CN115358492A - 客流预测方法、装置和系统 - Google Patents
客流预测方法、装置和系统 Download PDFInfo
- Publication number
- CN115358492A CN115358492A CN202211278955.4A CN202211278955A CN115358492A CN 115358492 A CN115358492 A CN 115358492A CN 202211278955 A CN202211278955 A CN 202211278955A CN 115358492 A CN115358492 A CN 115358492A
- Authority
- CN
- China
- Prior art keywords
- preset
- node
- personnel
- nodes
- passenger flow
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004891 communication Methods 0.000 claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012896 Statistical algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种客流预测方法、装置和系统,涉及客流预测技术领域。方法包括:获取预设区域内的各个预设节点与其相邻节点之间的连通关系,预设区域包括多个预设节点及其之间的连接通道,连通关系用于表征连接通道的流通方向;获取多个预设节点对应的人员密度信息;依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息。实现对预设区域内的人员的流动信息的准确预测,从而实现对不同的预设节点之间的人员流向进行调度和管理,提升预设区域内的安全性。
Description
技术领域
本申请涉及客流预测技术领域,具体涉及一种客流预测方法、装置和系统。
背景技术
在车站候车厅或地铁站台内,通常会安装有摄像头,以便于使用该摄像头对不同区域内的人员流动情况进行监控。但是,摄像头的部署位置以及距离人员的远近都会影响监控效果,且会存在监控盲区的问题,无法实现对区域内的人员的流向和流量进行准确预测,降低了站台候车厅、地铁站台内等人员密集场所的安全性。
发明内容
为此,本申请提供一种客流预测方法、装置和系统,解决如何准确预测某预设区域内的人员流动信息,以保证预设区域的安全性的问题。
为了实现上述目的,本申请第一方面提供一种客流预测方法,方法包括:获取预设区域内的各个预设节点与其相邻节点之间的连通关系,预设区域包括多个预设节点及其之间的连接通道,连通关系用于表征连接通道的流通方向;获取多个预设节点对应的人员密度信息;依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息。
在一些具体实现中,获取预设区域内的各个预设节点与其相邻节点之间的连通关系之后,获取多个预设节点对应的人员密度信息之前,还包括:
依据多个预设节点、以及每个预设节点与其相邻节点之间的连通关系,构建邻接拓扑模型,邻接拓扑模型采用N阶方阵的形式表示,N为大于1的整数。
在一些具体实现中,获取多个预设节点对应的人员密度信息,包括:
获取多帧待处理图像,其中,待处理图像为采用设置于每个预设节点中的图像采集设备对每个预设节点内的人员的图像进行采集所获得的图像;
依据深度学习算法对多帧待处理图像进行分析,确定每个预设节点对应的人员密度信息。
在一些具体实现中,获取多个预设节点对应的人员密度信息之前,还包括:
确定多个连接通道内是否存在监控摄像头;
在确定连接通道内存在监控摄像头的情况下,依据客流统计算法,分别对多个连接通道内的人员流动信息进行统计,获得多个连接通道对应的客流统计信息。
在一些具体实现中,客流统计信息包括:经过连接通道的人员数量;
依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息,包括:
依据各个预设节点与其相邻节点之间的连通关系,确定各个连接通道的流通方向;
依据各个连接通道的流通方向,确定与各个连接通道对应的权重系数矩阵;
依据权重系数矩阵、人员密度信息和经过连接通道的人员数量,确定线性估计模型;
依据线性估计模型,对预设区域内的人员流动信息进行预测,获得区域流量预测结果。
在一些具体实现中,客流统计信息,还包括:通道统计误差信息;
依据线性估计模型,对预设区域内的人员流动信息进行预测,获得区域流量预测结果之前,还包括:
依据通道统计误差信息和预设节点的预设客流总量信息对线性估计模型进行调整,获得更新后的线性估计模型。
在一些具体实现中,依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息之后,还包括:
每间隔预设时长,更新人员密度信息和/或客流统计信息。
在一些具体实现中,每个预设节点包括:入口和出口;
获取多个预设节点对应的人员密度信息,包括:
分别对每个预设节点做如下处理:
获取经过入口的各个人员与预设设备之间的第一通信交互信息,以及经过出口中的各个人员与预设设备之间的第二通信交互信息;
依据第一通信交互信息和第二通信交互信息,确定预设节点对应的人员密度信息;其中,预设节点包括:进站节点、安全检查节点、检票节点、候车节点和乘车站台节点中的至少一种。
为了实现上述目的,本申请第二方面提供一种客流预测装置,其包括:第一获取模块,被配置为获取预设区域内的各个预设节点与其相邻节点之间的连通关系,预设区域包括多个预设节点及其之间的连接通道,连通关系用于表征连接通道的流通方向;第二获取模块,被配置为获取多个预设节点对应的人员密度信息;预测模块,被配置为依据多个预设节点对应的人员密度信息和多个连接通道内的客流统计信息,预测预设区域内的人员流动信息。
为了实现上述目的,本申请第三方面提供一种客流预测系统,其包括:设置于多个预设节点内的第一图像采集设备、设置于预设节点之间的连接通道内的第二图像采集设备和客流预测装置;第一图像采集设备,被配置为对与第一图像采集设备对应的预设节点内的人员的图像进行采集,获得多帧待处理图像,并向客流预测装置发送多帧待处理图像,以供客流预测装置依据深度学习算法对多帧待处理图像进行分析,确定每个预设节点对应的人员密度信息;第二图像采集设备,被配置为对预设节点之间的连接通道内的人员运动图像进行采集,获得通道图像,并对通道图像进行分析,获得与连接通道对应的客流统计信息,并向客流预测装置发送客流统计信息,以供客流预测装置依据客流统计算法,分别对多个连接通道内的人员流动信息进行统计,获得连接通道对应的客流统计信息;客流预测装置,被配置为执行本申请中任意一种客流预测方法。
本申请中的客流预测方法、装置和系统,通过获取预设区域内的各个预设节点与其相邻节点之间的连通关系,能明确预设区域内的多个预设节点之间是否存在连接通道,以及该连接通道的流通方向,便于后续处理;获取预设区域内的多个预设节点对应的人员密度信息,能够明确不同的预设节点内的人员密度情况,便于对不同的预设节点内的人员数量进行控制,其中的预设区域包括多个预设节点及其之间的连接通道;依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息,以实现对预设区域内的人员的流动信息进行准确预测,从而实现对不同的预设节点之间的人员流向进行调度和管理,提升预设区域内的安全性。
附图说明
附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请,并不构成对本申请的限制。通过参考附图对详细示例实施例进行描述,以上和其它特征和优点对本领域技术人员将变得更加显而易见,在附图中。
图1示出本申请一实施例提供的客流预测方法的流程示意图。
图2示出本申请又一实施例提供的客流预测方法的流程示意图。
图3示出本申请实施例提供的邻接拓扑模型的示意图。
图4示出本申请实施例提供的对预设节点内的人员密度的统计示意图。
图5示出本申请实施例提供的客流预测装置的组成方框图。
图6示出本申请实施例提供的客流预测系统的组成方框图。
图7示出本申请实施例提供的客流预测系统的工作方法的流程示意图。
具体实施方式
以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请,并不用于限制本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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示出本申请一实施例提供的客流预测方法的流程示意图。该客流预测方法可应用于客流预测装置。如图1所示,该客流预测方法包括但不限于如下步骤:
步骤S101,获取预设区域内的各个预设节点与其相邻节点之间的连通关系。
其中,预设区域包括多个预设节点及其之间的连接通道。
需要说明的是,一个预设节点至少有一个相邻节点,以确定多个预设节点之间是否是连通的,从而确定多个预设节点之间的连通关系,该连通关系用于表征连接通道的流通方向。
步骤S102,获取多个预设节点对应的人员密度信息。
人员密度信息可以包括:预设节点内实时存在的人员的数量、预设节点可容纳的人员总数、以及预设节点内实时存在的人员的数量与该预设节点可容纳的人员总数的比值等信息。
通过人员密度信息能够表征该预设节点内的实时人员情况,以便于对预设节点的人员进行控制,保证人员的安全性。
步骤S103,依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息。
其中,人员密度信息包括每个预设节点中包括的人员数量和人员分布区域信息等,能够明确在预设节点内具体有多少人员。
而不同的预设节点之间的连通关系不同,可以通过多个预设节点对应的连通关系能够表征各个预设节点之间的连接通道的流通方向,从而明确人员可能从哪个预设节点流动到哪个预设节点。
进一步地,还可以基于不同预设节点在不同时段内的人员数量,对预设区域内的各个预设节点之间的人员的流动方向,以及人员的流动数量进行预测,并对流动的人员进行管理和调度,提升预设区域内的安全性。
在本实施例中,通过获取预设区域内的各个预设节点与其相邻节点之间的连通关系,能明确预设区域内的多个预设节点之间是否存在连接通道,以及该连接通道的流通方向,便于后续处理;获取预设区域内的多个预设节点对应的人员密度信息,能够明确不同的预设节点内的人员密度情况,便于对不同的预设节点内的人员数量进行控制,其中的预设区域包括多个预设节点及其之间的连接通道;依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息,以实现对预设区域内的人员的流动信息进行准确预测,从而实现对不同的预设节点之间的人员流向进行调度和管理,提升预设区域内的安全性。
图2示出本申请又一实施例提供的客流预测方法的流程示意图。该客流预测方法可应用于客流预测装置。如图2所示,该客流预测方法包括但不限于如下步骤:
步骤S201,获取每个预设节点与其相邻节点之间的连通关系。
需要说明的是,本实施例中的步骤S201与上一实施例中的步骤S101相同,在此不再赘述。
步骤S202,依据多个预设节点、以及每个预设节点与其相邻节点之间的连通关系,构建邻接拓扑模型。
其中,邻接拓扑模型可以是以多个预设节点为节点,以相邻两个预设节点之间的连接通道为边的模型。
例如,邻接拓扑模型采用N阶方阵的形式表示,N为大于1的整数。如,N阶方阵为N行N列的矩阵。当N等于3时,该3阶方阵中的第1行第1列的元素的值表示第1个预设节点与其自身是连通的(即,该值为1);第2行第1列的元素的值表示第2个预设节点与第1个预设节点之间是否是连通的(即,若是连通的,则该值为1;否则,该值为0);……、以此类推,可获知该3阶方阵中的各个元素的值,从而直观的获得邻接拓扑模型中各个预设节点之间的连通性。
例如,预设节点包括:进站节点、安全检查节点、检票节点、候车节点和乘车站台节点中的至少一种。
通过不同类型的预设节点,能够多维度的对不同的预设节点进行处理,使客流预测方法适用于更多的使用场景中,扩展客流预测方法的应用范围。
步骤S203,获取多个预设节点对应的人员密度信息。
步骤S204,依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息。
需要说明的是,本实施例中的步骤S203~步骤S204与上一实施例中的步骤S102~步骤S103相同,在此不再赘述。
在本实施例中,通过依据多个预设节点、以及每个预设节点与其相邻节点之间的连通关系,构建邻接拓扑模型,能够直观的明确多个预设节点之间的连通关系,便于后续处理;并通过获取预设区域内的多个预设节点对应的人员密度信息,能够明确不同的预设节点内的人员密度情况,便于对不同的预设节点内的人员数量进行控制;依据多个预设节点对应的人员密度信息和多个连接通道内的客流统计信息,预测预设区域内的人员流动信息,以实现对预设区域内的人员的流动信息进行准确预测,从而实现对不同的预设节点之间的人员流向进行调度和管理,提升预设区域内的安全性。
在一些具体实现中,步骤S102或步骤S203中的获取多个预设节点对应的人员密度信息,可以采用如下方式实现:获取多帧待处理图像;依据深度学习算法对多帧待处理图像进行分析,确定每个预设节点对应的人员密度信息。
其中,待处理图像为采用设置于每个预设节点中的图像采集设备对每个预设节点内的人员的图像进行采集所获得的图像。
例如,图3示出本申请实施例提供的对预设节点内的人员密度的统计示意图。如图3所示,图3左侧的图像用于表征售票节点中安装的摄像头所采集到的图像,其中,可获知售票节点中存在多个人员,其中,不同的人员对应的分布区域不同。通过采用人员密度统计算法,对图3左侧的图像进行分析,可获得图3右侧所示的人员分布信息(如,基于人头对应的位置信息,对售票节点内存在的人员进行数量统计,获得人员密度信息等)。
例如,可对图3右侧所显示的人头的数量进行统计,从而获得在售票节点中存在的人员的数量。
通过基于深度学习算法所获得的人员密度统计算法,对待处理图像进行分析处理,可获得在预设节点内的人员的数量,以及人员密度信息,智能化的对预设节点内的人员密度进行统计,以实现对预设节点内的人员进行实时监控和管理,提升预设节点内的人员安全性。
在一些具体实现中,每个预设节点包括:入口和出口;步骤S102或步骤S203中的获取多个所述预设节点对应的人员密度信息,可以采用如下方式实现:
分别对每个预设节点做如下处理:获取经过入口的各个人员与预设设备之间的第一通信交互信息,以及经过出口中的各个人员与预设设备之间的第二通信交互信息;依据第一通信交互信息和第二通信交互信息,确定预设节点对应的人员密度信息。
其中,预设设备可以为设置于入口或出口处的检测设备。例如,预设设备为可进行刷卡的闸机,人员在通过入口或出口处时,通过其携带的待验证卡片(如,车票、表征人员身份信息的卡片等)与闸机进行交互,可获得第一通信交互信息和第二通信交互信息。
进一步地,通过入口和出口的闸机将上述第一通信交互信息和第二通信交互信息汇总到服务器,以使服务器可以对经过入口和出口的人员进行数量的统计,以及身份的验证等,从而可获知进出预设节点的人员数量,进而在明确预设节点内的实时人员数量的情况下,可确定该预设节点对应的人员密度信息。
通过上述操作,能够使每个预设节点内的人员密度信息都可被实时监控,以便于客流预测装置在出现异常情况(如,预设节点中人员数量超过预设阈值等)时,能够及时对预设节点内的人员进行管控,提升人员的安全性。
在一些具体实现中,在执行步骤S102或步骤S203中的获取多个预设节点对应的人员密度信息之前,还包括:
确定多个连接通道内是否存在监控摄像头;在确定连接通道内存在监控摄像头的情况下,依据客流统计算法,分别对多个连接通道内的人员流动信息进行统计,获得多个连接通道对应的客流统计信息。
其中,客流统计算法可以是基于人员的流入和流出情况确定的统计算法,以便于对多个连接通道内的人员流动信息进行统计,使获得的多个连接通道对应的客流统计信息能够体现多个连接通道内的人员流动情况(如,某个连接通道内的人员的运动方向以及人员数量等信息)。
例如,客流统计信息包括:经过连接通道的人员数量和连接通道的流通方向。
步骤S103或步骤S204中的依据多个预设节点对应的人员密度信息、各个所述预设节点与其相邻节点之间的连通关系,预测所述预设区域内的人员流动信息,可以采用如下方式实现:
依据各个预设节点与其相邻节点之间的连通关系,确定各个连接通道的流通方向;依据各个连接通道的流通方向,确定与各个连接通道对应的权重系数矩阵;依据权重系数矩阵、人员密度信息和经过连接通道的人员数量,确定线性估计模型;依据线性估计模型,对预设区域内的人员流动信息进行预测,获得区域流量预测结果。
其中,权重系数矩阵可以包括多个权重值,该权重值用于表征连接通道内的向预设方向运动的比重值(如,第1个预设节点和第2个预设节点之间的连接通道内,该比重值可表征从第1个预设节点运动到第2个预设节点的人员的比例,或,表征从第2个预设节点运动到第1个预设节点的人员的比例等)。
需要说明的是,通过各个预设节点与其相邻节点之间的连通关系,可以明确某个预设节点具体与哪些相邻节点存在连通关系,从而确定该预设节点中的人员可能流动到哪个相邻节点中,进而确定各个预设节点之间的连通通道的流通方向。
通过将权重系数矩阵、人员密度信息和经过连接通道的人员数量进行综合分析,建立线下估计模型,以明确不同预设节点以及其对应的连接通道内的人员流向情况,进而通过该线性估计模型对预设区域内的人员流动信息进行预测,以便于预知预设区域内的多个预设节点之间的人员流向情况(即,区域流量预测结果)。
通过该区域流量预测结果能够获知预设区域在未来一段时间内可能存在的人员数量以及人员流动方向等信息,便于对该预设区域内的人员进行及时管控。如,当确定预设区域内人员过多时,可通过增加检测关口,以加快人员的流动速度,保证预设区域内的人员安全性;或,当确定预设区域内人员过少时,可放开入口处的人员进入数量,以避免设备或管理人员的闲置,提升预设区域内的设备利用效率。
在一些具体实现中,客流统计信息,还包括:通道统计误差信息。依据线性估计模型,对预设区域内的人员流动信息进行预测,获得区域流量预测结果之前,还包括:依据通道统计误差信息和预设节点的预设客流总量信息对线性估计模型进行调整,获得更新后的线性估计模型。
其中,通道统计误差信息用于表征对连接通道内的人员进行统计时,可能存在的差错信息,如,该通道统计误差信息可以包括连接通道的标识、该连接通道对应的统计误差值(如,该统计误差值可以为2、3等值)。
通过通道统计误差信息对和预设节点的预设客流总量信息对线性估计模型进行调整,以使线性估计模型可以更贴近实际的区域内的人员统计情况,进而使用更新后的线性估计模型对预设区域中的人员进行预测时,能够提升预测结果的准确性。
在一些具体实现中,在执行步骤S103或步骤S204中的依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息之后,还包括:每间隔预设时长,更新人员密度信息和客流统计信息。
其中,预设时长可以包括:1个小时、2个小时等时长,以上对于预设时长仅是举例说明,可根据实际需要进行具体设定,其他未说明的预设时长也在本申请的保护范围之内,在此不再赘述。
通过每间隔预设时长,对人员密度信息和客流统计信息进行更新,能够及时获知预设节点内的人员密度,以及该预设节点与其相邻节点之间的连接通道中的客流统计信息,实现对不同区域内的人员情况进行及时的监控和管理。
图4示出本申请实施例提供的客流预测装置的组成方框图。如图4所示,该客流预测装置400包括但不限于如下模块。
第一获取模块410,被配置为获取预设区域内的各个预设节点与其相邻节点之间的连通关系,预设区域包括多个预设节点及其之间的连接通道,连通关系用于表征连接通道的流通方向。
第二获取模块420,被配置为获取多个预设节点对应的人员密度信息。
预测模块430,被配置为依据多个预设节点对应的人员密度信息和多个连接通道内的客流统计信息,预测预设区域内的人员流动信息。
本实施方式中的装置可以执行本申请实施例中任一种客流预测方法,其具体实施不局限于以上实施例,其他未说明的实施例也在本装置的保护范围之内。
在本实施方式中,通过第一获取模块获取预设区域内的各个预设节点与其相邻节点之间的连通关系,能明确预设区域内的多个预设节点之间是否存在连接通道,以及该连接通道的流通方向,便于后续处理;使用第二获取模块获取预设区域内的多个预设节点对应的人员密度信息,能够明确不同的预设节点内的人员密度情况,便于对不同的预设节点内的人员数量进行控制,其中的预设区域包括多个预设节点及其之间的连接通道;使用预测模块依据多个预设节点对应的人员密度信息、各个预设节点与其相邻节点之间的连通关系,预测预设区域内的人员流动信息,以实现对预设区域内的人员的流动信息进行准确预测,从而实现对不同的预设节点之间的人员流向进行调度和管理,提升预设区域内的安全性。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本申请的创新部分,本实施方式中并没有将与解决本申请所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
图5示出本申请实施例提供的客流预测系统的组成方框图。如图5所示,客流预测系统包括但不限于如下设备。
设置于多个预设节点内的第一图像采集设备510、设置于预设节点之间的连接通道内的第二图像采集设备520和客流预测装置530;
第一图像采集设备510,被配置为对与第一图像采集设备510对应的预设节点内的人员的图像进行采集,获得多帧待处理图像,并向客流预测装置530发送多帧待处理图像,以供客流预测装置530依据深度学习算法对多帧待处理图像进行分析,确定每个预设节点对应的人员密度信息。
第二图像采集设备520,被配置为对预设节点之间的连接通道内的人员运动图像进行采集,获得通道图像,并对通道图像进行分析,获得与连接通道对应的客流统计信息,并向客流预测装置530发送客流统计信息,以供客流预测装置530依据客流统计算法,分别对多个连接通道内的人员流动信息进行统计,获得连接通道对应的客流统计信息。
客流预测装置530,被配置为执行本申请实施例中任一种客流预测方法。
图6示出本申请实施例提供的客流预测系统的工作方法的流程示意图。如图6所示,客流预测系统的工作方法包括但不限于如下步骤。
步骤S601,根据预设区域内的多个预设节点以及每个预设节点与其相邻节点之间的连通关系,构建邻接拓扑模型。
其中,邻接拓扑模型可以采用N阶方阵的形式表示,N为大于1的整数。
图7示出本申请实施例提供的邻接拓扑模型的示意图。如图7所示,预设区域(例如,车站)内包括如下预设节点:进站口1、安检处2、检票口3、第一候车厅4、第二候车厅5和站台6。图7中展示了各个预设节点之间的连接关系,为了方便观测,构建6*6的矩阵,以该矩阵为邻接拓扑模型。
例如,构建的邻接拓扑模型采用公式(1)表示如下:
其中,,即表示从进站口1到进站口1是连通的;即表示从进站口1到安检处2之间是连通的(即从进站口1到安检处2之间存在走廊或过道,以便于人员从进站口1行进到安检处2处);……;依次类推,,即表示站台6到站台6之间是连通的。
步骤S602,获取预设区域内的多个预设节点对应的人员密度信息。
例如,对每个预设节点都进行如下操作:从预设节点(如,检票口3、第一候车厅4等)中安装的图像采集设备中,获取该预设节点内的人员的图像(即,多帧待处理图像),依据深度学习算法对多帧待处理图像进行分析,确定每个预设节点对应的人员密度信息。
步骤S603,获取相邻两个预设节点之间存在连通关系的走廊或过道内的客流统计信息。
例如,通过对安检处2到检票口3之间的过道内的人员数量和人员流动方向进行统计,从而获得安检处2与检票口3之间的客流统计信息。如,可通过在安检处2到检票口3之间的走廊或过道内安装的摄像头,并采用该摄像头进行图像的采集,从而对采集到的图像进行分析,可获得预设时长内经过该走廊的客流统计信息(即,人员数量和人员流动方向等信息)。
需要说明的是,其他相邻预设节点之间的客流统计信息与上述方法相同,可将从第i个预设节点与第j个预设节点之间的连接通道的人员数量记作aij,方便后续使用。
步骤S604,依据各个连接通道的流通方向,确定经过各个连接通道的权重系数矩阵。
其中,基于各个连接通道的流通方向,能够明确不同的预设节点之间的定向的流动方向,例如,进站口1中的人员只能流向安检处2,从而能够明确进站口1与安检处2之间的连接通道内的流动人员的数量占进站口1内的人员总数的比例值,从而将该比例值作为权重系数;基于不同的连接通道,对应的权重系数不同。
例如,假设在时间t1内,第i个预设节点的总人数是Pi,第j个预设节点的总人数是Pj;在时间 t2内,第i个预设节点的总人数是 ,第j个预设节点的总人数是 ;设置权重系数矩阵为W,其中,该权重系数矩阵W包括多个元素(如,元素表示为wij,即从第i个预设节点流向第j个预设节点的人数比例,例如,),并且, 。
需要说明的是,每间隔预设时长,都可以根据第i个预设节点中安装的摄像头所采集到的图像对应的Pi的值,进行更新,以便于获得第i个预设节点流向其相邻的预设节点的人数。
例如,由于在火车站,客车站或地铁站等场合,在每天的不同时段内的人员流向和人员流动数量都不同,可每间隔预设时长(如,1个小时、2个小时等),都重新更新一次wij 的值,以使预测结果更准确。
步骤S605,依据权重系数矩阵、人员密度信息和经过连接通道的人员数量,确定线性估计模型。
其中,线性估计模型用于表征不同预设节点的人员数量的变化值。例如,可采用公式(2)表示该线性估计模型。
其中,mi表示第i个预设节点的人员数量的变化值;表示流入第i个预设节点的人员数量;表示流出第i个节点的人员数量。其中,K、L均为大于或等于0的整数;k为大于或等于0,且小于或等于 K的整数; l为大于或等于0,且小于或等于 L的整数。 i为大于或等于1,且,小于或等于预设区域内的预设节点的数量的整数。
wki表示在时间 t1内,从第 k个预设节点流入第i个预设节点的人数比例;aki表示在时间 t1内,从第 k个预设节点与第i个预设节点之间的连接通道的人员数量(即,在该连接通道内实时存在的人员的数量);Pk表示在时间t1内,第 k个预设节点的总人数。
il 表示从第 i个预设节点流入第l个预设节点的人数比例;ail表示从第i个预设节点与第l个预设节点之间的连接通道的人员数量(即,在该连接通道内实时存在的人员的数量);Pi表示在时间t1内,第 i个预设节点的总人数。
步骤S606,依据线性估计模型,对预设区域内的人员流动信息进行预测,获得区域流量预测结果。
例如,通过线性估计模型使预设节点的人员数量实际变化值与估计值之差尽量小的方式,获得区域流量预测结果。
如,可采用如下公式(3)表示目标函数(即区域流量预测结果):
其中,表示对于一个预设节点i而言,以1作为人员流出的总量,确定该预设节点i对应的变化值中的最小值,从而获得包括多个预设节点的预设区域的流量预测结果。其中,I表示预设区域内包括的预设节点的数量, I为大于或等于1的整数, i为大于或等于1,且,小于或等于I的整数。
在采用上述公式(3)来确定区域流量预测结果时,还需要使用如下约束条件:;即表示对于一个预设节点i而言,其人员流出的总量为1。其中,M表示预设节点i内的人员变化次数的最大值,M为大于或等于1的整数,m为大于或等于0,且,小于或等于M的整数。
在一些具体实现中,还可以基于连接通道(如,从第i个预设节点到第 j个预设节点之间的连接通道等)内的通道统计误差信息,对上述预测过程进行约束,如采用公式(4)表示该通道统计误差信息。
进一步地,依据通道统计误差信息和预设节点的预设客流总量信息对线性估计模型进行调整,获得更新后的线性估计模型。例如,更新后的线性估计模型可采用公式(5)表示:
其中, eij表征从第i个预设节点流向第j个预设节点的人员的数量(即,已经流入第j个预设节点的人员的数量)。
需要说明的是,在公式(5)中,除了wij之外的其他变量均是已知数,可以通过对公式(5)进行线性求解的方式,获得最优的wij,即从第i个预设节点流向第j个预设节点的人员数量的比例。
在本实施例中,通过在预设区域内的多个预设节点及其与相邻节点之间的连通关系,构建邻接拓扑模型,以便于基于该邻接拓扑模型对预设区域内的人员流动情况进行预测,便于对预设区域进行人员的管理;并且,通过深度学习算法对不同的预设节点内的摄像头所采集的多帧待处理图像进行分析,确定每个预设节点对应的人员密度信息,可智能化对预设节点内的人员密度进行统计,以实现对预设节点内的人员进行实时监测和监控;依据多个预设节点对应的人员密度信息和多个连接通道内的客流统计信息,预测预设区域内的人员流动信息,以实现对预设区域内的人员的流动信息进行准确预测,从而实现对不同的预设节点之间的人员流向进行调度和管理,提升预设区域内的安全性。
可以理解的是,以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式,然而本申请并不局限于此。对于本领域内的普通技术人员而言,在不脱离本申请的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本申请的保护范围。
Claims (10)
1.一种客流预测方法,其特征在于,所述方法包括:
获取预设区域内的各个预设节点与其相邻节点之间的连通关系,所述预设区域包括多个所述预设节点及其之间的连接通道,所述连通关系用于表征所述连接通道的流通方向;
获取多个所述预设节点对应的人员密度信息;
依据多个所述预设节点对应的人员密度信息、各个所述预设节点与其相邻节点之间的连通关系,预测所述预设区域内的人员流动信息。
2.根据权利要求1所述的方法,其特征在于,所述获取预设区域内的各个预设节点与其相邻节点之间的连通关系之后,所述获取多个所述预设节点对应的人员密度信息之前,还包括:
依据多个所述预设节点、以及每个所述预设节点与其相邻节点之间的连通关系,构建邻接拓扑模型,所述邻接拓扑模型采用N阶方阵的形式表示,N为大于1的整数。
3.根据权利要求1所述的方法,其特征在于,所述获取多个所述预设节点对应的人员密度信息,包括:
获取多帧待处理图像,其中,所述待处理图像为采用设置于每个所述预设节点中的图像采集设备对每个所述预设节点内的人员的图像进行采集所获得的图像;
依据深度学习算法对多帧所述待处理图像进行分析,确定每个所述预设节点对应的人员密度信息。
4.根据权利要求1所述的方法,其特征在于,所述获取多个所述预设节点对应的人员密度信息之前,还包括:
确定多个所述连接通道内是否存在监控摄像头;
在确定所述连接通道内存在所述监控摄像头的情况下,依据客流统计算法,分别对多个所述连接通道内的人员流动信息进行统计,获得多个所述连接通道对应的客流统计信息。
5.根据权利要求4所述的方法,其特征在于,所述客流统计信息包括:经过所述连接通道的人员数量;
所述依据多个所述预设节点对应的人员密度信息、各个所述预设节点与其相邻节点之间的连通关系,预测所述预设区域内的人员流动信息,包括:
依据各个所述预设节点与其相邻节点之间的连通关系,确定各个所述连接通道的流通方向;
依据各个所述连接通道的流通方向,确定与各个所述连接通道对应的权重系数矩阵;
依据所述权重系数矩阵、所述人员密度信息和经过所述连接通道的人员数量,确定线性估计模型;
依据所述线性估计模型,对所述预设区域内的人员流动信息进行预测,获得区域流量预测结果。
6.根据权利要求5所述的方法,其特征在于,所述客流统计信息,还包括:通道统计误差信息;
所述依据所述线性估计模型,对所述预设区域内的人员流动信息进行预测,获得区域流量预测结果之前,还包括:
依据所述通道统计误差信息和所述预设节点的预设客流总量信息对所述线性估计模型进行调整,获得更新后的线性估计模型。
7.根据权利要求4所述的方法,其特征在于,所述依据多个所述预设节点对应的人员密度信息、各个所述预设节点与其相邻节点之间的连通关系,预测所述预设区域内的人员流动信息之后,还包括:
每间隔预设时长,更新所述人员密度信息和/或所述客流统计信息。
8.根据权利要求1所述的方法,其特征在于,每个所述预设节点包括:入口和出口;
所述获取多个所述预设节点对应的人员密度信息,包括:
分别对每个所述预设节点做如下处理:
获取经过所述入口的各个人员与预设设备之间的第一通信交互信息,以及经过所述出口的各个人员与所述预设设备之间的第二通信交互信息;
依据所述第一通信交互信息和所述第二通信交互信息,确定所述预设节点对应的所述人员密度信息;
其中,所述预设节点包括:进站节点、安全检查节点、检票节点、候车节点和乘车站台节点中的至少一种。
9.一种客流预测装置,其包括:
第一获取模块,被配置为获取预设区域内的各个预设节点与其相邻节点之间的连通关系,所述预设区域包括多个预设节点及其之间的连接通道,所述连通关系用于表征所述连接通道的流通方向;
第二获取模块,被配置为获取多个所述预设节点对应的人员密度信息;
预测模块,被配置为依据多个所述预设节点对应的人员密度信息和多个所述连接通道内的客流统计信息,预测所述预设区域内的人员流动信息。
10.一种客流预测系统,其包括:设置于多个预设节点内的第一图像采集设备、设置于所述预设节点之间的连接通道内的第二图像采集设备和客流预测装置;
所述第一图像采集设备,被配置为对与所述第一图像采集设备对应的预设节点内的人员的图像进行采集,获得多帧待处理图像,并向所述客流预测装置发送多帧所述待处理图像,以供所述客流预测装置依据深度学习算法对多帧所述待处理图像进行分析,确定每个所述预设节点对应的人员密度信息;
所述第二图像采集设备,被配置为对所述预设节点之间的连接通道内的人员运动图像进行采集,获得通道图像,并对所述通道图像进行分析,获得与所述连接通道对应的客流统计信息,并向所述客流预测装置发送所述客流统计信息,以供所述客流预测装置依据客流统计算法,分别对多个所述连接通道内的人员流动信息进行统计,获得所述连接通道对应的客流统计信息;
所述客流预测装置,被配置为执行如权利要求1至8中任一项所述的客流预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278955.4A CN115358492B (zh) | 2022-10-19 | 2022-10-19 | 客流预测方法、装置和系统 |
PCT/CN2023/116913 WO2024082848A1 (zh) | 2022-10-19 | 2023-09-05 | 客流预测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278955.4A CN115358492B (zh) | 2022-10-19 | 2022-10-19 | 客流预测方法、装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115358492A true CN115358492A (zh) | 2022-11-18 |
CN115358492B CN115358492B (zh) | 2023-03-24 |
Family
ID=84008767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211278955.4A Active CN115358492B (zh) | 2022-10-19 | 2022-10-19 | 客流预测方法、装置和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115358492B (zh) |
WO (1) | WO2024082848A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082848A1 (zh) * | 2022-10-19 | 2024-04-25 | 通号通信信息集团有限公司 | 客流预测方法、装置和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496058A (zh) * | 2011-11-11 | 2012-06-13 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
CN108600965A (zh) * | 2018-05-11 | 2018-09-28 | 南京邮电大学 | 一种基于客人位置信息的客流数据预测方法 |
CN110414715A (zh) * | 2019-06-28 | 2019-11-05 | 武汉大学 | 一种基于社团检测的客流量预警方法 |
US20200396135A1 (en) * | 2019-06-17 | 2020-12-17 | International Business Machines Corporation | Automatic prediction of behavior and topology of a network using limited information |
CN112988847A (zh) * | 2021-04-20 | 2021-06-18 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
CN113269347A (zh) * | 2021-03-31 | 2021-08-17 | 安徽农业大学 | 一种基于随机森林的高校快递网络节点流量预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016180323A1 (zh) * | 2015-05-12 | 2016-11-17 | 杭州海康威视数字技术股份有限公司 | 客流量的统计方法及装置 |
CN111611894A (zh) * | 2020-05-14 | 2020-09-01 | 深圳中科慧据科技有限公司 | 人员轨迹预测方法、装置、计算机设备及存储介质 |
CN113077090B (zh) * | 2021-04-09 | 2023-05-23 | 上海大学 | 客流预测方法、系统及计算机可读存储介质 |
CN115358492B (zh) * | 2022-10-19 | 2023-03-24 | 通号通信信息集团有限公司 | 客流预测方法、装置和系统 |
-
2022
- 2022-10-19 CN CN202211278955.4A patent/CN115358492B/zh active Active
-
2023
- 2023-09-05 WO PCT/CN2023/116913 patent/WO2024082848A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496058A (zh) * | 2011-11-11 | 2012-06-13 | 北京声迅电子股份有限公司 | 客流密度检测方法 |
CN108600965A (zh) * | 2018-05-11 | 2018-09-28 | 南京邮电大学 | 一种基于客人位置信息的客流数据预测方法 |
US20200396135A1 (en) * | 2019-06-17 | 2020-12-17 | International Business Machines Corporation | Automatic prediction of behavior and topology of a network using limited information |
CN110414715A (zh) * | 2019-06-28 | 2019-11-05 | 武汉大学 | 一种基于社团检测的客流量预警方法 |
CN113269347A (zh) * | 2021-03-31 | 2021-08-17 | 安徽农业大学 | 一种基于随机森林的高校快递网络节点流量预测方法 |
CN112988847A (zh) * | 2021-04-20 | 2021-06-18 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
Non-Patent Citations (6)
Title |
---|
CHAO GAO ET AL.: "Dynamic Robustness Analysis of a Two-Layer Rail Transit Network Model", 《IEEE》 * |
蒋琦玮等: "城市轨道交通车站客流控制决策模型", 《系统工程》 * |
陈冲等: "基于视频分析的人群密集场所客流监控预警研究", 《中国安全生产科学技术》 * |
陈红等: "区域高等级公路网交通状态识别与分析模型研究", 《公路》 * |
陈维亚 等: "基于多源数据的地铁站客流动态监测与管控决策系统", 《城市公共交通》 * |
马培: "轨道交通车站大客流疏运能力理论及模拟仿真计算评价", 《山西建筑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082848A1 (zh) * | 2022-10-19 | 2024-04-25 | 通号通信信息集团有限公司 | 客流预测方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115358492B (zh) | 2023-03-24 |
WO2024082848A1 (zh) | 2024-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A probabilistic passenger-to-train assignment model based on automated data | |
CN106779256B (zh) | 一种基于事件驱动的停车空余泊位数实时预测方法及系统 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN115358492B (zh) | 客流预测方法、装置和系统 | |
CN112508305A (zh) | 基于lstm的公共场所入口人流量预测方法 | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN111144727A (zh) | 一种城市轨道交通进站客流韧性评估系统及方法 | |
CN108665178B (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN104899577B (zh) | 建筑物内的人员数量确定方法和人群疏散方法 | |
CN114023073B (zh) | 一种基于车辆行为分析的高速公路拥堵预测方法 | |
CN106156890B (zh) | 一种城市轨道交通通道内客流检测和预测方法及其系统 | |
CN116091952B (zh) | 一种基于大数据的地空一体智能云控管理系统及方法 | |
CN113344470B (zh) | 一种基于区块链的供电系统智能管理方法 | |
CN112949080A (zh) | 一种基于动态驱动的城市轨道交通车站仿真系统及方法 | |
CN112528867B (zh) | 一种地铁车站突发大客流预警方法及其应用 | |
CN114283590A (zh) | 车流量高峰预测方法及装置、电子设备 | |
Iqbal et al. | Predicting arterial breakdown probability: A data mining approach | |
CN117523836A (zh) | 一种采用图神经网络预测交通流量的系统及方法 | |
Park et al. | Empirical approaches to outlier detection in intelligent transportation systems data | |
CN113435939A (zh) | 一种工程造价进度管理系统 | |
CN113936247B (zh) | 基于流线感知的轨道交通车站客流状态辨识系统 | |
CN114283386B (zh) | 一种基于大数据的分析适应密集场景人流实时监测系统 | |
CN111079696B (zh) | 一种基于车辆监控人员拥挤度的检测方法 | |
CN112163774B (zh) | 手扶梯人流量评估模型建立方法、人流量分析方法及装置 | |
CN113780682A (zh) | 基于故障标志物的轨道交通系统业务故障预测方法 |
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 |