CN114282732A

CN114282732A - 一种区域人流量的预测方法及装置

Info

Publication number: CN114282732A
Application number: CN202111632444.3A
Authority: CN
Inventors: 卢玉清; 夏凤君; 汪昊; 周斌
Original assignee: Chongqing Unisinsight Technology Co Ltd
Current assignee: Chongqing Unisinsight Technology Co Ltd
Priority date: 2021-12-29
Filing date: 2021-12-29
Publication date: 2022-04-05

Abstract

本申请公开了一种区域人流量的预测方法及装置，用以提升预测人流量的准确性。该方法包括：获取距离摄像机设定范围内的兴趣点POI数据，以及历史第一周期内采集的各个时间段的人流量数据，POI数据包括设定范围内的POI的类别以及每一类POI的数量；将POI数据、各个时间段信息和各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据，第一周期与第二周期包含的时间段的数量相同；将得到的第二周期内各个时间段的人流量数据，作为摄像机所在区域在第二周期的预测人流量。

Description

一种区域人流量的预测方法及装置

技术领域

本发明涉及智能视频监控技术领域，尤其涉及一种区域人流量的预测方法及装置。

背景技术

目前对于监控摄像机拍摄人脸或人体的业务需求日益增多，所以选择有效的监控地点进行摄像机的部署，使得监控摄像机能够有效拍摄到行人，以及对道路或者公共场所出入口等区域出现的人流量进行统计，以进行各种相关的业务规划。因此，提升统计和预测人流量的准确性就变得尤为重要。

发明内容

本申请实施例提供了一种区域人流量的预测方法及装置，结合时间和空间位置两个属性来预测人流量，提升预测人流量的准确性。

第一方面，本申请实施例提供了一种区域人流量的预测方法，包括：

获取距离摄像机设定范围内的兴趣点POI数据，以及历史第一周期内采集的各个时间段的人流量数据，所述POI数据包括所述设定范围内的POI的类别以及每一类POI的数量；

将所述POI数据、所述各个时间段信息和所述各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据，所述第一周期与所述第二周期包含的时间段的数量相同；

将得到的所述第二周期内各个时间段的人流量数据，作为所述摄像机所在区域在所述第二周期的预测人流量。

基于上述方案，本申请提出了结合区域中的POI的类别和每一类POI的数量以及历史时间段的人流量，共同预测未来时间段的人流量。充分考虑了时间和位置对于人流量的影响，提升了预测人流量的准确性。

在一些实施例中，所述人流量预测模型采用如下方式训练得到：

获取历史第三周期和历史第四周期内采集的各个时间段的人流量数据；所述第四周期为所述第三周期后的一个周期，所述第三周期与所述第四周期包含的时间段的数量相同；

将所述POI数据、所述第三周期各个时间段信息和所述第三周期各个时间段的人流量数据作为输入特征，将所述第四周期各个时间段的人流量数据作为输出特征，对所述人流量预测模型进行训练。

采用历史两个周期的人流量以及时间段数据对模型进行训练，提升模型的准确率。

在一些实施例中，所述将所述POI数据、所述各个时间段信息和所述各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据，具体包括：

将所述各个时间段信息转化为词向量；

将所述POI数据、转化为词向量后的各个时间段信息和所述各个时间段的人流量数据输入人流量预测模型；

利用所述人流量预测模型包括的多个特征提取层对输入进行编码，得到多个隐藏特征向量；所述多个特征提取层中一个特征提取层对应输出所述多个隐藏特征向量中的一个隐藏特征向量；

利用所述人流量预测模型的注意力机制对所述多个隐藏特征向量进行组合，得到多个设定特征向量；

利用所述人流量预测模型的多个解码层对所述多个设定特征向量进行解码，得到所述第二周期内各个时间段的人流量数据。

在一些实施例中，所述利用所述人流量预测模型的注意力机制对所述多个隐藏特征向量进行组合，得到设定特征向量，包括：

获取所述多个隐藏特征分别对应的权重，将所述多个隐藏特征的加权和作为所述设定特征向量。

在一些实施例中，所述获取所述多个隐藏特征分别对应的权重，包括：

采用如下公式确定所述权重：

其中，所述α_i为所述多个隐藏特征向量中的第i个隐藏特征向量对应的权重，所述h_i为所述第i个隐藏特征向量，所述s_i为所述h_i占所述多个隐藏特征向量的比例，所述s_i是根据所述第i个隐藏特征向量和第i-1个设定特征向量确定的。

在一些实施例中，所述利用所述人流量预测模型包括的多个特征提取层对输入进行编码，得到多个隐藏特征向量，包括：

利用所述多个特征提取层中的任一特征提取层，对与所述任一特征提取层对应的时间段的时间段信息、所述对应的时间段的人流量数据、所述POI数据以及所述任一特征提取层的上一个特征提取层得到的隐藏特征向量进行编码，得到与所述任一特征提取层对应的时间段的隐藏特征向量。

在一些实施例中，所述利用所述人流量预测模型的多个解码层对所述多个设定特征向量进行解码，得到所述第二周期内各个时间段的人流量数据，包括：

针对所述多个解码层中的任一解码层，将所述多个设定特征向量中与所述任一解码层对应的设定特征向量，以及所述任一解码层的上一解码层输出的隐藏特征向量输入到与所述任一解码层中，得到所述第二周期内与所述任一解码层对应的时间段的人流量数据。

在一些实施例中，所述方法还包括：

若在所述区域内存在多个摄像机，则获取所述多个摄像机分别得到的所述第二周期内各个时间段的人流量数据中的最大值；

将所述最大值作为所述区域在所述第二周期的预测人流量。

基于上述方案，可以避免由于区域内一些摄像机的拍摄区域存在施工等情况，导致预测的人流量数据不准确的问题。

第二方面，本申请实施例提供了一种区域人流量的预测装置，包括：

获取单元，获取距离摄像机设定范围内的兴趣点POI数据，以及历史第一周期内采集的各个时间段的人流量数据，所述POI数据包括所述设定范围内的POI的类别以及每一类POI的数量；

处理单元，用于将所述POI数据、所述各个时间段信息和所述各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据，所述第一周期与所述第二周期包含的时间段的数量相同；

所述处理单元，还用于将得到的所述第二周期内各个时间段的人流量数据，作为所述摄像机所在区域在所述第二周期的预测人流量。

在一些实施例中，所述装置还用于对人流量预测模型进行训练，具体为：

所述获取单元，还用于获取历史第三周期和历史第四周期内采集的各个时间段的人流量数据；所述第四周期为所述第三周期后的一个周期，所述第三周期与所述第四周期包含的时间段的数量相同；

所述处理单元，还用于将所述POI数据、所述第三周期各个时间段信息和所述第三周期各个时间段的人流量数据作为输入特征，将所述第四周期各个时间段的人流量数据作为输出特征，对所述人流量预测模型进行训练。

在一些实施例中，所述处理单元，具体用于：

将所述各个时间段信息转化为词向量；

在一些实施例中，所述处理单元，在利用所述人流量预测模型的注意力机制对所述多个隐藏特征向量进行组合，得到设定特征向量时，具体用于：

在一些实施例中，所述的处理单元，具体用于：

采用如下公式确定所述权重：

在一些实施例中，所述处理单元，具体用于：

在一些实施例中，所述获取单元，还用于在所述区域内存在多个摄像机时，获取所述多个摄像机分别得到的所述第二周期内各个时间段的人流量数据中的最大值；

所述处理单元，还用于将所述最大值作为所述区域在所述第二周期的预测人流量。

第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器；

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行第一方面所述的区域人流量的检测方法。

第四方面，本申请实施例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存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行第一方面所述的区域人流量的检测方法。

第五方面，本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序或指令，当该计算机程序或指令被计算机执行时，实现上述第一方面中任意可能的实现方式中的方法。

另外，第二方面至第五方面中的任一种实现方式所带来的技术效果可参见第一方面不同的实现方式所带来的技术效果，此处不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，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。

图1为本申请实施例提供的一种区域人流量预测方法流程图；

图2为本申请实施例提供的一种训练人流量预测模型的方法流程图；

图3A为本申请实施例提供的一种Enoder的编码过程示意图；

图3B为本申请实施例提供的一种Attention的架构示意图；

图3C为本申请实施例提供的一种Decoder的解码过程示意图；

图4为本申请实施例提供的一种区域人流量预测装置的结构示意图；

图5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

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。

另外，本文中术语“和/或”，仅仅是一种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。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。

为了便于理解本申请实施例提供的区域人流量的预测方法，首先对于本申请涉及的技术用语进行介绍：

(1)兴趣点(Point Of Interest，POI)：指的是非地理意义上的点，比如酒吧、加油站、医院或者车站等。或者可以理解为互联网电子地图中的点类数据，可以包含名称、地址、坐标以及类别等属性。

(2)RNN-Seq2Seq深度学习模型：也可以称为编码器—解码器(Encoder—Decoder)模型。模型一般包括两部分：编码器(Encoder)，用于将输入的特征序列进行编码，将任意长度的输入编码到一个特征向量中。解码器(Decoder)，用于将Encoder编码得到的特征向量进行解码，得到最终输出。可选地，模型中还可以包括注意力机制(Attention)，用于将模型的注意力放在每一个正在解码的向量上，例如，可以结合Encoder编码过程中每一层的隐藏特征向量，以及编码得到的特征向量，确定Decoder的输入。

相关技术中，在预测未来某一时刻的人流量时，一般是基于历史一段时间的人流量数据，预测未来某一时刻的人流量。具体地，包括两种方案：第一种，通过预先训练多个模型，获取当前时段的数据值，从多个模型中选取合适的模型，得到初始流量数据，并结合当前的特征调整得到的流量数据，作为预测到的流量数据。第二种，利用历史人流量数据，通过全连接的方式预测当前时刻的下一时刻的人流量数据。上述方案中，均没有考虑到人流量与时间和地理位置的关联性。例如，在工作日时间段，娱乐场所和公司附近的人流量数值相邻，但是在周末的同时间段内，娱乐场所的人流量明显增加，公司附近的人流量会下降。所以不考虑时间和位置的因素，仅仅结合历史数据来预测未来的人流量是不准确的。

有鉴于此，本申请提出了一种区域人流量的预测方法及装置，结合历史时间段的人流量信息和区域位置的POI数据，来进行预测未来某个时间段内的人流量数据。考虑到了人流量与时间和位置的关联性，提升预测出的人流量数据的准确性。

可选地，本申请实施例提出的区域人流量预测方法，可以由区域内部署的摄像机或者摄像机中的芯片或者处理器来实现。可选地，本申请提出的方案还可以由独立于摄像机或者与摄像机连接的服务器或者服务器集群来实现。本申请对此不作具体限定。

首先，为了便于理解本申请提出的方案，可以参见图1，为本申请实施例提供的一种区域人流量预测方法流程图，具体包括：

101，获取距离摄像机设定范围内的POI数据，以及历史第一周期内采集的各个时间段的人流量数据。

可选地，POI数据可以包括POI类别以及每一类POI的数量。可选地，可以统计每个时间段内的人流量数据并进行存储。在进行预测人流量时，可以获取预先存储的历史第一周期内采集的各个时间段的人流量数据。作为一种举例，可以以一个星期为一个周期，并可以以每一天作为一个周期内的各个时间段。也就是说，第一周期为一个星期，包括七个时间段，每个时间段为一天的时间。当然，周期和时间段包括的时间范围还可以进行进一步的细分，本申请对于周期和时间段的设置不作具体限定。

102，将POI数据、各个时间段信息和各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据。

其中，历史第一周期和未来第二周期包含的时间段的数量相同。例如，若将第一周期划分为七个时间段，则第二周期也包含七个时间段。

可选地，各个时间段信息可以包括各个时间段的具体时间范围等。例如，第一周期为例，设第一周期为20XX年的第23周，第一周期包括的七时间段分别为第23周的每一天，比如，第一时间段为星期一、第二时间段为星期二、第三时间段为星期三等等。那么，输入的第一时间段的信息就可以为：20XX年第23周星期一，或者可以为20XX年X月X日。

103，将得到的未来第二周期内各个时间段的人流量数据，作为摄像机所处区域在第二周期的预测人流量。

可选地，摄像机所处区域可以包括摄像机的拍摄范围。

基于上述方案，本申请提出了结合区域中的POI数据和历史时间段的人流量，共同预测未来时间段的人流量。充分考虑了时间和位置对于人流量的影响，提升了预测人流量的准确性。

在一些实施例中，可选地，摄像机所在区域的POI数据可以是预先获取并存储在摄像机或者服务器中的。例如，可以以表的形式进行存储不同的POI类别和每一类POI对应的数量。可选地，多个区域的POI数据可以存储在一张表中，例如，可以参见下方表1，示例性地展示了存储的多个区域内的POI数据。

表1

区域\类别	休闲娱乐	酒店宾馆	商店	美食	商务
						区域A	11	33	21	54	7
区域B	34	12	31	67	10
						区域C	12	22	31	33	17
区域D	9	7	10	23	32
						区域E	51	23	123	176	6

可选地，在获取周期内包括的各个时间段信息时，为了保证周期性，可以以一个星期作为一个周期，将一星期中的每一天作为一个时间段。或者还可以将一天作为一个周期，将一天内划分为多个相等或者不相等的时间段。

作为一种示例，可以将上述三个特征表征为特征序列，例如，输入模型的特征序列可以为：X＝(x₁，x₂…x_t…x_T)。其中，t为第一周期内的第t个时间段，T为第一周期包括的时间段的数量，x_t为第t个时间段的输入的特征序列。可选地，第t个时间段的输入的特征序列可以表示为：x_t＝(p₁，p₂，…，p_N，dow_t，f_t)。其中，N表示POI的类别的数量(即，区域内存在N类POI)，p_N表示第N类POI的数量，dow_t表示第t个时间段的时间段信息(具体的时间段信息包括的内容可以参见上述图1的步骤102中的相关介绍)。f_t表示第t个时间段的实际人流量。

在一种可能实现的方式中，在将上述特征序列输入到模型之前，还可以将各个时间段信息转化为词向量。可选地，可以采用one-hot或者word2Vec等模型将时间段信息进行编码，得到用于表征时间段信息的词向量。进一步地，就可以将以特征序列形式表示的各个特征输入到预先训练好的人流量预测模型中，以获取未来第二周期内各个时间段的人流量数据。为了便于理解，首先对训练人流量模型的过程进行介绍。参见图2，为本申请示例性地提供的一种训练人流量预测模型的方法流程，具体包括：

201，获取历史第三周期和历史第四周期内采集的各个时间段的人流量数据。

其中，第四周期为第三周期之后的一个周期。第三周期、第四周期与第一周期和第二周期包含的时间段的数量可以相等。

作为一种可选的方式，摄像机在根据拍摄的内容统计实时的人流量，并进行存储，以便于后续获取任意周期的人流量数据。

202，将POI数据、第三周期内各个时间段信息和第三周期内各个时间段的人流量数据作为输入，将第四周期各个时间段的人流量数据作为输出，对人流量预测模型进行训练。

需要说明的是，上述图2仅是本申请实施例示例性地提供的一种训练模型的方式，本申请的人流量预测模型还可以采用其他的方式进行训练，不再一一赘述。

在一些实施例中，在使用训练好的人流量预测模型进行预测未来第二周期的人流量时，可以将第一周期的各个时间段信息、第一周期的各个时间段的人流量数据和POI数据输入到人流量预测模型中。例如，可以以特征序列的形式输入(参见上述实施例中的介绍)。可选地，人流量预测模型可以包括多个特征提取层，用于对输入的特征进行编码，得到多个隐藏特征向量。例如，可以每一个特征提取层都根据输入的特征生成一个对应的隐藏特征向量。进一步地，人流量预测模型中还可以包含注意力机制，用于对特征提取层得到的多个隐藏特征向量进行组合，得到设定特征向量。该设定特征向量即为人流量预测模型包括的解码层的输入，进一步地，解码层可以用于对输入的设定特征向量进行解码，得到第二周期内各个时间段的人流量数据。

可选地，在利用注意力机制得到设定特征向量时，可以首先获取特征提取层输出的多个隐藏特征向量分别对应的权重，然后可以采用权重计算多个隐藏特征向量的加权和，将计算得到的加权和作为设定特征向量。

作为一种举例，本申请提出的人流量预测模型可以采用RNN-Seq2Seq深度学习模型。关于RNN-Seq2Seq模型的介绍可以参见技术用语部分的描述。本申请采用的RNN-Seq2Seq模型可以包括Encoder、Attention和Decoder三部分。

可选地，RNN-Seq2Seq模型包括的Encoder可以用于实现上述介绍的特征提取的步骤。例如，Encoder可以通过循环神经网络对输入的特征序列进行编码，网络中的每一层都会得到一个隐藏特征向量。作为一种举例，隐藏特征向量可以采用下方公式(1)确定：

h_t＝f(Ux_t+wh_t-1+b) 公式(1)

其中，h_t为第t个时间段的隐藏特征向量，f为自定义的函数，x_t为输入的特征序列，h_t-1为第t-1个时间段的隐藏特征向量，U、w和b为学习到的参数。

作为一种示例，可以参见图3A，为本申请实施例提供的一种Encoder的编码过程意图。图3A中示出的h₀为训练模型时学习得到的初始隐藏特征向量，h₁-h₄为Encoder根据不同的时间段的输入得到的不同时间段的隐藏特征向量，x₁-x₄为输入到模型的特征序列。需要说明的是，图3A仅作为一种示例，本申请对于Encoder包括的网络层的数量以及输入的特征序列的数量不作具体限定。

可选地，RNN-Seq2Seq模型包括的Attention可以用于对于Encoder得到的各个时间段对应的多个隐藏特征向量进行组合，得到Decoder的输入，即得到用于进行预测的多个设定特征向量。作为一种举例，Attention可以首先获取各个隐藏特征向量对应的权重，然后计算各个隐藏特征向量的加权和，作为设定特征向量。那么也就是说，在计算特定特征向量之前，首先需要获取每一个隐藏特征向量的权重。

作为一种可选的方式，在计算某一个隐藏特征向量的权重时，可以根据该隐藏特征向量所占的比例，来计算该隐藏特征向量的权重。可选地，比例可以通过循环神经网络获取。例如，某一个隐藏特征向量所占的比例可以根据该隐藏特征向量，以及上一个采用该隐藏特征向量的权重计算出的设定特征向量来确定。作为一种举例，隐藏特征向量对应多个权重可以采用向下方公式(2)确定：

其中，h_i为第i个隐藏特征向量，α_i为h_i的权重，s_i为h_i所占的比例。可选地，s_i可以通过RNN(h_i，c_i-1)确定。其中，c_i-1是根据第i-1个隐藏特征向量以及第i-1个隐藏特征向量的权重得到的。需要说明的是，在i取值为1时，也就说是说在计算第一个隐藏特征向量所占的比例时，可以根据h_i和c₀进行计算，c₀可以是在训练模型中学习得到的特征。

进一步地，在确定每一个隐藏特征的权重之后，就可以根据多个隐藏特征向量确定设定特征向量。可选地，设定特征向量可以采用下方公式(3)确定：

c_i＝∑α_i*h_i 公式(3)

其中，c_i为第i个设定特征向量，h_i为第i个隐藏特征向量，α_i为h_i的权重。

作为一种示例，参见图3B，为本申请实施例提供的一种Attention的架构示意图。图3B示出的c₁为采用Attention计算得到的第一个Decoder的输入，h₁—h₄为Encoder包括的每一个网络层得到的隐藏特征向量，α₁—α₄为h₁—h₄分别对应的权重。

再进一步地，可以将计算得到的各个设定特征向量输入到Decoder中，Decoder可以对各个输入的向量进行解码，得到最终的预测结果。可选地，Decoder也可以采用循环神经网络对输入的摄像特征向量进行解码，网络中的每一层都会得到一个隐藏特征向量(为了与Encoder的每一层确定的隐藏特征向量进行区分，后续将Decoder每一层确定的隐藏特征向量简称为隐藏特征)。作为一种举例，隐藏特征可以采用下方公式(4)确定：

h_t′＝g(U′c_t+w′h′_t-1+b′) 公式(4)

其中，h_t′为输出的第t个时间段的隐藏特征，g为自定义的函数，c_t为输入到Decoder的第t个时间段的设定特征向量，h′_t-1为输出的第t-1个时间段的隐藏特征，U′、w′和b′为学习到的参数。

可选地，Decoder中还可以包括全连接层，用于确定最终数据的预测结果。作为一种举例，预测结果可以采用下方公式(5)确定：

y_t＝f(wh_t′+b) 公式(5)

其中，y_t为第二周期中的第t个时间段的预测人流量，f为自定义的函数，h_t′为Decoder第t层的隐藏特征，w和b为学习到的参数。

作为一种示例，可以参见图3C，为本申请实施例提供的一种Decoder的解码过程示意图。图3C中示出的h₀′为训练模型时学习得到的初始隐藏特征h₁′—h₄′为通过Decoder得到的每个时间段的隐藏特征，c₁-c₄为输入到Decoder的设定特征向量，y₁-y₄为Decoder预测的得到的结果。需要说明的是，图3C仅作为一种示例，本申请对于Decoder包括的网络层的数量以及输出的预测结果的数量均不作具体限定。

以上，结合实施例对采用RNN-Seq2Seq模型进行人流量预测的过程进行了介绍。可选地，可以将预测到的人流量作为摄像机所处的区域在未来某一个周期内的预测人流量。在一些场景中，区域内可以部署有多台摄像机，正常情况下，所述多台摄像机预测的结果应该相差不大。但是若某一台摄像机的拍摄区域内存在施工或者封路等情况，则可能导致该台摄像机预测出的人流量比较少。针对这种情况，本申请实施例提出了，获取区域内所有摄像机分别预测得到的第二周期内各个时间段的人流量数据。针对任意一个时间段，将该时间段内多个摄像机预测的多个人流量数据中的最大值，作为该区域在该时间段的预测人流量。以此避免脏数据的干扰。

基于与上述方法的同一构思，参见图4，为本申请实施例提供的一种区域人流量的预测装置400。装置400能够执行上述方法中的各个步骤，为了避免重复，此处不再进行赘述。装置400包括：获取单元401和处理单元402。

获取单元401，获取距离摄像机设定范围内的兴趣点POI数据，以及历史第一周期内采集的各个时间段的人流量数据，所述POI数据包括所述设定范围内的POI的类别以及每一类POI的数量；

处理单元402，用于将所述POI数据、所述各个时间段信息和所述各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据，所述第一周期与所述第二周期包含的时间段的数量相同；

所述处理单元402，还用于将得到的所述第二周期内各个时间段的人流量数据，作为所述摄像机所在区域在所述第二周期的预测人流量。

所述获取单元401，还用于获取历史第三周期和历史第四周期内采集的各个时间段的人流量数据；所述第四周期为所述第三周期后的一个周期，所述第三周期与所述第四周期包含的时间段的数量相同；

所述处理单元402，还用于将所述POI数据、所述第三周期各个时间段信息和所述第三周期各个时间段的人流量数据作为输入特征，将所述第四周期各个时间段的人流量数据作为输出特征，对所述人流量预测模型进行训练。

在一些实施例中，所述处理单元402，具体用于：

将所述各个时间段信息转化为词向量；

在一些实施例中，所述处理单元402，在利用所述人流量预测模型的注意力机制对所述多个隐藏特征向量进行组合，得到设定特征向量时，具体用于：

在一些实施例中，所述的处理单元402，具体用于：

采用如下公式确定所述权重：

在一些实施例中，所述处理单元402，具体用于：

在一些实施例中，所述获取单元401，还用于在所述区域内存在多个摄像机时，获取所述多个摄像机分别得到的所述第二周期内各个时间段的人流量数据中的最大值；

所述处理单元402，还用于将所述最大值作为所述区域在所述第二周期的预测人流量。

图5示出了本申请实施例提供的电子设备500结构示意图。本申请实施例中的电子设备500还可以包括通信接口503，该通信接口503例如是网口，电子设备可以通过该通信接口503传输数据，例如通信接口503可以实现上述图4中的获取单元401的部分功能。

在本申请实施例中，存储器502存储有可被至少一个控制器501执行的指令，至少一个控制器501通过执行存储器502存储的指令，可以用于执行上述方法中的各个步骤，例如，控制器501可以实现上述图4中的处理单元402的功能。

其中，控制器501是电子设备的控制中心，可以利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据。可选的，控制器501可包括一个或多个处理单元，控制器501可集成应用控制器和调制解调控制器，其中，应用控制器主要处理操作系统和应用程序等，调制解调控制器主要处理无线通信。可以理解的是，上述调制解调控制器也可以不集成到控制器501中。在一些实施例中，控制器501和存储器502可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

控制器501可以是通用控制器，例如中央控制器(CPU)、数字信号控制器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用控制器可以是微控制器或者任何常规的控制器等。结合本申请实施例所公开的数据统计平台所执行的步骤可以直接由硬件控制器执行完成，或者用控制器中的硬件及软件模块组合执行完成。

存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

通过对控制器501进行设计编程，例如，可以将前述实施例中介绍的神经网络模型的训练方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的神经网络模型训练方法的步骤，如何对控制器501进行设计编程为本领域技术人员所公知的技术，这里不再赘述。

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、嵌入式处理机或其它可编程数据处理设备的控制器以产生一个机器，使得通过计算机或其它可编程数据处理设备的控制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它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它可编程数据处理设备上，使得在计算机或其它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，从而在计算机或其它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。

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，则可对这些实施例做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申请的精神和范围。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

1.一种区域人流量的预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述人流量预测模型采用如下方式训练得到：

3.如权利要求1或2所述的方法，其特征在于，所述将所述POI数据、所述各个时间段信息和所述各个时间段的人流量数据输入到预先训练好的人流量预测模型中，得到未来第二周期内各个时间段的人流量数据，具体包括：

将所述各个时间段信息转化为词向量；

4.如权利要求3所述的方法，其特征在于，所述利用所述人流量预测模型的注意力机制对所述多个隐藏特征向量进行组合，得到设定特征向量，包括：

5.如权利要求4所述的方法，其特征在于，所述获取所述多个隐藏特征分别对应的权重，包括：

采用如下公式确定所述权重：

6.如权利要求3所述的方法，其特征在于，所述利用所述人流量预测模型包括的多个特征提取层对输入进行编码，得到多个隐藏特征向量，包括：

7.如权利要求3所述的方法，其特征在于，所述利用所述人流量预测模型的多个解码层对所述多个设定特征向量进行解码，得到所述第二周期内各个时间段的人流量数据，包括：

8.如权利要求1或2所述的方法，其特征在于，所述方法还包括：

将所述最大值作为所述区域在所述第二周期的预测人流量。

9.一种区域人流量的预测装置，其特征在于，包括：

10.一种电子设备，其特征在于，包括：

存储器以及处理器；

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1～8任一项所述的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行权利要求1～8中任一项所述的方法。