CN116307277B - 基于深度学习的人员流量与消费量的预测方法及其系统 - Google Patents
基于深度学习的人员流量与消费量的预测方法及其系统 Download PDFInfo
- Publication number
- CN116307277B CN116307277B CN202310559697.5A CN202310559697A CN116307277B CN 116307277 B CN116307277 B CN 116307277B CN 202310559697 A CN202310559697 A CN 202310559697A CN 116307277 B CN116307277 B CN 116307277B
- Authority
- CN
- China
- Prior art keywords
- personnel
- flow
- consumption
- prediction model
- community
- 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.)
- Active
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
一种基于深度学习的人员流量与消费量的预测方法,涉及人员流量与消费量预测技术领域,主要包括社区总人员流量和消费量预测方法和分区域人员流量和消费量预测方法,所述社区总人员流量和消费量预测方法由社区总人员流量预测方法和社区总消费量预测方法组成,所述社区总人员流量预测方法包括人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型三个模型的训练生成方法;其有益效果为提供的人员流量处理方法可以准确的监测人员流量,解决了现有技术中人员流量不能精准测量的问题。
Description
技术领域
本发明涉及人员流量与消费量预测技术领域,具体为一种基于深度学习的人员流量与消费量的预测方法,还具体为一种基于深度学习的人员流量与消费量的预测系统。
背景技术
一直以来,在一定区域内对人员流量进行监测是一件非常有意义的事情,在这方面技术也得到了飞速发展,例如:社区管理者可以通过使用传感器、监控摄像头等设备获取人员进出某一区域的信息,再通过数据处理和分析,得出该社区的人流量大小和变化趋势。这些技术可以为社区管理者提供有关用户行为的重要数据,帮助其进行精细化管理和服务优化。还有在消费数据采集方面的技术进步:通过使用POS机、支付宝、微信支付等支付渠道的交易记录等手段,可以对社区居民的消费行为进行跟踪和分析。这些数据可以为社区管理者提供有关消费偏好、消费习惯等方面的信息,以便其优化服务和推出更符合用户需求的产品和服务。如果能较为准确的预测到人员流量的变化,可以为社区管理人员提供很好的决策帮助,在这方面,国内有很多专业人士在这方面进行了研究,例如:公开号为CN112381320A ,发明名称为:一种社区人员流量预测方法、系统、存储介质及设备,其采用将本征模态分量输入到时间序列模型并输出初始社区人员流量预测结果,将残差分量输入到采用余量预测模型并输出社区人员流量外部影响预测结果,再将初始社区人员流量预测结果与社区人员流量外部影响预测结果叠加,得到最终的社区人员流量预测结果。
还有公告号为CN110493816B,名称为:一种用于轨交地铁车站客流量的实时预测方法,其通过实时预测当前特征日当前统计周期内地铁全站的实际客流量Yt,从而完成对当前特征日当前统计周期内地铁全站客流量的实时预测;重复上述步骤,完成某高峰时段N个统计周期地铁全站客流量的实时预测。
然而,在社区管理方面,虽然大数据分析能够提供详细的用户数据,但如果数据采集不准确或统计方法不可靠,就会导致结果的偏差,从而影响社区管理者的决策,并且,如何充分合理的利用人员流量和消费量数据,节约管理成本也是迫在眉睫待解决的问题。
发明内容
本申请的目的在于提供一种基于深度学习的人员流量与消费量的预测方法,以解决当前人员流量数据采集不准确,以及对社区人员流量情况预测效果不好,以及社区如何充分利用人员流量问题来预测消费量的问题。
为了达到上述目的,本发明采用以下技术方案:
一种基于深度学习的人员流量与消费量的预测方法,主要包括社区总人员流量和消费量预测方法,以及分区域人员流量和消费量预测方法,其特征在:
所述社区总人员流量和消费量预测方法由社区总人员流量预测方法和社区总消费量预测方法组成,所述社区总人员流量预测方法包括人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型三个模型的训练生成方法;
所述分区域人员流量和消费量预测方法由分区域人员流量预测方法和分区域消费量预测方法组成,所述分区域人员流量预测方法包括外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型五个模型的训练生成方法;
所述社区总人员流量预测方法和分区域人员流量和消费量预测方法的特征数据项称为人员流量特征数据项,所述人员流量特征数据项主要包括:日期、时间段、是否工作日、节假日、社区活动日、当地天气情况;所述人员流量特征数据项为类型数据,采用独热编码进行数据预处理;
所述人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型的目标数据项分别为:人员进入流量、人员出去流量和人员净存量,以上目标数据项称为社区人员流量数据;
所述外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型的目标数据项分别为:外界直接进入人员流量、本区域直接出去人员流量、外分区域进入人员流量、本区域直接出去到外分区域人员流量和本区人员净流量,以上目标数据项称为分区域人员流量数据;
所述社区总消费量预测模型的特征数据包括所述人员流量特征数据项和社区人员流量数据,所述社区总消费量预测模型的目标数据为社区消费额;
所述分区域消费量预测模型的特征数据包括所述人员流量特征数据项和分区域人员流量数据,所述分区域消费量预测模型的目标数据为分区域消费额;
所述社区人员流量数据、分区域人员流量数据、社区消费额和分区域消费额均为数值型数据,数据预处理时采用最大最小值法进行归一处理;
上面所有的预测方法的模型均由长短时记忆神经网络模型对预处理后的数据进行训练生成,所有包括人员流量的模型中的人员流量数据采集均由流量监控装置收集理。
进一步,所述流量监控装置主要包括墙体1、门框2、流量计3和反光板4,所述门框2设置在墙体1内,所述门框2包括左门框2-1和右门框2-3,所述左门框2-1上开设有两个流量计安装腔2-2,用于安装流量计3,所述流量计3分为上流量计3-1和下流量计3-2,所述流量计3主要包括流量计主体3-3,在流量计主体3-3的下半部设有用于发射红外线的左红外探头3-4和右红外探头3-5,上半部设有用于显示人流量的显示屏3-6,所述上流量计3-1的离地高度为100-120cm,所述下流量计3-2的离地高度为30-50cm,所述右门框2-3上设有与流量计安装腔2-2相对应的反光板安装腔2-4,用于安装反光板4,通过流量计3与反光板4的配合,可以实时监测通过门框2时人员进出的流动情况。
进一步,所述流量计安装腔2-2的外面设置有插槽5和挡板6,所述插槽5用于安装挡板6,当不需要监测人员流量时,可以将挡板6插入到插槽5内。
进一步,所述的人员流量数据采集后,通过人员流量处理方法获得准确的人员流量数据,所述人员流量处理方法的公式为:
L= L2- L1
其中L为实际人员流量,L1为上流量计3-1的人员出/入流量读数,L2为下流量计3-2的人员出/入流量读数。
进一步,所述人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型三个模型拟合效果评价公式为:
上述公式中:SSE为平方和差,其中为第i个时间段内的人员净存量预测值,/>为第i个时间段内的人员预测进出差值/>;
所述人员预测进出差值的公式为:
上述公式中的为人员预测进出差值,/>为人员进入流量预测值,/>为人员出去流量预测值。
进一步,对社区总消费量预测时,所述社区总消费量预测模型的输入数据项中的人员进入流量预测值、人员出去流量预测值和人员净存量预测值分别由人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型生成。
进一步,对各分区域的消费量预测时,所述分区域消费量预测模型的输入数据项中的外界直接进入人员流量预测值、本区域直接出去人员流量预测值、外分区域进入人员流量预测值、本区域直接出去到外分区域人员流量预测值和本区人员净流量预测值分别由外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型生成。
进一步,所述分区域为办公区、餐饮区、购物区和娱乐区。
本发明还提供了一种基于深度学习的人员流量与消费量的预测系统,其主要包括为:
人员流量监测模块:用于将流量监控装置传入的数据进行采集和计算处理,实时显示社区及各分区域的人员流量情况;
电源管理模块:用于将管理整个社区内公用设施的用电;
活动管理模块:主要用于社区活动日记录;
预测分析模块:使用实施例一中已训练好的模型,对社区的人员流量及消费量进行预测,并将预测结果进行分析,供社区管理决策使用;
营业数据管理模块:用于实时收集社区内各分区域的消费额数据;
数据库管理模块:主要用管理人员流量监测模块采集的数据和营业数据管理模块收集的数据,以及实施例一中预处理的数据项。
进一步,所述电源管理模块与人员流量监测模块协同工作,当人员流量监测模块中采集的人员净存量或本区人员净流量大于预设值时,开通相应辅助用电装置;当人员净存量或本区人员净流量小于预设值时,所述系统设置有滞后参数,延迟关闭辅助用电装置。
进一步,所述电源管理模块根据人员流量监测模块的反馈能独立控制各分区域辅助用电装置的开启或关闭。
本发明还提供了的一种处理设备,该处理设备包括:一个或多个处理器;
存储装置,用于存储一个或多个程序;
处理器调用存储器中存储的程序,以运行实施例一或实施例二。
本发明还提供一种计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行述实施例一和实施例二。
其有益效果为:
1、本发明通过流量监控装置,提供的人员流量处理方法可以准确的监测人员流量,解决了现有技术中人员流量不能精准测量的问题,为后期的模型训练提供了良好的数据基础;
2、本发明将社区总人员流量和各分区域流量分别以不同的目标特征训练模型,既可以避免单一模型所带来的无法相互验证的问题,又可协同各模型之间的数据,提取不同场景下的人员流量特征;
3、在对消费量进行预测时,采用已训练好的人员流量预测模型提供人员流量预测数据,这些预测数据从时间、天气、工作日等信息上反馈出人员流量变化,为合理的进行消费量预测提供了良好的数据准备;
4、本发明采用的人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型三个模型拟合效果评价方法,可以快速的找到最优的预测模型,为后期模型泛化和应用提供了良好的模型基础;
5、通过本发明中的预测系统,将人员流量和消费量进行预测,并能实现对社区内各分区域的电源控制,达到节约用电的效果。
附图说明
图1是社区内外人员流量向图
图2是社区总人员流量和消费量预测方法流程图;
图3是社区内分区域人员流量和消费量预测方法流程图;
图4是流量计安装示意图;
图5是图4的左等轴测视图;
图6是图5的安装挡板的爆炸图;
图7是图6中A处的放大图;
图8是流量计3的结构示意图;
图9是图4的右等轴测视图;
图10是图9的爆炸图;
图11是一种基于深度学习的人员流量与消费量的预测系统的结构框图
具体实施方式
以下详细说明都是示例性的,旨在对本发明提供进一步的说明。
实施例一:
本实施例提供了一种基于深度学习的人员流量与消费量的预测方法,如图1所示,在社区内,通过监控外界的人员流量情况,对社区人员进出流量进行预测与管理,在社区内又分设有多个分区域,在各分区域进出口设置流量监控装置,可以实时将社区内的各分区域的人员流量进行上传。其中,设置的分区域分别为:办公区、餐饮区、购物区和娱乐区,各分区域之间人员可以自由流动。
为了能精准的监测社区,以及各分区域人员流量情况,本实施例在各进出口上设有人员流动监测装置,主要包括墙体1、门框2和流量计3,如图4所示,其中门框2设置在墙体1内,门框2包括左门框2-1和右门框2-3,如图5-7所示,在左门框2-1上开设有两个流量计安装腔2-2,用于安装流量计3,其中流量计3分为上流量计3-1和下流量计3-2,在流量计安装腔2-2的外面设置有插槽5,用于安装挡板6,当不需要监测人员流量时,可以将挡板6插入到插槽5内,防止流量计3遭到破坏。
如图8所示,流量计3主要包括流量计主体3-3,在流量计主体3-3的下半部设有用于发射红外线的左红外探头3-4和右红外探头3-5,上半部设有用于显示人流量的显示屏3-6,流量计3可以选用东莞市赛彼思公司的双向客流量计数器,型号为LMR-L。
如图6、9、10所示,在右门框2-3上设有与流量计安装腔2-2相对应的反光板安装腔2-4,用于安装反光板4,通过流量计3与反光板4的配合,可以实时监测通过门框2时人员进出的流动情况。
在实际进行人员监测时,经常会出现不能准确计量人员出入的情况,通过分析主要是由于人有高低之分,如安装一个流量计3,有的小孩身高达不到流量计3的高度则不能统计,但如果将流量计3的高度放低至离地50cm,则由于成人双腿交替跨过流量计3,会造成流量计3对其进行两次统计,经实地实验和测试,在离地120cm和50cm两处安装流量计3,通过两个流量计3的数据,即通过图6和7中的上流量计3-1和下流量计3-2可以对人员流量进行准确监测,在计算进入的人员流量时,上流量计3-1的人员流量读数为L1,下流量计3-2的人员流量读数为L2,具体方法为:
L= L2- L1
其中L为实际人员流量,L1为上流量计3-1的人员流量读数,L2为下流量计3-2的人员流量读数。
例如有6个成人和4个小孩进入时,此时L1的读数为6,L2的读数为16(因为成人在下流量计3-2中会被计两次,小孩会计一次),此时真实的人员流量为16-6=10,即为10人。人员流量监测获得准确数据,是本发明的重要发明点之一,其解决了长期以来无法准确监测人员流量的问题,为后续的分析和预测提供了良好的数据准备。
通过流量计3获得了人员流量数据后,将其按时间段进行分隔,形成人员流量方面的数据项,具体为:人员进入流量、人员出去流量、人员净存量(人员进入流量与人员出去流量之差)。以及将相应的日期、时间段、节假日、工作日、是否社区活动日等信息进行数据收集。
为了获得人员流量与消费量之间的关系,社区内还通过结算终端实时收集社区,以及各分区域内的社区消费额。
根据上面数据项的性质和作用,将其进行分类处理,首先形成社区总人员流量和消费量的预测模型,具体方法为:
对社区人员流量数据进行预处理,按时间段分隔各段人员流量的值,形成人员进入流量Rr、人员出去流量Rc、人员净存量Rj,将进入流量、人员出去流量、人员净存量的作为模型训练的目标值。
再对时序节假工作日数据进行处理,其中时序节假工作日数据分别为:
时间段值:对上述的各个时间段分别用数字标识,以每半个小时为一时间间隔,每天共计48个时间段。
日期值按全年第几天计数,全年共计设有365或366个数字。
工作日设为布尔值0或1。
节假日按国内传统放假日进行标识,分为元旦、清明、五一、端午、国庆、中秋和春节。
社区活动日根据社区备案记录,将其分为有或无进行标识。
还可根据当地天气情况,引入天气情况,按时间段分成阴、雨、晴、雪四种情况。
对上面涉及到数据先进行清洗和处理,去掉异常值和缺失值,然后再分成两类处理,其中人员流量数据按数值型数据,进行归一化处理;其他数据为类型数据,采用独热编码进行预处理。
将上述预处理好的数据,按天划分成训练集、测试集和校验集数据,采用长短时记忆神经网络(LSTM)模型分别以人员进入流量、人员出去流量、人员净存量进行训练,这是因为LSTM模型能够自然地处理序列数据,并且具有记忆能力,可以从前一个时间步的状态中获取信息,并传递到当前时间步中,从而更好地捕捉时间序列中的动态变化。在训练时,LSTM的损失函数为交叉熵损失函数,通过多次迭代模型误差值达预设的阈值后得到训练好的模型。训练完成后得到人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型。
实现LSTM模型的基本过程,具体如下:
第一层是输入层,接收之前预处理好可用于LSTM处理的数据。
第二层是一个LSTM层,它使用之前时间步长的信息来预测当前时间步长的输出。该层通常包含一个可调节的内存单元(memory cell)和输出门(output gate)。
第三层是一个Dropout层,用于随机地将一定比例的输入单元置为0,这有助于减少过拟合。
第四层是一个密集层(Dense layer),它执行非线性转换以增强模型复杂度和灵活性。
最后一层是输出层,它根据先前时间步长的历史数据预测未来时间步长的人员流量。
再将社区人员流量数据和时序节假工作日数据作为特征值,将社区各时间段的消费额作为目标值,采用LSTM模型进行训练,训练完成后得到社区总消费量预测模型。
将上述训练的模型应用于预测时,由于时序节假工作日数据除天气以外的值都是已知的,天气数据可通过天气预报直接通过各地方的气象局获知。
利用训练得到的人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型生成人员进入流量预测值、人员出去流量预测值和人员净存量预测值,再将上述人员进入流量预测值、人员出去流量预测值和人员净存量预测值结合时序节假工作日数据输入到社区消费量预测模型,可以得到社区总消费量预测值。
在评价人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型时,由于人员净存量为人员进入流量与人员出去流量之差,采用人员净存量预测值与/>人员预测进出差值的平方和之差来评价上述三个模型预测拟合效果的好坏。具体评价公式为:
上述公式中的为人员预测进出差值,/>为人员进入流量预测值,/>为人员出去流量预测值。
上述公式中:SSE为平方和差,其中为第i时间段内的人员净存量预测值,/>为第i时间段内的人员预测进出差值。
在评价模型时,由于人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型是同一批预处理好的数据训练出来的,因而,当上述三个模型中的SSE最小时,则三个模型为最佳。
以上是社区总人员流量和消费量的预测模型的训练方法,接下来对各分区域人员流量和消费量的预测模型训练,如图3所示,采用相同的方法进行数据清洗和处理,其不同点在于各分区域人员流量项中各值的来源于外界、外分区域,因而,在分区域模型训练时要分别以:外界直接进入人员流量、本区域直接出去人员流量、外分区域进入人员流量、本区域直接出去到外分区域人员流量和本区人员净流量为目标值进行训练得到不同的模型。然后再以上述五个方面获得的分区域人员流量预测数据,通过LSTM模型再来预测各分区域的消费量。
如图1所示,其中各分区域分别为:办公区、餐饮区、购物区和娱乐区。上面涉及到的外分区域,是指除本区域以外的其他区域,例如,在对办公区人员流量模型进行训练时,本区域是指定办公区,外区域则为餐饮区、购物区和娱乐区。
通过上述训练方法获得关于社区人员流量和消费量方面的模型,这些模型分为两个方面:一个是社区总的模型,由社区总人员流量预测模型和社区总消费量预测模型组成,其中社区总人员流量预测模型包括:人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型;另一个是分区域模型,由分区域人员流量预测模型和分区域消费量预测模型组成,其中分区域人员流量预测模型包括:外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型。
内的每个时间段内社区总的人员流量预测值和各分区域人员流量预测值,以及社区内每个时间段内社区的总消费量和分区域的消费量,从而实现对社区总人员流量和消费量预测,以及对社区内各分区域人员流量和消费量预测,对社区内的活动和资源进行合理分配和利用,为社区管理提供决策支持。
实施例二:
本实施例公开了一种基于深度学习的人员流量与消费量的预测系统,如图11所示,主要包括:
人员流量监测模块:用于将流量监控装置传入的数据进行采集和计算处理,实时显示社区及各分区域的人员流量情况;
电源管理模块:用于将管理整个社区内公用设施的用电;
活动管理模块:主要用于社区活动日记录;
预测分析模块:使用实施例一中已训练好的模型,对社区的人员流量及消费量进行预测,并将预测结果进行分析,供社区管理决策使用;
营业数据管理模块:用于收集社区内各分区域的消费额数据;
数据库管理模块:主要用管理人员流量监测模块采集的数据和营业数据管理模块收集的数据,以及实施例一中预处理的数据项。
为了提高用电效率,当人员流量监测模块中采集的人员净存量或本区人员净流量大于预设值时,开通相应辅助用电装置,例如:OLED广告屏、背景音乐,当人员净存量或本区人员净流量小于预设值时,系统设置滞后参数,例如:设定半小时后关闭辅助用电装置,通过上述设置,可以在人员流量少时减少用电量,提高电能使用效率。由于人员流量监测模块针对各分区域进行独立监测,因而,辅助用电装置的开启可根据各区域的情况独立开通或关闭。
实施例三:
本实施例还提供的一种处理设备,该处理设备包括:处理器、存储器。
其中,存储器用于存储程序,处理器调用存储器中存储的程序,以运行实施例一或实施例二。具体实现方式和技术效果类似与实施例一和实施例二。
实施例四:
本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述实施例一和实施例二。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于深度学习的人员流量与消费量的预测方法,主要包括社区总人员流量和消费量预测方法,以及分区域人员流量和消费量预测方法,其特征在:
所述社区总人员流量和消费量预测方法由社区总人员流量预测方法和社区总消费量预测方法组成,所述社区总人员流量预测方法包括人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型三个模型的训练生成方法;
所述分区域人员流量和消费量预测方法由分区域人员流量预测方法和分区域消费量预测方法组成,所述分区域人员流量预测方法包括外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型五个模型的训练生成方法;
所述社区总人员流量和消费量预测方法与分区域人员流量和消费量预测方法的特征数据项称为人员流量特征数据项,所述人员流量特征数据项主要包括:日期、时间段、是否工作日、节假日、社区活动日、当地天气情况;所述人员流量特征数据项为类型数据,采用独热编码进行数据预处理;
所述人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型的目标数据项分别为:人员进入流量、人员出去流量和人员净存量,以上目标数据项称为社区人员流量数据;
所述外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型的目标数据项分别为:外界直接进入人员流量、本区域直接出去人员流量、外分区域进入人员流量、本区域直接出去到外分区域人员流量和本区人员净流量,以上目标数据项称为分区域人员流量数据;
所述社区总消费量预测模型的特征数据包括所述人员流量特征数据项和社区人员流量数据,所述社区总消费量预测模型的目标数据为社区消费额;
所述分区域消费量预测模型的特征数据包括所述人员流量特征数据项和分区域人员流量数据,所述分区域消费量预测模型的目标数据为分区域消费额;
所述社区人员流量数据、分区域人员流量数据、社区消费额和分区域消费额均为数值型数据,数据预处理时采用最大最小值法进行归一处理;
上面所有的预测方法的模型均由长短时记忆神经网络模型对预处理后的数据进行训练生成,所有包括人员流量的模型中的人员流量数据采集均由流量监控装置收集;所述流量监控装置主要包括墙体(1)、门框(2)、流量计(3)和反光板(4),所述门框(2)设置在墙体(1)内,所述门框(2)包括左门框(2-1)和右门框(2-3),所述左门框(2-1)上开设有两个流量计安装腔(2-2),用于安装流量计(3),所述流量计(3)分为上流量计(3-1)和下流量计(3-2),所述流量计(3)主要包括流量计主体(3-3),在流量计主体(3-3)的下半部设有用于发射红外线的左红外探头(3-4)和右红外探头(3-5),上半部设有用于显示人流量的显示屏(3-6),所述上流量计(3-1)的离地高度为100-120cm,所述下流量计(3-2)的离地高度为30-50cm,所述右门框(2-3)上设有与流量计安装腔(2-2)相对应的反光板安装腔(2-4),用于安装反光板(4),通过流量计(3)与反光板(4)的配合,可以实时监测通过门框(2)时人员进出的流动情况。
2.根据权利要求1所述的一种基于深度学习的人员流量与消费量的预测方法,其特征在于:所述流量计安装腔(2-2)的外面设置有插槽(5)和挡板(6),所述插槽(5)用于安装挡板(6),当不需要监测人员流量时,可以将挡板(6)插入到插槽(5)内。
3.根据权利要求1或2所述的一种基于深度学习的人员流量与消费量的预测方法,其特征在于:所述的人员流量数据采集后,通过人员流量处理方法获得准确的人员流量数据,所述人员流量处理方法的公式为:
,
其中L为实际人员流量,L1为上流量计(3-1)的人员出/入流量读数,L2为下流量计(3-2)的人员出/入流量读数。
4.根据权利要求3所述的一种基于深度学习的人员流量与消费量的预测方法,其特征在于:所述人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型三个模型拟合效果评价公式为:
,
上述公式中:SSE为平方和差,其中为第/>个时间段内的人员净存量预测值,/>为第/>个时间段内的人员预测进出差值/>,n为总共的时间段数,n为自然数;
所述人员预测进出差值的公式为:
,
上述公式中的为人员预测进出差值,/>为人员进入流量预测值,/>为人员出去流量预测值。
5.根据权利要求4所述的一种基于深度学习的人员流量与消费量的预测方法,其特征在于:对社区总消费量预测时,所述社区总消费量预测模型的输入数据项中的人员进入流量预测值、人员出去流量预测值和人员净存量预测值分别由人员进入流量预测模型、人员出去流量预测模型和人员净存量预测模型生成。
6.根据权利要求5所述的一种基于深度学习的人员流量与消费量的预测方法,其特征在于:对各分区域的消费量预测时,所述分区域消费量预测模型的输入数据项中的外界直接进入人员流量预测值、本区域直接出去人员流量预测值、外分区域进入人员流量预测值、本区域直接出去到外分区域人员流量预测值和本区人员净流量预测值分别由外界直接进入人员流量预测模型、本区域直接出去人员流量预测模型、外分区域进入人员流量预测模型、本区域直接出去到外分区域人员流量预测模型和本区人员净流量预测模型生成。
7.一种基于深度学习的人员流量与消费量的预测系统,其主要包括为:
人员流量监测模块:用于将流量监控装置传入的数据进行采集和计算处理,实时显示社区及各分区域的人员流量情况;
电源管理模块:用于将管理和控制整个社区内公用设施的用电;
活动管理模块:主要用于社区活动日记录;
预测分析模块:使用如权利要求1-6任一所述的一种基于深度学习的人员流量与消费量的预测方法中已训练好的模型,对社区的人员流量及消费量进行预测,并将预测结果进行分析,供社区管理决策使用;
营业数据管理模块:用于实时收集社区内各分区域的消费额数据;
数据库管理模块:主要用管理人员流量监测模块采集的数据和营业数据管理模块收集的数据,以及所述预处理的数据项。
8.根据权利要求7所述的一种基于深度学习的人员流量与消费量的预测系统,其特征在于:所述电源管理模块与人员流量监测模块协同工作,当人员流量监测模块中采集的人员净存量或本区人员净流量大于预设值时,开通相应辅助用电装置;当人员净存量或本区人员净流量小于预设值时,所述系统设置有滞后参数,延迟关闭辅助用电装置。
9.根据权利要求8所述的一种基于深度学习的人员流量与消费量的预测系统,其特征在于:所述电源管理模块根据人员流量监测模块的反馈能独立控制各分区域辅助用电装置的开启或关闭。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559697.5A CN116307277B (zh) | 2023-05-18 | 2023-05-18 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310559697.5A CN116307277B (zh) | 2023-05-18 | 2023-05-18 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307277A CN116307277A (zh) | 2023-06-23 |
CN116307277B true CN116307277B (zh) | 2023-08-01 |
Family
ID=86785286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310559697.5A Active CN116307277B (zh) | 2023-05-18 | 2023-05-18 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307277B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203882361U (zh) * | 2014-05-15 | 2014-10-15 | 杭州旭勤五金有限公司 | 商店人流量计数器 |
CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
US10167173B1 (en) * | 2017-08-30 | 2019-01-01 | International Business Machines Corporation | Prioritizing the direction of a directional pedestrian mover (DPM) in real time, based on predicted pedestrian traffic flow |
CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
CN113159850A (zh) * | 2021-04-26 | 2021-07-23 | 华东交通大学 | 一种综合性时间序列预测方法 |
CN113947249A (zh) * | 2021-10-22 | 2022-01-18 | 零点创新科技有限公司 | 加油加气站用能策略分析控制装置 |
CN114463054A (zh) * | 2022-01-21 | 2022-05-10 | 浪潮卓数大数据产业发展有限公司 | 基于一卡通的园区门店客流量预测方法及系统 |
-
2023
- 2023-05-18 CN CN202310559697.5A patent/CN116307277B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203882361U (zh) * | 2014-05-15 | 2014-10-15 | 杭州旭勤五金有限公司 | 商店人流量计数器 |
US10167173B1 (en) * | 2017-08-30 | 2019-01-01 | International Business Machines Corporation | Prioritizing the direction of a directional pedestrian mover (DPM) in real time, based on predicted pedestrian traffic flow |
CN108108844A (zh) * | 2017-12-25 | 2018-06-01 | 儒安科技有限公司 | 一种城市人流量预测方法及系统 |
CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
CN113159850A (zh) * | 2021-04-26 | 2021-07-23 | 华东交通大学 | 一种综合性时间序列预测方法 |
CN113947249A (zh) * | 2021-10-22 | 2022-01-18 | 零点创新科技有限公司 | 加油加气站用能策略分析控制装置 |
CN114463054A (zh) * | 2022-01-21 | 2022-05-10 | 浪潮卓数大数据产业发展有限公司 | 基于一卡通的园区门店客流量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Pu,Bin.ED-ACNN:Novel attention convolutional neural based on encoder-decoder framework for human traffic prediction.Applied soft computing.2021,全文. * |
基于时空残差网络的区域客流量预测方法;董丽丽;柳佳欢;费城;张翔;;计算机测量与控制(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116307277A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Forecasting residential energy consumption: Single household perspective | |
Anderson et al. | Electricity consumption and household characteristics: Implications for census-taking in a smart metered future | |
Dubey et al. | Study and analysis of SARIMA and LSTM in forecasting time series data | |
Carroll et al. | Household classification using smart meter data | |
Cheung et al. | Behind-the-meter solar generation disaggregation using consumer mixture models | |
CN111461761A (zh) | 一种基于多维细粒度行为数据的居民用户画像方法 | |
CN107221927A (zh) | 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法 | |
Ploennigs et al. | Exploiting generalized additive models for diagnosing abnormal energy use in buildings | |
CN109634942A (zh) | 一种用能数据异常判断方法及装置 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
Zhang et al. | Quantitative correlation models between electricity consumption and behaviors about lighting, sockets and others for electricity consumption prediction in typical campus buildings | |
Dash et al. | An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming | |
CN116681177A (zh) | 一种基于建筑能耗碳积分减免制的建筑节能方法和系统 | |
Zhou et al. | Modeling of occupant energy consumption behavior based on human dynamics theory: A case study of a government office building | |
Komatsu et al. | Customer segmentation based on smart meter data analytics: Behavioral similarities with manual categorization for building types | |
Alam et al. | Smart-energy group anomaly based behavioral abnormality detection | |
Kelati et al. | Smart meter load profiling for e-health monitoring system | |
CN116307277B (zh) | 基于深度学习的人员流量与消费量的预测方法及其系统 | |
Zhang et al. | Generation of sub-item load profiles for public buildings based on the conditional generative adversarial network and moving average method | |
Zhang et al. | Forecasting Residential Energy Consumption Using Support Vector Regressions | |
Komatsu et al. | Energy fault detection for small buildings based on peer comparison of estimated operating status | |
Huang et al. | IoT-based analysis for smart energy management | |
Manembu et al. | Multi-grained household load profile analysis using smart meter data: the case of Indonesia | |
Kalogridis et al. | Privacy and incongruence-focused disaggregation of water consumption data in real time | |
Yan et al. | Cross-domain feature extraction-based household characteristics identification approach using smart meter data |
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 |