CN111612249A - 用于预测人流量的方法、装置、设备以及存储介质 - Google Patents
用于预测人流量的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111612249A CN111612249A CN202010431767.5A CN202010431767A CN111612249A CN 111612249 A CN111612249 A CN 111612249A CN 202010431767 A CN202010431767 A CN 202010431767A CN 111612249 A CN111612249 A CN 111612249A
- Authority
- CN
- China
- Prior art keywords
- data
- sub
- prediction function
- regions
- 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
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
- G06N3/045—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本申请公开了用于预测人流量的方法、装置、设备以及存储介质,涉及大数据处理领域。具体实现方案为:获取目标区域中多个用户的历史人流量数据;对目标区域进行划分,得到多个子区域;对多个用户进行划分,得到多个群体;基于历史人流量数据,预测各群体在各子区域的未来人流量数据。本实现方式可以从区域和群体两个角度来考虑用户的出行问题,能够实现更精准的流量预测。
Description
技术领域
本申请涉及计算机技术领域,具体涉及大数据领域,尤其涉及用于预测人流量的方法、装置、设备以及存储介质。
背景技术
不同的用户在不同的时间和不同的地区具有不同的出行模式,如果能把我不同人群的出行流量,就可以在线下投放更加精确的个性化广告。
另外,在城市治理中,如果能掌握到弱势群体的出行区域和时间,就可以提前为他们分配工艺资源,解决很多现实问题。
发明内容
提供了一种用于预测人流量的方法、装置、设备以及存储介质。
根据第一方面,提供了一种用于预测人流量的方法,包括:获取目标区域中多个用户的历史人流量数据;对目标区域进行划分,得到多个子区域;对多个用户进行划分,得到多个群体;基于历史人流量数据,预测各群体在各子区域的未来人流量数据。
根据第二方面,提供了一种用于预测人流量的装置,包括:数据获取单元,被配置成获取目标区域中多个用户的历史人流量数据;第一划分单元,被配置成对目标区域进行划分,得到多个子区域;第二划分单元,被配置成对多个用户进行划分,得到多个群体;流量预测单元,被配置成基于历史人流量数据,预测各群体在各子区域的未来人流量数据。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,所述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据本申请的技术可以从区域和群体两个角度来考虑用户的出行问题,能够实现更精准的流量预测。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于预测人流量的方法的一个实施例的流程图;
图3是根据本申请的用于预测人流量的方法的一个应用场景的示意图;
图4是根据本申请的用于预测人流量的方法的另一个实施例的流程图;
图5是图4所示实施例中预测未来人流量的流程图;
图6是图5所示实施例中的第一相关图;
图7是图5所示实施例中的第二相关图;
图8是根据本申请的用于预测人流量的装置的一个实施例的结构示意图;
图9是用来实现本申请实施例的用于预测人流量的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于预测人流量的方法或用于预测人流量的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101,网络102、104和服务器103和数据库105。网络102用以在终端设备101和服务器103之间提供通信链路的介质,网络104用以在服务器103和数据库105之间提供通信链路的介质。网络102、104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用,以查看或浏览服务器103返回的消息。服务器103可以通过网络104与数据库105交互,以读取或写入信息等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器,例如对从数据库105处获取的各群体在各区域间的流量信息进行处理的后台服务器。后台服务器可以根据获取的流量信息,预测各群体在各区域间的流量。后台服务器还可以为终端设备101发送的广告提供投放渠道的后台服务器。后台服务器可以根据预测得到的流量,确定广告的投放时间和投放地点,并将结果反馈给终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
数据库105可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于预测人流量的方法一般由服务器103执行。相应地,用于预测人流量的装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络、服务器和数据库的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络、服务器和数据库。
继续参考图2,示出了根据本申请的用于预测人流量的方法的一个实施例的流程200。本实施例的用于预测人流量的方法,包括以下步骤:
步骤201,获取目标区域中多个用户的历史人流量数据。
本实施例中,用于预测人流量的方法的执行主体(例如图1所示的服务器103)可以通过各种方式获取目标区域中多个用户的历史人流量数据。例如,执行主体可以从数据库(例如图1所示的数据库105)中获取上述数据,也可以从设置在火车站、汽车站的电子设备中获取上述数据。上述目标区域可以是用于预测人流量的方法所针对的区域,例如一个城市、一个地区等等。多个用户可以是任意往来目标区域的用户,这些用户具有属性信息。属性信息可以包括性别、年龄、职业等等。历史人流量数据可以包括在过去的一段时间内,进入目标区域的流入数据和流出目标区域的流出数据。上述一段时间可以根据实际应用场景进行设定,例如可以是一个月、半个月、一个星期等等。
步骤202,对目标区域进行划分,得到多个子区域。
执行主体可以对目标区域进行划分,得到多个子区域。具体的,执行主体可以根据路网数据,对目标区域进行划分。即,将多个道路交叉得到的区域,作为一个子区域。或者,执行主体还可以根据目标区域中的行政区域,对目标区域进行划分。即,将目标区域中的每个镇或每个村作为一个子区域。
步骤203,对多个用户进行划分,得到多个群体。
执行主体还可以对多个用户进行划分,得到多个群体。具体的,执行主体可以根据用户的属性信息,对多个用户进行划分。例如,执行主体可以根据用户的年龄,对多个用户进行划分,得到年龄为0~10、11~20、21~30……等多个群体。或者,执行主体还可以根据用户的职业,对多个用户进行划分,得到“律师”、“程序员”、“销售员”等多个群体。
步骤204,基于历史人流量数据,预测各群体在各子区域的未来人流量数据。
最后,执行主体可以基于历史人流量数据,预测各群体在各子区域的未来人流量数据。上述历史人流量数据中可以包括各群体在各子区域中的流入和流出数据,执行主体可以从历史人流量数据中总结出各个群体在各子区域间的流动规律,根据上述流动规律来预测各群体在各子区域的未来人流量。举例来说,历史人流量数据中,职业为“程序员”的群体中的大多数在工作日的上午9点~上午10点之间从B地流动到A地,在晚8点~晚9点之间从A地流动到B地,则执行主体可以根据此规律预测出“程序员”的群体在星期三的上午9点~上午10点之间会从B地流动到A地,在晚8点~晚9点之间从A地流动到B地。
继续参见图3,其示出了根据本申请的用于预测人流量的方法的一个应用场景的示意图。在图3的应用场景中,服务器通过获取地铁中各线路的历史人流量数据。上述数据中包括用户进出站的刷卡记录,上述记录中包括用户所使用的地铁卡的卡号,这些卡号与用户的属性信息进行绑定。服务器通过对这些用户进行划分,得到多个群体。并预测出这些群体在地铁中的流量。服务器将这些预测结果发送给广告商,广告商根据这些预测结果,向地铁中投送广告。
本申请的上述实施例提供的用于预测人流量的方法,可以对不同的群体在不同区域之间的流动进行预测,从而提高人群流动预测的准确性。
继续参见图4,其示出了根据本申请的用于预测人流量的方法的另一个实施例的流程400。如图4所示,本实施例的方法可以包括以下步骤:
步骤401,获取目标区域中多个用户的历史人流量数据。
步骤402,根据目标区域中包括的兴趣点的属性信息,对目标区域进行划分,得到多个子区域。
本实施例中,执行主体可以首先确定目标区域中包括的兴趣点(Point ofInformation,POI)。在地里信息系统中,一个兴趣点可以是一栋房子、一个商铺、一个邮筒、一个公交站等。兴趣点的属性信息可以包括4个方面,包括名称、类别、坐标、分类。在这里,执行主体可以根据兴趣点的类别对目标区域进行划分。举例来说,目标区域中包括兴趣点A、B、C、D。其中,兴趣点A与兴趣点B的类别相同,与兴趣点C、兴趣点D的类别均不相同。则执行主体可以将兴趣点A与兴趣点B划分在同一子区域中,将兴趣点C划分在一个子区域中,将兴趣点D划分在一个子区域中。
步骤403,根据用户的属性信息,对多个用户进行划分,得到多个群体。
本实施例中,执行主体可以根据用户的属性信息,对多个用户进行划分,得到多个群体。上述属性信息可以包括职业、年龄、性别等信息。可以理解的是,得到的多个群体之间不会有交叉的部分。
步骤404,根据各子区域的地理位置,确定各子区域的邻接关系。
执行主体在划分得到多个子区域后,可以根据各子区域的地理位置,确定各子区域之间的邻接关系。具体的,执行主体可以根据各子区域是否存在重合的边界来判断是否邻接。或者,执行主体可以根据地理位置,计算各子区域间的距离,将距离小于阈值的两个子区域作为邻接子区域。
根据步骤404,执行主体可以确定出每个子区域的邻接子区域。
步骤405,根据历史人流量数据,确定各群体在不同历史时刻在各子区域的流入数据和流出数据。
本实施例中,执行主体可以对历史人流量数据进行分析,以确定各群体在不同历史时刻在各子区域的流入数据和流出数据。具体的,上述历史人流量数据中可以包括各用户的出行轨迹,执行主体可以通过分析上述出行轨迹的起点和终点,就可以确定出各用户在各区域中的流入数据和流出数据。经过对各群体中用户数据的统计,从而确定各群体在不同历史时刻在各子区域的流入数据和流出数据。在分析时,为了减少工作量,各历史时刻之间可间隔15分钟。
步骤406,根据各群体在各历史时刻在各子区域中的流入数据和流出数据,确定各群体之间的相关关系。
本实施例中,执行主体在确定出各群体在各历史时刻在各子区域中的流入数据和流出数据后,可以确定各群体之间的相关关系。具体的,执行主体可以通过计算各群体之间的皮尔森相关系数,通过皮尔森相关系数来表示各群体之间的相关关系。各群体间的皮尔森相关系数可以通过以下公式来确定:
其中,i表示第i个群体,j表示第j个群体,N为群体的数量,R为子区域的集合,|R|为子区域的数量,T为历史人流量数据中包括的历史时刻的个数,为在t时刻,第i个群体在第n个子区域的历史流量,为第i个群体在第n个子区域的历史流量的平均值。
如果皮尔森相关系数大于预设阈值,则认为两个群体相关性较大,否则,认为两个群体相关性较小。
步骤407,基于邻接关系、流入数据、流出数据和相关关系,预测各群体在各子区域的未来人流量数据。
执行主体在确定了各子区域间的邻接关系、各群体之间的相关关系以及上述流入数据和流出数据后,可以预测各群体在各区域的未来人流量数据。具体的,执行主体将上述数据输入预先建立的流量预测模型中,得到预测的未来人流量数据。上述流量预测模型可以通过多种算法实现,例如可以通过神经网络来实现。
本申请的上述实施例提供的用于预测人流量的方法,可以根据各子区域间的邻接关系和各群体之间的相关关系,来预测各群体在各子区域之间的未来人流量,从而实现了更准确的预测。
进一步参见图5,其示出了图4所示实施例中步骤407的另一种实现方式的流程500。如图5所示,本实施例中,可以通过以下步骤来实现对未来人流量数据的预测。
步骤501,根据邻接关系,确定各子区域之间的第一相关图。
本实施例中,执行主体可以连接邻接的两个子区域,对于不邻接的两个子区域不连接,这样可以得到各子区域之间的第一相关图。第一相关图可以如图6所示,在图6中,各图标代表不同的子区域,邻接的两个子区域之间通过连线连接。连线的粗细用于反映两个子区域之间的流量。
步骤502,根据相关关系,确定各群体之间的第二相关图。
执行主体还可以根据各群体之间的相关关系,确定各群体之间的第二相关图。第二相关图可以如图7所示,在图7中,各图标代表不同的群体,相关的两个群体之间通过连线连接。连线的粗细用于反映两个群体之间的皮尔森相关系数。
在本实施例的一些可选的实现方式中,为了提高计算效率,对于每个群体,执行主体可以选取与该群体相关性最高的前K个群体,得到K+1个群体之间的第二相关图。
步骤503,根据第一相关图、流入数据、流出数据以及预先训练的预测函数确定模型,确定第一预测函数。
在得到第一相关图后,执行主体可以将第一相关图、各子区域间的流入数据、流出数据输入预先训练的预测函数确定模型,得到第一预测函数。这里,预测函数确定模型用于表征相关图、流入数据、流出数据与预测函数的对应关系。可以理解的是,第一相关图中包括了各子区域之间的空间相关性(邻接关系表示了空间维度的相关性)。流入数据和流出数据包括了各子区域之间的时间相关性(不同历史时刻的流入数据和流出数据表示了时间维度的相关性)。执行主体通过将各子区域之间的空间相关性和时间相关性的信息输入预测函数确定模型,得到的第一预测函数可以综合考虑了各子区域之间的空间相关性和时间相关性。
步骤504,根据第二相关图、流入数据、流出数据以及预测函数确定模型,确定第二预测函数。
执行主体还可以将第二相关图、流入数据、流出数据输入上述预测函数确定模型,得到第二预测函数。本实施例中,第二相关图包含了各群体之间的相关关系,该相关关系表示不同群体在各子区域之间流动的相关关系。流入数据和流出数据包括了各群体之间的时间相关性。从而,经预测函数确定模型得到的第二预测函数也综合考虑了各群体之间的空间相关性和时间相关性。
步骤505,根据第一预测函数和第二预测函数,预测各群体在各子区域的未来人流量数据。
本实施例中,执行主体在得到第一预测函数和第二预测函数后,可以融合第一预测函数和第二预测函数,得到一个包含了各群体和各子区域的空间相关性和时间相关性的预测函数。执行主体可以根据该预测函数,预测各群体在各子区域的未来人流量数据。
在本实施例的一些可选的实现方式中,预测函数确定模型可以包括第一模型和第二模型。其中,第一模型用于表征相关图、流出数据、流出数据与向量之间的对应关系。第二模型用于表征多个向量与预测函数之间的对应关系。在一些具体的应用中,上述第一模型可以是图神经网络,第二模型可以是门控循环神经网络。具体的,图神经网络是用于处理图数据的神经网络结构,图神经网络可以包括五大类别,分别是:图卷积网络(GraphConvolution Networks,GCN)、图注意力网络(Graph Attention Networks)、图自编码器(Graph Autoencoders)、图生成网络(Graph Generative Networks)和图时空网络(GraphSpatial-temporal Networks)。门控循环神经网络是在简单循环神经网络的基础上对网络的结构做了调整,加入了门控机制,用来控制神经网络中信息的传递。门控机制可以用来控制记忆单元中的信息有多少需要保留,有多少需要丢弃,新的状态信息又有多少需要保存到记忆单元中等。这使得门控循环神经网络可以学习跨度相对较长的依赖关系,而不会出现梯度消失和梯度爆炸的问题。
在本实现方式中,执行主体可以通过图5中未示出的以下步骤来确定第一预测函数:根据第一相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在单个历史时刻在各子区域之间的流出数据以及第一模型,确定在单个历史时刻各子区域之间的第一向量;根据在各历史时刻各子区域之间的第一向量以及第二模型,确定第一预测函数。
本实现方式中,执行主体可以将第一相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在单个历史时刻在各子区域之间的流出数据输入上述第一模型,确定出在单个历史时刻各子区域之间的第一向量。然后,执行主体可以将各历史时刻对应的第一向量输入第二模型,确定第一预测函数。
具体的,在本实现方式中,第一模型可以为图注意力网络。对于每个子区域,执行主体可以通过图注意力机制,来计算第一特征图中各子区域之间的连线的权重。具体可以通过以下公式来计算权重:
cij=Attention(Waxi,Waxj)
其中,Attention表示注意力机制,Wa为图注意力网络中可学习的参数,Ni为第一相关图中与子区域ri邻接的子区域的集合,xi为各群体在子区域ri的流量对应的向量,xj为各群体在子区域rj的流量对应的向量。在这里,对于任一子区域来说,该子区域的流量对应的向量,可以由可以各群体的流量拼接而得。例如,对于子区域A来说,各群体在子区域A的流量值分别为a1、a2、a3、a4,则该子区域的流量对应的向量为{a1,a2,a3,a4}。在一些具体的实现方式中,为了精确地预测流入流量和流出流量,执行主体可以分别统计各群体在子区域A的流入流量和流出流量,得到流入流量对应的流入向量和流出流量对应的流出向量。
在得到每个子区域与邻接的各子区域之间的权重后,执行主体可以对聚合各子区域的邻接子区域的特征向量,得到一个向量。此处,该向量用于表示第一相关图中1阶邻接的子区域的流量。该向量可以通过以下公式计算得到:
其中,σ为激活函数,上述xi'为图注意力网络中一层输出得到的向量。执行主体可以将该层输出得到的向量作为下一层的输入,重复多次后,得到第一向量。此处,第一向量用于表示聚合了多阶邻接子区域相关性的每个子区域的流量。可以理解的是,此处的第一向量是针对单个历史时刻的流量。
执行主体在得到第一向量后,可以将各个历史时刻对应的第一向量输入第二模型中,得到包含时间相关性和空间相关性的第一预测函数。具体的,执行主体可以将门控循环神经网络在t-1时刻的输出和t时刻图神经网络的输出输入门控循环神经网络,得到关于t时刻的输出。由于t时刻图神经网络的输出包括了t时刻的各子区域之间的空间依赖关系,门控循环神经网络在t-1时刻的输出包含了时间相关性信息,那么得到的第一预测函数包括了子区域间的时间相关信息和空间相关信息。
同样的原理,执行主体还可以通过图5中未示出的以下步骤来确定第二预测函数:根据第二相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在单个历史时刻在各子区域之间的流出数据以及第一模型,确定在单个历史时刻各群体之间的第二向量;根据在各历史时刻各群体之间的第二向量以及第二模型,确定第二预测函数。
可以理解的是,第二预测函数包含了各群体之间的时间相关性和空间相关性。
在本实施例的一些可选的实现方式中,上述预测函数确定模型通过图5中未示出的以下步骤训练得到:获取训练样本集合,训练样本包括在不同历史时刻多个群体在多个区域之间的标注流入数据和标注流出数据、多个区域之间的相关图、多个群体之间的相关图;将多个区域之间的相关图、多个群体之间的相关图、多个不同历史时刻的标注流入数据和标注流出数据作为输入,将所输入的多个不同历史时刻之后的至少一个时刻的标注流入数据和标注流出数据作为期望输出,训练得到预测函数确定模型。
本实现方式中,执行主体可以首先获取训练样本集合,上述训练样本集合中可以包括多个训练样本。每个训练样本包括在不同历史时刻多个群体在多个区域之间的标注流入数据和标注流出数据、多个区域之间的相关图、多个群体之间的相关图。多个区域之间的相关图以及多个群体之间的相关图可以通过对历史人流量数据的分析得到。上述不同历史时刻可以包括t+1、t+2、t+3……t+n时刻。执行主体可以将t+1、t+2、t+3…t+k时刻的标注流入数据和标注流出数据、多个区域之间的相关图、多个群体之间的相关图作为输入,将t+k+1……t+n时刻标注流入数据和标注流出数据作为期望输出。在训练过程中,执行主体可以计算预测的未来时段的人流量与真实未来时段的人流量之间的平均绝对误差,使平均绝对误差最小。
可以理解的是,训练预测函数确定模型的执行主体与执行本申请的用于预测人流量的方法的执行主体可以相同,也可以不同。
进一步参考图8,作为对上述各图所示方法的实现,本申请提供了一种用于预测人流量的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的预测人流量装置800包括:数据获取单元801、第一划分单元802、第二划分单元803和流量预测单元804。
数据获取单元801,被配置成获取目标区域中多个用户的历史人流量数据;
第一划分单元802,被配置成对目标区域进行划分,得到多个子区域。
第二划分单元803,被配置成对多个用户进行划分,得到多个群体。
流量预测单元804,被配置成基于历史人流量数据,预测各群体在各子区域的未来人流量数据。
在本实施例的一些可选的实现方式中,流量预测单元804可以进一步包括图8中未示出的:邻接关系确定模块、流入流出确定模块、相关关系确定模块和预测流量确定模块。
邻接关系确定模块,被配置成根据各子区域的地理位置,确定各子区域的邻接关系。
流入流出确定模块,被配置成根据上述历史人流量数据,确定各群体在不同历史时刻在各子区域的流入数据和流出数据。
相关关系确定模块,被配置成根据各群体在各历史时刻在各子区域中的流入数据和流出数据,确定各群体之间的相关关系。
预测流量确定模块,被配置成基于邻接关系、流入数据、流出数据和相关关系,预测各群体在各子区域的未来人流量数据。
在本实施例的一些可选的实现方式中,预测流量确定模块进一步被配置成:根据上述邻接关系,确定各子区域之间的第一相关图;根据上述相关关系,确定各群体之间的第二相关图;根据上述第一相关图、上述流入数据、上述流出数据以及预先训练的预测函数确定模型,确定第一预测函数,上述预测函数确定模型用于表征相关图、流入数据、流出数据与预测函数的对应关系;根据上述第二相关图、上述流入数据、上述流出数据以及上述预测函数确定模型,确定第二预测函数;根据上述第一预测函数和上述第二预测函数,预测各群体在各子区域的未来人流量数据。
在本实施例的一些可选的实现方式中,上述预测函数确定模型包括第一模型和第二模型,上述第一模型用于表征相关图、流出数据、流出数据与向量之间的对应关系,上述第二模型用于表征多个向量与预测函数之间的对应关系。预测流量确定模块进一步被配置成:根据上述第一相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在上述单个历史时刻在各子区域之间的流出数据以及上述第一模型,确定在上述单个历史时刻各子区域之间的第一向量;根据在各历史时刻各子区域之间的第一向量以及上述第二模型,确定上述第一预测函数。
在本实施例的一些可选的实现方式中,预测流量确定模块进一步被配置成:根据上述第二相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在上述单个历史时刻在各子区域之间的流出数据以及上述第一模型,确定在上述单个历史时刻各群体之间的第二向量;根据在各历史时刻各群体之间的第二向量以及上述第二模型,确定上述第二预测函数。
在本实施例的一些可选的实现方式中,装置800还可以进一步包括图8中未示出的模型训练单元,被配置成:获取训练样本集合,上述训练样本包括在不同历史时刻多个群体在多个区域之间的标注流入数据和标注流出数据、多个区域之间的相关图、多个群体之间的相关图;将上述多个区域之间的相关图、上述多个群体之间的相关图、多个不同历史时刻的上述标注流入数据和标注流出数据作为输入,将所输入的多个不同历史时刻之后的至少一个时刻的标注流入数据和标注流出数据作为期望输出,训练得到上述预测函数确定模型。
在本实施例的一些可选的实现方式中,第一划分单元802可以进一步被配置成:根据上述目标区域中包括的兴趣点的属性信息,对上述目标区域进行划分,得到多个子区域。
在本实施例的一些可选的实现方式中,第二划分单元803可以进一步被配置成:根据用户的属性信息,对上述多个用户进行划分,得到多个群体。
应当理解,用于预测人流量的装置800中记载的单元801至单元804分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于预测人流量的方法描述的操作和特征同样适用于装置800及其中包含的单元,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图9所示,是根据本申请实施例的执行用于预测人流量的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的执行用于预测人流量的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的执行用于预测人流量的方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的执行用于预测人流量的方法对应的程序指令/模块(例如,附图8所示的数据获取单元801、第一划分单元802、第二划分单元803和流量预测单元804)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的执行用于预测人流量的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据执行用于预测人流量的电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至执行用于预测人流量的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
执行用于预测人流量的方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与执行用于预测人流量的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可以对不同的群体在不同区域之间的流动进行预测,从而提高人群流动预测的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (18)
1.一种用于预测人流量的方法,包括:
获取目标区域中多个用户的历史人流量数据;
对所述目标区域进行划分,得到多个子区域;
对所述多个用户进行划分,得到多个群体;
基于所述历史人流量数据,预测各群体在各子区域的未来人流量数据。
2.根据权利要求1所述的方法,其中,所述基于所述历史人流量数据,预测各群体在各子区域的未来人流量数据,包括:
根据各子区域的地理位置,确定各子区域的邻接关系;
根据所述历史人流量数据,确定各群体在不同历史时刻在各子区域的流入数据和流出数据;
根据各群体在各历史时刻在各子区域中的流入数据和流出数据,确定各群体之间的相关关系;
基于所述邻接关系、所述流入数据、所述流出数据和所述相关关系,预测各群体在各子区域的未来人流量数据。
3.根据权利要求2所述的方法,其中,所述根据所述邻接关系、所述流入数据、所述流出数据和所述相关关系,预测各群体在各子区域的未来人流量数据,包括:
根据所述邻接关系,确定各子区域之间的第一相关图;
根据所述相关关系,确定各群体之间的第二相关图;
根据所述第一相关图、所述流入数据、所述流出数据以及预先训练的预测函数确定模型,确定第一预测函数,所述预测函数确定模型用于表征相关图、流入数据、流出数据与预测函数的对应关系;
根据所述第二相关图、所述流入数据、所述流出数据以及所述预测函数确定模型,确定第二预测函数;
根据所述第一预测函数和所述第二预测函数,预测各群体在各子区域的未来人流量数据。
4.根据权利要求3所述的方法,其中,所述预测函数确定模型包括第一模型和第二模型,所述第一模型用于表征相关图、流出数据、流出数据与向量之间的对应关系,所述第二模型用于表征多个向量与预测函数之间的对应关系;以及
所述根据所述第一相关图、所述流入数据、所述流出数据以及预先训练的预测函数确定模型,确定第一预测函数,包括:
根据所述第一相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在所述单个历史时刻在各子区域之间的流出数据以及所述第一模型,确定在所述单个历史时刻各子区域之间的第一向量;
根据在各历史时刻各子区域之间的第一向量以及所述第二模型,确定所述第一预测函数。
5.根据权利要求4所述的方法,其中,所述根据所述第二相关图、所述流入数据、所述流出数据以及所述预测函数确定模型,确定第二预测函数,包括:
根据所述第二相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在所述单个历史时刻在各子区域之间的流出数据以及所述第一模型,确定在所述单个历史时刻各群体之间的第二向量;
根据在各历史时刻各群体之间的第二向量以及所述第二模型,确定所述第二预测函数。
6.根据权利要求1所述的方法,其中,所述预测函数确定模型通过以下步骤训练得到:
获取训练样本集合,所述训练样本包括在不同历史时刻多个群体在多个区域之间的标注流入数据和标注流出数据、多个区域之间的相关图、多个群体之间的相关图;
将所述多个区域之间的相关图、所述多个群体之间的相关图、多个不同历史时刻的所述标注流入数据和标注流出数据作为输入,将所输入的多个不同历史时刻之后的至少一个时刻的标注流入数据和标注流出数据作为期望输出,训练得到所述预测函数确定模型。
7.根据权利要求1所述的方法,其中,所述对所述目标区域进行划分,得到多个子区域,包括:
根据所述目标区域中包括的兴趣点的属性信息,对所述目标区域进行划分,得到多个子区域。
8.根据权利要求1所述的方法,其中,所述对所述多个用户进行划分,得到多个群体,包括:
根据用户的属性信息,对所述多个用户进行划分,得到多个群体。
9.一种用于预测人流量的装置,包括:
数据获取单元,被配置成获取目标区域中多个用户的历史人流量数据;
第一划分单元,被配置成对所述目标区域进行划分,得到多个子区域;
第二划分单元,被配置成对所述多个用户进行划分,得到多个群体;
流量预测单元,被配置成基于所述历史人流量数据,预测各群体在各子区域的未来人流量数据。
10.根据权利要求9所述的装置,其中,所述流量预测单元包括:
邻接关系确定模块,被配置成根据各子区域的地理位置,确定各子区域的邻接关系;
流入流出确定模块,被配置成根据所述历史人流量数据,确定各群体在不同历史时刻在各子区域的流入数据和流出数据;
相关关系确定模块,被配置成根据各群体在各历史时刻在各子区域中的流入数据和流出数据,确定各群体之间的相关关系;
预测流量确定模块,被配置成基于所述邻接关系、所述流入数据、所述流出数据和所述相关关系,预测各群体在各子区域的未来人流量数据。
11.根据权利要求10所述的装置,其中,所述预测流量确定模块进一步被配置成:
根据所述邻接关系,确定各子区域之间的第一相关图;
根据所述相关关系,确定各群体之间的第二相关图;
根据所述第一相关图、所述流入数据、所述流出数据以及预先训练的预测函数确定模型,确定第一预测函数,所述预测函数确定模型用于表征相关图、流入数据、流出数据与预测函数的对应关系;
根据所述第二相关图、所述流入数据、所述流出数据以及所述预测函数确定模型,确定第二预测函数;
根据所述第一预测函数和所述第二预测函数,预测各群体在各子区域的未来人流量数据。
12.根据权利要求11所述的装置,其中,所述预测函数确定模型包括第一模型和第二模型,所述第一模型用于表征相关图、流出数据、流出数据与向量之间的对应关系,所述第二模型用于表征多个向量与预测函数之间的对应关系;以及
所述预测流量确定模块进一步被配置成:
根据所述第一相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在所述单个历史时刻在各子区域之间的流出数据以及所述第一模型,确定在所述单个历史时刻各子区域之间的第一向量;
根据在各历史时刻各子区域之间的第一向量以及所述第二模型,确定所述第一预测函数。
13.根据权利要求12所述的装置,其中,所述预测流量确定模块进一步被配置成:
根据所述第二相关图、各群体在单个历史时刻在各子区域之间的流入数据、各群体在所述单个历史时刻在各子区域之间的流出数据以及所述第一模型,确定在所述单个历史时刻各群体之间的第二向量;
根据在各历史时刻各群体之间的第二向量以及所述第二模型,确定所述第二预测函数。
14.根据权利要求9所述的装置,其中,所述装置还包括模型训练单元,被配置成:
获取训练样本集合,所述训练样本包括在不同历史时刻多个群体在多个区域之间的标注流入数据和标注流出数据、多个区域之间的相关图、多个群体之间的相关图;
将所述多个区域之间的相关图、所述多个群体之间的相关图、多个不同历史时刻的所述标注流入数据和标注流出数据作为输入,将所输入的多个不同历史时刻之后的至少一个时刻的标注流入数据和标注流出数据作为期望输出,训练得到所述预测函数确定模型。
15.根据权利要求9所述的装置,其中,所述第一划分单元进一步被配置成:
根据所述目标区域中包括的兴趣点的属性信息,对所述目标区域进行划分,得到多个子区域。
16.根据权利要求9所述的装置,其中,所述第二划分单元进一步被配置成:
根据用户的属性信息,对所述多个用户进行划分,得到多个群体。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431767.5A CN111612249B (zh) | 2020-05-20 | 2020-05-20 | 用于预测人流量的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010431767.5A CN111612249B (zh) | 2020-05-20 | 2020-05-20 | 用于预测人流量的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612249A true CN111612249A (zh) | 2020-09-01 |
CN111612249B CN111612249B (zh) | 2023-05-16 |
Family
ID=72200796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010431767.5A Active CN111612249B (zh) | 2020-05-20 | 2020-05-20 | 用于预测人流量的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612249B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
CN112183824A (zh) * | 2020-09-11 | 2021-01-05 | 武汉大学 | 一种线上线下关联的城市客流量预测方法 |
CN112990530A (zh) * | 2020-12-23 | 2021-06-18 | 北京软通智慧城市科技有限公司 | 区域人口数量预测方法、装置、电子设备和存储介质 |
WO2021174876A1 (zh) * | 2020-09-18 | 2021-09-10 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN113642807A (zh) * | 2021-09-01 | 2021-11-12 | 智慧足迹数据科技有限公司 | 人口流动预测方法及相关装置 |
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 |
CN113743684A (zh) * | 2021-11-05 | 2021-12-03 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
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 |
WO2022228344A1 (zh) * | 2021-04-30 | 2022-11-03 | 华为技术有限公司 | 流量预测方法、装置及存储介质 |
CN116307277A (zh) * | 2023-05-18 | 2023-06-23 | 一站发展(北京)云计算科技有限公司 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
CN116894609A (zh) * | 2023-09-08 | 2023-10-17 | 北京交通发展研究院 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
CN117829612A (zh) * | 2024-03-04 | 2024-04-05 | 北京帮安迪信息科技股份有限公司 | 一种园区安全预警方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407519A (zh) * | 2016-08-31 | 2017-02-15 | 浙江大学 | 一种人群移动规律的建模方法 |
CN106778876A (zh) * | 2016-12-21 | 2017-05-31 | 广州杰赛科技股份有限公司 | 基于移动用户轨迹相似性的用户分类方法和系统 |
CN106779218A (zh) * | 2016-12-16 | 2017-05-31 | 深圳达实智能股份有限公司 | 一种人员活动轨迹的预测方法 |
CN109492788A (zh) * | 2017-09-13 | 2019-03-19 | 中移(杭州)信息技术有限公司 | 预测人流量以及建立人流量预测模型的方法及相关设备 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
JP2019095895A (ja) * | 2017-11-20 | 2019-06-20 | 日本電信電話株式会社 | 人流量予測装置、方法、及びプログラム |
CN109948821A (zh) * | 2017-12-21 | 2019-06-28 | 知谷(上海)网络科技有限公司 | 群体的移动模式的确定方法和预测群体目的地的方法 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
-
2020
- 2020-05-20 CN CN202010431767.5A patent/CN111612249B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407519A (zh) * | 2016-08-31 | 2017-02-15 | 浙江大学 | 一种人群移动规律的建模方法 |
CN106779218A (zh) * | 2016-12-16 | 2017-05-31 | 深圳达实智能股份有限公司 | 一种人员活动轨迹的预测方法 |
CN106778876A (zh) * | 2016-12-21 | 2017-05-31 | 广州杰赛科技股份有限公司 | 基于移动用户轨迹相似性的用户分类方法和系统 |
CN109492788A (zh) * | 2017-09-13 | 2019-03-19 | 中移(杭州)信息技术有限公司 | 预测人流量以及建立人流量预测模型的方法及相关设备 |
JP2019095895A (ja) * | 2017-11-20 | 2019-06-20 | 日本電信電話株式会社 | 人流量予測装置、方法、及びプログラム |
CN109948821A (zh) * | 2017-12-21 | 2019-06-28 | 知谷(上海)网络科技有限公司 | 群体的移动模式的确定方法和预测群体目的地的方法 |
CN110969275A (zh) * | 2018-09-30 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
CN109767622A (zh) * | 2019-02-14 | 2019-05-17 | 重庆邮电大学 | 面向卡口相似性划分和循环神经网络的交通流量预测方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
CN112183824B (zh) * | 2020-09-11 | 2022-07-19 | 武汉大学 | 一种线上线下关联的城市客流量预测方法 |
CN112183824A (zh) * | 2020-09-11 | 2021-01-05 | 武汉大学 | 一种线上线下关联的城市客流量预测方法 |
WO2021174876A1 (zh) * | 2020-09-18 | 2021-09-10 | 平安科技(深圳)有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
CN112990530A (zh) * | 2020-12-23 | 2021-06-18 | 北京软通智慧城市科技有限公司 | 区域人口数量预测方法、装置、电子设备和存储介质 |
CN112990530B (zh) * | 2020-12-23 | 2023-12-26 | 北京软通智慧科技有限公司 | 区域人口数量预测方法、装置、电子设备和存储介质 |
WO2022228344A1 (zh) * | 2021-04-30 | 2022-11-03 | 华为技术有限公司 | 流量预测方法、装置及存储介质 |
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 |
CN113642807A (zh) * | 2021-09-01 | 2021-11-12 | 智慧足迹数据科技有限公司 | 人口流动预测方法及相关装置 |
CN113642807B (zh) * | 2021-09-01 | 2022-04-12 | 智慧足迹数据科技有限公司 | 人口流动预测方法及相关装置 |
CN113743684B (zh) * | 2021-11-05 | 2022-03-15 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
CN113743684A (zh) * | 2021-11-05 | 2021-12-03 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、计算机可读存储介质 |
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 |
CN116307277A (zh) * | 2023-05-18 | 2023-06-23 | 一站发展(北京)云计算科技有限公司 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
CN116307277B (zh) * | 2023-05-18 | 2023-08-01 | 一站发展(北京)云计算科技有限公司 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
CN116894609A (zh) * | 2023-09-08 | 2023-10-17 | 北京交通发展研究院 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
CN116894609B (zh) * | 2023-09-08 | 2023-11-24 | 北京交通发展研究院 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
CN117829612A (zh) * | 2024-03-04 | 2024-04-05 | 北京帮安迪信息科技股份有限公司 | 一种园区安全预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612249B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612249B (zh) | 用于预测人流量的方法、装置、设备以及存储介质 | |
US10599449B1 (en) | Predictive action modeling to streamline user interface | |
Ghaemi et al. | A visual segmentation method for temporal smart card data | |
US11093871B2 (en) | Facilitating micro-task performance during down-time | |
US20190188742A1 (en) | Forecasting demand across groups of skills | |
US11238369B2 (en) | Interactive visualization evaluation for classification models | |
US11657235B2 (en) | State of emotion time series | |
US20160117601A1 (en) | Interactive learning | |
US10776593B1 (en) | Airline baggage arrangement system | |
US20190122229A1 (en) | Recognizing recurrent crowd mobility patterns | |
US20190147468A1 (en) | Location evaluation | |
JP2018077821A (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
US11682047B2 (en) | Cognitive elevator advertisements | |
US20200412682A1 (en) | Feedback enabled network curation of relevant content thread | |
US20200175853A1 (en) | Detecting influential factors for traffic congestion | |
US11176753B1 (en) | Augmented reality field of view based on sensed user data | |
JP2023513885A (ja) | 共有可能な位置を変更する方法、システム、プログラム | |
CN113657934A (zh) | 客流量预测模型的训练方法和客流量的预测方法和装置 | |
US11681895B2 (en) | Cognitive assistant with recommendation capability | |
CN111756832A (zh) | 推送信息的方法、装置、电子设备及计算机可读存储介质 | |
US20200133439A1 (en) | Chat session dynamic user interface | |
JP2017033569A (ja) | インスタントメッセージに基づいてユーザの感情および活動を収集するシステムおよび方法 | |
US20190268440A1 (en) | Personalized content and services based on profile information | |
US20200077156A1 (en) | Methods and systems for managing content on multiple devices | |
US11501337B2 (en) | Route-based information slotting based on predicted acceptance |
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 |