CN111461384A - 对象流量预测方法、装置及设备 - Google Patents
对象流量预测方法、装置及设备 Download PDFInfo
- Publication number
- CN111461384A CN111461384A CN201911259436.1A CN201911259436A CN111461384A CN 111461384 A CN111461384 A CN 111461384A CN 201911259436 A CN201911259436 A CN 201911259436A CN 111461384 A CN111461384 A CN 111461384A
- Authority
- CN
- China
- Prior art keywords
- sequence
- predicted
- flow
- historical
- time
- 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 67
- 230000015654 memory Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 80
- 230000003370 grooming effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种对象流量预测方法、装置及设备，该方法包括：获取历史对象流量序列以及历史对象流量序列对应的影响因素序列，历史对象流量序列包括待预测目标的第一历史对象流量序列；第一历史对象流量序列包括待预测目标的多个按时序排列的历史对象流量，影响因素序列包括多个按时序排列的影响因素的取值；将历史对象流量序列和影响因素序列输入时间序列预测模型，得到待预测目标的预测流量，时间序列预测模型包括历史对象流量序列和影响因素序列与预测流量的对应关系。本申请提高了对象流量预测的准确性。
Description
技术领域
本申请涉及交通技术领域，尤其涉及一种对象流量预测方法、装置及设备。
背景技术
对于景区、交通枢纽等公共场所，为了避免实际客流量超过其承受能力，需要对客流量进行预测。
现有技术中，通常是利用客流量的历史数据，采用数据统计方法预测未来的客流量。例如，假设当前时间为2019年8月30日，可以根据2019年6月1日至2019年8月29日每天的历史客流量，预测2019年8月31日的客流量。
然而，上述预测流量的方法，存在准确性较低的问题。
发明内容
本申请实施例提供一种对象流量预测方法、装置及设备，用以解决现有技术中预测流量的方法，准确性较低的问题。
第一方面，本申请实施例提供一种对象流量预测方法，包括：
获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列；所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值；
将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
第二方面，本申请实施例提供一种对象流量预测装置，包括：
获取模块，用于获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列；所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值；
预测模块，用于将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
第三方面，本申请实施例提供一种计算机设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如上述第一方面任一项所述的方法。
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存储有计算机程序，所述计算机程序包含至少一段代码，所述至少一段代码可由计算机执行，以控制所述计算机执行如第一方面任一项所述的方法。
本申请实施例还提供一种计算机程序，当所述计算机程序被计算机执行时，用于实现如第一方面任一项所述的方法。
本申请实施例提供的对象流量预测方法、装置及设备，通过获取历史对象流量序列以及历史对象流量序列对应的影响因素序列，历史对象流量序列包括待预测目标的第一历史对象流量序列，将历史对象流量序列和影响因素序列输入时间序列预测模型，得到待预测目标的预测流量，由于时间序列预测模型是根据包括待预测目标的第一历史对象流量的历史对象流量序列以及影响历史对象流量序列中历史对象流量的影响因素序列预测待预测目标的预测流量，因此时间序列预测模型在进行对象流量预测时，可以考虑到影响因素对对象流量变化趋势的影响，与只根据对象流量变化趋势进行对象流量预测相比，能够避免由于影响因素的突发波动对对象流量带来较大影响，导致对象流量预测不准确的问题，提高了对象流量预测的准确性。
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的前提下，还可以根据这些附图获得其他的附图。
图1-图2为本申请实施例的应用场景示意图；
图3为本申请一实施例提供的对象流量预测方法的流程示意图；
图4为本申请另一实施例提供的对象流量预测方法的流程示意图；
图5为本申请又一实施例提供的对象流量预测方法的流程示意图；
图6为本申请又一实施例提供的对象流量预测方法的流程示意图；
图7A-图7D为本申请一实施例提供的时间序列集合的示意图；
图8为本申请一实施例提供的对象流量预测装置的结构示意图；
图9为本申请一实施例提供的计算机设备的结构示意图。
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，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联目标的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联目标是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。
本申请实施例提供的对象流量预测方法可以应用于任何需要进行对象流量预测场景中，其中，对象可以为人、机动车、物流车、电动车、自行车、船只、飞行器等。当然，在其他实施例中，对象还可以为其他类型，本申请对此不作限定。
下面通过两个示例性的业务场景具体说明本申请各个实施例描述的对象流量预测方法。
场景一
在一个场景中，如图1所示，终端11例如台式机、一体机、笔记本电脑、掌上电脑、平板电脑、智能手机等，可以对数据采集设备12采集到的原始数据进行分析处理，和/或，利用特定支撑系统13提供的查询接口，以获得历史对象流量序列以及所述历史对象流量序列对应的影响因素序列。其中，数据采集设备12例如可以为摄像头，终端11可以对摄像头采集到的图像或视频进行图像识别处理，以获得历史对象流量序列和/或所述历史对象流量序列对应的影响因素序列；数据采集设备12例如可以为车辆检测器，例如地面设置的线圈式车辆检测器，用于采集车辆信息，终端11可以对车辆检测器采集到的车辆信息进行统计处理，历史对象流量序列和/或所述历史对象流量序列对应的影响因素。特定支撑系统13可以理解为运行支持数据查询的特定支撑系统的设备，特定支撑系统例如可以为检票系统、售票系统、导航系统等。当然，在其他实施例中，数据采集设备12还可以为其他类型装置，特定支撑系统13还可以为其他类型系统，本申请对此不作限定。在其他实施例中，终端11还可以通过其他方式获得历史对象流量序列和影响因素序列，例如可以从服务器获得。
其中，历史流量序列包括待预测目标的第一历史对象流量序列，所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值。所述待预测目标是指需要进行对象流量预测的目标，所述待预测目标所属的应用场景可以包括但不限于下述中的一种或多种：景区、交通枢纽、地铁站点、轻轨站点、高铁站点、机场、汽车站、码头港口、物流站点、大型活动场地、演唱会场馆。可选的，可以将一个特定场景整体作为一个待预测目标，或者，可以根据将一个特定场景划分为多个待预测目标。
如图1所示，终端11在获得所述历史对象流量序列以及所述影响因素序列之后，可以利用本申请以下任一实施例提供的对象流量预测方法对获得的所述历史对象流量序列以及所述影响因素序列进行处理。具体的，终端11可以根据所述历史对象流量序列以及所述影响因素序列得到预测流量，所述预测流量可以是指预测确定的待预测目标的未来对象流量。
在得到所述预测流量之后，如图1所示，终端11可以通过显示器、扬声器等方式输出所述预测流量，以使用户可以获知所述预测流量。可选的，终端11可以通过在地图中标注预测流量的方式输出预测流量，使得用户能够直观的获得预测流量与待预测目标的对应关系，有利于提高用户的使用体验。
在得到所述预测流量之后，终端11可以根据所述预测流量确定进一步的信息。示例性的，终端11可以根据所述预测流量，确定流量预警等级。例如，可以根据所述预测流量以及不同流量范围与流量预警等级的对应关系，确定所述预测流量对应的流量预警等级。当然，在其他实施例中，终端11也可以通过其他方式根据预测流量确定流量预警等级，本申请对此不作限定。在确定流量预警等级之后，终端11可以通过扬声器、显示器等方式输出所述流量预警等级，以使用户可以获知所述流量预警等级。可选的，在对所述流量预警等级进行输出时，不同流量预警等级可以对应不同的显示颜色、不同的播放音量等，以使用户可以直观的获知流量预警等级的高低，有利于提高用户的使用体验。
或者，终端11可以根据所述预测流量，确定疏导方案。例如，可以预先设置多个疏导方案，疏导方案与流量范围之间存在对应关系，在所述预测流量与特定流量范围匹配时，可以选择多个疏导方案中与该特定流量范围对应的疏导方案，以实现针对所述预测流量的对象疏导。通过根据预测流量确定疏导方案，实现了针对未来对象流量能够提前给出应对策略，以使用用户可以根据疏导方案提前应对，避免出现由于对象拥塞所带来的安全问题。当然，在其他实施例中，终端11也可以通过其他方式根据预测流量确定疏导方案，本申请对此不作限定。在确定疏导方案之后，终端11可以通过显示器、打印机等方式输出所述疏导方案，以使用户可以获知所述疏导方案。
在本场景中，可以由用户触发终端11进行对象流量预测，终端11可以通过用户接口(例如鼠标、触摸屏等)接收用户的预测操作以生成预测指令，所述预测指令用于指示预测待预测目标的对象流量，从而触发终端11执行本申请实施例提供的对象流量预测方法。或者，可以由终端11定时主动触发进行对象流量预测。当然，在其他实施例中，也可以通过其他方式触发终端11进行对象流量预测，本申请对此不作限定。
场景二
在另一个场景中，如图2所示，服务器14可以对数据采集设备12采集到的原始数据进行分析处理，和/或，利用特定支撑系统13提供的查询接口，以获得历史对象流量序列以及所述历史对象流量序列对应的影响因素序列。所述服务器14可以包括云服务器、分布式服务器等任何形式的数据处理服务器。需要说明的是，对于服务器14获得历史对象流量序列以及影响因素序列的具体方式与场景一中终端11的获得方式类似，在此不再赘述。
如图2所示，服务器14在获得所述历史对象流量序列以及所述影响因素序列之后，可以利用本申请以下任一实施例提供的对象流量预测方法对获得的所述历史对象流量序列以及所述影响因素序列进行处理。
在根据所述历史对象流量序列以及所述影响因素序列预测得到的预测流量之后，服务器14可以通过终端11输出预测流量，服务器14可以将预测流量发送至终端11，终端11在接收到预测流量后可以通过显示器、扬声器等方式输出所述预测流量，以使用户可以获知所述预测流量。
在得到所述预测流量之后，服务器14可以根据所述预测流量确定进一步的信息。示例性的，服务器14可以根据所述预测流量，确定流量预警等级。需要说明的是，对于服务器14确定流量预警等级的具体方式与场景一中终端11的确定方式类似，在此不再赘述。在确定流量预警等级之后，服务器14可以通过终端11输出流量预警等级，例如，将流量预测等级发送至终端11，终端11在接收到流量预测等级之后对所述流量预测等级进行显示或播放等，以使用户能够获知流量预测等级。
或者，服务器14可以根据所述预测流量，确定疏导方案。需要说明的是，对于服务器14确定交通疏导方案的具体方式与场景一中终端11的确定方式类似，在此不再赘述。在确定交通疏导方案之后，服务器14可以通过终端11输出疏导方案，服务器14可以将疏导方案发送至终端11，终端11在接收到疏导方案之后对所述疏导方案进行显示或打印等，以使用户能够获知疏导方案。
可替换的，本场景中，在终端11获得预测流量之后，终端11可以根据预测流量确定进一步的信息，与场景一类似，终端11可以根据所述预测流量确定并输出流量预警等级，或者，根据所述预测流量确定并输出交通疏导方案。
在本场景中，可以由用户触发服务器14进行对象流量预测，终端11可以通过用户接口接收用户的预测操作以生成预测指令，所述预测指令用于指示预测待预测目标的对象流量，并将预测指令发送至服务器14，从而触发服务器14执行本申请实施例提供的对象流量预测方法。或者，可以由服务器14定时主动触发进行对象流量预测。当然，在其他实施例中，也可以通过其他方式触发服务器14进行对象流量预测，本申请对此不作限定。
需要说明的是，图1和图2仅为示意图，设备的形状以及设备之间的通信连接方式等仅为举例。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
图3为本申请一实施例提供的对象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1、图2所示实施例中的对象流量预测装置。如图3所示，本实施例的方法可以包括：
步骤301，获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列。
本步骤中，示例性的，所述获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，具体可以包括：对数据采集设备采集到的原始数据进行分析处理，和/或，利用特定支撑系统提供的查询接口，以获得历史对象流量序列。
所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量。所述历史对象流量与历史时段一一对应，第一历史对象流量序列包括的所有历史对象流量分别对应的历史时段可以理解为所述第一历史对象流量序列对应的历史时段。需要说明的是，对于历史时段的单位可以根据需求灵活设置。示例性的，历史时段可以包括年、季度、月、天、小时等。第一历史对象流量序列对应的历史时段可以为连续时段。
以历史时段以天为单位，第一历史对象流量序列包括2019年1月1日至2019年1月8日的历史对象流量，即第一历史对象流量序列对应的历史时段为2019年1月1日至2019年1月8日为例，第一历史对象流量序列可以为16530、20020、15011、17630、18960、19641、13013、18560。其中，16530可以表示2019年1月1日的对象流量，20020可以表示2019年1月2日的对象流量，15011可以表示2019年1月3日的对象流量，17630可以表示2019年1月4日的对象流量，18960可以表示2019年1月5日的对象流量，19641可以表示2019年1月6日的对象流量，13013可以表示2019年1月7日的对象流量，18560可以表示2019年1月8日的对象流量。
所述影响因素序列包括多个按时序排列的影响因素的取值。其中，影响因素可以是指能够对历史对象流量序列中的历史对象流量造成影响的所有因素中的一种或多种。示例性的，所述影响因素包括下述中的一种或多种：节假日、班次或天气。影响因素的取值可以与特定时段对应，影响因素序列包括的所有影响因素的取值分别对应的特定时段可以理解为所述影响因素序列对应的特定时段。其中，特定时段的单位可以与前述历史时段相同。影响因素序列对应的特定时段可以为连续时段。
需要说明的是，为了体现影响因素与历史对象流量序列中的历史对象流量的影响关系，所述影响因素序列对应的特定时段可以包括历史对象流量序列对应的至少部分历史时段。
以特定时段以天为单位，影响因素序列对应的特定时段包括历史对象流量序列对应的全部历史时段，即影响因素序列包括2019年1月1日至2019年1月8日的班次因素的取值(即，班次数)为例，影响因素序列可以为51、70、62、80、49、77、63、80。其中，51可以表示2019年1月1日的班次数，70可以表示2019年1月2日的班次数，62可以表示2019年1月3日的班次数，80可以表示2019年1月4日的班次数，49可以表示2019年1月5日的班次数，771可以表示2019年1月6日的班次数，63可以表示2019年1月7日的班次数，80可以表示2019年1月8日的班次数。
以特定时段以天为单位，影响因素序列对应的特定时段包括历史对象流量序列对应的全部历史时段，即影响因素序列包括2019年1月1日至2019年1月8日的节假日因素的取值，且取值0表示工作日、取值1表示休息日，取值2表示节假日为例，影响因素序列可以为2、0、0、0、1、1、0、0。其中，2可以表示2019年1月1日的节假日因素的取值，即2019年1月1日是法定节假日，0可以表示2019年1月2-4、7-8日的节假日因素的取值，即2019年1月2-4、7-8日是工作日，1可以表示2019年5-6日的节假日因素的取值，即2019年5-6日是休息日。
需要说明的是，当影响因素为多个时，影响因素序列也为多个，多个影响因素序列可以与多个影响因素一一对应。以影响因素包括天气和班次为例，影响因素序列可以包括影响因素序列1和影响因素序列2，其中，影响因素序列1可以包括多个按时间序列排列的天气因素的取值，影响因素序列2可以包括多个按时间序列排列的班次因素的取值。
步骤302，将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
本步骤中，预测流量可以是指预测确定的待预测目标的未来对象流量。时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与预测流量的对应关系，而历史对象流量序列包括待预测目标的第一历史对象流量序列，即，所述时间序列预测模型能够根据待预测目标的第一历史对象流量序列和影响因素序列，输出预测流量。所述预测流量具体可以是指待预测时段的对象流量，所述待预测时段为未来时段，所述待预测时段的个数可以为一个或多个，当待预测时段的个数为多个时，可以预测获得多个预测流量，多个预测流量可以与多个待预测时段一一对应。单个待预测时段的长度可以与单个历史时段的长度相同，例如均为1天。
具体的，可以将历史对象流量序列和影响因素序列作为特征向量输入时间序列预测模型，其中，特征向量的条数可以等于序列的个数，该序列可以包括历史对象流量序列和影响因素序列。特征向量的维度可以等于一个序列中元素的个数，以第一历史对象流量序列包括2019年1月1日至2019年1月8日的历史对象流量为例，特征向量的维度可以为8。
时间序列预测模型具体可以为基于时间序列的回归算法模型，对于回归算法的具体类型本申请可以不做限定，示例性的，回归算法模型可以包括随机森林回归模型，提升(Boosting)回归模型，长短期记忆(Long Short-Term Memory，LSTM)模型，最小绝对收缩与选择算子(Least absolute shrinkage and selection operator，LASSO)回归模型等。
本实施例中，通过获取历史对象流量序列以及历史对象流量序列对应的影响因素序列，历史对象流量序列包括待预测目标的第一历史对象流量序列，将历史对象流量序列和影响因素序列输入时间序列预测模型，得到待预测目标的预测流量，由于时间序列预测模型是根据包括待预测目标的第一历史对象流量的历史对象流量序列以及影响历史对象流量序列中历史对象流量的影响因素序列预测待预测目标的预测流量，因此时间序列预测模型在进行对象流量预测时，可以考虑到影响因素对对象流量变化趋势的影响，与只根据对象流量变化趋势进行对象流量预测相比，能够避免由于影响因素的突发波动对对象流量带来较大影响，导致对象流量预测不准确的问题，提高了对象流量预测的准确性。
图4为本申请另一实施例提供的对象流量预测方法的流程示意图，本实施例在图3所示实施例的基础上，主要描述了历史对象流量序列的一种可选的实现方式。如图4所示，本实施例的方法可以包括：
步骤401，获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列和关联目标的第二历史对象流量序列。
本步骤中，所述第二历史对象流量序列包括所述关联目标的多个按时序排列的历史对象流量，其中，所述关联目标包括影响所述待预测目标的对象流量的目标。所述关联目标可以包括能够影响所述待预测目标的对象流量的所有目标中的一种或多种。可以理解的是，所述关联目标与所述待预测目标为不同目标。
待预测目标的对象流量与关联目标的对象流量之间存在关联关系，该关联关系可以包括正关联关系或负关联关系。其中，待预测目标的对象流量与关联目标1的对象流量之间存在正关联关系，可以表示关联目标1的对象流量越多则待预测目标的对象流量越多，关联目标1的对象流量越少则待预测目标的对象流量越少。待预测目标的对象流量与关联目标2的对象流量之间存在负关联关系，可以表示关联目标2的对象流量越多则待预测目标的对象流量少，关联目标2的对象流量越少则待预测目标的对象流量多。例如，假设乘坐飞机的乘客在降落至机场之后，可以乘坐公交车或出租车离开机场，则乘坐出租车离开机场的乘客数量可以与降落至机场的乘客数量正相关，乘坐出租车离开机场的乘客数量可以与乘坐公交车离开机场的乘客数量负相关。
需要说明的是，第二历史对象流量序列对应的历史时段可以与第一历史对象流量序列对应的历史时段相同，例如，与第一历史对象流量序列相同，第二历史对象流量序列中可以依次包括关联目标在2019年1月1日至2019年1月8日每天的历史对象流量。关联目标的个数可以为多个，相应的，第二历史对象流量序列的个数也为多个，多个第二历史对象流量可以与多个关联目标一一对应。
通过历史对象流量序列中包括关联目标的第二历史对象流量序列，使得在进行预测时可以考虑到待预测目标的对象流量与关联目标的对象流量之间的关联关系，从而能够进一步提高待预测目标的预测流量的准确性。
示例性的，所述待预测目标和所述关联目标可以属于同一交通枢纽。由于交通枢纽是不同交通方式的交汇点，目标之间的联系非常紧密，关联目标对待预测目标的对象流量影响也非常显著，因此通过历史对象流量序列包括关联目标的历史对象流量序列，可以极大的提高待预测目标的预测流量的准确性。
假设交通枢纽包括10个目标分别为目标1至目标10，则可以将10个目标中的一个目标作为待预测目标，将10个目标中的其他9个目标作为关联目标，以得到该目标的预测流量。示例性的，可以将目标1作为待预测目标，目标2-目标10作为关联目标，以得到目标1的预测流量；可以将目标2作为待预测目标，目标1以及目标3-目标10作为关联目标，以得到目标2的预测流量；可以将目标3作为待预测目标，目标1-目标2以及目标4目标10作为关联目标，以得到目标3的预测流量；……。
可选的，所述待预测目标可以根据对象进出口划分。通过根据对象进出口划分待预测目标，可以预测一个或多个对象进出口的预测流量，从而能够提前获知对象进出口相关的对象流量，提高了对象流量预测的精细化程度。
示例性的，一个待预测目标对应一个到达口或出发口。以待预测目标属于交通枢纽为例，到达口可以是指到达交通枢纽的口，出发口可以是指离开交通枢纽的口。通过一个待预测目标对应一个到达口或出发口，可以预测离开或达到特定口的对象流量，从而最大化对象流量预测的精细化程度。
另外，由于交通枢纽的到达口、出发口与交通方式之间存在对应关系，例如，到达口1可以为飞机的达到口，即到达口1可以对应飞机，出发口2可以为地铁的出发口，即出发口2可以对应地铁，因此通过对交通枢纽中特定到达口或出发口的对象流量进行预测，可以提前获知特定交通方式对应的客运压力，从而能提前安排运力，避免枢纽出现压力过大的问题。
影响因素序列中的影响因素可以包括能够对关联目标的第二历史对象流量序列中的历史对象流量造成影响的因素。可以理解的是，影响因素序列中的影响因素可以包括对第一历史流量序列和第二历史流量序列中的历史对象流量均造成影响的公共影响因素，例如，天气、节假日，还可以包括仅对第一历史流量序列或第二历史流量序列中的历史对象流量造成影响的私有影响因素，例如，班次数。需要说明的是，公共影响因素和私有影响因素需要根据实际情况灵活划分，例如，当待预测目标和关联目标属于同一城市时，天气可以作为公共影响因素，当待预测目标和关联目标属于不同城市时，天气可以作为私有影响因素。
步骤402，将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
本步骤中，时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与预测流量的对应关系，历史对象流量序列包括待预测目标的第一历史对象流量序列和关联目标的第二历史对象流量序列，即，所述时间序列预测模型能够根据待预测目标的第一历史对象流量序列、关联目标的第二历史对象流量序列和影响因素序列，输出预测流量。
本实施例中，通过获取包括待预测目标的第一历史对象流量序列和关联目标的第二历史对象流量序列的历史对象流量序列以及历史对象流量序列对应的影响因素序列，并将历史对象流量序列和影响因素序列输入时间序列预测模型，得到待预测目标的预测流量，由于历史对象流量序列中包括关联目标的第二历史对象流量序列，使得在进行预测时可以考虑到待预测目标的对象流量与关联目标的对象流量之间的关联关系，从而能够进一步提高对象流量预测的准确性。
图5为本申请又一实施例提供的对象流量预测方法的流程示意图，本实施例在图3所示实施例的基础上，主要描述了影响因素序列的一种可选的实现方式。如图5所示，本实施例的方法可以包括：
步骤501，获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列，所述影响因素序列可以包括所述待预测时段的影响因素的取值。
本步骤中，所述待预测时段为所述预测流量对应的时段，即所述影响因素序列对应的特定时段可以包括待预测时段。由于待预测时段的影响因素的取值能够直接影响待预测时段的对象流量，通过影响因素序列包括待预测时段的影响因素的取值，使得在预测待预测时段的对象流量时可以考虑到影响待预测时段的对象流量的实际因素，从而可以进一步提高对象流量预测的准确性。
示例性的，所述历史对象流量序列可以包括所述待预测时段之前的M个时段分别的历史对象流量，所述影响因素序列可以包括所述待预测时段以及所述待预测时段之前的N个时段分别的影响因素的取值，M和N均为正整数，且M＝N+K，K表示所述待预测时段的个数。其中，M个时段、N个时段中的一个时段可以理解为前述的一个历史时段。通过M＝N+K，可以实现一个历史对象流量序列中的元素个数可以与一个影响因素序列中的元素个数相同，从而既可以简化设计，又可以使得影响因素序列能够最大程度反映影响因素对对象流量变化趋势的影响。
示例性的，所述M个时段和所述N个时段均与所述待预测时段相邻且连续。以第一历史对象流量序列包括待预测目标从2019年1月1日至2019年1月8日每天的历史对象流量，即第一历史对象流量序列对应的历史时段为2019年1月1日至2019年1月8日，待预测时段为2019年1月9日为例，影响因素序列可以对应的特定时段可以为2019年1月2日至2019年1月9日。其中，M等于8，所述待预测时段之前的M个时段即为2019年1月1日至2019年1月8日；N等于7，所述待预测时段之前的N个时段即为2019年1月2日至2019年1月8日。通过所述M个时段和所述N个时段均与所述待预测时段相邻且连续，可以实现根据最近一段时间内的历史对象流量和影响因素的取值预测待预测时段的对象流量，使得对象流量的预测可以符合最近一段时间的对象流量变化趋势以及影响因素对对象流量变化趋势的影响关系，避免M个以及N个时段与待预测时段间隔过远，两者对象流量变化趋势以及影响因素对对象流量变化趋势的影响关系差异较大，导致对象流量预测不准确的问题，从而进一步提高对象流量预测的准确性。
步骤502，将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
需要说明的是，步骤502与步骤302类似，在此不再赘述。
本实施例中，通过获取包括待预测目标的第一历史对象流量序列和关联目标的第二历史对象流量序列的历史对象流量序列以及历史对象流量序列对应的影响因素序列，其中，影响因素序列可以包括待预测时段的影响因素的取值，并将历史对象流量序列和影响因素序列输入时间序列预测模型，得到待预测目标的预测流量，由于待预测时段的影响因素的取值能够直接影响待预测时段的对象流量，通过影响因素序列包括待预测时段的影响因素的取值，使得在预测待预测时段的对象流量时可以考虑到影响待预测时段的对象流量的实际因素，从而可以进一步提高对象流量预测的准确性。
图6为本申请又一实施例提供的对象流量预测方法的流程示意图，本实施例在图3所示实施例的基础上，主要描述了时间序列预测模型的训练过程。如图6所示，本实施例的方法可以包括：
步骤601，选取所述待预测目标的若干历史数据，所述历史数据包括历史时段和所述历史时段对应的对象流量和影响因素的取值。
本步骤中，示例性的，可以从待预测目标的所有历史数据中，选取某一时间范围内的历史数据作为所述若干历史数据。例如，可以从待预测目标的所有历史数据中，选择2017年1月1日至2017年1月24日的历史数据作为该若干历史数据。这里，历史时段的长度可以与前述历史时段的长度相同，例如均以天为单位。需要说明的是，为了使得时间预测模型可以学习到影响因素与对象流量之间的影响关系，所选取的若干历史数据可以尽量遍历不同的影响因素。
所述历史时段对应的对象流量可以包括待预测目标的对象流量，所述历史时段对应的影响因素的取值可以包括影响待预测目标的影响因素的取值。当需要根据关联目标的第二历史对象流量序列预测待预测目标的预测流量时，所述历史时段对应的对象流量还可以包括关联目标的对象流量，所述历史时段对应的影响因素的取值还可以包括影响关联目标的影响因素的取值，例如班次数。
步骤602，按预设的步进间隔将所述若干历史数据分组形成多个时间序列集合，一个时间序列集合中包括由对象流量排列形成的第一时间序列和与所述第一时间序列对应且由影响因素的取值排列形成的第二时间序列。
本步骤中，示例性的，步进间隔的长度可以等于历史时段的长度，例如，步进间隔和历史时段的长度可以均为1天。分组形成的时间序列集合中，一个时间序列的元素个数可以大于或等于前述的第一历史对象流量序列的元素个数相同。以一个时间序列集合中包括4个历史时段，历史时段和步进间隔的长度均以1天，若干历史数据为2017年1月1日至2017年1月9日的历史数据为例，若干历史数据可以分组形成8个时间序列集合，分别为2017年1月1日至2017年1月4日的历史数据对应的时间序列集合1，2017年1月2日至2017年1月5日的历史数据对应的时间序列集合2，2017年1月3日至2017年1月6日的历史数据对应的时间序列集合3，2017年1月4日至2017年1月7日的历史数据对应的时间序列集合4，2017年1月5日至2017年1月8日的历史数据对应的时间序列集合5，以及2017年1月6日至2017年1月9日的历史数据对应的时间序列集合6。
需要说明的是，当所述历史时段对应的对象流量包括关联目标的对象流量时，所述第一时间序列的个数可以为多个，当影响因素的个数为多个时，第二时间序列的个数可以为多个。
步骤603，利用所述多个时间序列集合训练初始时间序列预测模型，得到所述时间序列预测模型。
本步骤中，可以将所述多个时间序列集合按照一定比例分为训练集和验证集，以对初始时间序列预测模型进行训练，得到所述时间序列预测模型。
示例性的，在对初始时间序列预测模型进行训练时，可以将时间序列集合中第一时间序列和第二时间序列作为输入。相应的，本实施例的方法还可以包括：对所述多个时间序列集合中的每个时间序列集合采用标签进行标记，所述标签为对应时间序列集合的第一时间序列中最后一个时段的下一个时段的对象流量，用于表示对应时间序列集合的模型期望结果，即期望模型输出的对象流量。需要说明的是，当所述历史时段对应的对象流量还包括关联目标的对象流量时，所述标签为对应时间序列集合中的特定第一时间序列中最后一个时段的下一个时段的对象流量，特定第一时间序列为待预测目标的对象流量组成的时间序列。
以待预测目标包括交通枢纽的出发口X01，关联目标包括该交通枢纽的到达口Y01、出发口X02、到达口Y02、出发口X03、到达口Y03，影响因素包括班次和节假日为例，时间序列集合1、时间序列集合1的第一时间序列、第二时间序列以及标签例如可以如图7A所示，时间序列集合2、时间序列集合2的第一时间序列、第二时间序列以及标签例如可以如图7B所示。
如图7A所示，2017年1月1日至2017年1月4日Y01-Y03和X01-X03分别的对象流量序列可以作为时间序列集合1的第一时间序列，2017年1月1日至2017年1月4日Y01-Y03和X01-X03分别的班次数序列，以及节假日序列可以作为时间序列集合1的第二时间序列，2017年1月5日X01的对象流量可以作为时间序列集合1的标签。
如图7B所示，2017年1月2日至2017年1月5日Y01-Y03和X01-X03分别的对象流量序列可以作为时间序列集合2的第一时间序列，2017年1月2日至2017年1月5日Y01-Y03和X01-X03分别的班次数序列，以及节假日序列可以作为时间序列集合2的第二时间序列，2017年1月6日X01的对象流量可以作为时间序列集合2的标签。
需要说明的是，图7A和图7B中的星号为对应元素取值的省略表示。
或者，示例性的，在对初始时间序列预测模型进行训练时，可以将时间序列集合中第一子时间序列和第二子时间序列作为输入，其中，第一子时间序列可以为去掉第一时间序列中最后一个时段剩余的时间序列，第二子时间序列可以为去掉第二时间序列中第一个时段剩余的时间序列。相应的，本实施例的方法还可以包括：对所述多个时间序列集合中的每个时间序列集合采用标签进行标记，所述标签为对应时间序列集合的第一时间序列中最后一个时段的对象流量，用于表示对应时间序列集合的模型期望结果，即期望模型输出的对象流量。此时，前述影响因素序列可以包括待预测时段的影响因素的取值。需要说明的是，当所述历史时段对应的对象流量还包括关联目标的对象流量时，所述标签为对应时间序列集合中的关联第一时间序列中最后一个时段的对象流量，关联第一时间序列为待预测目标的对象流量组成的时间序列。
以待预测目标包括交通枢纽的出发口X01，关联目标包括该交通枢纽的到达口Y01、出发口X02、到达口Y02、出发口X03、到达口Y03，影响因素包括班次和节假日为例，时间序列集合1、时间序列集合1的第一子时间序列、第二子时间序列以及标签例如可以如图7C所示，时间序列集合2、时间序列集合2的第一子时间序列、第二子时间序列以及标签例如可以如图7D所示。
如图7C所示，2017年1月1日至2017年1月4日Y01-Y03和X01-X03分别的对象流量序列可以作为时间序列集合1的第一时间序列，2017年1月1日至2017年1月4日Y01-Y03和X01-X03分别的班次数序列，以及节假日序列可以作为时间序列集合1的第二时间序列，2017年1月1日至2017年1月3日Y01-Y03和X01-X03分别的对象流量序列可以作为时间序列集合1的第一时间序列的第一子时间序列，2017年1月2日至2017年1月4日Y01-Y03和X01-X03分别的班次数序列，以及节假日序列可以作为时间序列集合1的第二时间序列的第二子时间序列，2017年1月4日X01的对象流量可以作为时间序列集合1的标签。
如图7D所示，2017年1月2日至2017年1月5日Y01-Y03和X01-X03分别的对象流量序列可以作为时间序列集合2的第一时间序列，2017年1月2日至2017年1月5日Y01-Y03和X01-X03分别的班次数序列，以及节假日序列可以作为时间序列集合2的第二时间序列，2017年1月2日至2017年1月4日Y01-Y03和X01-X03分别的对象流量序列可以作为时间序列集合2的第一时间序列的第一子时间序列，2017年1月3日至2017年1月5日Y01-Y03和X01-X03分别的班次数序列，以及节假日序列可以作为时间序列集合2的第二时间序列的第二子时间序列，2017年1月5日X01的对象流量可以作为时间序列集合2的标签。
需要说明的是，图7C和图7D中的星号为对应元素取值的省略表示。
示例性的，在通过验证集进行验证时，可以根据如下公式确定时间序列模型的预测准确率Acc。
其中，For可以表示模型预测结果，即模型实际输出的对象流量，Exp可以表示期望模型输出的对象流量。
本实施例中，通过选取待预测目标的若干历史数据，历史数据包括历史时段和历史时段对应的对象流量和影响因素的取值，按预设的步进间隔将若干历史数据分组形成多个时间序列集合，一个时间序列集合中包括由对象流量排列形成的第一时间序列和与第一时间序列对应且由影响因素的取值排列形成的第二时间序列，利用多个时间序列集合训练初始时间序列预测模型，得到前述的时间序列预测模型，使得该时间序列额模型能够根据包括待预测目标的第一历史对象流量的历史对象流量序列以及影响历史对象流量序列中历史对象流量的影响因素序列预测待预测目标的预测流量。
在上述方法实施例的基础上，可选的，获得所述预测流量之后，还可以输出所述预测流量，使得用户能够获知待预测对象的预测流量，以便用户能够针对所述预测流量提前确定应对策略。
在上述方法实施例的基础上，可选的，获得所述预测流量之后，还可以根据所述预测流量，确定并输出流量预警等级，使得用户能够获知待预测对象的流量预警等级，以便用户能够针对所述流量预警等级提前确定对应策略。
在上述方法实施例的基础上，可选的，获得所述预测流量之后，还可以根据所述预测流量，确定并输出疏导方案，实现了根据预测流量自动确定疏导方案，使得用户能够直接获知疏导方案，有利于提高自动化。
图8为本申请一实施例提供的对象流量预测装置的结构示意图；参考附图8所示，本实施例提供了一种对象流量预测装置，该装置可以执行上述的对象流量预测方法，具体的，该对象流量预测装置可以包括：
获取模块81，用于获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列；所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值；
预测模块82，用于将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
可选的，所述历史对象流量序列还包括：关联目标的第二历史对象流量序列，所述关联目标包括影响所述待预测目标的对象流量的目标，所述第二历史对象流量序列包括所述关联目标的多个按时序排列的历史对象流量。
可选的，所述待预测目标和所述关联目标属于同一交通枢纽。
可选的，所述影响因素序列包括所述待预测时段的影响因素的取值，所述待预测时段为所述预测流量对应的时段。
可选的，所述历史对象流量序列包括所述待预测时段之前的M个时段分别的历史对象流量，所述影响因素序列包括所述待预测时段以及所述待预测时段之前的N个时段分别的影响因素的取值，M和N均为正整数，且M＝N+K，K表示所述待预测时段的个数。
可选的，所述M个时段和所述N个时段均与所述待预测时段相邻且连续。
可选的，所述待预测目标根据对象进出口划分。
可选的，一个待预测目标对应一个到达口或出发口。
可选的，所述装置还可以包括训练模块，用于：
选取所述待预测目标的若干历史数据，所述历史数据包括历史时段和所述历史时段对应的对象流量和影响因素的取值；
按预设的步进间隔将所述若干历史数据分组形成多个时间序列集合，一个时间序列集合中包括由对象流量排列形成的第一时间序列和与所述第一时间序列对应且由影响因素的取值排列形成的第二时间序列；
利用所述多个时间序列集合训练初始时间序列预测模型，得到所述时间序列预测模型。
可选的，所述训练模块还用于：
对所述多个时间序列集合中的每个时间序列集合采用标签进行标记，所述标签为对应时间序列集合的第一时间序列中最后一个时段的对象流量，用于表示对应时间序列集合的模型期望结果。
可选的，所述影响因素包括下述中的一种或多种：节假日、班次或天气。
可选的，所述获取模块81，具体用于：对数据采集设备采集到的原始数据进行分析处理，和/或，利用特定支撑系统提供的查询接口，以获得历史对象流量序列以及所述历史对象流量序列对应的影响因素序列。
可选的，所述装置还包括输出模块，用于：输出所述预测流量；根据所述预测流量，确定并输出流量预警等级；或者，根据所述预测流量，确定并输出疏导方案。
图8所示装置可以执行图3-图6所示实施例的方法，本实施例未详细描述的部分，可参考对图2-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图2-图6所示实施例中的描述，在此不再赘述。
在一个可能的实现中，图8所示对象流量预测装置的结构可实现为一计算机设备。如图9所示，该计算机设备可以包括：处理器91和存储器92。其中，存储器92用于存储支持计算机设备执行上述图3-图6所示实施例中提供的对象流量预测的程序，处理器91被配置为用于执行存储器92中存储的程序。
程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器91执行时能够实现如下步骤：
获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列；所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值；
将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
可选地，处理器91还用于执行前述图3-图6所示实施例中的全部或部分步骤。
其中，计算机设备的结构中还可以包括通信接口93，用于算机设备与其他设备或通信网络通信。
另外，本申请实施例提供了一种计算机存储介质，用于储存计算机设备所用的计算机软件指令，其包含用于执行上述图3-图6所示方法实施例中对象流量预测方法所涉及的程序。
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的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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。
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 (15)
1.一种对象流量预测方法，其特征在于，包括：
获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列；所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值；
将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
2.根据权利要求1所述的方法，其特征在于，所述历史对象流量序列还包括：关联目标的第二历史对象流量序列，所述关联目标包括影响所述待预测目标的对象流量的目标，所述第二历史对象流量序列包括所述关联目标的多个按时序排列的历史对象流量。
3.根据权利要求2所述的方法，其特征在于，所述待预测目标和所述关联目标属于同一交通枢纽。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述影响因素序列包括所述待预测时段的影响因素的取值，所述待预测时段为所述预测流量对应的时段。
5.根据权利要求4所述的方法，其特征在于，所述历史对象流量序列包括所述待预测时段之前的M个时段分别的历史对象流量，所述影响因素序列包括所述待预测时段以及所述待预测时段之前的N个时段分别的影响因素的取值，M和N均为正整数，且M＝N+K，K表示所述待预测时段的个数。
6.根据权利要求5所述的方法，其特征在于，所述M个时段和所述N个时段均与所述待预测时段相邻且连续。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述待预测目标根据对象进出口划分。
8.根据权利要求7所述的方法，其特征在于，一个待预测目标对应一个到达口或出发口。
9.根据权利要求1-3任一项所述的方法，其特征在于，所述时间序列预测模型的训练步骤包括：
选取所述待预测目标的若干历史数据，所述历史数据包括历史时段和所述历史时段对应的对象流量和影响因素的取值；
按预设的步进间隔将所述若干历史数据分组形成多个时间序列集合，一个时间序列集合中包括由对象流量排列形成的第一时间序列和与所述第一时间序列对应且由影响因素的取值排列形成的第二时间序列；
利用所述多个时间序列集合训练初始时间序列预测模型，得到所述时间序列预测模型。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
对所述多个时间序列集合中的每个时间序列集合采用标签进行标记，所述标签为对应时间序列集合的第一时间序列中最后一个时段的对象流量，用于表示对应时间序列集合的模型期望结果。
11.根据权利要求1-3任一项所述的方法，其特征在于，所述影响因素包括下述中的一种或多种：节假日、班次或天气。
12.根据权利要求1-3任一项所述的方法，其特征在于，所述获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，包括：
对数据采集设备采集到的原始数据进行分析处理，和/或，利用特定支撑系统提供的查询接口，以获得历史对象流量序列以及所述历史对象流量序列对应的影响因素序列。
13.根据权利要求1-3任一项所述的方法，其特征在于，所述得到所述待预测目标的预测流量之后，还包括以下任一操作：
输出所述预测流量；
根据所述预测流量，确定并输出流量预警等级；
根据所述预测流量，确定并输出疏导方案。
14.一种对象流量预测装置，其特征在于，包括：
获取模块，用于获取历史对象流量序列以及所述历史对象流量序列对应的影响因素序列，所述历史对象流量序列包括待预测目标的第一历史对象流量序列；所述第一历史对象流量序列包括所述待预测目标的多个按时序排列的历史对象流量，所述影响因素序列包括多个按时序排列的影响因素的取值；
预测模块，用于将所述历史对象流量序列和所述影响因素序列输入时间序列预测模型，得到所述待预测目标的预测流量，所述时间序列预测模型包括所述历史对象流量序列和所述影响因素序列与所述预测流量的对应关系。
15.一种计算机设备，其特征在于，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至13中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911259436.1A CN111461384B (zh) | 2019-12-10 | 2019-12-10 | 对象流量预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911259436.1A CN111461384B (zh) | 2019-12-10 | 2019-12-10 | 对象流量预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461384A true CN111461384A (zh) | 2020-07-28 |
| CN111461384B CN111461384B (zh) | 2024-04-05 |
Family
ID=71682235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911259436.1A Active CN111461384B (zh) | 2019-12-10 | 2019-12-10 | 对象流量预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461384B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950792A (zh) * | 2020-08-14 | 2020-11-17 | 杭州海康威视系统技术有限公司 | 垃圾总量预测方法、装置、设备及存储介质 |
| CN113313937A (zh) * | 2021-04-14 | 2021-08-27 | 交通运输部规划研究院 | 一种基于土地利用信息的路网交通流量动态模拟方法 |
| CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技（深圳）有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
| CN113762578A (zh) * | 2020-12-28 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
| CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
| CN116071114A (zh) * | 2023-04-04 | 2023-05-05 | 广州携旅信息科技有限公司 | 一种酒店电视媒体广告的流量预估方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160210341A1 (en) * | 2015-01-16 | 2016-07-21 | Linkedin Corporation | Capacity planning for database replication latency |
| US20170185902A1 (en) * | 2015-12-29 | 2017-06-29 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
| CN106951976A (zh) * | 2016-10-12 | 2017-07-14 | 华南理工大学 | 一种基于模式分类的公交客流预测方法 |
| CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告（上海）有限公司 | 一种流量预测方法及装置、存储介质、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 |
| WO2019085807A1 (zh) * | 2017-11-01 | 2019-05-09 | 腾讯科技（深圳）有限公司 | 一种路况信息获取方法及其设备、存储介质 |
| CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
| CN110210656A (zh) * | 2019-05-21 | 2019-09-06 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
| CN110417607A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种流量预测方法、装置及设备 |
-
2019
- 2019-12-10 CN CN201911259436.1A patent/CN111461384B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160210341A1 (en) * | 2015-01-16 | 2016-07-21 | Linkedin Corporation | Capacity planning for database replication latency |
| US20170185902A1 (en) * | 2015-12-29 | 2017-06-29 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
| CN106951976A (zh) * | 2016-10-12 | 2017-07-14 | 华南理工大学 | 一种基于模式分类的公交客流预测方法 |
| CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告（上海）有限公司 | 一种流量预测方法及装置、存储介质、终端 |
| WO2019085807A1 (zh) * | 2017-11-01 | 2019-05-09 | 腾讯科技（深圳）有限公司 | 一种路况信息获取方法及其设备、存储介质 |
| CN110417607A (zh) * | 2018-04-26 | 2019-11-05 | 中移(苏州)软件技术有限公司 | 一种流量预测方法、装置及设备 |
| 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 |
| CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
| CN110210656A (zh) * | 2019-05-21 | 2019-09-06 | 上海交通大学 | 基于站点行为分析的共享单车流量预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈丹;胡明华;张洪海;尹嘉男;: "基于贝叶斯估计的短时空域扇区交通流量预测", 西南交通大学学报, no. 04, 15 August 2016 (2016-08-15) * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950792A (zh) * | 2020-08-14 | 2020-11-17 | 杭州海康威视系统技术有限公司 | 垃圾总量预测方法、装置、设备及存储介质 |
| CN113762578A (zh) * | 2020-12-28 | 2021-12-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
| WO2022142574A1 (zh) * | 2020-12-28 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 流量预测模型的训练方法、装置和电子设备 |
| CN113313937A (zh) * | 2021-04-14 | 2021-08-27 | 交通运输部规划研究院 | 一种基于土地利用信息的路网交通流量动态模拟方法 |
| CN113313937B (zh) * | 2021-04-14 | 2022-05-06 | 交通运输部规划研究院 | 一种基于土地利用信息的路网交通流量动态模拟方法 |
| CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技（深圳）有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
| CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技（深圳）有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
| CN113850418A (zh) * | 2021-09-02 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 时间序列中异常数据的检测方法和装置 |
| CN116071114A (zh) * | 2023-04-04 | 2023-05-05 | 广州携旅信息科技有限公司 | 一种酒店电视媒体广告的流量预估方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461384B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461384B (zh) | 对象流量预测方法、装置及设备 | |
| US11423775B2 (en) | Predictive route congestion management | |
| US10169995B2 (en) | Automatic selection of parking spaces based on parking space attributes, driver preferences, and vehicle information | |
| US20140058652A1 (en) | Traffic information processing | |
| CN111656140A (zh) | 预测交通事故发生地的人工智能系统和方法 | |
| US10252461B2 (en) | Cognitive-based driving anomaly detection based on spatio-temporal landscape-specific driving models | |
| CN104254873A (zh) | 视频监控系统中的警报量归一化 | |
| CN111105120B (zh) | 一种工单处理方法及装置 | |
| CN111402583A (zh) | 一种交通事件的感知方法、设备及存储介质 | |
| CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
| US10733541B2 (en) | System, method, and recording medium for geolocation data discovery in streaming texts | |
| CN111582559A (zh) | 一种到达时间的预估方法及装置 | |
| CN107146061B (zh) | 一种基于港口多层区域的船舶挂靠事件挖掘方法及系统 | |
| CN112801376A (zh) | 确定船只的预计到达时间的方法、装置和存储介质 | |
| CN110675646B (zh) | 公交站点位置获取方法及装置 | |
| CN111862583B (zh) | 一种车流量预测方法及装置 | |
| Cho et al. | Big data pre-processing methods with vehicle driving data using MapReduce techniques | |
| CN110945484B (zh) | 数据存储中异常检测的系统和方法 | |
| CN116431923B (zh) | 一种针对城市道路的交通出行预测方法、设备及介质 | |
| US20230177959A1 (en) | Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system | |
| CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
| JP7204527B2 (ja) | 事故確率分析装置および事故確率分析方法 | |
| CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
| JP2023092971A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
| JP2023005015A (ja) | 交通状況予測装置、および、交通状況予測方法 |
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 |