CN113724116A - 一种区域人群活跃度确定方法、装置及电子设备 - Google Patents

一种区域人群活跃度确定方法、装置及电子设备 Download PDF

Info

Publication number
CN113724116A
CN113724116A CN202011507173.4A CN202011507173A CN113724116A CN 113724116 A CN113724116 A CN 113724116A CN 202011507173 A CN202011507173 A CN 202011507173A CN 113724116 A CN113724116 A CN 113724116A
Authority
CN
China
Prior art keywords
data
target
people
time
sample
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
Application number
CN202011507173.4A
Other languages
English (en)
Inventor
胡安民
刘洋
张钧波
郑宇�
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.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing Digital Technology 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 Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN202011507173.4A priority Critical patent/CN113724116A/zh
Publication of CN113724116A publication Critical patent/CN113724116A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请公开了一种区域人群活跃度确定方法、装置及电子设备。该方法包括：获取数据端上的目标区域在目标时刻的第一人流数据；协同其他数据端上的所述目标区域在所述目标时刻的第二人流数据，通过目标联邦学习模型对所述第一人流数据进行修正，以获取所述目标区域在所述目标时刻的目标修正人流数据；根据所述目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取所述目标区域在所述目标时刻的人群活跃度。由此，本申请通过空间处理及时序处理，在对原始人流数据进行修正以获取第一人流数据后，并协调其他数据端上的第二人流数据对第一人流数据进行进一步修正，提高了区域人群活跃度确定过程中的准确性和可靠性。

Description

一种区域人群活跃度确定方法、装置及电子设备
技术领域
本申请涉及数据处理技术领域，尤其涉及一种区域人群活跃度确定方法、装置及电子设备。
背景技术
随着社会的不断发展和城市人口的迅速增多，社会异常事件偶发的可能性急剧增大，因此对异常事件的监测和提前预警具有十分重要的意义。其中“基于区域人群活跃度的监测”是一种重要的社会异常事件预警方法。
现有技术中，在试图确定区域人群活跃度时，通常采用在某一个待计算区域通过单一数据源获取区域到访人数，然后根据经验知识，人为地确定一个常数，将到访人数和常数之间的比例作为此区域人群活跃度。
由上可知，现有技术中，往往依赖工作人员通过传统计算及经验知识等方式对单一数据源进行分析，这样一来，势必导致现有区域人群活跃度确定过程中存在耗时久、准确性低、可靠性差等问题。因此，如何缩短区域人群活跃度确定过程的耗时、提高区域人群活跃度确定过程中的准确性和可靠性，已成为了重要的研究方向之一。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种区域人群活跃度确定方法，用于解决现有区域人群活跃度确定方法过程中存在的耗时久、准确性低、可靠性差的技术问题。
本发明的第二个目的在于提出一种区域人群活跃度确定装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为了实现上述目的，本申请第一方面实施例提供了一种区域人群活跃度确定方法，所述方法包括以下步骤：获取数据端上的目标区域在目标时刻的第一人流数据；协同其他数据端上的所述目标区域在所述目标时刻的第二人流数据，通过目标联邦学习模型对所述第一人流数据进行修正，以获取所述目标区域在所述目标时刻的目标修正人流数据；根据所述目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取所述目标区域在所述目标时刻的人群活跃度。
另外，根据本申请上述实施例的区域人群活跃度确定方法还可以具有如下附加的技术特征：
根据本申请的一个实施例，所述获取数据端上的目标区域在目标时刻的第一人流数据，包括：获取在第二预设时长内所述目标区域在每个历史目标时刻的原始人流数据；基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
根据本申请的一个实施例，所述基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据，包括：获取所述目标时刻与每个所述历史目标时刻的时间差值；基于每个所述历史目标时刻对应的所述时间差，获取每个所述历史目标时刻对所述目标时刻的影响权重；基于每个所述历史目标时刻的所述原始人流数据和所述影响权重，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
根据本申请的一个实施例，所述基于每个所述历史目标时刻的所述权重数据和所述原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据，包括：基于每个所述历史目标时刻的所述原始人流数据和所述权重数据，获取每个所述历史目标时刻对所述目标时刻的人流影响值；获取每个所述历史目标时刻的所述人流影响值的均值；将所述均值与所述目标时刻的原始人流数据相加，得到所述第一人流数据。
根据本申请的一个实施例，每个所述第二人流数据为所述其他数据端的原始人流数据修正后的人流数据。
根据本申请的一个实施例，所述目标联邦学习模型的训练过程，包括：获取所述数据端上的样本区域在样本时刻的第一样本人流数据；协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，其中，选取所述第一样本人流数据和所述第二样本人流数据中人流数据最大的样本人流数据作为模型的待修正数据，剩余的样本人流数据作为所述模型的特征数据，所述目标联邦学习模型用于建立所述特征数据和所述待修正数据之间的回归关系。
根据本申请的一个实施例，所述协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，包括：获取所述数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的所述中间结果发送给协调方进行汇总；接收所述协调方发送的每次汇总出的全局中间结果；基于所述全局中间结果调整所述本地学习模型的模型参数并继续下一轮训练，直至满足预设条件停止训练得到所述目标联邦学习模型。
本申请第一方面实施例提供了区域人群活跃度确定方法，可以通过获取数据端上的目标区域在目标时刻的第一人流数据，并协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取目标区域在目标时刻的目标修正人流数据，进而根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度，不再依赖单一数据源，避免了数据源在时序上的不稳定性导致确定结果不准确的问题，确保区域人群活跃度的确定结果能够更加接近真实的人群活跃度情况，提高了区域人群活跃度确定过程中的准确性和可靠性。
为了实现上述目的，本申请第二方面实施例提供了一种区域人群活跃度确定装置，包括：第一获取模块，用于获取数据端上的目标区域在目标时刻的第一人流数据；第二获取模块，用于协同其他数据端上的所述目标区域在所述目标时刻的第二人流数据，通过目标联邦学习模型对所述第一人流数据进行修正，以获取所述目标区域在所述目标时刻的目标修正人流数据；第三获取模块，用于根据所述目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取所述目标区域在所述目标时刻的人群活跃度。
根据本申请的一个实施例，所述第一获取模块，包括：第一获取子模块，用于获取在第二预设时长内所述目标区域在每个历史目标时刻的原始人流数据；第二获取子模块，用于基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
根据本申请的一个实施例，所述第二获取子模块，包括：第一获取单元，用于获取所述目标时刻与每个所述历史目标时刻的时间差值；第二获取单元，用于基于每个所述历史目标时刻对应的所述时间差，获取每个所述历史目标时刻对所述目标时刻的影响权重；第三获取单元，用于基于每个所述历史目标时刻的所述原始人流数据和所述影响权重，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
根据本申请的一个实施例，所述第三获取单元，包括：第一获取子单元，用于基于每个所述历史目标时刻的所述原始人流数据和所述权重数据，获取每个所述历史目标时刻对所述目标时刻的人流影响值；第二获取子单元，用于获取每个所述历史目标时刻的所述人流影响值的均值；确定子单元，用于将所述均值与所述目标时刻的原始人流数据相加，得到所述第一人流数据。
根据本申请的一个实施例，每个所述第二人流数据为所述其他数据端的原始人流数据修正后的人流数据。
根据本申请的一个实施例，还包括训练模块，其中，所述训练模块，包括：第三获取子模块，用于获取所述数据端上的样本区域在样本时刻的第一样本人流数据；生成子模块，用于协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，其中，选取所述第一样本人流数据和所述第二样本人流数据中人流数据最大的样本人流数据作为模型的待修正数据，剩余的样本人流数据作为所述模型的特征数据，所述目标联邦学习模型用于建立所述特征数据和所述待修正数据之间的回归关系。
根据本申请的一个实施例，所述生成子模块，包括：汇总单元，用于获取所述数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的所述中间结果发送给协调方进行汇总；接收单元，用于接收所述协调方发送的每次汇总出的全局中间结果；调整单元，用于基于所述全局中间结果调整所述本地学习模型的模型参数并继续下一轮训练，直至满足预设条件停止训练得到所述目标联邦学习模型。
本申请第二方面实施例提供了区域人群活跃度确定装置，可以通过获取数据端上的目标区域在目标时刻的第一人流数据，并协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取目标区域在目标时刻的目标修正人流数据，进而根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度，不再依赖单一数据源，避免了数据源在时序上的不稳定性导致确定结果不准确的问题，确保区域人群活跃度的确定结果能够更加接近真实的人群活跃度情况，提高了区域人群活跃度确定过程中的准确性和可靠性。
为了实现上述目的，本申请第三方面实施例提供了一种电子设备，包括：存储器、处理器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程序时，实现如本申请第一方面实施例中任一项所述的区域人群活跃度确定方法。
为了实现上述目的，本申请第四方面实施例提供了一种计算机可读存储介质，该程序被处理器执行时实现如本申请第一方面实施例中任一项所述的区域人群活跃度确定方法。
附图说明
图1为本申请一个实施例公开的区域人群活跃度确定方法的流程示意图；
图2为本申请另一个实施例公开的区域人群活跃度确定方法的流程示意图；
图3为本申请另一个实施例公开的区域人群活跃度确定方法的流程示意图；
图4为本申请另一个实施例公开的区域人群活跃度确定方法的流程示意图；
图5为本申请另一个实施例公开的区域人群活跃度确定方法的流程示意图；
图6为本申请另一个实施例公开的区域人群活跃度确定方法的流程示意图；
图7为本申请另一个实施例公开的区域人群活跃度确定方法的流程示意图；
图8为本申请一个实施例公开的多数据端进行区域人群活跃度确定的全过程的流程示意图；
图9为本申请一个实施例公开的区域人群活跃度确定装置的结构示意图；
图10为本申请另一个实施例公开的区域人群活跃度确定装置的结构示意图；
图11为本申请另一个实施例公开的区域人群活跃度确定装置的结构示意图；
图12为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
应当理解，本申请实施例中涉及的“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的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
下面参照附图描述根据本申请实施例提出的一种区域人群活跃度确定方法、装置及电子设备。
图1为本申请一个实施例公开的一种区域人群活跃度确定方法的流程示意图。
如图1所示，本申请实施例提出的区域人群活跃度确定方法，具体包括以下步骤：
S101、获取数据端上的目标区域在目标时刻的第一人流数据。
需要说明的是，现有技术中，区域人群活跃度确定依据，主要包括：商圈人群活跃度、小区人群活跃度、景区人群活跃度等。即言，传统的确定方法往往依赖单数据源。这样一来，势必导致最终的确定结果误差较大。由此，本申请实施例中，可以针对多数据源，获取数据端上的目标区域在目标时刻的多个人流时序数据，即第一人流数据。
其中，数据端，可以为试图确定区域人群活跃度的任一数据端。
其中，数据端上的第一人流数据，可以来自多方数据源，例如，可以来自多方运营商；又例如，可以来自多方APP(Application，应用程序)；再例如，可以来自多方运营商以及多方APP。
其中，目标区域，可以为试图进行人群活跃度确定的任一区域，例如，可以为经度范围为西经-20°～东经160°、纬度范围为南纬30°～南纬50°的目标区域。
其中，目标时刻，可以为任一时刻，例如10点、14点等。
其中，第一人流数据，可以为时序数据(Timing Data)。其中，时序数据，即时间序列数据，指的是同一统一指标按照时间顺序记录的数据列。例如，可以为运营商统计得到的目标区域内的设备数量；又例如，可以为APP报点数据统计得到的目标区域内的报点数量。
S102、协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取目标区域在目标时刻的目标修正人流数据。
需要说明的是，现有技术中，在试图进行区域人群活跃度确定时，通常不会考虑由于数据源在时序上的不稳定性。然而由于电信运营商和APP公司覆盖人群只是真实人群中的一部分，而这部分人群在某些时段由于公司业务活动等原因，会出现与真实人群不一样的波动分布。举例而言：目某电商APP在购物节期间，会有更多用户打开该APP，此种情况下，从报点数据来看，某个区域在购物节期间的人数出现增长，而真实情况确并非如此。这样一来，势必导致针对某段时间内，目标区域人群活跃度的最终确定结果误差较大。
由此，本申请实施例中，在获取第一人流数据后，可以基于时序处理，协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，即通过确定人流数据的不稳定点，并对其进行修正，从而得到更加准确的目标区域在目标时刻的目标修正人流数据。
其中，目标联邦学习(Federated Learning)模型，为预先训练好的联邦学习模型。其中，联邦学习，是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。
S103、根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度。
需要说明的是，现有技术中，在试图获取目标区域在目标时刻的人群活跃度时，往往通过单一数据源获取区域到访人数，然后根据经验知识，人为确定一个常数，将到访人数和常数之间的比例作为此区域人群活跃度，这样一来，势必导致人群活跃度结果的不准确性。由此，本申请中，在获取到目标修正人流数据后，可以根据更加准确的目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度。
其中，第一预设时长可以根据实际情况进行设定。例如，可以设定第一预设时长为1年、6个月等。
需要说明的是，本申请中对于根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度的具体方式不作限定，可以根据实际情况进行选取。
作为一种可能的实现方式，可以根据第一预设时长内在历史目标时刻的修正人流总数据，获取第一预设时长内在历史目标时刻的修正人流数据的平均值。进一步地，可以通过以下公式，将目标修正人流数据与平均值的比值作为目标区域在目标时刻的人群活跃度：
Figure BDA0002845271220000071
其中，Xk为目标修正人流数据，X为目标区域第一预设时长内的历史目标时刻的修正人流总数据平均值。
需要说明的是，目标区域第一预设时长内的历史目标时刻的修正人流总数据平均值与目标修正人流数据的时间粒度是一致的。举例而言，若目标修正人流数据对应的时间粒度为天，则X＝目标区域1年内的历史目标时刻的修正人流总数据/365；若目标修正人流数据对应的时间粒度为小时，则X＝目标区域1年内的历史目标时刻的修正人流总数据/365*24。
由此，本申请提出的区域人群活跃度确定方法，可以通过获取数据端上的目标区域在目标时刻的第一人流数据，并协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取目标区域在目标时刻的目标修正人流数据，进而根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度，不再依赖单一数据源，避免了数据源在时序上的不稳定性导致确定结果不准确的问题，确保区域人群活跃度的确定结果能够更加接近真实的人群活跃度情况，提高了区域人群活跃度确定过程中的准确性和可靠性。
需要说明的是，现有技术在，在确定区域人群活跃度时，通常采用电信运行商的移动设备信令数据或者各大公司的手机APP报点数据作为数据源，不会考虑经纬度偏移导致的空间不精确问题。然而由于目前GPS(Global Positioning System，全球定位系统)在精准度方面仍有较大误差，因此，无论是信令数据还是报点数据，在获取设备的经、纬度时，势必会发生偏移。这样一来，当目标区域是生活商圈、商务楼宇、居住小区等小范围区域的时候，前述位置偏移将会使得区域到访人数的估计出现较大误差。举例而言，当目标区域是生活商圈，且生活商圈附近建有一个地铁站时，由于经、纬度位置偏移，势必导致地铁中的人流数据会被计入到生活商圈的人流数据中。这样一来，势必导致最终的计算的人群活跃度结果出现较大误差。
由此，本申请中，在试图获取数据端上的目标区域在目标时刻的第一人流数据时，可以通过空间处理，对原始人流数据进行修正，以得到第一人流数据。
作为一种可能的实现方式，如图2所示，在上述实施例的基础上，获取数据端上的目标区域在目标时刻的第一人流数据的具体过程，包括以下步骤：
S201、获取在第二预设时长内目标区域在每个历史目标时刻的原始人流数据。
其中，第二预设时长可以根据实际情况进行设定。例如，可以设定第二预设时长为1个月、1个星期等。
需要说明的是，本申请中对于在第二预设时长内获取目标区域在每个历史目标时刻的原始人流数据的具体方式不作限定，可以根据实际情况进行选取。可选地，可以以预先设定的频率，进行目标区域在每个历史目标时刻的原始人流数据的统计。
举例而言，若时间粒度为天、第二预设时长为1个月、目标时刻为10点，则可以以预先设定的频率，进行1个月内，目标区域在每天10点的原始人流数据的统计。
需要说明的是，由于针对任何一个具有特殊社会功能的区域，对应的人流活动都具有一定的周期规律性，这种规律性主要包括以下两种情况：工作日每个时段的规律以及休息日每个时段的规律。同时，由于空间上的位置偏移，势必导致人群活跃度出现以下两种偏差：目标区域外部分流动人流被划分到目标区域内以及目标区域内部分人群经纬度偏移到目标区域外。此外，由于位置的偏移是随机的，使得导致前述空间内的人群活跃度产生偏差的情况，均为偶发性，不具有周期规律性。
由此，本申请实施例中，可以按照预设条件，获取在第二预设时长内目标区域在每个历史目标时刻的原始人流数据。其中，预设条件可以根据实际情况进行设定。例如，可以设定预设条件为是否为工作日的判定结果。
举例而言，在前述举例的基础上，针对工作日，可以以预先设定的频率，进行1个月的22天工作日内，目标区域在每天10点的原始人流数据的统计；针对休息日，可以以预先设定的频率，进行1个月的8天休息日内，目标区域在每天10点的原始人流数据的统计。
S202、基于每个历史目标时刻的原始人流数据，对目标时刻的原始人流数据进行修正，以获取第一人流数据。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤S202中基于每个历史目标时刻的原始人流数据，对目标时刻的原始人流数据进行修正，以获取第一人流数据的具体过程，包括以下步骤：
S301、获取目标时刻与每个历史目标时刻的时间差值。
本申请实施例中，可以按照预设原则，获取目标时刻与每个历史目标时刻的时间差值。其中，预设原则可以根据实际情况进行设定。例如，可以设定预设原则为周期递减原则。
S302、基于每个历史目标时刻对应的时间差，获取每个历史目标时刻对目标时刻的影响权重。
本申请实施例中，可以基于每个历史目标时刻对应的时间差，通过以下公式，获取每个历史目标时刻对目标时刻的影响权重：
Figure BDA0002845271220000081
其中：t表示目标时刻，ti表示时序序列中每个时刻，即历史目标时刻，c表示衰减因子。其中，衰减因此可以根据实际情况进行调节。
S303、基于每个历史目标时刻的原始人流数据和影响权重，对目标时刻的原始人流数据进行修正，以获取第一人流数据。
作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上述步骤S303中基于每个历史目标时刻的原始人流数据和影响权重，对目标时刻的原始人流数据进行修正，以获取第一人流数据的具体过程，包括以下步骤：
S401、基于每个历史目标时刻的原始人流数据和权重数据，获取每个历史目标时刻对目标时刻的人流影响值。
举例而言，过去3天内目标区域在每天10点的原始人流数据分别为a1、a2和a3，对应的权重数据分别为k1～k3，此种情况下，可以获取每个历史目标时刻对目标时刻的人流影响值分别为a1*k1、a2*k2和a3*k3。
S402、获取每个历史目标时刻的人流影响值的均值。
举例而言，在前述举例的基础上，针对历史目标时刻10点，可以获取每个历史目标时刻的人流影响值的均值＝(a1*k1+a2*k2+a3*k3)/3。
S403、将均值与目标时刻的原始人流数据相加，得到第一人流数据。
本申请实施例中，在获取到均值与目标时刻的原始人流数据后，可以通过以下公式将均值与目标时刻的原始人流数据相加，得到第一人流数据。
Figure BDA0002845271220000091
其中，X表示目标时刻的原始人流数据，
Figure BDA0002845271220000092
表示经过修正后的第一人流数据，Xi表示目标时刻的人流数据，m表示时序序列长度，Wi表示权重数据，可调节。
由此，本申请提出的区域人群活跃度确定方法，可以通过获取在第二预设时长内目标区域在每个历史目标时刻的原始人流数据，并基于每个历史目标时刻的原始人流数据，对目标时刻的原始人流数据进行修正，以获取第一人流数据，通过空间处理，避免了由于经、纬度位置偏移，导致获取到的第一人流数据结果出现较大误差的问题，进一步提高了区域人群活跃度确定过程中的准确性和可靠性。
需要说明的是，在各数据端通过空间处理，对自身获取到的原始人流数据进行修正后，可以得到避免了空间偏差导致的人流数据统计的不准确性。进一步地，各数据端，可以协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型进行时序处理，以对第一人流数据进行进一步修正，以获取目标区域在目标时刻的目标修正人流数据。其中，每个第二人流数据为其他数据端的原始人流数据修正后的人流数据。
需要说明的是，联邦学习模型是预先训练好的，如图5所示，上述联邦学习模型的训练过程，具体包括以下步骤：
S501、获取数据端上的样本区域在样本时刻的第一样本人流数据。
其中，样本区域在样本时刻的第一样本人流数据可以预先收集。第一样本人流数据的数量可以预先设定，例如获取100个第一样本人流数据。
S502、协同其他数据端上的样本区域在样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成目标联邦学习模型，其中，选取第一样本人流数据和第二样本人流数据中人流数据最大的样本人流数据作为模型的待修正数据，剩余的样本人流数据作为模型的特征数据，目标联邦学习模型用于建立特征数据和待修正数据之间的回归关系。
作为一种可能的实现方式，如图6所示，在上述实施例的基础上，上述步骤S502中协同其他数据端上的样本区域在样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成目标联邦学习模型的具体过程，包括以下步骤：
S601、获取数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的中间结果发送给协调方进行汇总。
本申请实施例中，可以获取各数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的中间结果发送给协调方进行汇总。相应地，协调方可以接收各数据端上报的中间结果，并汇总出的全局中间结果。
S602、接收协调方发送的每次汇总出的全局中间结果。
本申请实施例中，协调方在每次汇总出全局中间结果后，可以分别发送至各数据方。相应地，可以接收协调方发送的每次汇总出的全局中间结果。
S603、基于全局中间结果调整本地学习模型的模型参数并继续下一轮训练，直至满足预设条件停止训练得到目标联邦学习模型。
举例而言，由于日平均数据量越大的数据，相应地，对应的出现偏差的目标时刻的人流数据统计结果越少。由此，协调方可以选定多方数据中日平均数据量最大一方数据作为待修正数据，即标签数据，选定其他几方数据作为特征数据。
进一步地，可以提取作为特征数据的多方数据临近性、周期性、趋势性特征，例如当时间粒度为小时，此种情况下，临近性为距离当前时刻最近的12小时数据；周期性为近7天每天再当前时刻的数据；趋势性为近30天在当前时刻的数据。需要说明的是，前述特征的取值可以根据模型效果进行修改。
进一步地，可以选用联邦学习中的逻辑回归(Logistic Regression)等回归算法，建立特征数据和待修正数据之间的回归模型关系，并在每个目标时刻由特征数据输入到训练好的联邦学习模型中，得到结果即为修正后的人流数据。
由此，本申请提出的区域人群活跃度确定方法，可以通过协同其他数据端上的样本区域在样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成目标联邦学习模型，进而通过目标联邦学习模型对第一人流数据进行修正，以获取目标区域在目标时刻的目标修正人流数据，通过时序处理，协调其他数据端上的第二人流数据对第一人流数据进行进一步修正，避免了由于数据源在时序上的不稳定性，导致获取到的第一人流数据结果出现较大误差的问题，进一步提高了区域人群活跃度确定过程中的准确性和可靠性。
图7为本申请另一个实施例公开的一种区域人群活跃度确定方法的流程示意图。
如图7所示，本实施例提出的区域人群活跃度确定方法，包括如下步骤：
S701、获取数据端上的目标区域在目标时刻的第一人流数据。
S702、获取在第二预设时长内目标区域在每个历史目标时刻的原始人流数据。
S703、获取目标时刻与每个历史目标时刻的时间差值。
S704、基于每个历史目标时刻对应的时间差，获取每个历史目标时刻对目标时刻的影响权重。
S705、基于每个历史目标时刻的原始人流数据和权重数据，获取每个历史目标时刻对目标时刻的人流影响值。
S706、获取每个历史目标时刻的人流影响值的均值。
S707、将均值与目标时刻的原始人流数据相加，得到第一人流数据。
S708、协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取目标区域在目标时刻的目标修正人流数据。
S709、根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取目标区域在目标时刻的人群活跃度。
需要说明的是，上述步骤S701～S709可以参见前述记载，此处不再赘述。
由此，本申请提出的区域人群活跃度确定方法，可以通过空间处理及时序处理，在对原始人流数据进行修正以获取第一人流数据后，协调其他数据端上的第二人流数据对第一人流数据进行进一步修正，避免了由于经、纬度位置偏移，以及由于数据源在时序上的不稳定性，导致获取到的第一人流数据结果出现较大误差的问题，提高了区域人群活跃度确定过程中的准确性和可靠性。
需要说明的是，本申请提出的区域人群活跃度确定方法，可以协调多方数据端，形成区域人群活跃度确定系统。
举例而言，如图8所示，区域人群活跃度确定系统中共包括n个数据端，分别为数据端1～n。可选地，各数据端可以获取区域人群数据，即原始人流数据，并由各数据端对自身获取到的原始人流数据进行基于空间的人群数据修正，以得到各数据端上的第一人流数据。
进一步地，各数据端可以协同其他数据端上的目标区域在目标时刻的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取修正后的区域人群数据，即目标区域在目标时刻的目标修正人流数据。
进一步地，各数据端可以根据目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，进行活跃度计算，以获取区域人群活跃度，即目标区域在目标时刻的人群活跃度。
由此，本申请提出的区域人群活跃度确定方法，可以通过空间处理，避免了由于经、纬度位置偏移，导致获取到的第一人流数据结果出现较大误差的问题，进一步地，可以通过时序处理，协调其他数据端上的第二人流数据对第一人流数据进行进一步修正，避免了由于数据源在时序上的不稳定性，导致获取到的第一人流数据结果出现较大误差的问题，进一步提高了区域人群活跃度确定过程中的准确性和可靠性。
需要说明的是，本申请提出的区域人群活跃度确定方法，可以运用于多种应用场景中。
针对异常事件监测预警应用场景，若目标区域为小区甲、目标时刻为10点、第二预设时长为1个月，此种情况下，可以获取在过去1个月内小区甲在每个工作日10点的原始人流数据，然后获取10点与每个工作日10点的时间差值，并基于每个工作日10点对应的时间差，获取每个工作日10点对10点的影响权重，进而基于每个工作日10点的原始人流数据和权重数据，获取每个工作日10点对10点的人流影响值，以及每个工作日10点的人流影响值的均值，并将均值与10点的原始人流数据相加，得到第一人流数据。
进一步地，可以协同其他数据端上的小区甲在10点的第二人流数据，通过目标联邦学习模型对第一人流数据进行修正，以获取小区甲在10点的目标修正人流数据。
由此，本申请提出的的区域人群活跃度确定方法，可以通过空间处理及时序处理，更加准确地获取到小区甲在10点时的人群活跃度结果，使得在识别获取到的人群活跃度结果未处于预设人群活跃度阈值范围后，能够更加及时、准确地实现异常事件监测预警，确保了小区甲的安全性。
基于同一申请构思，本申请实施例还提供了一种区域人群活跃度确定方法对应的装置。
图9为本申请实施例提供的区域人群活跃度确定装置的结构示意图。
如图9所示，该区域人群活跃度确定装置1000，包括：第一获取模块110、第二获取模块120和第三获取模块130。其中，
第一获取模块，用于获取数据端上的目标区域在目标时刻的第一人流数据；
第二获取模块，用于协同其他数据端上的所述目标区域在所述目标时刻的第二人流数据，通过目标联邦学习模型对所述第一人流数据进行修正，以获取所述目标区域在所述目标时刻的目标修正人流数据；
第三获取模块，用于根据所述目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取所述目标区域在所述目标时刻的人群活跃度。
根据本申请的一个实施例，如图10所示，第一获取模块110，还包括：
第一获取子模块111，用于获取在第二预设时长内所述目标区域在每个历史目标时刻的原始人流数据；
第二获取子模块112，用于基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
其中，第二获取子模块112，包括：
第一获取单元1121，用于获取所述目标时刻与每个所述历史目标时刻的时间差值；
第二获取单元1122，用于基于每个所述历史目标时刻对应的所述时间差，获取每个所述历史目标时刻对所述目标时刻的影响权重；
第三获取单元1123，用于基于每个所述历史目标时刻的所述原始人流数据和所述影响权重，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
其中，第三获取单元1123，包括：
第一获取子单元11231，用于基于每个所述历史目标时刻的所述原始人流数据和所述权重数据，获取每个所述历史目标时刻对所述目标时刻的人流影响值；
第二获取子单元11232，用于获取每个所述历史目标时刻的所述人流影响值的均值；
确定子单元11233，用于将所述均值与所述目标时刻的原始人流数据相加，得到所述第一人流数据。
根据本申请的一个实施例，每个所述第二人流数据为所述其他数据端的原始人流数据修正后的人流数据。
根据本申请的一个实施例，如图11所示，区域人群活跃度确定装置1000，还包括训练模块140。其中，训练模块140，包括：
第三获取子模块141，用于获取所述数据端上的样本区域在样本时刻的第一样本人流数据；
生成子模块142，用于协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，其中，选取所述第一样本人流数据和所述第二样本人流数据中人流数据最大的样本人流数据作为模型的待修正数据，剩余的样本人流数据作为所述模型的特征数据，所述目标联邦学习模型用于建立所述特征数据和所述待修正数据之间的回归关系。
其中，生成子模块142，包括：
汇总单元1421，用于获取所述数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的所述中间结果发送给协调方进行汇总；
接收单元1422，用于接收所述协调方发送的每次汇总出的全局中间结果；
调整单元1423，用于基于所述全局中间结果调整所述本地学习模型的模型参数并继续下一轮训练，直至满足预设条件停止训练得到所述目标联邦学习模型。
由此，本申请提出的区域人群活跃度确定装置，可以通过空间处理及时序处理，在对原始人流数据进行修正以获取第一人流数据后，并协调其他数据端上的第二人流数据对第一人流数据进行进一步修正，避免了由于经、纬度位置偏移，以及由于数据源在时序上的不稳定性，导致获取到的第一人流数据结果出现较大误差的问题，提高了区域人群活跃度确定过程中的准确性和可靠性。
基于同一申请构思，本申请实施例还提供了一种电子设备。
图12为本申请实施例提供的电子设备的结构示意图。如图12所示，该电子设备2000，包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序，处理器执行程序时，实现前述的区域人群活跃度确定方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (16)

1.一种区域人群活跃度确定方法，其特征在于，包括：
获取数据端上的目标区域在目标时刻的第一人流数据；
协同其他数据端上的所述目标区域在所述目标时刻的第二人流数据，通过目标联邦学习模型对所述第一人流数据进行修正，以获取所述目标区域在所述目标时刻的目标修正人流数据；
根据所述目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取所述目标区域在所述目标时刻的人群活跃度。
2.根据权利要求1所述的区域人群活跃度确定方法，其特征在于，所述获取数据端上的目标区域在目标时刻的第一人流数据，包括：
获取在第二预设时长内所述目标区域在每个历史目标时刻的原始人流数据；
基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
3.根据权利要求2所述的区域人群活跃度确定方法，其特征在于，所述基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据，包括：
获取所述目标时刻与每个所述历史目标时刻的时间差值；
基于每个所述历史目标时刻对应的所述时间差，获取每个所述历史目标时刻对所述目标时刻的影响权重；
基于每个所述历史目标时刻的所述原始人流数据和所述影响权重，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
4.根据权利要求3所述的区域人群活跃度确定方法，其特征在于，所述基于每个所述历史目标时刻的所述权重数据和所述原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据，包括：
基于每个所述历史目标时刻的所述原始人流数据和所述权重数据，获取每个所述历史目标时刻对所述目标时刻的人流影响值；
获取每个所述历史目标时刻的所述人流影响值的均值；
将所述均值与所述目标时刻的原始人流数据相加，得到所述第一人流数据。
5.根据权利要求2所述的区域人群活跃度确定方法，其特征在于，每个所述第二人流数据为所述其他数据端的原始人流数据修正后的人流数据。
6.根据权利要求1-5任一项所述的区域人群活跃度确定方法，其特征在于，所述目标联邦学习模型的训练过程，包括：
获取所述数据端上的样本区域在样本时刻的第一样本人流数据；
协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，其中，选取所述第一样本人流数据和所述第二样本人流数据中人流数据最大的样本人流数据作为模型的待修正数据，剩余的样本人流数据作为所述模型的特征数据，所述目标联邦学习模型用于建立所述特征数据和所述待修正数据之间的回归关系。
7.根据权利要求6所述的区域人群活跃度确定方法，其特征在于，所述协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，包括：
获取所述数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的所述中间结果发送给协调方进行汇总；
接收所述协调方发送的每次汇总出的全局中间结果；
基于所述全局中间结果调整所述本地学习模型的模型参数并继续下一轮训练，直至满足预设条件停止训练得到所述目标联邦学习模型。
8.一种区域人群活跃度确定装置，其特征在于，包括：
第一获取模块，用于获取数据端上的目标区域在目标时刻的第一人流数据；
第二获取模块，用于协同其他数据端上的所述目标区域在所述目标时刻的第二人流数据，通过目标联邦学习模型对所述第一人流数据进行修正，以获取所述目标区域在所述目标时刻的目标修正人流数据；
第三获取模块，用于根据所述目标修正人流数据和第一预设时长内在历史目标时刻的修正人流总数据，获取所述目标区域在所述目标时刻的人群活跃度。
9.根据权利要求8所述的区域人群活跃度确定装置，其特征在于，所述第一获取模块，包括：
第一获取子模块，用于获取在第二预设时长内所述目标区域在每个历史目标时刻的原始人流数据；
第二获取子模块，用于基于每个所述历史目标时刻的原始人流数据，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
10.根据权利要求9所述的区域人群活跃度确定装置，其特征在于，所述第二获取子模块，包括：
第一获取单元，用于获取所述目标时刻与每个所述历史目标时刻的时间差值；
第二获取单元，用于基于每个所述历史目标时刻对应的所述时间差，获取每个所述历史目标时刻对所述目标时刻的影响权重；
第三获取单元，用于基于每个所述历史目标时刻的所述原始人流数据和所述影响权重，对所述目标时刻的原始人流数据进行修正，以获取所述第一人流数据。
11.根据权利要求10所述的区域人群活跃度确定装置，其特征在于，所述第三获取单元，包括：
第一获取子单元，用于基于每个所述历史目标时刻的所述原始人流数据和所述权重数据，获取每个所述历史目标时刻对所述目标时刻的人流影响值；
第二获取子单元，用于获取每个所述历史目标时刻的所述人流影响值的均值；
确定子单元，用于将所述均值与所述目标时刻的原始人流数据相加，得到所述第一人流数据。
12.根据权利要求9所述的区域人群活跃度确定装置，其特征在于，每个所述第二人流数据为所述其他数据端的原始人流数据修正后的人流数据。
13.根据权利要求8-12任一项所述的区域人群活跃度确定装置，其特征在于，还包括训练模块，其中，所述训练模块，包括：
第三获取子模块，用于获取所述数据端上的样本区域在样本时刻的第一样本人流数据；
生成子模块，用于协同其他数据端上的所述样本区域在所述样本时刻的第二样本人流数据进行联邦学习模型的训练，以生成所述目标联邦学习模型，其中，选取所述第一样本人流数据和所述第二样本人流数据中人流数据最大的样本人流数据作为模型的待修正数据，剩余的样本人流数据作为所述模型的特征数据，所述目标联邦学习模型用于建立所述特征数据和所述待修正数据之间的回归关系。
14.根据权利要求13所述的区域人群活跃度确定装置，其特征在于，所述生成子模块，包括：
汇总单元，用于获取所述数据端上的本地学习模型每次训练输出的中间结果，并将每次输出的所述中间结果发送给协调方进行汇总；
接收单元，用于接收所述协调方发送的每次汇总出的全局中间结果；
调整单元，用于基于所述全局中间结果调整所述本地学习模型的模型参数并继续下一轮训练，直至满足预设条件停止训练得到所述目标联邦学习模型。
15.一种电子设备，其特征在于，包括：存储器、处理器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程序时，实现如权利要求1-7中任一项所述的区域人群活跃度确定方法。
16.一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中任一项所述的区域人群活跃度确定方法。
CN202011507173.4A 2020-12-18 2020-12-18 一种区域人群活跃度确定方法、装置及电子设备 Pending CN113724116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011507173.4A CN113724116A (zh) 2020-12-18 2020-12-18 一种区域人群活跃度确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011507173.4A CN113724116A (zh) 2020-12-18 2020-12-18 一种区域人群活跃度确定方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN113724116A true CN113724116A (zh) 2021-11-30

Family

ID=78672403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011507173.4A Pending CN113724116A (zh) 2020-12-18 2020-12-18 一种区域人群活跃度确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113724116A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844572A (zh) * 2016-03-25 2016-08-10 腾讯科技（深圳）有限公司 拥挤风险监控方法及拥挤风险监控装置
CN108665096A (zh) * 2018-04-28 2018-10-16 新华三大数据技术有限公司 人流量告警方法及装置
CN110210626A (zh) * 2019-05-31 2019-09-06 京东城市(北京)数字科技有限公司 数据处理方法、装置和计算机可读存储介质
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN111126697A (zh) * 2019-12-24 2020-05-08 范士喜 人员情况预测方法、装置、设备及存储介质
CN111680830A (zh) * 2020-05-25 2020-09-18 广州衡昊数据科技有限公司 一种基于聚集风险预警的疫情防范方法和装置
CN111737920A (zh) * 2020-06-24 2020-10-02 深圳前海微众银行股份有限公司 基于循环神经网络的数据处理方法、设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844572A (zh) * 2016-03-25 2016-08-10 腾讯科技（深圳）有限公司 拥挤风险监控方法及拥挤风险监控装置
CN108665096A (zh) * 2018-04-28 2018-10-16 新华三大数据技术有限公司 人流量告警方法及装置
CN110210626A (zh) * 2019-05-31 2019-09-06 京东城市(北京)数字科技有限公司 数据处理方法、装置和计算机可读存储介质
CN111091196A (zh) * 2019-11-15 2020-05-01 佳都新太科技股份有限公司 客流数据确定方法、装置、计算机设备和存储介质
CN111126697A (zh) * 2019-12-24 2020-05-08 范士喜 人员情况预测方法、装置、设备及存储介质
CN111680830A (zh) * 2020-05-25 2020-09-18 广州衡昊数据科技有限公司 一种基于聚集风险预警的疫情防范方法和装置
CN111737920A (zh) * 2020-06-24 2020-10-02 深圳前海微众银行股份有限公司 基于循环神经网络的数据处理方法、设备及介质

Similar Documents

Publication Publication Date Title
CN109495318B (zh) 一种移动通信网络流量预测方法、装置及可读存储介质
CN107466103B (zh) 一种终端定位方法及网络设备
WO2021057245A1 (zh) 带宽预测方法、装置、电子设备及存储介质
US11982994B2 (en) Determining a regional gas pipeline operating scheme
US20130317874A1 (en) Meeting attendance planner
CN107622085A (zh) 一种基于网格和密度的自适应轨迹聚类方法
CN102360378A (zh) 一种时序数据离群点检测方法
CN111416735B (zh) 基于联邦学习的移动边缘环境下安全QoS预测方法
CN112506753A (zh) 一种联邦学习场景中高效的贡献评估方法
CN107548500A (zh) 基于用户例程模型的事件异常
CN105933857B (zh) 一种移动终端位置预测方法及装置
CN111090631A (zh) 分布式环境下的信息共享方法、装置和电子设备
CN113094284A (zh) 应用故障检测方法及装置
CN113283824A (zh) 智慧园区数据综合管理方法及系统
CN108960286A (zh) 一种目标跟踪定位方法及装置
CN111158999A (zh) 一种格式化时间的计算方法和装置
CN108875032B (zh) 区域类型确定方法及装置
CN113724116A (zh) 一种区域人群活跃度确定方法、装置及电子设备
CN112287503A (zh) 用于交通需求预测的动态空间网络构建方法
CN111428197A (zh) 数据处理方法、装置及设备
CN111800807A (zh) 一种基站用户数量告警的方法及装置
CN109801198A (zh) 课表微调方法及系统
CN110430328B (zh) 基于LightGBM模型的呼叫中心话务量预测方法和系统
CN110753366A (zh) 行业短信网关容量的预测处理方法及装置
CN114339967A (zh) 基站业务量的预测方法及装置

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