CN114997543A - 人流量预测方法、模型训练方法、电子设备、可读介质 - Google Patents

人流量预测方法、模型训练方法、电子设备、可读介质 Download PDF

Info

Publication number
CN114997543A
CN114997543A CN202210926671.5A CN202210926671A CN114997543A CN 114997543 A CN114997543 A CN 114997543A CN 202210926671 A CN202210926671 A CN 202210926671A CN 114997543 A CN114997543 A CN 114997543A
Authority
CN
China
Prior art keywords
dimension
matrix
convolution operation
time
statistical
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
CN202210926671.5A
Other languages
English (en)
Other versions
CN114997543B (zh
Inventor
罗静
李沛然
郭宇鹏
毛少将
王晓
雷庆庆
任峰
袁帅
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.)
CRSC Communication and Information Group Co Ltd CRSCIC
Original Assignee
CRSC Communication and Information Group Co Ltd CRSCIC
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 CRSC Communication and Information Group Co Ltd CRSCIC filed Critical CRSC Communication and Information Group Co Ltd CRSCIC
Priority to CN202210926671.5A priority Critical patent/CN114997543B/zh
Publication of CN114997543A publication Critical patent/CN114997543A/zh
Application granted granted Critical
Publication of CN114997543B publication Critical patent/CN114997543B/zh
Priority to PCT/CN2023/102179 priority patent/WO2024027362A1/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
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Landscapes

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

Abstract

本公开提供了一种人流量预测方法、模型训练方法、电子设备、可读介质，人流量预测方法包括：根据城市轨道交通线路中的站台在第1个统计时刻到第N个统计时刻的人流量生成人流量矩阵；其中，人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；站台的人流量在空间维度中的位置表征站台的连接关系，对人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；对人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；将空间特征信息和时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据，根据第N+1个统计时刻对应的空间维度的数据输出预测的第N+1统计时刻的人流量。

Description

人流量预测方法、模型训练方法、电子设备、可读介质
技术领域
本公开实施例涉及人工智能领域，特别涉及人流量预测方法、模型训练方法、电子设备、可读介质。
背景技术
人流变量多种多样，这些变量通常作为监控当前人流状态以及未来预测的指标。根据预测时间窗口的大小，人流预测大体分为两个尺度：短期预测（5到30分钟），中和长期预测（超过30分钟）。同时行人活动具有很大的不确定性。在地铁站中，技术人员只能通过进出站的行人属性得到较为模糊的人流状况，这也为预测加大了难度。
目前的预测方法要么预测误差相对较大，要么对数据集的要求比较高，模型的适应性也较低。
发明内容
本公开实施例提供一种人流量预测方法、模型训练方法、电子设备、可读介质。
第一方面，本公开实施例提供一种人流量预测方法，包括：
获取城市轨道交通线路中的站台在第1个统计时刻到第N个统计时刻的人流量；
将所述第1个统计时刻到所述第N个统计时刻的人流量输入到训练好的人流量预测模型中得到预测的所述城市轨道交通线路中的站台在所述第N+1统计时刻的人流量；
其中，所述人流量预测模型进行以下处理：
根据所述第1个统计时刻到所述第N个统计时刻的人流量生成人流量矩阵；其中，所述人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；所述站台的人流量在所述空间维度中的位置表征站台的连接关系，N为大于或等于2的整数；
对所述人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；
对所述人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；
将所述空间特征信息和所述时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据，根据所述预测的第N+1个统计时刻对应的空间维度的数据输出预测的所述城市轨道交通线路中的站台在所述第N+1统计时刻的人流量。
在一些示例性实施例中，所述根据所述第1个统计时刻到所述第N个统计时刻的人流量生成人流量矩阵包括：
根据所述城市轨道交通线路中的站台在第j个统计时刻的人流量生成第j个统计时刻对应的二维第一矩阵；其中，j为1到N之间的整数；
将所有统计时刻对应的二维第一矩阵在时间维度上拼接成所述人流量矩阵。
在一些示例性实施例中，所述对所述人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息包括：
对所述人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果；其中，X为大于或等于2的整数；
将每一个所述第一卷积运算结果转换为一个一维第一向量；
将X个所述第一向量拼接成一个一维第二向量；
对所述第二向量进行第一全连接运算和第一激活函数运算得到所述空间特征信息。
在一些示例性实施例中，所述对所述人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果包括：
对所述人流量矩阵在空间维度进行第1次第一卷积运算和第1次第一激活函数运算得到第1次第一卷积运算结果；
对第i次第一卷积运算结果进行第i+1次第一卷积运算和第i+1次第一激活函数运算得到第i+1次第一卷积运算结果；其中，i为1到X-1之间的整数。
在一些示例性实施例中，所述对所述人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息包括：
将所述人流量矩阵在保证时间维度不变的情况下转换成一个二维第二矩阵；
对所述第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果；
将每一个所述第二卷积运算结果转换为一个一维第三向量；
将X个所述第三向量拼接成一个一维第四向量；
对所述第四向量进行第二全连接运算和第一激活函数运算得到所述时间特征信息。
在一些示例性实施例中，所述对所述第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果包括：
对所述第二矩阵进行第1次第二卷积运算和第1次第一激活函数运算得到第1次第二卷积运算结果；
对第i次第二卷积运算结果进行第i+1次第二卷积运算和第i+1次第一激活函数运算得到第i+1次第二卷积运算结果；其中，i为1到X-1之间的整数。
在一些示例性实施例中，所述将所述空间特征信息和所述时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据包括：
将所述空间特征信息和所述时间特征信息拼接成一个一维第五向量，对第五向量进行第三全连接运算和第一激活函数运算得到时空特征信息；
对所述时空特征信息进行归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据。
第二方面，本公开实施例提供一种模型训练方法，包括：
获取样本数据；其中，样本数据包括：城市轨道交通线路中的站台在N+1个统计时刻的人流量；
将所述样本数据中前N个统计时刻的人流量作为人流量预测模型的输入，将所述样本数据中第N+1个统计时刻的人流量作为人流量预测模型的输出进行模型训练得到训练好的人流量预测模型；
其中，所述人流量预测模型进行以下处理：
根据所述样本数据中第1个统计时刻到第N个统计时刻的人流量生成人流量矩阵；其中，所述人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；所述站台的人流量在所述空间维度中的位置表征站台的连接关系，N为大于或等于2的整数；
对所述人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；
对所述人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；
将所述空间特征信息和所述时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1统计时刻对应的空间维度的数据，根据所述预测的第N+1统计时刻对应的空间维度的数据输出预测的所述城市轨道交通线路中的站台在所述第N+1统计时刻的人流量。
第三方面，本公开实施例提供一种电子设备，包括：
至少一个处理器；
存储器，存储器上存储有至少一个程序，当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任意一种人流量预测方法或模型训练方法。
第四方面，本公开实施例提供一种可读介质，可读介质上存储有计算机程序，所述程序被处理器执行时实现上述任意一种人流量预测方法或模型训练方法。
本公开实施例提供的人流量预测方法，基于站台在不同统计时刻的人流量预测下一个统计时刻的人流量，而不依靠其他客观因素（如天气，节假日等）进行预测，提高了模型预测的准确率，且降低了对数据集的要求，提高了模型的适应性。
附图说明
附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例性实施例进行描述，在附图中：
图1为本公开一个实施例提供的人流量预测方法的流程图；
图2为本公开实施例中人流量预测模型的数据处理示意图；
图3为本公开实施例中对人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果的示意图；
图4为本公开实施例对第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果的示意图；
图5为本公开另一个实施例提供的模型训练方法的流程图。
具体实施方式
为使本领域的技术人员更好地理解本公开的技术方案，下面结合附图对本公开提供的人流量预测方法、模型训练方法、电子设备、可读介质进行详细描述。
在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的，术语“和/或”包括至少一个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加至少一个其它特征、整体、步骤、操作、元件、组件和/或其群组。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
目前城市轨道交通客流预测算法中比较常用的方法是宏观客流预测方法中的四阶段法，其后随着城市轨道交通网络的逐渐加密，线路之间的换乘关系越来越复杂，单线轨道交通客流预测误差相对较大，此时“总量控制”思想应运而生，即在预测中对城市轨道交通网络的总客流量进行控制，从而达到减少预测误差的目的。而针对短期客流预测，目前一些研究学者尝试运用长短期记忆（LSTM，Long Short Term Memory）网络或反向传播（BP，Back Propagation）神经网络，考虑复杂因素影响的地铁客流预测系统，引入天气、节日、站台种类等因素，进行模型塑造与预测，但是这些方式无疑都提高了对数据集的要求，同时也降低了模型的适应性。
图1为本公开一个实施例提供的人流量预测方法的流程图。
第一方面，参照图1，本公开一个实施例提供一种人流量预测方法，包括：
步骤100，获取城市轨道交通线路中的站台在第1个统计时刻到第N个统计时刻的人流量。
在本公开实施例中，用于预测的N+1个统计时刻的人流量的N个统计时刻的人流量均为历史统计的人流量。
在一些示例性实施例中，N的取值可以根据实际情况确定。例如N取值为4。
在一些示例性实施例中，人流量可以是进站人流量，出站人流量，以及进站人流量和出站人流量之和中的任意一个。
在一些示例性实施例中，城市轨道交通可以是地铁、公交、铁路中的任意一个。
在一些示例性实施例中，可以从实际统计情况获得城市轨道交通线路中的站台在第1个统计时刻到第N个统计时刻的人流量。
步骤101，将第1个统计时刻到第N个统计时刻的人流量输入到训练好的人流量预测模型中得到预测的城市轨道交通线路中的站台在第N+1统计时刻的人流量；其中，人流量预测模型进行以下处理：根据第1个统计时刻到第N个统计时刻的人流量生成人流量矩阵；其中，人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；站台的人流量在空间维度中的位置表征站台的连接关系，N为大于或等于2的整数；对人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；对人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；将空间特征信息和时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据，根据预测的第N+1个统计时刻对应的空间维度的数据输出预测的城市轨道交通线路中的站台在第N+1统计时刻的人流量。
在一些示例性实施例中，站台的连接关系包括站台的先后顺序，站台的相邻关系，以及站台的交叉关系。其中，交叉关系体现的是不同线路之间具有相同的站台。
在一些示例性实施例中，人流量矩阵为三维矩阵，第一维为时间维度，第一维的每一个元素表示一个统计时刻，第二维和第三维为空间维度，每一个统计时刻对应的二维矩阵中有的元素的值有效，有的元素的值无效，每一个值有效的元素表示一个站台在该统计时刻的人流量，具有相同站台的线路要包括二维矩阵中的同一个元素，值无效的元素表示该位置没有站台。
同一条线路中具有相邻关系的两个站台在二维矩阵中的位置也是相邻的。
在一些示例性实施例中，将没有站台的位置的元素赋值为小于0的数。
下面给出了二维矩阵的一个例子。在下面的例子中，总共有3条线路，第1条线路包括34个站台，如下面二维矩阵中的站台0至站台33，这34个站台在二维矩阵中的位置按照站台的先后顺序进行排列，第1条线路包括两条分支，这两条分支有相同的站台，如下面二维矩阵中的站台20；第2条线路包括33个站台，如下面二维矩阵中的站台34至站台50，站台10，站台51至站台65，这33个站台在二维矩阵中的位置按照站台的先后顺序进行排列，第1条线路和第2条线路有相同的站台，即站台10；第3条线路包括17个站台，如下面二维矩阵中的站台66至站台73，站台5，站台74至站台76，站台46，站台77至站台79，站台15，这17个站台在二维矩阵中的位置按照站台的先后顺序进行排列，第1条线路和第3条线路有相同的站台，即站台5，第2条线路和第3条线路有相同的站台，即站台46。
在下面的例子中，将没有站台的位置的元素赋值为-1。
需要说明的是，在下面的例子中，有站台的位置的元素的值仅仅表示站台的编号，而不是表示站台的人流量，仅仅是为了说明方便。实际实现过程中，有站台的位置的元素的值应该赋值为该站台在该统计时刻的人流量。
Figure 160839DEST_PATH_IMAGE001
。
在一些示例性实施例中，根据第1个统计时刻到第N个统计时刻的人流量生成人流量矩阵包括：根据城市轨道交通线路中的站台在第j个统计时刻的人流量生成第j个统计时刻对应的二维第一矩阵；其中，j为1到N之间的整数；将所有统计时刻对应的二维第一矩阵在时间维度上拼接成人流量矩阵。
在一些示例性实施例中，人流量矩阵的大小为M×M×N，M×M为空间维度的大小，N为时间维度的大小。
在一些示例性实施例中，N为4。
在一些示例性实施例中，对人流量矩阵在空间维度进行第一卷积运算的目的是提取相邻空间内的人流量特征关系信息。
在一些示例性实施例中，如图2所示，对人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息包括：对人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果；其中，X为大于或等于2的整数；将每一个第一卷积运算结果转换为一个一维第一向量；将X个第一向量拼接成一个一维第二向量；对第二向量进行第一全连接运算和第一激活函数运算得到空间特征信息。
在一些示例性实施例中，如图3所示，对人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果包括：对人流量矩阵在空间维度进行第1次第一卷积运算和第1次第一激活函数运算得到第1次第一卷积运算结果；对第i次第一卷积运算结果进行第i+1次第一卷积运算和第i+1次第一激活函数运算得到第i+1次第一卷积运算结果；其中，i为1到X-1之间的整数。
在一些示例性实施例中，第一卷积运算的卷积核尺寸可以是A×A，例如2×2。
在一些示例性实施例中，对人流量矩阵在空间维度进行第1次第一卷积运算和第1次第一激活函数运算得到第1次第一卷积运算结果包括：对人流量矩阵在空间维度进行第1次第一卷积运算得到第1次第一卷积运算中间结果，对第1次第一卷积运算中间结果进行第1次第一激活函数运算得到第1次第一卷积运算结果。
在一些示例性实施例中，对第i次第一卷积运算结果进行第i+1次第一卷积运算和第i+1次第一激活函数运算得到第i+1次第一卷积运算结果包括：对第i次第一卷积运算结果进行第i+1次第一卷积运算得到第i+1次第一卷积运算中间结果，对第i+1次第一卷积运算中间结果进行第i+1次第一激活函数运算得到第i+1次第一卷积运算结果。
在一些示例性实施例中，每一个第一卷积运算结果的大小为M×M×N。
在一些示例性实施例中，第一向量的大小为1×（M×M×N）。
在一些示例性实施例中，将每一个第一卷积运算结果转换为一个一维第一向量包括：将每一个第一卷积运算结果拼接成一个一维第一向量。
在一些示例性实施例中，对第一卷积运算结果的拼接顺序不作限定，只要保证所有第一卷积运算结果的拼接顺序相同即可。
在一些示例性实施例中，对X个第一向量拼接成一个一维第二向量的拼接顺序不作限定。
在一些示例性实施例中，第二向量的大小为1×（X×M×M×N）。
在一些示例性实施例中，第一激活函数可以是selu函数。
在一些示例性实施例中，空间特征信息的大小为1×（X×M×M×N/4）。
在一些示例性实施例中，对人流量矩阵在时间维度进行第二卷积运算的目的是提取相邻时间内的人流量特征关系信息。
在一些示例性实施例中，如图2所示，对人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息包括：将人流量矩阵在保证时间维度不变的情况下转换成一个二维第二矩阵；对第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果；将每一个第二卷积运算结果转换为一个一维第三向量；将X个第三向量拼接成一个一维第四向量；对第四向量进行第二全连接运算和第一激活函数运算得到时间特征信息。
在一些示例性实施例中，将人流量矩阵在保证时间维度不变的情况下转换成一个二维第二矩阵是指将每一个统计时刻对应的二维矩阵转换成一个一维向量，将转换得到的所有一维向量在时间维度上进行拼接。第二矩阵的大小为（M×M）×N×1。
在一些示例性实施例中，如图4所示，对第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果包括：对第二矩阵进行第1次第二卷积运算和第1次第一激活函数运算得到第1次第二卷积运算结果；对第i次第二卷积运算结果进行第i+1次第二卷积运算和第i+1次第一激活函数运算得到第i+1次第二卷积运算结果；其中，i为1到X-1之间的整数。
在一些示例性实施例中，对第二矩阵进行第1次第二卷积运算和第1次第一激活函数运算得到第1次第二卷积运算结果包括：对第二矩阵进行第1次第二卷积运算得到第1次第二卷积运算中间结果，对第1次第二卷积运算中间结果进行第1次第一激活函数运算得到第1次第二卷积运算结果。
在一些示例性实施例中，对第i次第二卷积运算结果进行第i+1次第二卷积运算和第i+1次第一激活函数运算得到第i+1次第二卷积运算结果包括：对第i次第二卷积运算结果进行第i+1次第二卷积运算得到第i+1次第二卷积运算中间结果，对第i+1次第二卷积运算中间结果进行第i+1次第一激活函数运算得到第i+1次第二卷积运算结果。
在一些示例性实施例中，第二卷积运算的卷积核尺寸可以是1×B，例如1×2。
在一些示例性实施例中，将每一个第二卷积运算结果转换为一个一维第三向量包括：将每一个第二卷积运算结果拼接成一个一维第三向量。
在一些示例性实施例中，对第二卷积运算结果的拼接顺序不作限定，只要保证所有第二卷积运算结果的拼接顺序相同即可。
在一些示例性实施例中，对X个第三向量拼接成一个一维第四向量的拼接顺序不作限定。
在一些示例性实施例中，第四向量的大小为1×（X×M×M×N）。
在一些示例性实施例中，第一激活函数可以是selu函数。
在一些示例性实施例中，时间特征信息的大小为1×（X×M×M×N/4）。
在一些示例性实施例中，如图2所示，将空间特征信息和时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据包括：将空间特征信息和时间特征信息拼接成一个一维第五向量，对第五向量进行第三全连接运算和第一激活函数运算得到时空特征信息；对时空特征信息进行归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据。
在一些示例性实施例中，空间特征信息的大小为1×（X×M×M×N/4），时间特征信息的大小为1×（X×M×M×N/4），那么，第五向量的大小为1×（X×M×M×N/2）。
在一些示例性实施例中，时空特征信息的大小为1×（X×M×M×N/4）。
在一些示例性实施例中，对时空特征信息进行归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据包括：对时空特征信息进行第二激活函数运算得到预测的第N+1个统计时刻对应的空间维度的数据。
在一些示例性实施例中，预测的第N+1个统计时刻对应的空间维度的数据的大小为1×（X×M×M×N/8）。
在一些示例性实施例中，第二激活函数可以是sigmod函数。
在一些示例性实施例中，根据预测的第N+1个统计时刻对应的空间维度的数据输出预测的城市轨道交通线路中的站台在第N+1统计时刻的人流量是指将预测的第N+1个统计时刻对应的空间维度的数据中站台对应的元素的值输出作为预测的城市轨道交通线路中的站台在第N+1统计时刻的人流量。
本公开实施例提供的人流量预测方法，基于站台在不同统计时刻的人流量预测下一个统计时刻的人流量，而不依靠其他客观因素（如天气，节假日等）进行预测，提高了模型预测的准确率，且降低了对数据集的要求，提高了模型的适应性。
图5为本公开另一个实施例提供的模型训练方法的流程图。
第二方面，参照图5，本公开另一个实施例提供一种模型训练方法，包括：
步骤500，获取样本数据；其中，样本数据包括：城市轨道交通线路中的站台在N+1个统计时刻的人流量。
在本公开实施例中，样本数据中的N+1个统计时刻的人流量均为历史统计得到的人流量。
步骤501，将样本数据中前N个统计时刻的人流量作为人流量预测模型的输入，将样本数据中第N+1个统计时刻的人流量作为人流量预测模型的输出进行模型训练得到训练好的人流量预测模型；其中，人流量预测模型进行以下处理：根据样本数据中第1个统计时刻到第N个统计时刻的人流量生成人流量矩阵；其中，人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；站台的人流量在空间维度中的位置表征站台的连接关系，N为大于或等于2的整数；对人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；对人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；将空间特征信息和时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1统计时刻对应的空间维度的数据，根据预测的第N+1统计时刻对应的空间维度的数据输出预测的城市轨道交通线路中的站台在第N+1统计时刻的人流量。
人流量预测模型的处理过程与前述实施例相同，这里不再赘述。
第三方面，本公开实施例提供一种电子设备，包括：
至少一个处理器；
存储器，存储器上存储有至少一个程序，当至少一个程序被至少一个处理器执行，使得至少一个处理器实现上述任意一项的人流量预测方法或模型训练方法。
其中，处理器为具有数据处理能力的器件，其包括但不限于中央处理器（CPU）等；存储器为具有数据存储能力的器件，其包括但不限于随机存取存储器（RAM，更具体如SDRAM、DDR等）、只读存储器（ROM）、带电可擦可编程只读存储器（EEPROM）、闪存（FLASH）。
在一些实施例中，处理器、存储器通过总线相互连接，进而与计算设备的其它组件连接。
第四方面，本公开实施例提供一种可读介质，可读介质上存储有计算机程序，程序被处理器执行时实现上述任意一种人流量预测方法或模型训练方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在可读介质上，可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其它数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字多功能盘（DVD）或其它光盘存储、磁盒、磁带、磁盘存储或其它磁存储器、或者可以用于存储期望的信息并且可以被计算机访问的任何其它的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其它传输机制之类的调制数据信号中的其它数据，并且可包括任何信息递送介质。
本文已经公开了示例实施例，并且虽然采用了具体术语，但它们仅用于并仅应当被解释为一般说明性含义，并且不用于限制的目的。在一些实例中，对本领域技术人员显而易见的是，除非另外明确指出，否则可单独使用与特定实施例相结合描述的特征、特性和/或元素，或可与其它实施例相结合描述的特征、特性和/或元件组合使用。因此，本领域技术人员将理解，在不脱离由所附的权利要求阐明的本公开的范围的情况下，可进行各种形式和细节上的改变。

Claims (10)

1.一种人流量预测方法，包括：
获取城市轨道交通线路中的站台在第1个统计时刻到第N个统计时刻的人流量；
将所述第1个统计时刻到所述第N个统计时刻的人流量输入到训练好的人流量预测模型中得到预测的所述城市轨道交通线路中的站台在所述第N+1统计时刻的人流量；
其中，所述人流量预测模型进行以下处理：
根据所述第1个统计时刻到所述第N个统计时刻的人流量生成人流量矩阵；其中，所述人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；所述站台的人流量在所述空间维度中的位置表征站台的连接关系，N为大于或等于2的整数；
对所述人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；
对所述人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；
将所述空间特征信息和所述时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据，根据所述预测的第N+1个统计时刻对应的空间维度的数据输出预测的所述城市轨道交通线路中的站台在所述第N+1统计时刻的人流量。
2.根据权利要求1所述的人流量预测方法，其中，所述根据所述第1个统计时刻到所述第N个统计时刻的人流量生成人流量矩阵包括：
根据所述城市轨道交通线路中的站台在第j个统计时刻的人流量生成第j个统计时刻对应的二维第一矩阵；其中，j为1到N之间的整数；
将所有统计时刻对应的二维第一矩阵在时间维度上拼接成所述人流量矩阵。
3.根据权利要求1所述的人流量预测方法，其中，所述对所述人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息包括：
对所述人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果；其中，X为大于或等于2的整数；
将每一个所述第一卷积运算结果转换为一个一维第一向量；
将X个所述第一向量拼接成一个一维第二向量；
对所述第二向量进行第一全连接运算和第一激活函数运算得到所述空间特征信息。
4.根据权利要求3所述的人流量预测方法，其中，所述对所述人流量矩阵在空间维度进行X次第一卷积运算和X次第一激活函数运算得到X个第一卷积运算结果包括：
对所述人流量矩阵在空间维度进行第1次第一卷积运算和第1次第一激活函数运算得到第1次第一卷积运算结果；
对第i次第一卷积运算结果进行第i+1次第一卷积运算和第i+1次第一激活函数运算得到第i+1次第一卷积运算结果；其中，i为1到X-1之间的整数。
5.根据权利要求1所述的人流量预测方法，其中，所述对所述人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息包括：
将所述人流量矩阵在保证时间维度不变的情况下转换成一个二维第二矩阵；
对所述第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果；
将每一个所述第二卷积运算结果转换为一个一维第三向量；
将X个所述第三向量拼接成一个一维第四向量；
对所述第四向量进行第二全连接运算和第一激活函数运算得到所述时间特征信息。
6.根据权利要求5所述的人流量预测方法，其中，所述对所述第二矩阵进行X次第二卷积运算和X次第一激活函数运算得到X个第二卷积运算结果包括：
对所述第二矩阵进行第1次第二卷积运算和第1次第一激活函数运算得到第1次第二卷积运算结果；
对第i次第二卷积运算结果进行第i+1次第二卷积运算和第i+1次第一激活函数运算得到第i+1次第二卷积运算结果；其中，i为1到X-1之间的整数。
7.根据权利要求1所述的人流量预测方法，其中，所述将所述空间特征信息和所述时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据包括：
将所述空间特征信息和所述时间特征信息拼接成一个一维第五向量，对所述第五向量进行第三全连接运算和第一激活函数运算得到时空特征信息；
对所述时空特征信息进行归一化处理得到预测的第N+1个统计时刻对应的空间维度的数据。
8.一种模型训练方法，包括：
获取样本数据；其中，样本数据包括：城市轨道交通线路中的站台在N+1个统计时刻的人流量；
将所述样本数据中前N个统计时刻的人流量作为人流量预测模型的输入，将所述样本数据中第N+1个统计时刻的人流量作为人流量预测模型的输出进行模型训练得到训练好的人流量预测模型；
其中，所述人流量预测模型进行以下处理：
根据所述样本数据中第1个统计时刻到第N个统计时刻的人流量生成人流量矩阵；其中，所述人流量矩阵的第一维为时间维度，第二维和第三维为空间维度；所述站台的人流量在所述空间维度中的位置表征站台的连接关系，N为大于或等于2的整数；
对所述人流量矩阵在空间维度进行第一卷积运算和第一全连接运算得到空间特征信息；
对所述人流量矩阵在时间维度进行第二卷积运算和第二全连接运算得到时间特征信息；
将所述空间特征信息和所述时间特征信息进行第三全连接运算和归一化处理得到预测的第N+1统计时刻对应的空间维度的数据，根据所述预测的第N+1统计时刻对应的空间维度的数据输出预测的所述城市轨道交通线路中的站台在所述第N+1统计时刻的人流量。
9.一种电子设备，包括：
至少一个处理器；
存储器，所述存储器上存储有至少一个程序，当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-7任意一项所述的人流量预测方法，或权利要求8所述的模型训练方法。
10.一种可读介质，所述可读介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1-7任意一项所述的人流量预测方法，或权利要求8所述的模型训练方法。
CN202210926671.5A 2022-08-03 2022-08-03 人流量预测方法、电子设备、可读介质 Active CN114997543B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210926671.5A CN114997543B (zh) 2022-08-03 2022-08-03 人流量预测方法、电子设备、可读介质
PCT/CN2023/102179 WO2024027362A1 (zh) 2022-08-03 2023-06-25 人流量预测方法、模型训练方法、电子设备、可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210926671.5A CN114997543B (zh) 2022-08-03 2022-08-03 人流量预测方法、电子设备、可读介质

Publications (2)

Publication Number Publication Date
CN114997543A true CN114997543A (zh) 2022-09-02
CN114997543B CN114997543B (zh) 2023-01-13

Family

ID=83021855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210926671.5A Active CN114997543B (zh) 2022-08-03 2022-08-03 人流量预测方法、电子设备、可读介质

Country Status (2)

Country Link
CN (1) CN114997543B (zh)
WO (1) WO2024027362A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620525A (zh) * 2022-12-16 2023-01-17 中国民用航空总局第二研究所 基于时变动态贝叶斯网络的短时交通客运需求预测方法
WO2024027362A1 (zh) * 2022-08-03 2024-02-08 通号通信信息集团有限公司 人流量预测方法、模型训练方法、电子设备、可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170269055A1 (en) * 2016-03-21 2017-09-21 International Business Machines Corporation Predictive Modeling to Estimate Data Values Between Sampling Events
CN111489013A (zh) * 2020-03-11 2020-08-04 北京交通大学 一种基于时空多图卷积网络的交通站点流量预测方法
CN111667092A (zh) * 2020-04-21 2020-09-15 北京交通大学 基于图卷积神经网络的轨道交通短时客流预测方法和系统
CN112418547A (zh) * 2020-12-03 2021-02-26 北京工业大学 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
CN113673775A (zh) * 2021-08-25 2021-11-19 武汉科技大学 基于cnn-lstm及深度学习的时空组合预测方法
CN113724504A (zh) * 2021-08-06 2021-11-30 之江实验室 一种面向车辆轨迹大数据的城市区域流量预测系统及方法
CN113905391A (zh) * 2021-09-27 2022-01-07 湖北工业大学 集成学习网络流量预测方法、系统、设备、终端、介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997543B (zh) * 2022-08-03 2023-01-13 通号通信信息集团有限公司 人流量预测方法、电子设备、可读介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170269055A1 (en) * 2016-03-21 2017-09-21 International Business Machines Corporation Predictive Modeling to Estimate Data Values Between Sampling Events
CN111489013A (zh) * 2020-03-11 2020-08-04 北京交通大学 一种基于时空多图卷积网络的交通站点流量预测方法
CN111667092A (zh) * 2020-04-21 2020-09-15 北京交通大学 基于图卷积神经网络的轨道交通短时客流预测方法和系统
CN112418547A (zh) * 2020-12-03 2021-02-26 北京工业大学 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
CN113724504A (zh) * 2021-08-06 2021-11-30 之江实验室 一种面向车辆轨迹大数据的城市区域流量预测系统及方法
CN113673775A (zh) * 2021-08-25 2021-11-19 武汉科技大学 基于cnn-lstm及深度学习的时空组合预测方法
CN113905391A (zh) * 2021-09-27 2022-01-07 湖北工业大学 集成学习网络流量预测方法、系统、设备、终端、介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
H.GUO等: "ASTCN: An Attentive Spatial–Temporal Convolutional Network for Flow Prediction", 《IEEE INTERNET OF THINGS JOURNAL》 *
荣斌等: "基于时空多图卷积网络的交通站点流量预测", 《计算机工程》 *
赵建立等: "基于混合深度学习的地铁站进出客流量短时预测", 《交通运输系统工程与信息》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024027362A1 (zh) * 2022-08-03 2024-02-08 通号通信信息集团有限公司 人流量预测方法、模型训练方法、电子设备、可读介质
CN115620525A (zh) * 2022-12-16 2023-01-17 中国民用航空总局第二研究所 基于时变动态贝叶斯网络的短时交通客运需求预测方法
CN115620525B (zh) * 2022-12-16 2023-03-10 中国民用航空总局第二研究所 基于时变动态贝叶斯网络的短时交通客运需求预测方法

Also Published As

Publication number Publication date
WO2024027362A1 (zh) 2024-02-08
CN114997543B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN114997543B (zh) 人流量预测方法、电子设备、可读介质
CN110084281B (zh) 图像生成方法、神经网络的压缩方法及相关装置、设备
US20200134460A1 (en) Processing method and accelerating device
US20200320704A1 (en) Method and device of processing plaques in magnetic resonance imaging of vessel wall, and computer device
US20190286990A1 (en) Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection
CN108171260B (zh) 一种图片识别方法及系统
CN113326930B (zh) 数据处理方法、神经网络的训练方法及相关装置、设备
CN112163601B (zh) 图像分类方法、系统、计算机设备及存储介质
CN111126481A (zh) 一种神经网络模型的训练方法及装置
CN112150470B (zh) 图像分割方法、装置、介质及电子设备
CN115546293B (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN114067389A (zh) 一种面部表情的分类方法和电子设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN114071141A (zh) 一种图像处理方法及其设备
CN114710667A (zh) 针对h.266/vvc屏幕内容帧内cu划分的快速预测方法及装置
CN109409915B (zh) 汽车配件销量预测方法、终端设备及存储介质
CN117077928A (zh) 网约车需求预测方法、装置、设备及存储介质
CN115294337B (zh) 训练语义分割模型的方法、图像语义分割方法及相关装置
CN111083482A (zh) 一种视频压缩网络训练方法、装置及终端设备
CN116095183A (zh) 一种数据压缩方法以及相关设备
CN114938455A (zh) 基于单元特性的编码方法、装置、电子设备及存储介质
CN115908593A (zh) 一种编码解码方法、装置及相关设备
CN112507872A (zh) 人体头肩区域的定位方法、定位装置和电子设备
CN111260484A (zh) 一种人伤识别的数据处理方法、装置、服务器及系统
CN112037174A (zh) 染色体异常检测方法、装置、设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant