CN112990517A - 一种人群分布预测方法和系统 - Google Patents
一种人群分布预测方法和系统 Download PDFInfo
- Publication number
- CN112990517A CN112990517A CN201911273497.3A CN201911273497A CN112990517A CN 112990517 A CN112990517 A CN 112990517A CN 201911273497 A CN201911273497 A CN 201911273497A CN 112990517 A CN112990517 A CN 112990517A
- Authority
- CN
- China
- Prior art keywords
- target
- population
- distribution
- base station
- distribution object
- 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 42
- 238000002372 labelling Methods 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000011664 signaling Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005259 measurement 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
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method 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
- G06N3/045—Combinations of networks
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人群分布预测方法和系统,属于通信技术领域,其中所述人群分布预测方法包括:获取目标基站覆盖区域的遥感图像;利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;获取所述目标基站覆盖区域的人口总数;根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。本发明通过对基站覆盖区域内的人群分布对象进行识别和获取,无需预先统计基站内建筑的面积、第三方提供的人口数据等信息,并且可以更为准确地实现人群分布预测。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种人群分布预测方法和系统。
背景技术
目前,对人口分布预测的研究方法主要有:1)基于深度学习的城市人口分布预测、2)基于GIS地图和遥感数据通过对城市居住面积进行测算、3)基于时空信息的城市人口分布,但上述方法均存在一些问题和缺陷,例如,方法1存在着无法预测每个基站范围内的人群分布情况、以及预测结果不准确的问题,方法2中需要获取第三方提供的人口数据信息等,局限性较大,并且预测结果不准确,方法3中存在着单纯依靠建筑面积来估算某区域内的人口数量、预测结果不准确的缺陷。
发明内容
有鉴于此,本发明提供一种人群分布预测方法和系统,以解决现有技术中人群分布预测结果不准确的问题。
为解决上述技术问题,第一方面,本发明提供一种人群分布预测方法,包括:
获取目标基站覆盖区域的遥感图像;
利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;
获取所述目标基站覆盖区域的人口总数;
根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。
可选的,利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象之前,还包括:
获取包括若干训练图像的训练数据集,所述若干训练图像中含有采用标注框进行标识的人群分布对象;
建立卷积神经网络,利用所述训练数据集对所述卷积神经网络进行训练,得到用于识别人群分布对象的人群分布对象识别模型。
可选的,根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象之前,还包括:
获取权重表,所述权重表中记录有人群分布对象以及对应的权重,其中,每一所述人群分布对象对应多个权重,所述多个权重分别对应不同的参考信息,所述参考信息包括:时间信息、地点信息以及天气信息中的至少之一。
可选的,所述根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象的步骤包括:
从所述权重表中选出与所述目标人群分布对象对应的目标权重;
对每一所述目标人群分布对象的目标权重进行归一化处理;
将所述目标基站覆盖区域的人口总数按照归一化处理后的目标权重分配至各所述目标人群分布对象。
可选的,所述获取所述目标基站覆盖区域的人口总数的步骤包括:
获取所述目标基站的手机信令信息;
根据所述手机信令信息计算所述目标基站的人口总数。
第二方面,本发明还提供一种人群分布预测系统,包括:
图像获取模块,用于获取目标基站覆盖区域的遥感图像;
人群分布对象标注模块,用于利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;
人口总数获取模块,用于获取所述目标基站覆盖区域的人口总数;
人群分配模块,用于根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。
可选的,所述系统还包括:
训练数据集获取模块,用于获取包括若干训练图像的训练数据集,所述若干训练图像中含有采用标注框进行标识的人群分布对象;
模型训练模块,用于建立卷积神经网络,利用所述训练数据集对所述卷积神经网络进行训练,得到用于识别人群分布对象的人群分布对象识别模型。
可选的,所述系统还包括:
权重表获取模块,用于获取权重表,所述权重表中记录有人群分布对象以及对应的权重,其中,每一所述人群分布对象对应多个权重,所述多个权重分别对应不同的参考信息,所述参考信息包括:时间信息、地点信息以及天气信息中的至少之一。
可选的,所述人群分配模块包括:
目标权重匹配单元,用于从所述权重表中选出与所述目标人群分布对象对应的目标权重;
归一化处理单元,用于对每一所述目标人群分布对象的目标权重进行归一化处理;
分配单元,用于将所述目标基站覆盖区域的人口总数按照归一化处理后的目标权重分配至各所述目标人群分布对象。
可选的,所述人口总数获取模块包括:
手机信令获取单元,用于获取所述目标基站的手机信令信息;
计算单元,用于根据所述手机信令信息计算所述目标基站的人口总数。
第三方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种人群分布预测方法中的步骤。
本发明的上述技术方案的有益效果如下:
本发明实施例中,通过对基站覆盖区域内的人群分布对象进行识别和获取,无需预先统计基站内建筑的面积、第三方提供的人口数据等信息,并且可以更为准确地实现人群分布预测。
附图说明
图1为本发明实施例一中的一种人群分布预测方法的流程示意图;
图2为本发明实施例二中的一种人群分布预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
目前,尚未有有效的基于手机信令的更准确的人口分布预测方法,其他的对人口分布预测的研究方法主要有:
1)基于深度学习的城市人口分布预测方法,是根据整个城市的基站人口数据和基站位置来标记人口分布情况,再通过添加天气节日等特征值训练模型进行城市人口分布预测。
2)基于GIS地图和遥感数据通过对城市居住面积进行测算,该方法需要再借助于第三方社会经济统计的数据,再根据数据中人口分布特征将人口分配在人工已标好的固定区域内。
3)基于时空信息的城市人口分布,是获取用户分布的地理位置区域范围,再通过爬虫等手段获取地图内的商家信息和用户评论信息再把用户投射到对应的地图上。
但上述方法存在以下的问题:
1)基于深度学习的城市人口分布预测方法只是对整座城市内的所有基站统计到的人数汇总后进行预测,以基站位置作为原点进行城市人群的宏观预测,无法预测每个基站范围内的人群分布情况且预测不准确。
2)基于GIS地图的人口分布预测方法实际上是依据识别区域面积来估计人口数量,其缺点是单纯依靠面积来估算某区域的人口数量,没有考虑人口的流动性,地图区域内的人数仅仅是靠第三方数据统计出的结果,没有考虑实际中人群在某区域的数量是一直变化的。由于缺少人口流动变化因素,此方法会造成建筑面积不变人口数量也不变的不合理结果,无法预测某时刻人群分布情况,不能描述出地图人群的符合客观规律的动态分布。
3)基于时空信息的城市人口分布的方法需要依赖用户的网上反馈信息,只能获得爬取的网站内(如美团、百度糯米)反馈留言用户的个人信息,无法获得没有留下信息的人口数据和没有留下地标信息的商家地址,此方法结果没有考虑到未留下网络数据的人群,且没有考虑人群流动,局限性较大,不准确。
由此,请参阅图1,图1为本发明实施例一提供的一种人群分布预测方法的流程示意图,所述人群分布预测方法可以包括以下步骤:
步骤11:获取目标基站覆盖区域的遥感图像;
步骤12:利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;
步骤13:获取所述目标基站覆盖区域的人口总数;
步骤14:根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。
本发明实施例提供的人群分布预测方法,通过利用人群分布对象识别模型识别并标注出目标基站覆盖区域内的目标人群分布对象,无需预先统计基站内的建筑面积、第三方提供的人口数据以及用户和商家在网上留下的信息等,再对不同的目标人群分布对象赋予不同的目标权重,可以更为准确的获取人群分布情况,绘制更为准确的人群分布和人口热力图。
下面举例说明上述人群分布预测方法。
其中一种可选的具体实施方式中,步骤11中,具体的,首先获取所述目标基站的坐标,然后可以利用遥感拍摄、无人机拍摄等技术手段获取某一时刻目标基站覆盖区域的遥感图像,其中,目标基站的覆盖区域由目标基站的功率决定,当然,为了获取更准确的目标基站的覆盖区域,也可以进一步考虑地形、磁场等的影响,估算目标基站的信号半径的损失。
本发明实施例中,在步骤12之前,还可以包括:
获取包括若干训练图像的训练数据集,所述若干训练图像中含有采用标注框进行标识的人群分布对象;
建立卷积神经网络,利用所述训练数据集对所述卷积神经网络进行训练,得到用于识别人群分布对象的人群分布对象识别模型。
具体而言,在利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象之前,需要先对人群分布对象识别模型进行训练:
首先,获取一定数量的训练数据集,所述训练数据集包括基站覆盖范围内不同人群分布对象的遥感图像数据集,其中人群分布对象可以包括:高层建筑、低层建筑、湖泊、道路、车辆、行人以及公园等,并且,设置类别标签集合I={i1,i2,…in}以表示基站覆盖范围内不同人群分布对象,其中,i1表示高层建筑、i2表示低层建筑、i3表示湖泊、i4表示道路,以此类推;将获取的大量用于训练的遥感图像进行处理,例如进行缩放使尺寸统一,再按照类别标签集合I中的不同人群分布对象对用于训练的遥感图像进行人工检测,并使用标注工具标注出来,例如采用位置标框将遥感图像中的人群分布对象都标注出来,不同的人群分布对象可以采用不同的位置标框,同时,记录每个位置标框的坐标信息,将每一遥感图像数据集与类别标签以及位置标框信息一一对应,得到模型的离线训练数据集,可选的,所述的训练数据集中70%可以为训练集,30%为测试集。
然后,建立卷积神经网络,利用经上述步骤处理后得到的训练数据集对卷积神经网络进行离线训练。在该步骤中,卷积神经网络基于目标检测识别算法建立,本实施例中具体采用YOLO算法,YOLO算法是一种以卷积神经网络为基础的单级目标检测识别算法,其可以均匀地在输入图像数据集的各个位置进行边框采用,然后利用卷积神经网络提取特征后直接进行分类与回归,所有的识别与检测过程都是由同一个网络完成。YOLO算法卷积神经网络将训练数据集中的遥感图像分为S×S个网格,每个网格负责预测上述类别标签集合I中的人群分布对象的边界框,边界框的位置信息表示为(x,y,w,h),其中,x、y为边界框的中心相对于所处网格的左上角的位置偏移量,w、h为边界框的宽度和高度;另外,YOLO算法卷积神经网络采用Google-net结构,含有24个卷积层、4个池化层、1个全连接层以及1个输出层,其中,卷积层用来提取遥感图像的特征,池化层用来压缩遥感图像的像素,全连接层用于预测各类人群分布对象的位置信息,输出层用来输出识别的物体和边界框,输出层的维度等于n+B+4B,其中,n为类别标签集合I的人群分布对象的类别总数,B为预设标注框的数量(代表置信度),4B为每个预设标注框的位置信息(x、y、w、h),则YOLO算法卷积神经网络的损失函数为:
xi、x′i分别为第i个边界框和预设标注框的x坐标,yi、y′i分别为第i个边界框和预设标注框的y坐标,wi、w′i分别为第i个边界框和预设标注框的w坐标,hi、h′i分别为第i个边界框与预设标注框的h坐标,也就是说,上述公式中的第一项是边界框中心坐标的误差项,第二项是边界框的高与宽的误差项;
ci-c′i表示第i个边界框相对于预设标注框的准确度,也就是说,上述公式中的第三项是包含人群分布对象的边界框的置信度误差,如果边界框和预设标注框完全重叠,ci=c′i,则误差为0,如果边界框与预设标注框的错位越大,则误差越大,而上述公式中的第四项则是不包含人群分布对象的边界框的置信度误差,因为不包含人群分布对象则ci=0,因此不包含人群分布对象的边界框越小越好;
pi(c)表示第i个边界框真实的包含的人群分布对象为c类的概率(是c类则为1,不是c类则为0,c为类别标签集合I中的某一类),pi′(c)表示第i个边界框预测的包含人群分布对象为c类的概率,以此判断边界框识别出人群分布对象的准确度,也就是说,上述公式的第五项是包含人群分布对象的边界框的分类误差项;
当YOLO算法卷积神经网络的损失函数满足预设值时,即认为完成模型的离线训练,得到可以用于识别人群分布对象的人群分布对象识别模型。
本发明实施例中,利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象的过程中,通过将获取的目标基站覆盖区域的遥感图像输入到训练好的人群分布对象识别模型中,利用该人群分布对象识别模型识别出该遥感图像中包含的目标人群分布对象,并对目标人群分布对象用标注框标识出来,得到目标人群分布对象标注框图。本发明实施例中的人群分布对象识别模型可以自动识别抓取目标基站内的人群分布对象,适用范围广,处理速度快,准确度高。
本发明实施例的步骤13中,获取所述目标基站覆盖区域的人口总数的步骤具体可以包括:
获取所述目标基站的手机信令信息;
根据所述手机信令信息计算所述目标基站的人口总数。
具体而言,通过获取目标基站的手机信令信息,以获取对应时间内目标基站覆盖区域内的人口总数,例如,设目标基站覆盖区域内的手机信令总数为S,即人口总数为S,考虑有未使用手机或关机的用户的情况,需要引入一个预设系数μ,则目标基站覆盖区域的人口总数为μ*S。本发明实施例中的人口总数通过获取对应时刻目标基站覆盖区域的手机信令总数,可以实现目标基站覆盖区域任意时刻的人口总数的获取,方便快捷,而且人口总数的计算结果准确,与时间对应。
在获取了目标基站覆盖区域的人口总数后,需要将人口总数分配至处理得到的目标人群分布对象标注框图中标注出来的目标人群分布对象中,故还需获取每一目标人群分布对象所对应的目标权重,因此,在步骤14之前,所述人群分布预测方法还包括:
获取权重表,所述权重表中记录有人群分布对象以及对应的权重,其中,每一所述人群分布对象对应多个权重,所述多个权重分别对应不同的参考信息,所述参考信息包括:时间信息、地点信息以及天气信息中的至少之一。
具体来说,人口在各类人群分布对象中的权重可以采用离线统计的方式,根据不同时间、不同天气、不同地点以及不同人群分布对象内分布的人数进行统计,例如,工作日上下班时间和下雨天,公交车上人数较多,休息日办公楼内人数较少,高层建筑比底层建筑中的人数多等等,大量获取统计信息,并对统计信息进行处理后得到权重表,权重表中记录统计得到的每一类人群分布对象对应的权重,并且不同的权重对应于不同的参考信息,参考信息可以包括时间信息、地点信息以及天气信息中的至少之一,在具体匹配某一人群分布对象的权重时,需要结合实际情况以及自身需要进行选择,例如结合时间信息、天气信息或者地点信息等。
本发明实施例中,也可以通过第三方数据,例如统计局数据等等,对各人群分布对象中的人数赋予权重,以得到人群分布对象的权重表。
本发明实施例中,在获取了权重表之后,即可根据人群分布对象标注框图以及目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象,具体可以包括:
从所述权重表中选出与所述目标人群分布对象对应的目标权重;
对每一所述目标人群分布对象的目标权重进行归一化处理;
将所述目标基站覆盖区域的人口总数按照归一化处理后的目标权重分配至各所述目标人群分布对象。
也就是说,首先,根据目标基站的具体位置、该目标基站覆盖范围内的天气信息以及对应时间,从获取的权重表中选出与标注框内标注出的目标人群分布对象相对应的目标权重,使每一目标人群分布对象对应于一个目标权重;由于该目标权重是衡量不同人群分布对象之间的相对重要程度,因此选出的目标权重总和并不为1,为方便计算,对选出的每一目标人群分布对象的目标权重进行归一化处理,也即将每一目标人群分布对象的目标权重除以所有目标人群分布对象的目标权重之和,在理想状态下,归一化处理后的目标权重的总和为1,考虑到建筑物等对人群的遮挡,可以引入一个小于1的冗余系数t,使得各归一化处理后的目标权重的总和为1*t,从而使人群分布预测结果更贴近实际情况,预测结果更准确;最后,再将获取的目标基站覆盖区域内的人口总数按照归一化处理后的目标权重分配到各目标人群分布对象中,实现对目标基站覆盖区域内的人群分布预测,依据该人群分布预测,可以进一步绘制准确的人口分布和人口热力图等。
本发明实施例中,针对其他未获取目标基站覆盖区域的遥感图像的时刻,由于车辆、道路等人群分布对象随时间变化,而权重表中统计权重时已考虑了时间、天气、地点等信息,因此,可以根据需要预测人群分布的时间,目标基站的气象数据等信息来获取不同时间的目标基站区域内的不随时间而改变的人群分布对象的权重,以及随时间变化的人群分布对象的权重,完成其他时刻的目标基站覆盖区域的人群分布预测。
本发明实施例中,通过拍摄目标基站覆盖区域的遥感图像,对遥感图像中的人群分布对象进行识别和获取,无需预先统计基站内建筑的面积、第三方提供的人口数据等信息,并且,通过统计各人群分布对象的权重,引入时间、天气、地点等参考信息,可以更为准确地实现人群分布预测。
请参阅图2,图2是本发明实施例二提供的一种人群分布预测系统的结构示意图,该人群分布预测系统20可以包括:
图像获取模块21,用于获取目标基站覆盖区域的遥感图像;
人群分布对象标注模块22,用于利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;
人口总数获取模块23,用于获取所述目标基站覆盖区域的人口总数;
人群分配模块24,用于根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。
可选的,所述人群分布预测系统20还包括:
训练数据集获取模块25,用于获取包括若干训练图像的训练数据集,所述若干训练图像中含有采用标注框进行标识的人群分布对象;
模型训练模块26,用于建立卷积神经网络,利用所述训练数据集对所述卷积神经网络进行训练,得到用于识别人群分布对象的人群分布对象识别模型。
可选的,所述人群分布预测系统20还包括:
权重表获取模块27,用于获取权重表,所述权重表中记录有人群分布对象以及对应的权重,其中,每一所述人群分布对象对应多个权重,所述多个权重分别对应不同的参考信息,所述参考信息包括:时间信息、地点信息以及天气信息中的至少之一。
可选的,所述人群分配模块24包括:
目标权重匹配单元,用于从所述权重表中选出与所述目标人群分布对象对应的目标权重;
归一化处理单元,用于对每一所述目标人群分布对象的目标权重进行归一化处理;
分配单元,用于将所述目标基站覆盖区域的人口总数按照归一化处理后的目标权重分配至各所述目标人群分布对象。
可选的,所述人口总数获取模块23包括:
手机信令获取单元,用于获取所述目标基站的手机信令信息;
计算单元,用于根据所述手机信令信息计算所述目标基站的人口总数。
本发明实施例提供的是与上述实施例一人群分布预测方法对应的、具有相同发明构思的技术方案,且能达到相同的技术效果,详细可参阅上述实施例一,此处不再赘述。
本发明实施例三提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例一中人群分布预测方法中的步骤。详细请参阅以上对应实施例中方法步骤的说明。
上述计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种人群分布预测方法,其特征在于,包括:
获取目标基站覆盖区域的遥感图像;
利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;
获取所述目标基站覆盖区域的人口总数;
根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。
2.根据权利要求1所述的人群分布预测方法,其特征在于,利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象之前,还包括:
获取包括若干训练图像的训练数据集,所述若干训练图像中含有采用标注框进行标识的人群分布对象;
建立卷积神经网络,利用所述训练数据集对所述卷积神经网络进行训练,得到用于识别人群分布对象的人群分布对象识别模型。
3.根据权利要求2所述的人群分布预测方法,其特征在于,根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象之前,还包括:
获取权重表,所述权重表中记录有人群分布对象以及对应的权重,其中,每一所述人群分布对象对应多个权重,所述多个权重分别对应不同的参考信息,所述参考信息包括:时间信息、地点信息以及天气信息中的至少之一。
4.根据权利要求3所述的人群分布预测方法,其特征在于,所述根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象的步骤包括:
从所述权重表中选出与所述目标人群分布对象对应的目标权重;
对每一所述目标人群分布对象的目标权重进行归一化处理;
将所述目标基站覆盖区域的人口总数按照归一化处理后的目标权重分配至各所述目标人群分布对象。
5.根据权利要求1所述的人群分布预测方法,其特征在于,所述获取所述目标基站覆盖区域的人口总数的步骤包括:
获取所述目标基站的手机信令信息;
根据所述手机信令信息计算所述目标基站的人口总数。
6.一种人群分布预测系统,其特征在于,包括:
图像获取模块,用于获取目标基站覆盖区域的遥感图像;
人群分布对象标注模块,用于利用人群分布对象识别模型识别并标注出所述遥感图像中的目标人群分布对象,得到目标人群分布对象标注框图;
人口总数获取模块,用于获取所述目标基站覆盖区域的人口总数;
人群分配模块,用于根据所述人群分布对象标注框图以及所述目标人群分布对象的目标权重,将所述目标基站覆盖区域的人口总数分配至各所述目标人群分布对象。
7.根据权利要求6所述的人群分布预测系统,其特征在于,还包括:
训练数据集获取模块,用于获取包括若干训练图像的训练数据集,所述若干训练图像中含有采用标注框进行标识的人群分布对象;
模型训练模块,用于建立卷积神经网络,利用所述训练数据集对所述卷积神经网络进行训练,得到用于识别人群分布对象的人群分布对象识别模型。
8.根据权利要求7所述的人群分布预测系统,其特征在于,还包括:
权重表获取模块,用于获取权重表,所述权重表中记录有人群分布对象以及对应的权重,其中,每一所述人群分布对象对应多个权重,所述多个权重分别对应不同的参考信息,所述参考信息包括:时间信息、地点信息以及天气信息中的至少之一。
9.根据权利要求8所述的人群分布预测系统,其特征在于,所述人群分配模块包括:
目标权重匹配单元,用于从所述权重表中选出与所述目标人群分布对象对应的目标权重;
归一化处理单元,用于对每一所述目标人群分布对象的目标权重进行归一化处理;
分配单元,用于将所述目标基站覆盖区域的人口总数按照归一化处理后的目标权重分配至各所述目标人群分布对象。
10.根据权利要求6所述的人群分布预测系统,其特征在于,所述人口总数获取模块包括:
手机信令获取单元,用于获取所述目标基站的手机信令信息;
计算单元,用于根据所述手机信令信息计算所述目标基站的人口总数。
11.一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,该计算机程序被处理器执行时实现如权利要求1至5中任一项所述的人群分布预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273497.3A CN112990517A (zh) | 2019-12-12 | 2019-12-12 | 一种人群分布预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911273497.3A CN112990517A (zh) | 2019-12-12 | 2019-12-12 | 一种人群分布预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990517A true CN112990517A (zh) | 2021-06-18 |
Family
ID=76331565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911273497.3A Pending CN112990517A (zh) | 2019-12-12 | 2019-12-12 | 一种人群分布预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990517A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554356A (zh) * | 2021-09-18 | 2021-10-26 | 中国地质大学(武汉) | 基于多模型融合的人口分布估计方法、装置及存储介质 |
CN114022772A (zh) * | 2021-11-16 | 2022-02-08 | 华南农业大学 | 流动摊贩空间分布的预测方法、系统、装置和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1901725A (zh) * | 2005-07-19 | 2007-01-24 | 深圳市建恒工业自控系统有限公司 | 人群短期密度的统计系统和方法 |
CN104217244A (zh) * | 2014-08-14 | 2014-12-17 | 长安通信科技有限责任公司 | 基于地理网格的人数测定方法和人群态势监测方法及系统 |
CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 基于深度学习的城市精细化人口分布动态预测方法及装置 |
CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
CN109858424A (zh) * | 2019-01-25 | 2019-06-07 | 佳都新太科技股份有限公司 | 人群密度统计方法、装置、电子设备和存储介质 |
CN109886085A (zh) * | 2019-01-03 | 2019-06-14 | 四川弘和通讯有限公司 | 基于深度学习目标检测的人群计数方法 |
CN110505576A (zh) * | 2018-05-19 | 2019-11-26 | 北京融信数联科技有限公司 | 一种基于基站覆盖扇区网格化的区域人口统计方法 |
-
2019
- 2019-12-12 CN CN201911273497.3A patent/CN112990517A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1901725A (zh) * | 2005-07-19 | 2007-01-24 | 深圳市建恒工业自控系统有限公司 | 人群短期密度的统计系统和方法 |
CN104217244A (zh) * | 2014-08-14 | 2014-12-17 | 长安通信科技有限责任公司 | 基于地理网格的人数测定方法和人群态势监测方法及系统 |
CN110505576A (zh) * | 2018-05-19 | 2019-11-26 | 北京融信数联科技有限公司 | 一种基于基站覆盖扇区网格化的区域人口统计方法 |
CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 基于深度学习的城市精细化人口分布动态预测方法及装置 |
CN109697435A (zh) * | 2018-12-14 | 2019-04-30 | 重庆中科云从科技有限公司 | 人流量监测方法、装置、存储介质及设备 |
CN109886085A (zh) * | 2019-01-03 | 2019-06-14 | 四川弘和通讯有限公司 | 基于深度学习目标检测的人群计数方法 |
CN109858424A (zh) * | 2019-01-25 | 2019-06-07 | 佳都新太科技股份有限公司 | 人群密度统计方法、装置、电子设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554356A (zh) * | 2021-09-18 | 2021-10-26 | 中国地质大学(武汉) | 基于多模型融合的人口分布估计方法、装置及存储介质 |
CN114022772A (zh) * | 2021-11-16 | 2022-02-08 | 华南农业大学 | 流动摊贩空间分布的预测方法、系统、装置和存储介质 |
CN114022772B (zh) * | 2021-11-16 | 2024-05-03 | 华南农业大学 | 流动摊贩空间分布的预测方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109743683B (zh) | 一种采用深度学习融合网络模型确定手机用户位置的方法 | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
US10692028B2 (en) | Optimal demand-based allocation | |
US20170357984A1 (en) | Information processing device, information processing method, and program | |
US20130226667A1 (en) | Methods and apparatus to analyze markets based on aerial images | |
US11966424B2 (en) | Method and apparatus for dividing region, storage medium, and electronic device | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN111178179B (zh) | 一种基于像元尺度的城市功能区的识别方法及装置 | |
CN107666649A (zh) | 个人财产状态评估方法及装置 | |
CN110532546B (zh) | 一种融合地理位置和文本相似性的警情自动下发方法 | |
CN110473211B (zh) | 一种弹簧片的数量的检测方法及设备 | |
CN112990517A (zh) | 一种人群分布预测方法和系统 | |
CN112668375B (zh) | 景区内游客分布分析系统及方法 | |
CN110096979B (zh) | 模型的构建方法、人群密度估计方法、装置、设备和介质 | |
CN112801227B (zh) | 一种台风识别模型的生成方法、装置、设备及存储介质 | |
CN112215059B (zh) | 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质 | |
CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
Hiremath et al. | A Smart App for Pothole Detection Using Yolo Model | |
CN112989916A (zh) | 一种结合密度估计与目标检测的人群计数方法 | |
CN117132013A (zh) | 充电场站评分方法、装置、计算机设备和可读存储介质 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
Chen et al. | Large-scale urban building function mapping by integrating multi-source web-based geospatial data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |