CN111626497A - 人流量预测方法、装置、设备和存储介质 - Google Patents
人流量预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111626497A CN111626497A CN202010448259.8A CN202010448259A CN111626497A CN 111626497 A CN111626497 A CN 111626497A CN 202010448259 A CN202010448259 A CN 202010448259A CN 111626497 A CN111626497 A CN 111626497A
- Authority
- CN
- China
- Prior art keywords
- people flow
- matrix
- time period
- predicted
- training
- 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 41
- 239000011159 matrix material Substances 0.000 claims abstract description 202
- 238000012549 training Methods 0.000 claims description 109
- 230000011218 segmentation Effects 0.000 claims description 106
- 238000003066 decision tree Methods 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Elevator Control (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种人流量预测方法、装置、设备和存储介质。所述方法包括:获取待预测时间段内的多维参数;将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练;基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。以实现多个影响因素下,预测电梯各楼层的人流量的效果。
Description
技术领域
本发明实施例涉及交通应用技术,尤其涉及一种人流量预测方法、装置、设备和存储介质。
背景技术
随着城市的发展,电梯作为一种垂直交通工具与人们的生活越来越密切,对人们生活的影响也越来越大。
通常情况下,电梯各楼层交通量很难获取,由于召梯按钮(外召和内召)被点亮以后,通常乘客不会再去按已点亮的按钮(假设有5名乘客要从1层去6层,1名乘客按了6层按钮后,其他4名乘客是不会再去按6层按钮的),导致电梯主控无法正确统计各楼层交通量,随着技术的发展,有了新的手段能够正确统计各楼层交通量,比如目的层方案,视觉跟踪方案等,在电梯的调度上,通常会应用感知客流的方式,而针对感知客流,目前越来越多的方案通过机器视觉提前预测用户乘梯趋势。通过机器视觉提前预测用户乘梯趋势一定程度解决了感知客流的问题,但这种方式只能考虑单一因素的情况下,预测短时间内即将发生的客流。
发明内容
本发明实施例提供一种人流量预测方法、装置、设备和存储介质,以实现多个影响因素下,预测电梯各楼层人流量的效果。
第一方面,本发明实施例提供了一种人流量预测方法,该方法包括:
获取待预测时间段内的多维参数;
将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练;
基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
第二方面,本发明实施例还提供了一种人流量预测装置,该装置包括:
待预测目标参数获取模块,获取待预测时间段内的多维参数;
目标人流量OD矩阵确定模块,用于将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练;
各楼层人流量确定模块,用于基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的人流量预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的人流量预测方法。
本发明实施例的技术方案,通过获取待预设时间段内的多维参数,可以利用获取的多维参数,在多个影响因素下,预测待预测时间段内的各楼层的人流量。将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练,以便后续基于目标人流量OD矩阵确定待预测时间段内的各楼层的人流量。基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量,这样可提前获知待预测时间段内各楼层的人流量,实现了快速基于待预测时间段内的多个影响因素对人流量进行预测的效果,同时,可根据预测结果,以便采取相应的应对措施,优化电梯调度方案。
附图说明
图1是本发明实施例一中的人流量预测方法的流程图;
图2是本发明实施例一中的传统OD矩阵的示意图;
图3是本发明实施例一中的回归决策树模型示意图;
图4是本发明实施例二中的人流量预测方法的流程图;
图5是本发明实施例三中的人流量预测方法的流程图;
图6是本发明实施例四中的人流量预测装置的结构示意图;
图7是本发明实施例五中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的人流量预测的流程图,本实施例可适用于对电梯各楼层的人流量进行预测的情况,该方法可以由人流量预测装置来执行,该人流量预测装置可以由软件和/或硬件来实现,该人流量预测装置可以配置在计算设备上,具体包括如下步骤:
S110、获取待预测时间段内的多维参数。
示例性的,待预测时间段可以是需要预测的时间段,例如,要预测明天8点-9点的人流量情况,则待预测时间段即为明天8点-9点。待预测时间可以是根据用户需求自行设定的。
多维参数可以是与要预测的待预测时间段内的人流量有关的影响因素,例如,影响因素可以是天气、日期属性(例如是否为节假日)、起始楼层、终止楼层、温度、空气指数、风等级等。多维参数即为多个影响因素组成的参数,这里多维参数可以包括天气、日期属性、温度等影响因素中的至少一项。
其中,多维参数中可以包括确定参数和不确定参数,确定参数可以包括:例如,天气(晴、阴、雨)、日期属性(工作日、节假日)、待预测时间段(一天的任一时间段)、楼层等。不确定参数可以是包括但不限于:温度、空气指数、风等级等。因为具体要预测的待预测时间段内的温度空气指数、风等级是多少是不确定的。
现有技术中参数都是未引入其他的影响因素,参考图2所示的传统OD矩阵的示意图,图2中的OD矩阵是一个二维表,其中O是指Origin,即起始,D是指Destination,即目的地,该OD矩阵通常应用在交通领域的交通量统计中。表中的元素ODXY表示的是起始为X,目的为Y的交通量,比如OD12为5,表示起始为1,目的为2的交通量是5,起始与目的相同的元素通常为0,如OD11,OD22,OD33,…,ODnn。
以电梯作为垂直交通工具为例,同样可以应用OD矩阵进行交通量统计,当OD矩阵应用于电梯时,ODXY可以表示起始楼层为X,目的楼层为Y的交通量,比如OD12为5,表示起始楼层为1楼,目的为楼层为2楼的交通量是5,即在统计时间内有5人从1楼前往2楼。多个有序统计时间内的OD矩阵组成了一段时间内的OD矩阵序列。
由于电梯交通量受其它因素影响,比如节假日、天气等,传统的OD矩阵无法准确预测各楼层的交通量,需要对OD矩阵进行维度拓展,使OD矩阵能够表示更多的因素。
由于多维数据在图形上难以展现(大于3维则难以展现),因此,为了表述及理解方便,可采用另一种方式来表示拓展多维OD矩阵,该拓展多维OD矩阵与线性代数中的矩阵不同,不能进行矩阵运算。
设OD[o,d,t,w,h,…]为拓展多维OD矩阵中的影响元素,其中o是指起始楼层,d是指目标楼层,t是指时间,w是指天气,h是节假日标志,…是指其它影响因素维度,可自行拓展。则由[OD1,OD2,OD3,…,ODn]组成拓展多维OD矩阵,这个拓展多维OD矩阵描述了一段时间内受多因素影响下各统计时间内的交通量,基于这个拓展多维OD矩阵,可以对未来一段时间内的各楼层交通量进行预测。
需要说明的是,由于矩阵的特殊性,各维度(下标)的定义域必须是≥0的整数范围内,通常采用从0开始的连续整数,即[0,1,2,…,n],因此,需要将各影响因素的值转换到相应维度的定义域内,各影响因素值的转换规则可以自行规定。
通过获取待预设时间段内的多维参数,可以利用获取的多维参数,在多个影响因素下,预测待预测时间段内的各楼层的人流量。
S120、将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练。
示例性的,人流量预测模型可以是根据多维参数可预测出待预测时间段内的人流量的模型。例如,该模型可以是全卷积神经网络(Fully Convolutional Networks,FCN)、U-net神经网络、二维卷积神经网络(CNN-2d)、特征金字塔网络(feature pyramid networks,FPN)等,还可以是具有多级切分空间的回归决策树模型,参考图3所示的回归决策树模型示意图,其中,所述回归决策树模型中的多级切分空间可分别基于多维参数中的确定参数和不确定参数进行切分。
人流量预测模型具有根据输入的多维参数预测对应的目标人流量OD矩阵的功能,目标人流量OD矩阵可以是基于待预测时间段内的多维参数确定的各楼层的人流量所组成的多维OD矩阵,包括在待预测时间段内各楼层之间的人流量。
历史数据可以是包括与待预测时间段内的多维参数对应的任一历史时间段内的多维参数,以及与待预测时间段对应的任一历史时间段内的人流量。例如,待预测时间段为2020年5月20日8点-9点,此外,还明确知道2020年5月20日为工作日,天气晴朗,相应的,历史数据就是与待预测时间段对应的历史时间段内的多维参数和人流量,例如,2020年5月20日之前预设时间段内(例如一个月)每一个8点-9点时间段内多维参数以及各楼层的人流量。
通过基于待预测时间段对应的至少一组历史数据训练完成的人流量模型,可获得待预测时间段内各楼层的目标人流量OD矩阵,以便后续基于目标人流量OD矩阵确定待预测时间段内的各楼层的人流量。
S130、基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
示例性的,根据目标人流量OD矩阵,即可从目标人流量OD矩阵中获取待预测时间段内的各楼层的人流量。这样可提前获知待预测时间段内各楼层的人流量,实现了快速基于待预测时间段内的多个影响因素对人流量进行预测的效果,同时,可根据预测结果,以便采取相应的应对措施,优化电梯调度方案。
在确定待预测时间段内各楼层的人流量后,该方法还可以包括:基于确定的所述待预测时间段内各楼层的人流量,确定相应的电梯调度策略,例如,当确定待预测时间段内的人流量较多时,可以同时开通多部电梯,以疏通人流量,减轻电梯的负重,同时也节省乘客的时间,避免乘客等待。当确定待预测时间段内的人流量较少时,可以只开通一部电梯,不用将所有电梯都开通,这样节省了资源,同时也节省了电梯运行所用的电量等。具体的电梯调度策略可根据确定的待预测时间段内各楼层的人流量自行设定,这里不做限定。
本发明实施例的技术方案,通过获取待预设时间段内的多维参数,可以利用获取的多维参数,在多个影响因素下,预测待预测时间段内的各楼层的人流量。将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练,以便后续基于目标人流量OD矩阵确定待预测时间段内的各楼层的人流量。基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量,这样可提前获知待预测时间段内各楼层的人流量,实现了快速基于待预测时间段内的多个影响因素对人流量进行预测的效果,同时,可根据预测结果,以便采取相应的应对措施,优化电梯调度方案。
实施例二
图4为本发明实施例二提供的人流量预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,在获取待预测时间段内的多维参数后,所述方法还包括:根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,确定所述待预测时间段对应的历史数据;基于所述待预测时间段对应的历史数据中的各楼层之间的人流量形成相关人流量OD矩阵;基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本;基于所述训练样本,对所述人流量预测模型进行训练。
如图4所示,本发明实施例的方法具体包括如下步骤:
S210、获取待预测时间段内的多维参数。
S220、根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,确定所述待预测时间段对应的历史数据。
示例性的,以待预测时间段为2020年5月20日8点-9点,此外,还明确知道2020年5月20日为工作日,2020年5月20日8点-9点天气晴朗,则待预测时间段对应的历史时间段内的多维参数和人流量,例如,2020年5月20日之前预设时间段内(例如一个月)每一个8点-9点时间段内多维参数以及各楼层的人流量。以历史时间段为2020年5月20日之前的一个月为例,即历史时间段为2020年4月20日-2020年5月19日,则将2020年4月20日-2020年5月19日内为工作日,且天气晴朗的时间筛选出来,例如,2020年4月20日-2020年5月19中为工作日,且天气晴朗的时间为2020年4月20日、2020年4月25日和2020年4月30日等一共15天,则将这15天筛选出来,作为与待预测时间段对应的历史数据。这样可基于与待预测时间段对应的历史数据,确定与待预测时间段对应的各楼层的人流量。
可选的,所述根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,具体可以是:根据所述待预测时间段内的确定参数对历史时间段内的历史数据进行筛选。
示例性的,确定参数可以是直接确定的参数,例如,可以是工作日或者节假日,因为要预测的待预测时间为工作日还是节假日是确定的,例如,待预测时间为2020年5月20日,则2020年5月20日是工作日还是节假日是唯一确定的。因此在对历史数据进行筛选时,是根据待预测时间段内的确定参数对历史时间段内的历史数据进行筛选的,这样以根据待预测时间段内的确定参数筛选出确定的历史数据,以便于根据筛选出的确定的历史数据,确定与待预测时间段对应的各楼层的人流量。
S230、基于所述待预测时间段对应的历史数据中的各楼层之间的人流量形成相关人流量OD矩阵。
示例性的,相关人流量OD矩阵可以是与待预测时间段对应的历史数据中各楼层的人流量OD矩阵。例如,以待预测时间段为2020年5月20日8点-9点,多维参数为晴朗、工作日、8点-9点,历史时间段为2020年5月20日之前的一个月,即历史时间段为2020年4月20日-2020年5月19日为例,从步骤S220中筛选出与待预测时间段对应的历史数据为2020年4月20日、2020年4月25日和2020年4月30日等一共15天,其中筛选出的历史数据的第一天(2020年4月20日)8点-9点各楼层的人流量为100人,筛选出的历史数据的第二天(2020年4月25日)8点-9点各楼层的人流量为90人,筛选出的历史数据的第三天(2020年4月30日)8点-9点各楼层的人流量为105人,筛选出的历史数据的第四天8点-9点各楼层的人流量为101人,……,筛选出的历史数据的第15天8点-9点各楼层的人流量为105人,那么,将第一天的100人、第二天的90人、第三天的105人、第四天的101人、……、第15天的105人形成相关人流量OD矩阵。这样可以基于待预测时间段对应的历史数据中的各楼层之间的人流量,形成相关人流量OD矩阵,以便后续基于相关人流量OD矩阵对人流量预测模型进行训练。
S240、基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本。
示例性的,可以根据相关人流量OD矩阵和待预测时间段,确定与待预测时间段的平均人流量OD矩阵、最大值人流量OD矩阵或者最小值人流量OD矩阵,以及多维参数,确定人流量预测模型的训练样本。例如,以待预测时间段为2020年5月20日8点-9点,多维参数为晴朗、工作日、8点-9点,历史时间段为2020年5月20日之前的一个月,即历史时间段为2020年4月20日-2020年5月19日为例,从步骤S220中筛选出与待预测时间段对应的历史数据为2020年4月20日、2020年4月25日和2020年4月30日等一共15天,其中筛选出的历史数据的第一天(2020年4月20日)8点-9点各楼层的人流量为100人,筛选出的历史数据的第二天(2020年4月25日)8点-9点各楼层的人流量为90人,筛选出的历史数据的第三天(2020年4月30日)8点-9点各楼层的人流量为105人,筛选出的历史数据的第四天8点-9点各楼层的人流量为101人,……,筛选出的历史数据的第15天8点-9点各楼层的人流量为105人,那么,即可形成相关人流量OD矩阵。
可以将相关人流量OD矩阵的平均值(即将第一天的100人、第二天的90人、第三天的105人、第四天的101人、……、第15天的105人的平均值)、最大值(第一天的100人、第二天的90人、第三天的105人、第四天的101人、……、第15天的105人中的最大值)或者最小值(第一天的100人、第二天的90人、第三天的105人、第四天的101人、……、第15天的105人中的最小值),以及多维参数,确定人流量预测模型的训练样本。这样可基于训练样本,对人流量预测模型进行训练,以便后续基于训练好的人流量预测模型预测与待预测时间段内的多维参数对应的各楼层的目标人流量OD矩阵。
需要说明的是,具体是将与待预测时间段对应的相关人流量OD矩阵的平均人流量OD矩阵和多维参数,作为训练样本,还是将最大值人流量OD矩阵或者最小值人流量OD矩阵,以及多维参数,作为训练样本,可根据用户需求自行设定,这里不做限定。当然,这里也不限于是将相关人流量OD矩阵的平均人流量OD矩阵、最大值人流量OD矩阵或者最小值人流量OD矩阵,以及多维参数,作为训练样本。还可以是基于相关人流量OD矩阵确定的其他人流量OD矩阵,以及多维参数,作为训练样本。
可选的,所述基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本,具体可以是:基于所述待预测时间段对应的相关人流量OD矩阵,确定平均人流量OD矩阵,其中,所述平均人流量OD矩阵和所述多维参数形成所述人流量预测模型的训练样本。
示例性的,示例性的,平均人流量OD矩阵可以是将与待预测时间段对应的相关人流量OD矩阵进行平均值计算得到的。例如,相关人流量OD矩阵中OD1为100,OD2为90,OD3为105,OD4为101,……,OD15为105,计算OD1、OD2、OD3、OD4、……、OD15的平均值,将其平均值利用OD矩阵的形式表示,即可形成平均人流量OD矩阵。这样将平均人流量OD矩阵和多维参数确定为人流量预测模型的训练样本,可减小相关人流量OD矩阵训练时的误差,训练结果更加准确。
S250、基于所述训练样本,对所述人流量预测模型进行训练。
示例性的,这里的训练样本为平均人流量OD矩阵和多维参数。利用平均人流量OD矩阵和多维参数对人流量预测模型进行训练。以人流量预测模型为回归决策树模型为例,则回归决策树中的多级切分空间可分别基于多维参数中的确定参数和不确定参数进行切分,确定出切分阈值,这样便于后续以确定出的切分阈值为基准,基于训练好的人流量预测模型预测待预设时间段内的多维参数下的各楼层的目标人流量OD矩阵。
S260、将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练。
S270、基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
本发明实施例的技术方案,通过根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,确定所述待预测时间段对应的历史数据,这样可基于与待预测时间段对应的历史数据,确定与待预测时间段对应的各楼层的人流量。基于所述待预测时间段对应的历史数据中的各楼层之间的人流量形成相关人流量OD矩阵,以便后续基于相关人流量OD矩阵对人流量预测模型进行训练。基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本,这样可基于训练样本,对人流量预测模型进行训练,以便后续基于训练好的人流量预测模型预测与待预测时间段内的多维参数对应的各楼层的目标人流量OD矩阵,基于所述训练样本,对所述人流量预测模型进行训练,这样便于后续基于训练好的人流量预测模型预测待预设时间段内的多维参数下的各楼层的目标人流量OD矩阵。
实施例三
图5为本发明实施例三提供的人流量预测方法的流程图,本发明实施例与上述实施例中各个可选方案可以结合。在本发明实施例中,可选地,所述基于所述训练样本,对所述人流量预测模型进行训练,包括:将所述待预测时间段对应的历史数据中的多维参数输入至所述人流量预测模型中,根据切分结果确定各切分空间对应的训练人流量OD矩阵;基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值。
如图4所示,本发明实施例的方法具体包括如下步骤:
S310、获取待预测时间段内的多维参数。
S320、根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,确定所述待预测时间段对应的历史数据。
S330、基于所述待预测时间段对应的历史数据中的各楼层之间的人流量形成相关人流量OD矩阵。
S340、基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本。
S350、将所述待预测时间段对应的历史数据中的多维参数输入至所述人流量预测模型中,根据切分结果确定各切分空间对应的训练人流量OD矩阵。
示例性的,以人流量预测模型为回归决策树模型为例,该回归决策树模型预先以根据多维参数中确定参数和不确定参数进行了多级空间切分(如图3),将待预测时间段对应的历史数据中的多维参数(确定参数和不确定参数)输入回归决策树模型中,该回归决策树模型则会输出与输入的不同切分空间的多维参数对应的训练人流量OD矩阵。
如图3所示,以待预测时间段为2020年5月20日8点-9点为例,多维参数中确定参数为待预测时间段、节假日和天气,不确定参数为气温。可将确定参数和不确定参数分为多个分支,例如,时间段可以分为2个分支:第一时间段和第二时间段;节假日可以分为两个分支:是节假日和不是节假日是节假日;天气可以分为两个分支:雨天和晴天;气温可以分为2个分支:大于等于32和小于32。
将多维参数输入该回归决策树模型中,与多维参数对应的每个分支都会输出对应的客流量,该客流量即为训练人流量OD矩阵。
需要说明的是,图3中的回归决策树中的各个多维参数的分支,不限于图3所示出的分支,还可以有其他分支,例如,天气中除了雨天和晴天这两个分支外,还可以有阴天这个分支,雨天这个分支下面还可以有大雨、小雨和中雨这3个子分支。回归决策树的分支可根据用户需求自行设定,这里不做限定。
需要说明的是,将多维参数输入回归决策树模型中,与多维参数对应的每个分支输出的对应的人流量可以为该分支的平均人流量,例如,图3中气温小于32度的人流量为2,则表示与多维参数对应的气温小于32度的所有人流量的平均值。当然,该回归决策树模型每个分支输出的人流量还可以为该分支的最大人流量,也可以为该分支的最小人流量,这里不做限定。优选的,表示该分支的平均人流量。
基于将待预测时间段对应的历史数据中的多维参数输入至人流量预测模型中,根据切分结果确定各切分空间对应的训练人流量OD矩阵,这样以便后续基于训练人流量OD矩阵和平均人流量OD矩阵,确定不确定参数的切分阈值。
S360、基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值。
示例性的,切分阈值可以是人流量预测模型训练完成所对应的不确定参数的切分值。例如,当气温这个切分空间中,气温小于32度时,人流量预测模型训练完成时,则此时,切分阈值为32度。
可以根据各切分空间对应的训练人流量OD矩阵和平均人流量OD矩阵的误差值,或者,各切分空间对应的训练人流量OD矩阵和平均人流量OD矩阵迭代训练次数,或者,各切分空间的深度来调整不确定参数的分类阈值。
可选的,基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值,具体可以是:将所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵的误差值小于预设误差阈值所对应的不确定参数的切分空间,作为不确定参数的切分阈值;或者,当所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵迭代训练的次数达到预设迭代次数时,将达到预设迭代次数所对应的不确定参数的切分空间,确定为不确定参数的切分阈值;基于所述切分阈值,确定所述人流量预测模型训练完成。
示例性的,预设误差阈值可以是预先设置的当各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵的误差值达到该值时,训练完成。预设迭代次数可以是预先设置的当各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵迭代训练的次数达到该值时,训练完成。
示例性的,将各切分空间对应的训练人流量OD矩阵和平均人流量OD矩阵的误差值最小时所对应的不确定参数的切分空间,作为不确定参数的最优切分阈值。例如,如图3所示,将气温分为大于等于32度和小于32度这两个分支,将多维参数和平均人流量OD矩阵输入人流量预测模型后,大于等于32度这个分支输出的训练人流量OD矩阵为1,小于32度这个分支输出的训练人流量OD矩阵为4,则分别将这两个分支输出的训练人流量OD矩阵与平均人流量OD矩阵进行比较,将误差值小的那个切分点作为下一步进行切分的依据,直至各切分空间对应的训练人流量OD矩阵和平均OD矩阵的误差值小于预设误差阈值时,将该误差值对应的切分点作为切分阈值。
如图3所示,以待预测时间段为2020年5月20日8点-9点,该待预测时间段对应于图3中的第一时间段,2020年5月20日为工作日,平均人流量OD矩阵为3为例,将气温分为大于等于32度和小于32度这两个分支,将多维参数和平均人流量OD矩阵输入人流量预测模型后,大于等于32度这个分支输出的训练人流量OD矩阵为1,小于32度这个分支输出的训练人流量OD矩阵为4,小于32度的这个分支输出的训练人流量OD矩阵与平均OD矩阵的误差值较小,则将小于32度为依据继续切分,切分为小于25度和25-32度这两个切分空间,小于25度这个分支输出的训练人流量OD矩阵为1,25-32度这个分支输出的训练人流量OD矩阵为3,则25-32度这个分支输出的训练人流量OD矩阵与平均OD矩阵的误差值较小,则以25-32度这个分支为依据继续切分,直至一个分支输出的训练人流量OD矩阵与平均OD矩阵的误差值小于预设误差阈值时,则将该分支作为切分阈值,例如,30-32度这个分支输出的训练人流量OD矩阵与平均OD矩阵的误差值小于预设误差阈值,则将30-32度作为切分阈值。
示例性的,当各切分空间对应的训练人流量OD矩阵和平均人流量OD矩阵迭代训练的次数达到预设迭代次数时,将达到预设迭代次数所对应的不确定参数的切分点,确定为不确定参数的切分阈值,例如,如图3所示,以待预测时间段为2020年5月20日8点-9点,该待预测时间段对应于图3中的第一时间段,2020年5月20日为工作日,平均人流量OD矩阵为3,预设迭代次数为2为例,将气温分为大于等于32度和小于32度这两个分支,将多维参数和平均人流量OD矩阵输入人流量预测模型后,大于等于32度这个分支输出的训练人流量OD矩阵为1,小于32度这个分支输出的训练人流量OD矩阵为4,小于32度的这个分支输出的训练人流量OD矩阵与平均OD矩阵的误差值较小,则将小于32度为依据继续切分,切分为小于25度和25-32度这两个切分空间,小于25度这个分支输出的训练人流量OD矩阵为1,25-32度这个分支输出的训练人流量OD矩阵为3,则25-32度这个分支输出的训练人流量OD矩阵与平均OD矩阵的误差值较小,此时,迭代训练的次数已达到2次,即以达到预设迭代次数,则将此时误差值较小的那个分支作为切分阈值。
需要说明的是,还可以是将当各切分空间达到预设切分深度时,将所述各切分空间对应的训练人流量OD矩阵和平均人流量OD矩阵的误差值最小的切分点,作为切分阈值。这里的预设切分深度可以是各切分空间进行切分的程度,例如,如图3所示,以气温这个切分空间为例,若预设切分深度为3,则第一切分深度为大于等于32度和小于32度这两个分支,第二切分深度为小于25度和25-32度这两个分支,第三切分深度为25-28度和28-32这两个分支,此时气温这个切分空间达到预设切分深度(3)时,此时,将25-28度和28-32这两个分支所对应的训练人流量OD矩阵和平均OD矩阵分别进行比较,将误差值较小所对应的分支作为切分阈值。
当确定出切分阈值后,即可确定人流量预测模型训练完成。
将所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵的误差值小于预设误差阈值所对应的不确定参数的切分点,作为不确定参数的切分阈值;或者,当所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵迭代训练的次数达到预设迭代次数时,将达到预设迭代次数所对应的不确定参数的切分点,确定为不确定参数的切分阈值,基于所述切分阈值,确定所述人流量预测模型训练完成,这样可以精确确定切分阈值,得到较为准确的人流量预测模型。
S370、将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练。
S380、基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
本发明实施例的技术方案,通过将所述待预测时间段对应的历史数据中的多维参数输入至所述人流量预测模型中,根据切分结果确定各切分空间对应的训练人流量OD矩阵,这样以便后续基于训练人流量OD矩阵和平均人流量OD矩阵,确定不确定参数的切分阈值。基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值,以便后续精确确定切分阈值,得到较为准确的人流量预测模型。
实施例四
图6为本发明实施例四提供的人流量预测装置的结构示意图,如图6所示,该装置包括:待预测目标参数获取模块31、目标人流量OD矩阵确定模块32和各楼层人流量确定模块33。
其中,待预测目标参数获取模块31,获取待预测时间段内的多维参数;
目标人流量OD矩阵确定模块32,用于将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练;
各楼层人流量确定模块33,用于基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
在上述实施例的技术方案的基础上,该装置还包括:
数据筛选模块,用于根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,确定所述待预测时间段对应的历史数据;
相关人流量OD矩阵确定模块,用于基于所述待预测时间段对应的历史数据中的各楼层之间的人流量形成相关人流量OD矩阵;
训练样本确定模块,用于基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本;
模型训练模块,用于基于所述训练样本,对所述人流量预测模型进行训练。
可选的,所述多维参数包括:确定参数和不确定参数。
在上述实施例的技术方案的基础上,数据筛选模块具体用于:
根据所述待预测时间段内的确定参数对历史时间段内的历史数据进行筛选。
在上述实施例的技术方案的基础上,训练样本确定模块具体用于:
基于所述待预测时间段对应的相关人流量OD矩阵,确定平均人流量OD矩阵,其中,所述平均人流量OD矩阵和所述多维参数形成所述人流量预测模型的训练样本。
可选的,所述人流量预测模型为包括多级切分空间的回归决策树模型,其中,所述回归决策树模型中的多级切分空间回归分别基于所述确定参数和不确定参数进行切分。
在上述实施例的技术方案的基础上,模型训练模块包括:
训练人流量OD矩阵确定单元,用于将所述待预测时间段对应的历史数据中的多维参数输入至所述人流量预测模型中,根据切分结果确定各切分空间对应的训练人流量OD矩阵;
切分阈值调节单元,用于基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值。
在上述实施例的技术方案的基础上,切分阈值调节单元具体用于:
将所述切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵的误差值小于预设误差阈值所对应的不确定参数的切分点,作为不确定参数的切分阈值;或者,
当所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵训练迭代的次数达到预设迭代次数时,将达到预设迭代次数所对应的不确定参数的切分点,确定为不确定参数的切分阈值;
基于所述切分阈值,确定所述人流量预测模型训练完成。
本发明实施例所提供的人流量预测装置可执行本发明任意实施例所提供的人流量预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种设备的结构示意图,如图7所示,该设备包括处理器70、存储器71、输入装置72和输出装置73;设备中处理器70的数量可以是一个或多个,图7中以一个处理器70为例;设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的人流量预测方法对应的程序指令/模块(例如,待预测目标参数获取模块31、目标人流量OD矩阵确定模块32和各楼层人流量确定模块33)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的人流量预测方法。
存储器71可主要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、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
输入装置72可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种人流量预测方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的人流量预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述人流量预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种人流量预测方法,其特征在于,包括:
获取待预测时间段内的多维参数;
将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练;
基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,确定所述待预测时间段对应的历史数据;
基于所述待预测时间段对应的历史数据中的各楼层之间的人流量形成相关人流量OD矩阵;
基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本;
基于所述训练样本,对所述人流量预测模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述多维参数包括:确定参数和不确定参数;
所述根据所述待预测时间段内的多维参数对历史时间段内的历史数据进行筛选,包括:
根据所述待预测时间段内的确定参数对历史时间段内的历史数据进行筛选。
4.根据权利要求2所述的方法,其特征在于,所述基于所述相关人流量OD矩阵和所述多维参数,确定所述人流量预测模型的训练样本,包括:
基于所述待预测时间段对应的相关人流量OD矩阵,确定平均人流量OD矩阵,其中,所述平均人流量OD矩阵和所述多维参数形成所述人流量预测模型的训练样本。
5.根据权利要求3所述的方法,其特征在于,所述人流量预测模型为包括多级切分空间的回归决策树模型,其中,所述回归决策树模型中的多级切分空间分别基于所述确定参数和不确定参数进行切分。
6.根据权利要求5所述的方法,其特征在于,所述基于所述训练样本,对所述人流量预测模型进行训练,包括:
将所述待预测时间段对应的历史数据中的多维参数输入至所述人流量预测模型中,根据切分结果确定各切分空间对应的训练人流量OD矩阵;
基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值。
7.根据权利要求6所述的方法,其特征在于,所述基于所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵,调节不确定参数的切分阈值,包括:
将所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵的误差值小于预设误差阈值所对应的不确定参数的切分点,作为不确定参数的切分阈值;或者,
当所述各切分空间对应的训练人流量OD矩阵和所述平均人流量OD矩阵训练迭代的次数达到预设迭代次数时,将达到预设迭代次数所对应的不确定参数的切分点,确定为不确定参数的切分阈值;
基于所述切分阈值,确定所述人流量预测模型训练完成。
8.一种人流量预测装置,其特征在于,包括:
待预测目标参数获取模块,获取待预测时间段内的多维参数;
目标人流量OD矩阵确定模块,用于将所述多维参数输入训练完成的人流量预测模型中,得到所述待预测时间段内各楼层的目标人流量OD矩阵,其中,所述人流量预测模型基于所述待预测时间段对应的至少一组历史数据进行训练;
各楼层人流量确定模块,用于基于所述目标人流量OD矩阵确定所述待预测时间段各楼层的人流量。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的人流量预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的人流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448259.8A CN111626497B (zh) | 2020-05-25 | 2020-05-25 | 人流量预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448259.8A CN111626497B (zh) | 2020-05-25 | 2020-05-25 | 人流量预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626497A true CN111626497A (zh) | 2020-09-04 |
CN111626497B CN111626497B (zh) | 2023-06-30 |
Family
ID=72272274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448259.8A Active CN111626497B (zh) | 2020-05-25 | 2020-05-25 | 人流量预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626497B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308318A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种排队时间预测方法、装置、设备及存储介质 |
CN113526282A (zh) * | 2021-06-28 | 2021-10-22 | 江苏威尔曼科技有限公司 | 一种电梯中长期老化故障诊断方法、装置、介质和设备 |
CN116663748A (zh) * | 2023-07-26 | 2023-08-29 | 常熟理工学院 | 基于循环神经网络的电梯调度决策方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108898533A (zh) * | 2018-06-26 | 2018-11-27 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
CN110177339A (zh) * | 2019-04-01 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 一种od矩阵构建方法及装置 |
CN110443422A (zh) * | 2019-08-05 | 2019-11-12 | 北京交通大学 | 基于od吸引度的城市轨道交通od客流预测方法 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
-
2020
- 2020-05-25 CN CN202010448259.8A patent/CN111626497B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN108898533A (zh) * | 2018-06-26 | 2018-11-27 | 中国联合网络通信有限公司深圳市分公司 | 人口流动数据的获取方法、装置及计算机可读存储介质 |
CN110177339A (zh) * | 2019-04-01 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 一种od矩阵构建方法及装置 |
CN110443422A (zh) * | 2019-08-05 | 2019-11-12 | 北京交通大学 | 基于od吸引度的城市轨道交通od客流预测方法 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308318A (zh) * | 2020-11-02 | 2021-02-02 | 沈阳民航东北凯亚有限公司 | 一种排队时间预测方法、装置、设备及存储介质 |
CN112308318B (zh) * | 2020-11-02 | 2024-05-28 | 沈阳民航东北凯亚有限公司 | 一种排队时间预测方法、装置、设备及存储介质 |
CN113526282A (zh) * | 2021-06-28 | 2021-10-22 | 江苏威尔曼科技有限公司 | 一种电梯中长期老化故障诊断方法、装置、介质和设备 |
CN113526282B (zh) * | 2021-06-28 | 2022-09-06 | 江苏威尔曼科技有限公司 | 一种电梯中长期老化故障诊断方法、装置、介质和设备 |
CN116663748A (zh) * | 2023-07-26 | 2023-08-29 | 常熟理工学院 | 基于循环神经网络的电梯调度决策方法及系统 |
CN116663748B (zh) * | 2023-07-26 | 2023-11-03 | 常熟理工学院 | 基于循环神经网络的电梯调度决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111626497B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626497A (zh) | 人流量预测方法、装置、设备和存储介质 | |
CN101442762B (zh) | 网络性能分析以及网络故障定位方法和装置 | |
CN109597965B (zh) | 基于深度神经网络的数据处理方法、系统、终端及介质 | |
CN111260156B (zh) | 现金流预测模型的构建方法及现金流预测方法及装置 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN115293366B (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
CN111046283A (zh) | 特征选择方法、装置、设备及存储介质 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN100442288C (zh) | 一种确定变量相关关系的方法 | |
CN113052217A (zh) | 预测结果标识及其模型训练方法、装置及计算机存储介质 | |
CN117290090A (zh) | 节点协同资源分配方法、装置、设备及存储介质 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN109951856B (zh) | 网元状态的检测方法、装置以及计算机可读存储介质 | |
CN115422263B (zh) | 一种电力现场多功能通用型故障分析方法及系统 | |
CN116361546A (zh) | 搜索请求的处理方法、装置、电子设备和存储介质 | |
CN116662509A (zh) | 大规模语言模型的开放域问答实现方法、装置及设备 | |
CN115052154B (zh) | 一种模型训练和视频编码方法、装置、设备及存储介质 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN103745312A (zh) | 生产质量控制方法 | |
CN115662400A (zh) | 车机语音交互数据的处理方法、装置、设备及存储介质 | |
CN117014316A (zh) | 端口的检测方法、系统、终端设备及存储介质 | |
US20220318563A1 (en) | Information processing method, information processing apparatus, and program | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
CN114385876A (zh) | 一种模型搜索空间生成方法、装置及系统 |
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 |