CN112906953B - 人流量预测方法、装置、计算机设备和可读存储介质 - Google Patents
人流量预测方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN112906953B CN112906953B CN202110154919.6A CN202110154919A CN112906953B CN 112906953 B CN112906953 B CN 112906953B CN 202110154919 A CN202110154919 A CN 202110154919A CN 112906953 B CN112906953 B CN 112906953B
- Authority
- CN
- China
- Prior art keywords
- people
- time period
- preset time
- person
- historical data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims description 20
- 238000013519 translation Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
本申请涉及一种人流量预测方法、装置、计算机设备和可读存储介质，其中，该方法包括：获取第一预设时间段内传感器采集的历史数据；根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间；根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果。通过本申请，解决了在物联网场景中无法预测人流情况的问题。
Description
技术领域
本申请涉及物联网领域，特别是涉及一种人流量预测方法、装置、计算机设备和可读存储介质。
背景技术
目前在物联网场景中，设备的联动通常是基于当前的传感器情况，控制设备进行开关，例如：在传感器感应到有人时，进行打开设备的操作；在感应器未感应到人员时，关闭设备(Khanna 2014,pp.475-476.)。
现在普遍使用的是根据传感器情况进行设备的控制，其缺点主要有：无法提前预测出未来的人流情况，例如在公共场合，需要预测今天某一个时间段的人员情况，根据该情况，提前进行安保、保洁等人员部署；或是在物联网场景中，推荐即将空闲的卫生间、座位等。
目前针对相关技术中无法预测人流情况的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种人流量预测方法、装置、计算机设备和可读存储介质，以至少解决相关技术中在物联网场景中无法预测人流情况的问题。
第一方面，本申请实施例提供了一种人流量预测方法，所述方法包括：
获取第一预设时间段内传感器采集的历史数据；
根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间；
根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果。
在其中一些实施例中，所述预设假设条件包括灰度假设，所述灰度假设为：假设对历史M天的数据进行灰度预测得到的值能反映今日的人流情况；所述根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果包括：
对所述历史数据进行符合级比检验，若不符合，则对所述历史数据进行平移变换后，再进行级比检验判定；
若经过平移变换后的所述历史数据符合级比检验，则采用灰度检测模型预测第二预设时间段的人流量，得到所述第一人流量预测结果；
若经过平移变换后所述历史数据不符合级比检验，则使用其他假设条件预测所述第一人流量预测结果；其他假设条件包括：
(1)假设昨天能反映今日的人流情况；
(2)假设上周同一时间能反映今日的人流情况；
(3)假设昨天与上周同一时间的平均值能反映今日的人流情况。
在其中一些实施例中，根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预测时间段内的第二人流量预测结果包括：
根据所述第一人流量预测结果，计算多个所述子区间中有人次数和无人次数相差的次数；
若有人次数-无人次数>N，则判定所述第二预设时间段有人；其中，N为正整数；
若无人次数-有人次数>N，则判定所述第二预设时间段为无人；
若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果。
在其中一些实施例中，所述根据所述第一人流量预测结果，计算所述第二预设时间段内有人次数和无人次数相差的次数包括：
所述第一人流量预测结果包括所述第二预设时间段中每一所述子区间是否有人；
计算在多个所述子区间中预测结果为有人的次数以及为无人的次数；
计算所述第二预设时间段内有人次数和无人次数的差值。
在其中一些实施例中，所述对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果包括：
建立所述泊松分布概率模型：
根据所述历史数据，分别计算多个所述子区间中的有人次数和无人次数的平均值，将所述平均值作为泊松分布概率模型中的λ值；
将所述预设假设条件预测得到的多个所述子区间中有人次数的值和无人次数的值，并分别作为泊松分布概率模型中的k值；
分别计算所述第二预设时间段内的有人概率和无人概率；
比较所述有人概率和所述无人概率，得到多个所述第二预设时间段内的第二人流量预测结果。
在其中一些实施例中，所述方法包括：
每A秒钟采集一次人体移动传感器的数据，记录人流量移动数据，作为所述历史数据；
采用灰度检测模型预测所述第二预设时间段中每一所述子区间的人流量；其中所述第二预设时间段为一天中的B小时，每C分钟划分一个子区间，每一子区间获取D个部分的历史数据；
若每一所述子区间中有人次数-无人次数>30，则判定所述子区间有人；
若每一所述子区间中无人次数-有人次数>30，则判定所述子区间为无人；
若|无人次数-有人次数|<30，则根据采集的历史E周的数据，分别每个所述子区间内有人次数和无人次数的平均值，将所述平均值作为泊松分布概率函数公式中的λ值；
将通过预设假设条件预测得到的每个所述子区间中有人次数和无人次数的值，分别作为泊松分布概率函数公式中的k值；
计算得到所述子区间内的有人概率和无人概率；
若所述有人概率大于或等于所述无人概率，则确定所述子区间有人；
若所述有人概率小于所述无人概率，则确定所述子区间无人。
第二方面，本申请实施例提供了一种智能设备控制方法，所述方法包括：
获取第一预设时间段内传感器采集的历史数据；
根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间；
根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果；
根据所述第二人流量预测结果控制智能设备。
第三方面，本申请实施例提供了一种人流量预测装置，所述装置包括：
获取模块，用于获取第一预设时间段内传感器采集的历史数据；
第一预测模块，用于根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果；所述第二预设时间段包括多个子区间；
第二预测模块，用于根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果
在其中一些实施例中，所述第二预测模块包括计算单元、判断单元和预测单元；其中：
计算单元，用于根据所述第一人流量预测结果，计算多个所述子区间中有人次数和无人次数相差的次数；
判断单元，用于若有人次数-无人次数>N，则判定所述第二预设时间段有人；其中，N为正整数；若无人次数-有人次数>N，则判定所述第二预设时间段为无人；
预测单元，用于若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果
第四方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的人流量预测方法。
第五方面，本申请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第一方面所述的人流量预测方法。
相比于相关技术，本申请实施例提供的人流量预测方法，通过获取第一预设时间段内传感器采集的历史数据；根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间；根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果，解决了相关技术中在物联网场景下无法预测人流情况的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例提供的人流量预测方法的流程图；
图2是本申请实施例提供的不同假设预测对比的曲线示意图；
图3是本申请实施例提供的预测结果与实际人流量的对比图；
图4是本申请实施例提供的人流量预测装置的结构框图；
图5是本申请实施例提供的图四中第二预测模块的结构框图；
图6是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的所有技术可应用于物联网场景中，物联网场景包括传感器和智能设备，通过传感器采集历史人流量数据，通过本申请提供的人流量预测装置对人流量进行预测，根据人流量预测结果提前对智能设备进行控制，进而达到节能、便利的智能化场景目的。
本申请提供了一种人流量预测方法。图1是根据本申请实施例的人流量预测方法的流程图，如图1所示，该流程包括如下步骤：
步骤110，获取第一预设时间段内传感器采集的历史数据。
步骤120，根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间。
步骤130，根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果。
传统地，采用单一的灰度检测模型预测一段时间的人流情况，但是仅采用灰度检测模型进行预测并不准确。本申请通过预设假设条件和历史数据，预测第二预设时间段的第一人流量预测结果，根据第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果。上述方法通过结合两种预测算法，在第一种预测算法无法准确预测的情况下，采用泊松分布概率模型进行进一步的预测，从而可以准确预测第二预设时间段内的人流情况。
在其中一些实施例中，所述预设假设条件包括灰度假设，所述灰度假设为：假设对历史M天的数据进行灰度预测得到的值能反映今日的人流情况；所述根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果包括：
对所述历史数据进行符合级比检验，若不符合，则对所述历史数据进行平移变换后，再进行级比检验判定；
若经过平移变换后的所述历史数据符合级比检验，则采用灰度检测模型预测第二预设时间段的人流量，得到所述第一人流量预测结果；
若经过平移变换后所述历史数据不符合级比检验，则使用其他假设条件预测所述第一人流量预测结果；其他假设条件包括：
(1)假设昨天能反映今日的人流情况；
(2)假设上周同一时间能反映今日的人流情况；
(3)假设昨天与上周同一时间的平均值能反映今日的人流情况。
本申请做出四种关键假设：(1)假设昨天能反映今日的人流情况；(2)假设上周同一时间能反映今日的人流情况；(3)假设昨天与上周同一时间的平均值能反映今日的人流情况；(4)假设最近M天的数据进行灰度检测模型预测得到的值能反应今日的情况。
图2示出了不同假设的预测曲线与实际曲线的对比，从上到下的图形数据依次为：灰度预测、最近一个工作日与上周同一时间的平均值、上周同一时间、上日同一时间、今日真实值。通过以上几种数据的有人、无人次数，再通过对比两种次数的差值的绝对值，若在30次内，则通过泊松算法计算各自的概率，对比概率判断出有人或无人。由图2可以明显看出，灰色检测模型的预测值较真实值偏差更小。
由于第四种灰度假设预测的准确度更高，优选采用第四种假设。另外，由于灰度检测模型需要的数据需要符合级比校验，但是真实场景一天中时段(不固定的时段)可能某些数据是不符合级比校验的，因此需要判断历史数据是否符合级比校验。符合的话，使用灰度检测模型预测的结果，若不符合，则对历史数据进行平移转换，再判断是否符合级比校验，若仍不符合，则可以使用M天数据的中位数进行填补，也可以使用其他假设条件进行计算。
在其中一些实施例中，根据第一人流量预测结果和预先构建的泊松分布概率模型，得到第二预测时间段内的第二人流量预测结果包括：
根据第一人流量预测结果，计算多个所述子区间中有人次数和无人次数相差的次数；
若有人次数-无人次数>N，则判定第二预设时间段有人；其中，N为正整数；
若无人次数-有人次数>N，则判定所述第二预设时间段为无人；
若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果。
根据假设条件对历史数据进行处理：a)计算昨天每一个区间的有人次数和无人次数；b)计算上周同一时间的有人次数和无人次数；c)计算昨天与上周同一时间的有人次数和无人次数的平均次数；d)采用灰度预测模型，根据历史M天的数据，预测今日第二预设时间段的人员流动次数。第第一人流量预测结果可以是第二预设时间段内多个子区间是否有人。具体地，第一人流量预测结果可以是标识信息，例如1为有人，0为无人。
在得到第一人流量预测结果之后，计算第二预设时间段内有人次数和无人次数相差的次数。例如第二预设时间段可以为一天中的24小时，每15分钟为一个子区间，若设置每10秒采集一次数据，则每15分钟有90行数据，若通过假设条件预测得到的一个子区间的有人次数为X次，则无人次数为(90-X)次。若有人次数与无人次数相差较大，则可以判定是有人还是无人。具体地，若有人次数-无人次数>N，则判定第二预设时间段有人；其中，N为正整数；若无人次数-有人次数>N，则判定所述第二预设时间段为无人。N可以根据实际情况进行设置，如上述当一个子区间有90行数据时，N优选设置为30。
若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果。若|无人次数-有人次数|<N，说明通过预设假设条件预测的人员流动次数有人次数和无人次数相差不大，因此无法准确确定该子区间是否有人。本申请采用的策略是，当一个子区间中预测的有人次数和无人次数相差不大时，进一步采用泊松分布概率模型进行预测，得到该区间有人概率和无人概率，根据有人概率和无人概率确定该子区间是否有人，从而提高人流量预测的准确性。
在其中一些实施例中，所述根据所述第一人流量预测结果，计算所述第二预设时间段内有人次数和无人次数相差的次数包括：
所述第一人流量预测结果包括所述第二预设时间段中每一所述子区间是否有人；
计算在多个所述子区间中预测结果为有人的次数以及为无人的次数；
计算所述第二预设时间段内有人次数和无人次数的差值。
在其中一些实施例中，对第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果包括：
建立泊松分布概率模型如下：
根据历史数据，分别计算多个子区间中的有人次数和无人次数的平均值，将所述平均值作为泊松分布概率模型中的λ值；
将所述预设假设条件预测得到的多个所述子区间中有人次数的值和无人次数的值，并分别作为泊松分布概率模型中的k值；
分别计算所述第二预设时间段内的有人概率和无人概率；
比较所述有人概率和所述无人概率，得到所述第二预设时间段内的第二人流量预测结果。
泊松分布概率函数公式中的λ值的计算方式如下：
根据采集的历史数据，分别计算多个子区间有人次数的平均值作为λ1，以及多个子区间中无人次数的平均值作为λ2。例如，第二预设时间段可以为一天中的24小时，每15分钟为一个子区间，分为96个子区间，若设置每10秒采集一次数据，则每15分钟有90行数据，若历史数据中96个子区间的总有人次数为T，则λ1＝T/96，λ2＝(90*96-T)/96。
泊松分布概率函数公式中的k值的计算方式如下：
根据预设假设条件预测每个子区间中的有人次数和无人次数，将预测得到的有人次数的值作为k1，预测得到的无人次数的值作为k2。
将k1和λ1作为泊松分布概率模型的参数，得到每一子区间的有人概率；将k2和λ2作为泊松分布概率函数的参数，得到每一子区间的无人概率。比较每一子区间的有人概率和无人概率，若有人概率大于无人概率，则判定该子区间有人；若有人概率小于无人概率，则判定该子区间无人；有人概率等无人概率，这种情况出现的概率较小，可以判定为有人，也可以判定为无人，具体用户可以根据实际情况设置。
下面通过优选实施例对本申请实施例进行描述和说明。具体如下：
每A秒钟采集一次人体移动传感器的数据，记录人流量移动数据，作为所述历史数据；
采用灰度检测模型预测所述第二预设时间段中每一所述子区间的人流量；其中所述第二预设时间段为一天中的B小时，每C分钟划分一个子区间，每一子区间获取D个部分的历史数据；
若每一所述子区间中有人次数-无人次数>30，则判定所述子区间有人；
若每一所述子区间中无人次数-有人次数>30，则判定所述子区间为无人；
若|无人次数-有人次数|<30，则根据采集的历史E周的数据，分别每个所述子区间内有人次数和无人次数的平均值，将所述平均值作为泊松分布概率函数公式中的λ值；
将通过预设假设条件预测得到的每个所述子区间中有人次数和无人次数的值，分别作为泊松分布概率函数公式中的k值；
计算得到所述子区间内的有人概率和无人概率；
若所述有人概率大于或等于所述无人概率，则确定所述子区间有人；
若所述有人概率小于所述无人概率，则确定所述子区间无人。
需要说明的是，上述参数：A、B、C、D和E的取值均为整数，若实际中部位整数，则按照四舍五入的方式计算。
本实施例优选采用的示例参数，为在实际建立模型时，使用最近2周的历史数据，第二预设时间拆分间隔为15分钟，每10秒钟采集一次人体传感器的数据；对于灰度预测模型，选用最近5个工作日的数据；有人和无人的差值绝对值选取30次。在此配置下，人流量预测准确率达到95％以上。
图3显示的为采用本申请方法预测的最近两天的人流情况，黄线为预测的值，蓝线为实际情况。由图3可以看出：预测的开始和结束时间与实际相差较小，通过量化的准确度计算，该方法预测准确度为每日95％以上的正确率。
本申请还提供一种智能设备控制方法，所述方法包括：
获取第一预设时间段内传感器采集的历史数据；
根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间；
根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果；
根据所述第二人流量预测结果控制智能设备。
本实施例为融合灰度预测和泊松分布模型的人流情况预测，通过对于某个地理位置的历史人员流动情况的预测，从而进行智能设备的联动，以达到节能、便利的智能化场景目的。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种人流量预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的人流量预测装置的结构框图，如图4所示，该装置包括：获取模块410、第一预测模块420和第二预测模块430；其中：
获取模块410，用于获取第一预设时间段内传感器采集的历史数据；
第一预测模块420，用于根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果；所述第二预设时间段包括多个子区间，所述预设假设条件包括灰度假设，灰度假设为假设对历史M天的数据进行灰度预测得到的值能反映今日的人流情况；
第二预测模块430，用于根据所述第一人流量预测结果和预先构建的泊松分布概率模型，得到所述第二预设时间段内的第二人流量预测结果。
本申请提供的人流量预测装置，通过融合两种预测算法，在第一种预测算法无法准确预测的情况下，采用泊松分布概率模型进一步预测，从而可以准确预测第二预设时间段内的人流情况。
在其中一些实施例中，如图5所示，所述第二预测模块430包括计算单元431、判断单元432和预测单元433；其中：
计算单元431，用于根据所述第一人流量预测结果，计算多个所述子区间中有人次数和无人次数相差的次数；
判断单元432，用于若有人次数-无人次数>N，则判定所述第二预设时间段有人；其中，N为正整数；若无人次数-有人次数>N，则判定所述第二预设时间段为无人；
预测单元433，用于若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果
在其中一些实施例中，所述预设假设条件包括灰度假设，所述灰度假设为：假设对历史M天的数据进行灰度预测得到的值能反映今日的人流情况；第一预测模块420还用于：对所述历史数据进行符合级比检验，若不符合，则对所述历史数据进行平移变换后，再进行级比检验判定；若经过平移变换后的所述历史数据符合级比检验，则采用灰度检测模型预测第二预设时间段的人流量，得到所述第一人流量预测结果；若经过平移变换后所述历史数据不符合级比检验，则使用其他假设条件预测所述第一人流量预测结果；其他假设条件包括：
(1)假设昨天能反映今日的人流情况；
(2)假设上周同一时间能反映今日的人流情况；
(3)假设昨天与上周同一时间的平均值能反映今日的人流情况。
在其中一些实施例中，第二预测模块430还用于：所述第一人流量预测结果包括所述第二预设时间段中每一所述子区间是否有人；计算在多个所述子区间中预测结果为有人的次数以及为无人的次数；计算所述第二预设时间段内有人次数和无人次数的差值。
在其中一些实施例中，所述泊松分布概率模型：
第二预测模块还用于：根据所述历史数据，分别计算多个所述子区间中的有人次数和无人次数的平均值，将所述平均值作为泊松分布概率模型中的λ值；将所述预设假设条件预测得到的多个所述子区间中有人次数的值和无人次数的值，并分别作为泊松分布概率模型中的k值；分别计算所述第二预设时间段内的有人概率和无人概率；比较所述有人概率和所述无人概率，得到多个所述第二预设时间段内的第二人流量预测结果。
在其中一些实施例中，获取模块410每A秒钟采集一次人体移动传感器的数据，记录人流量移动数据，作为所述历史数据；第一预测模块420用于采用灰度检测模型预测所述第二预设时间段中每一所述子区间的人流量；其中所述第二预设时间段为一天中的B小时，每C分钟划分一个子区间，每一子区间获取D个部分的历史数据；第二预测模块430用于若每一所述子区间中有人次数-无人次数>30，则判定所述子区间有人；若每一所述子区间中无人次数-有人次数>30，则判定所述子区间为无人；若|无人次数-有人次数|<30，则根据采集的历史E周的数据，分别每个所述子区间内有人次数和无人次数的平均值，将所述平均值作为泊松分布概率模型中的λ值；将通过预设假设条件预测得到的每个子区间中有人次数和无人次数的值，分别作为泊松分布概率模型中的k值；计算得到所述子区间内的有人概率和无人概率；若所述有人概率大于或等于所述无人概率，则确定所述子区间有人；若所述有人概率小于所述无人概率，则确定所述子区间无人。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图1描述的本申请实施例人流量预测方法可以由人流量预测设备来实现。图6为根据本申请实施例的人流量预测设备的硬件结构示意图。
人流量预测设备可以包括处理器61以及存储有计算机程序指令的存储器62。
具体地，上述处理器61可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器62可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器62可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器62可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器62可在数据处理装置的内部或外部。在特定实施例中，存储器62是非易失性(Non-Volatile)存储器。在特定实施例中，存储器62包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器62可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器62所执行的可能的计算机程序指令。
处理器61通过读取并执行存储器62中存储的计算机程序指令，以实现上述实施例中的任意一种人流量预测方法。
在其中一些实施例中，人流量预测设备还可包括通信接口63和总线60。其中，如图6所示，处理器61、存储器62、通信接口63通过总线60连接并完成相互间的通信。
通信接口63用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口63还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线60包括硬件、软件或两者，将人流量预测设备的部件彼此耦接在一起。总线60包括但不限于以下至少之一：数据总线(DataBus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线60可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线60可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该人流量预测设备可以基于获取到的人流量预测，执行本申请实施例中的人流量预测方法，从而实现结合图1描述的人流量预测方法。
另外，结合上述实施例中的人流量预测方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种人流量预测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种人流量预测方法，其特征在于，所述方法包括：
获取第一预设时间段内传感器采集的历史数据；
根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果，所述第二预设时间段包括多个子区间；所述预设假设条件包括灰度假设，所述灰度假设为：假设对历史M天的数据进行灰度预测得到的值能反映今日的人流情况；所述根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果包括：
对所述历史数据进行符合级比检验，若不符合，则对所述历史数据进行平移变换后，再进行级比检验判定；
若经过平移变换后的所述历史数据符合级比检验，则采用灰度检测模型预测第二预设时间段的人流量，得到所述第一人流量预测结果；
若经过平移变换后所述历史数据不符合级比检验，则使用其他假设条件预测所述第一人流量预测结果；其他假设条件包括：
(1)假设昨天能反映今日的人流情况；
(2)假设上周同一时间能反映今日的人流情况；
(3)假设昨天与上周同一时间的平均值能反映今日的人流情况；
根据所述第一人流量预测结果，计算多个所述子区间中有人次数和无人次数相差的次数；
若有人次数-无人次数>N，则判定所述第二预设时间段有人；其中，N为正整数；
若无人次数-有人次数>N，则判定所述第二预设时间段为无人；
若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果；其中，所述通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果包括：
所述泊松分布概率模型为：
根据所述历史数据，分别计算多个所述子区间中的有人次数和无人次数的平均值，将所述平均值作为泊松分布概率模型中的λ值；
将所述预设假设条件预测得到的多个所述子区间中有人次数的值和无人次数的值，并分别作为泊松分布概率模型中的k值；
分别计算所述第二预设时间段内的有人概率和无人概率；
比较所述有人概率和所述无人概率，得到多个所述第二预设时间段内的第二人流量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
每A秒钟采集一次人体移动传感器的数据，记录人流量移动数据，作为所述历史数据；
采用灰度检测模型预测所述第二预设时间段中每一所述子区间的人流量；其中所述第二预设时间段为一天中的B小时，每C分钟划分一个子区间，每一子区间获取D个部分的历史数据；
若每一所述子区间中有人次数-无人次数>30，则判定所述子区间有人；
若每一所述子区间中无人次数-有人次数>30，则判定所述子区间为无人；
若|无人次数-有人次数|<30，则根据采集的历史E周的数据，分别每个所述子区间内有人次数和无人次数的平均值，将所述平均值作为泊松分布概率函数公式中的λ值；
将通过预设假设条件预测得到的每个所述子区间中有人次数和无人次数的值，分别作为泊松分布概率函数公式中的k值；
计算得到所述子区间内的有人概率和无人概率；
若所述有人概率大于或等于所述无人概率，则确定所述子区间有人；
若所述有人概率小于所述无人概率，则确定所述子区间无人。
3.一种智能设备控制方法，其特征在于，所述方法包括：
根据权利要求1-2任一项所述的人流量预测方法，得到人流量预测结果；
根据所述人流量预测结果控制智能设备。
4.一种人流量预测装置，用于执行权利要求1所述的方法，其特征在于，所述装置包括：
获取模块，用于获取第一预设时间段内传感器采集的历史数据；
第一预测模块，用于根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果；所述第二预设时间段包括多个子区间；所述预设假设条件包括灰度假设，所述灰度假设为：假设对历史M天的数据进行灰度预测得到的值能反映今日的人流情况；所述根据预设假设条件和所述历史数据，预测第二预设时间段的第一人流量预测结果包括：
对所述历史数据进行符合级比检验，若不符合，则对所述历史数据进行平移变换后，再进行级比检验判定；
若经过平移变换后的所述历史数据符合级比检验，则采用灰度检测模型预测第二预设时间段的人流量，得到所述第一人流量预测结果；
若经过平移变换后所述历史数据不符合级比检验，则使用其他假设条件预测所述第一人流量预测结果；其他假设条件包括：
(1)假设昨天能反映今日的人流情况；
(2)假设上周同一时间能反映今日的人流情况；
(3)假设昨天与上周同一时间的平均值能反映今日的人流情况；
第二预测模块，用于根据所述第一人流量预测结果，计算多个所述子区间中有人次数和无人次数相差的次数；
若有人次数-无人次数>N，则判定所述第二预设时间段有人；其中，N为正整数；
若无人次数-有人次数>N，则判定所述第二预设时间段为无人；
若|无人次数-有人次数|<N，则通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果；其中，所述通过预先构建的泊松分布概率模型对所述第二预设时间段的人流量进行预测，得到所述第二预设时间段内的第二人流量预测结果包括：
所述泊松分布概率模型为：
根据所述历史数据，分别计算多个所述子区间中的有人次数和无人次数的平均值，将所述平均值作为泊松分布概率模型中的λ值；
将所述预设假设条件预测得到的多个所述子区间中有人次数的值和无人次数的值，并分别作为泊松分布概率模型中的k值；
分别计算所述第二预设时间段内的有人概率和无人概率；
比较所述有人概率和所述无人概率，得到多个所述第二预设时间段内的第二人流量预测结果。
5.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至3中任一项所述的人流量预测方法。
6.一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至3中任一项所述的人流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154919.6A CN112906953B (zh) | 2021-02-04 | 2021-02-04 | 人流量预测方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154919.6A CN112906953B (zh) | 2021-02-04 | 2021-02-04 | 人流量预测方法、装置、计算机设备和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112906953A CN112906953A (zh) | 2021-06-04 |
| CN112906953B true CN112906953B (zh) | 2023-12-22 |
Family
ID=76122347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110154919.6A Active CN112906953B (zh) | 2021-02-04 | 2021-02-04 | 人流量预测方法、装置、计算机设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112906953B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
| CN105894240A (zh) * | 2016-03-12 | 2016-08-24 | 丽水学院 | 基于参数化的弹性服务工作制排班系统和方法 |
| JP2018195215A (ja) * | 2017-05-19 | 2018-12-06 | 日本電信電話株式会社 | 人流量予測装置、人流量予測方法、及び人流量予測プログラム |
| 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 |
| CN110458351A (zh) * | 2019-08-06 | 2019-11-15 | 重庆仙桃前沿消费行为大数据有限公司 | 基于人流量的区域管理方法、装置、设备及可读存储介质 |
| CN110458345A (zh) * | 2019-07-31 | 2019-11-15 | 深圳蓝贝科技有限公司 | 确定机器损失出货量的方法、装置、设备及存储介质 |
| CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
| CN111144660A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 人流量预测的方法、装置、电子设备及存储介质 |
| CN111275479A (zh) * | 2020-01-07 | 2020-06-12 | 北京爱笔科技有限公司 | 一种人流量预测方法、装置及系统 |
| CN111612281A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
| CN111867207A (zh) * | 2020-06-19 | 2020-10-30 | 国网北京市电力公司 | 一种园区智能照明延时自动调节方法及装置 |
-
2021
- 2021-02-04 CN CN202110154919.6A patent/CN112906953B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
| CN105894240A (zh) * | 2016-03-12 | 2016-08-24 | 丽水学院 | 基于参数化的弹性服务工作制排班系统和方法 |
| JP2018195215A (ja) * | 2017-05-19 | 2018-12-06 | 日本電信電話株式会社 | 人流量予測装置、人流量予測方法、及び人流量予測プログラム |
| 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 |
| CN110458345A (zh) * | 2019-07-31 | 2019-11-15 | 深圳蓝贝科技有限公司 | 确定机器损失出货量的方法、装置、设备及存储介质 |
| CN110458351A (zh) * | 2019-08-06 | 2019-11-15 | 重庆仙桃前沿消费行为大数据有限公司 | 基于人流量的区域管理方法、装置、设备及可读存储介质 |
| CN110929648A (zh) * | 2019-11-22 | 2020-03-27 | 广东睿盟计算机科技有限公司 | 监控数据处理方法、装置、计算机设备以及存储介质 |
| CN111144660A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 人流量预测的方法、装置、电子设备及存储介质 |
| CN111275479A (zh) * | 2020-01-07 | 2020-06-12 | 北京爱笔科技有限公司 | 一种人流量预测方法、装置及系统 |
| CN111867207A (zh) * | 2020-06-19 | 2020-10-30 | 国网北京市电力公司 | 一种园区智能照明延时自动调节方法及装置 |
| CN111612281A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种地铁站人流量峰值的预测方法、装置和计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| 孙媛媛."面向航空公司的航线客流量预测方法研究".《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2020,(第02期),C031-1511. * |
| 寻晴晴."基于机器学习的城市交通大数据的研究与应用".《中国优秀硕士学位论文全文数据库》.2021,(第01期),C034-31. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112906953A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107690660B (zh) | 图像识别方法及装置 | |
| CN110658807A (zh) | 一种车辆故障诊断方法、装置及系统 | |
| CN108647732B (zh) | 一种基于深度神经网络的病理图像分类方法及装置 | |
| CN108091166B (zh) | 可用停车位数目变化的预测方法、装置、设备及存储介质 | |
| CN111612281B (zh) | 一种地铁站人流量峰值的预测方法、装置和计算机设备 | |
| CN112037930A (zh) | 一种传染病预测设备、方法、装置及存储介质 | |
| CN110826525A (zh) | 一种人脸识别的方法及系统 | |
| CN109002988A (zh) | 风险旅客流量预测方法、装置、计算机设备和存储介质 | |
| CN112215273A (zh) | 基于云平台的智能楼宇信息监控方法及智能楼宇系统 | |
| CN107025576A (zh) | 洗车服务信息的推送控制方法、装置及系统 | |
| CN114706006A (zh) | 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 | |
| CN112102959A (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
| CN112183869A (zh) | 一种基于大数据的建筑能耗预测方法及系统 | |
| CN112906953B (zh) | 人流量预测方法、装置、计算机设备和可读存储介质 | |
| CN115331071A (zh) | 一种基于多尺度特征图的结核性脑膜脑炎预测方法及系统 | |
| CN113569705B (zh) | 场景分割点判断方法、系统、存储介质及电子设备 | |
| CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
| CN109472289B (zh) | 关键点检测方法和设备 | |
| CN109543610B (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN111489171B (zh) | 基于二维码的乘车行程匹配方法、装置、电子设备及介质 | |
| CN111209943B (zh) | 数据融合方法、装置及服务器 | |
| CN114020905A (zh) | 一种文本分类外分布样本检测方法、装置、介质及设备 | |
| CN115017990A (zh) | 一种交通流量预测方法、装置、设备及存储介质 | |
| US20200160500A1 (en) | Prediction device, prediction method, and storage medium |
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 |