CN114095390A - 区域内对象流量的预测方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本公开提供了区域内对象流量的预测方法、装置、电子设备以及存储介质，涉及计算机技术领域，尤其涉及物联网、大数据技术领域。具体实现方案为：针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与第一标识信息相对应的第一字符串，得到至少一个第一字符串；根据至少一个第一字符串中彼此不同的第一字符串的第一数目，确定待预测区域的对象流量统计值；确定与待预测区域和待预测时间段两者确定的条件相对应的还原系数；以及根据对象流量统计值和还原系数，确定待预测区域在待预测时间段内的对象流量预测值。

Description

区域内对象流量的预测方法、装置、电子设备以及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及物联网、大数据技术领域，具体地，涉及一种区域内对象流量的预测方法、装置、电子设备以及存储介质。

背景技术

随着计算机技术的发展，各类流量的采集与统计均主要基于相应的信息采集设备实现，因此，需要针对各相关区域配置相应的设备。随着物联网、信息化时代的快速发展，流量也呈现出大数据发展趋势。

发明内容

本公开提供了一种区域内对象流量的预测方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种区域内对象流量的预测方法，包括：针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与所述第一标识信息相对应的第一字符串，得到至少一个第一字符串；根据所述至少一个第一字符串中彼此不同的第一字符串的第一数目，确定所述待预测区域的对象流量统计值；确定与所述待预测区域和所述待预测时间段两者确定的条件相对应的还原系数；以及根据所述对象流量统计值和所述还原系数，确定所述待预测区域在所述待预测时间段内的对象流量预测值。

根据本公开的另一方面，提供了一种区域内对象流量的预测装置，包括：第一确定模块，用于针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与所述第一标识信息相对应的第一字符串，得到至少一个第一字符串；第二确定模块，用于根据所述至少一个第一字符串中彼此不同的第一字符串的第一数目，确定所述待预测区域的对象流量统计值；第三确定模块，用于确定与所述待预测区域和所述待预测时间段两者确定的条件相对应的还原系数；以及第四确定模块，用于根据所述对象流量统计值和所述还原系数，确定所述待预测区域在所述待预测时间段内的对象流量预测值。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的区域内对象流量的预测方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的区域内对象流量的预测方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的区域内对象流量的预测方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用区域内对象流量的预测方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的区域内对象流量的预测方法的流程图；

图3示意性示出了根据本公开实施例的栅格划分及热力图展示的效果图；

图4示意性示出了根据本公开实施例的区域内对象流量的预测方法的处理流程的示意图；

图5示意性示出了根据本公开实施例的区域内对象流量的预测装置的框图；以及

图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在文旅平台的建设中，针对多个景区的横向把控，针对单个景区的纵向分析，成为重要的需求。

在文旅行业中，针对客流量的统计方案主要包括：集合闸机硬件进行统计分析，以及使用摄像头等硬件，对景区客流进行统计分析等。

发明人在实现本公开构思的过程中发现，此外，集合闸机硬件以及使用摄像头等硬件进行统计分析的实现方案，均需要硬件设备，成本高昂。仅能针对闸机入园进行统计，对于开放或半开放景区或无摄像头、闸机部署的偏门，无法实现相对准确的实际在园人数统计、预估。基于硬件的方案，无法与用户ID(标识信息)关联，导致无法进行更深入的挖掘分析，如人群画像分析等。针对园内的情况无法进一步分析，如对于子景区的客流，景区内聚客点，尤其是易发生事故地点等无法进一步分析。

图1示意性示出了根据本公开实施例的可以应用区域内对象流量的预测方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用区域内对象流量的预测方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的区域内对象流量的预测方法及装置。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual PrivateServer″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

需要说明的是，本公开实施例所提供的区域内对象流量的预测方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的区域内对象流量的预测装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的区域内对象流量的预测方法一般也可以由服务器105执行。相应地，本公开实施例所提供的区域内对象流量的预测装置一般可以设置于服务器105中。本公开实施例所提供的区域内对象流量的预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的区域内对象流量的预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，在需要预测区域内对象流量时，终端设备101、102、103可以获取待预测区域和待预测时间段，然后将获取的待预测区域和待预测时间段发送给服务器105，由服务器105针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与第一标识信息相对应的第一字符串，得到至少一个第一字符串；根据至少一个第一字符串中彼此不同的第一字符串的第一数目，确定待预测区域的对象流量统计值；确定与待预测区域和待预测时间段两者确定的条件相对应的还原系数；并根据对象流量统计值和还原系数，确定待预测区域在待预测时间段内的对象流量预测值。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对待预测区域和待预测时间段进行分析，并实现确定待预测区域在待预测时间段内的对象流量预测值。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2示意性示出了根据本公开实施例的区域内对象流量的预测方法的流程图。

如图2所示，该方法包括操作S210～S240。

在操作S210，针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与第一标识信息相对应的第一字符串，得到至少一个第一字符串。

在操作S220，根据至少一个第一字符串中彼此不同的第一字符串的第一数目，确定待预测区域的对象流量统计值。

在操作S230，确定与待预测区域和待预测时间段两者确定的条件相对应的还原系数。

在操作S240，根据对象流量统计值和还原系数，确定待预测区域在待预测时间段内的对象流量预测值。

根据本公开的实施例，待预测时间段可以指当前的时间段，也可以指未来的时间段。待预测时间段可以根据待预测区域的面积、待预测区域的历史对象流量等数据确定。待预测区域可以包括商场、学校、医院、旅游景区等各种场景下的区域。预定信息可以包括位置信息、传感信息、红外信息等其中至少之一。对象可以包括用户、物品等其中至少之一。对象流量统计值可以表征在待预测时间段内，待预测区域中所包括的具有预定信息的对象的数目。对象流量预测值可以表征在待预测时间段内，针对待预测区域中所包括的所有对象预测的真实值。对象流量预测值相较于对象流量统计值可以更接近于该待预测区域在该待预测时间段内的对象的对象流量真实值。合适的还原系数可以有效减小对象流量预测值和对象流量真实值之间的误差。

在相关实施例中，互联网位置数据可以从全量日志数据获取，经过脱敏后，流向下游，用作计算客流量的原始数据。在理想情况下，获取到的原始数据包括加密对象ID、对象位置信息、定位时间信息等。基于实时获取的该原始数据计算对象流量，累积对象流量，需要把包含加密对象ID的明细数据也进行保存。由于每天定位量巨大，如果要保存对象ID明细数据，对于业务方是一个巨大的挑战。例如，根据每天的定位量获得的原始数据可能超过1200亿条，这需要耗费大约2T左右的存储资源。

根据本公开的实施例，可以将针对基于包括加密对象ID、对象位置信息、定位时间信息等的原始数据的计算过程转换为针对表征对象标识信息的字符串的计算。例如，在确定待预测区域和待预测时间段之后，对于在该条件下获取的原始数据，可以经过ETL(Extraction-Transformation-Loading，数据抽取、转换和加载)进入实时流，实时流可以将数据组装为如以50m、5min的删格为单位确定的字符串，则流向下游的数据可以是当前时间段当前区域中具有位置信息的对象的对象ID组成的序列化或非序列化字符串，即上述至少一个第一字符串。在业务侧，可以基于该些字符串进行各种对象流量的统计分析，如计算对象流量统计值。

根据本公开的上述实施例，对应于原始数据超过1200亿条的情况，结合上述处理过程，可以得到从实时流到下游业务系统的用于计算对象流量的数据，可以只剩下与单个待预测区域对应的当前待预测时间段(如1min)相对应的字符串，字符串的数据量大概在150k左右，相比2T，存储压力降低了1300万倍。

根据本公开的实施例，根据至少一个第一字符串中彼此不同的第一字符串的第一数目，确定待预测区域的对象流量统计值的过程，还可以包括：首先将该至少一个第一字符串表示为集合，然后根据集合中元素的数目，确定对象流量统计值。

根据本公开的实施例，预定信息可以包括经定位确定的位置信息，具有预定信息的对象可以包括发起定位的对象，则第一标识信息可以包括所有发起定位的对象的标识信息，对应的至少一个第一字符串可以为所有发起定位的对象的标识信息所对应的字符串。在此基础上，定位统计得到的对象流量统计值仅为当前发起定位的对象的数目。然而，在实际场景中，还可以包括没有发起定位的对象，对于该部分对象，则无法被统计于对象流量统计值中。在实际场景中，由于发起定位的对象可以理解为是针对所有对象的抽样，因此，可以结合与该待预测时间段和待预测区域相适配的还原系数，对初步确定的对象流量统计值进行还原，得到更接近于真实对象数目的对象流量预测值。

通过本公开的上述实施例，根据由对象的标识信息确定的字符串计算对象流量，资源消耗低，可以耗费少量计算和存储资源，即可完成实时计算、去重计算等过程，实现有效减少计算量，并有效减少对存储资源的浪费。此外，本方法无需硬件设备，部署成本低。

下面结合具体实施例，对图2所示的方法做进一步说明。

根据本公开的实施例，针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与第一标识信息相对应的第一字符串可以包括：针对第一标识信息，根据数据压缩算法，计算与第一标识信息相对应的第一字符串。

根据本公开的实施例，数据压缩算法可以包括HyperLogLog(简称HLL，一种数据压缩算法)算法，以及其他可以实现在保证数据轻量化存储的同时，能更进一步做累积计算、空间加和运算等的算法等其中至少之一。轻量化存储例如可以包括以字符串形式进行的数据存储。在数据压缩算法为HyperLogLog算法的情况下，得到的第一字符串可以为HLL结构。

HyperLogLog算法有比较严谨的数学推理，算法的起源来自于伯努利实验。伯努利实验指：单次抛硬币行为，直到出现正面停止。N次伯努利实验，指反复执行伯努利实验N次。HyperLogLog算法的核心是说：N次伯努利实验中，出现正面的最大抛掷次数K，和实验的次数N存在等价关系，其关系为：N＝2^k。该等式关系的成立的原因在于：在大数定理和似然估计的前提下，N次伯努利实验，抛掷次数大于或等于k的概率为：1/2^k。此外，N次伯努利实验，出现正面次数的最大概率等于k的概率又等于1/n。因此n≈2^k这一等式成立。

基于HyperLogLog算法进行计算时，可以包括针对HLL结构进行去重、合并等操作。根据去重操作可以确定一定时间窗口内待预测区域的人数。根据合并操作，可以将两个时间窗口内的HLL结构进行合并，然后针对合并结果中的HLL结构进行去重统计。

HyperLogLog算法能够实现数据去重，其核心转化是，使用一个哈希算法，把对象的唯一ID哈希为101010二进制标识的数据。观察对于这个数据，从右往做第一次出现1的位置，这和单次伯努利实验的理念相同。本实施例中，可以使用Murmurhash哈希算法完成哈希操作，然后实现整个HyperLogLog算法。

通过本公开的上述实施例，基于数据压缩算法，将标识信息压缩为字符串型数据，可以有效减少时空大数据处理场景中的计算量，并可有效减少对存储资源的浪费。

根据本公开的实施例，对象可以包括本地对象。计算对象流量统计值的方法还可以包括：针对待预测时间段，根据待预测区域中具有预定信息的本地对象各自对应的第二标识信息，确定与第二标识信息相对应的第二字符串，得到至少一个第二字符串。确定至少一个第二字符串中彼此不同的第二字符串的第二数目。根据第一数目和第二数目之差，确定待预测区域在待预测时间段内的对象流量统计值。

根据本公开的实施例，本地对象可以指原本属于待预测区域的不具备流动特性的对象，本地对象可以包括待预测区域中的居住对象、工作对象及其他常驻对象等其中至少之一。在对待预测区域进行对象流量统计，尤其是对位于老城的区域、开放型区域以及周边有住宅区干扰的区域等其中至少之一进行对象流量统计的情况下，可以扣除居住对象、工作对象及其他常驻对象等本地对象。以便于对待预测区域的对象流量的分析更具代表性。

根据本公开的实施例，待预测区域在待预测时间段中的对象流量可以包括外来对象和本地对象。为了扣除常驻对象，可以使用Hyperloglog算法，将待预测区域在待预测时间段内的常驻对象组成的HyperLogLog结构序列化为字符串。例如，根据外来对象的标识信息确定的字符串可以表示为HLL_A，根据外来对象的标识信息确定的HLL结构可以表示为A，A可以为HLL_A的集合。根据本地对象的第二标识信息确定的第二字符串构成的集合可以表示为HLL_B，根据本地对象的标识信息确定的HLL结构可以表示为B，B可以为HLL_B的集合。集合中的元素可以表示待预测区域在待预测时间段内的相应对象的数目。基于HyperLogLog算法，计算待预测区域在待预测时间段内的对象流量统计值可以包括：merge(A，B).count-B.count。merge可以实现针对集合A和集合B的合并操作。merge(A，B).count可以表示待预测区域在待预测时间段内的外来对象和本地对象的总数，也可以表示上述第一数目。B.count可以表示上述第二数目。

根据本公开的实施例，基于上述方法确定的对象流量统计值，可以继续结合相应的还原系数，确定相应的对象流量预测值。

通过本公开的上述实施例，基于彼此不同的字符串的数目计算对象流量统计值的方案，相较于视频图像监控等方案，可以容易对本地对象的相关信息进行扣除，相较于传统的针对大流量数据使用left join(左外连接，关系型数据库中的一种查询类型)操作来筛选对象流量的方案，可有效节省计算资源。

根据本公开的实施例，针对区域内对象流量进行预测的预测指标，还可以包括待预测区域内的对象在某一时间段内或某一时刻的对象流量增加值。计算对象流量增加值的方法可以包括：在以第一时刻为终止时刻的时间段内，根据待预测区域中具有预定信息的对象各自对应的第三标识信息，确定与第三标识信息相对应的第三字符串，得到至少一个第三字符串。在以第二时刻为终止时刻的时间段内，根据待预测区域中具有预定信息的对象各自对应的第四标识信息，确定与第四标识信息相对应的第四字符串，得到至少一个第四字符串，其中第二时刻在第一时刻之后。确定至少一个第三字符串中彼此不同的第三字符串的第三数目和至少一个第四字符串中彼此不同的第四字符串的第四数目。根据第三数目和第四数目之差，确定待预测区域在由第一时刻至第二时刻的时间间隔中的对象流量增加值。

根据本公开的实施例，对象流量增加值可以表征某一区域在某一时间段内或某一时刻所包括的对象的变化情况。对象流量增加值可以为正值，表征在某一时间段内或某一时刻，区域中的对象增加。对象流量增加值也可以为负值，表征在某一时间段内或某一时刻，区域中的对象减少。

根据本公开的实施例，在待预测区域中包括闸机的情况下，对象流量增加值可以表征某一区域在某一时间段内或某一时刻经过闸机的总人数。对象流量增加值的计算方法与上述扣除常驻对象的计算方法类似。可以首先确定用于表征某一时刻的时间窗口。用于表征某一时刻的时间窗口可以包括以该时刻为终止时刻的具有预设时长的时间段。然后，可以根据某区域在用于表征当前时刻的时间窗口下所包括的对象的第四标识信息所对应的至少一个第四字符串，和该区域在用于表征上一个时刻的时间窗口下所包括的对象的第三标识信息所对应的至少一个第三字符串marge之后的结果，减去第三字符串，确定该区域该两个时刻所形成的时间间隔中的对象流量增加值。

例如，与待预测区域在用于表征当前时刻的时间窗口下的对象相对应的第四字符串可以表示为HLL_C，与待预测区域在用于表征当前时刻的时间窗口下的对象的标识信息相对应的HLL结构可以表示为C，C可以为HLL_C的集合。与待预测区域在用于表征上一个时刻的时间窗口下的对象相对应的第四字符串可以表示为HLL_D，与待预测区域在用于表征当前时刻的时间窗口下的对象的标识信息相对应的HLL结构可以表示为D，D可以为HLL_D的集合。则待预测区域在由上一时刻至当前时刻的时间间隔中的对象流量增加值的计算可以包括：merge(D，C).count-D.count。

通过本公开的上述实施例，可以确定对象流量在各个阶段的实时增加值，在区域中的对象流量突增的情况下，有利于为应对过程提供预留时间。

根据本公开的实施例，针对区域内对象流量进行预测的预测指标，还可以包括待预测区域在预设时间段内的对象流量累积值。计算对象流量累计值的方法可以包括：确定预设时间段中所包括的多个子时间段。针对每个子时间段，计算待预测区域在子时间段内的对象流量预测值，得到多个对象流量预测值。根据多个对象流量预测值，计算待预测区域在预设时间段内的对象流量累积值。

根据本公开的实施例，预设时间段可以包括从任一历史时刻至当前时刻构成的时间段和具有预定义时长的时间段等其中至少之一。历史时刻可以包括区域开放时刻以及位于区域开放时刻至当前时刻之间的任一时刻等其中至少之一。对象流量累积值可以表征待预测区域在预设时间段内接收的对象的总累积对象数。对象流量累积值的计算可以包括：累计待预测区域在预设时间段的所有子时间段内的对象流量预测值，得到对象流量累积值。或者，对象流量累积值的计算也可以包括：确定与待预测区域在预设时间段的各个子时间段内所包括的对象相对应的HLL结构。merge与待预测区域在预设时间段的各个子时间段内所包括的对象相对应的HLL结构。根据merge结果中HLL结构所表征的字符串的第一目标数目，确定待预测区域在预设时间段内的对象流量累积值。其中，在确定merge结果中HLL结构所表征的字符串的第一目标数目之后，还可以通过结合还原系数，根据第一目标数目和还原系数，确定待预测区域在预设时间段内的对象流量累积值。或者，对象流量累积值的计算也可以包括：确定与待预测区域在预设时间段的各个子时间段内所包括的对象相对应的HLL结构所表征的字符串的第二目标数目。结合相应的还原系数，根据第二目标数目和还原系数，确定待预测区域在预设时间段的各个子时间段内的对象流量统计值。累计待预测区域在预设时间段的所有子时间段内的对象流量统计值，得到对象流量累积值。

通过本公开的上述实施例，基于HLL结构执行merge操作，可以简单完成计算待预测区域在预设时间段内的对象流量累积值的任务，且对象流量累积值为针对相同对象去重后的值。相较于传统的针对大区域的累积值的计算，本方法可有效减少计算量，并减少对资源的浪费。

根据本公开的实施例，确定与待预测区域和待预测时间段两者确定的条件相对应的还原系数的方法可以包括：根据待预测区域的历史对象流量、待预测区域的区域类型、待预测区域的面积和待预测时间段的时间范围中的至少之一，确定还原系数。

根据本公开的实施例，待预测区域内的对象流量可以和待预测区域的性质、面积、类型以及对象在待预测区域的停留时长等有密切关系。基于此，可以通过离线统计待预测区域的历史定位情况、历史对象流量、面积等，分析不同区域的定位趋势。从而为不同时间段下的不同区域配置项对应的还原系数。针对某些具有固定特性的场景，还原系数也可以相对固定。在该种情况下，可以通过针对该类场景进行回归分析，根据回归分析的结构确定固定的还原系数。

根据本公开的实施例，由于基于定位确定的对象的数目在趋势上非常符合区域内对象的真实数目，因此，可以根据区域内对象在某一历史时间段内的真实数目，即历史对象流量，确定还原系数。并且，根据该还原系数计算得到的对象流量预测值的误差可以减小至10％以内。获取区域内对象在某一历史时间段内的真实数目的方式可以包括：系统自动从与待预测区域相关的网站抓取典型的区域内对象流量。通过和与待预测区域相关的管理方合作，获取其历史对象流量。针对待预测区域内具有职住场景的子区域，可以通过挖掘常驻对象的相关数据的方式，确定待预测区域内常驻对象的对象流量。

通过本公开的上述实施例，根据待预测区域的场景信息、待预测时间段的视觉范围等特征确定的还原系数，在与对象流量统计值结合计算对象流量预测值时，可有爱搜提高计算得到的对象流量预测值的精度。

根据本公开的实施例，针对计算得到的对象流量预测值，还可以根据待预测区域内的实际情况进行实时更新。更新方法可以包括：获取待预测区域在一个时间周期所对应的各个时间段内的目标对象流量预测值。获取待预测区域在自时间周期的起始时刻至当前时刻的至少一个目标时间段内的目标对象流量统计值。根据针对待预测区域在至少一个目标时间段内的目标对象流量预测值和目标对象流量统计值的回归建模结果，对待预测区域在时间周期的除目标时间段之外的其他时间段的目标对象流量预测值进行更新。

根据本公开的实施例，可以结合离线时序模型和实时回归修正(SVR，supportvector regression，是支持向量机对回归问题的一种运用)的方法对对象流量及其实时趋势进行预测及更新。

根据本公开的实施例，由于根据发起定位的对象确定的互联网位置数据，与所有对象所对应的互联网数据，在趋势上具有很高的贴合度，可以建立时序模型。时序模型中可以预置有与相应待预测区域和待预测时间段两者确定的条件相对应的还原系数。通过将在相应待预测区域和待预测时间段内发起定位的对象的标识信息作为时序模型的输入，结合时序模型中预置的还原系数，可以较为准确的确定待预测区域在待预测时间段内的对象流量预测值。

根据本公开的实施例，在某些情况下，待预测区域中对象的数目会受一些不可抗力因素的影响而产生突变。例如，景区的客流量和天气等不可抗力因素强相关。在没有不可抗力因素发生的情况下，基于前述方法计算得到的客流量预测值及其在一段时间内的趋势，可以正常趋势保持一致。在存在不可抗力因素发生的情况下，基于前述方法计算得到的客流量预测值及其在一段时间内的趋势，可能会相对于正常趋势产生差异。例如，可能因为突然下雨导致景区客流量骤降，可能因为突然闭关导致市内景区无人等情况。为了应对该种情况，需要实时对客流量预测值进行纠偏。因此，系统除了使用时序模型计算客流量趋势外，还可以结合该段时间的客流量情况进行实时纠偏。例如，一段时间可以为一天，更新过程可以包括：加载当天分时段的客流量预测值。加载从凌晨至当前时刻的客流量统计值。使用SVR，结合当天分时段的客流量预测值，对当天凌晨至当前时刻的客流量统计值进行回归建模。根据回归建模结果，对当天剩余时段的客流量预测数据及客流趋势进行纠偏，得到更新的客流量预测值及客流趋势。

通过本公开的上述实施例，可以对待预测区域的对象流量预测值及对象流量趋势进行实时更新，可有效提高展示给用户的对象流量预测值及对象流量趋势的准确性。

根据本公开的实施例，针对区域内对象流量进行预测后，还可以通过热力图的形式对待预测区域的对象分布进行展示。实现热力图展示的方法可以包括：确定用于表征待预测区域中的每个子区域的至少一个栅格。针对每个栅格，确定栅格所表征的子区域在预定义时间范围内的对象流量预测值。根据对象流量预测值的大小，为每个栅格分配与对象流量预测值相适配的颜色信息，以实现与待预测区域相对应的热力图展示。

图3示意性示出了根据本公开实施例的栅格划分及热力图展示的效果图。

如图3所示，可以在地图的最底层组织50m删格，并以5min为一个时间粒度，可以确定待预测区域中的该些栅格所表征的子区域在5min内的HLL结构数据。根据该HLL结构数据可以确定每个栅格所表征的子区域在5min内的对象流量预测值，对象流量预测值例如可以表现为hll1、hll2、...、hlln等。根据hll1、hll2、...、hlln中的每个值的大小，可以确定为每个栅格分配的颜色信息，从而可以通过为每个栅格填充相应的颜色，来实现对该待预测区域的热力图展示。

根据本公开的实施例，在待预测区域过大、对象分布位置不定的情况下，也可以根据预先设定的栅格，计算栅格所表征的部分区域在一段时间内的HLL结构。该一段时间的时间范围，可以根据待预测区域的面积大小、对象在待预测区域中的停留时长以及待预测区域的历史对象流量等其中至少之一确定。根据确定的该一段时间和给栅格，可以确定一个分片，通过merge与待预测区域相关的分片的HLL结构，可以确定待预测区域在该段时间内的HLL结构，从而可以计算得到待预测区域在该段时间内的对象流量统计值。相应的，在针对父子区域进行对象流量统计的情况下，由于理论上父区域的对象流量应该等于所有子区域的对象流量之和。可以直接对所有子区域的HLL结构进行加和，即可确定父区域的对象流量。

通过本公开的上述实施例，将针对待预测区域中的对象流量的计算，划分为针对用于表征待预测区域中的每个子区域的栅格中的对象流量的计算，可以基于针对栅格的计算结果，实现待预测区域的热力图展示。并可根据时间的变化，实时更新热力图展示效果，提高用户体验。此外，基于栅格计算对象流量，可以对待预测区域内的任意区域进行无成本的定向监测。

图4示意性示出了根据本公开实施例的区域内对象流量的预测方法的处理流程的示意图。

如图4所示，以针对景区中客流量进行预测为例。在客流中的人员发起定位的情况下，可以实时生成相应的定位数据。实时生成的定位数据可以首先存储为日志源中的log(日志)。然后，日志源中的数据可以经过消息队列，进入Dstream(Data Stream，一种计算引擎)引擎。Dstream引擎可以完成最复杂最耗时的圈人操作，即完成对待预测区域中包含的人群的圈选工作。根据圈选工作可以圈选得到的与发起定位这一操作相关的实时数据，该实时数据可以作为用于预测区域内客流量的源数据。源数据还可以包括景区的离线数据，表征与该景区在历史上所包括的离线人口相关的信息。离线数据可以在生成的时刻实时存储于Spark数据库中，并可供需要预测区域内客流量时实时提取。针对图选得到的实时数据和提取得到的离线数据，可以采用HyperLogLog算法，将其转换为HLL结构进行存储，如图4中存储的实时客流HLL和离线人口HLL。之后，可以结合业务逻辑，把针对定位数据的各种统计分析，转化为针对HLL结构的集合运算。实现更具实时数据和离线数据其中至少之一，计算在园人数、实时新增人数、累积客流等指标。计算结果可以存储于如MySQL、Table、Redis等各类型的数据库中。

通过本公开的上述实施例，提出了一种基于互联网位置数据的区域对象流量实时检测方法，相较于传统的在获取到位置数据后，使用纯实时的方案来统计当前值，累计值，引入Flink(一种分布式计算引擎)，tructed Streaming(一种流式计算引擎)等方案计算精确值时资源耗费严重的方法。本方案基于HyperLogLog算法设计了HLL存储结构，可以在有限的精度损失的前提下，高效计算实时在园人数、实时增加人数，并可实时计算当日累积对象流量、当月累积对象流量，并且几乎不占用额外的存储资源。通过针对在园人数进行预测，可以辅助实现针对待预测区域中对象流量的预警。从而可以实现针对待预测区域中对象流量统计值、对象流量预测值、对象流量增加值、对象流量累积值等各类指标的统计分析。

本方案相较传统方案，成本极低，并可针对各地区的待预测区域的对象流量进行全方位的管控分析。此外，本方案基于lambda架构，可以离线和实时的完成对待预测区域中对象流量的实时预测报警。并可以进一步对待预测区域内的群体画像进行分析，做到对待预测区域全方位把控。

图5示意性示出了根据本公开实施例的区域内对象流量的预测装置的框图。

如图5所示，区域内对象流量的预测装置500包括第一确定模块510、第二确定模块520、第三确定模块530和第四确定模块540。

第一确定模块510，用于针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与第一标识信息相对应的第一字符串，得到至少一个第一字符串。

第二确定模块520，用于根据至少一个第一字符串中彼此不同的第一字符串的第一数目，确定待预测区域的对象流量统计值。

第三确定模块530，用于确定与待预测区域和待预测时间段两者确定的条件相对应的还原系数。

第四确定模块540，用于根据对象流量统计值和还原系数，确定待预测区域在待预测时间段内的对象流量预测值。

根据本公开的实施例，预定信息包括位置信息。第一确定模块包括计算单元。

计算单元，用于针对第一标识信息，根据数据压缩算法，计算与第一标识信息相对应的第一字符串。

根据本公开的实施例，对象包括本地对象。区域内对象流量的预测装置还包括第五确定模块、第六确定模块和第七确定模块。

第五确定模块，用于针对待预测时间段，根据待预测区域中具有预定信息的本地对象各自对应的第二标识信息，确定与第二标识信息相对应的第二字符串，得到至少一个第二字符串。

第六确定模块，用于确定至少一个第二字符串中彼此不同的第二字符串的第二数目。

第七确定模块，用于根据第一数目和第二数目之差，确定待预测区域在待预测时间段内的对象流量统计值。

根据本公开的实施例，区域内对象流量的预测装置还包括第八确定模块、第九确定模块、第十确定模块和第十一确定模块。

第八确定模块，用于在以第一时刻为终止时刻的时间段内，根据待预测区域中具有预定信息的对象各自对应的第三标识信息，确定与第三标识信息相对应的第三字符串，得到至少一个第三字符串。

第九确定模块，用于在以第二时刻为终止时刻的时间段内，根据待预测区域中具有预定信息的对象各自对应的第四标识信息，确定与第四标识信息相对应的第四字符串，得到至少一个第四字符串，其中第二时刻在第一时刻之后。

第十确定模块，用于确定至少一个第三字符串中彼此不同的第三字符串的第三数目和至少一个第四字符串中彼此不同的第四字符串的第四数目。

第十一确定模块，用于根据第三数目和第四数目之差，确定待预测区域在由第一时刻至第二时刻的时间间隔中的对象流量增加值。

根据本公开的实施例，区域内对象流量的预测装置还包括第十二确定模块、第一计算模块和第二计算模块。

第十二确定模块，用于确定预设时间段中所包括的多个子时间段；

第一计算模块，用于针对每个子时间段，计算待预测区域在子时间段内的对象流量预测值，得到多个对象流量预测值；以及

第二计算模块，用于根据多个对象流量预测值，计算待预测区域在预设时间段内的对象流量累积值。

根据本公开的实施例，第三确定模块包括确定单元。

确定单元，用于根据待预测区域的历史对象流量、待预测区域的区域类型、待预测区域的面积和待预测时间段的时间范围中的至少之一，确定还原系数。

根据本公开的实施例，区域内对象流量的预测装置还包括第一获取模块、第二获取模块和更新模块。

第一获取模块，用于获取待预测区域在一个时间周期所对应的各个时间段内的目标对象流量预测值。

第二获取模块，用于获取待预测区域在自时间周期的起始时刻至当前时刻的至少一个目标时间段内的目标对象流量统计值。

更新模块，用于根据针对待预测区域在至少一个目标时间段内的目标对象流量预测值和目标对象流量统计值的回归建模结果，对待预测区域在时间周期的除目标时间段之外的其他时间段的目标对象流量预测值进行更新。

根据本公开的实施例，区域内对象流量的预测装置还包括第十三确定模块、第十四确定模块和分配模块。

第十三确定模块，用于确定用于表征待预测区域中的每个子区域的至少一个栅格。

第十四确定模块，用于针对每个栅格，确定栅格所表征的子区域在预定义时间范围内的对象流量预测值。

分配模块，用于根据对象流量预测值的大小，为每个栅格分配与对象流量预测值相适配的颜色信息，以实现与待预测区域相对应的热力图展示。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如区域内对象流量的预测方法。例如，在一些实施例中，区域内对象流量的预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的区域内对象流量的预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行区域内对象流量的预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (19)

1.一种区域内对象流量的预测方法，包括：

针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与所述第一标识信息相对应的第一字符串，得到至少一个第一字符串；

根据所述至少一个第一字符串中彼此不同的第一字符串的第一数目，确定所述待预测区域的对象流量统计值；

确定与所述待预测区域和所述待预测时间段两者确定的条件相对应的还原系数；以及

根据所述对象流量统计值和所述还原系数，确定所述待预测区域在所述待预测时间段内的对象流量预测值。

2.根据权利要求1所述的方法，其中，所述预定信息包括位置信息；所述针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与所述第一标识信息相对应的第一字符串包括：

针对所述第一标识信息，根据数据压缩算法，计算所述与所述第一标识信息相对应的第一字符串。

3.根据权利要求1所述的方法，其中，所述对象包括本地对象；

所述方法还包括：

针对所述待预测时间段，根据所述待预测区域中具有预定信息的本地对象各自对应的第二标识信息，确定与所述第二标识信息相对应的第二字符串，得到至少一个第二字符串；

确定所述至少一个第二字符串中彼此不同的第二字符串的第二数目；以及

根据所述第一数目和所述第二数目之差，确定所述待预测区域在所述待预测时间段内的对象流量统计值。

4.根据权利要求1所述的方法，还包括：

在以第一时刻为终止时刻的时间段内，根据所述待预测区域中具有预定信息的对象各自对应的第三标识信息，确定与所述第三标识信息相对应的第三字符串，得到至少一个第三字符串；

在以第二时刻为终止时刻的时间段内，根据所述待预测区域中具有预定信息的对象各自对应的第四标识信息，确定与所述第四标识信息相对应的第四字符串，得到至少一个第四字符串，其中第二时刻在第一时刻之后；

确定所述至少一个第三字符串中彼此不同的第三字符串的第三数目和所述至少一个第四字符串中彼此不同的第四字符串的第四数目；以及

根据所述第三数目和所述第四数目之差，确定所述待预测区域在由所述第一时刻至所述第二时刻的时间间隔中的对象流量增加值。

5.根据权利要求1所述的方法，还包括：

确定预设时间段中所包括的多个子时间段；

针对每个所述子时间段，计算所述待预测区域在所述子时间段内的对象流量预测值，得到多个对象流量预测值；以及

根据所述多个对象流量预测值，计算所述待预测区域在所述预设时间段内的对象流量累积值。

6.根据权利要求1所述的方法，其中，所述确定与所述待预测区域和所述待预测时间段两者确定的条件相对应的还原系数包括：

根据所述待预测区域的历史对象流量、所述待预测区域的区域类型、所述待预测区域的面积和所述待预测时间段的时间范围中的至少之一，确定所述还原系数。

7.根据权利要求1所述的方法，还包括：

获取所述待预测区域在一个时间周期所对应的各个时间段内的目标对象流量预测值；

获取所述待预测区域在自所述时间周期的起始时刻至当前时刻的至少一个目标时间段内的目标对象流量统计值；以及

根据针对所述待预测区域在所述至少一个目标时间段内的目标对象流量预测值和所述目标对象流量统计值的回归建模结果，对所述待预测区域在所述时间周期的除所述目标时间段之外的其他时间段的目标对象流量预测值进行更新。

8.根据权利要求1所述的方法，还包括：

确定用于表征所述待预测区域中的每个子区域的至少一个栅格；

针对每个所述栅格，确定所述栅格所表征的子区域在预定义时间范围内的对象流量预测值；以及

根据所述对象流量预测值的大小，为每个所述栅格分配与所述对象流量预测值相适配的颜色信息，以实现与所述待预测区域相对应的热力图展示。

9.一种区域内对象流量的预测装置，包括：

第一确定模块，用于针对待预测时间段，根据待预测区域中具有预定信息的对象各自对应的第一标识信息，确定与所述第一标识信息相对应的第一字符串，得到至少一个第一字符串；

第二确定模块，用于根据所述至少一个第一字符串中彼此不同的第一字符串的第一数目，确定所述待预测区域的对象流量统计值；

第三确定模块，用于确定与所述待预测区域和所述待预测时间段两者确定的条件相对应的还原系数；以及

第四确定模块，用于根据所述对象流量统计值和所述还原系数，确定所述待预测区域在所述待预测时间段内的对象流量预测值。

10.根据权利要求9所述的装置，其中，所述预定信息包括位置信息；所述第一确定模块包括：

计算单元，用于针对所述第一标识信息，根据数据压缩算法，计算所述与所述第一标识信息相对应的第一字符串。

11.根据权利要求9所述的装置，其中，所述对象包括本地对象；所述装置还包括：

第五确定模块，用于针对所述待预测时间段，根据所述待预测区域中具有预定信息的本地对象各自对应的第二标识信息，确定与所述第二标识信息相对应的第二字符串，得到至少一个第二字符串；

第六确定模块，用于确定所述至少一个第二字符串中彼此不同的第二字符串的第二数目；以及

第七确定模块，用于根据所述第一数目和所述第二数目之差，确定所述待预测区域在所述待预测时间段内的对象流量统计值。

12.根据权利要求9所述的装置，还包括：

第八确定模块，用于在以第一时刻为终止时刻的时间段内，根据所述待预测区域中具有预定信息的对象各自对应的第三标识信息，确定与所述第三标识信息相对应的第三字符串，得到至少一个第三字符串；

第九确定模块，用于在以第二时刻为终止时刻的时间段内，根据所述待预测区域中具有预定信息的对象各自对应的第四标识信息，确定与所述第四标识信息相对应的第四字符串，得到至少一个第四字符串，其中第二时刻在第一时刻之后；

第十确定模块，用于确定所述至少一个第三字符串中彼此不同的第三字符串的第三数目和所述至少一个第四字符串中彼此不同的第四字符串的第四数目；以及

第十一确定模块，用于根据所述第三数目和所述第四数目之差，确定所述待预测区域在由所述第一时刻至所述第二时刻的时间间隔中的对象流量增加值。

13.根据权利要求9所述的装置，还包括：

第十二确定模块，用于确定预设时间段中所包括的多个子时间段；

第一计算模块，用于针对每个所述子时间段，计算所述待预测区域在所述子时间段内的对象流量预测值，得到多个对象流量预测值；以及

第二计算模块，用于根据所述多个对象流量预测值，计算所述待预测区域在所述预设时间段内的对象流量累积值。

14.根据权利要求9所述的装置，其中，所述第三确定模块包括：

确定单元，用于根据所述待预测区域的历史对象流量、所述待预测区域的区域类型、所述待预测区域的面积和所述待预测时间段的时间范围中的至少之一，确定所述还原系数。

15.根据权利要求9所述的装置，还包括：

第一获取模块，用于获取所述待预测区域在一个时间周期所对应的各个时间段内的目标对象流量预测值；

第二获取模块，用于获取所述待预测区域在自所述时间周期的起始时刻至当前时刻的至少一个目标时间段内的目标对象流量统计值；以及

更新模块，用于根据针对所述待预测区域在所述至少一个目标时间段内的目标对象流量预测值和所述目标对象流量统计值的回归建模结果，对所述待预测区域在所述时间周期的除所述目标时间段之外的其他时间段的目标对象流量预测值进行更新。

16.根据权利要求9所述的装置，还包括：

第十三确定模块，用于确定用于表征所述待预测区域中的每个子区域的至少一个栅格；

第十四确定模块，用于针对每个所述栅格，确定所述栅格所表征的子区域在预定义时间范围内的对象流量预测值；以及

分配模块，用于根据所述对象流量预测值的大小，为每个所述栅格分配与所述对象流量预测值相适配的颜色信息，以实现与所述待预测区域相对应的热力图展示。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。

Images