CN111757272B - 地铁拥堵程度的预测方法、模型训练方法和装置 - Google Patents

Abstract

本申请公开了一种地铁拥堵程度的预测方法、模型训练方法和装置，涉及数据处理领域中的大数据领域，可用于云计算或云平台。具体实现方案为：一种地铁拥堵程度的预测方法，包括：获取用户携带的目标电子设备所采集的第一信息；基于目标地铁内所有所述目标电子设备采集的第一信息，确定目标站点的拥堵指标；将所述拥堵指标输入第一预测模型进行预测，得到所述目标站点的拥堵程度信息。本申请提供的一种地铁拥堵程度的预测方法、模型训练方法和装置，可以解决现有技术中，在对地铁站内拥堵程度进行预测时，存在的预测成本较高的问题。

Description

地铁拥堵程度的预测方法、模型训练方法和装置

技术领域

本申请涉及数据处理领域中的大数据领域，具体涉及一种地铁拥堵程度的预测方法、模型训练方法和装置。

背景技术

城市地铁由于具备方便、快捷等优势，成为越来越多人首选的出行交通工具。然而，在上下班、节假日等出行高峰期，一些热门的地铁站存在客流严重拥堵的情况。基于此，现有技术中通过在地铁站内设置相应的客流监测设备，并基于客流监测设备所采集的客流数据进行数据处理，以对地铁站内的拥堵程度进行预测。然后将所预测的结果向用户进行推送，以便于用户合理规划乘坐地铁的时间。

发明内容

本申请提供一种地铁拥堵程度的预测方法、模型训练方法和装置，以解决现有技术中，在对地铁站内拥堵程度进行预测时，存在的预测成本较高的问题。

第一方面，本申请提供一种地铁拥堵程度的预测方法，包括：

获取用户携带的目标电子设备所采集的第一信息；

基于目标地铁内所有目标电子设备采集的第一信息，确定目标站点的拥堵指标；

将拥堵指标输入第一预测模型进行预测，得到目标站点的拥堵程度信息。

第二方面，本申请还提供一种模型训练方法，包括：

获取用户携带的目标电子设备的历史轨迹信息；

从历史轨迹信息中抽取目标轨迹信息，其中，目标轨迹信息为目标电子设备处于地铁内的轨迹；

基于所抽取的所有目标电子设备的目标轨迹信息生成训练数据，其中，训练数据包括目标站点在不同时间点的拥堵指标；

将训练数据输入预先构建的学习模型进行训练，得到第一预测模型，其中，第一预测模型用于基于目标站点的拥堵指标进行预测，得到目标站点的拥堵程度信息。

第三方面，本申请还提供一种地铁拥堵程度的预测装置，包括：

第一获取模块，用于获取用户携带的目标电子设备所采集的第一信息；

确定模块，用于基于目标地铁内所有目标电子设备采集的第一信息，确定目标站点的拥堵指标；

预测模块，用于将拥堵指标输入第一预测模型进行预测，得到目标站点的拥堵程度信息。

第四方面，本申请还提供一种模型训练装置，包括：

第二获取模块，用于获取用户携带的目标电子设备的历史轨迹信息；

抽取模块，用于从历史轨迹信息中抽取目标轨迹信息，其中，目标轨迹信息为目标电子设备处于地铁内的轨迹；

生成模块，用于基于所抽取的所有目标电子设备的目标轨迹信息生成训练数据，其中，训练数据包括目标站点在不同时间点的拥堵指标；

训练模块，用于将训练数据输入预先构建的学习模型进行训练，得到第一预测模型，其中，第一预测模型用于基于目标站点的拥堵指标进行预测，得到目标站点的拥堵程度信息。

第五方面，本申请提供一种电子设备，包括：

至少一个处理器；以及

与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，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本申请提供的地铁拥堵程度的预测方法步骤，或者执行本申请提供的模型训练方法步骤。

第六方面，本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请提供的地铁拥堵程度的预测方法步骤，或者执行本申请提供的模型训练方法步骤。

上述申请中的一个实施例具有如下优点或有益效果：通过基于用户携带的目标电子设备采集的第一信息，确定目标站点的拥堵指标，然后由第一预测模型基于拥堵指标进行预测，得到目标站点的拥堵程度信息。相对于现有技术而言，可以降低对地铁拥堵程度进行预测的成本。

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是本申请实施例中所提供的地铁拥堵程度的预测方法的流程图；

图2是本申请实施例中所提供的模型训练方法流程图；

图3是本申请实施例中抽取目标轨迹信息过程的流程图；

图4是本申请实施例中对学习模型进行训练的流程图；

图5是本申请实施例中基于第一预测模型进行预测的流程图；

图6是本申请实施例中向用户展示的预测结果的示意图；

图7是本申请实施例中所提供的地铁拥堵程度的预测装置的结构示意图；

图8是本申请实施例中所提供的模型训练装置的结构示意图；

图9是用来实现本申请实施例的地铁拥堵程度的预测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。

请参见图1，图1是本申请实施例提供的一种地铁拥堵程度的预测方法，包括：

步骤S101、获取用户携带的目标电子设备所采集的第一信息。

其中，用户携带的目标电子设备可以是智能手机、智能手表等常见的便携式智能终端。

现有的智能终端中安装的应用程序，在经用户授权之后，通常有权限获取智能终端的位置、网络设置、通信录等相关信息。基于此，应用程序的开发商实际上可以通过应用程序获取到大量用户的位置、甚至所处环境等相关信息。若对此类数据进行大数据分析，将可以对一定范围内的实时人流分布情况进行预测。例如，若需要对某地铁站内某天内的流量分布情况进行分析，可以基于用户的定位信息，获取该地铁站该天内实时人流分布的相对量，假设所采集的信息为：上午6点为位于该地铁站所处位置的用户量为100人、上午8点为1000人、上午10点为500人、中午12点为：50人，…，晚上11点为：30人等，这样，即可统计出该天内人流量的相对量，然后，再基于调研确定所统计出的该地铁站中相对用户量与实际用户量之间的比例关系，在所统计的用户量的基础上，按照比例关系进行放大，即可预测该地铁站内实时的人流数量。当然，若仅需预测该地铁站中的拥堵程度，则在所统计的数据上即可进行预测，例如，由上述所统计的数据可知，上午8点为该天上午最拥堵的时间点。

应当说明的是，上述统计出该天内人流量的相对量，可以是指某一地铁站内持有安装有特定应用程序的智能终端的用户的数量(例如持有安装有目标地图应用的智能终端的用户数量)，由于目标地图应用后台可以基于目标地图应用确定用户所处位置，进而可以确定出该地铁站内一天的用户数量。然而，由于并非地铁站内所有乘客所持有的智能终端中均安装有目标地图应用，因此，目标地图应用后台是无法获取未安装目标地图应用的用户的位置，进而无法统计到地铁站中该部分用户的数量，因此，本申请的方法仅能统计出该天内人流量的相对量，并基于所统计出的相对量对地铁站内的拥堵程度进行预测。其中，所述目标地图应用可以是现有的任一一种地图应用程序，此外，上述特定应用程序还可以是其他经用户授权的能够获取智能终端的位置、网络设置、通信录等相关信息的应用程序。

此外，除了通过获取用户的位置信息可以判断用户的实时位置之外，还可以通过采集当前的环境信息以确定当前所处位置或场景，其中，环境信息可以是音频信息，例如，地铁站或车站等场所通常都会实时播放广播，目标电子设备可以通过采集并识别当前的音频信息以确定当前是否处于地铁站或车站等场所。

基于此，上述目标电子设备可以是安装有目标应用程序且授权该目标应用程序获取上述第一信息的电子设备，其中，目标应用程序可以是一个或者多个，例如，同一开发商开发了多款应用程序，通过该多款应用程序分别获取目标电子设备所采集到的第一信息，然后对所有应用程序获取到的用户的第一信息去重统计之后，进行大数据分析即可分析出一定范围内或者一定场景下的人流数据。

上述第一信息可以是位置信息、环境信息、网络接入点信息等能够识别用户所处位置或场景的相关信息。

步骤S102、基于目标地铁内所有目标电子设备采集的第一信息，确定目标站点的拥堵指标。

目标地铁内所有目标电子设备采集的第一信息可以是指：目标地铁内的所有目标用户所携带的目标电子设备采集的第一信息，其中，目标用户是指携带有安装目标应用程序的电子设备的用户。

上述拥堵指标可以是地铁站内实时客流量数据、用户乘坐地铁的排队时长等能够体现地铁拥堵程度的指标信息。此外，上述目标地铁可以是所研究的范围内的任意一趟地铁。

步骤S103、将拥堵指标输入第一预测模型进行预测，得到目标站点的拥堵程度信息。

其中，第一预测模型可以是由学习模型训练得到的模型，例如，可以通过历史数据中的第一信息对第一预测模型进行训练，使得第一预测模型可以学习到各地铁站内客流变化规律，例如，可以通过对学习模型进行训练，使得所训练处的第一预测模型可以学习到以日为单位的客流变化规律、以周为单位的客流变化规律、以月为单位的客流变化规律，以及以年为单位的客流变化规律，尤其是学习到上下班高峰期、节假日的客流变化规律。这样，可以通过获取上一时间节点的第一信息，然后基于所学习到的客流变化规律对下一时间节点的客流量或者拥堵程度进行预测。这样，通过APP将所预测的结果向用户进行推送，以便于用户根据接收到的预测结果合理安排乘坐地铁的行程。

上述拥堵程度信息可以是预先设置好的拥堵程度级别，以及预计排队时长，例如，拥堵程度信息可以包括以下几种固定结果：(客流较少，预计排队时长0分钟)、(客流正常，预计排队时长3-5分钟)、

(较为拥堵，预计排队时长5-10分钟)、(非常拥堵，预计排队时长10分钟以上)、(非常拥堵且高峰期限流，预计排队时长30分钟以上)。相对于现有技术中而言，本申请实施例所提供的地铁拥堵程度的预测方法主要基于用户携带的诸如智能手机、智能手表等智能终端采集的数据，进行大数据分析进行预测，而无需在地铁站内安装客流监测设备，有利于降低对地铁拥堵程度进行预测的预测成本。且完成对模型的训练之后，模型可以基于目标电子设备采集的数据进行自动预测，而无需投入大量人力进行数据处理。

该实施方式中，通过基于用户携带的目标电子设备采集的第一信息，确定目标站点的拥堵指标，然后由第一预测模型基于拥堵指标进行预测，得到目标站点的拥堵程度信息。相对于现有技术而言，可以降低对地铁拥堵程度进行预测的成本。

本申请实施例所提供的地铁拥堵程度的预测方法可用于云平台或云服务中。例如，云平台中的服务器基于业务需求需要对地铁拥堵程度进行预测时，可以采用本申请实施例所提供的地铁拥堵程度的预测方法，为用户提供预测服务。

可选地，基于目标地铁内所有目标电子设备采集的第一信息，确定目标站点的拥堵指标，包括：

在目标地铁抵达目标站点的下一站点的情况下，基于目标电子设备所采集到的轨迹信息，确定目标站点的等车时长信息，其中，第一信息包括轨迹信息，拥堵指标包括等车时长信息。

具体地，由于用户在目标站点的等车时长可以体现当前目标站点的拥堵程度，例如，等车时长越短，则说明当前目标站点越不拥堵，反之，等车时长越长，则说明当前目标站点越拥堵。因此，可以基于目标站点历史时刻的等车时长，对学习模型进行训练，使得模型可以学习到目标站点各个时间段的等车时长变化规律。这样，可以基于上一时间节点用户的等车时长预测下一时间节点用户的等车时长。

上述轨迹信息可以是在不同时间点获取到的目标电子设备的位置形成的轨迹。

上述等车时长信息可以根据用户进入目标站点的时间a，以及抵达目标站点的下一站的时间b进行计算，由于相邻两个站点之间的行车时间通常是固定的，因此，通过将(b-a-t)即可计算出该用户在目标站点的等车时长，其中，t为相邻两个站点之间的行车时间。然后，通过统计所有在目标站点上车的用户的等车时长，即可确定目标站点的等车时长信息。

该实施方式中，通过对目标站点的等车时长信息进行计算，以便于从用户花费在排队等车的时间的角度，预测目标站点的拥堵程度。

可选地，基于目标电子设备所采集到的轨迹信息，确定目标站点的等车时长信息，包括：

基于第一电子设备所采集的轨迹信息，确定目标地铁内的第一用户在目标站点的等车时长，其中，第一用户为携带第一电子设备，且在目标站点上车的用户，第一电子设备为目标地铁内的任一目标电子设备；

基于目标高斯分布曲线确定等车时长信息，其中，目标高斯分布曲线为对目标地铁内所有第一用户的等车时长进行统计得到的曲线。

在统计目标站点的等车时长信息时，可以先确定进入目标站点的第一用户，例如，可以根据用户的轨迹信息初步判断用户是否进入目标站点。同时，可以基于轨迹中记载的时间确定第一用户进入目标站点的时间，此外，可以基于轨迹中记载的时间确定第一用户抵达目标站点的下一站点的时间。这样，即可计算出上一时间节点目标站点中所有上车的第一用户的等车时长。

由于不同的用户在目标站点的等车时长通常存在一定的差异，因此，可以对各第一用户的等车时长进行统计，以便于统计出对应时间节点在目标站点上车的用户的等车时长的分布情况，并基于分布情况最终确定较优的值作为目标站点的等车时长信息。

具体地，同一时间节点进入目标站点的所有用户的等车时长通常符合正态分布，即该时间节点进入目标站点的大多数用户的等车时长位于某一值(即正态分布曲线的峰值)附近，同时，存在少量用户的等车时长位于该峰值的两侧且距离该峰值较远位置。其中，距离该峰值较远位置的部分用户可能是由于赶时间插队上车的，也可能是由于在目标站点等人或者为了等有座位的地铁而主动延后上车的用户，因此，该部分用户的等车时长实际上不具备参考价值，若直接将所有在目标站点的用户的等车时长求取平均值将导致所求取的结果与实际结果之间存在误差。

基于此，本申请实施例通过对目标地铁内所有第一用户的等车时长进行统计得到的目标高斯分布曲线，以确定该目标站点该时间节点的等车时长分布情况，并可选取目标高斯分布曲线的峰值作为目标站点的等车时长信息。其中，该目标高斯分布曲线的横坐标为等车时长，纵坐标为对应等车时长的第一用户的数量。

该实施方式中，通过对目标地铁内所有第一用户的等车时长进行统计得到的目标高斯分布曲线，以确定等车时长信息，这样，可以确保所选取的等车时长信息为大多数用户的等车时长，且可降低干扰因子对所选取的结果的影响。

可选地，基于目标地铁内所有目标电子设备采集的第一信息，确定目标站点的拥堵指标，包括：

基于目标电子设备所采集的网络接入点信息，确定目标地铁离开目标站点时，目标地铁内的目标电子设备的数量，其中，网络接入点信息为目标电子设备连接安装于地铁隧道内的网络服务基站所生成的连接信息，不同站点设有不同的网络服务基站；

基于目标地铁内的目标电子设备的数量确定目标站点的乘客数量信息；

其中，第一信息包括网络接入点信息，拥堵指标包括乘客数量信息。

由于现有的定位技术通常只能大概识别出用户的位置，在识别到用户位于地铁站时，无法精确的区分用户位于地铁内还是位于地铁外，其中，地铁外可以是进站口、站台等位置。而目前为了确保地铁内的乘客可以正常上网，通常会在地铁隧道内设置若干个网络服务基站。因此，可以通过预先获取所有位于地铁隧道内的网络服务基站的身份信息，身份信息可以是网络服务基站的ID、路由设备mac地址等。这样，后续判断用户是否位于地铁内时，可以获取用户所携带的目标电子设备的网络接入点信息，由于该网络接入点信息中会携带所连接的基站的身份信息，通过将该网络接入点信息与预先获得的网络服务基站的身份信息进行对比，即可确定用户是否位于地铁内。

本实施例中，通过在目标地铁离开目标站点时，统计目标地铁内的目标电子设备数量，也即统计用户数量，以便于确定目标地铁从目标站点驶出时，地铁内乘客的相对数量，进而从地铁内所乘坐的乘客数量的维度对地铁拥堵程度进行预测。

具体地，可以通过获取所有目标电子设备的网络接入点信息，以便于确定目标用户是否位于地铁内，进而实现统计位于地铁内的目标电子设备的数量。

应当说明的是，由于不同站点会设置不同的基站，而不同的基站的身份信息不同，因此，可以将每个基站与其所处地铁站进行关联，这样，在获取到目标电子设备的网络接入点信息之后，通过对网络接入点信息进行识别，即可确定用户当前是否处于地铁内，以及用户处于所处地铁站。

此外，上述步骤确定的目标地铁内的目标电子设备的数量，即为目标地铁内的用户数量，可以将该用户数据作为乘客数量信息。其中，该用户数量并非当前目标地铁内的乘客数量，本申请实施例仅是通过判断目标地铁内用户量的相对多少，以确定目标地铁内的拥堵程度，应该说明的是，当目标地铁处于目标站点时，统计出的用户量越多则说明目标站点当前越拥堵。例如，上午6点位于目标站点的目标地铁内的用户量为100人、上午8点为1000人、上午10点为500人、中午12点为：50人，…，晚上11点为：30人等，由上述所统计的数据可知，上午8点为该天上午最拥堵的时间点。

可以将本实施例所提供的从乘客数量信息的维度对拥堵程度进行预测，与上述实施例从等车时长信息的维度对拥堵程度进行预测两种预测结果相结合，得到最终的预测结果，例如，可以为从乘客数量信息的维度对拥堵程度进行预测的结果设置权重为n，为从等车时长信息的维度对拥堵程度进行预测的结果设置权重为m，0＜n＜1，0＜m＜1，且n+m＝1，这样，当从乘客数量信息的维度对拥堵程度进行预测的结果为A级时，从等车时长信息的维度对拥堵程度进行预测的结果为B级时，最终的拥堵等级可以表示为：(n*A+m*B)。

该实施方式中，通过统计目标地铁内用户的数量，以从地铁内部乘客的数量的维度进一步对地铁拥堵程度进行预测，从而进一步提高了预测的准确性。

请参见图2，图2为本申请实施例提供的一种模型训练方法，包括：

步骤S201、获取用户携带的目标电子设备的历史轨迹信息；

其中，历史轨迹信息可以是通过获取用户过去一段时间(如过去一年)的位置，并基于位置生成的用户轨迹。该步骤中可以抽取所有目标电子设备在过去一段时间内所记录的历史轨迹信息，得到若干条历史轨迹信息。

步骤S202、从历史轨迹信息中抽取目标轨迹信息，其中，目标轨迹信息为目标电子设备处于地铁内的轨迹；

该步骤中，可以通过将历史轨迹信息中的历史轨迹与地铁线路的轨迹相拟合，从历史轨迹中抽取目标轨迹信息。

具体地，可以将历史轨迹中与地铁轨迹重合的轨迹作为目标轨迹信息进行抽取。请参见图3，该步骤可以包括如下步骤：1、轨迹匹配，即将用户的历史轨迹与地铁线路轨迹进行匹配，以从用户的历史轨迹中查找到目标轨迹信息；2、轨迹抽取，即将目标轨迹信息从历史轨迹中抽取出，其中，所抽取出的目标轨迹信息中包括用户抵达每个地铁站点的时间等相关信息。3、抽取网络接入点信息，由于从目标轨迹信息中可以知晓用户抵达各地铁站点的历史时间，因此，可以在用户的历史网络连接信息中抽取用户抵达目标站点时的网络接入点信息，以便于基于所抽取的信息生成训练数据。历史网络连接信息可以是记录了用户在过去一段时间内所连接的网络接入点信息。

步骤S203、基于所抽取的所有目标电子设备的目标轨迹信息生成训练数据，其中，训练数据包括目标站点在不同时间点的拥堵指标；

由上述步骤S202可知，所抽取出的目标轨迹信息中包括用户抵达每个地铁站点的时间，基于此，可以计算出用户历史时刻在目标站点的等车时长，例如，用户的一条目标轨迹信息为：8点15分进入q站点(即上车站点)、8点30分抵达w站点、8点35分抵达e站点、8点40分抵达r站点并下车，这基于该目标轨迹信息可以计算出用户在q站点的等车时长，假设从q站点到w站点的行车时间通常为5分钟，由于用户从q站点进站到抵达w站点一共花费了15分钟，因此，可以计算出用户在q站点的等车时长为15-5＝10分钟。可见基于用户的每条目标轨迹信息可以计算出用户在对应的上车站点的等车时长。通过该方法，即可计算出所有目标用户在过去一段时间(如过去一年内)每次乘坐地铁时在上车站点的等车时长。然后，可以将所计算出的等车时长、上车站点以及进入该上车站点的时间关联存储作为一个第一数据点。可以按照上车站点对第一数据点进行分类，即将同一站点的所有第一数据点划分为一类，这样，即可确定过去一段时间内该站点所有目标用户在不同时间点的等车时长，通过将过去一段时间内该站点的所有目标用户在不同时间点的等车时长作为第一训练数据，以便于后续基于该第一训练数据对模型进行训练。

此外，由上述步骤S202的论述可知，可以基于目标轨迹信息中记载的用户抵达各目标站点的时间，从历史网络连接信息中抽取用户抵达目标站点时的网络接入点信息，从而得到过去一段时间内所有目标用户在不同时间点连接的网络接入点信息。又由于各网络接入点信息与具体目标站点向关联，因此，可以按照地铁站点对所有用户的网络接入点进行分类，即将过去一个时间段内与同一目标站的所有网络接入点划分为一类，从而得到每个地铁站点在不同时刻的网络接入点信息，通过统计每个时刻网络接入点信息的条数，即可确定该时刻该目标站点的乘客数量信息。并可将每个目标站点在过去一段时间内不同时间点的乘客数量信息，作为对应目标站点的第二训练数据，后续可以基于该第二训练数据对模型进行训练。

上述训练数据可以包括第一训练数据和第二训练数据中的至少一个。

步骤S204、将训练数据输入预先构建的学习模型进行训练，得到第一预测模型，其中，第一预测模型用于基于目标站点的拥堵指标进行预测，得到目标站点的拥堵程度信息。

该实施方式中，通过将训练数据输入学习模型进行训练，以便于学习模型学习到过去一段时间内拥堵指标的变化规律，学习模型可以是深度学习模型或者机器学习模型。具体地，可以通过对学习模型进行训练得到第一预测模型，使得第一预测模型可以学习到过去一年内等车时长的变化规律，这样，在对目标站点的等车时长进行实时预测时，可以输入所获取到的上一时间节点的目标站点的等车时长信息，第一预测模型基于所学习到的不同变化规律，可以对下一时间节点的等车时长信息进行预测。并可基于预测得到我的下一时间节点的等车时长信息对下下个时间节点的等车时长信息进行预测，从而实现对未来较长一段时间内的拥堵程度的预测。

可选地，目标轨迹信息包括至少两个目标站点以及用户抵达每个目标站点的时间，基于所抽取的所有目标电子设备的目标轨迹信息生成训练数据，包括：

在目标电子设备的历史网络连接信息中抽取与目标站点所对应的第一网络接入点信息，其中，第一网络接入点信息为目标电子设备与目标站点相对应的网络服务基站连接时所生成的连接信息；

基于目标轨迹信息和第一网络接入点信息，生成每个目标站点的训练数据，其中，训练数据包括不同时间点的等车时长信息和不同时间点的乘客数量信息。

该实施方式中，通过从等车时长和乘客数量两个维度对学习模型进行训练，使得训练得到的第一预测模型可以结合等车时长信息和乘客数量信息对目标站点的拥堵程度进行预测，从而提高预测结果的准确性。

请参见图4，通过将上述各历史时间节点的等车时长信息和乘客数量信息分别输入学习模型进行训练，使得学习模型学习到不同时间段相邻两个时间点之间拥堵指标的变化规律，其中，St表示的是时间节点为t，GMMt表示的是t时间节点的等车时长信息，Nt表示的是t时间节点的乘客数量信息。请参见图5，可以将每一时间节点的上一时间节点的拥堵指标数据输入第一预测模型，从而预测出当前时间节点的拥堵程度。请参见图6，拥堵程度可以按照地铁轨迹的形式向用户实时展示，图中实心人数越多，则说明相应的站点越拥堵。

请参见图7，图7是本申请实施例提供的一种地铁拥堵程度的预测装置700，包括：

第一获取模块701，用于获取用户携带的目标电子设备所采集的第一信息；

确定模块702，用于基于目标地铁内所有目标电子设备采集的第一信息，确定目标站点的拥堵指标；

预测模块703，用于将拥堵指标输入第一预测模型进行预测，得到目标站点的拥堵程度信息。

可选地，确定模块702，具体用于在目标地铁抵达目标站点的下一站点的情况下，基于目标电子设备所采集到的轨迹信息，确定目标站点的等车时长信息，其中，第一信息包括轨迹信息，拥堵指标包括等车时长信息。

可选地，确定模块702包括：

第一确定子模块，用于基于第一电子设备所采集的轨迹信息，确定目标地铁内的第一用户在目标站点的等车时长，其中，第一用户为携带第一电子设备，且在目标站点上车的用户，第一电子设备为目标地铁内的任一目标电子设备；

第二确定子模块，用于基于目标高斯分布曲线确定等车时长信息，其中，目标高斯分布曲线为对目标地铁内所有第一用户的等车时长进行统计得到的曲线。

可选地，确定模块702包括：

第三确定子模块，用于基于目标电子设备所采集的网络接入点信息，确定目标地铁离开目标站点时，目标地铁内的目标电子设备的数量，其中，网络接入点信息为目标电子设备连接安装于地铁隧道内的网络服务基站所生成的连接信息，不同站点设有不同的网络服务基站；

第四确定子模块，用于基于目标地铁内的目标电子设备的数量确定目标站点的乘客数量信息；

其中，第一信息包括网络接入点信息，拥堵指标包括乘客数量信息。

本实施例提供的地铁拥堵程度的预测装置700能够实现图1-6所示的方法实施例中的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。

请参见图8，图8是本申请实施例提供的一种模型训练装置800，包括：

第二获取模块801，用于获取用户携带的目标电子设备的历史轨迹信息；

抽取模块802，用于从历史轨迹信息中抽取目标轨迹信息，其中，目标轨迹信息为目标电子设备处于地铁内的轨迹；

生成模块803，用于基于所抽取的所有目标电子设备的目标轨迹信息生成训练数据，其中，训练数据包括目标站点在不同时间点的拥堵指标；

训练模块804，用于将训练数据输入预先构建的学习模型进行训练，得到第一预测模型，其中，第一预测模型用于基于目标站点的拥堵指标进行预测，得到目标站点的拥堵程度信息。

可选地，生成模块803包括：

抽取子模块，用于在目标电子设备的历史网络连接信息中抽取与目标站点所对应的第一网络接入点信息，其中，第一网络接入点信息为目标电子设备与目标站点相对应的网络服务基站连接时所生成的连接信息；

生成子模块，用于基于目标轨迹信息和第一网络接入点信息，生成每个目标站点的训练数据，其中，训练数据包括不同时间点的等车时长信息和不同时间点的乘客数量信息。

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地铁拥堵程度的预测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，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的地铁拥堵程度的预测方法。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地铁拥堵程度的预测方法。

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地铁拥堵程度的预测方法对应的程序指令/模块(例如，附图7所示的第一获取模块701、确定模块702和预测模块703)。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地铁拥堵程度的预测方法。

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地铁拥堵程度的预测方法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地铁拥堵程度的预测方法的电子设备。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。

地铁拥堵程度的预测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，以及产生与地铁拥堵程度的预测方法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，通过基于用户携带的目标电子设备采集的第一信息，确定目标站点的拥堵指标，然后由第一预测模型基于拥堵指标进行预测，得到目标站点的拥堵程度信息。相对于现有技术而言，可以降低对地铁拥堵程度进行预测的成本。

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 (10)

1.一种地铁拥堵程度的预测方法，包括：

获取用户携带的目标电子设备所采集的第一信息，所述第一信息包括轨迹信息；

基于目标地铁内所有所述目标电子设备采集的第一信息，确定目标站点的拥堵指标；

将所述拥堵指标输入第一预测模型进行预测，得到所述目标站点的拥堵程度信息；

所述基于目标地铁内所有所述目标电子设备采集的第一信息，确定目标站点的拥堵指标，包括：

在所述目标地铁抵达所述目标站点的下一站点的情况下，基于目标电子设备所采集到的轨迹信息，确定所述目标站点的等车时长信息，其中，所述拥堵指标包括所述等车时长信息；

所述等车时长信息根据用户进入所述目标站点的时间，以及抵达所述目标站点的下一站的时间计算；

所述基于所述目标电子设备所采集到的轨迹信息，确定所述目标站点的等车时长信息，包括：

基于第一电子设备所采集的轨迹信息，确定所述目标地铁内的第一用户在所述目标站点的等车时长，其中，所述第一用户为携带所述第一电子设备，且在所述目标站点上车的用户，所述第一电子设备为所述目标地铁内的任一所述目标电子设备；

基于目标高斯分布曲线确定所述等车时长信息，其中，所述目标高斯分布曲线为对所述目标地铁内所有所述第一用户的等车时长进行统计得到的曲线，将所述目标高斯分布曲线的峰值作为所述目标站点的等车时长信息；

所述拥堵指标还包括乘客数量信息，所述将所述拥堵指标输入第一预测模型进行预测，得到所述目标站点的拥堵程度信息，包括：

将所述乘客数量信息和所述等车时长信息输入所述第一预测模型进行预测，得到乘客数量信息维度的拥堵级别为A级，以及，得到等车时长信息维度的的拥堵级别为B级；

基于如下公式计算所述目标站点的拥堵等级：（n*A+m*B）；

其中，0＜n＜1，0＜m＜1，且n+m=1。

2.根据权利要求1所述的方法，其中，所述基于目标地铁内所有所述目标电子设备采集的第一信息，确定目标站点的拥堵指标，包括：

基于所述目标电子设备所采集的网络接入点信息，确定所述目标地铁离开所述目标站点时，所述目标地铁内的所述目标电子设备的数量，其中，所述网络接入点信息为所述目标电子设备连接安装于地铁隧道内的网络服务基站所生成的连接信息，不同站点设有不同的所述网络服务基站；

基于所述目标地铁内的所述目标电子设备的数量确定所述目标站点的乘客数量信息；

其中，所述第一信息包括所述网络接入点信息。

3.一种模型训练方法，包括：

获取用户携带的目标电子设备的历史轨迹信息；

从所述历史轨迹信息中抽取目标轨迹信息，其中，所述目标轨迹信息为所述目标电子设备处于地铁内的轨迹；

基于所抽取的所有所述目标电子设备的所述目标轨迹信息生成训练数据，其中，所述训练数据包括目标站点在不同时间点的拥堵指标，所述拥堵指标包括乘客数量信息和等车时长信息；

将所述训练数据输入预先构建的学习模型进行训练，得到第一预测模型，其中，所述第一预测模型用于基于所述目标站点的拥堵指标进行预测，得到所述目标站点的拥堵程度信息；

基于目标高斯分布曲线确定所述等车时长信息，其中，所述目标高斯分布曲线为对目标地铁内所有第一用户的等车时长进行统计得到的曲线，将所述目标高斯分布曲线的峰值作为所述目标站点的等车时长信息，所述第一用户为携带第一电子设备，且在所述目标站点上车的用户，所述第一电子设备为所述目标地铁内的任一所述目标电子设备。

4.根据权利要求3所述的方法，其中，所述目标轨迹信息包括至少两个目标站点以及用户抵达每个所述目标站点的时间，所述基于所抽取的所有所述目标电子设备的所述目标轨迹信息生成训练数据，包括：

在所述目标电子设备的历史网络连接信息中抽取与所述目标站点所对应的第一网络接入点信息，其中，所述第一网络接入点信息为所述目标电子设备与所述目标站点相对应的网络服务基站连接时所生成的连接信息；

基于所述目标轨迹信息和所述第一网络接入点信息，生成每个所述目标站点的训练数据，其中，所述训练数据包括不同时间点的等车时长信息和不同时间点的乘客数量信息。

5.一种地铁拥堵程度的预测装置，包括：

第一获取模块，用于获取用户携带的目标电子设备所采集的第一信息，所述第一信息包括轨迹信息；

确定模块，用于基于目标地铁内所有所述目标电子设备采集的第一信息，确定目标站点的拥堵指标；

预测模块，用于将所述拥堵指标输入第一预测模型进行预测，得到所述目标站点的拥堵程度信息；

所述确定模块，具体用于在所述目标地铁抵达所述目标站点的下一站点的情况下，基于目标电子设备所采集到的轨迹信息，确定所述目标站点的等车时长信息，其中，所述拥堵指标包括所述等车时长信息；

所述等车时长信息根据用户进入所述目标站点的时间，以及抵达所述目标站点的下一站的时间计算；

所述确定模块包括：

第一确定子模块，用于基于第一电子设备所采集的轨迹信息，确定所述目标地铁内的第一用户在所述目标站点的等车时长，其中，所述第一用户为携带所述第一电子设备，且在所述目标站点上车的用户，所述第一电子设备为所述目标地铁内的任一所述目标电子设备；

第二确定子模块，用于基于目标高斯分布曲线确定所述等车时长信息，其中，所述目标高斯分布曲线为对所述目标地铁内所有所述第一用户的等车时长进行统计得到的曲线，将所述目标高斯分布曲线的峰值作为所述目标站点的等车时长信息；

所述拥堵指标还包括乘客数量信息，所述将所述拥堵指标输入第一预测模型进行预测，得到所述目标站点的拥堵程度信息，包括：

将所述乘客数量信息和所述等车时长信息输入所述第一预测模型进行预测，得到乘客数量信息维度的拥堵级别为A级，以及，得到等车时长信息维度的的拥堵级别为B级；

基于如下公式计算所述目标站点的拥堵等级：（n*A+m*B）；

其中，0＜n＜1，0＜m＜1，且n+m=1。

6.根据权利要求5所述的装置，其中，所述确定模块包括：

第三确定子模块，用于基于所述目标电子设备所采集的网络接入点信息，确定所述目标地铁离开所述目标站点时，所述目标地铁内的所述目标电子设备的数量，其中，所述网络接入点信息为所述目标电子设备连接安装于地铁隧道内的网络服务基站所生成的连接信息，不同站点设有不同的所述网络服务基站；

第四确定子模块，用于基于所述目标地铁内的所述目标电子设备的数量确定所述目标站点的乘客数量信息；

其中，所述第一信息包括所述网络接入点信息。

7.一种模型训练装置，包括：

第二获取模块，用于获取用户携带的目标电子设备的历史轨迹信息；

抽取模块，用于从所述历史轨迹信息中抽取目标轨迹信息，其中，所述目标轨迹信息为所述目标电子设备处于地铁内的轨迹；

生成模块，用于基于所抽取的所有所述目标电子设备的所述目标轨迹信息生成训练数据，其中，所述训练数据包括目标站点在不同时间点的拥堵指标，所述拥堵指标包括乘客数量信息和等车时长信息；

训练模块，用于将所述训练数据输入预先构建的学习模型进行训练，得到第一预测模型，其中，所述第一预测模型用于基于所述目标站点的拥堵指标进行预测，得到所述目标站点的拥堵程度信息；

基于目标高斯分布曲线确定所述等车时长信息，其中，所述目标高斯分布曲线为对目标地铁内所有第一用户的等车时长进行统计得到的曲线，将所述目标高斯分布曲线的峰值作为所述目标站点的等车时长信息，所述第一用户为携带第一电子设备，且在所述目标站点上车的用户，所述第一电子设备为所述目标地铁内的任一所述目标电子设备。

8.根据权利要求7所述的装置，其中，所述生成模块包括：

抽取子模块，用于在所述目标电子设备的历史网络连接信息中抽取与所述目标站点所对应的第一网络接入点信息，其中，所述第一网络接入点信息为所述目标电子设备与所述目标站点相对应的网络服务基站连接时所生成的连接信息；

生成子模块，用于基于所述目标轨迹信息和所述第一网络接入点信息，生成每个所述目标站点的训练数据，其中，所述训练数据包括不同时间点的等车时长信息和不同时间点的乘客数量信息。

9.一种电子设备，其特征在于，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1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。