CN111553737B - 一种营业时间预测方法和装置 - Google Patents

一种营业时间预测方法和装置 Download PDF

Info

Publication number
CN111553737B
CN111553737B CN202010362700.0A CN202010362700A CN111553737B CN 111553737 B CN111553737 B CN 111553737B CN 202010362700 A CN202010362700 A CN 202010362700A CN 111553737 B CN111553737 B CN 111553737B
Authority
CN
China
Prior art keywords
passenger flow
predicted
flow volume
time period
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010362700.0A
Other languages
English (en)
Other versions
CN111553737A (zh
Inventor
张思睿
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.)
Beijing Kingsoft Internet Security Software Co Ltd
Original Assignee
Beijing Kingsoft Internet Security Software 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 Beijing Kingsoft Internet Security Software Co Ltd filed Critical Beijing Kingsoft Internet Security Software Co Ltd
Priority to CN202010362700.0A priority Critical patent/CN111553737B/zh
Publication of CN111553737A publication Critical patent/CN111553737A/zh
Application granted granted Critical
Publication of CN111553737B publication Critical patent/CN111553737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种营业时间预测方法和装置，获得目标场所的第一真实客流量；第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；将第一真实客流量输入至预设的客流量预测模型，得到目标场所在待预测时间段的第一预测客流量；将第一预测客流量符合第一特征的时间段的起始时间，确定为目标场所的预测开始营业时间，和/或将第一预测客流量符合第二特征的时间段的起始时间，确定为目标场所的预测结束营业时间。基于上述处理，能够预测出目标场所在待预测时间段的客流量，而客流量的大小受目标场所的营业时间影响，因此，根据预测的客流量，能够准确地预测目标场所在待预测时间段的营业时间。

Description

一种营业时间预测方法和装置
技术领域
本发明涉及人工智能技术领域，特别是涉及一种营业时间预测方法和装置。
背景技术
商场、大型超市等场所可以具有不同的营业时间，营业时间可以包括开始营业时间和结束营业时间。例如，商场的开始营业时间为早上9点，结束营业时间为晚上11点，则商场的营业时间为早上9点-晚上11点；大型超市的开始营业时间为早上7点，结束营业时间为晚上10点，则大型超市的营业时间为早上7点-晚上10点。
然而，上述场所的营业时间可能并不固定，例如，天气变化、突发事件等都有可能导致上述场所推迟开始营业时间，或者，提前结束营业时间。因此，亟需一种方法，以预测上述场所的营业时间。
发明内容
本发明实施例的目的在于提供一种营业时间预测方法和装置，能够准确地预测场所的营业时间。具体技术方案如下：
第一方面，为了达到上述目的，本发明实施例公开了一种营业时间预测方法，所述方法包括：
获得目标场所的第一真实客流量；所述第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；
将所述第一真实客流量输入至预设的客流量预测模型，得到所述目标场所在待预测时间段的第一预测客流量；
将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间。
可选的，所述客流量预测模型为：第一均值模型或第二均值模型或时间序列模型；其中，所述第一均值模型与所述第二均值模型采用不同的均值算法；
所述客流量预测模型采用如下步骤获得：
获取当前时刻之前第二历史日期的所述预设时间段的真实客流量，作为第二真实客流量；
将所述第二真实客流量，分别输入至预设的初始第一均值模型和初始第二均值模型和初始时间序列模型，得到各个模型输出的所述第二历史日期的所述预设时间段之后的时间段的预测客流量，作为第二预测客流量；
分别计算各个第二预测客流量，与所述第二历史日期的所述预设时间段之后的时间段的真实客流量之间的差值，作为各个模型的预测误差；
确定预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型；
基于所述初始预测模型，确定客流量预测模型。
可选的，所述基于所述初始预测模型，确定客流量预测模型，包括：
将所述初始预测模型确定为客流量预测模型。
可选的，所述基于所述初始预测模型，确定客流量预测模型，包括：
确定得到所述第二预测客流量时，所述初始预测模型的模型参数的参数值；
将模型参数为确定的参数值的所述初始预测模型，确定为客流量预测模型。
可选的，所述第二历史日期包括所述待预测时间段的前一周内，与所述待预测时间段的日期类型相同的历史日期；其中，所述日期类型为工作日或非工作日。
可选的，所述预设时间段按预设的时间粒度被划分为多个子时间段；所述第一真实客流量包括：在当前时刻之前第一历史日期的所述预设时间段中，各个子时间段的真实客流量；所述第一预测客流量包括在所述待预测时间段中，各个子时间段的第一预测客流量；
所述将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间，包括：
分别计算所述待预测时间段中，各个子时间段的第一预测客流量的变化率；
确定所述第一预测客流量的变化率最大的子时间段的起始时间，为所述目标场所的预测开始营业时间；和/或，
确定所述第一预测客流量小于预设客流量阈值，且上一子时间段的所述第一预测客流量不小于所述预设客流量阈值的子时间段为目标子时间段；
确定所述目标子时间段的起始时间，为所述目标场所的预测结束营业时间。
可选的，所述方法应用于目标场所的机器人，所述方法还包括：
在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息；
或，
所述方法应用于与所述目标场所的机器人通信连接的服务器，所述方法还包括：
将所述目标场所的预测开始营业时间和预测结束营业时间发送至所述机器人，以使所述机器人在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
第二方面，为了达到上述目的，本发明实施例公开了一种营业时间预测装置，所述装置包括：
获得模块，用于获得目标场所的第一真实客流量；所述第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；
预测模块，用于将所述第一真实客流量输入至预设的客流量预测模型，得到所述目标场所在待预测时间段的第一预测客流量；
确定模块，用于将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间。
可选的，所述客流量预测模型为：第一均值模型或第二均值模型或时间序列模型；其中，所述第一均值模型与所述第二均值模型采用不同的均值算法；
所述装置还包括：
客流量预测模型获取模块，用于获取当前时刻之前第二历史日期的所述预设时间段的真实客流量，作为第二真实客流量；
将所述第二真实客流量，分别输入至预设的初始第一均值模型和初始第二均值模型和初始时间序列模型，得到各个模型输出的所述第二历史日期的所述预设时间段之后的时间段的预测客流量，作为第二预测客流量；
分别计算各个第二预测客流量，与所述第二历史日期的所述预设时间段之后的时间段的真实客流量之间的差值，作为各个模型的预测误差；
确定预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型；
基于所述初始预测模型，确定客流量预测模型。
可选的，所述客流量预测模型获取模块，具体用于将所述初始预测模型确定为客流量预测模型。
可选的，所述客流量预测模型获取模块，具体用于确定得到所述第二预测客流量时，所述初始预测模型的模型参数的参数值；
将模型参数为确定的参数值的所述初始预测模型，确定为客流量预测模型。
可选的，所述第二历史日期包括所述待预测时间段的前一周内，与所述待预测时间段的日期类型相同的历史日期；其中，所述日期类型为工作日或非工作日。
可选的，所述预设时间段按预设的时间粒度被划分为多个子时间段；所述第一真实客流量包括：在当前时刻之前第一历史日期的所述预设时间段中，各个子时间段的真实客流量；所述第一预测客流量包括在所述待预测时间段中，各个子时间段的第一预测客流量；
所述确定模块，具体用于分别计算所述待预测时间段中，各个子时间段的第一预测客流量的变化率；
确定所述第一预测客流量的变化率最大的子时间段的起始时间，为所述目标场所的预测开始营业时间；和/或，
确定所述第一预测客流量小于预设客流量阈值，且上一子时间段的所述第一预测客流量不小于所述预设客流量阈值的子时间段为目标子时间段；
确定所述目标子时间段的起始时间，为所述目标场所的预测结束营业时间。
可选的，所述装置应用于目标场所的机器人，所述装置还包括：
展示模块，用于在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息；
或，
所述装置应用于与所述目标场所的机器人通信连接的服务器，所述装置还包括：
发送模块，用于将所述目标场所的预测开始营业时间和预测结束营业时间发送至所述机器人，以使所述机器人在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
在本发明实施的另一方面，为了达到上述目的，本发明实施例还公开了一种电子设备，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现如上述第一方面所述的营业时间预测方法。
在本发明实施的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一方面所述的营业时间预测方法。
本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的营业时间预测方法。
本发明实施例有益效果：
本发明实施例提供的一种营业时间预测方法，可以获得目标场所的第一真实客流量；第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；将第一真实客流量输入至预设的客流量预测模型，得到目标场所在待预测时间段的第一预测客流量；将第一预测客流量符合第一特征的时间段的起始时间，确定为目标场所的预测开始营业时间，和/或将第一预测客流量符合第二特征的时间段的起始时间，确定为目标场所的预测结束营业时间。基于上述处理，能够预测出目标场所在待预测时间段的客流量，而客流量的大小受目标场所的营业时间影响，因此，根据预测的客流量，能够准确地预测目标场所在待预测时间段的营业时间。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的一种营业时间预测方法的流程图；
图2a为本发明实施例提供的营业时间预测方法中确定预测开始营业时间的流程图；
图2b为本发明实施例提供的营业时间预测方法中确定预测结束营业时间的流程图；
图3为应用本发明实施例后预测客流量与真实客流量的一种对比图；
图4为应用本发明实施例后预测客流量与真实客流量的另一种对比图；
图5为本发明实施例提供的营业时间预测方法中获取客流量预测模型的流程图；
图6为本发明实施例中客流量预测模型构建过程示意图；
图7为本发明实施例提供的一种营业时间预测装置的结构图；
图8为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了能够准确地预测场所的营业时间，本发明实施例提供了一种营业时间预测方法，参见图1，图1为本发明实施例提供的一种营业时间预测方法的流程图，该方法可以包括以下步骤：
S101：获得目标场所的第一真实客流量。
其中，第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量。
S102：将第一真实客流量输入至预设的客流量预测模型，得到目标场所在待预测时间段的第一预测客流量。
S103：将第一预测客流量符合第一特征的时间段的起始时间，确定为目标场所的预测开始营业时间，和/或将第一预测客流量符合第二特征的时间段的起始时间，确定为目标场所的预测结束营业时间。
本发明实施例提供的营业时间预测方法，能够预测出目标场所在待预测时间段的客流量，而客流量的大小受目标场所的营业时间影响，因此，根据预测的客流量，能够准确地预测目标场所在待预测时间段的营业时间。
在步骤S101中，目标场所可以为超市、商场、公园等场所。在一天中，目标场所可以有开始营业时间和结束营业时间，例如，开始营业时间可以是上午的时间，结束营业时间可以为下午的时间。
预设时间段可以为上午时间段，或者，也可以为下午时间段，或者，也可以是上午时间段和下午时间段。
上午时间段和下午时间段可以由技术人员根据目标场所的营业时间确定，例如，目标场所为超市，则上午时间段可以为7:00-12:00，相应的，下午时间段可以为12:00-21:00。目标场所为商场，则上午时间段可以为8:00-12:00，相应的，下午时间段可以为12:00-23:00。
在本发明实施例中，可以以预设的时间粒度来获得真实的客流量。相应的，预测客流量也是相同的时间粒度，例如：如果希望预测结果精确度更高，可以将时间粒度设置为：10分钟或15分钟或半个小时等。如果对精度要求不高，也可以将时间粒度设置为1小时或2小时等。因此，还可以对预设时间段进一步按预设的时间粒度来划分为子时间段。例如，可以以每半小时为一个子时间段进行划分。
针对上述示例，目标场所为超市，则上午时间段中的子时间段可以包括：07:00-07:30、07:30-08:00、08:00-08:30、……、11:30-12:00，相应的，下午时间段中的子时间段可以包括：12:00-12:30、12:30-13:00、13:00-13:30、……、20:30-21:00。
一种实现方式中，可以在一个子时间段的结束时间，统计该子时间段的客流量，该结束时间的客流量可以表示该子时间段的客流量。例如，在8:30统计08:00-08:30的客流量，在23:00统计22:30-23:00的客流量。也就是说，8:30的客流量可以表示08:00-08:30的客流量，23:00的客流量可以表示22:30-23:00的客流量。
另外，还可以对统计的客流量进行预处理。例如，由于统计出错或者其他原因，可能会导致一个子时间段的客流量出现异常，此时，可以根据该子时间段前后子时间段的客流量，重新确定该子时间段的客流量。
在步骤S102中，客流量预测模型可以是技术人员预先指定的，或者，也可以是从多个预测模型中选择的。
客流量预测模型可以为均值模型，或者，也可以为时间序列模型，例如，可以为自回归滑动平均模型，但并不限于此。
一种实现方式中，可以只对上午时间段的客流量进行预测，也可以只对下午时间段的客流量进行预测，还可以同时对上午时间段和下午时间段的客流量进行预测。
例如，可以在上午时间段之前，预测上午时间段的客流量；在上午时间段之后，下午时间段之前，预测下午时间段的客流量。
在步骤S103中，由于目标场所的客流量的大小受营业时间的影响，因此，根据第一预测客流量能够准确地预测目标场所的营业时间。
第一特征可以表示目标场所开门时的客流量的特征，第二特征可以表示目标场所关门时的客流量的特征。
一种实现方式中，可以采用时间粒度对时间段进行划分，进而，可以得到多个子时间段，待预测时间段的第一预测客流量，包括待预测时间段中各子时间段的第一预测客流量，可以根据待预测时间段中各子时间段的第一预测客流量的变化，确定目标场所的开始营业时间和结束营业时间对应的子时间段。
在一个实施例中，待预测时间段中第一个第一预测客流量达到客流量阈值的子时间段，可以为符合第一特征的子时间段。
待预测时间段中第一个第一预测客流量骤减的子时间段，可以为符合第二特征的子时间段。
在一个实施例中，预设时间段可以按预设的时间粒度被划分为多个子时间段，相应的，第一真实客流量可以包括：在当前时刻之前第一历史日期的预设时间段中，各个子时间段的第一真实客流量，第一预测客流量包括在待预测时间段中，各个子时间段的第一预测客流量。
在一个实施例中，参见图2a，步骤S103可以包括以下步骤：
S1031：分别计算待预测时间段中，各个子时间段的第一预测客流量的变化率；确定第一预测客流量的变化率最大的子时间段的起始时间，为目标场所的预测开始营业时间。
待预测时间段的第一预测客流量的变化率，也即，待预测时间段中各子时间段的第一预测客流量的变化率。
在本发明实施例中，在得到待预测时间段中，各子时间段对应的第一预测客流量后，可以分别计算各子时间段的第一预测客流量的变化率。其中，一个子时间段的客流量的变化率，可以用该子时间段的客流量与上一子时间段的客流量的差值表示。
一种实现方式中，由于到开始营业时间时，目标场所的客流量会大幅增加，客流量的变化率最大的子时间段，可以为目标场所刚开门后的第一个子时间段，因此，可以将子该时间段，确定为符合第一特征的子时间段。
例如，参见图3，图3为应用本发明实施例后预测客流量与真实客流量的一种对比图。
其中，横轴代表时间，纵轴代表客流量。带圆点的曲线表示目标场所在待预测时间段的真实客流量，不带圆点的曲线表示基于本发明实施例的营业时间预测方法，得到的目标场所在待预测时间段的第一预测客流量。
基于图3中的第一预测客流量，可以得到表(1)所示的第一预测客流量的变化率。
表(1)
时间段 第一预测客流量的变化率
09:30—10:00 0
10:00—10:30 77.641592
10:30—11:00 37.284481
11:00—11:30 23.770833
11:30—12:00 36.276638
12:00—12:30 39.392972
由表(1)，可以确定出10:00-10:30子时间段的第一预测客流量的变化率最大，为符合第一特征的子时间段，因此，可以确定10:00-10:30子时间段的起始时间(即10:00)，为目标场所的预测开始营业时间。
在一个实施例中，参见图2b，步骤S103可以包括以下步骤：
S1032：确定第一预测客流量小于预设客流量阈值，且上一子时间段的第一预测客流量不小于预设客流量阈值的子时间段为目标子时间段；确定目标子时间段的起始时间，为目标场所的预测结束营业时间。
预设客流量阈值可以由技术人员根据目标场所的真实客流量设置。
由于到结束营业时间时，目标场所的客流量会大幅降低，因此，如果目标场所在目标子时间段的第一预测客流量小于预设客流量阈值，且目标子时间段的上一子时间段的第一预测客流量不小于预设客流量阈值，表明目标子时间段可以为准备关门后的第一个子时间段，因此，可以将目标子时间段，确定为符合第二特征的子时间段。
例如，参见图4，图4为应用本发明实施例后预测客流量与真实客流量的另一种对比图。
其中，横轴代表时间，纵轴代表客流量。带圆点的曲线表示目标场所在待预测时间段的真实客流量，不带圆点的曲线表示基于本发明实施例的营业时间预测方法，得到的目标场所在待预测时间段的第一预测客流量。
图4中，预设客流量阈值可以为30，22:30的第一预测客流量小于预设客流量阈值，即，预测的22:00-22:30子时间段的客流量小于预设客流量阈值；22:00的第一预测客流量大于预设客流量阈值，即，预测的21:30-22:00子时间段的客流量大于预设客流量阈值，因此，目标子时间段为22:00-22:30，进而，可以确定其起始时间22:00为目标场所的预测结束营业时间。
在一个实施例中，针对上述步骤S103，也可以同时执行S1031和S1032，以得到目标场所的预测开始营业时间和预测结束营业时间。
在一个实施例中，为了进一步提高预测的客流量的准确度，进而，提高确定出的营业时间的准确度，客流量预测模型可以是从多个预测模型中选择的一个预测误差最小的预测模型。
客流量预测模型可以为：第一均值模型或第二均值模型或时间序列模型；其中，第一均值模型与第二均值模型采用不同的均值算法，时间序列模型可以为自回归滑动平均模型、自回归求和移动平均模型，但并不限于此。
时间序列模型可以用公式(1)表示：
Ft＝W1At-1+W2At-2+W3At-3+…WnAt-n+M (1)
其中，n＜t，Ft表示预测的第t个时刻的客流量，At-1表示第t-1个时刻的真实客流量，At-2表示第t-2个时刻的真实客流量，At-3表示第t-3个时刻的真实客流量，At-n表示第t-n个时刻的真实客流量；W1表示At-1的权重，W2表示At-2的权重，W3表示At-3的权重，Wn表示At-n的权重，M表示预设参数。
公式(1)中的权重可以采用不同的方式确定。例如，1≤p≤n；
或者，1≤q≤n。
根据当前时刻之前历史日期的真实客流量，可以确定公式(1)中的M和权重，即，确定时间序列模型的模型参数的参数值。
进而，可以基于第一历史日期的预设时间段的真实客流量，结合公式(1)，计算待预测时间段的第一预测客流量。
针对均值模型，可以根据待预测时间段，确定参考时间段，进而，可以根据参考时间段的真实客流量，对均值模型进行训练，即，确定均值模型的模型参数的参数值。
如果待预测时间段为上午时间段，则参考时间段可以为上周同一天的上午时间段，如果待预测时间段为下午时间段，则参考时间段可以为本周同一天的上午时间段。
例如，待预测时间段为本周周一(为工作日)的8:00-12:00，可以获取上一周周一8:00～14:30中各子时间段(即参考时间段)的真实客流量，并计算各真实客流量的平均值，作为第一数值。
然后，可以获取本周周一之前，第一数目个工作日8:00～14:30中各子时间段的真实客流量。针对每一子时间段，可以计算第一数目个工作日中该子时间段的真实客流量的平均值，作为第二数值。第一数目大于1。
进而，可以计算第一数值与各第二数值的比值，作为第一比值。包含各第一比值的向量，作为第一向量，该第一向量可以表示第一均值模型的模型参数。
然后，可以获取包含上述第一数目个工作日8:00-12:00中各子时间段的真实客流量的向量，作为第二向量。
进而，可以计算第二向量与第一向量的向量积，并计算向量积与第一数目的商，得到第三向量，第三向量可以表示本周周一8:00-12:00中各子时间段的预测客流量。
另外，针对第二均值模型，在得到第一比值后，针对每一第一比值，可以计算该第一比值，与第一向量中各第一比值的总和的比值，得到第二比值。包含各第二比值的向量，作为第四向量，该第四向量可以表示第二均值模型的模型参数。
相应的，可以计算第二向量与第四向量的向量积，得到第五向量，第五向量可以表示本周周一8:00-12:00中各子时间段的预测客流量。
又例如，待预测时间段为本周周一的15:00-23:00，则可以获取本周周一8:00～14:30中各子时间段(即参考时间段)的真实客流量，并计算各真实客流量的平均值，作为第一数值。
然后，可以获取本周周一之前，第一数目个工作日8:00～14:30中各子时间段的真实客流量，针对每一子时间段，可以计算第一数目个工作日中该子时间段的真实客流量的平均值，作为第二数值。第一数目大于1。
进而，可以计算第一数值与各第二数值的比值，作为第一比值。包含各第一比值的向量，作为第一向量，该第一向量可以表示第一均值模型的模型参数。
然后，可以获取包含上述第一数目个工作日15:00-23:00中各子时间段的真实客流量的向量，作为第二向量。
进而，可以计算第二向量与第一向量的向量积，并计算向量积与第一数目的商，得到第三向量，第三向量可以表示本周周一的15:00-23:00中各子时间段的预测客流量。
另外，针对第二均值模型，在得到第一比值后，针对每一第一比值，可以计算该第一比值，与第一向量中各第一比值的总和的比值，得到第二比值。包含各第二比值的向量，作为第四向量，该第四向量可以表示第二均值模型的模型参数。
相应的，可以计算第二向量与第四向量的向量积，得到第五向量，第五向量可以表示本周周一的15:00-23:00中各子时间段的预测客流量。
在一个实施例中，参见图5，客流量预测模型的获取步骤可以包括：
S501：获取当前时刻之前第二历史日期的预设时间段的真实客流量，作为第二真实客流量。
在本发明实施例中，可以利用上午时间段的真实客流量确定预测模型的预测误差，或者，也可以用下午时间段的真实客流量确定预测模型的预测误差，或者，也可以结合上午时间段和下午时间段的真实客流量确定预测模型的预测误差。
在一个实施例中，第二历史日期可以包括待预测时间段的前一周内，与待预测时间段的日期类型相同的历史日期，日期类型为工作日或非工作日。
例如，待预测时间段为2020年4月15日(周三)的上午时间段，相应的，可以确定前一周的周一至周五(2020年4月6日-2020年4月10日)为第二历史日期。或者，也可以将2020年4月6日-2020年4月10日中的一天或者多天作为第二历史日期。
或者，待预测时间段为2020年4月18日(周六)的下午时间段，相应的，可以确定前一周的周六至周日(2020年4月11日-2020年4月12日)为第二历史日期。或者，也可以将2020年4月11日作为第二历史日期，或者，也可以将2020年4月12日作为第二历史日期。
S502：将第二真实客流量，分别输入至预设的初始第一均值模型和初始第二均值模型和初始时间序列模型，得到各个模型输出的第二历史日期的预设时间段之后的时间段的预测客流量，作为第二预测客流量。
S503：分别计算各个第二预测客流量，与第二历史日期的预设时间段之后的时间段的真实客流量之间的差值，作为各个模型的预测误差。
S504：确定预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型。
S505：基于初始预测模型，确定客流量预测模型。
在本发明实施例中，针对每一模型，可以使用该模型预测第二历史日期的预设时间段之后的时间段的客流量(即第二预测客流量)，进而，可以计算第二历史日期的预设时间段之后的时间段的真实客流量与第二预测客流量的差值。
一种实现方式中，也可以将第二历史日期的预设时间段之后的时间段划分为多个子时间段，分别计算每一子时间段的真实客流量与对应的第二预测客流量的差值，然后，可以得到各子时间段对应的差值的总和值或平均值，作为该时间段对应的预测误差。相应的，可以将预测误差最小的模型，作为初始预测模型。
针对上述示例，待预测时间段包括2020年4月15日(周三)中的子时间段，相应的，第二历史日期可以包括前一周的周一至周三(2020年4月6日-2020年4月8日)。
然后，针对每一预测模型，可以用该预测模型，计算2020年4月7日的第二预测客流量、2020年4月8日的第二预测客流量和2020年4月9日的第二预测客流量。
进而，可以计算2020年4月7日的真实客流量与第二预测客流量的差值、2020年4月8日的真实客流量与第二预测客流量的差值，以及2020年4月9日的真实客流量与第二预测客流量的差值。
进而，可以综合计算得到的多个差值，得到该预测模型对应的总差值，作为该预测模型的预测误差。
采用预测误差最小的预测模型，对目标场所在待预测时间段的客流量进行预测，能够提高预测到的客流量的准确度，进而，提高确定出的营业时间的准确度。
在一个实施例中，S505可以包括以下步骤：将初始预测模型确定为客流量预测模型。
在本发明实施例中，可以将第一真实客流量输入至确定出的初始预测模型，得到目标场所在待预测时间段的第一预测客流量，在得到第一预测客流量时，也就确定了初始预测模型的模型参数的参数值，完成了初始预测模型的训练。
在一个实施例中，S505可以包括以下步骤：
步骤一，确定得到第二预测客流量时，初始预测模型的模型参数的参数值。
步骤二，将模型参数为确定的参数值的初始预测模型，确定为客流量预测模型。
在本发明实施例中，在基于第二真实客流量，得到第二预测客流量的过程时，也就确定了初始预测模型的模型参数的参数值，即完成了初始预测模型的训练。
基于上述处理，能够从多个预测模型中选择一个预测误差最小的预测模型，并基于确定出的预测模型计算待预测时间段的客流量，能够提高预测的客流量的准确度，进而，提高确定出的营业时间的准确度。
在一个实施例中，该方法可以应用于目标场所的机器人，相应的，该方法还包括以下步骤：在目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
一种实现方式中，目标场所的机器人可以获取目标场所在第一历史日期的真实客流量，并基于本发明实施例的方法，计算目标场所在待预测时间段的预测开始营业时间和预测结束营业时间，进而，可以在目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息，以提高展示的信息的有效浏览率。
在一个实施例中，该方法还可以应用于与目标场所的机器人通信连接的服务器，相应的，该方法还可以包括以下步骤：将目标场所的预测开始营业时间和预测结束营业时间发送至机器人，以使机器人在目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
一种实现方式中，服务器可以获取目标场所在第一历史日期的真实客流量，并基于本发明实施例的方法，计算目标场所在待预测时间段的预测开始营业时间和预测结束营业时间，然后，服务器可以向目标场所的机器人发送预测开始营业时间和预测结束营业时间，进而，机器人可以在预测开始营业时间和预测结束营业时间之间播放待展示信息，以提高展示的信息的有效浏览率。
参见图6，图6为本发明实施例中客流量预测模型构建过程示意图。
获得训练数据，训练数据可以包括：与待预测时间段的日期类型相同的历史日期的真实客流量。
将训练数据分别输入至初始第一均值模型、初始第二均值模型和初始时间序列模型，分别获得各模型输出的预测客流量，然后进行模型集成。
模型集成：基于训练数据中的真实客流量和各模型输出的预测客流量，分别计算初始第一均值模型和初始第二均值模型和初始时间序列模型的预测误差，将预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型。
最后，基于训练数据，确定初始预测模型的模型参数的参数值，将模型参数为确定的参数值的初始预测模型，确定为客流量预测模型。
基于相同的发明构思，本发明实施例还提供了一种营业时间预测装置，参见图7，图7为本发明实施例提供的一种营业时间预测装置的结构图，该装置包括：
获得模块701，用于获得目标场所的第一真实客流量；所述第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；
预测模块702，用于将所述第一真实客流量输入至预设的客流量预测模型，得到所述目标场所在待预测时间段的第一预测客流量；
确定模块703，用于将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间。
可选的，所述客流量预测模型为：第一均值模型或第二均值模型或时间序列模型；其中，所述第一均值模型与所述第二均值模型采用不同的均值算法；
所述装置还包括：
客流量预测模型获取模块，用于获取当前时刻之前第二历史日期的所述预设时间段的真实客流量，作为第二真实客流量；
将所述第二真实客流量，分别输入至预设的初始第一均值模型和初始第二均值模型和初始时间序列模型，得到各个模型输出的所述第二历史日期的所述预设时间段之后的时间段的预测客流量，作为第二预测客流量；
分别计算各个第二预测客流量，与所述第二历史日期的所述预设时间段之后的时间段的真实客流量之间的差值，作为各个模型的预测误差；
确定预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型；
基于所述初始预测模型，确定客流量预测模型。
可选的，所述客流量预测模型获取模块，具体用于将所述初始预测模型确定为客流量预测模型。
可选的，所述客流量预测模型获取模块，具体用于确定得到所述第二预测客流量时，所述初始预测模型的模型参数的参数值；
将模型参数为确定的参数值的所述初始预测模型，确定为客流量预测模型。
可选的，所述第二历史日期包括所述待预测时间段的前一周内，与所述待预测时间段的日期类型相同的历史日期；其中，所述日期类型为工作日或非工作日。
可选的，所述预设时间段按预设的时间粒度被划分为多个子时间段；所述第一真实客流量包括：在当前时刻之前第一历史日期的所述预设时间段中，各个子时间段的真实客流量；所述第一预测客流量包括在所述待预测时间段中，各个子时间段的第一预测客流量；
所述确定模块703，具体用于分别计算所述待预测时间段中，各个子时间段的第一预测客流量的变化率；
确定所述第一预测客流量的变化率最大的子时间段的起始时间，为所述目标场所的预测开始营业时间；和/或，
确定所述第一预测客流量小于预设客流量阈值，且上一子时间段的所述第一预测客流量不小于所述预设客流量阈值的子时间段为目标子时间段；
确定所述目标子时间段的起始时间，为所述目标场所的预测结束营业时间。
可选的，所述装置应用于目标场所的机器人，所述装置还包括：
展示模块，用于在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息；
或，
所述装置应用于与所述目标场所的机器人通信连接的服务器，所述装置还包括：
发送模块，用于将所述目标场所的预测开始营业时间和预测结束营业时间发送至所述机器人，以使所述机器人在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
本发明实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现如下步骤：
获得目标场所的第一真实客流量；所述第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；
将所述第一真实客流量输入至预设的客流量预测模型，得到所述目标场所在待预测时间段的第一预测客流量；
将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
在本发明提供的又一实施例中，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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一营业时间预测方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一营业时间预测方法。
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。所述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所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述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，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述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。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (14)

1.一种营业时间预测方法，其特征在于，所述方法包括：
获得目标场所的第一真实客流量；所述第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；
将所述第一真实客流量输入至预设的客流量预测模型，得到所述目标场所在待预测时间段的第一预测客流量；
将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间，所述第一特征表示所述目标场所开门时的客流量特征，所述第二特征表示所述目标场所关门时的客流量特征；
所述客流量预测模型为：第一均值模型或第二均值模型或时间序列模型；其中，所述第一均值模型与所述第二均值模型采用不同的均值算法；
所述客流量预测模型采用如下步骤获得：
获取当前时刻之前第二历史日期的所述预设时间段的真实客流量，作为第二真实客流量；
将所述第二真实客流量，分别输入至预设的初始第一均值模型和初始第二均值模型和初始时间序列模型，得到各个模型输出的所述第二历史日期的所述预设时间段之后的时间段的预测客流量，作为第二预测客流量；
分别计算各个第二预测客流量，与所述第二历史日期的所述预设时间段之后的时间段的真实客流量之间的差值，作为各个模型的预测误差；
确定预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型；
基于所述初始预测模型，确定客流量预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始预测模型，确定客流量预测模型，包括：
将所述初始预测模型确定为客流量预测模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述初始预测模型，确定客流量预测模型，包括：
确定得到所述第二预测客流量时，所述初始预测模型的模型参数的参数值；
将模型参数为确定的参数值的所述初始预测模型，确定为客流量预测模型。
4.根据权利要求1所述的方法，其特征在于，所述第二历史日期包括所述待预测时间段的前一周内，与所述待预测时间段的日期类型相同的历史日期；其中，所述日期类型为工作日或非工作日。
5.根据权利要求1所述的方法，其特征在于，所述预设时间段按预设的时间粒度被划分为多个子时间段；所述第一真实客流量包括：在当前时刻之前第一历史日期的所述预设时间段中，各个子时间段的真实客流量；所述第一预测客流量包括在所述待预测时间段中，各个子时间段的第一预测客流量；
所述将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间，包括：
分别计算所述待预测时间段中，各个子时间段的第一预测客流量的变化率；
确定所述第一预测客流量的变化率最大的子时间段的起始时间，为所述目标场所的预测开始营业时间；和/或，
确定所述第一预测客流量小于预设客流量阈值，且上一子时间段的所述第一预测客流量不小于所述预设客流量阈值的子时间段为目标子时间段；
确定所述目标子时间段的起始时间，为所述目标场所的预测结束营业时间。
6.根据权利要求1所述的方法，其特征在于，所述方法应用于目标场所的机器人，所述方法还包括：
在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息；
或，
所述方法应用于与所述目标场所的机器人通信连接的服务器，所述方法还包括：
将所述目标场所的预测开始营业时间和预测结束营业时间发送至所述机器人，以使所述机器人在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
7.一种营业时间预测装置，其特征在于，所述装置包括：
获得模块，用于获得目标场所的第一真实客流量；所述第一真实客流量包括：在当前时刻之前第一历史日期的预设时间段的真实客流量；
预测模块，用于将所述第一真实客流量输入至预设的客流量预测模型，得到所述目标场所在待预测时间段的第一预测客流量；
确定模块，用于将所述第一预测客流量符合第一特征的时间段的起始时间，确定为所述目标场所的预测开始营业时间，和/或将所述第一预测客流量符合第二特征的时间段的起始时间，确定为所述目标场所的预测结束营业时间，所述第一特征表示所述目标场所开门时的客流量特征，所述第二特征表示所述目标场所关门时的客流量特征；
所述客流量预测模型为：第一均值模型或第二均值模型或时间序列模型；其中，所述第一均值模型与所述第二均值模型采用不同的均值算法；
所述装置还包括：
客流量预测模型获取模块，用于获取当前时刻之前第二历史日期的所述预设时间段的真实客流量，作为第二真实客流量；
将所述第二真实客流量，分别输入至预设的初始第一均值模型和初始第二均值模型和初始时间序列模型，得到各个模型输出的所述第二历史日期的所述预设时间段之后的时间段的预测客流量，作为第二预测客流量；
分别计算各个第二预测客流量，与所述第二历史日期的所述预设时间段之后的时间段的真实客流量之间的差值，作为各个模型的预测误差；
确定预测误差最小的初始第一均值模型或初始第二均值模型或初始时间序列模型，作为初始预测模型；
基于所述初始预测模型，确定客流量预测模型。
8.根据权利要求7所述的装置，其特征在于，所述客流量预测模型获取模块，具体用于将所述初始预测模型确定为客流量预测模型。
9.根据权利要求7所述的装置，其特征在于，所述客流量预测模型获取模块，具体用于确定得到所述第二预测客流量时，所述初始预测模型的模型参数的参数值；
将模型参数为确定的参数值的所述初始预测模型，确定为客流量预测模型。
10.根据权利要求7所述的装置，其特征在于，所述第二历史日期包括所述待预测时间段的前一周内，与所述待预测时间段的日期类型相同的历史日期；其中，所述日期类型为工作日或非工作日。
11.根据权利要求7所述的装置，其特征在于，所述预设时间段按预设的时间粒度被划分为多个子时间段；所述第一真实客流量包括：在当前时刻之前第一历史日期的所述预设时间段中，各个子时间段的真实客流量；所述第一预测客流量包括在所述待预测时间段中，各个子时间段的第一预测客流量；
所述确定模块，具体用于分别计算所述待预测时间段中，各个子时间段的第一预测客流量的变化率；
确定所述第一预测客流量的变化率最大的子时间段的起始时间，为所述目标场所的预测开始营业时间；和/或，
确定所述第一预测客流量小于预设客流量阈值，且上一子时间段的所述第一预测客流量不小于所述预设客流量阈值的子时间段为目标子时间段；
确定所述目标子时间段的起始时间，为所述目标场所的预测结束营业时间。
12.根据权利要求7所述的装置，其特征在于，所述装置应用于目标场所的机器人，所述装置还包括：
展示模块，用于在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息；
或，
所述装置应用于与所述目标场所的机器人通信连接的服务器，所述装置还包括：
发送模块，用于将所述目标场所的预测开始营业时间和预测结束营业时间发送至所述机器人，以使所述机器人在所述目标场所的预测开始营业时间和预测结束营业时间之间，播放待展示信息。
13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
14.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。
CN202010362700.0A 2020-04-30 2020-04-30 一种营业时间预测方法和装置 Active CN111553737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010362700.0A CN111553737B (zh) 2020-04-30 2020-04-30 一种营业时间预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010362700.0A CN111553737B (zh) 2020-04-30 2020-04-30 一种营业时间预测方法和装置

Publications (2)

Publication Number Publication Date
CN111553737A CN111553737A (zh) 2020-08-18
CN111553737B true CN111553737B (zh) 2023-08-22

Family

ID=72004580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010362700.0A Active CN111553737B (zh) 2020-04-30 2020-04-30 一种营业时间预测方法和装置

Country Status (1)

Country Link
CN (1) CN111553737B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085465A (zh) * 2020-08-26 2020-12-15 腾讯科技（深圳）有限公司 一种数据处理方法、装置及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011065304A (ja) * 2009-09-16 2011-03-31 Oki Electric Industry Co Ltd 接客業務用サーバ、並びに、当該サーバを用いる接客システム及び接客業務の予測終了時間算出方法
JP2013045418A (ja) * 2011-08-26 2013-03-04 Chugoku Electric Power Co Inc:The サービス時間予測装置及びサービス時間予測方法
CN107895283A (zh) * 2017-11-07 2018-04-10 重庆邮电大学 一种基于时间序列分解的商家客流量大数据预测方法
CN108549865A (zh) * 2018-04-12 2018-09-18 江南大学 一种基于深度学习的公共场所人流量调节辅助方法及系统
CN109214584A (zh) * 2018-09-21 2019-01-15 北京百度网讯科技有限公司 用于预测客流量的方法和装置
CN109299825A (zh) * 2018-09-26 2019-02-01 重庆英传智能科技研究院有限公司 一种基于轨道交通实时客流的预测方法及预测系统
CN110119845A (zh) * 2019-05-11 2019-08-13 北京京投亿雅捷交通科技有限公司 一种轨道交通客流预测的应用方法
CN110175690A (zh) * 2019-04-04 2019-08-27 中兴飞流信息科技有限公司 一种景区客流量预测的方法、装置、服务器和存储介质
CN110276474A (zh) * 2019-05-22 2019-09-24 南京理工大学 一种城市轨道交通车站短时客流预测方法
CN110517479A (zh) * 2018-05-22 2019-11-29 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN110675176A (zh) * 2018-07-03 2020-01-10 百度在线网络技术（北京）有限公司 用于生成属性预测模型的方法和装置
CN110766474A (zh) * 2019-10-30 2020-02-07 浙江易时科技股份有限公司 基于人脸识别技术的销售展厅客流批次统计

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011065304A (ja) * 2009-09-16 2011-03-31 Oki Electric Industry Co Ltd 接客業務用サーバ、並びに、当該サーバを用いる接客システム及び接客業務の予測終了時間算出方法
JP2013045418A (ja) * 2011-08-26 2013-03-04 Chugoku Electric Power Co Inc:The サービス時間予測装置及びサービス時間予測方法
CN107895283A (zh) * 2017-11-07 2018-04-10 重庆邮电大学 一种基于时间序列分解的商家客流量大数据预测方法
CN108549865A (zh) * 2018-04-12 2018-09-18 江南大学 一种基于深度学习的公共场所人流量调节辅助方法及系统
CN110517479A (zh) * 2018-05-22 2019-11-29 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN110675176A (zh) * 2018-07-03 2020-01-10 百度在线网络技术（北京）有限公司 用于生成属性预测模型的方法和装置
CN109214584A (zh) * 2018-09-21 2019-01-15 北京百度网讯科技有限公司 用于预测客流量的方法和装置
CN109299825A (zh) * 2018-09-26 2019-02-01 重庆英传智能科技研究院有限公司 一种基于轨道交通实时客流的预测方法及预测系统
CN110175690A (zh) * 2019-04-04 2019-08-27 中兴飞流信息科技有限公司 一种景区客流量预测的方法、装置、服务器和存储介质
CN110119845A (zh) * 2019-05-11 2019-08-13 北京京投亿雅捷交通科技有限公司 一种轨道交通客流预测的应用方法
CN110276474A (zh) * 2019-05-22 2019-09-24 南京理工大学 一种城市轨道交通车站短时客流预测方法
CN110766474A (zh) * 2019-10-30 2020-02-07 浙江易时科技股份有限公司 基于人脸识别技术的销售展厅客流批次统计

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于航空大数据的机场客流量时空分布预测;罗甘;;电子技术与软件工程(第18期);全文 *

Also Published As

Publication number Publication date
CN111553737A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
US11551156B2 (en) Systems and methods for forecast alerts with programmable human-machine hybrid ensemble learning
CN109615226B (zh) 一种运营指标异常监测方法
CN108989889B (zh) 一种视频播放量预测方法、装置及电子设备
CN111162925B (zh) 网络流量预测方法、装置、电子设备及存储介质
CN108965951B (zh) 广告的播放方法及装置
CN108596652A (zh) 活跃用户数预测方法及装置
CN111401940B (zh) 特征预测方法、装置、电子设备及存储介质
US8825726B2 (en) Method of generating statistical opinion data
CN107580069A (zh) 用户地址的确定方法及装置
Flowerdew Calibrating ensemble reliability whilst preserving spatial structure
CN110910201B (zh) 信息推荐的控制方法、装置、计算机设备及存储介质
US11501107B2 (en) Key-value memory network for predicting time-series metrics of target entities
CN111553737B (zh) 一种营业时间预测方法和装置
CN112150214A (zh) 一种数据预测方法、装置以及计算机可读存储介质
CN113656681A (zh) 一种对象评价方法、装置、设备及存储介质
CN112669078A (zh) 一种行为预测模型训练方法、装置、设备及存储介质
CN111835536A (zh) 一种流量预测方法和装置
CN117035842A (zh) 模型训练方法、业务量预测方法、装置、设备和介质
Öller et al. Quantifying the quality of macroeconomic variables
CN111583010A (zh) 一种数据处理方法、装置、设备及存储介质
CN111767520B (zh) 一种用户留存率计算方法、装置、电子设备及存储介质
WO2022222230A1 (zh) 基于机器学习的指标预测方法、装置、设备及存储介质
WO2022227219A1 (zh) 房产指数数据分析方法、装置、设备及存储介质
CN111164633B (zh) 一种评分卡模型的调整方法、装置、服务器及存储介质
CN113962495A (zh) 一种风电场功率预测方法、装置及电子设备

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