CN112381320A - 一种社区人员流量预测方法、系统、存储介质及设备 - Google Patents
一种社区人员流量预测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN112381320A CN112381320A CN202011357855.1A CN202011357855A CN112381320A CN 112381320 A CN112381320 A CN 112381320A CN 202011357855 A CN202011357855 A CN 202011357855A CN 112381320 A CN112381320 A CN 112381320A
- Authority
- CN
- China
- Prior art keywords
- community
- flow
- community personnel
- personnel flow
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人员流量预测技术领域,提供了社区人员流量预测方法、系统、存储介质及设备。其中社区人员流量预测方法包括获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据;采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量;将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终社区人员流量预测结果。其能够提高社区人员流量预测精度及资源配置。
Description
技术领域
本发明属于人员流量预测技术领域,尤其涉及一种社区人员流量预测方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
社区作为一种人类固定的生活区域,一般具有比较稳定的社会经济活动模式,尤其在时间和空间上的分布会具有一定的规律性,比如上班下班、上学放学、晚间聚餐、周末购物出游等活动,都会带来周期性的人群流量高峰期;但同时人群的流动也受到很多外在因素的影响,比如天气状况、交通状况、周末和特定节假日等因素。发明人发现,传统的社区人员流量预测未考虑上述外在因素,非线性表达能力不强,不能更贴近实际社区人员流量情况,降低了社区人流量预测结果的准确性,进而影响社区门禁的管控及人力资源配置。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种社区人员流量预测方法、系统、存储介质及设备,其采用基于LSTM神经网络的预测模型,相对传统的人流量预测方法,非线性表达能力更强,同时将外在影响因素作为预测模型的一个重要考量,使社区人流量预测结果更加准确可靠,有利于社区错时错峰的安排社区活动、防疫计划和执勤人员分配,在很大程度上节省人力物力。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种社区人员流量预测方法。
在一个或多个实施例中,一种社区人员流量预测方法,包括:
获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据;
采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量;
将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
本发明的第二个方面提供一种社区人员流量预测系统。
在一个或多个实施例中,一种社区人员流量预测系统,包括:
数据获取模块,其用于获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据;
模态分解模块,其用于采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量;
流量预测模块,其用于将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
本发明的第三个方面提供一种计算机可读存储介质。
在一个或多个实施例中,一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的社区人员流量预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
在一个或多个实施例中,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的社区人员流量预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明通过分析社区人流量的历史数据,针对人流量的时序特性与气象状况、特定节假日等影响因素序列之间的动态关系,设计了社区人员流量预测模型,相对于传统通过设备或人为用统计学规律来预测人流量的方法,神经网络能够更加准确的将历史数据中隐含的某种发展规律呈现出来;由于人工神经网络是受人脑神经网络工作方式启发而构成的一种数学模型,通过多个节点相互联结而成,不同节点之间被赋予不同权重,来改变一个节点对另一个节点的影响大小,因此对大量且复杂的数据进行分析时,采用神经网络模型,计算性能更强,结果分析更准确。
(2)本发明通过采用变分模态分解(VMD)方法对历史数据进行预处理,提取多个本征模态分量和残差分量,更好的呈现社区人流量的变化趋势,同时针对残差分量与气象数据、交通状况数据和特定节假日数据之间的相关性,采用SVR模型拟合构建余量预测模型可得到全局最优解,进一步增强模型的非线性表达能力,进而将时间序列模型输出的初始社区人员流量预测结果与余量预测模型输出的社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果,提高了社区人员流量预测的精度。
(3)本发明充分利用社区人员流动的历史时序数据,通过神经网络模型将历史数据中隐含的某种发展规律呈现出来并以此来进行未来不同时刻社区人流量的预测,有效的提高了社区管理人员的工作效率,通过该模型的预测,有利于社区错时错峰的安排社区活动、防疫计划和执勤人员分配,在很大程度上节省了人力物力。
(4)本发明对比其他人流量预测方法,采用LSTM神经网络预测模型,相对于BP神经网络,LSTM增加了记忆单元和可控门,使得时间序列上的记忆信息可控,处理非线性数据的能力更强,能够挖掘时间序列数据内部产生规律,从而能够对社区基于不同时刻的人流量数据序列进行预测;
(5)本发明采用基于LSTM神经网络的预测模型,相对于传统循环神经网络模型,LSTM通过增加遗忘门、输入门、输出门引入sigmoid函数并结合tanh函数,增加了求和操作,极大程度降低了传统循环神经网络在反向传递过程中可能会出现的梯度消失或梯度爆炸问题,提高了模型的广泛适用性;
(6)本发明相对于其他LSTM神经网络预测方法,通过使用均方误差损失函数MSE和梯度更新优化算法Adam,对整个LSTM神经网络模型进行权值更新,提高了LSTM神经网络模型的学习效率和准确率。通过自适应学习率算法Adam,为不同的参数计算不同的自适应学习率,减轻了调试参数的负担,且对内存需求较小。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例的社区人员流量预测方法流程图;
图2为本发明实施例的社区人员流量预测模型的训练流程图;
图3为本发明实施例的基于LSTM神经网络的总体结构图;
图4为本发明实施例的LSTM神经网络单元内部结构图;
图5为本发明实施例的多层LSTM神经网络单元结构图;
图6(a)为本发明实施例的应用标准神经网络结构示意图;
图6(b)为本发明实施例的应用Dropout技术的神经网络结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例的一种社区人员流量预测方法,其包括:
S101:获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据。
在具体实施中,社区人员流动相关数据包括但不限于进入社区人员数量、人员进入社区事由、离开社区人员数量、人员离开社区事由、社区每日气象数据、交通状况数据、周末及节假日等特定时间数据。
其中,社区每日气象数据、交通状况数据、周末及节假日等特定时间数据属于外部影响因素数据。
S102:采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量。
S103:将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
在本实施例中,所述余量预测模型为残差分量与外部影响因素数据之间的相关性,采用SVR模型拟合而构建的。
所述时间序列模型为基于LSTM神经网络的时间序列模型。其中,所述基于LSTM神经网络的时间序列模型包括输入层、LSTM层、Dropout层、全连接层和输出层。
本实施例的社区人员流量预测方法中所采用的整体模型为VMD-LSTM-SVR混合模型的人流量预测模型。其训练思路为:
首先统计目标社区设定时间段内每隔设定时间(比如:半年每日每10分钟)从社区正门进入和离开的人员数量,同时记录人员的出入事由,该数据由正门处的人脸识别门禁设备获取;将数据经过预处理后分为进入人员数据组和离开人员数据组,并拆分为训练样本集和测试样本集,采用变分模态分解(VMD)方法对历史数据进行预处理,提取多个本征模态分量和残差分量,更好的呈现社区人流量的变化趋势。其次将每个本征模态分量,输入到基于LSTM神经网络的时间序列模型中进行训练、学习和记忆,并选择合适的激活函数和损失函数,然后针对残差分量与气象数据、交通状况数据和特定节假日数据之间的相关性,采用SVR模型拟合构建余量预测模型。通过将各子预测模型进行叠加实现VMD-LSTM-SVR混合模型的人流量预测模型。最后采用测试样本集测试该预测模型,并与实际人流量进行对比,验证模型预测的准确率,从而完成预测模型的建立。
本实施例充分利用社区人员流动的历史时序数据,通过神经网络模型将历史数据中隐含的某种发展规律呈现出来并以此来进行未来不同时刻社区人流量的预测,有效的提高了社区管理人员的工作效率。通过该模型的预测,有利于社区错时错峰的安排社区活动、防疫计划和执勤人员分配,在很大程度上节省了人力物力。
下面以半年每日每10分钟进行数据采集为例,如图2所示,给出具体地VMD-LSTM-SVR混合模型的人流量预测模型训练过程:
(1)采集目标社区每天每隔10分钟的进出人员数据和气象数据。通过社区正门的门禁系统获取进入社区人员数量、人员进入社区事由、离开社区人员数量、人员离开社区事由,同时获取当日气象数据、交通状况、周末及节假日等特定时间数据。
比如:气象数据采用气象传感器来获取;交通状况可采用图像采集装置来实现等。
(2)对步骤(1)采集到的数据进行预处理,分析数据特征。在实际的社区数据采集过程中,由于采集设备或者网络原因造成的数据缺失或数据异常现象,可以通过相同时间段内的行为数据均值进行替换方法解决。
(3)将步骤(2)中预处理后的数据分为训练样本集和测试样本集。采用变分模态分解(VMD)方法对历史数据进行预处理,提取多个本征模态分量和残差分量。
(4)将本征模态分量输入到LSTM神经网络预测模型中进行训练和记忆,并输出预测结果。
(5)LSTM神经网络的输入值为训练样本集经过变分模态分解方法处理后的本征模态分量。
(6)设计LSTM神经网络预测模型,如图3所示,包括输入层、LSTM层、Dropout层、全连接层和输出层在内的5层神经网络。输入层即为步骤(3)中输入的训练样本集时间序列;LSTM层通过分析数据的时序特性对输入数据进行训练和记忆,数据依次经过遗忘门、输入门、输出门,并结合激活函数sigmoid和tanh函数得到输出数据,LSTM神经网络单元结构图,如图4、图5所示;Dropout层可以有效防止训练所得模型过拟合,用于提升模型的最终预测精度和计算性能,如图6(a)和图6(b)所示;全连接层用于连接LSTM层输出结果和气象状况等外部影响因素来输出最后的预测结果,避免了人流量数据和外部影响因素之间的相互干扰。整个预测模型的损失函数采用均方误差损失函数MSE,并通过Adam算法进行梯度更新优化,更新连接权值。
其中,人工神经网络是一种受人脑神经网络工作方式启发而构成的一种数学模型,它由多个节点相互联结而成,可以用来对数据之间的复杂关系进行建模。由于社区人流量是不稳定的,起伏变化的,所以社区人流量的预测也是非线性的。而LSTM神经网络作为传统循环神经网络的变形结构,解决了传统循环神经网络在反向传递过程中会出现的梯度消失或梯度爆炸问题,而且能够处理非线性信息;尤其在普通RNN神经网络的基础上,增加了记忆单元和可控门,使得时间序列上的记忆信息可控。从而能够对社区基于不同时刻的人流量数据序列进行预测。
在步骤(6)中所述遗忘门公式如下:
ft=σ(Wfxxt+Wfhht-1+bf)
其中,遗忘门对输入数据进行选择性过滤,它决定了上一时刻的单元状态ct-1有多少保留到当前时刻ct,其中ft是遗忘门函数,xt是当前输入向量,ht-1是上一层的输出向量,σ是sigmoid激活函数,Wfx和Wfh是遗忘门的权重矩阵,bf为偏置项。
在步骤(6)中所述输入门公式如下:
it=σ(Wixxt+Wihht-1+bi)
输入门决定了当前时刻网络的输入向量xt有多少更新到单元状态ct,其中it表示输入门函数,ht-1是上一层的输出向量,σ是sigmoid激活函数,Wix和Wih为输入门的权重矩阵,bi为偏置项。
在步骤(6)中所述激活函数tanh函数公式如下:
其中Ct和Ct-1分别代表上一层的状态向量和本层的状态向量;
在本实施例中,通过sigmoid层来得到一个初始输出,然后使用tanh函数将Ct值缩放到-1到1之间,再与sigmoid函数得到的输出逐对相乘,得到LSTM模型的最终输出。
在步骤(6)中所述输出门公式如下:
Ot=σ(Woxxt+Wohht-1+bo)
ht=Ot·tanh(Ct)
通过Sigmoid函数将上一层输出向量ht-1和当前输入向量xt作为输入,得到中间向量Ot,将Ot与本单元状态向量,Ct共同决定输出向量ht。其中,Wox和Woh为输出门的权重矩阵,bo为偏置项。
在步骤(6)中所述损失函数为均方误差损失函数MSE,它在接近收敛点处时的梯度会慢慢变小,有利于函数收敛,使预测结果更加准确。具体公式如下:
其中L为损失函数的损失值,n为训练样本数,yi为样本期望值,f(xi)为样本预测值。
在步骤(6)中所述Adam梯度更新优化算法,用来对损失函数值进行优化处理,使得损失值在样本数据上的误差尽可能小,来更新神经网络权重。具体公式如下:
Adam算法对神经网络参数进行更新的公式如下:
其中,α为神经网络模型的学习率;ε为防止除零误差常数,一般取10-8。
(7)针对步骤(3)得到的残差分量与气象数据、交通状况数据和特定节假日数据之间的相关性,采用SVR模型拟合构建余量预测模型。基本原理为:
其中w权值向量;b为偏置参数;n为样本点个数;ξi和为正负平面的松弛变量,是对理想情况偏离程度的反应;C为正则化参数,用于惩罚大偏移样本,是大偏移样本比例和模型复杂度之间的平衡,可提高模型的泛化能力。
采用Lagrange乘子法,可将最优回归面的求解转化为带约束的优化问题:
式中为Lagrange乘子,核函数根据影响社区人流量的气象因素、交通状况因素和特定节假日因素与历史人流量的相关性,选择SVR作为多维特征回归器,采用核函数将输入特征映射到高维空间可产生新特征,使输入特征多元化。
(8)采用基于步骤(3)得到的测试样本集数据,训练并测试步骤(5)(6)的预测模型,并与社区的实际人流量数据进行比对,判断预测精度是否符合要求,从而完成LSTM神经网络预测模型的建立,以此来进行未来社区人流量的预测。
本发明通过搭建的LSTM神经网络模型对社区人流量进行预测,同时可结合社区云服务管理平台,对社区人流量数据进行统一管理,方便社区管理人员随时查看和预测社区不同时刻人流量数据,有效的提高了社区管理人员的工作效率,通过该模型的预测,有利于社区错时错峰的安排社区活动、防疫计划和执勤人员分配,在很大程度上节省了人力物力。
本实施例通过分析社区人流量的影响因素及人流量的一般活动特点,将社区人流量的外在影响因素与采集到的社区人流量历史时间序列数据相结合,分析之间的动态关系,提高了社区人流量预测的准确度。采用变分模态分解方法对数据进行预处理,避免了循环筛选过程并降低了复杂度高和非线性强的时间序列非平稳性;采用改进的LSTM神经网络模型,相对于RNN神经网络,既能处理短期依赖问题又能处理长期依赖问题,同时结合针对残差分量拟合构建SVR模型,进一步提高模型的非线性表达能力;而且LSTM具有细胞状态,对时间序列数据具有记忆功能;同时LSTM通过遗忘门、输入门、输出门引入sigmoid函数并结合tanh函数,添加求和操作,极大的减少了梯度消失和梯度爆炸的可能性,提高了预测模型的广泛适用性。
实施例二
本实施例提供了一种社区人员流量预测系统,其包括:
数据获取模块,其用于获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据;
模态分解模块,其用于采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量;
流量预测模块,其用于将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
本实施例的社区人员流量预测系统中的各个模块,与实施例一种的社区人员流量预测方法中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的社区人员流量预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的社区人员流量预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种社区人员流量预测方法,其特征在于,包括:
获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据;
采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量;
将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
2.如权利要求1所述的社区人员流量预测方法,其特征在于,所述余量预测模型为残差分量与外部影响因素数据之间的相关性,采用SVR模型拟合而构建的。
3.如权利要求1或2所述的社区人员流量预测方法,其特征在于,所述外部影响因素数据包括气象数据、交通状况数据和特定节假日数据。
4.如权利要求1所述的社区人员流量预测方法,其特征在于,所述时间序列模型为基于LSTM神经网络的时间序列模型。
5.如权利要求4所述的社区人员流量预测方法,其特征在于,所述基于LSTM神经网络的时间序列模型包括输入层、LSTM层、Dropout层、全连接层和输出层。
6.如权利要求1或4所述的社区人员流量预测方法,其特征在于,在训练时间序列模型的过程中所使用的损失函数为均方误差损失函数MSE。
7.如权利要求6所述的社区人员流量预测方法,其特征在于,采用Adam梯度更新优化算法来对损失函数值进行优化处理。
8.一种社区人员流量预测系统,其特征在于,包括:
数据获取模块,其用于获取与待测时间段相邻的历史时间段内的社区人员流动相关数据;所述社区人员流动相关数据包括流动数量、流动方向及外部影响因素数据;
模态分解模块,其用于采用变分模态分解方法对历史时间段内的社区人员流动相关数据进行预处理,提取多个本征模态分量和残差分量;
流量预测模块,其用于将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的社区人员流量预测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的社区人员流量预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357855.1A CN112381320A (zh) | 2020-11-27 | 2020-11-27 | 一种社区人员流量预测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357855.1A CN112381320A (zh) | 2020-11-27 | 2020-11-27 | 一种社区人员流量预测方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381320A true CN112381320A (zh) | 2021-02-19 |
Family
ID=74587369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357855.1A Pending CN112381320A (zh) | 2020-11-27 | 2020-11-27 | 一种社区人员流量预测方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381320A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114882439A (zh) * | 2022-05-25 | 2022-08-09 | 天翼爱音乐文化科技有限公司 | 一种基于深度学习的人数预测方法、装置、设备及介质 |
CN117056730A (zh) * | 2023-09-08 | 2023-11-14 | 广西大也智能数据有限公司 | 数据预测的方法、装置、设备及存储介质 |
CN117236529A (zh) * | 2023-11-15 | 2023-12-15 | 福建天创信息科技有限公司 | 基于大数据的大型活动人流量预测方法 |
-
2020
- 2020-11-27 CN CN202011357855.1A patent/CN112381320A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
CN114882439A (zh) * | 2022-05-25 | 2022-08-09 | 天翼爱音乐文化科技有限公司 | 一种基于深度学习的人数预测方法、装置、设备及介质 |
CN117056730A (zh) * | 2023-09-08 | 2023-11-14 | 广西大也智能数据有限公司 | 数据预测的方法、装置、设备及存储介质 |
CN117236529A (zh) * | 2023-11-15 | 2023-12-15 | 福建天创信息科技有限公司 | 基于大数据的大型活动人流量预测方法 |
CN117236529B (zh) * | 2023-11-15 | 2024-02-27 | 福建天创信息科技有限公司 | 基于大数据的大型活动人流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381320A (zh) | 一种社区人员流量预测方法、系统、存储介质及设备 | |
Barak et al. | Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm | |
CN111582571A (zh) | 模型驱动和数据驱动融合的电网运行态势感知方法及系统 | |
CN109685240B (zh) | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 | |
CN106952181A (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
Gouriveau et al. | Connexionist-systems-based long term prediction approaches for prognostics | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN109523155B (zh) | 一种蒙特卡洛及最小二乘支持向量机的电网风险评估方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
CN110738349A (zh) | 基于多模型融合的电网故障抢修时长预测方法 | |
CN115098330A (zh) | 基于云边协同模式的设备异常检测系统及方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN113762486A (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN112257935B (zh) | 一种基于lstm—rbf神经网络模型的航空安全预测方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
Wawrzyniak et al. | Data-driven models in machine learning for crime prediction | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
Valero et al. | Comparative analysis of self organizing maps vs. multilayer perceptron neural networks for short-term load forecasting |
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 |