CN117010537A - 目标区域预测方法、装置、计算机设备和存储介质 - Google Patents
目标区域预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117010537A CN117010537A CN202210446386.3A CN202210446386A CN117010537A CN 117010537 A CN117010537 A CN 117010537A CN 202210446386 A CN202210446386 A CN 202210446386A CN 117010537 A CN117010537 A CN 117010537A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- target area
- time
- target
- matched
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000001595 flow curve Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 description 15
- 238000000605 extraction Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请可以应用于交通领域,涉及一种目标区域预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。采用本方法能够提升预测性能,实现准确预测。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种目标区域预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,出现了目标区域客流量预测技术,目标区域客流量是指某个时段到访目标区域的人的数量,通常以分钟、分钟段、小时等作为时间基础粒度进行统计。比如,目标区域若为商场,则目标区域客流量是指某个时段到访商场的人的数量。
传统技术中,目标区域客流量预测方法为,基于视频采集设备对目标区域的客流量进行监测,得到目标区域的监测客流量数据,利用时间序列预测模型等传统模型基于监测客流量数据进行客流量预测,得到目标区域客流量预测结果。
然而,发明人认为,传统方法,存在预测不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现准确预测的目标区域预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种目标区域预测方法。所述方法包括:
基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;
对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;
对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
第二方面,本申请还提供了一种目标区域预测装置。所述装置包括:
特征获取模块,用于基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;
图卷积模块,用于对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;
处理模块,用于对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
预测模块,用于基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;
对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;
对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;
对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;
对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;
对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;
对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
上述目标区域预测方法、装置、计算机设备、存储介质和计算机程序产品,通过先基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,再将图卷积神经网络应用于客流量预测,对时间序列客流量特征进行图卷积,能够得到时间序列客流量特征相匹配的图卷积特征,通过对获取到的目标区域相匹配的地理特征信息进行特征提取,能够得到目标区域空间特征,进而可以通过结合当前时间片、图卷积特征以及目标区域空间特征等丰富特征进行客流量预测,得到每个目标区域的客流量预测结果,整个过程,通过将图卷积神经网络应用于客流量预测并利用丰富特征进行客流量预测,能够提升预测性能,实现准确预测。
附图说明
图1为一个实施例中目标区域预测方法的应用环境图;
图2为一个实施例中目标区域预测方法的流程示意图;
图3为一个实施例中目标区域预测方法的应用场景图;
图4为一个实施例中基于预先训练的客流量预测模型进行客流量预测的示意图;
图5为另一个实施例中目标区域预测方法的流程示意图;
图6为一个实施例中目标区域预测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的目标区域预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。服务器104基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据,对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征,对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征,基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果,将每个目标区域的客流量预测结果分别推送至与目标区域相匹配的终端102。其中,终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备、便携式可穿戴设备和飞行器,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现,也可以为区块链上的节点。
在一个实施例中,如图2所示,提供了一种目标区域预测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据。
其中,目标区域是指需要预测客流量的区域,可按照需要自行设置。比如,目标区域具体可以是指商场。又比如,目标区域具体可以是指旅游景点。历史客流量数据是指统计时间段内每个目标区域在各历史时间片的客流量数据。其中的统计时间段的时间长度可以按照需要自行设置,比如,统计时间段具体可以为近一个月内,又比如,统计时间段具体可以为近两个月内。
其中,历史时间片是指对统计时间段进行划分所得到的时间片段,该时间片段的划分方式可按照需要自行设置。比如,历史时间片具体可以为对统计时间段内以小时为单位进行划分所得到的时间片段,则对应每一天会存在24个时间片,一周内会存在168个时间片。再比如,历史时间片具体可以为对统计时间段以二十分钟为单位进行划分所得到的时间片段,则对应每一天会存在72个时间片,一周内会存在504个时间片。
举例说明,当统计时间段为近两个月,目标区域为商场,历史时间片为以小时为单位进行划分所得到的时间片段时,历史客流量数据是指近两个月内每个商场在每天的24个时间片的客流量数据。
其中,时间序列客流量特征是指与时间序列相匹配、每个目标区域的客流量特征,这里的时间序列与时间周期长度相对应,时间周期长度可按照需要自行设置。比如,时间序列具体可以是指以时间片为时间周期长度的近邻序列,对应的近邻序列客流量特征是指与当前时间片相邻的若干个时间片的客流量。举例说明,若时间片为以小时为单位进行划分所得到的时间片段,且当前时间片为2022年4月22日的第13个时间片(对应的时间片段为12:00-12:59),则近邻序列客流量特征具体可以是指2022年4月22日的第12个时间片(对应的时间片段为11:00-11:59)、第11个时间片(对应的时间片段为10:00-10:59)等时间片的客流量。
又比如,时间序列具体可以是指以天为时间周期长度的天序列,对应的天序列客流量特征是指与当前时间片对应的若干天同一时刻的时间片的客流量。举例说明,若时间片为以小时为单位进行划分所得到的时间片段,且当前时间片为2022年4月22日的第13个时间片(对应的时间片段为12:00-12:59),则天序列客流量特征具体可以是指2022年4月21日的第13个时间片、2022年4月20日的第13个时间片等时间片的客流量。
再比如,时间序列具体可以是指以周为时间周期长度的周序列,对应的周序列客流量特征是指与当前时间片对应的同一日期属性同一时刻的若干个时间片的客流量,举例说明,这里的日期属性具体可以为节假日、星期几等,本实施例在此处不做具体限定。进一步举例说明,若日期属性为星期几,时间片为以小时为单位进行划分所得到的时间片段,且当前时间片为2022年4月22日(星期五)的第13个时间片(对应的时间片段为12:00-12:59),则周序列客流量特征具体可以是指2022年4月15日(即上周五)的第13个时间片、2022年4月8日(即上上周五)的第13个时间片等时间片的客流量。
需要说明的是,各不同时间序列客流量对应的时间片的长度相同。上述的若干个时间片所对应的具体时间片数量均可以按照需要自行设置,针对不同序列客流量特征,其若干个时间片所对应的具体时间片数量可以相同,也可以不同。举例说明,近邻序列客流量特征可以为与当前时间片相邻的5个时间片的客流量,天序列客流量特征可以为与当前时间片对应的近6天同一时刻的时间片的客流量。周序列客流量特征可以为与当前时间片对应的同一日期属性同一时刻的4个时间片的客流量。
具体的,服务器会获取每个目标设备相匹配的定位轨迹数据以及每个目标区域的空间基础信息,基于定位轨迹数据和空间基础信息统计每个目标区域的历史客流量数据,再基于得到的每个目标区域的历史客流量数据、当前时间片以及时间序列相匹配的时间子序列类型和每种时间子序列所对应的时间片数量,得到目标区域相匹配的时间序列客流量特征。
需要说明的是,时间子序列类型为至少两种,不同时间子序列对应的时间片之间的时间差值满足预设周期,时间片数量可按照需要自行设置。举例说明,若时间子序列为近邻序列,则对应的时间片之间的时间差值为一个时间片,若时间子序列为天序列,则对应的时间片之间的时间差值为一天,若时间子序列为周序列,则对应的时间片之间的时间差值为一周。时间序列客流量特征具体可以为标准化处理后的数据,标准化处理的方式具体可以为标准差标准化、最大值-最小值标准化等,本实施例在此处不做具体限定。
其中,定位轨迹数据由目标设备按时间有序的定位轨迹组成,定位轨迹包括一个或多个空间定位点,空间定位点是指与目标设备相匹配的定位信息,包括定位位置以及定位时间戳。比如,空间定位点具体可以是指目标设备通过应用程序请求定位时生成的信息,包括请求定位时的定位位置(具体可以为定位经度和定位纬度)以及定位时间戳。举例说明,定位轨迹数据由每次手机终端通过应用程序请求定位时得到的空间定位点组成,比如,若手机终端在一天内通过应用程序请求定位四次,且空间定位点分别为(x1,y1,12:00)、(x2,y2,13:00)、(x3,y3,15:00)、(x4,y4,18:00),则定位轨迹数据可以为[(x1,y1,12:00)、(x2,y2,13:00)、(x3,y3,15:00)、(x4,y4,18:00)]。空间基础信息用于表征目标区域的空间位置。比如,空间基础信息具体可以是指包围目标区域的轮廓的空间坐标串信息。
步骤204,对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征。
其中,图卷积是指适用于目标区域这样的非欧式空间的对象中,用于捕捉各个目标区域之间的空间相似性的深度学习网络。在利用图卷积捕捉各个目标区域之间的空间相似性时,每个目标区域均为图结构上的节点,对应的在图卷积时所使用到的特征包括:每个目标区域的时间序列客流量特征以及目标区域之间的结构特征。其中,针对作为图结构上的节点的每个目标区域来说,其均有对应的时间序列客流量特征作为节点特征,目标区域之间的结构特征用于表征目标区域之间的结构关系,作为图结构特征使用,举例说明,目标区域之间的结构特征具体为表征目标区域之间的结构关系的邻接矩阵,该邻接矩阵可以基于每个目标区域之间的距离得到,也可以基于每个目标区域的历史客流量曲线得到。图卷积是为了捕捉各个目标区域之间的空间相似性,位置靠近或者趋势靠近(举例说明,如历史客流量曲线相似)的目标区域之间,会有类似的时间序列客流量特征进入图卷积,则在图卷积时可以近似利用每个目标区域多层邻居的时间序列客流量特征来确定目标区域之间的空间相似性,得到时间序列客流量特征相匹配的图卷积特征。具体的,时间序列客流量特征包括至少两种时间子序列客流量特征,服务器在得到时间序列客流量特征后,会基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征。
步骤206,对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征。
其中,地理特征信息是指表征目标区域的地理特征的信息,包括每个目标区域相匹配的地理特征数据。比如,地理特征信息具体可以是指每个目标区域相匹配的职住特征,即以目标区域为中心的第一距离阈值内的工作特征以及居住特征,举例说明,职住特征具体可以包括居住人口数量、工作人口数量、各年龄段居住人口数量、各年龄段工作人口数量等,该职住特征可以通过对定位轨迹数据进行数据挖掘得到。又比如,地理特征信息具体可以包括每个目标区域相匹配的兴趣点特征,即以目标区域为中心的第二距离阈值内的兴趣点特征,兴趣点是指地图上有意义的信息点,例如学校、商场、医院、写字楼、居住小区、桥梁、公园等均可以是兴趣点。举例说明,兴趣点特征具体可以为居住小区兴趣点数量、商场兴趣点数量、商务楼宇兴趣点数量、产业园区兴趣点数量等。需要说明的是,第一距离阈值和第二距离阈值可按照需要自行设置,可以相同也可以不同。
具体的,服务器会对获取到的目标区域相匹配的地理特征信息进行标准化处理,再通过卷积对标准化后的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征。其中,标准化处理的方式具体可以为标准差标准化、最大值-最小值标准化等,本实施例在此处不做具体限定。其中,对地理特征信息进行特征提取是为了进一步提取出地理特征信息中所包含的特征,即目标区域空间特征,以便结合目标区域空间特征实现利用丰富特征进行客流量预测。举例说明,可以通过该对地理特征信息进行卷积的方式实现特征提取,利用卷积将地理特征信息编码为目标区域空间特征。
步骤208,基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
其中,当前时间片是指与当前时刻相匹配的时间片。比如,当以小时为单位对时间进行划分时,若当前时刻为周二早上八点十五分,则可以得到当前时间片为周二早上八点至周二早上九点这个时间片。
具体的,服务器会确定与当前时间片相对应的时间片特征,基于时间片特征确定时间序列权重,基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征,结合空间客流量特征和目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
上述目标区域预测方法,通过先基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,再将图卷积神经网络应用于客流量预测,对时间序列客流量特征进行图卷积,能够得到时间序列客流量特征相匹配的图卷积特征,通过对获取到的目标区域相匹配的地理特征信息进行特征提取,能够得到目标区域空间特征,进而可以通过结合当前时间片、图卷积特征以及目标区域空间特征等丰富特征进行客流量预测,得到每个目标区域的客流量预测结果,整个过程,通过将图卷积神经网络应用于客流量预测并利用丰富特征进行客流量预测,能够提升预测性能,实现准确预测。
在一个实施例中,时间序列客流量特征包括至少两种时间子序列客流量特征,各时间子序列客流量特征对应的时间片的长度相同,且各时间子序列客流量特征对应的时间片之间的时间差值满足预设周期,在此情况下,对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征,包括:
基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征。
其中,邻接矩阵用于表征目标区域之间的结构关系。时间序列客流量特征包括至少两种时间子序列客流量特征,比如,时间序列客流量特征可以包括近邻序列客流量特征和天序列客流量特征,其中近邻序列客流量特征中不同时间片之间的时间差值为1个时间片,天序列客流量特征中不同时间片之间的时间差值为1天。举例说明,若时间片为以小时为单位进行划分所得到的时间片段,且当前时间片为2022年4月22日的第13个时间片(对应的时间片段为12:00-12:59),则近邻序列客流量特征具体可以是指2022年4月22日的第12个时间片(对应的时间片段为11:00-11:59)、第11个时间片(对应的时间片段为10:00-10:59)等时间片的客流量,天序列客流量特征具体可以是指2022年4月21日的第13个时间片、2022年4月20日的第13个时间片等时间片的客流量。
再比如,时间序列客流量特征可以包括近邻序列客流量特征和周序列客流量特征,周序列客流量特征中不同时间片之间的时间差值为一周。举例说明,若时间片为以小时为单位进行划分所得到的时间片段,当前时间片为2022年4月22日的第13个时间片(对应的时间片段为12:00-12:59),且日期属性为星期几,则近邻序列客流量特征具体可以是指2022年4月22日的第12个时间片(对应的时间片段为11:00-11:59)、第11个时间片(对应的时间片段为10:00-10:59)等时间片的客流量,周序列客流量特征具体可以是指2022年4月15日(即上周五)的第13个时间片、2022年4月8日(即上上周五)的第13个时间片等时间片的客流量。
又比如,时间序列客流量特征可以包括天序列客流量特征和周序列客流量特征。举例说明,若时间片为以小时为单位进行划分所得到的时间片段,当前时间片为2022年4月22日的第13个时间片(对应的时间片段为12:00-12:59),且日期属性为星期几,天序列客流量特征具体可以是指2022年4月21日的第13个时间片、2022年4月20日的第13个时间片等时间片的客流量,周序列客流量特征具体可以是指2022年4月15日(即上周五)的第13个时间片、2022年4月8日(即上上周五)的第13个时间片等时间片的客流量。
又比如,时间序列客流量特征可以包括近邻序列客流量特征、天序列客流量特征和周序列客流量特征。举例说明,举例说明,若时间片为以小时为单位进行划分所得到的时间片段,当前时间片为2022年4月22日的第13个时间片(对应的时间片段为12:00-12:59),且日期属性为星期几,则近邻序列客流量特征具体可以是指2022年4月22日的第12个时间片(对应的时间片段为11:00-11:59)、第11个时间片(对应的时间片段为10:00-10:59)等时间片的客流量,天序列客流量特征具体可以是指2022年4月21日的第13个时间片、2022年4月20日的第13个时间片等时间片的客流量,周序列客流量特征具体可以是指2022年4月15日(即上周五)的第13个时间片、2022年4月8日(即上上周五)的第13个时间片等时间片的客流量。
具体的,服务器会基于获取到的目标区域相匹配的邻接矩阵,采用已训练图卷积层分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征。其中,分别对至少两种时间子序列客流量特征进行图卷积是指分别以每种时间子序列客流量特征作为目标区域的节点特征,基于目标矩阵相匹配的邻接矩阵进行图卷积,以捕捉与时间子序列客流量特征相匹配的空间相似性。已训练图卷积层的输入即为每种时间子序列客流量特征。
需要说明的是,本实施例中不对已训练图卷积层的结构进行限制,举例说明,已训练图卷积层的层数L可按照需要自行设置,为已训练图卷积层的超参数,举例说明,已训练图卷积层中的每一层,可以是朴素的图卷积模块的形式,则对应的已训练图卷积层的图卷积处理的公式为:
H(l)=σ(H(l-1)W(l)0+AH(l-1)W(l)1)
其中,H(l)和H(l-1)分别指代已训练图卷积层中的第l层以及第l-1层,其中的第l-1层作为第l层的输入,W(l)0和W(l)1是指已训练图卷积层中的参数张量,可以在训练图卷积层时得到,A为目标区域相匹配的邻接矩阵,σ为激活函数,本实施例中不对激活函数做具体限定,只要能够实现相应功能即可,举例说明,激活函数具体可以为Relu(Rectified LinearActivation Function,修正线性激活函数)。每个已训练图卷积层中的第1层输入分别为每种时间子序列客流量特征,最后一层输出分别为与时间子序列客流量特征相匹配的图卷积特征。
本实施例中,通过基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,能够通过图卷积捕捉各个目标区域的客流量之间的空间相似性,得到每种时间子序列客流量特征各自相匹配的图卷积特征,进而可以利用图卷积特征进行更准确的预测。
在一个实施例中,基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征之前,还包括:
获取任意两个目标区域之间的区域距离;
基于区域距离得到目标区域相匹配的邻接矩阵。
具体的,服务器会基于目标区域的空间基础信息获取任意两个目标区域之间的区域距离,对区域距离进行归一化处理,得到目标区域之间的归一化距离矩阵,将归一化距离矩阵作为目标区域相匹配的邻接矩阵。
在一个实施例中,基于目标区域的空间基础信息获取任意两个目标区域之间的区域距离的方式可以为:先基于目标区域的空间基础信息,得到目标区域的轮廓,再确定目标区域的轮廓对应的中心点,最后以两个目标区域的轮廓对应的中心点之间的距离作为两个目标区域之间的区域距离。
在一个实施例中,基于目标区域的空间基础信息获取任意两个目标区域之间的区域距离的方式还可以为:基于目标区域的空间基础信息中空间坐标,计算两个目标区域之间的最近空间坐标距离,以最近空间坐标距离作为两个目标区域之间的区域距离。
本实施例中,通过获取任意两个目标区域之间的区域距离,能够基于区域距离得到表征目标区域之间的关系的邻接矩阵,进而可以利用邻接矩阵捕捉目标区域的客流量之间的空间相似性。
在一个实施例中,基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征之前,还包括:
基于每个目标区域的历史客流量数据,得到每个目标区域各自相匹配的历史客流量曲线;
基于历史客流量曲线得到目标区域相匹配的邻接矩阵。
其中,历史客流量曲线是指表征历史客流量变化的曲线。比如,历史客流量曲线具体可以包括统计时间段内每个统计时间片段的平均客流量,其中的统计时间片段可以按照需要自行设置,比如,统计时间片段可以为以小时为单位进行划分所得到的时间片段,即0-23时等24个时间片段。举例说明,历史客流量曲线具体可以包括统计时间段内以小时为单位进行划分所得到的时间片段的平均客流量。
具体的,服务器会基于每个目标区域的历史客流量数据,计算每个目标区域的每个统计时间片段的平均客流量,根据每个统计时间片段的平均客流量,绘制每个目标区域各自相匹配的历史客流量曲线,基于历史客流量曲线对任意两个目标区域之间进行相似度评价,得到相似度评价指数,根据每两个目标区域之间的相似度评价指数,构建目标区域相匹配的邻接矩阵。其中,相似度评价指数具体可以为相关系数,对应的基于历史客流量曲线对任意两个目标区域之间进行相似度评价的方式可以为,基于历史客流量曲线中的每个时间片段的平均客流量,得到与历史客流量曲线对应的待评价数组,根据待评价数组计算两个历史客流量曲线之间的相关系数。
本实施例中,通过基于每个目标区域的历史客流量数据,得到每个目标区域各自相匹配的历史客流量曲线,能够基于历史客流量曲线得到表征目标区域之间的关系的邻接矩阵,即利用趋势来表征目标区域之间的关系,进而可以利用邻接矩阵捕捉目标区域的客流量之间的空间相似性。
在一个实施例中,基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果包括:
确定与当前时间片相对应的时间片特征;
基于时间片特征和图卷积特征,得到空间客流量特征;
拼接空间客流量特征和目标区域空间特征,得到待预测客流量特征;
对待预测客流量特征进行卷积,得到各个目标区域的客流量预测结果。
其中,时间片特征用于表征当前时间片的时间特征。比如,时间片特征具体可以是用于表征当前时间片在一周中的位置的特征。举例说明,时间片特征具体可以是表征当前时间片在一周中的位置的独热编码。
具体的,当前时间片在一周中的位置是唯一的,比如,若以小时为单位划分时间片,则一周总共有24*7=168个时间片,这168个时间片在一周中的位置均是唯一的,对应不同的时间段。因此,服务器可基于当前时间片在一周中的位置,对当前时间片进行特征编码,以得到当前时间片对应的时间片特征,该时间片特征可以准确表征当前时间片的时间特征。由于不同时间片所对应的时间段不同,而针对不同时间段来说,时间子序列的重要程度会存在一定差异,比如,针对工作日的工作时间段来说,在进行客流量预测时,近邻序列客流量特征和天序列客流量特征可能会比较重要。再比如,针对节假日来说,在进行客流量预测时,周序列客流量特征可能会比较重要。因此,服务器可通过对时间片特征进行卷积,来得到对应的时间序列权重,以确定与当前时间片对应的每种时间子序列的重要程度,通过基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,在充分考虑当前时间片的时间特征的情况下,得到对应的空间客流量特征。
具体的,在得到空间客流量特征后,为了得到更丰富的客流量特征进行预测,服务器会对空间客流量特征和目标区域空间特征进行拼接,在充分考虑目标区域周围的地理特征信息的情况下,结合基于地理特征信息所得到的目标区域空间特征和空间客流量特征,得到用于预测客流量的待预测客流量特征,进而可以通过对待预测客流量特征进行卷积,得到各个目标区域的客流量预测结果。其中,服务器可以利用预先训练的第一全连接层对待预测客流量特征进行卷积,需要说明的是,预先训练的第一全连接层可按照需要预先训练,本实施例中不对第一全连接层中全连接层的数量进行具体限定。举例说明,第一全连接层具体可以为一层全连接层,也可以为至少两层全连接层。
其中,时间片特征具体可以为当前时间片在一周中的位置的独热编码,在独热编码中,可以将当前时间片对应的位置值设置为1,将非当前时间片对应的位置值设置为0,以此标识出当前时间片在一周中的位置。举例说明,若以小时为单位划分时间片,则一周总共有24*7=168个时间片,若当前时刻为周二早上八点,当前时刻对应的当前时间片为一周内的第32个时间片,独热编码后所得到的时间片特征为长度为168、索引为32的位置值为1,其余位置值为0的数组。
本实施例中,通过确定与当前时间片相对应的时间片特征,能够基于时间片特征和图卷积特征,得到空间客流量特征,进而可以通过拼接空间客流量特征和目标区域空间特征,得到结合多种特征的待预测客流量特征,从而可以通过对待预测客流量特征进行卷积,利用丰富特征进行客流量预测,得到各个目标区域的客流量预测结果。
在一个实施例中,基于时间片特征和图卷积特征,得到空间客流量特征包括:
对时间片特征进行卷积,得到时间序列权重;
基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征。
具体的,服务器可以通过预先训练的第二全连接层以及归一化指数函数(softmax)对时间片特征进行处理,得到时间序列权重,以确定与当前时间片对应的每种时间子序列的重要程度,通过基于时间序列权重中每种时间子序列的权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,在充分考虑当前时间片的时间特征的情况下,得到空间客流量特征。需要说明的是,时间序列权重中每种时间子序列的权重之和为1,预先训练的第二全连接层可按照需要预先训练,本实施例中不对第二全连接层中全连接层的数量进行具体限定。举例说明,第二全连接层具体可以为一层全连接层,也可以为至少两层全连接层。
举例说明,由于不同时间片所对应的时间段不同,而针对不同时间段来说,时间子序列的重要程度会存在一定差异,比如,针对工作日的工作时间段来说,在进行客流量预测时,近邻序列客流量特征和天序列客流量特征可能会比较重要,对应的近邻序列和天序列的权重就会大于周序列。再比如,针对节假日来说,在进行客流量预测时,周序列客流量特征可能会比较重要,对应的周序列的权重就会大于近邻序列和天序列。本实施例中,通过对时间片特征进行卷积,能够在充分考虑当前时间片的时间特征的情况下得到时间序列权重,进而可以基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征。
在一个实施例中,基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征之前,还包括:
基于获取到的每个目标设备相匹配的定位轨迹数据,确定目标设备各自相匹配的职住区域信息;
根据定位轨迹数据、职住区域信息以及获取到的每个目标区域的空间基础信息,统计每个目标区域的历史客流量数据。
其中,职住区域是指目标设备各自相匹配的工作区域和居住区域,职住区域信息是指目标设备各自相匹配的工作区域的位置信息和居住区域的位置信息。
具体的,服务器会基于获取到的每个目标设备相匹配的定位轨迹数据,挖掘出目标设备各自相匹配的职住区域信息,再基于职住区域信息和获取到的每个目标区域的空间基础信息,对定位轨迹数据中空间定位点进行分析,以统计出每个目标区域的历史客流量数据。其中,在挖掘出目标设备各自相匹配的职住区域信息时,服务器会基于预设的工作时间段和居住时间段对定位轨迹数据中空间定位点进行带权重的聚类,以工作时间段内权重最高的聚类中心点作为工作地,以居住时间段内权重最高的聚类中心店作为居住地,得到目标设备各自相匹配的职住区域信息。
进一步的,基于预设的工作时间段和居住时间段对定位轨迹数据中空间定位点进行带权重的聚类是指将每天划分为多个权重时间段,并为每个权重时间段设置不同的工作属性权重和居住属性权重,对定位轨迹数据中空间定位点基于预设的工作时间段和居住时间段分别进行聚类,得到工作地聚类集合和居住地聚类集合,根据工作地聚类集合中的各工作地的定位时间对应的工作属性权重和居住属性权重,计算各工作地聚类的聚类权重得分,并根据居住地聚类集合中的各居住地的定位时间对应的工作属性权重和居住属性权重,计算各居住地聚类的聚类权重得分,基于聚类权重得分分别对工作地聚类集合中各工作地和居住地聚类集合中各居住地进行排序。
其中,若权重时间段对应预设的工作时间段,则权重时间段的工作属性权重大于居住属性权重,若权重时间段对应预设的居住时间段,则权重时间段的居住属性权重大于工作属性权重。预设的工作时间段和居住时间段可按照需要自行设置。举例说明,工作时间段具体可以为早上九点至晚上六点,居住时间段可以为晚上八点后至第二天早上八点之前。
本实施例中,通过基于获取到的每个目标设备相匹配的定位轨迹数据,挖掘出目标设备各自相匹配的职住区域信息,能够根据定位轨迹数据、职住区域信息以及获取到的每个目标区域的空间基础信息,实现对每个目标区域的历史客流量数据的统计。
需要说明的是,发明人认为,基于智能硬件或视频监测等对目标区域的客流量进行监测的方式,虽然计数较为准确,但是存在硬件架设成本高、运营维护成本高、只能监测得到具体的人数,无法将到访者的信息进一步关联等缺点,而本实施例中,通过利用每个目标设备相匹配的定位轨迹数据来统计每个目标区域的历史客流量数据,可以基于用户在使用目标设备的过程中在需要请求定位时主动上报的定位实现监测,成本低廉,无需在目标区域架设任何硬件和付出相应的维护成本,同时到访的目标设备,也可以通过去隐私化的匿名标识,获取对应的丰富信息,实现准确预测,辅助目标区域掌握客流组成规律。
在一个实施例中,根据定位轨迹数据、职住区域信息以及获取到的每个目标区域的空间基础信息,统计每个目标区域的历史客流量数据包括:
基于职住区域信息和空间基础信息,对定位轨迹数据中空间定位点进行空间查询分析;
当确定存在目标空间定位点在待统计目标区域内且目标空间定位点相匹配的职住区域信息对应的职住区域不在待统计目标区域内时,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识;
根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据。
其中,进行空间查询分析是指查询定位轨迹数据中空间定位点是否为与进入目标区域这个动作相匹配的定位点。待统计目标区域是指需要统计历史客流量数据的目标区域。区域标识用于唯一标识待统计目标区域。
具体的,在开始统计每个目标区域的历史客流量数据时,服务器会对每个目标设备的目标设备状态进行初始化,将目标设备状态初始化为预设值,以便后续基于目标设备状态的变化对每个目标区域的历史客流量数据进行统计。在完成对目标设备状态的初始化后,服务器会基于职住区域信息和空间基础信息,对定位轨迹数据中空间定位点进行空间查询分析,若空间定位点的空间位置的坐标处于待统计目标区域的空间基础信息所对应的范围内,且该空间定位点相匹配的职住区域信息对应的职住区域不在待统计目标区域内时,认为该空间定位点为目标空间定位点,即目标空间定位点相匹配的目标设备在该待统计目标区域存在到访行为,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识。在完成对所有定位轨迹数据的空间查询分析后,可以得到每个目标设备在每一定位时间戳的目标设备状态,从而可以根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据。其中,预设值可按照需要自行设置。
具体的,在根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据时,针对每个历史时间片,服务器会确定与历史时间片相对应的历史定位时间戳,获取历史定位时间戳的目标设备状态,根据历史定位时间戳的目标设备状态以及对应的上一时间戳的目标设备状态,判断与历史定位时间戳相匹配的目标设备在历史时间片是否存在到访目标区域的行为,以此来统计每个目标区域的历史客流量数据。
其中,若上一时间戳的目标设备状态与历史定位时间戳的目标设备状态相同,表示目标设备停留在目标区域内,不做统计。若上一时间戳的目标设备状态与历史定位时间戳的目标设备状态不同,则根据历史定位时间戳的目标设备状态,即待统计目标区域的区域标识进行对应统计。需要说明的是,若在统计时发现,当时间超过一天的凌晨零点后,目标设备状态仍然表征为处于某个目标区域内,则将目标设备状态自动重置为预设值,即在凌晨零点时,即便没有更多的空间定位点表明目标设备离开该目标区域,也自动认为目标设备已经离开目标区域。
举例说明,服务器可以通过预先创建客流量表N来统计每个目标区域的历史客流量数据,客流量表具体可以为哈希表,表的键(key)为目标区域的区域标识,表的值(value)N[K]为一个长度为T的数组,T为需要统计的历史时间片的数量,即N[m][t_index]代表区域标识为m的目标区域在第t_index个历史时间片的客流量。对于各目标区域m及各时间片t_index,均初始化N[m][t_index]=0。在开始统计时,服务器先初始化每个目标设备的目标设备状态s为预设值(null),对于定位轨迹数据中每个空间定位点进行空间查询分析,若空间定位点的空间位置的坐标处于待统计目标区域的空间基础信息所对应的范围内,且该空间定位点相匹配的职住区域信息对应的职住区域不在待统计目标区域内时,认为该空间定位点为目标空间定位点,即目标空间定位点相匹配的目标设备在该待统计目标区域存在到访行为,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识。
在完成对所有定位轨迹数据的空间查询分析后,服务器会根据每一定位时间戳的目标设备状态,更新流量表N,以实现统计每个目标区域的历史客流量数据。针对每个历史时间片,服务器会确定与历史时间片相对应的历史定位时间戳,获取历史定位时间戳的目标设备状态,根据历史定位时间戳的目标设备状态以及对应的上一时间戳的目标设备状态,判断与历史定位时间戳相匹配的目标设备在历史时间片是否存在到访目标区域的行为,若上一时间戳的目标设备状态与历史定位时间戳的目标设备状态相同,表示目标设备停留在目标区域内,不做统计。若上一时间戳的目标设备状态与历史定位时间戳的目标设备状态不同,则根据历史定位时间戳的目标设备状态,即待统计目标区域的区域标识进行对应统计,N[m][t_index]=N[m][t_index]+1,此时m为待统计目标区域的区域标识,t_index为正在统计客流量的历史时间片。
本实施例中,通过基于职住区域信息和空间基础信息,对定位轨迹数据中空间定位点进行空间查询分析,能够确定每个空间定位点相匹配的定位时间戳的目标设备状态,进而可以根据每一定位时间戳的目标设备状态,实现对每个目标区域的历史客流量数据的统计。
在一个实施例中,如图3所示,通过一个应用场景图来说明本申请的目标区域预测,其中,空间基础信息为目标区域轮廓数据,地理特征信息包括兴趣点数据,职住区域信息即为职住数据。
具体的,服务器会基于获取到的每个目标设备相匹配的定位轨迹数据,确定目标设备各自相匹配的职住数据,基于职住数据和目标区域轮廓数据,对定位轨迹数据中空间定位点进行空间查询分析,当确定存在目标空间定位点在待统计目标区域内且目标空间定位点相匹配的职住数据对应的职住区域不在待统计目标区域内时,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识,根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据,即通过客流量监测得到历史客流量表。
在得到每个目标区域的历史客流量数据后,服务器就可以结合历史客流量表和周边地理特征(包括职住数据以及兴趣点数据)进行客流量预测,通过结合历史客流量表和周边地理特征,能够实现利用丰富特征进行客流量预测,提升预测性能,实现准确预测。此时,服务器会基于每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,时间序列客流量特征包括至少两种时间子序列客流量特征,基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征,对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征,确定与当前时间片相对应的时间片特征,对时间片特征进行卷积,得到时间序列权重,基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征,拼接空间客流量特征和目标区域空间特征,得到待预测客流量特征,对待预测客流量特征进行卷积,得到各个目标区域的客流量预测结果。
进一步的,如图4所示,上述客流量预测可以基于预先训练的客流量预测模型实现,该客流量预测模型包括输入层、图卷积层以及输出层。
其中,该客流量预测模型的输入层包括三种时间子序列客流量特征(具体可以为近邻序列客流量特征、天序列客流量特征以及周序列客流量特征)、时间片特征以及地理特征信息。针对每种时间子序列客流量特征,选取的每个时间片均为一个大小M*1的张量,其中M为目标区域的数量,对应的值为该目标区域在该时间片的客流量,将选取的多个时间片依次拼接在一起,即可形成序列客流量特征相匹配的输入张量,大小为T*M*1,其中T为该序列中选取的时间片的数量。针对时间片特征,其是当前时间片在一周中的位置的独热编码,地理特征信息是每个目标区域周边的地理特征经标准化处理后拼接而成的数组,各目标区域的数组组合成一个全局大小为M*F的张量,其中M为目标区域的数量,F为地理特征信息的维度。
其中,该客流量预测模型的图卷积层是为了捕捉各个目标区域客流量之间的空间相似性,前提假设是位置靠近(通过区域距离表征)或者趋势靠近(通过历史客流量曲线表征)的目标区域之间,会有类似的各种序列客流量各自进入图卷积层,被输入层数为L的图卷积层进行处理,层数L为客流量预测模型的超参数,图卷积层可以近似利用每个目标区域多层邻居的时间序列客流量特征来确定目标区域之间的空间相似性,得到时间序列客流量特征相匹配的图卷积特征。举例说明,图卷积层中的每一层,可以是朴素的图卷积模块的形式,则对应的图卷积层所使用的图卷积处理的公式为:
H(l)=σ(H(l-1)W(l)0+AH(l-1)W(l)1)
其中,H(l(和H(l-1)分别指代图卷积层中的第l层以及第l-1层,其中的第l-1层作为第l层的输入,W(l)0和W(l)1是指图卷积层中的参数张量,可以在训练时得到,A为目标区域相匹配的邻接矩阵,σ为激活函数,本实施例中不对激活函数做具体限定,只要能够实现相应功能即可,举例说明,激活函数具体可以为Relu。图卷积层中的第1层输入分别为每种时间子序列的客流量特征,最后一层输出分别为与时间子序列客流量特征相匹配的图卷积特征。
进一步举例说明,图卷积层中的每一层,具体可以为时空图卷积神经网络、注意力时间图卷积网络等图卷积神经网络,本实施例在此处不做具体限定。但需要说明的是,无论图卷积层中每一层的图卷积模块选用哪种形式,均需要定义邻接矩阵,邻接矩阵用于表征目标区域之间的结构关系,邻接矩阵具体可以基于目标区域之间的区域距离或者每个目标区域各自相匹配的历史客流量曲线得到。
在该客流量预测模型的输出层,时间片特征输入客流量预测模型后,经过全连接层和softmax处理后,会输出时间序列权重,在时间序列权重中包括每种时间子序列的权重(时间序列权重中每种时间子序列的权重之和为1),基于时间序列权重可以确定与当前时间片对应的每种时间子序列的重要程度。近邻序列客流量特征、天序列客流量特征以及周序列客流量特征各自进入图卷积层后,在输出层会得到三个大小为M*H的张量,其中H为图卷积层最终输出的维度大小,M为目标区域的数量,三个张量进行注意力处理,注意力权重即为时间序列权重,通过基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,能够在充分考虑当前时间片的时间特征的情况下,得到一个大小为M*H的空间客流量特征。地理特征信息输入客流量预测模型后,经过全连接层处理,会输出大小为M*FH的目标区域空间特征(其中FH是自定义的目标区域空间特征的输出维度)。在得到空间客流量特征和目标空间特征后,为了得到更丰富的客流量特征进行预测,在输出层,会对空间客流量特征和目标区域空间特征进行拼接,得到待预测客流量特征(大小为M*(FH+H)),利用全连接层对待预测客流量特征进行处理,即可得到各个目标区域的客流量预测结果。各个目标区域的客流量预测结果的大小为(M*Toutput),其中,Toutput为要预测的时间片的数量。
其中,在训练该客流量预测模型时,可以通过比对预测客流量和真实客流量计算出损失函数,基于损失函数对客流量预测模型进行优化,得到已训练的客流量预测模型。进一步的,可以以L2 Loss(均方误差损失函数)作为损失函数,通过梯度学习或其他优化算法训练客流量预测模型,本实施例在此处不做具体限定,举例说明,可以采用Adam优化算法作为模型的学习优化算法。
进一步的,发明人认为,本申请中所涉及的目标区域预测方法,实现了基于定位轨迹数据与职住数据等低成本且无需目标区域运营的数据,对目标区域一天若干时间片内的客流量进行监测,得到每个目标区域的历史客流量数据,并基于历史客流量数据,构建融合周边地理特征信息的图卷积神经网络模型,实现了对目标区域未来若干时间段的客流量进行预测。
进一步的,针对样本数据(具体可以为某个城市的各目标区域的客流量数据),发明人以小时作为时间单元,采用三层朴素图卷积模块,使用基于目标区域的历史客流量曲线所得到的趋势相关系数作为邻接矩阵,并融合地理特征信息进行客流量预测,从预测结果来看,相比较自回归移动平均模型、极端梯度提升模型等传统的时间序列预测或机器学习模型,本实施例中所提供的客流量预测模型在预测性能上有所提升。以均方根误差作为评价指标,可以得到预测性能对比如表1所示,其中,均方根误差是一种常用的测量数值之间差异的量度,常应用于回归模型作为评测指标。对于同样一份数据集,该指标的值越小,代表对应模型误差越低,模型表现越优秀。
表1
模型 | 均方根误差 |
HA(时间序列模型) | 117.98 |
ARIMA(自回归移动平均模型) | 99.53 |
XGBoost(极端梯度提升模型) | 91.76 |
图卷积、未融合周边地理特征 | 83.21 |
图卷积、融合周边地理特征 | 79.32 |
在一个实施例中,如图5所示,通过一个流程示意图来说明本申请的目标区域预测方法,该目标区域预测方法具体包括以下步骤:
步骤502,基于获取到的每个目标设备相匹配的定位轨迹数据,确定目标设备各自相匹配的职住区域信息。
具体的,服务器会基于预设的工作时间段和居住时间段,对获取到的每个目标设备相匹配的定位轨迹数据中空间定位点进行带权重的聚类,以工作时间段内权重最高的聚类中心点作为工作地,以居住时间段内权重最高的聚类中心店作为居住地,得到目标设备各自相匹配的职住区域信息。
步骤504,基于职住区域信息和空间基础信息,对定位轨迹数据中空间定位点进行空间查询分析。
具体的,服务器会基于职住区域信息和空间基础信息,确定定位轨迹数据中空间定位点是否为与进入目标区域这个动作相匹配的定位点,即空间定位点是否与到访目标区域的客流量相匹配。
步骤506,当确定存在目标空间定位点在待统计目标区域内且目标空间定位点相匹配的职住区域信息对应的职住区域不在待统计目标区域内时,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识。
具体的,若空间定位点的空间位置的坐标处于待统计目标区域的空间基础信息所对应的范围内,且该空间定位点相匹配的职住区域信息对应的职住区域不在待统计目标区域内时,认为该空间定位点为目标空间定位点,即目标空间定位点相匹配的目标设备在该待统计目标区域存在到访行为,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识。
步骤508,根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据。
具体的,针对每个历史时间片,服务器会确定与历史时间片相对应的历史定位时间戳,获取历史定位时间戳的目标设备状态,根据历史定位时间戳的目标设备状态以及对应的上一时间戳的目标设备状态,判断与历史定位时间戳相匹配的目标设备在历史时间片是否存在到访目标区域的行为,以此来统计每个目标区域的历史客流量数据。
步骤510,基于每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据,时间序列客流量特征包括至少两种时间子序列客流量特征。
具体的,服务器会基于得到的每个目标区域的历史客流量数据、当前时间片以及时间序列相匹配的时间子序列类型和每种时间子序列所对应的时间片数量,得到目标区域相匹配的时间序列客流量特征。其中,时间子序列类型具体可以为近邻序列、天序列、周序列等。
步骤512,基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征。
其中,邻接矩阵是指表征目标区域之间的结构关系的矩阵,该邻接矩阵可以基于每个目标区域之间的距离得到,也可以基于每个目标区域的历史客流量曲线得到。图卷积是为了捕捉各个目标区域之间的空间相似性,位置靠近或者趋势靠近(举例说明,如历史客流量曲线相似)的目标区域之间,会有类似的时间序列客流量特征进入图卷积,则在图卷积时可以近似利用每个目标区域多层邻居的时间序列客流量特征来确定目标区域之间的空间相似性,得到时间序列客流量特征相匹配的图卷积特征。
具体的,服务器会基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,利用每个目标区域多层邻居的时间子序列客流量特征,来确定目标区域之间的空间相似性,得到每种时间子序列客流量特征各自相匹配的图卷积特征。
步骤514,对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征。
具体的,服务器会对获取到的目标区域相匹配的地理特征信息进行标准化处理,再通过卷积对标准化后的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征。
步骤516,确定与当前时间片相对应的时间片特征。
具体的,服务器可基于当前时间片在一周中的位置,对当前时间片进行特征编码,以得到当前时间片对应的时间片特征,该时间片特征可以准确表征当前时间片的时间特征。
步骤518,对时间片特征进行卷积,得到时间序列权重。
具体的,在得到时间片特征后,由于不同时间片所对应的时间段不同,而针对不同时间段来说,时间子序列的重要程度会存在一定差异,服务器可通过对时间片特征进行卷积,来得到对应的时间序列权重,以确定与当前时间片对应的每种时间子序列的重要程度,
步骤520,基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征。
具体的,服务器通过基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,能够在充分考虑当前时间片的时间特征的情况下,得到对应的空间客流量特征。
步骤522,拼接空间客流量特征和目标区域空间特征,得到待预测客流量特征。
具体的,在得到空间客流量特征后,为了得到更丰富的客流量特征进行预测,服务器会对空间客流量特征和目标区域空间特征进行拼接,在充分考虑目标区域周围的地理特征信息的情况下,结合基于地理特征信息所得到的目标区域空间特征和空间客流量特征,得到用于预测客流量的待预测客流量特征。
步骤524,对待预测客流量特征进行卷积,得到各个目标区域的客流量预测结果。
具体的,通过对待预测客流量特征进行卷积,可以实现客流量预测,得到各个目标区域的客流量预测结果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的目标区域预测方法的目标区域预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个目标区域预测装置实施例中的具体限定可以参见上文中对于目标区域预测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种目标区域预测装置,包括:特征获取模块602、图卷积模块604、处理模块606和预测模块608,其中:
特征获取模块602,用于基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,历史客流量数据包括目标区域在各历史时间片的客流量数据;
图卷积模块604,用于对时间序列客流量特征进行图卷积,得到时间序列客流量特征相匹配的图卷积特征;
处理模块606,用于对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
预测模块608,用于基于当前时间片、图卷积特征以及目标区域空间特征进行客流量预测,得到每个目标区域的客流量预测结果。
上述目标区域预测装置,通过先基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,再将图卷积神经网络应用于客流量预测,对时间序列客流量特征进行图卷积,能够得到时间序列客流量特征相匹配的图卷积特征,通过对获取到的目标区域相匹配的地理特征信息进行特征提取,能够得到目标区域空间特征,进而可以通过结合当前时间片、图卷积特征以及目标区域空间特征等丰富特征进行客流量预测,得到每个目标区域的客流量预测结果,整个过程,通过将图卷积神经网络应用于客流量预测并利用丰富特征进行客流量预测,能够提升预测性能,实现准确预测。
在一个实施例中,时间序列客流量特征包括至少两种时间子序列客流量特征,各时间子序列客流量特征对应的时间片的长度相同,且各时间子序列客流量特征对应的时间片之间的时间差值满足预设周期,图卷积模块还用于基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征。
在一个实施例中,图卷积模块还用于获取任意两个目标区域之间的区域距离,基于区域距离得到目标区域相匹配的邻接矩阵。
在一个实施例中,图卷积模块还用于基于每个目标区域的历史客流量数据,得到每个目标区域各自相匹配的历史客流量曲线,基于历史客流量曲线得到目标区域相匹配的邻接矩阵。
在一个实施例中,预测模块还用于确定与当前时间片相对应的时间片特征,基于时间片特征和图卷积特征,得到空间客流量特征,拼接空间客流量特征和目标区域空间特征,得到待预测客流量特征,对待预测客流量特征进行卷积,得到各个目标区域的客流量预测结果。
在一个实施例中,预测模块还用于对时间片特征进行卷积,得到时间序列权重,基于时间序列权重,对图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征。
在一个实施例中,特征获取模块还用于基于获取到的每个目标设备相匹配的定位轨迹数据,确定目标设备各自相匹配的职住区域信息,根据定位轨迹数据、职住区域信息以及获取到的每个目标区域的空间基础信息,统计每个目标区域的历史客流量数据。
在一个实施例中,特征获取模块还用于基于职住区域信息和空间基础信息,对定位轨迹数据中空间定位点进行空间查询分析,当确定存在目标空间定位点在待统计目标区域内且目标空间定位点相匹配的职住区域信息对应的职住区域不在待统计目标区域内时,将目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识,根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据。
上述目标区域预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史客流量数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标区域预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的信息(包括但不限于地理特征信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种目标区域预测方法,其特征在于,所述方法包括:
基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,所述历史客流量数据包括目标区域在各历史时间片的客流量数据;
对所述时间序列客流量特征进行图卷积,得到所述时间序列客流量特征相匹配的图卷积特征;
对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
基于当前时间片、所述图卷积特征以及所述目标区域空间特征进行客流量预测,得到所述每个目标区域的客流量预测结果。
2.根据权利要求1所述的方法,其特征在于,所述时间序列客流量特征包括至少两种时间子序列客流量特征,各所述时间子序列客流量特征对应的时间片的长度相同,且各所述时间子序列客流量特征对应的时间片之间的时间差值满足预设周期;
所述对所述时间序列客流量特征进行图卷积,得到所述时间序列客流量特征相匹配的图卷积特征包括:
基于获取到的目标区域相匹配的邻接矩阵,分别对所述至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征。
3.根据权利要求2所述的方法,其特征在于,所述基于获取到的目标区域相匹配的邻接矩阵,分别对所述至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征之前,还包括:
获取任意两个目标区域之间的区域距离;
基于所述区域距离得到目标区域相匹配的邻接矩阵。
4.根据权利要求2所述的方法,其特征在于,所述基于获取到的目标区域相匹配的邻接矩阵,分别对至少两种时间子序列客流量特征进行图卷积,得到每种时间子序列客流量特征各自相匹配的图卷积特征之前,还包括:
基于每个目标区域的历史客流量数据,得到每个目标区域各自相匹配的历史客流量曲线;
基于所述历史客流量曲线得到目标区域相匹配的邻接矩阵。
5.根据权利要求1所述的方法,其特征在于,所述基于当前时间片、所述图卷积特征以及所述目标区域空间特征进行客流量预测,得到所述每个目标区域的客流量预测结果包括:
确定与当前时间片相对应的时间片特征;
基于所述时间片特征和所述图卷积特征,得到空间客流量特征;
拼接所述空间客流量特征和所述目标区域空间特征,得到待预测客流量特征;
对所述待预测客流量特征进行卷积,得到各个目标区域的客流量预测结果。
6.根据权利要求5所述的方法,其特征在于,所述基于所述时间片特征和所述图卷积特征,得到空间客流量特征包括:
对所述时间片特征进行卷积,得到时间序列权重;
基于所述时间序列权重,对所述图卷积特征中每种时间子序列客流量特征各自相匹配的图卷积特征进行加权求和,得到空间客流量特征。
7.根据权利要求1所述的方法,其特征在于,所述基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征之前,还包括:
基于获取到的每个目标设备相匹配的定位轨迹数据,确定所述目标设备各自相匹配的职住区域信息;
根据所述定位轨迹数据、所述职住区域信息以及获取到的每个目标区域的空间基础信息,统计每个目标区域的历史客流量数据。
8.根据权利要求7所述的方法,其特征在于,所述根据所述定位轨迹数据、所述职住区域信息以及获取到的每个目标区域的空间基础信息,统计每个目标区域的历史客流量数据包括:
基于所述职住区域信息和所述空间基础信息,对所述定位轨迹数据中空间定位点进行空间查询分析;
当确定存在目标空间定位点在待统计目标区域内且所述目标空间定位点相匹配的职住区域信息对应的职住区域不在所述待统计目标区域内时,将所述目标空间定位点相匹配的定位时间戳的目标设备状态更改为待统计目标区域的区域标识;
根据每一定位时间戳的目标设备状态,统计每个目标区域的历史客流量数据。
9.一种目标区域预测装置,其特征在于,所述装置包括:
特征获取模块,用于基于获取到的每个目标区域的历史客流量数据,得到目标区域相匹配的时间序列客流量特征,所述历史客流量数据包括目标区域在各历史时间片的客流量数据;
图卷积模块,用于对所述时间序列客流量特征进行图卷积,得到所述时间序列客流量特征相匹配的图卷积特征;
处理模块,用于对获取到的目标区域相匹配的地理特征信息进行特征提取,得到目标区域空间特征;
预测模块,用于基于当前时间片、所述图卷积特征以及所述目标区域空间特征进行客流量预测,得到所述每个目标区域的客流量预测结果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446386.3A CN117010537A (zh) | 2022-04-26 | 2022-04-26 | 目标区域预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446386.3A CN117010537A (zh) | 2022-04-26 | 2022-04-26 | 目标区域预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010537A true CN117010537A (zh) | 2023-11-07 |
Family
ID=88571325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210446386.3A Pending CN117010537A (zh) | 2022-04-26 | 2022-04-26 | 目标区域预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010537A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575684A (zh) * | 2024-01-15 | 2024-02-20 | 杭州路过网络有限公司 | 一种客流量预测方法及系统 |
-
2022
- 2022-04-26 CN CN202210446386.3A patent/CN117010537A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575684A (zh) * | 2024-01-15 | 2024-02-20 | 杭州路过网络有限公司 | 一种客流量预测方法及系统 |
CN117575684B (zh) * | 2024-01-15 | 2024-04-05 | 杭州路过网络有限公司 | 一种客流量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238065B1 (en) | Systems and methods for generating and implementing knowledge graphs for knowledge representation and analysis | |
CN109545386B (zh) | 一种基于深度学习的流感时空预测方法及装置 | |
Zheng et al. | Detecting collective anomalies from multiple spatio-temporal datasets across different domains | |
CN105532030B (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
CN108804551B (zh) | 一种兼顾多样性与个性化的空间兴趣点推荐方法 | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
WO2017202226A1 (zh) | 人群流量的确定方法及装置 | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
CN111460076B (zh) | 驾驶路线熟悉度确定方法、装置、计算机设备和存储介质 | |
CN111695046B (zh) | 基于时空移动数据表征学习的用户画像推断方法及装置 | |
CN113298319B (zh) | 一种基于跳跃图注意力门控循环网络的交通速度预测方法 | |
CN108345662B (zh) | 一种考虑用户分布区域差异的签到微博数据加权统计方法 | |
CN117010537A (zh) | 目标区域预测方法、装置、计算机设备和存储介质 | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
CN114970621A (zh) | 异常聚集事件的检测方法、装置、电子设备和存储介质 | |
CN113947800A (zh) | 一种基于时空碰撞的人脸置信方法、系统、设备和介质 | |
CN112052280B (zh) | 一种基于时空数据的实有人口分析方法及系统 | |
CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
CN116884222B (zh) | 一种卡口节点的短时交通流预测方法 | |
CN116304885B (zh) | 一种基于图节点嵌入的事件识别方法、装置和设备 | |
CN116805039A (zh) | 特征筛选方法、装置、计算机设备和数据扰动方法 | |
CN115936762A (zh) | 景区人流量的预测方法、装置、设备及存储介质 | |
CN112650949B (zh) | 基于多源特征融合协同过滤的区域poi需求识别方法 | |
CN114997259A (zh) | 图像聚类方法、图像聚类模型训练方法和电子设备 | |
CN112685654B (zh) | 学生识别方法及装置、计算设备及可读计算机存储介质 |
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 |