CN116778411A - 人流量预测方法、装置、电子设备及非易失性存储介质 - Google Patents

人流量预测方法、装置、电子设备及非易失性存储介质 Download PDF

Info

Publication number
CN116778411A
CN116778411A CN202310707110.0A CN202310707110A CN116778411A CN 116778411 A CN116778411 A CN 116778411A CN 202310707110 A CN202310707110 A CN 202310707110A CN 116778411 A CN116778411 A CN 116778411A
Authority
CN
China
Prior art keywords
target
people
flow
time period
time
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.)
Pending
Application number
CN202310707110.0A
Other languages
English (en)
Inventor
刘嫚
王雪松
王东
金星
王晟宇
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.)
Tianyi Telecom Terminals Co Ltd
Original Assignee
Tianyi Telecom Terminals Co Ltd
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 Tianyi Telecom Terminals Co Ltd filed Critical Tianyi Telecom Terminals Co Ltd
Priority to CN202310707110.0A priority Critical patent/CN116778411A/zh
Publication of CN116778411A publication Critical patent/CN116778411A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/14—Travel agencies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种人流量预测方法、装置、电子设备及非易失性存储介质。其中，该方法包括：确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数；采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段。本申请解决了由于相关技术在对景区游客进行人流量统计时，仅是基于景区门禁的数据进行分析，无法具体预测景区内每个景点的人流量，造成人流量预测精度低，游客体验差的技术问题。

Description

人流量预测方法、装置、电子设备及非易失性存储介质
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种人流量预测方法、装置、电子设备及非易失性存储介质。
背景技术
随着国民经济不断发展，旅游业也越来越发达。但是在游客节假日的旅游过程中，经常存在着难以规划旅游路线、众多景点难以抉择、进入景点前堵车、进入景区后人流过于密集等问题，严重影响游客游玩体验。在景区方面，也存在着对于游客数量把控不准的情况，游客多时难以及时预警做出相应的安排避免安全隐患，游客少时不能及时的调整可能会造成资源和人力的浪费等问题。
相关技术在对景区游客进行人流量统计时，仅是基于景区门禁的数据进行分析，无法具体预测景区内每个景点的人流量，造成人流量预测精度低，游客体验差等技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种人流量预测方法、装置、电子设备及非易失性存储介质，以至少解决由于相关技术在对景区游客进行人流量统计时，仅是基于景区门禁的数据进行分析，无法具体预测景区内每个景点的人流量，造成人流量预测精度低，游客体验差的技术问题。
根据本申请实施例的一个方面，提供了一种人流量预测方法，包括：确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数，其中，人流时空参数至少用于表征目标单元在第一时间段内的人流量，以及与其余格网单元之间的人员流动情况，目标单元为计划进行人流量预测的格网单元；采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段，目标模型是通过历史时空参数数据训练得到的模型，历史时空参数数据中包含各个格网单元在多个历史时间段的人流时空参数。
可选地，依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数包括：通过识别视频影像中各个时刻的目标人形图像，来确定目标单元的人流时空参数，其中，人流时空参数包括：人流量、人群活动流、人群输入流和人群输出流，人流量用于表征在第一时间段内经过目标单元的人群数量，人群活动流用于表征在第一时间段内从目标单元分别转移至其余各个格网单元的人群数量，人群输入流用于表征在第一时间段内流入目标单元的人群数量，人群输出流用于表征在第一时间段内从目标单元流向其余的格网单元的人群数量。
可选地，采用目标模型，依据人流时空参数进行预测包括：依据人流量，确定格网区域中格网单元的灰度值，得到目标流量图，其中，灰度值用于表征格网单元对应的人流量大小；依据人群活动流、人群输入流、人群输出流，生成目标交互流图；通过目标模型中的卷积神经网络，提取目标流量图中的第一空间特征，以及目标交互流图中的第二空间特征；依据目标模型中的门循环控制单元，提取第一时间段中与第一空间特征和第二空间特征对应的目标时间特征，并将第一空间特征、第二空间特征和目标时间特征进行融合后，输入目标模型的全连接层进行预测。
可选地，识别视频影像中各个时刻的目标人形图像包括：对视频影像中的每一帧图像进行运动目标检测，得到运动目标区域；对运动目标区域进行人形轮廓识别处理，得到人形候选区域，其中，人形轮廓识别处理至少包括：团块处理、面积过滤和宽高比过滤；采用人形分类器模型对人形候选区域进行分类识别，得到目标人形图像，其中，人形分类器模型是通过预设样本数据训练得到的模型，预设样本数据中包括：经过人形轮廓识别处理确定为人形候选区域，但实际上并非是目标人形图像的第一样本数据，以及经过人形轮廓识别处理确定为人形候选区域，且是目标人形图像的第二样本数据。
可选地，得到目标人形图像之后，方法还包括：将目标人形图像与预设着装图像进行相似度匹配，得到目标相似度；在目标相似度大于预设相似度阈值的情况下，将目标人形图像确定为工作人员图像，其中，工作人员图像在确定人流时空参数的过程中不计入人群数量。
可选地，方法还包括：获取第二时间段所对应的天气预报数据；确定第二时间段对应的第一标识和第二标识，其中，第一标识用于表征第二时间段所对应的季节，第二标识用于表征第二时间段是否为节假日；采用目标模型，至少依据天气预报数据、第一标识和第二标识，对目标单元在第二时间段内的人流量进行预测。
可选地，得到目标单元在第二时间段内的人流量之后，方法还包括：依据目标单元在第二时间段内的人流量，确定目标单元对应景点的预计排队时长，并将预计排队时长发送至目标景区内的显示设备进行过展示；以及，在人流量超过预设流量阈值的情况下，发送相应的告警提示信息。
根据本申请实施例的另一个方面，还提供了一种人流量预测装置，包括：格网划分模块，用于确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；参数确定模块，用于依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数，其中，人流时空参数至少用于表征目标单元在第一时间段内的人流量，以及与其余格网单元之间的人员流动情况，目标单元为计划进行人流量预测的格网单元；人流预测模块，用于采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段，目标模型是通过历史时空参数数据训练得到的模型，历史时空参数数据中包含各个格网单元在多个历史时间段的人流时空参数。
根据本申请实施例的又一方面，还提供了一种电子设备，包括：存储器和处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行人流量预测方法。
根据本申请实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行人流量预测方法。
在本申请实施例中，采用确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数，其中，人流时空参数至少用于表征目标单元在第一时间段内的人流量，以及与其余格网单元之间的人员流动情况，目标单元为计划进行人流量预测的格网单元；采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段，目标模型是通过历史时空参数数据训练得到的模型，历史时空参数数据中包含各个格网单元在多个历史时间段的人流时空参数的方式，通过在景区各景点部署摄像头，根据人形识别和人流量预测技术，推断景区各景点人流量分布情况，并将实时数据在景区大屏和景区管理APP上显示，达到了精准预测景区内各个景点人流量的目的，进而解决了由于相关技术在对景区游客进行人流量统计时，仅是基于景区门禁的数据进行分析，无法具体预测景区内每个景点的人流量，造成人流量预测精度低，游客体验差技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种用于实现人流量预测的方法的计算机终端(或电子设备)的硬件结构框图；
图2是根据本申请实施例提供的一种人流量预测的方法流程的示意图；
图3a是根据本申请实施例提供的一种人群活动流的示意图；
图3b是根据本申请实施例提供的一种人群输入流的示意图；
图3c是根据本申请实施例提供的一种人群输出流的示意图；
图4是根据本申请实施例提供的一种目标模型的架构示意图；
图5是根据本申请实施例提供的一种模型训练的示意图；
图6是根据本申请实施例提供的一种人流量预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在相关技术中，在对景区游客进行人流量统计时，仅是基于景区门禁的数据进行分析，无法具体预测景区内每个景点的人流量，因此，存在人流量预测精度低，游客体验差问题。为了解决该问题，本申请实施例中提供了相关的解决方案，以下详细说明。
根据本申请实施例，提供了一种人流量预测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现人流量预测方法的计算机终端(或电子设备)的硬件结构框图。如图1所示，计算机终端10(或电子设备10)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或电子设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的人流量预测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述人流量预测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或电子设备)的用户界面进行交互。
在上述运行环境下，本申请实施例提供了一种人流量预测方法，图2是根据本申请实施例提供的一种人流量预测的方法流程的示意图，如图2所示，该方法包括如下步骤：
步骤S202，确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；
为了方便空间关系的表达，在本申请中将景目标区内各区域(景点)抽象划分为规则的格网区域，每个格网单元代表景区的一个景点区域。
步骤S204，依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数，其中，人流时空参数至少用于表征目标单元在第一时间段内的人流量，以及与其余格网单元之间的人员流动情况，目标单元为计划进行人流量预测的格网单元；
在步骤S204所提供的技术方案中，通过景区内各区域布置的摄像头采集各个格网单元的视频影像，通过人形识别算法，研究区域G(即上述目标单元)在时间段T内的时空关系，确定各项人流时空参数，包括：区域内人群活动流量(即上述人流量)、区域间人群活动流/>人群活动输入流/>人群活动输出流/>
在本申请的一些实施例中，依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数包括以下步骤：通过识别视频影像中各个时刻的目标人形图像，来确定目标单元的人流时空参数，其中，人流时空参数包括：人流量、人群活动流、人群输入流和人群输出流，人流量用于表征在第一时间段内经过目标单元的人群数量，人群活动流用于表征在第一时间段内从目标单元分别转移至其余各个格网单元的人群数量，人群输入流用于表征在第一时间段内流入目标单元的人群数量，人群输出流用于表征在第一时间段内从目标单元流向其余的格网单元的人群数量。
具体地，假设格网区域被划分为n个格网单元G＝{g1，g2，…gi，…gn}，将时间段划分为m个等步长时间间隔T＝{t1，t2，…，ti，…，tm}，区域内人群活动流量为在一个时间间隔t(相当于上述第一时间段)内经过该格网单元(目标单元)g的人群数量；
人群活动流为在一个时间间隔t内，从格网单元gi(即上述目标单元)转移到格网单元gj(即上述其余各个格网单元)的人群数量，其中，gi为流的起始区域，gj为流的终止区域，如图3a所示；
人群输入流为在时间间隔t内，其他格网单元流入目标单元gi的人群数量；
人群输出流为目标单元gi在时间间隔t内流向其他格网单元的人群数量，人群输入流、人群输出流分别如图3b、图3c所示。
在本申请的一些实施例中，识别视频影像中各个时刻的目标人形图像包括以下步骤：对视频影像中的每一帧图像进行运动目标检测，得到运动目标区域；对运动目标区域进行人形轮廓识别处理，得到人形候选区域，其中，人形轮廓识别处理至少包括：团块处理、面积过滤和宽高比过滤；采用人形分类器模型对人形候选区域进行分类识别，得到目标人形图像，其中，人形分类器模型是通过预设样本数据训练得到的模型，预设样本数据中包括：经过人形轮廓识别处理确定为人形候选区域，但实际上并非是目标人形图像的第一样本数据，以及经过人形轮廓识别处理确定为人形候选区域，且是目标人形图像的第二样本数据。
为了提升人流时空参数的准确定与有效性，得到目标人形图像之后，方法还包括以下步骤：将目标人形图像与预设着装图像进行相似度匹配，得到目标相似度；在目标相似度大于预设相似度阈值的情况下，将目标人形图像确定为工作人员图像，其中，工作人员图像在确定人流时空参数的过程中不计入人群数量。
具体地，采用预设着装图像对人形图像进行匹配识别；当在任一当前目标人形图像中识别到预设着装图像时，将当前人形图像定义为景区工作人员图像，在本申请方案中，景区工作人员不参与上述各项人流时空参数的计算。
本申请采用监控视频数据来统计游客数，准确性高，并对身穿预设着装的景区工作人员进行区分，以区分开景区工作人员和游客，避免将景区工作人员统计在内，保证客流量统计的高准确性。
作为一种可选的实施方式，还可以根据实时监控，识别景区突发情况，如设备故障、游客冲突，并进行问题定位和解决方案预测，从而提高景区服务人员的工作效率。
步骤S206，采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段，目标模型是通过历史时空参数数据训练得到的模型，历史时空参数数据中包含各个格网单元在多个历史时间段的人流时空参数。
在本申请的一些实施例中，采用目标模型，依据人流时空参数进行预测包括以下步骤：依据人流量，确定格网区域中格网单元的灰度值，得到目标流量图，其中，灰度值用于表征格网单元对应的人流量大小；依据人群活动流、人群输入流、人群输出流，生成目标交互流图；通过目标模型中的卷积神经网络，提取目标流量图中的第一空间特征，以及目标交互流图中的第二空间特征；依据目标模型中的门循环控制单元，提取第一时间段中与第一空间特征和第二空间特征对应的目标时间特征，并将第一空间特征、第二空间特征和目标时间特征进行融合后，输入目标模型的全连接层进行预测。
具体地，依据历史时刻的各项人流时空参数，生成人群流量图(即上述目标流量图)和人群交互流图(即上述目标交互流图)，将人群流量图和人群交互流图输入神经网络模型中进行训练。
图4是根据本申请实施例提供的一种目标模型的架构示意图，如图4所示，目标模型通过局部卷积神经网络提取不同尺度下的空间特征来描述空间依赖性；通过门控循环单元(gatere current unit，GRU)提取目标时间特征来描述时间依赖性，首先，为使网络更好地学习位置间的空间依赖性，网络中同时顾及区域内人群活动静态流量和区域间交互人群流量，再将局部卷积神经网络提取的不同尺度下的空间特征进行融合。然后，将融合后的特征输入门控循环单元中，时间序列数据不仅具有短期依赖性还具有一定的周期性，即长期依赖性，通过GRU中单元间的信息传输能够实现长时与短时间特征的提取与表征。
具体地，人群活动在空间上存在一定的相关性，区域的人群活动受其邻域空间变量影响，对于人流量预测问题，下一时刻的流量依赖该区域的历史流量，区域间的人群流动能够强化区域间的动态空间关系，基于此，本申请采用卷积神经网络提取空间特征，通过规则格网划分将整个景区区域转换为规则格网，将格网内流量视为对应像素的灰度，从而将其转换为图像，利用时间间隔划分人群流量图和人群交互流图作为网络输入，通过人群流量图提取静态空间特征(即上述第一空间特征)，通过人群交互流图提取动态空间特征(即上述第二空间特征)。
为提取目标单元gi的空间特征，对于一个时间间隔t，使用人群流量图和局部人群交互流图/>作为网络输入；假设目标单元gi的对应的图像尺寸为r×r×1，则/>的图像尺寸为r×r×1，/>的图像尺寸为r×r×2，其中2代表/>的两个通道，一个通道为人群输入流图，一个通道为人群输出流图，因此，局部卷积神经网络的输出如下所示：
其中，符号表示张量乘积；αv表示静态空间特征(即上述第一空间特征)；αf表示动态空间特征(即上述第二空间特征)；αr为在局部图像尺度为r×r上的空间特征；采用F()线性整流函数ReLU作为激活函数；/>为卷积层的权重向量；/>为卷积层的偏置项。
本申请方案将静态的人群流量和动态的人群交互流作为卷积神经网络输入来提取空间特征，同时使用并联卷积进行空间多尺度特征融合，随后使用门控循环单元GRU来提取时间特征，能够提高预测精度和学习效率，实现人群活动流量预测，为感知人类的时空移动规律提供方法支持。
在实际生活中，遇到节假日，游客数量会大幅上升，而遇到特殊天气，景区突发情况的概率也会增加，因此，在本申请方案中，为了提高流量预测的准确性，本申请中在训练神经网络模型时，除了依据历史数据中的上述各项人流时空参数外，还结合了时空参数对应的季节、节假日、特殊天气等数据，如图5所示，进一步提高了人流量预测的准确性。
作为一种可选的实施方式，方法还包括以下步骤：获取第二时间段所对应的天气预报数据；确定第二时间段对应的第一标识和第二标识，其中，第一标识用于表征第二时间段所对应的季节，第二标识用于表征第二时间段是否为节假日；采用目标模型，至少依据天气预报数据、第一标识和第二标识，对目标单元在第二时间段内的人流量进行预测。
在本申请的一些实施例中，得到目标单元在第二时间段内的人流量之后，方法还包括以下步骤：依据目标单元在第二时间段内的人流量，确定目标单元对应景点的预计排队时长，并将预计排队时长发送至目标景区内的显示设备进行过展示；以及，在人流量超过预设流量阈值的情况下，发送相应的告警提示信息。
具体地，将当前时刻的各个景点区域的人流量数据输入训练好的神经网络模型进行预测，得到下一时刻各个景点区域的人流量值与排队时间等信息，并依据预测到的人流量值等信息，生成整个景区的人流量热力图发送至景区内大屏进行展示，并将该热力图同步至景区管理APP，游客可通过该APP实时查看景区内各景点区域的人流量与排队时间的预测情况，进而规划游玩线路。
在预测出的人流量超过预设警戒值或某一景点的排队时间超出预设时长的情况下，可以在景区大屏和景区管理APP上弹出相应的告警信息，以提醒游客和工作人员。
通过上述步骤，通过在景区各景点部署摄像头，根据人形识别和人流量预测技术，推断景区各景点人流量分布情况，并将实时数据在景区大屏和景区管理APP上显示，达到了精准预测景区内各个景点人流量的目的，进而解决了由于相关技术在对景区游客进行人流量统计时，仅是基于景区门禁的数据进行分析，无法具体预测景区内每个景点的人流量，造成人流量预测精度低，游客体验差技术问题。
根据本申请实施例，还提供了一种人流量预测装置的实施例。图6是根据本申请实施例提供的一种人流量预测装置的结构示意图。如图6所示，该装置包括：
格网划分模块60，用于确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；
参数确定模块62，用于依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数，其中，人流时空参数至少用于表征目标单元在第一时间段内的人流量，以及与其余格网单元之间的人员流动情况，目标单元为计划进行人流量预测的格网单元；
人流预测模块64，用于采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段，目标模型是通过历史时空参数数据训练得到的模型，历史时空参数数据中包含各个格网单元在多个历史时间段的人流时空参数。
需要说明的是，上述人流量预测装置中的各个模块可以是程序模块(例如是实现某种特定功能的程序指令集合)，也可以是硬件模块，对于后者，其可以表现为以下形式，但不限于此：上述各个模块的表现形式均为一个处理器，或者，上述各个模块的功能通过一个处理器实现。
需要说明的是，本实施例中所提供的人流量预测装置可用于执行图2所示的人流量预测方法，因此，对上述人流量预测方法的相关解释说明也适用于本申请实施例中，在此不再赘述。
本申请实施例还提供了一种非易失性存储介质，非易失性存储介质包括存储的计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行以下人流量预测方法：确定目标景区对应的格网区域，其中，格网区域中包括格网单元，每个格网单元对应一个目标景区中的景点；依据格网单元对应的视频影像，确定格网单元中的目标单元在第一时间段内的人流时空参数，其中，人流时空参数至少用于表征目标单元在第一时间段内的人流量，以及与其余格网单元之间的人员流动情况，目标单元为计划进行人流量预测的格网单元；采用目标模型，依据人流时空参数进行预测，得到目标单元在第二时间段内的人流量，其中，第二时间段为紧邻第一时间段的后一个时间段，目标模型是通过历史时空参数数据训练得到的模型，历史时空参数数据中包含各个格网单元在多个历史时间段的人流时空参数。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种人流量预测方法，其特征在于，包括：
确定目标景区对应的格网区域，其中，所述格网区域中包括格网单元，每个所述格网单元对应一个所述目标景区中的景点；
依据所述格网单元对应的视频影像，确定所述格网单元中的目标单元在第一时间段内的人流时空参数，其中，所述人流时空参数至少用于表征所述目标单元在所述第一时间段内的人流量，以及与其余所述格网单元之间的人员流动情况，所述目标单元为计划进行人流量预测的所述格网单元；
采用目标模型，依据所述人流时空参数进行预测，得到所述目标单元在第二时间段内的人流量，其中，所述第二时间段为紧邻所述第一时间段的后一个时间段，所述目标模型是通过历史时空参数数据训练得到的模型，所述历史时空参数数据中包含各个所述格网单元在多个历史时间段的所述人流时空参数。
2.根据权利要求1所述的人流量预测方法，其特征在于，依据所述格网单元对应的视频影像，确定所述格网单元中的目标单元在第一时间段内的人流时空参数包括：
通过识别所述视频影像中各个时刻的目标人形图像，来确定所述目标单元的所述人流时空参数，其中，所述人流时空参数包括：人流量、人群活动流、人群输入流和人群输出流，所述人流量用于表征在所述第一时间段内经过所述目标单元的人群数量，所述人群活动流用于表征在所述第一时间段内从所述目标单元分别转移至其余各个格网单元的人群数量，所述人群输入流用于表征在所述第一时间段内流入所述目标单元的人群数量，所述人群输出流用于表征在所述第一时间段内从所述目标单元流向其余的格网单元的人群数量。
3.根据权利要求2所述的人流量预测方法，其特征在于，采用目标模型，依据所述人流时空参数进行预测包括：
依据所述人流量，确定所述格网区域中格网单元的灰度值，得到目标流量图，其中，所述灰度值用于表征格网单元对应的人流量大小；
依据所述人群活动流、所述人群输入流、所述人群输出流，生成目标交互流图；
通过所述目标模型中的卷积神经网络，提取所述目标流量图中的第一空间特征，以及所述目标交互流图中的第二空间特征；
依据所述目标模型中的门循环控制单元，提取所述第一时间段中与所述第一空间特征和所述第二空间特征对应的目标时间特征，并将所述第一空间特征、所述第二空间特征和所述目标时间特征进行融合后，输入所述目标模型的全连接层进行预测。
4.根据权利要求2所述的人流量预测方法，其特征在于，识别所述视频影像中各个时刻的目标人形图像包括：
对所述视频影像中的每一帧图像进行运动目标检测，得到运动目标区域；
对所述运动目标区域进行人形轮廓识别处理，得到人形候选区域，其中，所述人形轮廓识别处理至少包括：团块处理、面积过滤和宽高比过滤；
采用人形分类器模型对所述人形候选区域进行分类识别，得到所述目标人形图像，其中，所述人形分类器模型是通过预设样本数据训练得到的模型，所述预设样本数据中包括：经过所述人形轮廓识别处理确定为人形候选区域，但实际上并非是目标人形图像的第一样本数据，以及经过所述人形轮廓识别处理确定为人形候选区域，且是目标人形图像的第二样本数据。
5.根据权利要求4所述的人流量预测方法，其特征在于，得到所述目标人形图像之后，所述方法还包括：
将所述目标人形图像与预设着装图像进行相似度匹配，得到目标相似度；
在所述目标相似度大于预设相似度阈值的情况下，将所述目标人形图像确定为工作人员图像，其中，所述工作人员图像在确定所述人流时空参数的过程中不计入人群数量。
6.根据权利要求1所述的人流量预测方法，其特征在于，所述方法还包括：
获取所述第二时间段所对应的天气预报数据；
确定所述第二时间段对应的第一标识和第二标识，其中，所述第一标识用于表征所述第二时间段所对应的季节，所述第二标识用于表征所述第二时间段是否为节假日；
采用所述目标模型，至少依据所述天气预报数据、所述第一标识和所述第二标识，对所述目标单元在所述第二时间段内的人流量进行预测。
7.根据权利要求1所述的人流量预测方法，其特征在于，得到所述目标单元在第二时间段内的人流量之后，所述方法还包括：
依据所述目标单元在第二时间段内的人流量，确定所述目标单元对应景点的预计排队时长，并将所述预计排队时长发送至所述目标景区内的显示设备进行过展示；以及，
在所述人流量超过预设流量阈值的情况下，发送相应的告警提示信息。
8.一种人流量预测装置，其特征在于，包括：
格网划分模块，用于确定目标景区对应的格网区域，其中，所述格网区域中包括格网单元，每个所述格网单元对应一个所述目标景区中的景点；
参数确定模块，用于依据所述格网单元对应的视频影像，确定所述格网单元中的目标单元在第一时间段内的人流时空参数，其中，所述人流时空参数至少用于表征所述目标单元在所述第一时间段内的人流量，以及与其余所述格网单元之间的人员流动情况，所述目标单元为计划进行人流量预测的所述格网单元；
人流预测模块，用于采用目标模型，依据所述人流时空参数进行预测，得到所述目标单元在第二时间段内的人流量，其中，所述第二时间段为紧邻所述第一时间段的后一个时间段，所述目标模型是通过历史时空参数数据训练得到的模型，所述历史时空参数数据中包含各个所述格网单元在多个历史时间段的所述人流时空参数。
9.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的人流量预测方法。
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的计算机程序，其中，所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1至7中任意一项所述人流量预测方法。
CN202310707110.0A 2023-06-14 2023-06-14 人流量预测方法、装置、电子设备及非易失性存储介质 Pending CN116778411A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310707110.0A CN116778411A (zh) 2023-06-14 2023-06-14 人流量预测方法、装置、电子设备及非易失性存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310707110.0A CN116778411A (zh) 2023-06-14 2023-06-14 人流量预测方法、装置、电子设备及非易失性存储介质

Publications (1)

Publication Number Publication Date
CN116778411A true CN116778411A (zh) 2023-09-19

Family

ID=88007419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310707110.0A Pending CN116778411A (zh) 2023-06-14 2023-06-14 人流量预测方法、装置、电子设备及非易失性存储介质

Country Status (1)

Country Link
CN (1) CN116778411A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132948A (zh) * 2023-10-27 2023-11-28 南昌理工学院 景区游客流量监控方法、系统、可读存储介质及计算机
CN117873301A (zh) * 2024-03-11 2024-04-12 浙江技加智能科技有限公司 一种led显示屏节能显示方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132948A (zh) * 2023-10-27 2023-11-28 南昌理工学院 景区游客流量监控方法、系统、可读存储介质及计算机
CN117132948B (zh) * 2023-10-27 2024-01-30 南昌理工学院 景区游客流量监控方法、系统、可读存储介质及计算机
CN117873301A (zh) * 2024-03-11 2024-04-12 浙江技加智能科技有限公司 一种led显示屏节能显示方法

Similar Documents

Publication Publication Date Title
CN116778411A (zh) 人流量预测方法、装置、电子设备及非易失性存储介质
CN108216252B (zh) 一种地铁司机车载驾驶行为分析方法、车载终端及系统
AU2019100806A4 (en) Real-Time Crowd Measurement And Management Systems And Methods Thereof
US20220139070A1 (en) Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program
CN108197658A (zh) 图像标注信息处理方法、装置、服务器及系统
CN107480624B (zh) 常住人口获取方法、装置及系统、计算机装置和存储介质
CN108965826A (zh) 监控方法、装置、处理设备及存储介质
CN107566781A (zh) 视频监控方法和视频监控设备
CN108256431A (zh) 一种手部位置标识方法及装置
CN109189878B (zh) 一种人群热力图获得方法及装置
CN107358471A (zh) 一种基于游览行为的旅游资源推荐方法及系统
CN108363953A (zh) 一种行人检测的方法及双目监控设备
CN108960133A (zh) 乘客流量监控的方法、电子设备、系统以及存储介质
CN111739294A (zh) 一种路况信息收集方法、装置、设备及存储介质
Li et al. Direct generation of level of service maps from images using convolutional and long short-term memory networks
CN111353342B (zh) 肩头识别模型训练方法、装置、人数统计方法、装置
CN109697392A (zh) 绘制目标对象热力图的方法及装置
CN110021161A (zh) 一种交通流向的预测方法及系统
CN113094325B (zh) 设备部署方法、装置、计算机系统和计算机可读存储介质
CN109857829A (zh) 一种地理信息数据融合系统
CN112633249A (zh) 一种基于轻型深度学习框架的嵌入式人流量检测方法
CN110738208A (zh) 一种高效的尺度规范化目标检测训练方法
CN110135422A (zh) 一种密集目标的检测方法和装置
CN115620098A (zh) 跨摄像头行人跟踪算法的评价方法、系统和电子设备
CN116823572B (zh) 人口流动数据的获取方法、装置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