CN117077846A - 客流量预测方法、设备、存储介质及装置 - Google Patents
客流量预测方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN117077846A CN117077846A CN202310961236.0A CN202310961236A CN117077846A CN 117077846 A CN117077846 A CN 117077846A CN 202310961236 A CN202310961236 A CN 202310961236A CN 117077846 A CN117077846 A CN 117077846A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- prediction
- flow volume
- dates
- predicted
- 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 72
- 230000000694 effects Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 65
- 239000010410 layer Substances 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 230000011664 signaling Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000002356 single layer Substances 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 90
- 239000000523 sample Substances 0.000 description 45
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013179 statistical model Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据技术领域，公开了一种客流量预测方法、设备、存储介质及装置，该方法包括：将历史日期分为多组，并确定每组的权重系数，将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果，根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果；由于本发明将分组后多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，再根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果，从而能够从不同维度对客流量进行预测，进而能够提升模型预测效果，提高客流量预测的准确率。
Description
技术领域
本发明涉及大数据技术领域，尤其涉及一种客流量预测方法、设备、存储介质及装置。
背景技术
目前，客流量预测是景区管理的重要手段。现有的客流量预测方式通常为通过现有的人工智能模型或统计模型对景区未来某天的客流量进行预测。但是，现有的客流量预测方式存在预测效果差、准确率低的缺陷。
发明内容
本发明的主要目的在于提供一种客流量预测方法、设备、存储介质及装置，旨在解决现有的客流量预测方式预测效果差、准确率低的技术问题。
为实现上述目的，本发明提供一种客流量预测方法，所述客流量预测方法包括以下步骤：
将历史日期分为多组，并确定每组的权重系数；
将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果；
根据多个客流量预测结果及对应组的权重系数确定所述待预测日期对应的最终预测结果。
可选地，所述将历史日期分为多组，包括：
基于客流量影响因子分别计算待预测日期与历史日期的场景相似度，所述客流量影响因子包括天气因子、季节因子、星期因子以及节假日因子中的至少一项；
根据所述场景相似度将所述历史日期分为多组。
可选地，所述根据所述场景相似度将所述历史日期分为多组，包括：
根据所述场景相似度将所述历史日期初步分为多组；
计算多组历史日期的组内相似度和组间相似度，并根据所述组内相似度和所述组间相似度计算初步分组的分组效果；
基于所述分组效果更新场景相似度阈值，并根据所述场景相似度和所述场景相似度阈值将所述历史日期分为多组。
可选地，所述客流量预测方法还包括：
获取用户的基站信令数据，并对所述基站信令数据进行处理，获得指标特征；
利用分类预测模型对所述指标特征进行识别确定属于景区游客的用户数据；
基于属于景区游客的用户数据构建时间序列，所述时间序列包括历史日期和各个历史日期对应的客流量；
对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
可选地，所述客流量预测方法还包括：
获取景区覆盖范围内的基站信息，并获取用户数据；
根据所述基站信息和所述用户数据为所述用户数据设置标签，所述标签包括景区游客和非景区游客；
根据所述用户数据构建样本集，样本集包括具有标签的第一样本集和无标签的第二样本集；
利用混合高斯模型对所述样本集对进行学习，并基于学习结果确定半监督高斯核函数；
根据半监督高斯核函数确定所述第一样本集对应的判别函数，并根据所述第二样本集对所述判别函数进行调整，获得最优判别函数；
基于所述最优判别函数调整分类预测模型的参数，获得分类预测模型。
可选地，所述对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列，包括：
通过互信息法计算所述时间序列对应的时间延迟；
通过几何不变量法计算所述时间序列对应的嵌入维度；
根据所述时间延迟和所述嵌入维度对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
可选地，所述客流预测模型为单层网络结构的BP神经网络，所述客流预测模型的隐藏层神经元传递函数和输出层神经元传递函数均选用tan-sigmoid型函数tansig。
此外，为实现上述目的，本发明还提出一种客流量预测设备，所述客流量预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的客流量预测程序，所述客流量预测程序配置为实现如上文所述的客流量预测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有客流量预测程序，所述客流量预测程序被处理器执行时实现如上文所述的客流量预测方法。
此外，为实现上述目的，本发明还提出一种客流量预测装置，所述客流量预测装置包括：日期分组模块、客流量预测模块以及结果生成模块；
所述日期分组模块，用于将历史日期分为多组，并确定每组的权重系数；
所述客流量预测模块，用于将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果；
所述结果生成模块，用于根据多个客流量预测结果及对应组的权重系数确定所述待预测日期对应的最终预测结果。
在本发明中，公开了将历史日期分为多组，并确定每组的权重系数，将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果，根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果；由于本发明将分组后多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，再根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果，从而能够从不同维度对客流量进行预测，进而能够提升模型预测效果，提高客流量预测的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的客流量预测设备的结构示意图；
图2为本发明客流量预测方法第一实施例的流程示意图；
图3为本发明客流量预测方法第二实施例的流程示意图；
图4为本发明客流量预测方法一实施例的具体步骤示意图；
图5为本发明客流量预测方法第三实施例的流程示意图；
图6为本发明客流量预测方法一实施例的基站位置信息示意图；
图7为本发明客流量预测方法一实施例的具体流程示意图；
图8为本发明客流量预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的客流量预测设备结构示意图。
如图1所示，该客流量预测设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对客流量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及客流量预测程序。
在图1所示的客流量预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述客流量预测设备通过处理器1001调用存储器1005中存储的客流量预测程序，并执行本发明实施例提供的客流量预测方法。
基于上述硬件结构，提出本发明客流量预测方法的实施例。
参照图2，图2为本发明客流量预测方法第一实施例的流程示意图，提出本发明客流量预测方法第一实施例。
应当理解的是，目前，客流量预测是景区管理的重要手段。现有的客流量预测方式包括以下两种：
1、通过人工智能模型(如：支持向量机(Support Vector Machines，SVM)模型、反向传播(Back Propagation，BP))对景区未来某段时间的客流量进行预测，其中，BP神经网络以影响客流量数据的因素(如：天气、节假日等)为输入层数据，带入网络训练各隐藏层权值向量和偏置向量，输出层出预测出的未来某时刻客流量。
2、通过采用统计模型(如：自回归(Auto-Regression，AR)模型、滑动平均(MovingAverage，MA)模型、自回归滑动平均(Auto-Regressive Moving Average，ARMA)模型等)对景区未来某段时间的客流量进行预测。这种技术手段认为时间和客流量之间存在某种线性关系，故观察历史时间点上的客流量序列，通过曲线拟合和参数估计来建立模型，输出景区未来某时刻的客流量。
现有通过人工智能模型进行景区客流量预测时模型实际效果会存在一些不足，例如通过SVM模型易出现过拟合缺陷问题，模型在样本集数据上具有极高的准确率，同时泛化能力变差，导致模型陷入局部最优，从而影响客流量预测结果的精确度。
现有采用统计模型进行景区客流测试时认为时间和客流量之间呈线性关系，而实际中预测景区的客流量是非线性相关问题，可能会导致较大的预测误差。
因此，为了克服上述缺陷，本实施例将分组后多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，再根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果，从而能够从不同维度对客流量进行预测，进而能够提升模型预测效果，提高客流量预测的准确率。
在第一实施例中，所述客流量预测方法包括以下步骤：
步骤S10：将历史日期分为多组，并确定每组的权重系数。
可以理解的是，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的客流量预测设备，例如，计算机等终端设备，或者是其他能够实现相同或相似功能的电子设备，本实施例对此不加限制。
应当理解的是，将历史日期分为多组可以是基于预设分组规则将历史日期分为多组，也可以是基于待预测日期与历史日期的场景相似度将历史日期分为多组，本实施例对此不加以限制。
在具体实现中，例如，根据场景相似度将历史日期分为相似度高、相似度中以及相似度低的三个分组。
步骤S20：将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果。
需要说明的是，客流预测模型可以是用于预测景区客流量的模型，因此，将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，可以获得待预测日期对应的多个客流量预测结果。
进一步地，为了使得客流预测模型能够更好地适应复杂的非线性关系，并提高客流预测模型的准确性和泛化能力，所述客流预测模型为单层网络结构的BP神经网络，所述客流预测模型的隐藏层神经元传递函数和输出层神经元传递函数均选用tan-sigmoid型函数tansig。
可以理解的是，tansig函数是一种非线性函数，具有较好的非线性映射能力。通过使用tansig函数作为神经元传递函数，网络可以更好地捕捉输入与输出之间的非线性关系，从而提高网络的表达能力和拟合能力。
步骤S30：根据多个客流量预测结果及对应组的权重系数确定所述待预测日期对应的最终预测结果。
可以理解的是，由于不同客流预测模型对待预测日期的客流量的预测精确度不同，故采用加权的方式对不同客流预测模型输出的客流预测结果处理，输出待预测日期的最终预测结果。
应当理解的是，在获得待预测日期对应的最终预测结果后，还可以进行景区客流拥堵警示，具体可以是：景区客流拥堵可以分为两类：1、当预测客流量超出景区承载能力时，需对游客发送景区拥挤警示；2、当预测客流量没有超出景区客流承载能力但超过了以往相似场景时，需向景区管理人员发送客流异常增长通知。
针对第一种情况，在获得待预测日期对应的预测客流量之后，检测预测客流量是否超过预设客流量阈值，当超过预设客流量阈值时，根据预约客户端列表中的各个客户端设备信息向相应的客户端推送景区拥挤通知。
针对第二种情况，在获得待预测日期对应的预测客流量之后，观测待预测日期的客流是否存在异常增长情况。具体可以是：当预测客流量未超过预设客流量阈值时，通过获取待预测日期与历史景区门票价格、日期(是否假期、是否周末)、温度等指标数据，计算待预测日期与历史日期的场景相似度sxy。选取场景相似度大于0.7的景区历史客流数据，通过区间估计计算改场景下的客流区间,当预测客流量超过客流区间时，向景区管理人员发送客流异常增长通知。
可以理解的是，在获得待预测日期对应的最终预测结果后，还可以进行模型优化警示，具体可以是：在获得待预测日期对应的预测客流量之后(例如2022年7月1日-2022年7月31日)，计算2022年7月1日-2022年7月31日景区的实际客流量与预测客流量的差值，若连续多天客流量差值高于预设阈值时，发出模型优化警示，直至优化后的模型在2022年7月1日-2022年7月31日时间段内的预测客流量不会触发警示。
应当理解的是，本实施例还提出了一种动态模型优化警示的方法，区别于现有技术通过现有样本数据训练模型后利用训练好的模型对未来某时刻客流量预测，本方案通过设定预测结果与实际结果的差值，当差值高于阈值时发出模型优化警示，从而使模型的预测期限延长。
在本实施例中，公开了将历史日期分为多组，并确定每组的权重系数，将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果，根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果；由于本实施例将分组后多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，再根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果，从而能够从不同维度对客流量进行预测，进而能够提升模型预测效果，提高客流量预测的准确率。
参照图3，图3为本发明客流量预测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明客流量预测方法的第二实施例。
在第二实施例中，所述步骤S10，包括：
步骤S101：基于客流量影响因子分别计算待预测日期与历史日期的场景相似度，所述客流量影响因子包括天气因子、季节因子、星期因子以及节假日因子中的至少一项。
应当理解的是，为了进一步提高客流量预测的准确性，本实施例中，引入场景相似度，通过场景相似度对不同日期输出的客流预测结果加权，使得与待预测日期场景更相似的历史日期在预测中占有更高的权重。
可以理解的是，通过对景区的历史客流量进行分析可以确定具有相似的季节、星期、节假日、天气的历史日期对待预测日期的客流量预测具有更高的参考意义。因此，本实施例中，基于客流量影响因子分别计算待预测日期与历史日期的场景相似度，客流量影响因子包括天气因子、季节因子、星期因子以及节假日因子中的至少一项。
步骤S102：根据所述场景相似度将所述历史日期分为多组，并确定每组的权重系数。
应当理解的是，根据场景相似度将历史日期分为多组可以是根据场景相似度所处的相似度区间将历史日期分为多组，其中，相似度区域可以根据两个场景相似度阈值确定，例如，可以根据场景相似度将历史日期分为相似度高的分组、相似度中的分组以及相似度低的分组。
本实施例引入场景相似度，通过场景相似度对不同日期输出的客流预测结果加权，使得与待预测日期场景更相似的历史日期在预测中占有更高的权重，从而能够进一步提高客流量预测的准确性。
进一步地，为了提高分组效果，所述根据所述场景相似度将所述历史日期分为多组，包括：
根据场景相似度将历史日期初步分为多组，计算多组历史日期的组内相似度和组间相似度，并根据组内相似度和组间相似度计算初步分组的分组效果，基于分组效果更新场景相似度阈值，并根据场景相似度和场景相似度阈值将历史日期分为多组。
为了便于理解，参考图4进行说明，但并不对本方案进行说明。图中，客流量预测方法的具体步骤如下：
1、计算场景相似度。通过季节(Mi＝1,2,…,12)、星期(Wj＝1,2,…,7)、节假日(H0＝1,0)、天气(S0＝1,0)计算待预测日期与历史日期的场景相似度：
其中，xi表示待预测日期的第i个指标，yi表示历史日期的第i个指标。
2、随机取两个场景相似度阈值将历史日期分为三组，并计算某历史日期i的组内相似度ai,与组间相似度bi,分组效果si，并不断更新场景相似度阈值直至所有样本的分组效果最大时停止。
bi＝min{bi1,…,bik}
其中，||xi-xj||表示历史日期i与历史日期j的客流量之间的距离，n表示历史日期i所属组内的样本量，m表示组k内的样本量，bik表示历史日期I非归属组k间的相似度。
通过上述步骤可以将数据分组结果达到组内数据差距小、组间数据差距大的效果，将这三组数据带入客流预测模型1、2、3可以使模型间差异最大化，提升模型预测效果。
3、将多组历史日期对应的多维序列分别输入三个客流预测模型，本实施例采用的客流预测模型为单层网络结构的BP神经网络，隐藏层神经元传递函数和输出层神经元传递函数均选用tan-sigmoid型函数tansig。
4、计算最终预测结果。由于不同场景相似度数据训练出的模型对待预测日期的客流预测精确度不同，故采用加权的方式对不同客流预测模型输出的客流预测结果处理，输出待预测日期的最终预测结果。权重计算公式与最终预测结果如下所示：
其中，wi表示第i个客流预测模型输出的预测结果的权重，Ci表示输入第i个客流预测模型的所有样本集合，Ni表示输入第i个客流预测模型的所有样本数量，prei表示第i个客流预测模型输出的预测结果。
参照图5，图5为本发明客流量预测方法第三实施例的流程示意图。基于上述各实施例，提出本发明客流量预测方法的第三实施例。
在第三实施例中，所述步骤S10之前，还包括：
步骤S01：获取用户的基站信令数据，并对所述基站信令数据进行处理，获得指标特征。
应当理解的是，直接使用用户的基站信令数据作为分类预测模型的输入，可能会使得一些用户特征识别不出，从而导致模型对不同的用户数据不敏感。因此，为了克服上述缺陷，本实施例中，预先对基站信令数据进行处理，获得指标特征，指标特征为：实时的时刻点、精确位置点、上一基站的位置(用于判断用户的运动方向)、上一基站到该基站的平均移动速度以及用户在景区内的轨迹相似度等。
进一步地，为了提高分类预测模型的准确性，本实施例中，先利用混合高斯模型(Gaussian Mixture Model，GMM)对选出的有标注数据集和未标注数据集分别进行学习，初步学习数据的基本特征和分类特点，再将把确定好的核函数传入SVM算法的参数中，得到决策函数，SVM算法通过核函数将原始特征的分类平面映射到更高维的超平面中，得到线性可分的高维平面，达到分类更好的效果。所述客流量预测方法还包括：
获取景区覆盖范围内的基站信息，并获取用户数据，根据基站信息和用户数据为用户数据设置标签，标签包括景区游客和非景区游客，根据用户数据构建样本集，样本集包括具有标签的第一样本集和无标签的第二样本集，利用混合高斯模型对样本集对进行学习，并基于学习结果确定半监督高斯核函数，根据半监督高斯核函数确定第一样本集对应的判别函数，并根据第二样本集对判别函数进行调整，获得最优判别函数，基于最优判别函数调整分类预测模型的参数，获得分类预测模型。
为了便于理解，以下举例说明，但并不对本方案进行限定。分类预测模型的建立步骤具体如下：
1、获取景区覆盖范围内的基站信息，其中，基站信息可以包括基站位置信息、景区基站总数等信息，基站位置信息可以如图6所示。
2、选取非节假日和节假日期间的用户数据构建包括用户ID、归属地、时刻点、停留时间、打点基站的经纬度这5个维度的样本集。
3、对用户数据进行“景区游客”或“非景区游客”标签定义：
用户全程连接基站个数/景区基站总数>＝0.7，就认为该用户为“景区游客”；0.7>＝该用户全程连接基站个数/景区基站总数>＝0.3，且移动速度<＝0.1m/s，认为该用户为景区内住户或者工作人员，属于“景区游客”，这是因为景区内住户或者工作人员也会增加景区的容量密度。
上述两条规则，只要满足一条，就认为该用户类别为“景区游客”；反之，如果上述两条均不满足，就将该用户归入“非景区游客”样本中。
传统景区客流统计方法主要为：售票系统、红外设备、WIFI探针以及视频监控。通过售票系统进行客流统计对于开放式、孩童免票的景区非常不实用；红外设备装置在室外环境下，常受光照的情况造成温差大，对设备的影响也较大，从而导致设备维护成本过高，其次则是阻断层次上未能够很好的辨别该通过的行动目标为人体还是物体；由于景区占地面积较大，游客流量较高，WIFI探针的使用成本过高；视频监控在室外使用方面，则需要考虑监控摄像头的防水防晒方面问题，而满足上述需求的机器存在成本价格较高问题。因此，为了克服上述问题，本实施例中，根据景区覆盖范围内的基站信息和用户数据对用户数据进行标签定义，以提高标签的准确性。
3、构建分类预测模型：
首先利用GMM模型对选出的样本集{x1,…,xn}，{x′ 1,…,x′ n}(分别表示具有标签的第一样本集与无标签的第二样本集)进行学习，初步学习数据的基本特征和分类特点。其次将把确定好的核函数传入支持向量机算法的参数中，得到决策函数。SVM算法通过核函数将原始特征的分类平面映射到更高维的超平面中，得到线性可分的高维平面，达到分类更好的效果。构建分类预测模型的步骤具体如下：
4.1、通过样本确定半监督高斯核函数：
游客识别实际上是一个二分类问题。即样本集X可以用二元的混合高斯分布模型来拟合学习。表示为以下形式：
其中，p(v)表示样本属于v这一类的概率，q(x|θ)为以θ为参数的高斯分布概率密度函数。对于标注变量x∈X，未标注变量x′∈X，这两个变量的联合高斯核为：
其中，V为有限的隐变量的集合，有限变量的数目为2，kz(z,z′)表示两个变量：z＝[x,v],z′＝[x′,v′]的＝联合高斯分布核函数，即为后续将要估计的半监督高斯混合模型的核函数。通过学习样本集X，利用期望最大化(Expectation-Maximum，EM)算法得到混合高斯模型对于参数θ的局部最优估计，参数θ＝{μv,Σv}。于是对于任意x∈X，有：
得到估计后，就可以确定kz(z,z′)：
4.1、把确定好的核函数传入支持向量机算法的参数中，得到决策函数。把样本集X表示为{Xl,Xu}。Xl为具有标签的第一样本集，Xu表示无标签的第二样本集。对于已标注样本，得到SVM算法的判别函数为：
其中，αi代表拉格朗日乘子，为求解局部最优时样本xi对应的权值，b为求得的阈值。接下来，加入未标注数据构建新的最优函数：
是新的含有标注样本和未标注样本的空间，空间的几何距离表示为：Ω为正则化函数，是对空间的约束C是惩罚函数，反映了f在标示样本集合中的匹配程度其中。yi为样本xi对应的标签。因此则在分类器中加入了未标注样本的信息，使得模型能够充分挖掘数据的整体特征，最后得到分类预测模型。
步骤S02：利用分类预测模型对所述指标特征进行识别确定属于景区游客的用户数据。
可以理解的是，由于训练后的分类预测模型可以进行游客识别，因此，将指标特征输入分类预测模型后，可以识别属于景区游客的用户数据。
步骤S03：基于属于景区游客的用户数据构建时间序列，所述时间序列包括历史日期和各个历史日期对应的客流量。
应当理解的是，时间序列包括历史日期和各个历史日期对应的客流量。因此，基于属于景区游客的用户数据构建时间序列即对属于景区游客的用户数据进行分析，以构建时间序列。
步骤S04：对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
应当理解的是，通过对景区的时间序列进行观察可以发现其不具有周期性特征，很难找出时间与客流量之间的线性关系，因此，认为景区的时间序列为混沌时间序列，使用传统的线性分析法建立模型一般无法充分的解释其时间序列内在的特征，故采用非线性分析法研究混沌时间序列，求取反应非线性与混沌特征的重要参数需要在重构的相空间中求取，所以混沌时间序列分析需要以相空间重构为基础。
本实施例通过对基站信令数据进行处理和对时间序列进行相空间重构来获得多维序列，从而能够提高多维序列的可靠性，进而能够提高客流量预测结果的可靠性。
进一步地，为了获得能更好地表现出时间信息的相空间时间序列，提高客流预测模型预测的准确性，所述步骤S04，包括：
通过互信息法计算所述时间序列对应的时间延迟，通过几何不变量法计算所述时间序列对应的嵌入维度，根据所述时间延迟和所述嵌入维度对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
应当理解的是，将时间序列中的历史日期和客流量看作非线性关系，通过计算时间延迟和嵌入维度对时间序列进行相空间重构，以达到恢复原系统的目的，从而避免了直接将时间点与客流量看作线性关系而导致的客流量预测精确度较低的问题，并且利用相空间重构(Phase Space Reconstruction，PSR)技术来对时间序列进行相空间重构，可以将一维时间序列重构成多个多维序列，通过上述数据挖掘过程而得到能更好地表现出时间信息的相空间时间序列。继而，将这些相空间时间序列输入至客流预测模型，使得客流预测模型能够较精确地预测到对应日期的景区人流量。
为了便于理解，参考图7进行说明，但并不对本方案进行限定。对时间序列进行相空间重构的具体步骤如下：
1、基于互信息法计算时间序列对应的时间延迟τ：
时间序列包括历史日期和各个历史日期对应的客流量。互信息法能弥补自相关法(或其他延迟确定方式)中前后序列点的关联性太强的缺陷，通过计算联合概率分布和系统概率分布，得到适宜于当前数据场景(即客流量预测场景)的时间延迟。
定义原始时间序列q＝x(t)、延时τ后的时间序列s＝x(t+τ)，原始时间序列与延时后的时间序列之间的互信息为：
其中，PS(si)表示事件si单独发生的概率，Pq(qj)表示事件qj单独发生的概率，Psq(si,qj)表示事件si,qj同时发生的概率。从上式可以发现I(Q,S)是关于延迟时间τ的函数，故此时I(Q,S)＝I(τ).I(τ)的大小表示在已知系统Q即x(t)的情况下系统S即x(t+τ)的确定性的大小。当I(τ)＝0时表示x(t)和x(t+τ)完全不可预测即两者完全不相关，而I(τ)的第一个极小值表示x(t)和x(t+τ)是最大可能的不相关，故选择I(τ)的第一次下降到极小值时对应的延迟时间τ作为最优的延迟时间。
2、计算时间序列对应的嵌入维度：
采用几何不变量法时间序列对应的嵌入维度m。几何不变量具有吸引子的几何性质，当维数m大于最小嵌入维数的时候，几何结构被完全打开，此时几何不变量与嵌入维数无关。故通过计算吸引子的几何不变量(关联维数)停止变化时对应的嵌入维数m作为重构的相空间维数。关联维数计算公式如下：
其中，x＝r-||Xi-Xj||∞,Xi表示原始客流量时间序列，Xj表示基于时间延迟τ和原始客流量时间序列Xi＝x(t)构建嵌入维数为m的M个相点：Xj＝{x(j),x(j+τ),…,x(j+(m-1)τ}j＝1,2,…,M。当r趋近于0时，下式求得的极限就D就是关联维数：
3、基于时间延迟和嵌入维度历史客流时间序列相空间重构：
基于时间延迟τ和嵌入维度m对时间序列进行相空间重构，形成n-(m-1)τ个m维向量：
……
……
利用PSR技术来对时间序列进行相空间重构，将一维时间序列重构成多个多维的序列，通过上述数据挖掘过程而得到能更好地表现出时间信息的相空间时间序列。继而，将这些相空间时间序列输入至客流预测模型，使得客流预测模型能够较精确地预测到对应日期的景区人流量。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有客流量预测程序，所述客流量预测程序被处理器执行时实现如上文所述的客流量预测方法。
此外，参照图8，本发明实施例还提出一种客流量预测装置。
应当理解的是，目前，客流量预测是景区管理的重要手段。现有的客流量预测方式包括以下两种：
1、通过人工智能模型(如：支持向量机(Support Vector Machines，SVM)模型、反向传播(Back Propagation，BP))对景区未来某段时间的客流量进行预测，其中，BP神经网络以影响客流量数据的因素(如：天气、节假日等)为输入层数据，带入网络训练各隐藏层权值向量和偏置向量，输出层出预测出的未来某时刻客流量。
2、通过采用统计模型(如：自回归(Auto-Regression，AR)模型、滑动平均(MovingAverage，MA)模型、自回归滑动平均(Auto-Regressive Moving Average，ARMA)模型等)对景区未来某段时间的客流量进行预测。这种技术手段认为时间和客流量之间存在某种线性关系，故观察历史时间点上的客流量序列，通过曲线拟合和参数估计来建立模型，输出景区未来某时刻的客流量。
现有通过人工智能模型进行景区客流量预测时模型实际效果会存在一些不足，例如通过SVM模型易出现过拟合缺陷问题，模型在样本集数据上具有极高的准确率，同时泛化能力变差，导致模型陷入局部最优，从而影响客流量预测结果的精确度。
现有采用统计模型进行景区客流测试时认为时间和客流量之间呈线性关系，而实际中预测景区的客流量是非线性相关问题，可能会导致较大的预测误差。
因此，为了克服上述缺陷，本实施例将分组后多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，再根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果，从而能够从不同维度对客流量进行预测，进而能够提升模型预测效果，提高客流量预测的准确率。
在本实施例中，所述客流量预测装置包括：日期分组模块10、客流量预测模块20以及结果生成模块30；
所述日期分组模块10，用于将历史日期分为多组，并确定每组的权重系数。
应当理解的是，将历史日期分为多组可以是基于预设分组规则将历史日期分为多组，也可以是基于待预测日期与历史日期的场景相似度将历史日期分为多组，本实施例对此不加以限制。
在具体实现中，例如，根据场景相似度将历史日期分为相似度高、相似度中以及相似度低的三个分组。
所述客流量预测模块20，用于将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果。
需要说明的是，客流预测模型可以是用于预测景区客流量的模型，因此，将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，可以获得待预测日期对应的多个客流量预测结果。
进一步地，为了使得客流预测模型能够更好地适应复杂的非线性关系，并提高客流预测模型的准确性和泛化能力，所述客流预测模型为单层网络结构的BP神经网络，所述客流预测模型的隐藏层神经元传递函数和输出层神经元传递函数均选用tan-sigmoid型函数tansig。
可以理解的是，tansig函数是一种非线性函数，具有较好的非线性映射能力。通过使用tansig函数作为神经元传递函数，网络可以更好地捕捉输入与输出之间的非线性关系，从而提高网络的表达能力和拟合能力。
所述结果生成模块30，用于根据多个客流量预测结果及对应组的权重系数确定所述待预测日期对应的最终预测结果。
可以理解的是，由于不同客流预测模型对待预测日期的客流量的预测精确度不同，故采用加权的方式对不同客流预测模型输出的客流预测结果处理，输出待预测日期的最终预测结果。
应当理解的是，在获得待预测日期对应的最终预测结果后，还可以进行景区客流拥堵警示，具体可以是：景区客流拥堵可以分为两类：1、当预测客流量超出景区承载能力时，需对游客发送景区拥挤警示；2、当预测客流量没有超出景区客流承载能力但超过了以往相似场景时，需向景区管理人员发送客流异常增长通知。
针对第一种情况，在获得待预测日期对应的预测客流量之后，检测预测客流量是否超过预设客流量阈值，当超过预设客流量阈值时，根据预约客户端列表中的各个客户端设备信息向相应的客户端推送景区拥挤通知。
针对第二种情况，在获得待预测日期对应的预测客流量之后，观测待预测日期的客流是否存在异常增长情况。具体可以是：当预测客流量未超过预设客流量阈值时，通过获取待预测日期与历史景区门票价格、日期(是否假期、是否周末)、温度等指标数据，计算待预测日期与历史日期的场景相似度sxy。选取场景相似度大于0.7的景区历史客流数据，通过区间估计计算改场景下的客流区间,当预测客流量超过客流区间时，向景区管理人员发送客流异常增长通知。
可以理解的是，在获得待预测日期对应的最终预测结果后，还可以进行模型优化警示，具体可以是：在获得待预测日期对应的预测客流量之后(例如2022年7月1日-2022年7月31日)，计算2022年7月1日-2022年7月31日景区的实际客流量与预测客流量的差值，若连续多天客流量差值高于预设阈值时，发出模型优化警示，直至优化后的模型在2022年7月1日-2022年7月31日时间段内的预测客流量不会触发警示。
应当理解的是，本实施例还提出了一种动态模型优化警示的方法，区别于现有技术通过现有样本数据训练模型后利用训练好的模型对未来某时刻客流量预测，本方案通过设定预测结果与实际结果的差值，当差值高于阈值时发出模型优化警示，从而使模型的预测期限延长。
在本实施例中，公开了将历史日期分为多组，并确定每组的权重系数，将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果，根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果；由于本实施例将分组后多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，再根据多个客流量预测结果及对应组的权重系数确定待预测日期对应的最终预测结果，从而能够从不同维度对客流量进行预测，进而能够提升模型预测效果，提高客流量预测的准确率。
在一实施例中，所述日期分组模块10，还用于基于客流量影响因子分别计算待预测日期与历史日期的场景相似度，所述客流量影响因子包括天气因子、季节因子、星期因子以及节假日因子中的至少一项，根据所述场景相似度将所述历史日期分为多组。
在一实施例中，所述日期分组模块10，还用于根据所述场景相似度将所述历史日期初步分为多组，计算多组历史日期的组内相似度和组间相似度，并根据所述组内相似度和所述组间相似度计算初步分组的分组效果，基于所述分组效果更新场景相似度阈值，并根据所述场景相似度和所述场景相似度阈值将所述历史日期分为多组。
在一实施例中，所述客流量预测装置还包括：序列重构模块；
所述序列重构模块，用于获取用户的基站信令数据，并对所述基站信令数据进行处理，获得指标特征，利用分类预测模型对所述指标特征进行识别确定属于景区游客的用户数据，基于属于景区游客的用户数据构建时间序列，所述时间序列包括历史日期和各个历史日期对应的客流量，对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
在一实施例中，所述序列重构模块，还用于获取景区覆盖范围内的基站信息，并获取用户数据，根据所述基站信息和所述用户数据为所述用户数据设置标签，所述标签包括景区游客和非景区游客，根据所述用户数据构建样本集，样本集包括具有标签的第一样本集和无标签的第二样本集，利用混合高斯模型对所述样本集对进行学习，并基于学习结果确定半监督高斯核函数，根据半监督高斯核函数确定所述第一样本集对应的判别函数，并根据所述第二样本集对所述判别函数进行调整，获得最优判别函数，基于所述最优判别函数调整分类预测模型的参数，获得分类预测模型。
在一实施例中，所述序列重构模块，还用于通过互信息法计算所述时间序列对应的时间延迟，通过几何不变量法计算所述时间序列对应的嵌入维度，根据所述时间延迟和所述嵌入维度对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
在一实施例中，所述客流预测模型为单层网络结构的BP神经网络，所述客流预测模型的隐藏层神经元传递函数和输出层神经元传递函数均选用tan-sigmoid型函数tansig。
需要说明的是，在本说明书的技术方案中，针对所涉及数据的操作均符合相关规定，且不违背公序良俗。比如，针对数据的操作均在获得用户授权的前提下执行。在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对相关技术做出贡献的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(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种客流量预测方法，其特征在于，所述客流量预测方法包括：
将历史日期分为多组，并确定每组的权重系数；
将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果；
根据多个客流量预测结果及对应组的权重系数确定所述待预测日期对应的最终预测结果。
2.如权利要求1所述的客流量预测方法，其特征在于，所述将历史日期分为多组，包括：
基于客流量影响因子分别计算待预测日期与历史日期的场景相似度，所述客流量影响因子包括天气因子、季节因子、星期因子以及节假日因子中的至少一项；
根据所述场景相似度将所述历史日期分为多组。
3.如权利要求2所述的客流量预测方法，其特征在于，所述根据所述场景相似度将所述历史日期分为多组，包括：
根据所述场景相似度将所述历史日期初步分为多组；
计算多组历史日期的组内相似度和组间相似度，并根据所述组内相似度和所述组间相似度计算初步分组的分组效果；
基于所述分组效果更新场景相似度阈值，并根据所述场景相似度和所述场景相似度阈值将所述历史日期分为多组。
4.如权利要求1至3中任一项所述的客流量预测方法，其特征在于，所述客流量预测方法还包括：
获取用户的基站信令数据，并对所述基站信令数据进行处理，获得指标特征；
利用分类预测模型对所述指标特征进行识别确定属于景区游客的用户数据；
基于属于景区游客的用户数据构建时间序列，所述时间序列包括历史日期和各个历史日期对应的客流量；
对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
5.如权利要求4所述的客流量预测方法，其特征在于，所述客流量预测方法还包括：
获取景区覆盖范围内的基站信息，并获取用户数据；
根据所述基站信息和所述用户数据为所述用户数据设置标签，所述标签包括景区游客和非景区游客；
根据所述用户数据构建样本集，样本集包括具有标签的第一样本集和无标签的第二样本集；
利用混合高斯模型对所述样本集对进行学习，并基于学习结果确定半监督高斯核函数；
根据半监督高斯核函数确定所述第一样本集对应的判别函数，并根据所述第二样本集对所述判别函数进行调整，获得最优判别函数；
基于所述最优判别函数调整分类预测模型的参数，获得分类预测模型。
6.如权利要求4所述的客流量预测方法，其特征在于，所述对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列，包括：
通过互信息法计算所述时间序列对应的时间延迟；
通过几何不变量法计算所述时间序列对应的嵌入维度；
根据所述时间延迟和所述嵌入维度对所述时间序列进行相空间重构，获得所述时间序列对应的多维序列。
7.如权利要求1至3中任一项所述的客流量预测方法，其特征在于，所述客流预测模型为单层网络结构的BP神经网络，所述客流预测模型的隐藏层神经元传递函数和输出层神经元传递函数均选用tan-sigmoid型函数tansig。
8.一种客流量预测设备，其特征在于，所述客流量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的客流量预测程序，所述客流量预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的客流量预测方法。
9.一种存储介质，其特征在于，所述存储介质上存储有客流量预测程序，所述客流量预测程序被处理器执行时实现如权利要求1至7中任一项所述的客流量预测方法。
10.一种客流量预测装置，其特征在于，所述客流量预测装置包括：日期分组模块、客流量预测模块以及结果生成模块；
所述日期分组模块，用于将历史日期分为多组，并确定每组的权重系数；
所述客流量预测模块，用于将多组历史日期对应的多维序列分别输入至多个客流预测模型进行预测，获得待预测日期对应的多个客流量预测结果；
所述结果生成模块，用于根据多个客流量预测结果及对应组的权重系数确定所述待预测日期对应的最终预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310961236.0A CN117077846A (zh) | 2023-08-01 | 2023-08-01 | 客流量预测方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310961236.0A CN117077846A (zh) | 2023-08-01 | 2023-08-01 | 客流量预测方法、设备、存储介质及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077846A true CN117077846A (zh) | 2023-11-17 |
Family
ID=88712476
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310961236.0A Pending CN117077846A (zh) | 2023-08-01 | 2023-08-01 | 客流量预测方法、设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077846A (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 |
-
2023
- 2023-08-01 CN CN202310961236.0A patent/CN117077846A/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 |
|---|---|---|
| Zhang et al. | A novel generative adversarial network for estimation of trip travel time distribution with trajectory data | |
| Li et al. | Real-time crash risk prediction on arterials based on LSTM-CNN | |
| Xu et al. | Real-time prediction of taxi demand using recurrent neural networks | |
| US20160125307A1 (en) | Air quality inference using multiple data sources | |
| Xu et al. | Secure and reliable transfer learning framework for 6G-enabled Internet of Vehicles | |
| CN114743401B (zh) | 一种基于公交数字化转型的数据可视化公交调度管理平台 | |
| CN117077846A (zh) | 客流量预测方法、设备、存储介质及装置 | |
| Singh et al. | A review of bus arrival time prediction using artificial intelligence | |
| CN117037547B (zh) | 一种航道关键节点的拥堵程度评价方法、系统及存储介质 | |
| CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| Zhu et al. | Early identification of recurrent congestion in heterogeneous urban traffic | |
| Hu et al. | Self-supervised pre-training for robust and generic spatial-temporal representations | |
| CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
| US20220101273A1 (en) | Methods and systems for forecasting estimated time of restoration during service interruption | |
| CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
| CN113971496A (zh) | 活动影响下的城市交通路网状态演化趋势预测方法及系统 | |
| Zhang et al. | Dac-ml: domain adaptable continuous meta-learning for urban dynamics prediction | |
| Zuo et al. | Determination of bus crowding coefficient based on passenger flow forecasting | |
| CN115761519B (zh) | 指标预测方法、装置、设备、存储介质及程序产品 | |
| Shao et al. | Estimation of urban travel time with sparse traffic surveillance data | |
| Babaei et al. | Spatial Data-Driven Traffic Flow Prediction Using Geographical Information System | |
| JP2022131393A (ja) | 機械学習プログラム、機械学習方法及び推定装置 | |
| Li | A deep learning approach for real-time crash risk prediction at urban arterials | |
| Abdelrahman et al. | A robust environment-aware driver profiling framework using ensemble supervised learning | |
| Fang et al. | Travel Time Prediction Method Based on Spatial-Feature-based Hierarchical Clustering and Deep Multi-input Gated Recurrent Unit |
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 |