CN113255563B - 一种景区人流控制***及方法 - Google Patents
一种景区人流控制***及方法 Download PDFInfo
- Publication number
- CN113255563B CN113255563B CN202110651332.6A CN202110651332A CN113255563B CN 113255563 B CN113255563 B CN 113255563B CN 202110651332 A CN202110651332 A CN 202110651332A CN 113255563 B CN113255563 B CN 113255563B
- Authority
- CN
- China
- Prior art keywords
- information
- people flow
- scenic spot
- people
- scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000002360 preparation method Methods 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 description 13
- 230000005284 excitation Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种景区人流控制***及方法,包括:信息采集模块,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;人流预测结果模块,用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;人流控制模块,根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度。本申请的技术方案充分利用了能够影响人流预测的多维度的数据信息进行人流预测,而且考虑到时序上对人流数据的影响,将LSTM网络用于对人流的预测上,此外,为了进一步提升人流预测的准确性,还采用DCNN进行人流的预测,增强了人流预测的准确性。
Description
技术领域
本发明属于人流预测控制技术领域,尤其具体涉及一种景区人流控制***及方法。
背景技术
景区人流量数据不仅可以反映景区历史和当前的游客承载量和分布情况,同时还为管理者对未来决策提供数据支持,提高经营效率。而提前做出足够精确的人流预测数据和分析,可以帮助景区管理者进行合理控制规划提供重要参考,便于及时采取更具有针对性的一些措施和方案。经过申请人对大量数据的分析研究后发现,不同景区的旅客人数爆发量确实跟时间点具有重要关联,此外,天气因素、距离远近、疫情影响等等因素都是影响人流的重要因素。中国旅游业经过近几年的蓬勃发展,已经积累的海量的数据。
为解决上述问题,申请人提出利用多维度数据结合人流预测模型对景区人流进行预测分析,利用所提出的深度神经网络,本申请所提出的神经网络模型对合理控制人流分布具有重要意义。
本申请的有益效果如下:
1.充分利用大数据多维度的特性,将之用于景区人流的预测,提升了预测的精度,克服了以往单一的指标预测,比如仅通过日期进行预测。在景区人流预测领域,属于首创,并非常规技术手段或公知常识。
2、本申请在深度神经网络中利用长短期记忆网络LSTM(Long Short-TermMemory)的特点,能够更加准确的利用短期数据特征及长期数据特征应用于人流的准确预测,预测结果可以是一个时间点的预测结果,或一个时间段内的不同时间点的预测值结果。在景区人流预测领域,属于首创。并非常规技术手段或公知常识。
3.本申请还采用了余弦激励函数及正弦指数损失函数用于对整个深度神经网络的训练,极大提升了训练精度。在景区人流预测领域,属于首创。并非常规技术手段或公知常识。
发明内容
为更准确理解本发明,需先简要理解回顾下面的基本概念。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。
LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。
深度卷积神经网络DCNN,则是具有多个CNN层的网络结构。
合理推定本领域技术人员均已知晓与上述有关的基础概念,故而后文仅对与本申请独创性贡献的内容进行展开描述。
在能够理解上述基本概念及常规操作方式的基础上,本申请提出了一种景区人流控制***,所述***包括:
信息采集模块,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;
人流预测模块,用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;
人流控制模块,根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度。
可选的,所述天气信息以独热编码的形式作为所述人流预测模型中的特征。
可选的,所述日期信息具体包括年、月、日、星期几、小时。
可选的,所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台,所述一设定阈值设定为1-10公里。
可选的,人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN,所述深度卷积神经网络DCNN包括:一个或多个卷积层、一个或多个池化层、全连接层;所述卷积层采用的卷积核大小为5*5或3*3;所述池化层为最大池化法进行计算;所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数,记为f(),其中
其中,θyi表示为样本i与其对应标签yi的向量夹角;所述N表示训练样本个数;所述wyi表示样本i在其标签yi处的权重;
可选的,所述深度卷积神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性;所述正弦指数损失函数为:
人流预测模型的LSTM模块可以处理人流在一个时间段内的多个时间点上的特征信息,捕捉多个时间点上的特征信息之间的时序信息,因此人流预测模型的预测结果可以是一个时间点的预测结果,或一个时间段内的不同时间点的预测值结果。通过这种方式,可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
类似的,本申请还提出了一种景区人流控制方法,所述方法包括:
利用信息采集模块进行信息采集,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;
利用人流预测模块进行人流预测,将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;
利用人流控制模块根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度。
可选的,所述天气信息以独热编码的形式作为所述人流预测模型中的特征。
可选的,所述日期信息具体包括年、月、日、星期几、小时。
可选的,所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台,所述一设定阈值设定为3公里。
本申请还对应提出了一种计算机存储介质,所述存储介质上存储有程序代码,所述代码用于实现上述任一种所述的方法。
本申请还对应提出了一种计算机设备,所述设备包括处理器、存储器,所述存储器上存储有计算机指令,所述指令用于实现上述任一种所述的方法。
本申请的创造性贡献在于:
1)充分利用各种影响人流的多维度信息,包括景区周边一设定阈值范围内的车流信息和人流信息等,本申请还利用了交警-景区联动平台的数据,借助交警部门提供的数据支持,有利于预测的准确性。
2)充分对大数据进行挖掘,所采用的人流预测模型考虑了人流在一个时间段内的多个时间点上差异以及不同时间人流数据的关联性,提出将长短期记忆网络LSTM应用于人流预测模型中,能捕捉多个时间点上的特征信息之间的时序信息,使得人流预测模型的预测结果可以是一个时间点的预测结果,或一个时间段内的不同时间点的预测值结果。通过这种方式,可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
3)本申请为了提高人流预测模型的的准确性,还使用深度卷积神经网络DCNN提高人流预测精度,特别是使用正弦指数损失函数(Sine-Index-Softmax)与余弦激励函数增强了人流预测模型的准确性。
本申请的技术方案充分利用了能够影响人流预测的多维度的数据信息进行人流预测,而且考虑到时序上对人流数据的影响,将LSTM网络用于对人流的预测上,此外,为了进一步提升人流预测的准确性,还采用DCNN进行人流的预测,特别的,借助余弦激励函数与正弦指数损失函数(Sine-Index-Softmax)增强了人流预测的准确性。
附图说明
图1表示本申请的基本实施例的结构示意图
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明本申请提出了一种景区人流控制***,所述***包括:
信息采集模块,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;
人流预测模块,用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;
人流控制模块,根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度。
可选的,所述天气信息以独热编码的形式作为所述人流预测模型中的特征。
可选的,所述日期信息具体包括年、月、日、星期几、小时。
可选的,所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台,所述一设定阈值设定为1-10公里,优选的,可以选择阈值为3公里。
可选的,人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN,所述深度卷积神经网络DCNN包括:一个或多个卷积层、一个或多个池化层、一个或多个隐含层、全连接层;所述卷积层采用的卷积核大小为5*5或3*3;所述池化层为最大池化法进行计算;所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数,记为f(),其中
其中,θyi表示为样本i与其对应标签yi的向量夹角;所述N表示训练样本个数;所述wyi表示样本i在其标签yi处的权重;
可选的,所述深度卷积神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性;所述正弦指数损失函数为:
人流预测模型的LSTM模块可以处理人流在一个时间段内的多个时间点上的特征信息,捕捉多个时间点上的特征信息之间的时序信息,因此人流预测模型的预测结果可以是一个时间点的预测结果,或一个时间段内的不同时间点的预测值结果。通过这种方式,可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
类似的,本申请还提出了一种景区人流控制方法,所述方法包括:
利用信息采集模块进行信息采集,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;
利用人流预测模块进行人流预测,将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;
利用人流控制模块根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度。
可选的,所述天气信息以独热编码的形式作为所述人流预测模型中的特征。
可选的,所述日期信息具体包括年、月、日、星期几、小时。
可选的,所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台,所述一设定阈值设定为3公里。
可选的,人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN,所述深度卷积神经网络DCNN包括:一个或多个卷积层、一个或多个池化层、一个或多个隐含层、全连接层;所述卷积层采用的卷积核大小为5*5或3*3;所述池化层为最大池化法进行计算;所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数,记为f(),其中
其中,θyi表示为样本i与其对应标签yi的向量夹角;所述N表示训练样本个数;所述wyi表示样本i在其标签yi处的权重;
可选的,所述深度卷积神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性;所述正弦指数损失函数为:
人流预测模型的LSTM模块可以处理人流在一个时间段内的多个时间点上的特征信息,捕捉多个时间点上的特征信息之间的时序信息,因此人流预测模型的预测结果可以是一个时间点的预测结果,或一个时间段内的不同时间点的预测值结果。通过这种方式,可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。
本申请还对应提出了一种计算机存储介质,所述存储介质上存储有程序代码,所述代码用于实现上述任一种所述的方法。
本申请还对应提出了一种计算机设备,所述设备包括处理器、存储器,所述存储器上存储有计算机指令,所述指令用于实现上述任一种所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
本申请还提出一种计算机可读介质,上面包含可实现上述***的程序代码,所包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述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。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种景区人流控制***,所述***包括:
信息采集模块,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;
人流预测模块,用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;
人流控制模块,根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度;所述天气信息以独热编码的形式作为所述人流预测模型中的特征;
所述人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN,所述深度卷积神经网络DCNN包括:一个或多个卷积层、一个或多个池化层、全连接层;所述卷积层采用的卷积核大小为5*5或3*3;所述池化层为最大池化法进行计算;
所述深度卷积神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性;所述正弦指数损失函数为:
2.根据权利要求1所述的景区人流控制***,所述日期信息具体包括年、月、日、星期几、小时。
3.根据权利要求1所述的景区人流控制***,所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台,所述一设定阈值设定为3公里。
4.一种景区人流控制方法,所述方法包括:
利用信息采集模块进行信息采集,所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息;所述日期信息包括节假日及工作日的标识;
利用人流预测模块进行人流预测,将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中,获得人流预测结果值;
利用人流控制模块根据所述预测结果值做出预案准备,所述预案准备包括进行景区内车辆安排调度、***调度、餐饮安排调度、限流安排调度;所述天气信息以独热编码的形式作为所述人流预测模型中的特征;
所述人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN,所述深度卷积神经网络DCNN包括:一个或多个卷积层、一个或多个池化层、全连接层;所述卷积层采用的卷积核大小为5*5或3*3;所述池化层为最大池化法进行计算;
所述深度卷积神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性;所述正弦指数损失函数为:
5.根据权利要求4所述的景区人流控制方法,所述日期信息具体包括年、月、日、星期几、小时。
6.根据权利要求4所述的景区人流控制方法,所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台,所述一设定阈值设定为3公里。
7.一种计算机设备,所述设备包括处理器、存储器,所述存储器上存储有计算机指令,所述指令用于实现权利要求4-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651332.6A CN113255563B (zh) | 2021-06-10 | 2021-06-10 | 一种景区人流控制***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651332.6A CN113255563B (zh) | 2021-06-10 | 2021-06-10 | 一种景区人流控制***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255563A CN113255563A (zh) | 2021-08-13 |
CN113255563B true CN113255563B (zh) | 2022-06-10 |
Family
ID=77187637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110651332.6A Active CN113255563B (zh) | 2021-06-10 | 2021-06-10 | 一种景区人流控制***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255563B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116977925B (zh) * | 2023-07-25 | 2024-05-24 | 广州市智慧农业服务股份有限公司 | 一种全方位智能监控的视频安全管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机***有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN111027771A (zh) * | 2019-12-10 | 2020-04-17 | 浙江力石科技股份有限公司 | 景区客流量预估方法、***、装置及可存储介质 |
CN111144648A (zh) * | 2019-12-25 | 2020-05-12 | 中国联合网络通信集团有限公司 | 人流量预测设备及方法 |
CN111160622A (zh) * | 2019-12-09 | 2020-05-15 | 北京建筑大学 | 基于混合神经网络模型的景区客流预测方法和装置 |
CN111915076A (zh) * | 2020-07-27 | 2020-11-10 | 湖北民族大学 | 一种利用人工智能神经网络实现景区观景人员预测的方法 |
CN112330359A (zh) * | 2020-11-04 | 2021-02-05 | 上饶市中科院云计算中心大数据研究院 | 一种智慧旅游景区饱和度评价方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214584B (zh) * | 2018-09-21 | 2022-02-08 | 北京百度网讯科技有限公司 | 用于预测客流量的方法和装置 |
-
2021
- 2021-06-10 CN CN202110651332.6A patent/CN113255563B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机***有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
CN110175690A (zh) * | 2019-04-04 | 2019-08-27 | 中兴飞流信息科技有限公司 | 一种景区客流量预测的方法、装置、服务器和存储介质 |
CN111160622A (zh) * | 2019-12-09 | 2020-05-15 | 北京建筑大学 | 基于混合神经网络模型的景区客流预测方法和装置 |
CN111027771A (zh) * | 2019-12-10 | 2020-04-17 | 浙江力石科技股份有限公司 | 景区客流量预估方法、***、装置及可存储介质 |
CN111144648A (zh) * | 2019-12-25 | 2020-05-12 | 中国联合网络通信集团有限公司 | 人流量预测设备及方法 |
CN111915076A (zh) * | 2020-07-27 | 2020-11-10 | 湖北民族大学 | 一种利用人工智能神经网络实现景区观景人员预测的方法 |
CN112330359A (zh) * | 2020-11-04 | 2021-02-05 | 上饶市中科院云计算中心大数据研究院 | 一种智慧旅游景区饱和度评价方法和装置 |
Non-Patent Citations (4)
Title |
---|
Prediction of tourist flow based on multi-source traffic data in scenic spot;Hao Lu等;《Transactions in GIS》;20201223;第1082-1101页 * |
后疫情时代沈阳市智慧旅游建设探析;韩凌;《海峡科技与产业》;20200615(第06期);第59-61页 * |
山岳型景区安全容量分析――以云台山红石峡为例;陈彦霞等;《内蒙古科技与经济》;20181015(第19期);第26-27页 * |
热点景区客流量峰林结构、时间分形与分流调控研究—以张家界、凤凰古城为例;张铁生;《中国优秀博硕士学位论文全文数据库(博士)经济与管理科学辑》;20170215(第02期);第J153-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255563A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A novel Encoder-Decoder model based on read-first LSTM for air pollutant prediction | |
Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
Yu et al. | Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking | |
CN110276439A (zh) | 基于注意力机制的时间序列预测方法、装置及存储介质 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
Kušić et al. | An overview of reinforcement learning methods for variable speed limit control | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及*** | |
JP2022020043A (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
Yang et al. | Airport arrival flow prediction considering meteorological factors based on deep‐learning methods | |
Xiao et al. | Hybrid spatial–temporal graph convolutional networks for on-street parking availability prediction | |
CN113222299B (zh) | 一种用于景区的车辆智能调度***及方法 | |
CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN113255563B (zh) | 一种景区人流控制***及方法 | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
CN117194763A (zh) | 基于用户偏好与时空上下文信息的下一个poi推荐方法 | |
CN116993185B (zh) | 时间序列预测方法、装置、设备及存储介质 | |
Melnik et al. | Component of decision support subsystem for monitoring and predicting of hazardous processes at the base of analysis of macro zoobenthos communities of azov sea | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
Qu et al. | Improving parking occupancy prediction in poor data conditions through customization and learning to learn | |
Du et al. | Short-term demand forecasting of shared bicycles based on long short-term memory neural network model | |
CN113723712B (zh) | 风电功率预测方法、***、设备及介质 | |
Zhang et al. | A Survey of Generative Techniques for Spatial-Temporal Data Mining | |
CN117909887B (zh) | 一种电网雷电多重预警方法及*** | |
Petrov et al. | Training and Applying Artificial Neural Networks in Traffic Light Control: Improving the Management and Safety of Road Traffic in Tyumen (Russia) | |
Harbola et al. | Deep learning model for wind forecasting: Classification analyses for temporal meteorological data |
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 |