CN113657652A - 流动量的预测方法、装置、设备及可读存储介质 - Google Patents

流动量的预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN113657652A
CN113657652A CN202110877155.3A CN202110877155A CN113657652A CN 113657652 A CN113657652 A CN 113657652A CN 202110877155 A CN202110877155 A CN 202110877155A CN 113657652 A CN113657652 A CN 113657652A
Authority
CN
China
Prior art keywords
flow quantity
flow
sequence
target
historical
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
Application number
CN202110877155.3A
Other languages
English (en)
Other versions
CN113657652B (zh
Inventor
王伟任
王硕佳
刘亚飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110877155.3A priority Critical patent/CN113657652B/zh
Publication of CN113657652A publication Critical patent/CN113657652A/zh
Application granted granted Critical
Publication of CN113657652B publication Critical patent/CN113657652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种流动量的预测方法、装置、设备及可读存储介质，属于数据处理技术领域。方法包括：获取至少两个组织机构各自对应的历史流动量序列，历史流动量序列包含至少一个历史单位时间的对象流动量；获取流动量序列之间的关联信息，流动量序列之间的关联信息是根据至少两个组织机构各自对应的第一流动量序列计算得到的，第一流动量序列包含至少两个第一单位时间的对象流动量；基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，至少两个组织机构包含目标组织机构，目标流动量序列包含至少一个目标单位时间的对象流动量。本申请提高了预测结果的准确性。

Description

流动量的预测方法、装置、设备及可读存储介质
技术领域
本申请实施例涉及数据处理技术领域，特别涉及一种流动量的预测方法、装置、设备及可读存储介质。
背景技术
随着数据处理技术的不断发展，预测组织机构的流动量也变得越来越重要，准确的预测组织机构的流动量，可以让管理者提前安排相关工作，合理调度人力资源与物力资源，提高效率。
相关技术中，先获取组织机构对应的流动量序列，该流动量序列包含至少一个历史单位时间的对象流动量，再对流动量序列进行序列平稳性检验和处理。若流动量序列为平稳序列，则确定出平稳序列的自相关函数；若流动量序列为非平稳序列，则对流动量序列进行差分处理，直至处理后的流动量序列为平稳序列，确定出平稳序列的自相关函数。之后，基于平稳序列的自相关函数建立预测模型，利用预测模型预测该组织机构在目标单位时间的对象流动量。
上述技术中，仅根据组织机构在历史单位时间的对象流动量预测该组织机构在目标单位时间的对象流动量，预测结果的准确性较低。
发明内容
本申请实施例提供了一种流动量的预测方法、装置、设备及可读存储介质，用于解决流动量的预测结果准确性较低的问题，所述技术方案包括如下内容。
一方面，本申请实施例提供了一种流动量的预测方法，所述方法包括：
获取至少两个组织机构各自对应的历史流动量序列，所述历史流动量序列包含至少一个历史单位时间的对象流动量；
获取流动量序列之间的关联信息，所述流动量序列之间的关联信息是根据所述至少两个组织机构各自对应的第一流动量序列计算得到的，所述第一流动量序列包含至少两个第一单位时间的对象流动量；
基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，所述至少两个组织机构包含所述目标组织机构，所述目标流动量序列包含至少一个目标单位时间的对象流动量，所述目标单位时间为所述历史单位时间之后的时间。
在一种可能的实现方式中，所述时间特征包括星期特征、月份特征、节假日特征或季节特征中的至少一项。
在一种可能的实现方式中，所述流动量序列特征包括第一序列特征和第二序列特征，所述第一序列特征用于指示所述历史流动量序列之间的相关性，所述第二序列特征用于指示所述历史流动量序列中对象流动量之间的相关性；
所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定流动量序列特征，包括：
基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述第一序列特征；
基于所述至少两个组织机构各自对应的历史流动量序列，确定所述第二序列特征；
基于所述第一序列特征和所述第二序列特征，确定所述流动量序列特征。
在一种可能的实现方式中，所述基于所述第一序列特征和所述第二序列特征，确定所述流动量序列特征，包括：
将所述第一序列特征和所述第二序列特征进行拼接，得到所述流动量序列特征。
在一种可能的实现方式中，所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列之后，还包括：
在第一显示界面上显示所述目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，所述在第一显示界面上显示所述目标组织机构对应的目标流动量序列，包括：
基于所述目标组织机构对应的目标流动量序列，生成流动量趋势图；
在所述第一显示界面上显示所述流动量趋势图。
在一种可能的实现方式中，所述在第一显示界面上显示所述目标组织机构对应的目标流动量序列，包括：
响应于在第一显示界面上针对所述目标组织机构的预约操作，显示所述目标组织机构对应的目标流动量序列。
另一方面，本申请实施例提供了一种流动量的预测装置，所述装置包括：
第一获取模块，用于获取至少两个组织机构各自对应的历史流动量序列，所述历史流动量序列包含至少一个历史单位时间的对象流动量；
第二获取模块，用于获取流动量序列之间的关联信息，所述流动量序列之间的关联信息是根据所述至少两个组织机构各自对应的第一流动量序列计算得到的，所述第一流动量序列包含至少两个第一单位时间的对象流动量；
确定模块，用于基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，所述至少两个组织机构包含所述目标组织机构，所述目标流动量序列包含至少一个目标单位时间的对象流动量，所述目标单位时间为所述历史单位时间之后的时间。
在一种可能的实现方式中，所述确定模块，用于获取所述至少一个目标单位时间的时间特征；基于所述至少一个目标单位时间的时间特征、所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，所述确定模块，用于基于所述至少一个目标单位时间的时间特征，确定流动量序列波动信息，所述流动量序列波动信息包含各个目标单位时间的流动量波动信息；基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述目标组织机构对应的初始流动量序列，所述初始流动量序列包含所述至少一个目标单位时间的对象流动量；基于所述流动量序列波动信息对所述初始流动量序列进行调整，得到所述目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，所述时间特征包括星期特征、月份特征、节假日特征或季节特征中的至少一项。
在一种可能的实现方式中，所述确定模块，用于基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定流动量序列特征；基于所述流动量序列特征，确定所述目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，所述流动量序列特征包括第一序列特征和第二序列特征，所述第一序列特征用于指示所述历史流动量序列之间的相关性，所述第二序列特征用于指示所述历史流动量序列中对象流动量之间的相关性；所述确定模块，用于基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述第一序列特征；基于所述至少两个组织机构各自对应的历史流动量序列，确定所述第二序列特征；基于所述第一序列特征和所述第二序列特征，确定所述流动量序列特征。
在一种可能的实现方式中，所述确定模块，用于将所述第一序列特征和所述第二序列特征进行拼接，得到所述流动量序列特征。
在一种可能的实现方式中，所述装置还包括：
第一显示模块，用于在第一显示界面上显示所述目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，所述第一显示模块，用于基于所述目标组织机构对应的目标流动量序列，生成流动量趋势图；在所述第一显示界面上显示所述流动量趋势图。
在一种可能的实现方式中，所述第一显示模块，用于响应于在第一显示界面上针对所述目标组织机构的预约操作，显示所述目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，所述装置还包括：
所述确定模块，还用于基于所述目标组织机构对应的目标流动量序列，确定所述至少一个目标单位时间的流动量度量信息，所述流动量度量信息用于指示所述对象流动量的大小程度；
生成模块，用于基于所述至少一个目标单位时间的流动量度量信息，生成推荐信息，所述推荐信息用于推荐流动量度量信息符合条件的目标单位时间；
第二显示模块，用于在第二显示界面上显示所述推荐信息。
在一种可能的实现方式中，所述确定模块，用于基于所述目标组织机构对应的历史流动量序列，确定流动量平均值；基于所述流动量平均值和所述目标组织机构对应的目标流动量序列，确定所述至少一个目标单位时间的流动量度量信息。
另一方面，本申请实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以使所述电子设备实现上述任一所述的流动量的预测方法。
另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行，以使计算机实现上述任一所述的流动量的预测方法。
另一方面，还提供了一种计算机程序或计算机程序产品，所述计算机程序或计算机程序产品中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行，以使计算机实现上述任一种流动量的预测方法。
本申请实施例提供的技术方案至少带来如下有益效果：
本申请实施例提供的技术方案是基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定至少两个组织机构中目标组织机构对应的目标流动量序列，实现了基于至少两个流动量序列和流动量序列之间的关联关系，预测组织机构在至少一个目标单位时间内的对象流动量，提高预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种流动量的预测方法的实施环境示意图；
图2是本申请实施例提供的一种流动量的预测方法的流程图；
图3是本申请实施例提供的一种流动量序列预测模型的结构示意图；
图4是本申请实施例提供的另一种流动量序列预测模型的结构示意图；
图5是本申请实施例提供的一种序列特征捕捉子模型的结构示意图；
图6是本申请实施例提供的一种时间特征捕捉子模型的结构示意图；
图7是本申请实施例提供的一种第一显示界面的示意图；
图8是本申请实施例提供的一种第二显示界面的示意图；
图9是本申请实施例提供的一种预约量序列预测模型的结构示意图；
图10是本申请实施例提供的一种流动量的预测装置的结构示意图；
图11是本申请实施例提供的一种终端设备的结构示意图；
图12是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种流动量的预测方法的实施环境示意图，如图1所示该实施环境包括电子设备11，本申请实施例中的流动量的预测方法可以由电子设备11执行。示例性地，电子设备11可以包括终端设备或者服务器中的至少一项。
终端设备可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器和膝上型便携计算机中的至少一种。
服务器可以为一台服务器，或者为多台服务器组成的服务器集群，或者为云计算平台和虚拟化中心中的任意一种，本申请实施例对此不加以限定。服务器可以与终端设备通过有线网络或无线网络进行通信连接。服务器可以具有数据处理、数据存储以及数据收发等功能，在本申请实施例中不加以限定。
本申请实施例的流动量的预测方法可以基于人工智能技术实现，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
基于上述实施环境，本申请实施例提供了一种流动量的预测方法，以图2所示的本申请实施例提供的一种流动量的预测方法的流程图为例，该方法可由图1中的电子设备11执行。如图2所示，该方法包括步骤S21-步骤S23。
步骤S21，获取至少两个组织机构各自对应的历史流动量序列，历史流动量序列包含至少一个历史单位时间的对象流动量。
本申请实施例不对组织机构的大小、类型等做限定，示例性的，组织机构为医院、宾馆、旅游景点等。单位时间包括但不限于每若干小时、每若干天、每若干周、每若干月、每若干年等，这里的若干为正数，示例性的，单位时间为每天；对象包括但不限于人、车辆等。相对应的，对象流动量包括但不限于人的流动量、车辆的流动量等。
可以理解的是，在实际应用中，通过不同的方式体现出对象流动量，例如，通过组织机构的预约人数、组织机构的预约车辆数、出入组织机构的人数、出入组织机构的车辆数等，体现出对象流动量。因此，在本申请实施例以及下述实施例中，对象流动量包括但不限于组织机构的预约人数、组织机构的预约车辆数、出入组织机构的人数、出入组织机构的车辆数等。
本申请实施例中，对于至少两个组织机构中的任意一个组织机构，该组织机构对应历史流动量序列，历史流动量序列包含至少一个历史单位时间的对象流动量。历史流动量序列的获取方式不做限定，示例性的，组织机构实时统计对象流动量，得到每个单位时间的对象流动量，利用统计得到的至少一个单位时间的对象流动量，构建历史流动量序列，其中，历史流动量序列中的各个单位时间即为各个历史单位时间。
历史单位时间是已发生的时间，示例性的，当天为7月1日，历史单位时间包括6月29日、6月30日等。至少一个历史单位时间可以为连续的单位时间，也可以为不连续的单位时间，历史单位时间的数量在本申请实施例中不做限定，示例性的，历史单位时间的数量为21。
需要说明的是，各个组织机构对应的至少一个历史单位时间是相同的。例如，组织结构1对应的两个历史单位时间为单位时间a和单位时间b，则组织结构2对应的两个历史单位时间也为单位时间a和单位时间b。
步骤S22，获取流动量序列之间的关联信息，流动量序列之间的关联信息是根据至少两个组织机构各自对应的第一流动量序列计算得到的，第一流动量序列包含至少两个第一单位时间的对象流动量。
需要说明的是，第一单位时间与历史单位时间之间无先后关系，即第一单位时间为历史单位时间之前的时间、或者为历史单位时间之后的时间、或者为历史单位时间。示例性的，第一单位时间包括6月28日、6月29日、6月30日、7月1日，历史单位时间包括6月29日、6月30日。
各个组织机构对应的至少两个第一单位时间是相同的。例如，组织结构1对应的三个第一单位时间为单位时间c、单位时间d和单位时间e，则组织结构2对应的三个第一单位时间也为单位时间c、单位时间d和单位时间e。
其中，至少两个第一单位时间可以为连续的单位时间，也可以为不连续的单位时间，在本申请实施例中不做限定。
本申请实施例中，使用至少两个组织机构各自对应的第一流动量序列训练得到流动量序列预测模型，第一流动量序列包含至少两个第一单位时间的对象流动量。其中，至少两个第一单位时间分为至少一个第二单位时间和至少一个第三单位时间，相对应的，第一流动量序列分为第二流动量序列和第三流动量序列，第二流动量序列包含至少一个第二单位时间的对象流动量，第三流动量序列包含至少一个第三单位时间的对象流动量。
如图3所示，图3是本申请实施例提供的一种流动量序列预测模型的结构示意图，流动量序列预测模型包括图学习子模型、序列特征捕捉子模型和时间特征捕捉子模型。其中，图学习子模型输出流动量序列之间的关联信息；序列特征捕捉子模型的一个输入为至少两个组织机构各自对应的第二流动量序列，序列特征捕捉子模型的另一个输入为流动量序列之间的关联信息；时间特征捕捉子模型输入至少一个第三单位时间的时间特征。流动量序列预测模型综合序列特征捕捉子模型的输出和时间特征捕捉子模型的输出，预测至少两个组织机构各自对应的第三流动量序列。
之后，利用预测得到的至少两个组织机构各自对应的第三流动量序列、至少两个组织机构各自对应的第一流动量序列所包含的第三流动量序列，计算流动量序列预测模型的损失值，使用损失值优化模型参数。通过这种方式，不断优化流动量序列预测模型的模型参数，得到训练好的流动量序列预测模型。
本申请实施例中，按照如下所示的公式(0)计算流动量序列预测模型的损失值。
Loss＝MSE(YTrue,pred)公式(0)
其中，Loss为流动量序列预测模型的损失值，MSE为均方误差函数，YTrue为至少两个组织机构各自对应的第一流动量序列所包含的第三流动量序列，pred为预测得到的至少两个组织机构各自对应的第三流动量序列。
在训练流动量序列预测模型的过程中，图学习子模型的模型参数也在不断优化。当得到训练好的流动量序列预测模型时，图学习子模型的输出不再变化，为一个固定的输出，该输出为流动量序列之间的关联信息。也就是说，本申请实施例是使用至少两个组织机构各自对应的第一流动量序列，使图学习子模型学习到流动量序列之间的关联信息。
本申请实施例不对图学习子模型、序列特征捕捉子模型和时间特征捕捉子模型的模型结构和模型大小做限定，也不对流动量序列预测模型的训练过程做限定，示例性的，流动量序列预测模型的训练过程中所使用的的优化算法为自适应矩估计(Adaptive MomentEstimation，Adam)，学习率为0.00001，训练次数为500次，组织机构的数量为8。
在一种可能的实现方式中，流动量序列之间的关联信息是按照如下所示的公式(1)训练得到的。
Figure BDA0003190761030000091
其中，E1、E2为随机初始化的编码信息，该编码信息作为图学习子模型的输入信息，在使用至少两个组织机构各自对应的第一流动量序列训练流动量序列预测模型时，该编码信息也不断的学习，即在训练流动量序列预测模型的同时，训练编码信息的准确表示。编码信息的维度不做限定，示例性的，该编码信息的维度为32维。θ1、θ2为图学习子模型的模型参数，α为双曲正切函数(tanh)的超参数，α的大小不作限定，示例性的，α为3，双曲正切函数也被称为控制激活函数，M1、M2为控制激活信息，
Figure BDA0003190761030000101
为M1的转置矩阵，
Figure BDA0003190761030000102
为M2的转置矩阵，A为流动量序列之间的关联信息，ReLU(x)为线性整流函数，max(0,x)表示取0与x之间的最大值，x为线性整流函数的自变量。
步骤S23，基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，至少两个组织机构包含目标组织机构，目标流动量序列包含至少一个目标单位时间的对象流动量，目标单位时间为历史单位时间之后的时间。
目标组织机构为至少一个。即至少两个组织机构中的任意若干个均可以作为目标组织机构。在一种可能的实现方式中，至少两个组织机构中的各个组织机构均为目标组织机构。
目标单位时间是未发生的时间，示例性的，当天为7月1日，目标单位时间为7月2日、7月3日等。目标单位时间的数量在本申请实施例中不做限定，示例性的，目标单位时间的数量为7。
需要说明的是，目标单位时间为历史单位时间之后的时间，目标单位时间与第一单位时间之间无先后关系，即目标单位时间为第一单位时间之前的时间、或者为第一单位时间之后的时间、或者为第一单位时间。示例性的，第一单位时间包括6月28日、6月29日、6月30日、7月1日，历史单位时间包括6月29日、6月30日，目标单位时间包括7月1日、7月2日。
在一种可能的实现方式中，基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，包括：获取至少一个目标单位时间的时间特征；基于至少一个目标单位时间的时间特征、至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列。
其中，时间特征包括星期特征、月份特征、节假日特征或季节特征中的至少一项。
本申请实施例中，根据日历信息，确定各个目标单位时间的时间特征，示例性的，在日历信息中，7月1日为星期四、建党节、夏季，则根据该日历信息，可以快速地获取到7月1日所对应的星期特征为星期四、月份特征为7月、节假日特征为建党节、季节特征为夏季。
如图4所示，图4是本申请实施例提供的另一种流动量序列预测模型的结构示意图。该流动量序列预测模型包括图学习子模型、序列特征捕捉子模型和时间特征捕捉子模型。其中，图学习子模型输出流动量序列之间的关联信息；序列特征捕捉子模型的一个输入为至少两个组织机构各自对应的历史流动量序列，序列特征捕捉子模型的另一个输入为流动量序列之间的关联信息；时间特征捕捉子模型输入至少一个目标单位时间的时间特征。流动量序列预测模型综合序列特征捕捉子模型的输出和时间特征捕捉子模型的输出，输出目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，包括：基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定流动量序列特征；基于流动量序列特征，确定目标组织机构对应的目标流动量序列。
本申请实施例中，将至少两个组织机构各自对应的历史流动量序列、流动量序列之间的关联信息，输入至序列特征捕捉子模型，由序列特征捕捉子模型输出流动量序列特征。之后，基于流动量序列特征，确定目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，流动量序列特征包括第一序列特征和第二序列特征，第一序列特征用于指示历史流动量序列之间的相关性，第二序列特征用于指示历史流动量序列中对象流动量之间的相关性；基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定流动量序列特征，包括：基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定第一序列特征；基于至少两个组织机构各自对应的历史流动量序列，确定第二序列特征；基于第一序列特征和第二序列特征，确定流动量序列特征。
前文已提及，历史流动量序列包含至少一个历史单位时间的对象流动量，至少两个组织机构各自对应历史流动量序列。本申请实施例一方面提取历史流动量序列包含的各个对象流动量之间的相关性(即历史流动量序列的自相关性、第一序列特征)；本申请实施例另一方面提取至少两个历史流动量序列之间的相关性(即历史流动量序列的互相关性、第二序列特征)。之后，基于第一序列特征和第二序列特征，得到流动量序列特征，使得流动量序列特征用于指示历史流动量序列的自相关性和互相关性。
本申请实施例中，如图5所示，图5是本申请实施例提供的一种序列特征捕捉子模型的结构示意图。将至少两个组织机构各自对应的历史流动量序列、流动量序列之间的关联信息，输入至序列特征捕捉子模型。一方面，至少两个组织机构各自对应的历史流动量序列、流动量序列之间的关联信息经过卷积层进行卷积操作，得到第一序列特征，其中，该卷积层的数量不做限定，示例性的，卷积层为两层，第一层卷积层输出的特征维度为64维；另一方面，至少两个组织机构各自对应的历史流动量序列经过全连接层进行融合，得到第二序列特征，其中，该全连接层的数量不做限定，示例性的，全连接层为两层，第一层全连接层输出的特征维度为64维。之后，基于第一序列特征和第二序列特征，确定流动量序列特征，将流动量序列特征经过全连接层进行融合后，得到目标组织机构对应的初始流动量序列，基于初始流动量序列，确定目标流动量序列。
基于至少两个组织机构各自对应的历史流动量序列、流动量序列之间的关联信息，按照如下所示的公式(2)得到第一序列特征。
Figure BDA0003190761030000121
其中，YGCN为第一序列特征，A为流动量序列之间的关联信息，
Figure BDA0003190761030000122
为A对应的第一矩阵，
Figure BDA0003190761030000123
为A对应的第二矩阵，
Figure BDA0003190761030000124
为A对应的第三矩阵，
Figure BDA0003190761030000125
为A对应的第四矩阵，X为至少两个组织机构各自对应的历史流动量序列，W1、W2为卷积层的模型参数。IN为N*N的单位矩阵，N为正整数。
Figure BDA0003190761030000126
表示
Figure BDA0003190761030000127
中第i行第j列的元素，i和j均为正整数，且i的取值依次为1至N。ReLU为线性整流函数，∑为求和符号，T为转置矩阵符号，diag为对角矩阵符号，
Figure BDA0003190761030000128
为
Figure BDA0003190761030000129
的平方根。
基于至少两个组织机构各自对应的历史流动量序列，按照如下所示的公式(3)得到第二序列特征。
Figure BDA00031907610300001210
其中，YLinear为第二序列特征，ReLU为线性整流函数，X为至少两个组织机构各自对应的历史流动量序列，W1 Linear、
Figure BDA00031907610300001211
为全连接层的模型参数。
需要说明的是，上述提及的至少两个组织机构各自对应的历史流动量序列可以表示为
Figure BDA0003190761030000131
其中，Tin为至少一个历史单位时间，N为组织机构的数量，即
Figure BDA0003190761030000132
为N个组织机构各自对应的Tin的对象流动量。
在一种可能的实现方式中，基于第一序列特征和第二序列特征，确定流动量序列特征，包括：将第一序列特征和第二序列特征进行拼接，得到流动量序列特征。
本申请实施例中，将第一序列特征和第二序列特征进行拼接，得到流动量序列特征。之后，基于流动量序列特征，按照如下所示的公式(4)进行融合，得到目标组织机构对应的初始流动量序列，之后，基于初始流动量序列确定目标流动量序列。
Figure BDA0003190761030000133
其中，Yout为目标组织机构对应的初始流动量序列，YGCN为第一序列特征，YLinear为第二序列特征，concat为拼接符号，concat(YGCN,YLinear)为流动量序列特征，W1 Linear_out、
Figure BDA0003190761030000134
为全连接层的模型参数。
需要说明的是，上述提及的目标组织机构对应的初始流动量序列可以表示为
Figure BDA0003190761030000135
其中，Tout为至少一个目标单位时间，N为目标组织机构的数量，即
Figure BDA0003190761030000136
为N个目标组织机构各自对应的Tout的对象流动量。
在一种可能的实现方式中，基于至少一个目标单位时间的时间特征、至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，包括：基于至少一个目标单位时间的时间特征，确定流动量序列波动信息，流动量序列波动信息包含各个目标单位时间的流动量波动信息；基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的初始流动量序列，初始流动量序列包含至少一个目标单位时间的对象流动量；基于流动量序列波动信息对初始流动量序列进行调整，得到目标组织机构对应的目标流动量序列。
本申请实施例中，如图6所示，图6是本申请实施例提供的一种时间特征捕捉子模型的结构示意图。将至少一个目标单位时间的时间特征输入至时间特征捕捉子模型，各个目标单位时间的时间特征依次经过因子分解层、全连接层后，得到流动量序列波动信息，该流动量序列波动信息包含各个目标单位时间的流动量波动信息。其中，因子分解层又称为因子分解机(Factorization Machine，FM)，FM是一种基于矩阵分解的机器学习算法，适用于稀疏的输入数据，FM层中的向量特征维度不做限定，示例性的，FM层中的向量特征维度为32维。
本申请实施例中，基于至少一个目标单位时间的时间特征，按照如下所示的公式(5)确定流动量序列波动信息。
Figure BDA0003190761030000141
其中，
Figure BDA0003190761030000142
为FM对应的第k个第一矩阵，w、v为FM的模型参数，vi为v中的第i行向量，vj为v中的第j行向量，
Figure BDA0003190761030000143
为Xdate中的第k行向量，Xdate为至少一个目标单位时间的时间特征，
Figure BDA0003190761030000144
为
Figure BDA0003190761030000145
中的第i个元素，
Figure BDA0003190761030000146
为
Figure BDA0003190761030000147
中的第j个元素，m为时间特征的维度，m的取值大小不作限定，示例性的，m为26，表示时间特征由26个特征组成，该26个特征包括星期特征、月份特征和节假日特征，星期特征包括7个星期(即周一至周日)的二元特征，月份特征包括12个月份(即一月至二月)的二元特征，节假日特征包括7个节假日(如元旦、春节等)的二元特征。<>为内积运算符号。N为目标组织机构的数量，YFM为FM对应的第二矩阵，Ratedate为流动量序列波动信息，Wh、bh为全连接层参数，σ为自定义函数，x为自定义函数的自变量，e为自然常数。
需要说明的是，公式(5)中的w为m*1的矩阵，v为m*h的矩阵，h的维度可以随机设置，
Figure BDA0003190761030000148
表示第k个组织机构对应的至少一个目标单位时间的时间特征，Ratedate为Tout*1的矩阵，Tout为目标单位时间的数目。
按照公式(5)计算出流动量序列波动信息，按照前文所示的公式(4)计算出Yout，即目标组织机构对应的初始流动量序列。之后，基于流动量序列波动信息对初始流动量序列进行调整，得到目标组织机构对应的目标流动量序列。
本申请实施例中，按照如下所示的公式(6)，基于流动量序列波动信息对初始流动量序列进行调整，得到目标组织机构对应的目标流动量序列。
pred＝Yout*(1+Ratedate) 公式(6)
其中，pred为目标组织机构对应的目标流动量序列，Ratedate为流动量序列波动信息，Yout为目标组织机构对应的初始流动量序列。
在一种可能的实现方式中，基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列之后，还包括：在第一显示界面上显示目标组织机构对应的目标流动量序列。
本申请实施例中，当预测出目标组织机构对应的目标流动量序列之后，在第一显示界面上显示该目标流动量序列，显示方式不做限定。示例性的，本申请实施例提供了如下所示的两种显示方式，分别记为第一显示方式和第二显示方式。
第一显示方式，在第一显示界面上显示目标组织机构对应的目标流动量序列，包括：基于目标组织机构对应的目标流动量序列，生成流动量趋势图；在第一显示界面上显示流动量趋势图。
为了便于用户查看目标组织机构对应的目标流动量序列，本申请实施例基于该目标流动量序列所包含的各个目标单位时间的对象流动量，生成流动量趋势图，该流动量趋势图用于反映目标单位时间与对象流动量之间的关系，在第一显示界面上显示流动量趋势图。
如图7所示，图7是本申请实施例提供的一种第一显示界面的示意图，其中，门诊量对应于对象流动量，日期对应于目标单位时间，医院对应于组织机构。该第一显示界面中包括“门诊量预测”选择控件和“XXXX”选择控件，用户点击“门诊量预测”选择控件，显示目标组织机构对应的流动量趋势图，其中，图7所示的第一显示界面中，目标组织机构为医院1，流动量趋势图为门诊量趋势图。医院1对应的门诊量趋势图中，横坐标为日期，日期包括5.17、5.18、5.19、5.20、5.21、5.22、5.23，纵坐标为门诊量，门诊量包括280、300、320、340、360、380。用户可以点击“∨”下拉控件，选择目标组织机构，如通过点击“∨”下拉控件，选择目标组织机构为医院2。
第二显示方式，在第一显示界面上显示目标组织机构对应的目标流动量序列，包括：响应于在第一显示界面上针对目标组织机构的预约操作，显示目标组织机构对应的目标流动量序列。
本申请实施例中，第一显示界面上显示有各个组织机构，用户在该第一显示界面上执行针对各个组织机构中目标组织机构的预约操作。响应于该预约操作，在第一显示界面上显示目标组织机构对应目标流动量序列。
在一种可能的实现方式中，基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列之后，还包括：基于目标组织机构对应的目标流动量序列，确定至少一个目标单位时间的流动量度量信息，流动量度量信息用于指示对象流动量的大小程度；基于至少一个目标单位时间的流动量度量信息，生成推荐信息，推荐信息用于推荐流动量度量信息符合条件的目标单位时间；在第二显示界面上显示推荐信息。
本申请实施例中，基于目标流动量序列所包含的各个目标单位时间的对象流动量，确定各个目标单位时间的流动量度量信息。其中，确定流动量度量信息的方式不做限定。
在一种可能的实现方式中，基于目标组织机构对应的目标流动量序列，确定至少一个目标单位时间的流动量度量信息，包括：基于目标组织机构对应的历史流动量序列，确定流动量平均值；基于流动量平均值和目标组织机构对应的目标流动量序列，确定至少一个目标单位时间的流动量度量信息。
本申请实施例中，基于目标组织机构对应的历史流动量序列，计算各个历史单位时间的对象流动量之和，将和值除以历史单位时间的数量，得到流动量平均值。计算目标流动量序列所包含的各个目标单位时间的对象流动量与流动量平均值之间的差，得到各个目标单位时间对应的流动量之差，基于流动量之差确定各个目标单位时间的流动量度量信息。
在一种可能的实现方式中，对于每一个流动量之差，若流动量之差大于第一阈值，则确定流动量度量信息为对象流动量大；若流动量之差小于或者等于第一阈值，且大于或者等于第二阈值，则确定流动量度量信息为对象流动量中等；若流动量之差小于第二阈值，则确定流动量度量信息为对象流动量小，其中，第一阈值大于第二阈值。
本申请实施例中，基于各个目标单位时间的流动量度量信息，生成推荐信息，推荐信息用于推荐流动量度量信息符合条件的目标单位时间，并在第二显示界面上显示推荐信息，以便于用户参考推荐信息，在第二显示界面上预约推荐的目标单位时间所对应的目标组织机构。
如图8所示，图8是本申请实施例提供的一种第二显示界面的示意图，该第二显示界面为医院对应的预约挂号界面，医院对应于组织机构。图8所示的第二显示界面中显示有四个医院，分别为医院1至医院4，医院1对应的流动量度量信息为今日就诊人次多，医院2对应的流动量度量信息为今日就诊人次多，医院3对应的流动量度量信息为今日就诊人次中等，医院4对应的流动量度量信息为今日就诊人次少。
用户点击第二显示界面上显示的医院1至医院4中的任意一个，显示该医院的相关信息。如图8所示的第二显示界面上还显示有医院1的相关信息，该相关信息包括医院1的科室信息(科室1至科室4)、医院1对应的“医院主页”控件、医院1对应的推荐信息“本医院今日就诊人次预计较多，建议预约本周二、四就诊”，用户通过点击“医院主页”控件，查看更多有关医院1的信息。
图8所示的第二显示界面上还可以显示有搜索控件，用户在搜索控件中输入医院信息，以便于查找输入的医院信息并显示。
需要说明的是，第一显示界面与第二显示界面可以在同一个显示界面，也可以在不同的显示界面，在本申请实施例中不做限定。
本申请实施例提供的技术方案是基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定至少两个组织机构中目标组织机构对应的目标流动量序列，实现了基于至少两个流动量序列和流动量序列之间的关联关系，预测组织机构在至少一个目标单位时间内的对象流动量，提高预测结果的准确性。
上述从方法步骤的角度阐述了本申请实施例的流动量的预测方法，下面将结合医院场景进一步进行说明。在医院场景中，至少两个组织机构为八家医院，流动量为预约量，历史流动量序列包含前21天的预约量，目标流动量序列包含后7天的预约量。如图9所示，图9是本申请实施例提供的一种预约量序列预测模型的结构示意图。该预约量序列预测模型包含图学习子模型、序列特征捕捉子模型和时间特征捕捉子模型，八家医院各自对应的前21天的预约量输入至序列特征捕捉子模型，且图学习子模型输出预约量序列之间的关联关系，由序列特征捕捉子模型输出八家医院各自对应的后7天的初始预约量，后7天的时间特征输入至时间特征捕捉子模型，由时间特征捕捉子模型输出后7天每天的预约量波动信息，利用后7天每天的预约量波动信息调整八家医院各自对应的后7天的初始预约量，得到八家医院各自对应的后7天的目标预约量。有关预约量序列预测模型的相关信息，见前述有关流动量序列预测模型的描述，在此不再赘述。
分别采用差分整合移动平均自回归模型(Autoregressive Integrated MovingAverage Model，ARIMA模型)和预约量序列预测模型(记为GCN-FM模型)，利用八家医院各自对应的前21天的预约量、后7天的时间特征，得到八家医院各自对应的后7天的目标预约量。通过对数据进行分析，得到如下表1所示的数据。其中，下表1中的数据是根据八家医院各自对应的后7天的目标预约量和八家医院各自对应的后7天的实际预约量，分别计算平均绝对误差(Mean Absolute Error，MAE)、平均绝对百分比误差(Mean Absolute PercentageError，MAPE)、均方误差(Mean Square Error，MSE)。
表1
Figure BDA0003190761030000181
从表1可以明显看出，不管是对于总体的预测还是对于各个医院单独的预测，GCN-FM模型对应的MAE、MAPE和MSE明显小于ARIMA模型对应的MAE、MAPE和MSE，表明GCN-FM模型的准确率明显的优于ARIMA模型，本申请实施例的GCN-FM模型明显的提高了预测结果的准确性。
图10所示为本申请实施例提供的一种流动量的预测装置的结构示意图，如图10所示，该装置包括第一获取模块101、第二获取模块102和确定模块103。
第一获取模块101，用于获取至少两个组织机构各自对应的历史流动量序列，历史流动量序列包含至少一个历史单位时间的对象流动量。
第二获取模块102，用于获取流动量序列之间的关联信息，流动量序列之间的关联信息是根据至少两个组织机构各自对应的第一流动量序列计算得到的，第一流动量序列包含至少两个第一单位时间的对象流动量。
确定模块103，用于基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，至少两个组织机构包含目标组织机构，目标流动量序列包含至少一个目标单位时间的对象流动量，目标单位时间为历史单位时间之后的时间。
在一种可能的实现方式中，确定模块103，用于获取至少一个目标单位时间的时间特征；基于至少一个目标单位时间的时间特征、至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，确定模块103，用于基于至少一个目标单位时间的时间特征，确定流动量序列波动信息，流动量序列波动信息包含各个目标单位时间的流动量波动信息；基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定目标组织机构对应的初始流动量序列，初始流动量序列包含至少一个目标单位时间的对象流动量；基于流动量序列波动信息对初始流动量序列进行调整，得到目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，时间特征包括星期特征、月份特征、节假日特征或季节特征中的至少一项。
在一种可能的实现方式中，确定模块103，用于基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定流动量序列特征；基于流动量序列特征，确定目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，流动量序列特征包括第一序列特征和第二序列特征，第一序列特征用于指示历史流动量序列之间的相关性，第二序列特征用于指示历史流动量序列中对象流动量之间的相关性；确定模块103，用于基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定第一序列特征；基于至少两个组织机构各自对应的历史流动量序列，确定第二序列特征；基于第一序列特征和第二序列特征，确定流动量序列特征。
在一种可能的实现方式中，确定模块103，用于将第一序列特征和第二序列特征进行拼接，得到流动量序列特征。
在一种可能的实现方式中，装置还包括第一显示模块。
第一显示模块，用于在第一显示界面上显示目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，第一显示模块，用于基于目标组织机构对应的目标流动量序列，生成流动量趋势图；在第一显示界面上显示流动量趋势图。
在一种可能的实现方式中，第一显示模块，用于响应于在第一显示界面上针对目标组织机构的预约操作，显示目标组织机构对应的目标流动量序列。
在一种可能的实现方式中，装置还包括生成模块和第二显示模块。
确定模块103，还用于基于目标组织机构对应的目标流动量序列，确定至少一个目标单位时间的流动量度量信息，流动量度量信息用于指示对象流动量的大小程度。
生成模块，用于基于至少一个目标单位时间的流动量度量信息，生成推荐信息，推荐信息用于推荐流动量度量信息符合条件的目标单位时间。
第二显示模块，用于在第二显示界面上显示推荐信息。
在一种可能的实现方式中，确定模块103，用于基于目标组织机构对应的历史流动量序列，确定流动量平均值；基于流动量平均值和目标组织机构对应的目标流动量序列，确定至少一个目标单位时间的流动量度量信息。
应理解的是，上述图10提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请实施例提供的技术方案是基于至少两个组织机构各自对应的历史流动量序列和流动量序列之间的关联信息，确定至少两个组织机构中目标组织机构对应的目标流动量序列，实现了基于至少两个流动量序列和流动量序列之间的关联关系，预测组织机构在至少一个目标单位时间内的对象流动量，提高预测结果的准确性。
图11示出了本申请一个示例性实施例提供的终端设备1100的结构框图。该终端设备1100可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端设备1100还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端设备1100包括有：处理器1101和存储器1102。
处理器1101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1101可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1101还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1102可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1101所执行以实现本申请中方法实施例提供的流动量的预测方法。
在一些实施例中，终端设备1100还可选包括有：外围设备接口1103和至少一个外围设备。处理器1101、存储器1102和外围设备接口1103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1103相连。具体地，外围设备包括：射频电路1104、显示屏1105、摄像头组件1106、音频电路1107、定位组件1108和电源1109中的至少一种。
外围设备接口1103可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1101和存储器1102。在一些实施例中，处理器1101、存储器1102和外围设备接口1103被集成在同一芯片或电路板上；在一些其他实施例中，处理器1101、存储器1102和外围设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1104用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1104包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1104还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1105用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时，显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时，显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1105可以为一个，设置在终端设备1100的前面板；在另一些实施例中，显示屏1105可以为至少两个，分别设置在终端设备1100的不同表面或呈折叠设计；在另一些实施例中，显示屏1105可以是柔性显示屏，设置在终端设备1100的弯曲表面上或折叠面上。甚至，显示屏1105还可以设置成非矩形的不规则图形，也即异形屏。显示屏1105可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。
摄像头组件1106用于采集图像或视频。可选地，摄像头组件1106包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1101进行处理，或者输入至射频电路1104以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端设备1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1107还可以包括耳机插孔。
定位组件1108用于定位终端设备1100的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件1108可以是基于美国的GPS(Global Positioning System，全球定位系统)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源1109用于为终端设备1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中，终端设备1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于：加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。
加速度传感器1111可以检测以终端设备1100建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号，控制显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1112可以检测终端设备1100的机体方向及转动角度，陀螺仪传感器1112可以与加速度传感器1111协同采集用户对终端设备1100的3D动作。处理器1101根据陀螺仪传感器1112采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1113可以设置在终端设备1100的侧边框和/或显示屏1105的下层。当压力传感器1113设置在终端设备1100的侧边框时，可以检测用户对终端设备1100的握持信号，由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在显示屏1105的下层时，由处理器1101根据用户对显示屏1105的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1114用于采集用户的指纹，由处理器1101根据指纹传感器1114采集到的指纹识别用户的身份，或者，由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1101授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置在终端设备1100的正面、背面或侧面。当终端设备1100上设置有物理按键或厂商Logo时，指纹传感器1114可以与物理按键或厂商Logo集成在一起。
光学传感器1115用于采集环境光强度。在一个实施例中，处理器1101可以根据光学传感器1115采集的环境光强度，控制显示屏1105的显示亮度。具体地，当环境光强度较高时，调高显示屏1105的显示亮度；当环境光强度较低时，调低显示屏1105的显示亮度。在另一个实施例中，处理器1101还可以根据光学传感器1115采集的环境光强度，动态调整摄像头组件1106的拍摄参数。
接近传感器1116，也称距离传感器，通常设置在终端设备1100的前面板。接近传感器1116用于采集用户与终端设备1100的正面之间的距离。在一个实施例中，当接近传感器1116检测到用户与终端设备1100的正面之间的距离逐渐变小时，由处理器1101控制显示屏1105从亮屏状态切换为息屏状态；当接近传感器1116检测到用户与终端设备1100的正面之间的距离逐渐变大时，由处理器1101控制显示屏1105从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图11中示出的结构并不构成对终端设备1100的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图12为本申请实施例提供的服务器的结构示意图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或多个处理器(Central Processing Units，CPU)1201和一个或多个的存储器1202，其中，该一个或多个存储器1202中存储有至少一条程序代码，该至少一条程序代码由该一个或多个处理器1201加载并执行以实现上述各个方法实施例提供的流动量的预测方法。当然，该服务器1200还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器1200还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，该存储介质中存储有至少一条程序代码，该至少一条程序代码由处理器加载并执行，以实现上述任一种流动量的预测方法。
可选地，上述计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、只读光盘(Compact Disc Read-OnlyMemory，CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品中存储有至少一条计算机指令，该至少一条计算机指令由处理器加载并执行，以实现上述任一种流动量的预测方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种流动量的预测方法，其特征在于，所述方法包括：
获取至少两个组织机构各自对应的历史流动量序列，所述历史流动量序列包含至少一个历史单位时间的对象流动量；
获取流动量序列之间的关联信息，所述流动量序列之间的关联信息是根据所述至少两个组织机构各自对应的第一流动量序列计算得到的，所述第一流动量序列包含至少两个第一单位时间的对象流动量；
基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，所述至少两个组织机构包含所述目标组织机构，所述目标流动量序列包含至少一个目标单位时间的对象流动量，所述目标单位时间为所述历史单位时间之后的时间。
2.根据权利要求1所述的方法，其特征在于，所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，包括：
获取所述至少一个目标单位时间的时间特征；
基于所述至少一个目标单位时间的时间特征、所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述目标组织机构对应的目标流动量序列。
3.根据权利要求2所述的方法，其特征在于，所述基于所述至少一个目标单位时间的时间特征、所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述目标组织机构对应的目标流动量序列，包括：
基于所述至少一个目标单位时间的时间特征，确定流动量序列波动信息，所述流动量序列波动信息包含各个目标单位时间的流动量波动信息；
基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述目标组织机构对应的初始流动量序列，所述初始流动量序列包含所述至少一个目标单位时间的对象流动量；
基于所述流动量序列波动信息对所述初始流动量序列进行调整，得到所述目标组织机构对应的目标流动量序列。
4.根据权利要求1所述的方法，其特征在于，所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，包括：
基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定流动量序列特征；
基于所述流动量序列特征，确定所述目标组织机构对应的目标流动量序列。
5.根据权利要求4所述的方法，其特征在于，所述流动量序列特征包括第一序列特征和第二序列特征，所述第一序列特征用于指示所述历史流动量序列之间的相关性，所述第二序列特征用于指示所述历史流动量序列中对象流动量之间的相关性；
所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定流动量序列特征，包括：
基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定所述第一序列特征；
基于所述至少两个组织机构各自对应的历史流动量序列，确定所述第二序列特征；
将所述第一序列特征和所述第二序列特征进行拼接，得到所述流动量序列特征。
6.根据权利要求1-5任一所述的方法，其特征在于，所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列之后，还包括：
基于所述目标组织机构对应的目标流动量序列，生成流动量趋势图；
在第一显示界面上显示所述流动量趋势图。
7.根据权利要求1-5任一所述的方法，其特征在于，所述基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列之后，还包括：
基于所述目标组织机构对应的目标流动量序列，确定所述至少一个目标单位时间的流动量度量信息，所述流动量度量信息用于指示所述对象流动量的大小程度；
基于所述至少一个目标单位时间的流动量度量信息，生成推荐信息，所述推荐信息用于推荐流动量度量信息符合条件的目标单位时间；
在第二显示界面上显示所述推荐信息。
8.根据权利要求7所述的方法，其特征在于，所述基于所述目标组织机构对应的目标流动量序列，确定所述至少一个目标单位时间的流动量度量信息，包括：
基于所述目标组织机构对应的历史流动量序列，确定流动量平均值；
基于所述流动量平均值和所述目标组织机构对应的目标流动量序列，确定所述至少一个目标单位时间的流动量度量信息。
9.一种流动量的预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取至少两个组织机构各自对应的历史流动量序列，所述历史流动量序列包含至少一个历史单位时间的对象流动量；
第二获取模块，用于获取流动量序列之间的关联信息，所述流动量序列之间的关联信息是根据所述至少两个组织机构各自对应的第一流动量序列计算得到的，所述第一流动量序列包含至少两个第一单位时间的对象流动量；
确定模块，用于基于所述至少两个组织机构各自对应的历史流动量序列和所述流动量序列之间的关联信息，确定目标组织机构对应的目标流动量序列，所述至少两个组织机构包含所述目标组织机构，所述目标流动量序列包含至少一个目标单位时间的对象流动量，所述目标单位时间为所述历史单位时间之后的时间。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行，以使所述电子设备实现如权利要求1-8任一所述的流动量的预测方法。
CN202110877155.3A 2021-07-31 2021-07-31 流动量的预测方法、装置、设备及可读存储介质 Active CN113657652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110877155.3A CN113657652B (zh) 2021-07-31 2021-07-31 流动量的预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110877155.3A CN113657652B (zh) 2021-07-31 2021-07-31 流动量的预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN113657652A true CN113657652A (zh) 2021-11-16
CN113657652B CN113657652B (zh) 2023-06-20

Family

ID=78490938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110877155.3A Active CN113657652B (zh) 2021-07-31 2021-07-31 流动量的预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113657652B (zh)

Citations (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301965A1 (en) * 2010-06-07 2011-12-08 International Business Machines Corporation Dynamically predicting patient influx into an emergency department
CN105469611A (zh) * 2015-12-24 2016-04-06 大连理工大学 一种短时交通流预测模型方法
CN105809276A (zh) * 2016-03-02 2016-07-27 江苏国泰智慧软件股份有限公司 取号预测方法及系统
US20170124526A1 (en) * 2015-11-04 2017-05-04 Yips, Llc System and method for scheduling patient appointments
CN108648023A (zh) * 2018-05-18 2018-10-12 上海电机学院 一种融合历史均值与提升树的商家客流量预测方法
US20180315502A1 (en) * 2017-04-27 2018-11-01 Koninklijke Philips N.V. Method and apparatus for optimization and simulation of patient flow
CN109034469A (zh) * 2018-07-20 2018-12-18 成都中科大旗软件有限公司 一种基于机器学习的游客流量预测方法
CN109041099A (zh) * 2018-06-28 2018-12-18 新华三大数据技术有限公司 人流量预测方法、装置及终端
CN109214584A (zh) * 2018-09-21 2019-01-15 北京百度网讯科技有限公司 用于预测客流量的方法和装置
CN109214583A (zh) * 2018-09-20 2019-01-15 口口相传(北京)网络技术有限公司 店铺人气值的预测方法及装置
JP2019040475A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 人流予測装置、システムおよびプログラム
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
CN109886738A (zh) * 2019-01-30 2019-06-14 杭州大橙知一科技有限公司 一种智能展会用户预测方法及设备
CN110166945A (zh) * 2019-06-04 2019-08-23 中国民用航空总局第二研究所 航站楼旅客流量动态预测方法、装置、介质及设备
CN110222905A (zh) * 2019-06-14 2019-09-10 智慧足迹数据科技有限公司 一种预测人流量的方法及装置
JP2019174876A (ja) * 2018-03-26 2019-10-10 株式会社日立ソリューションズ 人流予測装置
CN111160622A (zh) * 2019-12-09 2020-05-15 北京建筑大学 基于混合神经网络模型的景区客流预测方法和装置
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
CN111461384A (zh) * 2019-12-10 2020-07-28 阿里巴巴集团控股有限公司 对象流量预测方法、装置及设备
CN111612249A (zh) * 2020-05-20 2020-09-01 北京百度网讯科技有限公司 用于预测人流量的方法、装置、设备以及存储介质
WO2020211388A1 (zh) * 2019-04-16 2020-10-22 深圳壹账通智能科技有限公司 基于预测模型的行为预测方法、装置、设备及存储介质
JP2020194255A (ja) * 2019-05-27 2020-12-03 株式会社竹中工務店 人流分布予測装置、方法、及びプログラム
CN112101682A (zh) * 2020-09-25 2020-12-18 北京百度网讯科技有限公司 流量模式预测方法、装置、服务器以及可读介质
CN112185524A (zh) * 2020-01-20 2021-01-05 广州海鹚网络科技有限公司 医护人员值班人数的获取方法、装置、设备和存储介质
CN112233428A (zh) * 2020-10-10 2021-01-15 腾讯科技（深圳）有限公司 车流量预测方法、装置、存储介质及设备
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
CN112381320A (zh) * 2020-11-27 2021-02-19 山东建筑大学 一种社区人员流量预测方法、系统、存储介质及设备
CN112418699A (zh) * 2020-11-30 2021-02-26 腾讯科技（深圳）有限公司 资源分配方法、装置、设备及存储介质
CN112420180A (zh) * 2020-11-16 2021-02-26 深圳中兴网信科技有限公司 患者就诊时间预测方法、跨区域就诊系统和存储介质
CN112651571A (zh) * 2020-12-31 2021-04-13 深圳云天励飞技术股份有限公司 一种商城客流量的预测方法、装置、电子设备及存储介质
CN112686428A (zh) * 2020-12-15 2021-04-20 广州新科佳都科技有限公司 基于地铁线网站点相似性的地铁客流预测方法及装置
CN113159570A (zh) * 2021-04-20 2021-07-23 湖南海龙国际智能科技股份有限公司 一种基于客流态势感知的景区游览车智能调度系统及方法

Patent Citations (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301965A1 (en) * 2010-06-07 2011-12-08 International Business Machines Corporation Dynamically predicting patient influx into an emergency department
US20170124526A1 (en) * 2015-11-04 2017-05-04 Yips, Llc System and method for scheduling patient appointments
CN105469611A (zh) * 2015-12-24 2016-04-06 大连理工大学 一种短时交通流预测模型方法
CN105809276A (zh) * 2016-03-02 2016-07-27 江苏国泰智慧软件股份有限公司 取号预测方法及系统
US20180315502A1 (en) * 2017-04-27 2018-11-01 Koninklijke Philips N.V. Method and apparatus for optimization and simulation of patient flow
JP2019040475A (ja) * 2017-08-25 2019-03-14 日本電信電話株式会社 人流予測装置、システムおよびプログラム
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
JP2019174876A (ja) * 2018-03-26 2019-10-10 株式会社日立ソリューションズ 人流予測装置
CN108648023A (zh) * 2018-05-18 2018-10-12 上海电机学院 一种融合历史均值与提升树的商家客流量预测方法
CN109041099A (zh) * 2018-06-28 2018-12-18 新华三大数据技术有限公司 人流量预测方法、装置及终端
CN109034469A (zh) * 2018-07-20 2018-12-18 成都中科大旗软件有限公司 一种基于机器学习的游客流量预测方法
CN109214583A (zh) * 2018-09-20 2019-01-15 口口相传(北京)网络技术有限公司 店铺人气值的预测方法及装置
CN109214584A (zh) * 2018-09-21 2019-01-15 北京百度网讯科技有限公司 用于预测客流量的方法和装置
CN109886738A (zh) * 2019-01-30 2019-06-14 杭州大橙知一科技有限公司 一种智能展会用户预测方法及设备
WO2020211388A1 (zh) * 2019-04-16 2020-10-22 深圳壹账通智能科技有限公司 基于预测模型的行为预测方法、装置、设备及存储介质
JP2020194255A (ja) * 2019-05-27 2020-12-03 株式会社竹中工務店 人流分布予測装置、方法、及びプログラム
CN110166945A (zh) * 2019-06-04 2019-08-23 中国民用航空总局第二研究所 航站楼旅客流量动态预测方法、装置、介质及设备
CN110222905A (zh) * 2019-06-14 2019-09-10 智慧足迹数据科技有限公司 一种预测人流量的方法及装置
CN111160622A (zh) * 2019-12-09 2020-05-15 北京建筑大学 基于混合神经网络模型的景区客流预测方法和装置
CN111461384A (zh) * 2019-12-10 2020-07-28 阿里巴巴集团控股有限公司 对象流量预测方法、装置及设备
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
CN112185524A (zh) * 2020-01-20 2021-01-05 广州海鹚网络科技有限公司 医护人员值班人数的获取方法、装置、设备和存储介质
CN111612249A (zh) * 2020-05-20 2020-09-01 北京百度网讯科技有限公司 用于预测人流量的方法、装置、设备以及存储介质
US20210209938A1 (en) * 2020-09-25 2021-07-08 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus, system, and computer-readable medium for traffic pattern prediction
CN112101682A (zh) * 2020-09-25 2020-12-18 北京百度网讯科技有限公司 流量模式预测方法、装置、服务器以及可读介质
CN112233428A (zh) * 2020-10-10 2021-01-15 腾讯科技（深圳）有限公司 车流量预测方法、装置、存储介质及设备
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
CN112420180A (zh) * 2020-11-16 2021-02-26 深圳中兴网信科技有限公司 患者就诊时间预测方法、跨区域就诊系统和存储介质
CN112381320A (zh) * 2020-11-27 2021-02-19 山东建筑大学 一种社区人员流量预测方法、系统、存储介质及设备
CN112418699A (zh) * 2020-11-30 2021-02-26 腾讯科技（深圳）有限公司 资源分配方法、装置、设备及存储介质
CN112686428A (zh) * 2020-12-15 2021-04-20 广州新科佳都科技有限公司 基于地铁线网站点相似性的地铁客流预测方法及装置
CN112651571A (zh) * 2020-12-31 2021-04-13 深圳云天励飞技术股份有限公司 一种商城客流量的预测方法、装置、电子设备及存储介质
CN113159570A (zh) * 2021-04-20 2021-07-23 湖南海龙国际智能科技股份有限公司 一种基于客流态势感知的景区游览车智能调度系统及方法

Also Published As

Publication number Publication date
CN113657652B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN108304265B (zh) 内存管理方法、装置及存储介质
CN110083791B (zh) 目标群组检测方法、装置、计算机设备及存储介质
CN110413837B (zh) 视频推荐方法和装置
CN111104980B (zh) 确定分类结果的方法、装置、设备及存储介质
CN112163717A (zh) 人口数据预测方法、装置、计算机设备及介质
CN112990053B (zh) 图像处理方法、装置、设备及存储介质
CN111078521A (zh) 异常事件的分析方法、装置、设备、系统及存储介质
CN111897996A (zh) 话题标签推荐方法、装置、设备及存储介质
CN111738365B (zh) 图像分类模型训练方法、装置、计算机设备及存储介质
CN111428937A (zh) 用户流失的预测方法、装置、电子设备及可读存储介质
CN111563201A (zh) 内容推送方法、装置、服务器及存储介质
CN113657652B (zh) 流动量的预测方法、装置、设备及可读存储介质
CN109388732B (zh) 音乐地图的生成和显示方法、装置及存储介质
CN114764480A (zh) 群组类型识别方法、装置、计算机设备及介质
CN111429106A (zh) 资源转移凭证的处理方法、服务器、电子设备及存储介质
CN111984738A (zh) 数据关联方法、装置、设备及存储介质
CN111259252A (zh) 用户标识识别方法、装置、计算机设备及存储介质
CN111258673A (zh) 快应用显示方法及终端设备
CN112308104A (zh) 异常识别方法、装置及计算机存储介质
CN113673224B (zh) 识别热门词汇的方法、装置、计算机设备及可读存储介质
CN115841181B (zh) 剩余油分布预测方法、装置、设备及存储介质
CN112579661B (zh) 特异目标对确定方法、装置、计算机设备及存储介质
CN112989198B (zh) 推送内容的确定方法、装置、设备及计算机可读存储介质
CN111526221B (zh) 域名质量确定方法、装置及存储介质
CN112560472B (zh) 一种识别敏感信息的方法及装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40055317

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant