CN116823572B - 人口流动数据的获取方法、装置及计算机可读存储介质 - Google Patents

人口流动数据的获取方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN116823572B
CN116823572B CN202310726871.0A CN202310726871A CN116823572B CN 116823572 B CN116823572 B CN 116823572B CN 202310726871 A CN202310726871 A CN 202310726871A CN 116823572 B CN116823572 B CN 116823572B
Authority
CN
China
Prior art keywords
data
population
base station
video image
population 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.)
Active
Application number
CN202310726871.0A
Other languages
English (en)
Other versions
CN116823572A (zh
Inventor
吴乃星
周剑明
吴羿南
赵桂标
黄啟志
蔡勇
段立新
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.)
China United Network Communications Corp Ltd Shenzhen Branch
Original Assignee
China United Network Communications Corp Ltd Shenzhen Branch
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 China United Network Communications Corp Ltd Shenzhen Branch filed Critical China United Network Communications Corp Ltd Shenzhen Branch
Priority to CN202310726871.0A priority Critical patent/CN116823572B/zh
Publication of CN116823572A publication Critical patent/CN116823572A/zh
Application granted granted Critical
Publication of CN116823572B publication Critical patent/CN116823572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q50/26—Government or public services
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了人口流动数据的获取方法、装置及计算机可读存储介质，包括步骤：S1：获取移动设备数据及视频图像数据；S2：移动设备数据及视频图像数据预处理；S3：通过Wi‑Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，并进行判断；S4：将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度等结果，S5：交通指引，采用迪杰斯特拉算法计算出最短路径，S6:结束。本申请通过采用改进的长短时记忆网络LSTM，考虑数据准确度因素，大大增强了计算效率。

Description

人口流动数据的获取方法、装置及计算机可读存储介质
技术领域
本发明涉及人口数据统计领域，具体涉及一种人口流动数据的获取方法、装置及计算机可读存储介质。
背景技术
随着城市人口不断增长和交通需求的不断增加，对人口流动数据的获取和交通指引的需求也越来越迫切。人口流动数据的获取对于城市规划、交通管理以及社会发展具有重要意义。目前，已有一些方法和系统可以跟踪人口流动，但大多数方法仅限于特定区域或仅能提供静态数据，缺乏对交通的实时指引。传统的人口流动数据采集方法存在诸多限制，如采样精度低、数据更新慢、成本高等。
且现有技术中的人口数据统计采用样本法，数据获取类型较为单一(例如只考虑基站数据或只考虑摄像头数据)且没有相关的验证机制(例如没有经过多方面的验证采集的数据是否准确)是否达到一定的准确合格率，导致统计数据出现一定的鲁棒性。且现有的人口统计训练模型采用的支持向量机等训练模型没有考虑到数据准确合格率带来的影响，导致人口统计准确率和效率交底，对交通的指引作用较低。
发明内容
针对现有技术中提到的上述问题，为解决上述技术问题，本发明提供了一种人口流动数据的获取方法、装置及计算机可读存储介质，该方法通过传感器设备以及摄像头获取的视频图像数据融合判断，实现了采集数据的准确性验证，并通过改进的长短时记忆网络LSTM，针对人口统计数据进行准确的判断，最后采用迪杰斯特拉算法将人口流动数量、人口流动强度、人口密度作为边的权重，实现了交通的高效准确的指引。
本发明的一种人口流动数据的获取方法，包括步骤：
S1：获取移动设备数据及视频图像数据，通过在城市中布置N个传感器设备及摄像头，传感器设备包括Wi-Fi探针、移动通信基站，传感器设备用于收集移动设备的信号数据；
S2：移动设备数据及视频图像数据预处理，即通过Wi-Fi探针获取移动设备的MAC地址、信号强度以及连接时间；通过移动通信基站获取移动设备进行通话、发送短信或进行数据传输时与基站的通信信息，所述通信信息包括基站编号、信号强度、通信时间；通过摄像头采集视频图像数据，进行摄像头范围内的行人数量识别；
S3：随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6。
S4：人口流动跟踪，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度、人口密度、流动趋势以及人口密集区域；
S5：交通指引，采用迪杰斯特拉算法计算出最短路径，既将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径，每条边上的权重表示该路径的交通状况、路况信息、人口流动数量、人口流动强度、人口密度作为边的权重，按照选择最短路径距离最小的节点依次遍历各个节点，更新节点的最短路径距离，直到所有节点都被遍历过；
S6：结束。
优选地，所述移动设备为智能手机或平板或笔记本电脑或智能手表或智能手环。
优选地，所述训练好的循环神经网络RNN，训练集创建时首先进行数据标注，即将移动设备数据及视频图像数据与实际的人口流动行为进行关联，通过人工标注后，构建一个训练集，其中训练集包含预处理后的移动设备数据及视频图像数据和对应的人口流动标签，采用构建的训练集训练循环神经网络RNN。
优选地，所述视频图像数据预处理，还包括对视频图像数据进行高斯滤波去噪，通过视频图像数据，获取行人数量、交通流量、车辆和摄像头端行人密度信息。
优选地，所述RNN循环神经网络采用的是改进的长短时记忆网络LSTM，输入门为：
it＝sigmoid(wi*M*[ht-1,xt]+bi)
遗忘门为：
ft＝sigmoid(wf*M*[ht-1,xt]+bf)
记忆单元更新：
ct＝ft*ct-1+it*tanh(wc*M*[ht-1,xt]+bc)
输出门为：
ot＝sigmoid(wo*M*[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，ht表示当前时刻的隐藏状态，ct表示当前时刻的记忆单元状态，xt表示当前时刻的输入数据，[ht-1,xt]表示将前一时刻的隐藏状态和当前时刻的输入数据进行连接，wi、wf、wc、wo分别表示输入门、遗忘门、记忆单元更新、输出门对应的权重，bi、bf、bc、bo分别表示输入门、遗忘门、记忆单元更新、输出门对应的偏置参数。
本申请还提供一种人口流动数据的获取装置，包括：
传感器设备及摄像头：用于收集移动设备数据和视频图像数据，通过在城市中布置N个传感器设备及摄像头，传感器设备包括Wi-Fi探针、移动通信基站，传感器设备用于收集移动设备的信号数据；
数据预处理器，通过Wi-Fi探针获取移动设备的MAC地址、信号强度以及连接时间；通过移动通信基站获取移动设备进行通话、发送短信或进行数据传输时与基站的通信信息，所述通信信息包括基站编号、信号强度、通信时间；通过摄像头采集视频图像数据，进行摄像头范围内的行人数量识别；
数据判断器，随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6。
人口流动跟踪器，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度、人口密度、流动趋势以及人口密集区域；
交通指引器，采用迪杰斯特拉算法计算出最短路径，既将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径，每条边上的权重表示该路径的交通状况、路况信息、人口流动数量、人口流动强度、人口密度作为边的权重，按照选择最短路径距离最小的节点依次遍历各个节点，更新节点的最短路径距离，直到所有节点都被遍历过。
优选地，所述移动设备为智能手机或平板或笔记本电脑或智能手表或智能手环。
优选地，所述训练好的循环神经网络RNN，训练集创建时首先进行数据标注，即将移动设备数据及视频图像数据与实际的人口流动行为进行关联，通过人工标注后，构建一个训练集，其中训练集包含预处理后的移动设备数据及视频图像数据和对应的人口流动标签，采用构建的训练集训练循环神经网络RNN。
优选地，所述视频图像数据预处理，还包括对视频图像数据进行高斯滤波去噪，通过视频图像数据，获取行人数量、交通流量、车辆和摄像头端行人密度信息。
优选地，所述RNN循环神经网络采用的是改进的长短时记忆网络LSTM，输入门为：
it＝sigmoid(wi*M*[ht-1,xt]+bi)
遗忘门为：
ft＝sigmoid(wf*M*[ht-1,xt]+bf)
记忆单元更新：
ct＝ft*ct-1+it*tanh(wc*M*[ht-1,xt]+bc)
输出门为：
ot＝sigmoid(wo*M*[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，ht表示当前时刻的隐藏状态，ct表示当前时刻的记忆单元状态，xt表示当前时刻的输入数据，[ht-1,xt]表示将前一时刻的隐藏状态和当前时刻的输入数据进行连接，wi、wf、wc、wo分别表示输入门、遗忘门、记忆单元更新、输出门对应的权重，bi、bf、bc、bo分别表示输入门、遗忘门、记忆单元更新、输出门对应的偏置参数。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有人口流动数据的获取程序，所述人口流动数据的获取程序被处理器执行时实现所述的人口流动数据的获取方法的步骤。
本发明提供了一种人口流动数据的获取方法、装置及计算机可读存储介质，所能实现的有益技术效果如下：
1、本申请通过传感器设备以及摄像头获取的视频图像数据融合判断，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，将传感器设备以及图像处理数据融合形成的向量矩阵输入值神经网络，大大丰富了数据类型，增强了判断准确度；
2、本发明通过实现了采集数据的准确性验证，通过随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6；通过数据验证判断步骤，大大实现了高质量数据的筛选判断，增强了数据计算效率提高了数据计算准确度。
3、本申请通过最后采用迪杰斯特拉算法通过将人口流动数量、人口流动强度、人口密度作为边的权重，将人口因素纳入到交通选择的考虑因素中，实现了交通的高效准确的指引，大大增强了计算效率。
4、本申请采用改进的长短时记忆网络LSTM，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M针对人口统计数据进行准确的判断，将M值引入到长短时记忆网络LSTM，充分考虑数据的准确度因素，大大增强了计算效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的一种人口流动数据的获取方法步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
实施例1：
针对现有技术中提到的上述问题，为解决上述技术问题，如附图1所示：本发明提供了本发明的一种人口流动数据的获取方法，包括步骤：
S1：获取移动设备数据及视频图像数据，通过在城市中布置N个传感器设备及摄像头，传感器设备包括Wi-Fi探针、移动通信基站，传感器设备用于收集移动设备的信号数据；
Wi-Fi探针：Wi-Fi探针是一种可以侦测Wi-Fi信号的设备，通常安装在城市的各个位置。当移动设备在Wi-Fi探针的范围内连接到Wi-Fi网络时，Wi-Fi探针可以捕捉到设备的MAC地址、信号强度以及连接时间等信息。通过多个Wi-Fi探针的数据，可以推测移动设备的位置和移动轨迹。
举例：假设在城市的某个公共广场中安装了多个Wi-Fi探针，当行人携带手机并连接到公共Wi-Fi网络时，Wi-Fi探针会记录下每个手机的MAC地址、信号强度和连接时间等数据。通过分析这些数据，可以得出该公共广场的人口流动情况，包括人群密集区域、人员流动路径等。
移动通信基站：移动通信基站是用于提供手机信号覆盖的设备，分布在城市的各个区域。当移动设备进行通话、发送短信或进行数据传输时，会与附近的移动通信基站进行通信，通过记录与基站的通信信息，可以获取移动设备的位置和通信行为。
举例：假设某个城市有多个移动通信基站覆盖，当某个手机用户在城市中移动时，手机会与不同的基站建立通信连接。通过记录手机与基站的通信记录，包括基站编号、信号强度和通信时间等信息，可以追踪手机的位置变化和移动轨迹。
摄像头：城市中的摄像头可以用于捕捉人群的视觉信息，通过图像分析和人脸识别等技术，可以获取移动设备的位置和人口流动情况。
举例：假设在某个交通拥堵的路口安装了摄像头，可以统计人头的数量，人姿态识别进而得到人口数量，当行人携带手机经过该路口时，摄像头海可以捕捉到行人和手机的图像。通过图像分析和人脸识别技术，可以识别出行人和其携带的手机，从而获得行人的位置和手机的移动轨迹。
Wi-Fi探针获取数据：Wi-Fi探针记录移动设备的MAC地址、信号强度和连接时间等信息。通过分析Wi-Fi探针数据，可以得出人口流动的趋势和密集区域。例如，根据Wi-Fi探针数据，我们可以推断某个公园的人口密度高低，以及人群在公园中的流动路径。
移动通信基站获取数据：移动通信基站记录移动设备与基站的通信记录，包括基站编号、信号强度和通信时间等信息。通过分析移动通信基站数据，可以推测人口流动的位置和移动轨迹。例如，通过移动通信基站数据，我们可以追踪一个人从家到办公室的行程，并确定常用的通勤路线。
摄像头获取数据：摄像头捕捉到的图像可以进行图像分析和人脸识别等处理。通过分析摄像头数据，可以得出人口流动的实时信息。例如，在交通拥堵的路口安装摄像头，通过分析摄像头数据，我们可以获取交通流量、车辆和行人的密度等信息，从而指导交通指引的决策。
S2：移动设备数据及视频图像数据预处理，即通过Wi-Fi探针获取移动设备的MAC地址、信号强度以及连接时间；通过移动通信基站获取移动设备进行通话、发送短信或进行数据传输时与基站的通信信息，所述通信信息包括基站编号、信号强度、通信时间；通过摄像头采集视频图像数据，进行摄像头范围内的行人数量识别；
信号强度分析：
信号强度是移动设备与传感器设备之间的通信质量指标之一。可以通过计算信号强度的平均值、方差或其他统计指标来分析信号强度的特征。这些统计指标可以反映出设备与传感器设备之间的距离、相对位置以及通信质量。
假设收集到的移动设备数据中包括每个设备与传感器设备的信号强度值，我们可以进行以下信号强度分析：
信号强度平均值：avg_strength＝(Σ信号强度值)/设备数目
信号强度方差：var_strength＝(Σ(信号强度值-avg_strength))/设备数目
其中，avg_strength表示信号强度的平均值，var_strength表示信号强度的方差。
设备位置识别：
设备位置识别是确定移动设备的位置或位置范围的过程。可以利用信号强度、基站或摄像头的位置信息等进行设备位置的推测。例如，通过与移动通信基站进行通信的移动设备，可以根据设备与基站之间的信号强度以及基站的已知位置来估计设备的位置。
假设收集到的移动设备数据中包括移动通信基站的位置信息和设备与基站的信号强度值，我们可以进行以下设备位置识别：
根据信号强度和基站位置，采用三角定位等技术推测设备的位置坐标。
可以使用基于机器学习的算法，训练模型以根据信号强度和基站位置预测设备的位置。
设备位置识别的具体算法和方法可以根据实际需求和数据特点进行选择和调整。
S3：随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6。
S4：人口流动跟踪，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度、人口密度、流动趋势以及人口密集区域；
当使用循环神经网络(RNN)算法进行人口流动跟踪时，可以利用RNN模型对预处理后的移动设备数据和视频图像数据进行分析和建模，以识别人口流动的模式和趋势。以下是一个示例，说明如何使用循环神经网络算法进行数据分析和建模，并识别人口流动的模式和趋势。
数据准备和特征提取：
在数据准备阶段，将预处理后的移动设备数据划分为训练集和测试集。然后，从数据中提取与人口流动相关的特征，例如设备位置坐标、移动轨迹、信号强度变化等。将这些特征作为RNN模型的输入。
构建循环神经网络模型：
使用循环神经网络模型来进行数据分析和建模。一个常用的RNN模型是长短时记忆网络(LSTM)。LSTM具有记忆单元和门控机制，能够捕捉数据的时序特征。可以根据数据特点和问题需求设计网络的层数、隐藏单元数和激活函数等。
训练循环神经网络模型：
使用训练集对循环神经网络模型进行训练。通过反向传播算法和优化器，调整模型的权重和偏差，以最小化预测结果与真实标签之间的误差。训练过程中，可以采用递归神经网络(BPTT)算法来处理RNN的梯度计算和更新。
模型应用和预测：
训练完成后，使用测试集或新的移动设备数据对训练好的循环神经网络模型进行预测。模型将根据输入的特征序列输出相应的人口流动模式和趋势的预测结果。
S5：交通指引，采用迪杰斯特拉算法计算出最短路径，既将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径，每条边上的权重表示该路径的交通状况、路况信息、人口流动数量、人口流动强度、人口密度作为边的权重，按照选择最短路径距离最小的节点依次遍历各个节点，更新节点的最短路径距离，直到所有节点都被遍历过；
我们可以采用最短路径算法中的迪杰斯特拉算法(Dijkstra's algorithm)来实现交通的实时指引。迪杰斯特拉算法可以根据交通状况、路况信息、人口密度等因素，找到两个地点之间的最短路径，并提供最佳的交通路线和方式。
以下是使用迪杰斯特拉算法进行交通指引的具体步骤：
1构建图形表示：
将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径。每条边上可以附加权重，代表该路径的交通状况、路况信息等。
2初始化算法：
设置起始点和终点，并初始化所有节点的最短路径距离为无穷大，起始点的最短路径距离为0。
3运行迪杰斯特拉算法：
从起始点开始，按照一定的策略(如选择最短路径距离最小的节点)依次遍历各个节点，更新节点的最短路径距离。遍历过程中，根据边的权重和当前节点的最短路径距离，更新相邻节点的最短路径距离。
4重复步骤3直到到达终点：
不断更新节点的最短路径距离，直到到达终点或者所有节点都被遍历过。
5回溯最短路径：
根据更新后的最短路径距离，从终点开始回溯，确定最短路径。这样就可以得到交通指引，包括最佳的交通路线和方式。
通过执行迪杰斯特拉算法，我们可以得到最短路径距离和路径指引，从而提供实时的交通指引，确保人口流动更加顺畅和高效。需要注意的是，具体的权重计算和节点选择策略会根据实际情况和需求进行调整和优化。
在迪杰斯特拉算法中，人口流动数据可以指代不同地点之间的人口流动量或流动强度。具体来说，人口流动数据可以表示为从一个地点到另一个地点的人口数量、人口密度、人流量等信息。
在将人口流动数据作为边的权重时，可以根据具体情况采用不同的度量方式和计算方法。以下是一些示例：
人口流动数量：将边的权重定义为从一个地点到另一个地点的人口数量。这可以通过统计人口普查数据、移动设备定位数据等来获取。例如，可以使用每小时或每天的人口流动量作为权重。
人口流动强度：将边的权重定义为从一个地点到另一个地点的人口流动强度。这可以通过将人口流动量除以两地之间的距离来获得。例如，可以使用人口流动量除以距离的比值作为权重，表示人口流动的相对强度。
人口密度：将边的权重定义为目标地点的人口密度。这可以通过将目标地点的人口数量除以其面积来计算。例如，可以使用人口数量除以目标地点的面积作为权重，表示目标地点的人口密度。
具体来说，将人口流动数据作为边的权重，可以在构建图的过程中，根据不同的数据来源和需求，计算每条边的权重值，并将其用作迪杰斯特拉算法中的边权重。这样，在计算最短路径时，迪杰斯特拉算法会考虑人口流动数据对路径选择的影响，以获得更准确的交通指引。
S6：结束。
在一些实施例中，所述移动设备为智能手机或平板或笔记本电脑或智能手表或智能手环。
在一些实施例中，所述训练好的循环神经网络RNN，训练集创建时首先进行数据标注，即将移动设备数据及视频图像数据与实际的人口流动行为进行关联，通过人工标注后，构建一个训练集，其中训练集包含预处理后的移动设备数据及视频图像数据和对应的人口流动标签，采用构建的训练集训练循环神经网络RNN。
在一些实施例中，所述视频图像数据预处理，还包括对视频图像数据进行高斯滤波去噪，通过视频图像数据，获取行人数量、交通流量、车辆和摄像头端行人密度信息。
在一些实施例中，所述RNN循环神经网络采用的是改进的长短时记忆网络LSTM，输入门为：
it＝sigmoid(i*M*[ht-1,t]+bi)
遗忘门为：
ft＝sigmoid(f*M*[ht-1,t]+f)
记忆单元更新：
ct＝t*t-1+t*anh(wc*M*[ht-1,t]+c)
输出门为：
ot＝sigmoid(o*M*[ht-1,t]+o)
ht＝t*anh(ct)
其中，ht表示当前时刻的隐藏状态，ct表示当前时刻的记忆单元状态，xt表示当前时刻的输入数据，[ht-1,xt]表示将前一时刻的隐藏状态和当前时刻的输入数据进行连接，wi、wf、wc、wo分别表示输入门、遗忘门、记忆单元更新、输出门对应的权重，bi、bf、bc、bo分别表示输入门、遗忘门、记忆单元更新、输出门对应的偏置参数。
实施例2：
本申请还提供一种人口流动数据的获取系统，包括：
传感器设备模块：用于收集移动设备数据和视频图像数据，通过在城市中布置N个传感器设备及摄像头，传感器设备包括Wi-Fi探针、移动通信基站，传感器设备用于收集移动设备的信号数据；
数据预处理模块，通过Wi-Fi探针获取移动设备的MAC地址、信号强度以及连接时间；通过移动通信基站获取移动设备进行通话、发送短信或进行数据传输时与基站的通信信息，所述通信信息包括基站编号、信号强度、通信时间；通过摄像头采集视频图像数据，进行摄像头范围内的行人数量识别；
数据判断模块，随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6。
人口流动跟踪模块，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度、人口密度、流动趋势以及人口密集区域；
当将移动设备数据和摄像头采集的视频图像数据输入到训练好的循环神经网络(RNN)中时，需要将它们转换为适当的向量矩阵形式，以便作为输入传递给RNN模型。
移动设备数据向量矩阵：
移动设备数据可以包含多个维度的信息，如时间、位置、信号强度等。为了将移动设备数据转换为向量矩阵形式，可以采用以下步骤：
定义每个维度的取值范围或标准化方法，例如将时间转化为小时、将位置使用经纬度表示。
将每个维度的数据映射到合适的数值范围，例如使用最小-最大标准化将数据缩放到0到1之间。
将每个维度的数据作为向量的一个维度，将多个维度的数据组合成一个向量。
可以将多个时间步的向量矩阵组合成一个时间序列的输入。
视频图像数据向量矩阵：
视频图像数据通常具有高维度的结构，包含多个像素和通道。为了将视频图像数据转换为向量矩阵形式，可以采用以下步骤：
对图像进行预处理，例如缩放、裁剪、去噪等操作，以确保图像具有一致的大小和质量。
将图像转换为灰度或彩色通道，并将每个像素的值映射到合适的数值范围，例如0到255之间。
将图像表示为一个二维矩阵，其中每个元素表示一个像素的值。
可以将多个时间步的图像矩阵组合成一个时间序列的输入。
需要注意的是，将移动设备数据和视频图像数据转换为向量矩阵时，需保持维度一致，以便作为RNN模型的输入。同时，根据具体任务和数据特点，可以根据需要进行进一步的特征提取、降维或其他预处理操作，以获得更有效的向量表示。
交通指引模块，采用迪杰斯特拉算法计算出最短路径，既将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径，每条边上的权重表示该路径的交通状况、路况信息、人口流动数量、人口流动强度、人口密度作为边的权重，按照选择最短路径距离最小的节点依次遍历各个节点，更新节点的最短路径距离，直到所有节点都被遍历过。
当采用迪杰斯特拉算法进行交通指引时，可以将步骤3中的人口流动数据和步骤4中的交通数据进行关联。具体来说，我们可以将人口流动数据作为边的权重，加入到迪杰斯特拉算法中，以考虑人口流动对交通的影响。
以下是如何将迪杰斯特拉算法和人口流动数据关联起来的示例：
构建图形表示：
将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径。每条边上的权重表示该路径的交通状况、路况信息等。此时，我们还需要引入一个额外的人口流动权重作为边的一部分。
初始化算法：
设置起始点和终点，并初始化所有节点的最短路径距离为无穷大，起始点的最短路径距离为0。
运行迪杰斯特拉算法：
从起始点开始，按照一定的策略(如选择最短路径距离最小的节点)依次遍历各个节点，更新节点的最短路径距离。在更新节点的最短路径距离时，需要考虑人口流动数据对边的权重的影响。更新最短路径距离的公式为：
dist[v]＝min(dist[v],dist[u]+weight(u,v)+population_weight(u,v))
其中，dist[v]表示从起始点到节点v的最短路径距离，weight(u,v)表示交通数据对边(u,v)的权重，population_weight(u,v)表示人口流动数据对边(u,v)的权重。
这样，在更新最短路径距离时，除了考虑交通数据的权重，还考虑了人口流动数据对交通的影响。
重复步骤3直到到达终点：
不断更新节点的最短路径距离，直到到达终点或者所有节点都被遍历过。
回溯最短路径：
根据更新后的最短路径距离，从终点开始回溯，确定最短路径。这样就可以得到交通指引，包括最佳的交通路线和方式。
在一些实施例中，在迪杰斯特拉算法中，可以使用边上的权重来表示路径的交通状况和路况信息。具体表示和计算方法可以根据具体的需求和数据可用性进行定义。以下是一些示例：
交通状况表示：
假设每条边的权重表示该路径上的交通状况，可以使用以下方式进行表示：
使用离散值：将交通状况划分为几个离散的级别，例如优良、一般、拥堵等，然后为每个级别分配相应的权重值。
使用连续值：将交通状况表示为一个连续的数值，例如基于车流量、速度等信息进行计算得到的权重值。
路况信息表示：
如果需要考虑路况信息，可以结合一些特定的指标来表示路况，例如道路质量、拥堵程度、施工情况等。具体表示方法可以采用以下方式之一：
使用离散值：将不同的路况情况划分为几个离散的级别，并为每个级别分配相应的权重值。
使用连续值：将路况信息表示为一个连续的数值，例如基于道路拥堵指数、道路状况评分等指标计算得到的权重值。
计算权重时，可以根据具体的数据和需求采用不同的方法。例如，可以基于历史数据统计、实时传感器数据、交通流模型等来计算权重值。具体的计算方法可以采用规则-based方法、基于统计模型的方法、基于机器学习的方法等。
需要注意的是，在迪杰斯特拉算法中，边的权重需要符合非负、实数或正数的要求，以便进行最短路径的计算。因此，在表示和计算路径的交通状况和路况信息时，需要确保权重值满足算法的要求，并且能够准确地反映实际的交通和路况情况。
在一些实施例中，所述移动设备为智能手机或平板或笔记本电脑或智能手表或智能手环。
在一些实施例中，所述训练好的循环神经网络RNN，训练集创建时首先进行数据标注，即将移动设备数据及视频图像数据与实际的人口流动行为进行关联，通过人工标注后，构建一个训练集，其中训练集包含预处理后的移动设备数据及视频图像数据和对应的人口流动标签，采用构建的训练集训练循环神经网络RNN。
在一些实施例中，所述视频图像数据预处理，还包括对视频图像数据进行高斯滤波去噪，通过视频图像数据，获取行人数量、交通流量、车辆和摄像头端行人密度信息。
在一些实施例中，所述RNN循环神经网络采用的是改进的长短时记忆网络LSTM，输入门为：
it＝sigmoid(i*M*[ht-1,t]+bi)
遗忘门为：
ft＝sigmoid(f*M*[ht-1,t]+f)
记忆单元更新：
ct＝t*t-1+t*anh(wc*M*[ht-1,t]+c)
输出门为：
ot＝sigmoid(o*M*[ht-1,t]+o)
ht＝t*anh(ct)
其中，ht表示当前时刻的隐藏状态，ct表示当前时刻的记忆单元状态，xt表示当前时刻的输入数据，[ht-1,xt]表示将前一时刻的隐藏状态和当前时刻的输入数据进行连接，wi、wf、wc、wo分别表示输入门、遗忘门、记忆单元更新、输出门对应的权重，bi、bf、bc、bo分别表示输入门、遗忘门、记忆单元更新、输出门对应的偏置参数。
在长短时记忆网络(LSTM)中，将前一时刻的隐藏状态h_{t-1}和当前时刻的输入数据x_t进行连接的操作可以通过将它们按列拼接来实现。具体来说，假设h_{t-1}是一个大小为d_h的向量，x_t是一个大小为d_x的向量，那么将它们进行连接后得到一个大小为d_h+d_x的向量。
连接操作可以通过将h_{t-1}和x_t按列排列，并将它们放置在一起来完成。连接后的向量可以表示为[h_{t-1}；x_t]，其中；表示垂直拼接操作。
例如，如果h_{t-1}＝[0.2,0.5,0.7]，x_t＝[0.1,0.3]，则连接后的向量可以表示为[h_{t-1}；x_t]＝[0.2,0.5,0.7,0.1,0.3]。
这样的连接操作可以将前一时刻的隐藏状态与当前时刻的输入数据一起作为输入提供给LSTM模型，以更好地捕捉序列数据中的上下文信息。
通过训练好的模型，使用新的移动设备数据序列进行预测可以得到人口流动模式和趋势的预测结果。这些预测结果可以包括以下几个方面：
人口流动模式预测：
模型可以预测特定地区或路径上的人口流动模式，即在不同时间段内人口从一个地点到另一个地点的流动情况。预测结果可以提供对流动强度、方向和频率的估计，帮助了解人口流动的模式，例如高峰期和低峰期的流动变化。
人口流动趋势预测：
模型可以预测人口流动的趋势，即人口流动在未来一段时间内的变化趋势。这可以涉及到人口流动量的增长或减少，以及特定地区或路径上人口流动方向的变化。预测结果可以提供对未来人口流动趋势的洞察，帮助规划交通、城市发展等方面的决策。
热点区域识别：
模型可以识别人口流动的热点区域，即那些经常出现高强度人口流动的地区。这些区域可能是商业中心、居民区、交通枢纽等。预测结果可以指导城市规划、商业布局、交通管理等，以更好地满足人口流动的需求。
交通拥堵预测：
通过分析人口流动数据和交通数据，模型可以预测交通拥堵的趋势。预测结果可以提供对未来交通拥堵状况的预警，帮助人们选择更佳的出行时间和路线，以减少拥堵带来的时间成本和能源消耗。
人口流动模式和趋势可视化：
将预测结果可视化展示，可以直观地呈现人口流动模式和趋势的变化。通过地图、图表等形式展示，人们可以更好地理解和分析人口流动的特征，从而进行更有效的决策和规划。
以上是人口流动模式和趋势预测结果的一些示例，具体的预测结果会根据模型和应用的不同而有所差异。这些预测结果可以为城市规划、交通管理、社会发展等领域提供有价值的参考和决策依据。
本发明提供了一种人口流动数据的获取方法实现了以下效果：
1、本申请通过传感器设备以及摄像头获取的视频图像数据融合判断，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，将传感器设备以及图像处理数据融合形成的向量矩阵输入值神经网络，大大丰富了数据类型，增强了判断准确度；
2、本发明通过实现了采集数据的准确性验证，通过随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6；通过数据验证判断步骤，大大实现了高质量数据的筛选判断，增强了数据计算效率提高了数据计算准确度。
3、本申请通过最后采用迪杰斯特拉算法通过将人口流动数量、人口流动强度、人口密度作为边的权重，将人口因素纳入到交通选择的考虑因素中，实现了交通的高效准确的指引，大大增强了计算效率。
4、本申请采用改进的长短时记忆网络LSTM，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M针对人口统计数据进行准确的判断，将M值引入到长短时记忆网络LSTM，充分考虑数据的准确度因素，大大增强了计算效率。
以上对一种人口流动数据的获取方法方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想和方法，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.人口流动数据的获取方法，其特征在于，包括步骤：
S1：获取移动设备数据及视频图像数据，通过在城市中布置N个传感器设备及摄像头，传感器设备包括Wi-Fi探针、移动通信基站，传感器设备用于收集移动设备的信号数据；具体的，所述Wi-Fi探针获取数据：Wi-Fi探针记录移动设备的MAC地址、信号强度和连接时间；移动通信基站获取数据：移动通信基站记录移动设备与基站的通信记录，包括基站编号、信号强度和通信时间；摄像头获取数据：摄像头捕捉捕捉人群的视觉信息，并通过分析摄像头数据，可以得出人口流动的实时信息；
S2：移动设备数据及视频图像数据预处理，即通过Wi-Fi探针获取移动设备的MAC地址、信号强度以及连接时间，推测移动设备的位置和移动轨迹；通过移动通信基站获取移动设备进行通话、发送短信或进行数据传输时与基站的通信信息，所述通信信息包括基站编号、信号强度、通信时间，获取移动设备的位置和通信行为；通过摄像头采集视频图像数据，进行摄像头范围内的行人数量识别，获取移动设备的位置和人口流动情况；所述视频图像数据预处理，还包括对视频图像数据进行高斯滤波去噪，通过视频图像数据，获取行人数量、交通流量、车辆和摄像头端行人密度信息；具体的，包括信号强度分析和设备位置识别；
信号强度分析：信号强度平均值：avg_strength＝(Σ信号强度值)/设备数目；
信号强度方差：var_strength＝(Σ(信号强度值-avg_strength)2)/设备数目；其中，avg_strength表示信号强度的平均值，var_strength表示信号强度的方差；
设备位置识别：
根据信号强度和基站位置，采用三角定位推测设备的位置坐标；
S3：随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与同一位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行步骤S4，否则进入步骤S6；
S4：人口流动跟踪，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度、人口密度、流动趋势以及人口密集区域；具体的，所述RNN循环神经网络采用的是改进的长短时记忆网络LSTM，输入门为：
it＝sigmoid(wi*M*[ht-1，xt]+bi)
遗忘门为：
ft＝sigmoid(wf*M*[ht-1，xt]+bf)
记忆单元更新：
ct＝ft*ct-1+it*tanh(wc*M*[ht-1，xt]+bc)
输出门为：
ot＝sigmoid(wo*M*[ht-1，xt]+bo)
ht＝ot*tanh(ct)
其中，ht表示当前时刻的隐藏状态，ct表示当前时刻的记忆单元状态，xt表示当前时刻的输入数据，[ht-1，xt]表示将前一时刻的隐藏状态和当前时刻的输入数据进行连接，wi、wf、wc、wo分别表示输入门、遗忘门、记忆单元更新、输出门对应的权重，bi、bf、bc、bo分别表示输入门、遗忘门、记忆单元更新、输出门对应的偏置参数；
S5：交通指引，采用迪杰斯特拉算法计算出最短路径，既将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径，每条边上的权重表示路径的交通状况、路况信息、人口流动数量、人口流动强度、人口密度作为边的权重，按照选择最短路径距离最小的节点依次遍历各个节点，更新节点的最短路径距离，直到所有节点都被遍历过；
S6：结束。
2.如权利要求1所述的人口流动数据的获取方法，其特征在于，所述移动设备为智能手机或平板或笔记本电脑或智能手表或智能手环。
3.如权利要求1所述的人口流动数据的获取方法，其特征在于，所述训练好的循环神经网络RNN，训练集创建时首先进行数据标注，即将移动设备数据及视频图像数据与实际的人口流动行为进行关联，通过人工标注后，构建一个训练集，其中训练集包含预处理后的移动设备数据及视频图像数据和对应的人口流动标签，采用构建的训练集训练循环神经网络RNN。
4.人口流动数据的获取装置，其特征在于，包括：
传感器设备及摄像头，用于收集移动设备数据和视频图像数据，通过在城市中布置N个传感器设备及摄像头，传感器设备包括Wi-Fi探针、移动通信基站，传感器设备用于收集移动设备的信号数据；具体的，所述Wi-Fi探针获取数据：Wi-Fi探针记录移动设备的MAC地址、信号强度和连接时间；移动通信基站获取数据：移动通信基站记录移动设备与基站的通信记录，包括基站编号、信号强度和通信时间；摄像头获取数据：摄像头捕捉捕捉人群的视觉信息，并通过分析摄像头数据，可以得出人口流动的实时信息；
数据预处理器，用于移动设备数据及视频图像数据预处理，即通过Wi-Fi探针获取移动设备的MAC地址、信号强度以及连接时间，推测移动设备的位置和移动轨迹；通过移动通信基站获取移动设备进行通话、发送短信或进行数据传输时与基站的通信信息，所述通信信息包括基站编号、信号强度、通信时间，获取移动设备的位置和通信行为；通过摄像头采集视频图像数据，进行摄像头范围内的行人数量识别，获取移动设备的位置和人口流动情况；所述视频图像数据预处理，还包括对视频图像数据进行高斯滤波去噪，通过视频图像数据，获取行人数量、交通流量、车辆和摄像头端行人密度信息；具体的，包括信号强度分析和设备位置识别；
信号强度分析：信号强度平均值：avg_strength＝(Σ信号强度值)/设备数目；
信号强度方差：var_strength＝(Σ(信号强度值-avg_strength)2)/设备数目；其中，avg_strength表示信号强度的平均值，var_strength表示信号强度的方差；
设备位置识别：
根据信号强度和基站位置，采用三角定位推测设备的位置坐标；
数据判断器，随机选择一位置处的传感器设备和摄像头，当通过Wi-Fi与移动通信基站的大于设定信号强度的设备数量之和与该位置摄像头范围内的行人数量进行相除得到相除值M，当相除值M在设定范围时，则进行人口流动跟踪模块，否则结束；
人口流动跟踪器，将由预处理后的移动设备数据及视频图像数据形成的向量矩阵输入至训练好的循环神经网络RNN，输出人口流动数量、人口流动强度、人口密度、流动趋势以及人口密集区域；具体的，所述RNN循环神经网络采用的是改进的长短时记忆网络LSTM，输入门为：
it＝sigmoid(wi*M*[ht-1，xt]+bi)
遗忘门为：
ft＝sigmoid(wf*M*[ht-1，xt]+bf)
记忆单元更新：
ct＝ft*ct-1+it*tanh(wc*M*[ht-1，xt]+bc)
输出门为：
ot＝sigmoid(wo*M*[ht-1，xt]+bo)
ht＝ot*tanh(ct)
其中，ht表示当前时刻的隐藏状态，ct表示当前时刻的记忆单元状态，xt表示当前时刻的输入数据，[ht-1，xt]表示将前一时刻的隐藏状态和当前时刻的输入数据进行连接，wi、wf、wc、wo分别表示输入门、遗忘门、记忆单元更新、输出门对应的权重，bi、bf、bc、bo分别表示输入门、遗忘门、记忆单元更新、输出门对应的偏置参数；
交通指引器，采用迪杰斯特拉算法计算出最短路径，既将交通网络转化为图形表示，其中节点表示地点，边表示两个地点之间的路径，每条边上的权重表示该路径的交通状况、路况信息、人口流动数量、人口流动强度、人口密度作为边的权重，按照选择最短路径距离最小的节点依次遍历各个节点，更新节点的最短路径距离，直到所有节点都被遍历过。
5.如权利要求4所述的人口流动数据的获取装置，其特征在于，所述移动设备为智能手机或平板或笔记本电脑或智能手表或智能手环。
6.如权利要求4所述的人口流动数据的获取装置，其特征在于，所述训练好的循环神经网络RNN，训练集创建时首先进行数据标注，即将移动设备数据及视频图像数据与实际的人口流动行为进行关联，通过人工标注后，构建一个训练集，其中训练集包含预处理后的移动设备数据及视频图像数据和对应的人口流动标签，采用构建的训练集训练循环神经网络RNN。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的人口流动数据的获取方法的步骤。
CN202310726871.0A 2023-06-16 2023-06-16 人口流动数据的获取方法、装置及计算机可读存储介质 Active CN116823572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310726871.0A CN116823572B (zh) 2023-06-16 2023-06-16 人口流动数据的获取方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310726871.0A CN116823572B (zh) 2023-06-16 2023-06-16 人口流动数据的获取方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN116823572A CN116823572A (zh) 2023-09-29
CN116823572B true CN116823572B (zh) 2023-12-19

Family

ID=88113939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310726871.0A Active CN116823572B (zh) 2023-06-16 2023-06-16 人口流动数据的获取方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116823572B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016145379A1 (en) * 2015-03-12 2016-09-15 William Marsh Rice University Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification
CN110110580A (zh) * 2019-03-12 2019-08-09 西北大学 一种面向Wi-Fi信号的手语孤立词识别网络构建及分类方法
CN112163717A (zh) * 2020-10-20 2021-01-01 腾讯科技（深圳）有限公司 人口数据预测方法、装置、计算机设备及介质
CN112906945A (zh) * 2021-01-27 2021-06-04 昭通亮风台信息科技有限公司 一种交通流量预测方法、系统及计算机可读存储介质
CN113111778A (zh) * 2021-04-12 2021-07-13 内蒙古大学 一种视频和无线融合的大规模人群分析方法
KR102280190B1 (ko) * 2020-05-14 2021-07-21 포항공과대학교 산학협력단 딥러닝을 이용한 레이다 기반의 인원 계수 장치 및 그 방법
CN113450923A (zh) * 2020-03-27 2021-09-28 中国科学院深圳先进技术研究院 大规模轨迹数据模拟流感时空传播过程的方法及系统
CN114372503A (zh) * 2021-12-03 2022-04-19 同济大学 一种集群车辆运动轨迹预测方法
CN114388137A (zh) * 2021-12-31 2022-04-22 中国科学院深圳先进技术研究院 城市流感发病趋势预测方法、系统、终端以及存储介质
CN114449452A (zh) * 2021-12-29 2022-05-06 华南师范大学 一种异构设备室内定位算法
CN114462667A (zh) * 2021-12-20 2022-05-10 上海智能网联汽车技术中心有限公司 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561146B (zh) * 2020-12-08 2023-04-18 哈尔滨工程大学 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016145379A1 (en) * 2015-03-12 2016-09-15 William Marsh Rice University Automated Compilation of Probabilistic Task Description into Executable Neural Network Specification
CN110110580A (zh) * 2019-03-12 2019-08-09 西北大学 一种面向Wi-Fi信号的手语孤立词识别网络构建及分类方法
CN113450923A (zh) * 2020-03-27 2021-09-28 中国科学院深圳先进技术研究院 大规模轨迹数据模拟流感时空传播过程的方法及系统
KR102280190B1 (ko) * 2020-05-14 2021-07-21 포항공과대학교 산학협력단 딥러닝을 이용한 레이다 기반의 인원 계수 장치 및 그 방법
CN112163717A (zh) * 2020-10-20 2021-01-01 腾讯科技（深圳）有限公司 人口数据预测方法、装置、计算机设备及介质
CN112906945A (zh) * 2021-01-27 2021-06-04 昭通亮风台信息科技有限公司 一种交通流量预测方法、系统及计算机可读存储介质
CN113111778A (zh) * 2021-04-12 2021-07-13 内蒙古大学 一种视频和无线融合的大规模人群分析方法
CN114372503A (zh) * 2021-12-03 2022-04-19 同济大学 一种集群车辆运动轨迹预测方法
CN114462667A (zh) * 2021-12-20 2022-05-10 上海智能网联汽车技术中心有限公司 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法
CN114449452A (zh) * 2021-12-29 2022-05-06 华南师范大学 一种异构设备室内定位算法
CN114388137A (zh) * 2021-12-31 2022-04-22 中国科学院深圳先进技术研究院 城市流感发病趋势预测方法、系统、终端以及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MAC 地址随机化条件下WiFi 嗅探数据 聚类及应用研究;宁晶;CNKI优秀硕士学位论文全文库;16-44 *
ＷｉＣｏｕｎｔ：一种基于ＷｉＦｉ－ＣＳＩ的人数识别方法;丁亚三 郭斌 辛通 王沛 王柱 於志文;计算机科学;第46卷(第11期);297-303 *
基于智慧校园的行人轨迹分析系统的 设计与实现;陈博文;知网优秀硕士论文网;12-58 *
基于移动通信大数据的人口流动性测度研;靳鑫元;CNKI优秀硕士学位论文全文库;11-50 *
基于被动式Wi-Fi 的实验室人流密度监测系统设计;江 灏，阴存翊，崔文铮，陈 静，缪希仁;实验技术与管理;第38卷(第3期);273-277 *

Also Published As

Publication number Publication date
CN116823572A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN110111575B (zh) 一种基于复杂网络理论的城市交通流量网络分析方法
CN108629978B (zh) 一种基于高维路网和循环神经网络的交通轨迹预测方法
KR102021992B1 (ko) 교통신호 제어 장치, 교통신호 제어 방법 및 교통신호 제어 프로그램을 저장하는 저장매체
Sun et al. DxNAT—Deep neural networks for explaining non-recurring traffic congestion
CN104169990B (zh) 用于提供关于空闲停车位的驻车信息的方法
Kim et al. Vision-based nonintrusive context documentation for earthmoving productivity simulation
EP3035314A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN108021858A (zh) 移动客体识别方法及客体流量分析方法
CN114446049B (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
CN114897444B (zh) 一种城市分区域内服务设施需求识别方法及系统
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN110110243A (zh) 一种基于回声状态网络的历史轨迹目的地预测方法
Zhu et al. A driving cycle detection approach using map service API
Liu et al. Exploring time-dependent traffic congestion patterns from taxi trajectory data
Zhang et al. Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images
Shi et al. Detecting spatiotemporal extents of traffic congestion: A density-based moving object clustering approach
Habtie et al. Artificial neural network based real-time urban road traffic state estimation framework
Basalamah et al. Deep learning framework for congestion detection at public places via learning from synthetic data
Jiang et al. A framework of travel mode identification fusing deep learning and map-matching algorithm
CN115798212B (zh) 一种基于出租车轨迹的交通拥堵检测方法
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
CN110309953B (zh) 采用目标流动性分布预测的城市安防监控布局系统及方法
Kim et al. Probabilistic graphical model based personal route prediction in mobile environment
CN108665705B (zh) 交通诱导统计模型校对方法及装置

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