CN117875488A - 流量管理方法、装置、电子设备及存储介质 - Google Patents
流量管理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117875488A CN117875488A CN202410009559.4A CN202410009559A CN117875488A CN 117875488 A CN117875488 A CN 117875488A CN 202410009559 A CN202410009559 A CN 202410009559A CN 117875488 A CN117875488 A CN 117875488A
- Authority
- CN
- China
- Prior art keywords
- flow
- predicted
- actual
- time period
- target area
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000007726 management method Methods 0.000 title abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 34
- 230000001932 seasonal effect Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种流量管理方法、装置、电子设备及存储介质，涉及物联网及流量控制技术领域。该方法包括：基于目标区域在当前时间段内的第一预测流量及第一实际流量，确定当前时间段对应的流量阈值；将第一实际流量与流量阈值进行比较，得到第一实际流量与流量阈值的关系；基于关系对目标区域的流量管理终端的工作模式进行调整，以基于流量管理终端对目标区域的流量进行管理。由此，实现了对目标区域的流量进行自动管理，减少了人工干预的需要，提高了流量管理的自动化程度，且流量阈值可以适应不同时间段和场景中的流量变化，实现了精准的流量管理，且通过获取实时的流量和动态阈值，能够及时应对突发的流量变化，提高流量管理的效率。
Description
技术领域
本申请涉及物联网及流量控制技术领域，尤其涉及一种流量管理方法、装置、电子设备及存储介质。
背景技术
流量管理技术中的人流量管理，是智能监控和物联网领域的一个研究热点，也是智能巡检机器人的功能之一，是建设智慧城市的客观需求。通过进行人流量等流量管理，可以及时疏散密集人群，预防踩踏事件及过度聚集等事件造成的公共安全事故，对于安全防控、社会资源合理配置等具有重要意义。
相关技术，通常会采用流量管理终端进行流量管理，比如在某个场所的闸门处配置人脸识别终端，对要进入该场所的人员进行人脸识别，在人脸识别通过时予以放行。而如何对流量管理终端的工作模式进行调整，以实现高效、准确的流量管理，是亟待解决的问题。
发明内容
本申请提供一种流量管理方法、装置、电子设备及存储介质，用以解决相关技术中如何实现高效、准确的流量管理的技术问题。
第一方面，本申请提供一种流量管理方法，包括：获取目标区域在当前时间段内的第一预测流量及第一实际流量；基于所述第一预测流量和所述第一实际流量，确定所述当前时间段对应的流量阈值；将所述第一实际流量与所述流量阈值进行比较，得到所述第一实际流量与所述流量阈值的关系；基于所述关系对所述目标区域的流量管理终端的工作模式进行调整，以基于所述流量管理终端对所述目标区域的流量进行管理。
第二方面，本申请提供一种流量管理装置，包括：第一获取模块，用于获取目标区域在当前时间段内的第一预测流量及第一实际流量；第一确定模块，用于基于所述第一预测流量和所述第一实际流量，确定所述当前时间段对应的流量阈值；比较模块，用于将所述第一实际流量与所述流量阈值进行比较，得到所述第一实际流量与所述流量阈值的关系；调整模块，用于基于所述关系对所述目标区域的流量管理终端的工作模式进行调整，以基于所述流量管理终端对所述目标区域的流量进行管理。
第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。
本申请提供的流量管理方法、装置、电子设备及存储介质，通过根据目标区域的实时的预测流量及实际流量，自动确定动态的流量阈值，并根据流量阈值自动切换流量管理终端的工作模式，从而对目标区域的流量进行自动管理，减少了人工干预的需要，提高了流量管理的自动化程度，且流量阈值可以适应不同时间段和场景中的流量变化，使得流量管理终端根据动态的流量阈值，实现精准的流量管理，且通过获取实时的流量和动态阈值，能够及时应对突发的流量变化，提高流量管理的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的流量管理方法的流程图一；
图2为本申请实施例提供的流量管理方法的流程图二；
图3为本申请实施例提供的流量管理方法的流程图三；
图4为本申请实施例提供的建立目标流量预测模型的流程图；
图5为本申请实施例提供的流量管理方法的流程图四；
图6为本申请实施例提供的流量管理装置的结构示意图；
图7为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、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)以及信号，均为经用户授权或者经过各方充分授权的，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。
相关技术，通常会采用流量管理终端进行流量管理，比如在某个场所的闸门处配置人脸识别终端，对要进入该场所的人员进行人脸识别，在人脸识别通过时予以放行。其中，人脸识别终端，即能够实现人脸识别功能的终端。
其中，人脸识别终端的工作模式包括本地识别模式和云端识别模式。其中，本地识别模式，即采用本地的人脸识别终端直接进行人脸识别，在人脸识别通过后直接放行，将人脸识别结果上报云端的服务器，该模式由于不通过云端的服务器裁定，运算速度快，适合高人流量环境时的快速放行。云端识别模式，即采用本地的人脸识别终端进行人脸识别后，将识别结果上报云端的服务器，由云端的服务器进行裁定，在裁定通过后放行，该模式由于需要上报服务器进行二次认证，其中间传输及计算会消耗大量时间，因此适合在人流量少的情况使用。
相关技术通常通过以下方式对人脸识别终端的工作模式进行调整：一、根据时间段来切换人脸识别终端的工作模式，比如中午人流量大的时候，将人脸识别终端的工作模式切换为本地识别模式，在早晚人流量小的时候，将人脸识别终端的工作模式切换为云端识别模式；二、通过人工观察，当通行缓慢时手动将人脸识别终端的工作模式设置为本地识别模式，当通行快速时手动将人脸识别终端的工作模式设置为云端识别模式。其中，第一种方式，存在准确性低、效率低下、不灵活的问题，同时，对应急情况难以处理，当人流量爆发性增多或减少的时候，无法快速做出响应进行模式切换；第二种方式，依赖于操作员的个人判断，在无人值守的情况下无法及时做出应对策略，存在效率低下的问题。
如何对流量管理终端的工作模式进行调整，以实现高效、准确的流量管理，是亟待解决的问题。
本申请针对上述问题，提出如下技术构思：获取目标区域在当前时间段内的第一预测流量及第一实际流量；基于第一预测流量和第一实际流量，确定当前时间段对应的流量阈值；将第一实际流量与流量阈值进行比较，得到第一实际流量与流量阈值的关系；基于关系对目标区域的流量管理终端的工作模式进行调整，以基于流量管理终端对目标区域的流量进行管理。
由此，实现了根据目标区域的实时的预测流量及实际流量，自动确定动态的流量阈值，并根据流量阈值自动切换流量管理终端的工作模式，从而对目标区域的流量进行自动管理，减少了人工干预的需要，提高了流量管理的自动化程度，且流量阈值可以适应不同时间段和场景中的流量变化，使得流量管理终端根据动态的流量阈值，实现精准的流量管理，且通过获取实时的流量和动态阈值，能够及时应对突发的流量变化，提高流量管理的效率。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
首先结合图1，对本申请实施例提供的流量管理方法进行说明。图1为本申请实施例提供的流量管理方法的流程图一。
需要说明的是，本申请实施例提供的流量管理方法，可以由流量管理装置执行，其中，流量管理装置可以为电子设备，也可以被配置在电子设备中，以提高流量管理的效率和准确性。
其中，电子设备，可以为任一具有计算能力的设备，例如可以为个人电脑、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该流量管理方法包括以下步骤：
S101、获取目标区域在当前时间段内的第一预测流量及第一实际流量。
其中，目标区域，可以为任意需要进行流量管理的区域，比如可以为某个园区、某个景区、某个商业中心等，本申请对此不作限制。
当前时间段的时间长度，可以根据需要设置，本申请对此不作限制。比如，当前时间段的时间长度可以为1分钟、2分钟、1秒、2秒等。
第一预测流量，为对目标区域在当前时间段内的流量进行预测得到的流量。
第一实际流量，为对目标区域在当前时间段内的流量进行监测得到的实际的流量。
需要说明的是，本申请实施例中的流量，可以指人流量、车流量等任意流量，还可以指水流量等，本申请对此不作限制。
需要说明的是，以本申请实施例中的流量为人流量为例，第一预测流量及第一实际流量，可以为当前时间段内进、出或通过目标区域的行人的总数量，也可以为当前时间段内某个瞬时时刻进、出或通过目标区域的行人的数量，本申请对此不作限制。
S102、基于第一预测流量和第一实际流量，确定当前时间段对应的流量阈值。
S103、将第一实际流量与流量阈值进行比较，得到第一实际流量与流量阈值的关系。
在一些实施例中，第一实际流量与流量阈值的关系，可以包括：第一实际流量大于流量阈值、第一实际流量小于流量阈值及第一实际流量等于流量阈值。
S104、基于关系对目标区域的流量管理终端的工作模式进行调整，以基于流量管理终端对目标区域的流量进行管理。
其中，流量管理终端，为对目标区域的流量进行管理的终端。比如，流量管理终端可以为在某个场所的闸门处配置的人脸识别终端，其中人脸识别终端的工作模式包括本地识别模式和云端识别模式，由于人脸识别终端在不同工作模式下的运算速度不同，从而通过设置人脸识别终端工作在不同的工作模式，可以控制目标区域的行人通过的速度，实现对目标区域的人流量的控制。或者，比如流量管理终端可以为对某个场所的闸门的开启速度进行控制的终端，其中，该终端可以控制闸门以不同的速度开启，该终端的不同工作模式对应不同的闸门开启速度，从而通过设置该终端工作在不同的工作模式，可以控制目标区域的行人通过的速度，实现对目标区域的人流量的控制。
在一些实施例中，可以预先设置第一实际流量与流量阈值的各关系与流量管理终端的工作模式的对应关系，从而确定第一实际流量与流量阈值的关系后，可以基于第一实际流量与流量阈值的关系，确定与该关系对应的流量管理终端的工作模式，进而将流量管理终端的工作模式调整为该关系对应的工作模式。
本申请实施例提供的流量管理方法，获取目标区域在当前时间段内的第一预测流量及第一实际流量；基于第一预测流量和第一实际流量，确定当前时间段对应的流量阈值；将第一实际流量与流量阈值进行比较，得到第一实际流量与流量阈值的关系；基于关系对目标区域的流量管理终端的工作模式进行调整，以基于流量管理终端对目标区域的流量进行管理。由此，实现了根据目标区域的实时的预测流量及实际流量，自动确定动态的流量阈值，并根据流量阈值自动切换流量管理终端的工作模式，从而对目标区域的流量进行自动管理，减少了人工干预的需要，提高了流量管理的自动化程度，且流量阈值可以适应不同时间段和场景中的流量变化，使得流量管理终端根据动态的流量阈值，实现精准的流量管理，且通过获取实时的流量和动态阈值，能够及时应对突发的流量变化，提高流量管理的效率。
下面结合图2，对本申请实施例提供的流量管理方法中基于第一预测流量和第一实际流量，确定当前时间段对应的流量阈值的过程以及基于关系对目标区域的流量管理终端的工作模式进行调整的过程进行进一步说明。
图2为本申请实施例提供的流量管理方法的流程图二。如图2所示，该流量管理方法，包括如下步骤：
S201、获取目标区域在当前时间段内的第一预测流量及第一实际流量。
在一些实施例中，S201可以通过以下方式实现：
通过预先建立的目标流量预测模型，对目标区域在当前时间段内的流量进行预测，得到第一预测流量；
对目标区域在当前时间段内的流量进行监控，得到第一实际流量。
在一些实施例中，目标流量预测模型可以为时间序列预测模型，可以采用Prophet库构建，通过该时间序列预测模型，可以预测特定时间段内的流量，从而帮助做出相应的决策和规划。
在一些实施例中，可以采用门禁系统的传感器等设备，对目标区域进行实时监测，得到目标区域在当前时间段内的第一实际流量。
S202、基于流量与调整因子的对应关系，确定第一实际流量对应的目标调整因子。
其中，调整因子，为用于进行调整的参数，可以根据需要进行设置，比如根据流量的突发情况(流量突然剧增或剧减)的严重程度进行设置。其中，较小的调整因子可以在轻微的突发情况下使用，而较大的调整因子可以用于更严重的突发情况。
在一些实施例中，可以设置较大的流量对应较小的调整因子，较小的流量对应较大的调整因子。
S203、确定第一实际流量与第一预测流量之间的差异值。
在一些实施例中，差异值，可以为根据第一实际流量与第一预测流量确定的标准差，表示实际流量相对预测流量的波动程度。比如，第一实际流量可以包括目标区域在当前时间段内各时间点的实际流量，第一预测流量可以包括目标区域在当前时间段内各时间点的预测流量，从而可以根据第一实际流量与第一预测流量确定标准差。
S204、基于目标调整因子，对差异值进行调整，并基于调整结果和第一预测流量，确定流量阈值。
在一些实施例中，可以将目标调整因子与差异值的乘积，作为调整结果，将调整结果和第一预测流量的加和，作为流量阈值。
即，流量阈值可以根据公式Y＝A+B*C确定，其中，Y表示流量阈值，A表示第一预测流量，B表示目标调整因子，C表示差异值。
S205、将第一实际流量与流量阈值进行比较，得到第一实际流量与流量阈值的关系。
S206、基于关系对目标区域的人脸识别终端的工作模式进行调整，以基于流量管理终端对目标区域的流量进行管理。
在一些实施例中，人脸识别终端的工作模式可以包括本地识别模式和云端识别模式。在第一实际流量大于流量阈值的情况下，可以将人脸识别终端的工作模式调整为本地识别模式；在第一实际流量小于或等于流量阈值的情况下，可以将人脸识别终端的工作模式调整为云端识别模式。
由此，通过在第一实际流量较大的情况下，将人脸识别终端的工作模式调整为本地识别模式，可以提高人脸识别的速度，进而提高目标区域的行人通过的速度，达到降低目标区域的人流量的目的。通过在第一实际流量较小的情况下，将人脸识别终端的工作模式调整为云端识别模式，可以提高人脸识别的准确性。
在一些实施例中，为了在目标区域在当前时间段内的第一实际流量较大的情况下，确定较小的流量阈值，从而将人脸识别终端的工作模式调整为本地识别模式，以降低目标区域的人流量，可以设置较大的流量对应较小的调整因子，从而在第一实际流量较大的情况下，可以通过较小的调整因子，将差异值调小，进而得到较小的流量阈值。
在一些实施例中，可以动态调整当前时间段的时间长度，相应的，在步骤201之前，还可以包括：
获取目标区域在当前时间段之前的相邻时间段内的第二预测流量及第二实际流量；
基于第二预测流量及第二实际流量，确定当前时间段的时间长度。
其中，获取目标区域在当前时间段之前的相邻时间段内的第二预测流量及第二实际流量的方式，与获取目标区域在当前时间段内的第一预测流量及第一实际流量的方式相似，可以参考获取目标区域在当前时间段内的第一预测流量及第一实际流量的方式，此处不再赘述。
在一些实施例中，基于第二预测流量及第二实际流量，确定当前时间段的时间长度，可以通过以下方式实现：
对第二预测流量及第二实际流量进行加权求和，得到总流量；
根据流量与时间长度的对应关系，确定总流量对应的目标时间长度；
将目标时间长度确定为当前时间段的时间长度。
在一些实施例中，可以设置较高的流量对应较长的时间长度，以平衡数据并减少噪声；可以设置较低的流量对应较短的时间长度，以获取更细粒度的流量变化信息。
通过基于目标区域在当前时间段之前的相邻时间段内的第二预测流量及第二实际流量，确定当前时间段的时间长度，实现了对当前时间段的时间长度的动态设定，从而可以更准确的预测和反映流量的变化趋势，实现精准的流量管理。
综上，本申请实施例提供的流量管理方法，实现了根据目标区域的实时的预测流量及实际流量，自动确定动态的流量阈值，并根据流量阈值自动切换流量管理终端的工作模式，从而对目标区域的流量进行自动管理，减少了人工干预的需要，提高了流量管理的自动化程度，且流量阈值可以适应不同时间段和场景中的流量变化，使得流量管理终端根据动态的流量阈值，实现精准的流量管理，且通过获取实时的流量和动态阈值，能够及时应对突发的流量变化，提高流量管理的效率。另外，本申请实施例提供的流量管理方法，可以根据不同的场景和需求进行定制和调制，除了应用于人脸识别终端的模式切换，还可以灵活适应各种流量管理场景。
通过上述分析可知，本申请实施例中，可以通过预先建立的目标流量预测模型进行流量预测。下面结合附图3，对本申请实施例提供的流量管理方法中目标流量预测模型的建立过程进行进一步说明。
图3为本申请实施例提供的流量管理方法的流程图三。如图3所示，该流量管理方法，包括如下步骤：
S301、获取历史流量数据。
其中，历史流量数据包括以预设时间间隔采集的目标区域在多个历史时间段内的流量和对应的时间戳，且通过季节性标记和节假日标记进行标注。
其中，预设时间间隔，可以根据需要设置。
在一些实施例中，以流量为人流量为例，可以从目标区域的门禁系统或其它流量监测设备中收集原始的历史流量数据，其中包括目标区域在多个历史时间段内的人流量计数，再对收集到的原始的历史流量数据进行清洗和预处理，并对数据加入时间戳，对季节性和节假日插入指标参数，使用脚本将数据整理为同一格式，从而得到最终的历史流量数据。通过配置门禁系统或其它流量监测设备来收集历史流量数据，可以保证流量数据的正确性，且通过设定合适的时间间隔，可以获取精准的历史流量数据。
其中，对季节性和节假日插入指标参数，可以理解为对目标区域在各历史时间段内的流量，标注属于哪个季节，以及标注是否属于节假日，属于哪个节假日。
在一些实施例中，对原始的历史流量数据进行清洗和预处理，可以包括：对异常数据进行过滤、对缺失数据进行插值补全、对数据做平滑处理等。
S302、将历史流量数据划分为训练集和测试集。
其中，训练集，用于进行模型训练，包括多个样本，每个样本为目标区域在一个历史时间段内的流量及对应的时间戳，且采用季节性标记和节假日标记进行标注。测试集，用于进行模型验证，包括多个样本，每个样本为目标区域在一个历史时间段内的流量及对应的时间戳，且采用季节性标记和节假日标记进行标注。
S303、获取初始的流量预测模型，其中，初始的流量预测模型包括总体趋势子模型、季节性子模型和节假日子模型。
在一些实施例中，初始的流量预测模型可以为时间序列预测模型，可以采用Prophet库构建，通过该时间序列预测模型，可以预测特定时间段内的流量，从而帮助做出相应的决策和规划。
在一些实施例中，初始的流量预测模型，可以为非线性趋势模型，其公式可以为：y(t)＝g(t)+s(t)+h(t)+ε(t)。其中，g(t)表示总体趋势子模型；s(t)表示季节性子模型；h(t)表示节假日子模型；ε(t)表示误差项；t表示时间。
可以根据实际情况，设置以下4个参数：
1、设置总体趋势子模型的参数
其中，总体趋势子模型的公式为：g(t)＝σ’(t)+β+f(t)。
其中，g(t)表示总体趋势子模型；σ’(t)表示灵活的趋势成分；β表示趋势的变化率；f(t)表示额外的趋势组件。该参数控制总体趋势子模型的灵活性，即趋势如何适应数据中的变化。较高的值表示更灵活的趋势，可以更好地适应数据的变化，但可能会导致过度拟合。较低的值则表示更平滑的趋势。根据数据的特点，可以通过调整g(t)的参数来平衡趋势的灵活性和平滑性。
2、设置季节性子模型的参数
其中，年度的季节性子模型的公式为：
其中，K表示季节的数量，a(k)、b(k)、ω(k)表示第k个季节对应的系数。通过调整季节性子模型的参数，可以精准控制季节性带来的影响，实现对年度季节性的控制。
3、设置节假日子模型的参数
其中，节假日子模型的公式为：
其中，(t∈[T(p)-w,T(p)+w])
其中，h(t)表示节假日子模型；P表示节假日的数量；σ(p)表示第p个节假日的节假日效应的系数；T(p)表示节假日的日期，w表示节假日的窗口宽度。比如，假设w为2，T(p)包括5月1日-5月3日，则T(p)-2表示5月1日的前2天，T(p)+w表示5月3日的后2天，即t所属的范围包括：4月29日至5月5日。
通过将节假日子模型加入流量预测模型，可以实现将节假日信息加入流量预测模型，从而更准确的捕捉特定日期的流量变化。
在一些实施例中，Prophet库提供了节假日的影响因子，可以使用Prophet提供的“add country holidays”方法来添加节假日信息，用以正确控制节假日对流量的影响。
4、设置置信度
在一些实施例中，可以根据对流量预测模型的预测结果的可靠性要求和/或训练速度的要求，设置置信度的大小。比如可以设置为80％，以在保证流量预测模型的预测结果的可靠性较高的同时，增大流量预测模型的训练速度。
S304、基于训练集对初始的流量预测模型进行参数训练，得到训练后的流量预测模型。
在一些实施例中，可以使用“fit”方法将训练集的数据传入初始的流量预测模型进行参数训练，得到训练后的流量预测模型。
S305、基于测试集对训练后的流量预测模型的预测结果进行评估，得到预测结果的置信度。
在一些实施例中，针对测试集中的任意历史时间段，可以使用训练后的流量预测模型，对该历史时间段内的流量进行预测，并对预测结果进行评估，得到预测结果的置信度。其中，可以通过Prophet库的predict方法实现预测。
在一些实施例中，可以采用均方根误差方式，对预测结果进行评估，得到预测结果的置信度。
其中，均方根误差可以采用如下公式得到：
其中，RMSE表示均方根误差；n表示测试集中的样本数量；y_pred_i表示第i个样本的预测结果，即通过训练后的流量预测模型对第i个样本对应的历史时间段进行流量预测，得到的预测流量；y_actual_i表示第i个样本的真实结果，即测试集中第i个样本对应的流量。
S306，判断预测结果的置信度是否满足预设置信度，若是，则执行S308，否则，执行S307。
其中，预设置信度，为预先设置的置信度。
S307、对训练后的流量预测模型进行参数优化，直至训练后的流量预测模型的预测结果的置信度满足预设置信度。
S308，将训练后的流量预测模型确定为目标流量预测模型。
在一些实施例中，在流量预测模型的预测结果的置信度满足预设置信度的情况下，可以确定训练后的流量预测模型合适可用，从而将训练后的流量预测模型确定为目标流量预测模型。在预测结果的置信度不满足预设置信度的情况下，可以通过调整模型的各参数，对训练后的流量预测模型进行参数优化，直至预测结果的置信度满足预设置信度，得到合适可用的目标流量预测模型。
由此，通过根据训练后的流量预测模型的预测结果的评估结果进行模型优化，可以使训练后的流量预测模型更好的适应流量数据的特征，提高模型预测的准确性和可靠性。
下面结合图4，对采用Prophet库件建立目标流量预测模型的过程进行说明。
参考图4，可以在对历史流量数据进行划分得到训练集后，将训练集导入到Python环境中，再使用Prophet库新建一个Prophet模型对象，进而设定模型参数，其中，模型参数包括节假日子模型的参数、季节性子模型的参数、总体趋势子模型的参数及置信度。进一步的，可以使用训练集对建立的Prophet模型进行拟合，其中使用“fit”方法将训练集传入模型进行训练，并在得到训练后的模型后，进行模型评估，根据模型的预测结果的置信度是否满足预设置信度，判断训练后的模型是否达标。在训练后的模型未达标的情况下，对训练后的模型进行参数优化，并重新进行训练及评估，直至训练后的模型达标，得到可用的目标流量预测模型。
综上，本申请实施例提供的流量管理方法，获取历史流量数据，其中，历史流量数据包括以预设时间间隔采集的目标区域在多个历史时间段内的流量和对应的时间戳，且通过季节性标记和节假日标记进行标注；将历史流量数据划分为训练集和测试集；获取初始的流量预测模型，其中，初始的流量预测模型包括总体趋势子模型、季节性子模型和节假日子模型；基于训练集对初始的流量预测模型进行参数训练，得到训练后的流量预测模型；基于测试集对训练后的流量预测模型的预测结果进行评估，并在评估得到的预测结果的置信度不满足预设置信度的情况下，对训练后的流量预测模型进行参数优化，直至训练后的流量预测模型的预测结果的置信度满足预设置信度，得到目标流量预测模型。由此，实现了对目标流量预测模型的构建，使得能够根据建立的目标流量预测模型预测未来的流量趋势和周期性变化，且模型中加入了节假日和季节性的影响因子，模型的预测结果会根据特定的日期和季节进行调整，以更准确的反映流量的变化趋势。
下面结合图5，以流量为人流量，流量预测模型为人流量预测模型，流量管理终端为人脸识别终端，包括本地识别模式和云端识别模式为例，对本申请实施例提供的流量管理方法进行进一步说明。
参考图5，可以通过数据收集以及预处理，得到训练集，并通过上述实施例中的目标流量预测模型的建立过程，进行人流量预测模型的建立，得到人工智能AI模型，采用训练集对AI模型进行整合，得到训练后的人流量预测模型。进一步的，可以采用训练后的人流量预测模型进行人流量预测，得到预测人流量。
参考图5，可以采用传感器采集人员通过信息，并输出结果，得到目标区域的人流量统计结果，并通过动态时间长度的计算，得到当前时间段的时间长度，进而基于人流量统计结果和当前时间段的时间长度进行实时人流量计算，得到目标区域在当前时间段内的的实际人流量。其中，当前时间段的时间长度，可以根据目标区域在当前时间段之前的相邻时间段内的预测人流量和实际人流量计算得到，目标区域在当前时间段之前的相邻时间段内的预测人流量，可以通过人流量预测模型进行预测得到。
进一步的，可以基于目标区域在当前时间段内的预测人流量和实际人流量进行流量阈值计算，得到当前时间段的流量阈值，进而判断实际人流量是否超过流量阈值。在实际人流量超过流量阈值的情况下，可以将人脸识别终端的工作模式调整为本地识别模式；在实际人流量未超过流量阈值的情况下，可以将人脸识别终端的工作模式调整为云端识别模式。
另外，可以定期评估和调整人流量预测模型。具体的，可以根据实际运行情况，自动定期评估人流量预测模型的准确性，并进行必要的调整和优化，将实际运行中生成的人流量数据，反馈到人流量模型，以生成新的训练集，利用新的训练集对人流量预测模型进行优化，使得人流量预测模型的预测结果更加准确。
由此，实现了根据目标区域的实时的预测人流量及实际人流量，自动确定动态的流量阈值，并根据流量阈值自动切换人脸识别终端的工作模式，从而对目标区域的人流量进行自动管理，减少了人工干预的需要，提高了人流量管理的自动化程度，且流量阈值可以适应不同时间段和场景中的人流量变化，使得人脸识别终端根据动态的流量阈值，实现精准的人流量管理，且通过获取实时的人流量和动态阈值，能够及时应对突发的人流量变化，提高人流量管理的效率。通过动态确定当前时间段的时间长度，可以更准确的预测和反映人流量的变化趋势，实现精准的人流量管理。
图6为本申请实施例提供的流量管理装置的结构示意图。如图6所示，该流量管理装置600，包括：第一获取模块610、第一确定模块620、比较模块630以及调整模块640。
其中，第一获取模块610，用于获取目标区域在当前时间段内的第一预测流量及第一实际流量；
第一确定模块620，用于基于第一预测流量和第一实际流量，确定当前时间段对应的流量阈值；
比较模块630，用于将第一实际流量与流量阈值进行比较，得到第一实际流量与流量阈值的关系；
调整模块640，用于基于关系对目标区域的流量管理终端的工作模式进行调整，以基于流量管理终端对目标区域的流量进行管理。
需要说明的是，本申请实施例提供的流量管理装置600，可以执行前述实施例中的流量管理方法。其中，流量管理装置可以为电子设备，也可以被配置在电子设备中，以提高流量管理的效率和准确性。
其中，电子设备，可以为任一具有计算能力的设备，例如可以为个人电脑、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
在一些实施例中，第一确定模块620，用于：
基于流量与调整因子的对应关系，确定第一实际流量对应的目标调整因子；
确定第一实际流量与第一预测流量之间的差异值；
基于目标调整因子，对差异值进行调整，并基于调整结果和第一预测流量，确定流量阈值。
在一些实施例中，流量管理终端包括人脸识别终端，流量管理终端的工作模式包括本地识别模式和云端识别模式；
调整模块640，用于：
在第一实际流量大于流量阈值的情况下，将人脸识别终端的工作模式调整为本地识别模式；
在第一实际流量小于或等于流量阈值的情况下，将人脸识别终端的工作模式调整为云端识别模式。
在一些实施例中，流量管理装置600还包括：
第二获取模块，用于获取目标区域在当前时间段之前的相邻时间段内的第二预测流量及第二实际流量；
第二确定模块，用于基于第二预测流量及第二实际流量，确定当前时间段的时间长度。
在一些实施例中，第二确定模块，用于：
对第二预测流量及第二实际流量进行加权求和，得到总流量；
根据流量与时间长度的对应关系，确定总流量对应的目标时间长度；
将目标时间长度确定为当前时间段的时间长度。
在一些实施例中，第一获取模块610，用于：
通过预先建立的目标流量预测模型，对目标区域在当前时间段内的流量进行预测，得到第一预测流量；
对目标区域在当前时间段内的流量进行监控，得到第一实际流量。
在一些实施例中，流量管理装置600，还包括：
第三获取模块，用于获取历史流量数据，其中，历史流量数据包括以预设时间间隔采集的目标区域在多个历史时间段内的流量和对应的时间戳，且通过季节性标记和节假日标记进行标注；
划分模块，用于将历史流量数据划分为训练集和测试集；
第四获取模块，用于获取初始的流量预测模型，其中，初始的流量预测模型包括总体趋势子模型、季节性子模型和节假日子模型；
训练模块，用于基于训练集对初始的流量预测模型进行参数训练，得到训练后的流量预测模型；
评估模块，用于基于测试集对训练后的流量预测模型的预测结果进行评估；
优化模块，用于在评估得到的预测结果的置信度不满足预设置信度的情况下，对训练后的流量预测模型进行参数优化，直至训练后的流量预测模型的预测结果的置信度满足预设置信度，得到目标流量预测模型。
本申请实施例提供的流量管理装置，可用于执行上述实施例中流量管理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，调整模块640可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上调整模块640的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图7为本申请实施例提供的电子设备的结构示意图。如图7所示，该电子设备可以包括：收发器121、处理器122、存储器123。
处理器122执行存储器存储的计算机执行指令，使得处理器122执行上述实施例中的方案。处理器122可以是通用处理器，包括中央处理器CPU、网络处理器(networkprocessor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器123通过系统总线与处理器122连接并完成相互间的通信，存储器123用于存储计算机程序指令。
收发器121可以用于获取待运行任务和待运行任务的配置信息。
系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccess memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)。
本申请实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中流量管理方法的技术方案。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例流量管理方法的技术方案。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中流量管理方法的技术方案。
本申请实施例提供的电子设备、芯片、计算机可读存储介质、计算机程序产品，可用于执行上述实施例中流量管理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (17)
1.一种流量管理方法，其特征在于，包括：
获取目标区域在当前时间段内的第一预测流量及第一实际流量；
基于所述第一预测流量和所述第一实际流量，确定所述当前时间段对应的流量阈值；
将所述第一实际流量与所述流量阈值进行比较，得到所述第一实际流量与所述流量阈值的关系；
基于所述关系对所述目标区域的流量管理终端的工作模式进行调整，以基于所述流量管理终端对所述目标区域的流量进行管理。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一预测流量和所述第一实际流量，确定所述当前时间段对应的流量阈值，包括：
基于流量与调整因子的对应关系，确定所述第一实际流量对应的目标调整因子；
确定所述第一实际流量与所述第一预测流量之间的差异值；
基于所述目标调整因子，对所述差异值进行调整，并基于调整结果和所述第一预测流量，确定所述流量阈值。
3.根据权利要求1所述的方法，其特征在于，所述流量管理终端包括人脸识别终端，所述流量管理终端的工作模式包括本地识别模式和云端识别模式；
所述基于所述关系对所述目标区域的流量管理终端的工作模式进行调整，包括：
在所述第一实际流量大于所述流量阈值的情况下，将所述人脸识别终端的工作模式调整为所述本地识别模式；
在所述第一实际流量小于或等于所述流量阈值的情况下，将所述人脸识别终端的工作模式调整为所述云端识别模式。
4.根据权利要求1所述的方法，其特征在于，所述获取目标区域在当前时间段内的第一预测流量及第一实际流量之前，还包括：
获取所述目标区域在所述当前时间段之前的相邻时间段内的第二预测流量及第二实际流量；
基于所述第二预测流量及所述第二实际流量，确定所述当前时间段的时间长度。
5.根据权利要求4所述的方法，其特征在于，所述基于所述第二预测流量及所述第二实际流量，确定所述当前时间段的时间长度，包括：
对所述第二预测流量及所述第二实际流量进行加权求和，得到总流量；
根据流量与时间长度的对应关系，确定所述总流量对应的目标时间长度；
将所述目标时间长度确定为所述当前时间段的时间长度。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述获取目标区域在当前时间段内的第一预测流量及第一实际流量，包括：
通过预先建立的目标流量预测模型，对所述目标区域在所述当前时间段内的流量进行预测，得到所述第一预测流量；
对所述目标区域在所述当前时间段内的流量进行监控，得到所述第一实际流量。
7.根据权利要求6所述的方法，其特征在于，所述通过预先建立的目标流量预测模型，对所述目标区域在所述当前时间段内的流量进行预测之前，还包括：
获取历史流量数据，其中，所述历史流量数据包括以预设时间间隔采集的所述目标区域在多个历史时间段内的流量和对应的时间戳，且通过季节性标记和节假日标记进行标注；
将所述历史流量数据划分为训练集和测试集；
获取初始的流量预测模型，其中，所述初始的流量预测模型包括总体趋势子模型、季节性子模型和节假日子模型；
基于所述训练集对所述初始的流量预测模型进行参数训练，得到训练后的流量预测模型；
基于所述测试集对所述训练后的流量预测模型的预测结果进行评估，并在评估得到的预测结果的置信度不满足预设置信度的情况下，对所述训练后的流量预测模型进行参数优化，直至所述训练后的流量预测模型的预测结果的置信度满足所述预设置信度，得到所述目标流量预测模型。
8.一种流量管理装置，其特征在于，包括：
第一获取模块，用于获取目标区域在当前时间段内的第一预测流量及第一实际流量；
第一确定模块，用于基于所述第一预测流量和所述第一实际流量，确定所述当前时间段对应的流量阈值；
比较模块，用于将所述第一实际流量与所述流量阈值进行比较，得到所述第一实际流量与所述流量阈值的关系；
调整模块，用于基于所述关系对所述目标区域的流量管理终端的工作模式进行调整，以基于所述流量管理终端对所述目标区域的流量进行管理。
9.根据权利要求8所述的装置，其特征在于，所述第一确定模块，用于：
基于流量与调整因子的对应关系，确定所述第一实际流量对应的目标调整因子；
确定所述第一实际流量与所述第一预测流量之间的差异值；
基于所述目标调整因子，对所述差异值进行调整，并基于调整结果和所述第一预测流量，确定所述流量阈值。
10.根据权利要求8所述的装置，其特征在于，所述流量管理终端包括人脸识别终端，所述流量管理终端的工作模式包括本地识别模式和云端识别模式；所述调整模块，用于：
在所述第一实际流量大于所述流量阈值的情况下，将所述人脸识别终端的工作模式调整为所述本地识别模式；
在所述第一实际流量小于或等于所述流量阈值的情况下，将所述人脸识别终端的工作模式调整为所述云端识别模式。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取所述目标区域在所述当前时间段之前的相邻时间段内的第二预测流量及第二实际流量；
第二确定模块，用于基于所述第二预测流量及所述第二实际流量，确定所述当前时间段的时间长度。
12.根据权利要求11所述的装置，其特征在于，所述第二确定模块，用于：
对所述第二预测流量及所述第二实际流量进行加权求和，得到总流量；
根据流量与时间长度的对应关系，确定所述总流量对应的目标时间长度；
将所述目标时间长度确定为所述当前时间段的时间长度。
13.根据权利要求8-12中任一项所述的装置，其特征在于，所述第一获取模块，用于：
通过预先建立的目标流量预测模型，对所述目标区域在所述当前时间段内的流量进行预测，得到所述第一预测流量；
对所述目标区域在所述当前时间段内的流量进行监控，得到所述第一实际流量。
14.根据权利要求13所述的装置，其特征在于，所述装置，还包括：
第三获取模块，用于获取历史流量数据，其中，所述历史流量数据包括以预设时间间隔采集的所述目标区域在多个历史时间段内的流量和对应的时间戳，且通过季节性标记和节假日标记进行标注；
划分模块，用于将所述历史流量数据划分为训练集和测试集；
第四获取模块，用于获取初始的流量预测模型，其中，所述初始的流量预测模型包括总体趋势子模型、季节性子模型和节假日子模型；
训练模块，用于基于所述训练集对所述初始的流量预测模型进行参数训练，得到训练后的流量预测模型；
评估模块，用于基于所述测试集对所述训练后的流量预测模型的预测结果进行评估；
优化模块，用于在评估得到的预测结果的置信度不满足预设置信度的情况下，对所述训练后的流量预测模型进行参数优化，直至所述训练后的流量预测模型的预测结果的置信度满足所述预设置信度，得到所述目标流量预测模型。
15.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，其特征在于，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410009559.4A CN117875488A (zh) | 2024-01-02 | 2024-01-02 | 流量管理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410009559.4A CN117875488A (zh) | 2024-01-02 | 2024-01-02 | 流量管理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117875488A true CN117875488A (zh) | 2024-04-12 |
Family
ID=90586051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410009559.4A Pending CN117875488A (zh) | 2024-01-02 | 2024-01-02 | 流量管理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875488A (zh) |
-
2024
- 2024-01-02 CN CN202410009559.4A patent/CN117875488A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118771B (zh) | 一种城市交通常发性拥堵特征确定的方法及装置 | |
| CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
| CN118037014B (zh) | 基于物联网的道路施工监测系统 | |
| CN113379168B (zh) | 一种时间序列的预测处理方法、装置及设备 | |
| CN109740965A (zh) | 一种工程验证分析方法及装置 | |
| CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
| JP2023518771A (ja) | 機械学習に基づくデータ・モニタリング | |
| CN111079993A (zh) | 一种交通流量预测方法、装置、电子设备及存储介质 | |
| CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN114283590A (zh) | 车流量高峰预测方法及装置、电子设备 | |
| CN117764617A (zh) | 一种基于大数据分析的物业运行成本预测方法和装置 | |
| CN117456732A (zh) | 一种基于大数据的智慧城市交通的信号灯监控管理方法及装置、计算设备 | |
| CN117875488A (zh) | 流量管理方法、装置、电子设备及存储介质 | |
| CN117079460A (zh) | 一种面向时间序列的arima模型对城市短时交通流预测的方法 | |
| CN113269247B (zh) | 投诉预警模型的训练方法、装置、计算机设备及存储介质 | |
| CN108268363B (zh) | 用于业务容量管理的方法和设备 | |
| CN115225986B (zh) | 一种osu带宽自适应调整的方法和装置 | |
| CN114677065A (zh) | 数据处理方法和数据处理装置 | |
| CN117875521B (zh) | 实时铁路客流量预测方法、系统、介质以及电子设备 | |
| CN118212097B (zh) | 一种基于水资源管理平台的取水量预警方法 | |
| CN118095575B (zh) | 实时产能预测与优化生产计划系统及方法 | |
| CN115081943B (zh) | 基于产品难度的员工劳动强度计算方法及相关装置 | |
| CN117726304B (zh) | 项目进度预测及项目资源配给推荐方法 | |
| CN114694099B (zh) | 基于人工智能的人流量预测方法、装置及相关设备 |
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 |