得到第四卷积结果；
对所述地块路网数据进行初始化卷积，得到第五卷积结果；
将所述设定空间范围内的空间相关性特征与第一权重的乘积，所述第四卷积结果与第二权重的乘积，所述第五卷积结果和第三权重的乘积，进行累加，将累加得到的结果作为第二特征融合得到的结果；
对所述第二特征融合得到的结果进行激活操作后，对激活操作的结果进行后处理卷积，对后处理卷积的结果进行双曲正切运算，将双曲正切运算的结果，作为所述人群画像预测结果。
8.一种人群画像预测装置，其特征在于，包括：
获取模块，用于获取历史人群流量记录、地块信息点数据和地块路网数据；
提取模块，用于从所述历史人群流量记录中提取邻近性特征、周期性特征和趋势性特征；
处理模块，用于将所述邻近性特征、所述周期性特征、所述趋势性特征、所述地块信息点数据和所述地块路网数据，输入至人群画像预测模型，获得所述人群画像预测模型输出的人群画像；
其中，所述人群画像预测模型对所述邻近性特征、所述周期性特征和所述趋势性特征进行第一特征融合后，提取空间相关性特征，并对所述空间相关性特征、所述地块信息点数据以及所述地块路网数据进行第二特征融合后，根据第二特征融合的结果输出人群画像预测结果。
9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1至7任一项所述的人群画像预测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的人群画像预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010231060.XA CN111429185B (zh) | 2020-03-27 | 2020-03-27 | 人群画像预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010231060.XA CN111429185B (zh) | 2020-03-27 | 2020-03-27 | 人群画像预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111429185A true CN111429185A (zh) | 2020-07-17 |
| CN111429185B CN111429185B (zh) | 2023-06-02 |
Family
ID=71549494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010231060.XA Active CN111429185B (zh) | 2020-03-27 | 2020-03-27 | 人群画像预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111429185B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215408A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 轨道交通客流量预测方法及装置 |
| CN113536256A (zh) * | 2021-07-27 | 2021-10-22 | 江西高创保安服务技术有限公司 | 一种人口流动数据的统计分析方法、装置及电子设备 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
| US20110320454A1 (en) * | 2010-06-29 | 2011-12-29 | International Business Machines Corporation | Multi-facet classification scheme for cataloging of information artifacts |
| US20150262208A1 (en) * | 2012-10-04 | 2015-09-17 | Bernt Erik Bjontegard | Contextually intelligent communication systems and processes |
| KR20160077932A (ko) * | 2014-12-24 | 2016-07-04 | 주식회사 케이티 | 군중 혼잡도를 예측하는 방법, 장치 및 단말 |
| CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
| CN107615272A (zh) * | 2015-05-18 | 2018-01-19 | 北京市商汤科技开发有限公司 | 用于预测人群属性的系统和方法 |
| JP2018026028A (ja) * | 2016-08-12 | 2018-02-15 | 三菱電機ビルテクノサービス株式会社 | 所在人数予測装置、設備管理システム、所在人数予測方法及びプログラム |
| CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
| CN109064484A (zh) * | 2018-03-21 | 2018-12-21 | 南京邮电大学 | 基于子群组划分与动量特征融合的人群运动行为识别方法 |
| CN109325655A (zh) * | 2018-08-13 | 2019-02-12 | 平安科技（深圳）有限公司 | 人群绩效特征预测中的缺失特征处理方法及装置 |
| CN109815987A (zh) * | 2018-12-27 | 2019-05-28 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类系统 |
| CN109830102A (zh) * | 2019-02-14 | 2019-05-31 | 重庆邮电大学 | 一种面向复杂城市交通网络的短时交通流量预测方法 |
| CN109919112A (zh) * | 2019-04-02 | 2019-06-21 | 郑州大学 | 一种复杂场景中流动人群的分布与计数检测的方法 |
| CN110400024A (zh) * | 2019-07-31 | 2019-11-01 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
| CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
| CN110909942A (zh) * | 2019-11-27 | 2020-03-24 | 第四范式（北京）技术有限公司 | 训练模型的方法及系统和预测序列数据的方法及系统 |
-
2020
- 2020-03-27 CN CN202010231060.XA patent/CN111429185B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100098342A1 (en) * | 2008-10-16 | 2010-04-22 | Curators Of The University Of Missouri | Detecting geographic-area change using high-resolution, remotely sensed imagery |
| US20110320454A1 (en) * | 2010-06-29 | 2011-12-29 | International Business Machines Corporation | Multi-facet classification scheme for cataloging of information artifacts |
| US20150262208A1 (en) * | 2012-10-04 | 2015-09-17 | Bernt Erik Bjontegard | Contextually intelligent communication systems and processes |
| KR20160077932A (ko) * | 2014-12-24 | 2016-07-04 | 주식회사 케이티 | 군중 혼잡도를 예측하는 방법, 장치 및 단말 |
| CN107615272A (zh) * | 2015-05-18 | 2018-01-19 | 北京市商汤科技开发有限公司 | 用于预测人群属性的系统和方法 |
| CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
| JP2018026028A (ja) * | 2016-08-12 | 2018-02-15 | 三菱電機ビルテクノサービス株式会社 | 所在人数予測装置、設備管理システム、所在人数予測方法及びプログラム |
| CN107730887A (zh) * | 2017-10-17 | 2018-02-23 | 海信集团有限公司 | 实现交通流量预测的方法及装置、可读存储介质 |
| CN109064484A (zh) * | 2018-03-21 | 2018-12-21 | 南京邮电大学 | 基于子群组划分与动量特征融合的人群运动行为识别方法 |
| CN109325655A (zh) * | 2018-08-13 | 2019-02-12 | 平安科技（深圳）有限公司 | 人群绩效特征预测中的缺失特征处理方法及装置 |
| CN109815987A (zh) * | 2018-12-27 | 2019-05-28 | 北京卓思天成数据咨询股份有限公司 | 一种人群分类方法和分类系统 |
| CN109830102A (zh) * | 2019-02-14 | 2019-05-31 | 重庆邮电大学 | 一种面向复杂城市交通网络的短时交通流量预测方法 |
| CN109919112A (zh) * | 2019-04-02 | 2019-06-21 | 郑州大学 | 一种复杂场景中流动人群的分布与计数检测的方法 |
| CN110400024A (zh) * | 2019-07-31 | 2019-11-01 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
| CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
| CN110909942A (zh) * | 2019-11-27 | 2020-03-24 | 第四范式（北京）技术有限公司 | 训练模型的方法及系统和预测序列数据的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 段宗涛;张凯;杨云;倪园园;SAURAB BAJGAIN;: "基于深度CNN-LSTM-ResNet组合模型的出租车需求预测" * |
| 荣斌;武志昊;刘晓辉;赵苡积;林友芳;景一真;: "基于时空多图卷积网络的交通站点流量预测" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215408A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 轨道交通客流量预测方法及装置 |
| CN113536256A (zh) * | 2021-07-27 | 2021-10-22 | 江西高创保安服务技术有限公司 | 一种人口流动数据的统计分析方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111429185B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876792B (zh) | 语义分割方法、装置和系统及存储介质 | |
| CN110659723B (zh) | 基于人工智能的数据处理方法、装置、介质及电子设备 | |
| CN109766557B (zh) | 一种情感分析方法、装置、存储介质及终端设备 | |
| CN111695415A (zh) | 图像识别模型的构建方法、识别方法及相关设备 | |
| Ablavatski et al. | Enriched deep recurrent visual attention model for multiple object recognition | |
| US20230215166A1 (en) | Few-shot urban remote sensing image information extraction method based on meta learning and attention | |
| CN113095254B (zh) | 一种人体部位关键点的定位方法及系统 | |
| CN112487954B (zh) | 一种面向平面交叉口的行人过街行为预测方法 | |
| CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
| CN111782840A (zh) | 图像问答方法、装置、计算机设备和介质 | |
| CN111429185A (zh) | 人群画像预测方法、装置、设备及存储介质 | |
| CN113255798A (zh) | 一种分类模型训练方法、装置、设备及介质 | |
| CN115222998B (zh) | 一种图像分类方法 | |
| CN117391225A (zh) | 数据处理方法、设备及介质 | |
| CN115830596A (zh) | 基于融合金字塔注意力的遥感图像语义分割方法 | |
| CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
| CN113762331A (zh) | 关系型自蒸馏方法、装置和系统及存储介质 | |
| CN111309923B (zh) | 对象向量确定、模型训练方法、装置、设备和存储介质 | |
| CN116993185A (zh) | 时间序列预测方法、装置、设备及存储介质 | |
| CN116362294A (zh) | 一种神经网络搜索方法、装置和可读存储介质 | |
| CN114820755B (zh) | 一种深度图估计方法及系统 | |
| CN115359281A (zh) | 基于深度子空间聚类顺序集成的图像聚类方法及系统 | |
| CN115985086A (zh) | 一种交通数据补全方法、系统、终端以及存储介质 | |
| Khanarsa et al. | Self-Identification ResNet-ARIMA Forecasting Model | |
| CN116563920B (zh) | 一种基于多模态信息的座舱环境下年龄识别方法和装置 |
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 |