CN117455554B - 一种基于lbs的大型活动重点通行道路人流分时段预测方法 - Google Patents
一种基于lbs的大型活动重点通行道路人流分时段预测方法 Download PDFInfo
- Publication number
- CN117455554B CN117455554B CN202311801306.2A CN202311801306A CN117455554B CN 117455554 B CN117455554 B CN 117455554B CN 202311801306 A CN202311801306 A CN 202311801306A CN 117455554 B CN117455554 B CN 117455554B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- traffic
- scale
- lbs
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于LBS的大型活动重点通行道路人流分时段预测方法,包括以下步骤S1、LBS数据圈定;S2、数据准备;S3、数据查探;S4、数据预处理;S5、建模与训练;S6、模型评估;S7、分时段预测。本发明提供了一种基于LBS的大型活动重点通行道路人流分时段预测方法,基于LBS大数据建立了人流预测模型,可以预测举办大型活动的场馆及重点道路的人流数据,同时在建立人流预测模型时对可能影响客流的各个因子进行细化,对人流数据进行分时段预测,提升数据预测的准确性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于LBS的大型活动重点通行道路人流分时段预测方法。
背景技术
基于位置的服务(Location Based Services,LBS),是利用各类型的定位技术来获取定位设备当前的所在位置,通过移动互联网向定位设备提供信息资源和基础服务。首先用户可利用定位技术确定自身的空间位置,随后用户便可通过移动互联网来获取与位置相关资源和信息。在举办大型活动时,人流量较大,容易发生拥挤、踩踏等安全事故,通过基于LBS的相关产品对大型活动重点通行道路的客流进行准确估算,可以提前安排人力疏导,提升活动的服务保障水平。
现有技术中,如中国公开专利CN111445369B中公布的一种基于LBS大数据的城市大型聚集活动情报预警方法,利用LBS大数据在大型活动中监测人流、车流、客流、应急部署等实时数据,提高LBS位置大数据为大型聚集活动中的情报预警的有效性。但是该方法重点在于预警的整体方法,并未对人流预测模型进行优化,对可能影响客流的各个因子的挖掘程度不够。
发明内容
本发明的目的是提出一种基于LBS的大型活动重点通行道路人流分时段预测方法,通过考虑不同的影响因子对举办大型活动的场馆及周边重点通行道路的人流进行分时段预测。
一种基于LBS的大型活动重点通行道路人流分时段预测方法,包括:
S1、LBS数据圈定,设定需要举办大型活动的场馆及重点道路,通过LBS接口圈定电子围栏,收集区域内人流数据;
S2、数据准备,准备历史数据和预测数据;
S3、数据查探,检测历史数据和预测数据中的异常情形;
S4、数据预处理,对历史数据和预测数据进行预处理;
S5、建模与训练,以LSTM构建人流预测网络,将预处理后的历史数据和预测数据输入人流预测网络内进行训练,得到人流预测模型;
S6、模型评估,评估人流预测模型的性能;
S7、分时段预测,通过人流预测模型预测该大型活动场馆及重点道路的分时段人流数据。
优选的,在步骤S2中,历史数据包括第一历史要素、第二历史要素、第三历史要素、第四历史要素;所述第一历史要素用于提供场馆建成以来举办过的大型活动的活动内容数据信息;所述第二历史要素用于提供场馆建成以来举办大型活动时场馆及重点道路的人数数据信息;所述第三历史要素用于提供场馆建成以来举办大型活动时的日期数据信息;所述第四历史要素用于提供场馆建成以来举办大型活动时的天气数据信息。
进一步优选的,所述第一历史要素至少包括活动类型,活动规模,活动持续时间,活动举办单位,活动邀请嘉宾,活动场馆地点中的一种或多种。
进一步优选的,所述第二历史要素至少包括活动备案人数,活动实际上座率,LBS人流数据中的一种或多种;其中LBS人流数据包括举办大型活动场馆的分时段人流数据和重点道路的分时段人流数据。
进一步优选的,所述第三历史要素至少包括活动承办日期,活动最大连续承办天数中的一种或多种。
进一步优选的,所述第四历史要素至少包括大型活动承办日期的降水量,风力,温度,湿度,空气质量中的一种或多种。
优选的,在步骤S2中,预测数据包括第一预测要素,第二预测要素,第三预测要素,第四预测要素;所述第一预测要素用于提供下一场大型活动的活动内容数据信息;所述第二预测要素用于提供下一场大型活动的人数数据信息;所述第三预测要素用于提供下一场大型活动的日期数据信息;所述第四预测要素用于提供下一场大型活动的天气数据信息。
进一步优选的,所述第一预测要素至少包括下一场大型活动的活动类型,活动规模,活动持续时间,活动举办单位,活动邀请嘉宾,活动场馆地点中的一种或多种。
进一步优选的,所述第二预测要素至少包括活动备案人数,活动已售票数中的一种或多种;
进一步优选的,所述第三预测要素至少包括下一场大型活动承办日期,下一场大型活动最大连续承办天数中的一种或多种。
进一步优选的,所述第四预测要素至少包括下一场大型活动承办日期的降水量,风力,温度,湿度,空气质量中的一种或多种。
优选的,在步骤S4中,数据预处理包括数据清洗和特征工程,数据清洗用于处理历史数据,确保历史数据的质量与统一性;特征工程用于将第三历史要素、第三预测要素、第四历史要素和第四预测要素转换为数值特征。
优选的,数据清洗包括填充缺失值、去除异常值、归一化处理。
进一步优选的,对于备案人数、实际上座率、承办日期对应的天气情况、承办人气对应的分时间段的LBS人流数据利用MinMaxScaler进行归一化处理,统一特征数据变化幅度,可以加快模型训练过程中梯度下降的速度。
优选的,特征工程中将第三历史要素、第三预测要素、第四历史要素和第四预测要素进行分类并进行映射,映射后进行编码转换得到新的特征,使每个特征对应欧式空间的一个点。通过特征工程将不易计算的承办日期和天气情况转换为数值特征,更容易计算和训练模型。
进一步优选的,特征工程中将历史数据和预测数据中的承办日期分类分为工作日、普通周末和节假日,节假日为国家规定的法定节假日及调休的周末休息日,普通周末为除节假日调休之外的周末休息日,工作日为除节假日和普通周末之外应该工作的日期。普通周末对于承办日期的分类根据客流调查数据发现普通周末和节假日的客流走势区别较大,所以对普通周末和节假日做了区分,使数据更精确。
进一步优选的,特征工程中将历史数据和预测数据中的风力进行分类,风力分类分为风力≤2级、风力≤3级、风力≤4级、风力≤5级、风力≥6级。
进一步优选的,特征工程中将历史数据和预测数据中的空气质量进行分类,空气质量分为优、良、轻度污染、中度污染、重度污染、严重污染。
优选的,在步骤S5中,将经过数据预处理的数据转化为时间序列数据,使用时间序列数据输入人流预测网络,训练人流预测模型。
优选的,时间序列数据包括训练集和测试集,训练集用于训练人流预测模型,测试集用于测试评估模型的性能。
优选的,在步骤S6中,使用测试集输入人流预测模型,得到预测结果,对测试结果进行反归一化,评估人流预测模型的性能。主要评估人流预测模型的预测准确性,测试集输入人流预测模型后得到的预测结果与实际值越接近,说明人流预测模型的性能越好,预测结果具有较好的可靠性。
进一步优选的,反归一化采用均方根误差指标进行计算,用于衡量模型的预测误差大小。均方根误差指标对较大的误差赋予更高的权重,更适合人流预测的使用场景。预测结果与实际结果越接近,均方根误差指标的指数越小,说明人流预测模型预测的更准确,性能越好。
优选的,在步骤S7中,将需要预测的下一场大型活动的已知数据输入人流预测模型,通过人流预测模型计算并预测出该大型活动场馆及重点道路的分时段人流数据,其中已知数据包括预计参与人数、承办日期,预计天气情况,历史客流量。
有益效果:
1、本发明提供了一种基于LBS的大型活动重点通行道路人流分时段预测方法,基于LBS大数据建立了人流预测模型,可以预测举办大型活动的场馆及重点道路的人流数据,同时在建立人流预测模型时对可能影响客流的各个因子进行细化,对人流数据进行分时段预测,提升数据预测的准确性。
2、现有技术中,在建立人流预测模型时并未进行优化,数据预测不够精确。本发明使用LSTM构建人流预测网络,训练人流预测模型,对于结果预测的更精准,同时通过数据预处理保证数据的质量与统一性,并对数据进行更细化合理的分类,进一步提升预测的准确性。
3、在数据预处理步骤中,数据清洗通过填充缺失值、去除异常值保证数据的质量,通过归一化处理可以统一特征数据变化幅度,可以加快模型训练过程中梯度下降的速度。
4、在数据预处理步骤中,特征工程中将承办日期和天气情况进行分类并进行映射,映射后进行编码转换得到新的日期特征和天气特征,使每个日期特征和天气特征对应欧式空间的一个点。通过特征工程将不易计算的承办日期和天气情况转换为数值特征,更容易计算和训练模型。对于承办日期的分类根据客流调查数据发现普通周末和节假日的客流走势区别较大,所以对普通周末和节假日做了区分,使数据更精确。
5、对测试结果进行反归一化,评估模型的性能,反归一化采用均方根误差指标进行计算,用于横梁模型的预测误差大小。均方根误差指标对较大的误差赋予更高的权重,更适合人流预测的使用场景。
具体实施方式
参选以下本发明的优选实施方法的详述以及包括的实施例可更容易地理解本发明的内容。除非另有限定,本文使用的所有技术以及科学术语具有与本发明所属领域普通技术人员通常理解的相同的含义。当存在矛盾时,以本说明书中的定义为准。
实施例1:
本发明提供了一种基于LBS的大型活动重点通行道路人流分时段预测方法,基于LBS大数据建立了人流预测模型,可以预测举办大型活动的场馆及重点道路的人流数据,同时在建立人流预测模型时对可能影响客流的各个因子进行细化,对人流数据进行分时段预测,提升数据预测的准确性。
在本实施例中,以苏州奥体中心举办大型活动重点通行道路人流分时段预测作为示例,用以详细说明本发明的技术方案。
本发明提供了一种基于LBS的大型活动重点通行道路人流分时段预测方法,包括:
S1、LBS数据圈定,设定需要举办大型活动的场馆及重点道路,通过LBS接口圈定电子围栏,收集区域内人流数据;
其中,在本实施例中,举办大型活动的场馆为苏州奥体中心体育场,通过供应商提供的LBS接口对区域内重点道路的人流数据进行收集。
S2、数据准备,准备历史数据和预测数据;
其中,历史数据包括活动类型,活动规模,活动持续时间,活动举办单位,活动邀请嘉宾,活动场馆地点;活动备案人数,活动实际上座率,举办大型活动场馆的分时段人流数据,重点道路的分时段人流数据;活动承办日期,活动最大连续承办天数;大型活动承办日期的降水量,风力,温度,湿度,空气质量中的一种或多种。
预测数据包括下一场大型活动的活动类型,活动规模,活动持续时间,活动举办单位,活动邀请嘉宾,活动场馆地点,活动备案人数,活动已售票数,下一场大型活动承办日期,下一场大型活动最大连续承办天数,下一场大型活动承办日期的降水量,风力,温度,湿度,空气质量。
在本实施例中,从苏州奥体中心收集自投入运营以来承办的各类活动的活动类型,活动规模,活动持续时间,活动举办单位,活动邀请嘉宾,活动场馆地点;活动备案人数,活动实际上座率,活动承办日期,活动最大连续承办天数,从苏州市气象局收集苏州奥体中心投运以来当地所有日期的天气情况,天气情况包括降水量,风力,温度,湿度,空气质量,通过步骤S1中的LBS接口收集苏州奥体中心投运以来所有日期及时间段的举办大型活动场馆的分时段人流数据和重点道路的分时段人流数据。
从互联网售票平台获取苏州奥体中心下一场大型活动的活动类型,活动规模,活动持续时间,活动举办单位,活动邀请嘉宾,活动场馆地点,活动备案人数,活动已售票数,下一场大型活动承办日期,下一场大型活动最大连续承办天数,从苏州市气象局收集承办日期对应的预测天气情况,预测天气情况包括降水量,风力,温度,湿度,空气质量。
S3、数据查探,检测历史数据和预测数据中的异常情形;
数据查探主要包括观察数据的质量,并用可视化的方式绘制数据走势,异常情形包括数据缺失、异常极值的情况。
S4、数据预处理,对历史数据和预测数据进行预处理;
数据预处理包括数据清洗和特征工程,数据清洗用于对数据查探步骤中检测出的历史数据的异常情形进行处理,确保历史数据的质量与统一性,数据清洗包括填充缺失值、去除异常值、归一化处理;特征工程用于将承办日期和天气情况转换为数值特征,特征工程中将承办日期和天气情况进行分类并进行映射,映射后进行编码转换得到新的日期特征和天气特征,使每个日期特征和天气特征对应欧式空间的一个点。
在本实施例中,对于备案人数、实际上座率、承办日期对应的天气情况、承办人气对应的分时间段的LBS人流数据利用MinMaxScaler进行归一化处理,统一特征数据变化幅度,可以加快模型训练过程中梯度下降的速度。
承办日期分类分为工作日、普通周末和节假日,并做如下映射{“工作日”: 0,“周末”: 1,“节假日”:2},映射后进行编码转换,转换后工作日表示为[1,0,0],周末表示为[0,1,0],节假日表示为[0,0,1]。
天气情况中风力分类分为风力≤2级、风力≤3级、风力≤4级、风力≤5级、风力≥6级,并做如下映射{“风力≤2级”:0,“风力≤3级”:1,“风力≤4级”:2, “风力≤5级”:3, “风力≥6级”:4},映射后进行编码转换,转换后风力≤2级表示为[1,0,0,0,0]、风力≤3级表示为[0,1,0,0,0]、风力≤4级表示为[0,0,1,0,0]、风力≤5级表示为[0,0,0,1,0]、风力≥6级表示为[0,0,0,0,1]。
天气情况中空气质量分类分为优、良、轻度污染、中度污染、重度污染、严重污染,并做如下映射{“优”:0,“良”:1,“轻度污染”:2, “中度污染”:3, “重度污染”:4},映射后进行编码转换,转换后优表示为[1,0,0,0,0]、良表示为[0,1,0,0,0]、轻度污染表示为[0,0,1,0,0]、中度污染表示为[0,0,0,1,0]、重度污染表示为[0,0,0,0,1]。
部分样例数据如下表所示:
S5、建模与训练,以LSTM构建人流预测网络,将预处理后的历史数据和预测数据输入人流预测网络内进行训练,得到人流预测模型;
其中,将经过数据预处理的数据转化为时间序列数据,使用时间序列数据输入人流预测网络,训练人流预测模型。时间序列数据包括训练集和测试集,训练集用于训练人流预测模型,测试集用于测试评估模型的性能。
在本实施例中,通过历史数据发现,大型活动当日人流高峰主要从14点开始至晚上24点结束,因此构造时间序列数据时,设置一个时间步为一个小时,首先每个时间步包含一个历史窗口以及下一个时间步的道路人流数据,一个历史窗口为前10个小时的数据,且下一个时间步的道路人流数据仅保留每天14点开始至晚上24点10个小时的数据,排除了非重点时间段数据对模型的干扰,且模型也学习了非活动日的自然流量的情况。
将时间序列数据划分为训练集和测试集,其中,80%的样本数据作为训练集,20%的样本数据作为预测集。
以LSTM构建人流预测网络,LSTM模型神经元个数选择为64,激活函数选择为relu激活函数,损失函数选择Root mean squared error(RMSE),优化器选择Adam,epoch设置为50,batch_size设置为32。
将训练集输入到人流预测网络中,训练得到人流预测模型。
S6、模型评估,评估人流预测模型的性能;
其中,使用测试集输入人流预测模型,得到预测结果,对测试结果进行反归一化,评估模型的性能。
在本实施例中,反归一化采用均方根误差指标进行计算,用于横梁模型的预测误差大小。均方根误差指标对较大的误差赋予更高的权重,更适合人流预测的使用场景。LSTM在捕获时间序列数据中复杂时间关系方面的强大功能及其进行准确预测的潜力。
S7、分时段预测,通过人流预测模型预测该大型活动场馆及重点道路的分时段人流数据。
在步骤S7中,将需要预测的下一场大型活动的已知数据输入人流预测模型,通过人流预测模型计算并预测出该大型活动场馆及重点道路的分时段人流数据,其中已知数据包括预计参与人数、承办日期,预计天气情况,历史客流量。
对比例1
在对比例1中,与实施例的区别在于对比例1中的人流预测网络选择以RNN进行构建。
模型评估对比如下表所示:
RNN对于长序列和复杂的时间序列问题表现较差,而LSTM网络表现良好,可以捕捉数据中的总体趋势,对于复杂时间关系处理的功能较强,预测更准确。
Claims (4)
1.一种基于LBS的大型活动重点通行道路人流分时段预测方法,其特征在于,包括以下步骤:
S1、LBS数据圈定,设定需要举办大型活动的场馆及重点道路,通过LBS接口圈定电子围栏,收集区域内人流数据;
S2、数据准备,准备历史数据和预测数据;
S3、数据查探,检测历史数据和预测数据中的异常情形;
S4、数据预处理,对历史数据和预测数据进行预处理;
S5、建模与训练,以LSTM构建人流预测网络,将预处理后的历史数据和预测数据输入人流预测网络内进行训练,得到人流预测模型;
S6、模型评估,评估人流预测模型的性能;
S7、分时段预测,通过人流预测模型预测该大型活动场馆及重点道路的分时段人流数据;
在步骤S2中,历史数据包括第一历史要素、第二历史要素、第三历史要素、第四历史要素;所述第一历史要素用于提供场馆建成以来举办过的大型活动的活动内容数据信息;所述第二历史要素用于提供场馆建成以来举办大型活动时场馆及重点道路的人数数据信息;所述第三历史要素用于提供场馆建成以来举办大型活动时的日期数据信息;所述第四历史要素用于提供场馆建成以来举办大型活动时的天气数据信息;
在步骤S2中,预测数据包括第一预测要素,第二预测要素,第三预测要素,第四预测要素;所述第一预测要素用于提供下一场大型活动的活动内容数据信息;所述第二预测要素用于提供下一场大型活动的人数数据信息;所述第三预测要素用于提供下一场大型活动的日期数据信息;所述第四预测要素用于提供下一场大型活动的天气数据信息;在步骤S4中,数据预处理包括数据清洗和特征工程,数据清洗用于处理历史数据,确保历史数据的质量与统一性;特征工程用于将第三历史要素、第三预测要素、第四历史要素和第四预测要素转换为数值特征;
特征工程中将第三历史要素、第三预测要素、第四历史要素和第四预测要素进行分类并进行映射,映射后进行编码转换得到新的特征,使每个特征对应欧式空间的一个点;
数据清洗包括填充缺失值、去除异常值、归一化处理;所述历史数据与预测数据利用MinMaxScaler进行归一化处理;
在步骤S5中,将经过数据预处理的数据转化为时间序列数据,使用时间序列数据输入人流预测网络,训练人流预测模型。
2.根据权利要求1所述的一种基于LBS的大型活动重点通行道路人流分时段预测方法,其特征在于,时间序列数据包括训练集和测试集,训练集用于训练人流预测模型,测试集用于测试评估模型的性能。
3.根据权利要求2所述的一种基于LBS的大型活动重点通行道路人流分时段预测方法,其特征在于,在步骤S6中,使用测试集输入人流预测模型,得到预测结果,对测试结果进行反归一化,评估模型的性能。
4.根据权利要求1所述的一种基于LBS的大型活动重点通行道路人流分时段预测方法,其特征在于,在步骤S7中,将需要预测的下一场大型活动的已知数据输入人流预测模型,通过人流预测模型计算并预测出该大型活动场馆及重点道路的分时段人流数据,其中已知数据包括预计参与人数、承办日期,预计天气情况,历史客流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801306.2A CN117455554B (zh) | 2023-12-26 | 2023-12-26 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801306.2A CN117455554B (zh) | 2023-12-26 | 2023-12-26 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455554A CN117455554A (zh) | 2024-01-26 |
CN117455554B true CN117455554B (zh) | 2024-03-22 |
Family
ID=89593344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311801306.2A Active CN117455554B (zh) | 2023-12-26 | 2023-12-26 | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455554B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | 中国移动通信集团湖北有限公司 | 一种区域人流量预测方法及系统 |
KR20190109637A (ko) * | 2018-03-02 | 2019-09-26 | 주식회사 세중아이에스 | 경기장 방문객 대상 빅데이터 분석 시스템 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN111445369A (zh) * | 2020-03-31 | 2020-07-24 | 中国刑事警察学院 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
CN111539864A (zh) * | 2020-03-31 | 2020-08-14 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN117236529A (zh) * | 2023-11-15 | 2023-12-15 | 福建天创信息科技有限公司 | 基于大数据的大型活动人流量预测方法 |
-
2023
- 2023-12-26 CN CN202311801306.2A patent/CN117455554B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | 中国移动通信集团湖北有限公司 | 一种区域人流量预测方法及系统 |
KR20190109637A (ko) * | 2018-03-02 | 2019-09-26 | 주식회사 세중아이에스 | 경기장 방문객 대상 빅데이터 분석 시스템 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN111445369A (zh) * | 2020-03-31 | 2020-07-24 | 中国刑事警察学院 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
CN111539864A (zh) * | 2020-03-31 | 2020-08-14 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN117236529A (zh) * | 2023-11-15 | 2023-12-15 | 福建天创信息科技有限公司 | 基于大数据的大型活动人流量预测方法 |
Non-Patent Citations (1)
Title |
---|
LBS大数据在大型聚集活动中的情报预警应用;张冬冬;武西锋;陈溪月;万绍勇;;情报杂志;20170718(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117455554A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111045117B (zh) | 一种气候监测预测平台 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN103150900B (zh) | 一种基于视频的交通拥堵事件自动检测方法 | |
CN109376935B (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
Gorresen et al. | Assessing bat detectability and occupancy with multiple automated echolocation detectors | |
Fekih et al. | A data-driven approach for origin–destination matrix construction from cellular network signalling data: a case study of Lyon region (France) | |
CN109784752A (zh) | 一种三峡库区水体富营养化风险评估预警系统及其分析方法 | |
CN113325153A (zh) | 水质多参数监测综合信息管理系统 | |
CN109165779B (zh) | 一种基于多源大数据与长短期记忆神经网络模型的人口数量预测方法 | |
KR101375441B1 (ko) | 도시재생 종합정보시스템 | |
CN108648445B (zh) | 基于交通大数据的动态交通态势预测方法 | |
CN109670540B (zh) | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 | |
CN113177657B (zh) | 轨道交通客流预测方法及装置 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN109684774A (zh) | 一种梁式桥安全监测与评估装置 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN115412857A (zh) | 一种居民出行信息预测方法 | |
CN114912641A (zh) | 基于bim的路网级桥隧养护决策及智慧巡检系统 | |
CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
CN117455554B (zh) | 一种基于lbs的大型活动重点通行道路人流分时段预测方法 | |
CN112330159B (zh) | 一种基于区块链的3dgis信息平台管理方法及系统 | |
CN111444233A (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN108597224B (zh) | 一种基于时空轨迹数据的待改善交通设施识别方法及系统 |
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 |