CN116029395A - 商业区域的人流预警方法、装置、电子设备及存储介质 - Google Patents
商业区域的人流预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116029395A CN116029395A CN202310294587.0A CN202310294587A CN116029395A CN 116029395 A CN116029395 A CN 116029395A CN 202310294587 A CN202310294587 A CN 202310294587A CN 116029395 A CN116029395 A CN 116029395A
- Authority
- CN
- China
- Prior art keywords
- data
- people flow
- prediction model
- traffic
- people
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000006870 function Effects 0.000 claims abstract description 95
- 238000012549 training Methods 0.000 claims abstract description 90
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 51
- 238000011156 evaluation Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000002790 cross-validation Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种商业区域的人流预警方法、装置、电子设备及存储介质,涉及人工智能技术领域,所述商业区域的人流预警方法包括:提取商业区域的历史特征数据,基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。本申请解决了人流拥堵时的对公共场所内的人流进行管控和疏导的效果较差的技术问题。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种商业区域的人流预警方法、装置、电子设备及存储介质。
背景技术
近年来,随着我国的城镇化比例越来越高,城市人口越来越多。相应地,城市中的各种商业中心/商业综合体的人流量也越来越多,特别是在周末、节假日等公共场所往往人满为患。在公共场所中,控制人流密度是确保安全、保障和基础设施正常运行的关键因素。然而,人流量的监控和管理具有一定的难度,因为在判断出人流已经造成拥堵时去对人流进行管控和疏导产生的效果较差。因此,亟需一种能够预测公共场所人流量的方法,便于管理人员预估商业区域内人流量的情况,提前对商业区域的人流进行管控与疏导。
发明内容
本申请的主要目的在于提供一种商业区域的人流预警方法、装置、电子设备及存储介质,旨在解决人流拥堵时的对公共场所内的人流进行管控和疏导的效果差的技术问题。
为实现上述目的,本申请提供一种商业区域的人流预警方法,所述商业区域的人流预警方法包括:
提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;
基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;
基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;
通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;
将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
可选地,在所述基于所述历史特征数据对各所述第一人流量预测模型进行训练的步骤之前,还包括:
在所述历史特征数据中筛选出符合预设异常条件的异常数据;
将所述历史特征数据中的异常数据剔除。
可选地,所述基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型的步骤包括:
提取所述历史特征数据中的各特征维度;
基于支持向量回归算法构建各所述核函数对应的第一人流量预测模型,其中,所述第一人流量预测模型的自变量包括各所述特征维度。
可选地,所述基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型的步骤包括:
将所述历史特征数据划分为训练集和测试集,将所述训练集中的特征数据输入各所述第一人流量预测模型中,获得对应的第一预测人流量;
对比所述第一预测人流量与所述训练集中的特征数据中的人流量数据之间的差异,以对所述第一人流量预测模型中的模型参数进行调整;
将所述测试集中的特征数据输入各所述第一人流量预测模型中,获得对应的第二预测人流量;
将所述第二预测人流量与所述测试集中的特征数据中的人流量数据输入预设损失函数,计算特征损失值;
当所述特征损失值小于预设阈值时,停止对所述第一人流量预测模型的训练,获得各所述核函数对应的第二人流量预测模型。
可选地,所述预设损失函数的表达式为:
其中,为惩罚常数,且是大于0的常数,用于调节所述预设损失函数的权重,为各所述特征维度对应的特征值,为所述第二预测人流量,表示所述历史特征数据中对应的总人数,为历史特征数据的组数,为特征维度的维度数目,和均为所述预设损失函数的模型参数,为不敏感损失函数,为不敏感参数。
可选地,所述通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型的步骤包括:
将所述历史特征数据随机分为预设数目份,并随机将其中一份作为测试集数据,其它历史特征数据作为训练集;
重复执行步骤:随机将其中一份作为测试集数据,其它历史特征数据作为训练集,直至获得预设数目组训练集和测试集;
将各组训练集和测试集分别输入所述第二人流量预测模型,获得所述第二人流量预测模型对应的各组评估结果;
计算各组评估结果的平均值,获得所述第二人流量预测模型的平均评估结果;
将平均评估结果最佳的第二人流量预测模型设置为目标人流量预测模型
可选地,所述人流预警方案至少包括预警信息,所述将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案的步骤包括:
获取预测时间与人流量阈值;
提取所述商业区域的当前人流量数据、当前时间数据、当前商家数据以及当前环境数据;
将所述区域数据、所述当前人流量数据、所述当前时间数据、所述当前商家数据、所述当前环境数据以及所述预测时间输入所述目标人流量预测模型,获得在所述预测时间后的预测人流量数据;
当所述预测人流量数据超过所述人流量阈值时,发出预警信息。
本申请还提供一种商业区域的人流预警装置,所述商业区域的人流预警装置应用于商业区域的人流预警设备,所述商业区域的人流预警装置包括:
特征提取模块,用于提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;
模型构建模块,用于基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;
模型训练模块,用于基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;
模型验证模块,用于通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;
人流预警模块,用于将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
可选地,所述模型训练模块还用于:
在所述历史特征数据中筛选出符合预设异常条件的异常数据;
将所述历史特征数据中的异常数据剔除。
可选地,所述模型构建模块还用于:
提取所述历史特征数据中的各特征维度;
基于支持向量回归算法构建各所述核函数对应的第一人流量预测模型,其中,所述第一人流量预测模型的自变量包括各所述特征维度。
可选地,所述模型训练模块还用于:
将所述历史特征数据划分为训练集和测试集,将所述训练集中的特征数据输入各所述第一人流量预测模型中,获得对应的第一预测人流量;
对比所述第一预测人流量与所述训练集中的特征数据中的人流量数据之间的差异,以对所述第一人流量预测模型中的模型参数进行调整;
将所述测试集中的特征数据输入各所述第一人流量预测模型中,获得对应的第二预测人流量;
将所述第二预测人流量与所述测试集中的特征数据中的人流量数据输入预设损失函数,计算特征损失值;
当所述特征损失值小于预设阈值时,停止对所述第一人流量预测模型的训练,获得各所述核函数对应的第二人流量预测模型。
可选地,所述模型验证模块还用于:
将所述历史特征数据随机分为预设数目份,并随机将其中一份作为测试集数据,其它历史特征数据作为训练集;
重复执行步骤:随机将其中一份作为测试集数据,其它历史特征数据作为训练集,直至获得预设数目组训练集和测试集;
将各组训练集和测试集分别输入所述第二人流量预测模型,获得所述第二人流量预测模型对应的各组评估结果;
计算各组评估结果的平均值,获得所述第二人流量预测模型的平均评估结果;
将平均评估结果最佳的第二人流量预测模型设置为目标人流量预测模型。可选地,所述人流预警模块还用于:
获取预测时间与人流量阈值;
提取所述商业区域的当前人流量数据、当前时间数据、当前商家数据以及当前环境数据;
将所述区域数据、所述当前人流量数据、所述当前时间数据、所述当前商家数据、所述当前环境数据以及所述预测时间输入所述目标人流量预测模型,获得在所述预测时间后的预测人流量数据;
当所述预测人流量数据超过所述人流量阈值时,发出预警信息。
本申请还提供一种电子设备,所述电子设备为实体设备,所述电子设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述商业区域的人流预警方法的程序,所述商业区域的人流预警方法的程序被处理器执行时可实现如上述的商业区域的人流预警方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现商业区域的人流预警方法的程序,所述商业区域的人流预警方法的程序被处理器执行时实现如上述的商业区域的人流预警方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的商业区域的人流预警方法的步骤。
本申请提供了一种商业区域的人流预警方法、装置、电子设备及存储介质,首先提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数,由此充分考虑了影响人流量的各个维度的因素,提高了人流量预测的准确性,基于预设支持向量回归算法与各核函数构建对应的第一人流量预测模型,并基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型,最后通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型,其中应用到了k-折交叉验证法提高了特征数据的利用率,在历史特征数据不足时能增加人流量预测模型评估的准确性,从而获得预测准确率较高的目标人流量预测模型,将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案,实现了公共场所内人流量的预测。借由所述目标人流量预测模型,能让管理人员能提前进行人流疏导,克服了在人流拥堵时进行人流管控与疏导效果差的技术缺陷,从而提高对公共场所内的人流进行管控和疏导的效果。
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。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请商业区域的人流预警方法第一实施例的流程示意图;
图2为本申请商业区域的人流预警方法中支持向量回归模型的损失计算示意图;
图3为本申请商业区域的人流预警方法第一实施例中的流程示意图;
图4为本申请商业区域的人流预警方法中门板人流量预测模型的自变量、输入参数以及因变量示意图;
图5为本申请实施例中商业区域的人流预警装置的组成结构示意图;
图6为本申请实施例中商业区域的人流预警方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
实施例一
近年来,中国城镇化比例越来越高,城市人口越来越多。相应地,城市中的各种商业中心/商业综合体的人流量也越来越多,特别是在周末、节假日等往往人满为患。控制公共场所的人流密度是确保安全、保障和基础设施正常运行的关键因素。然而,监控和管理人流具有一定的挑战性,因此,需要一种能够预测公共场所人流并提供预警的***和方法,帮助管理人员预估不同区域人流的多少,以便提前进行疏导人流。本申请实施例通过设计一个方案,使用人工智能算法构建与训练人流量预测模型,通过摄像头影像、空间位置、店铺信息、天气、节假日、时间等数据,预测区域未来一小段时间人流的多少,进而对商业区域内的人流量进行预警,便于管理人员及时对人流量进行疏通。
本申请实施例提供一种商业区域的人流预警方法,在本申请商业区域的人流预警方法的第一实施例中,参照图1,所述商业区域的人流预警方法包括:
步骤S10,提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;
步骤S20,基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;
步骤S30,基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;
步骤S40,通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;
步骤S50,将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
在本申请实施例中,需要说明的是,所述商业区域可以为商业中心中某个摄像头可以拍摄到的区域,所述历史特征区域为通过摄像头采集到的人流量数据以及其他渠道获取的区域数据、时间数据、商家数据以及环境数据等特征值,各所述特征值用于作为影响人流量预测的因素参与模型训练,使得训练得到的人流量预测模型更加精准。本申请实施例中在对所述第一商业区域的人流预警时采用了SVR(Support Vector Regressio,支持向量回归算法)模型,SVR属于一种回归模型,主要是用于拟合数值,一般应用于特征较为稀疏的预测场景,例如本申请实施例中的人流量预测,其中的特征数据的维度较多且各个维度之间的相关性不高,采用SVR模型进行人流量的预测,能更全面综合考虑各维度的特征数据,准确地得到预测值;其中,各核函数用于在模型构建中,在特征数据在低维度不容易线性分割的情况下,会通过某个核函数进行非线性变换,将输入空间映射到高维特征空间,并返回高维特征空间中各特征向量的点积,常用的核函数包括多项式核函数、Gauss径向基核函数和多层感知机核函数;另外k-折交叉验证法用于在历史特征数据较少时,例如,特征数据采集较为困难时,通过对特征数据进行不同的训练集和测试集划分,多次重复利用采集到的特征数据,提高特征数据的利用率,也是在特征数据量一定的情况下,更好地提升对模型的评估效果。
另外,所述商业区域为商业中心中划分出来的某一块区域,所述区域数据至少包括商业区域面积S和出口宽度和入口宽度之和W,若所述区域为明显出入口的开放区域,则W的值取所述商业区域的周长;所述人流量数据为近期预设时间段内所述商业区域内各个商铺的日均客流量P=[p1,p2…,pn],p1以及p2等为各商铺的日均客流量,所述预设时间段的设置可视实际需要而定,如可设置为一个月,用于反应店铺的兴旺程度,所述商业区域内各个商铺的客流平均驻足时间可以表示为ST=[st1,st2…,stn],st1以及st2等为各商铺的客流平均驻足时间;本申请实施例中使用One-Hot Encoding(独热编码)来表示日期类型,D=[d1,d2,d3,d4,d5],其中,d1,d2,d3,d4,d5分别表示[普通工作日、特殊工作日、普通周末、小长假、长假],其中,特殊工作日是指有特殊含义但是不放假的工作日,如情人节、儿童节等,而小长假是指少于5天的假期,长假是指不少于5天的假期,通过设置不同的日期类型,来分析不同的日期类型对人流量的影响;当前的时间点用T来表示,商业区域内的人数用C表示,其中在获取商业区域内的人数时,首先通过固定的频率(如一分钟一次,视实际需要而定)获取摄像头捕获的图片,再通过头部为识别目标使用常见的目标检测模型,如:YOLO(You Only Look Once,单阶段目标检测模型)或Faster R-CNN(经典两阶段检测模型)、SSD(Single Shot MultiBox Detector,单镜头多盒检测模型)对获取到的图片进行目标检测,从而得到所述商业区域内的人数N;所述商家数据中包括促销情况,在商业中心中,各店铺的促销活动也会吸引更多的消费者,可以将促销情况X设为二元变量0/1,无促销活动取值为0,有促销活动则取值为1;商家数据中的线上评分情况U可以通过获取商业中心在互联网各平台当前的整体评分;所述环境数据中包括经济环境,因为商业中心人流量也可能受到经济因素的影响,在经济环境较好的情况下,人们更愿意消费,而在经济环境差的情况下,人们更倾向于不去消费,因此本申请实施例中使用当前一定周期内(如季度、半年、一年)的CPI指数I作为特征数据;所述环境数据中的天气情况也可以使用One-Hot Encoding表示,WH=[wh1,wh2…,whn],其中wh1,wh2…whn表示有n个天气类型如可以预设为(晴天、雨天、下雪、多云),例如:晴天:[1,0,0,0],多云:[0,0,0,1];所述环境数据中的交通拥堵指数R可以从各交通导航软件中的历史数据进行获取。
综上所述,所述历史特征数据中的特征维度包括商业区域面积S、出口宽度和入口宽度之和W、日均客流量P、平均驻足时间ST、日期类型D、当前时间点T、人数N、促销情况X、线上评分情况U、经济环境I、天气情况WH以及交通拥堵指数R。在训练所述第一人流量预测模型时,人数N是需要预测的变量,即输出值,其他特征数据为影响人数N的变量。
作为一种示例,步骤S10至步骤S50包括:通过商业区域的监控视频中提取所述商业区域内的人流量数据;根据所述商业区域的监控视频的时间戳提取时间数据;获取所述商业区域的区域数据、商家数据以及对应的环境数据;选取各常用核函数,并基于SVR算法构建各常用核函数分别对应的第一人流量预测模型;从所述历史特征数据中选取商业区域面积S、出口宽度和入口宽度之和W、日均客流量P、平均驻足时间ST、日期类型D、当前时间点T、人数N、促销情况X、线上评分情况U、经济环境I、天气情况WH以及交通拥堵指数R输入各第一人流量预测模型中,获得预测人流量;根据所述预测人流量和所述历史特征数据中的人流量密度,对各所述第一人流量预测模型中的参数进行优化,获得各所述核函数对应的第二人流量预测模型;通过k-折交叉验证法将历史特征数据划分为多组训练集和测试集,并基于各组训练集和测试集分别对各所述第二人流量预测模型进行评估,获得各所述第二人流量预测模型对应的评估结果;选取评估结果最佳的第二人流量预测模型对应的核函数作为目标核函数,并将所述目标核函数对应的第二人流量预测模型设置为目标人流量预测模型;获取用户输入的预测时间以及人流量阈值;将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,获得预测时间后的预测人流量数据;判断所述预测人流量数据是否大于所述人流量阈值,若是,发出预警信息,以提示管理人员及时疏导人流。
另外,在所述基于所述历史特征数据对各所述第一人流量预测模型进行训练的步骤之前,还包括:
步骤A10,在所述历史特征数据中筛选出符合预设异常条件的异常数据;
步骤A20,将所述历史特征数据中的异常数据剔除。
在本申请实施例中,需要说明的是,所述预设异常条件可以为与其他数据之间的偏差超过预设偏差的数据,所述预设偏差可以根据具体需求设置,如缺失值以及离群值等,例如当某区域内某时段内某些店铺发生明显变化(如进行装修)时,对应的特征数据应视为缺失值予以剔除,避免因为这些异常数据训练出来的人流量预测模型受异常值影响,从而导致预测精准度差。
作为一种示例,步骤A10至步骤A20包括:获取用户输入的预设异常条件对应的预设偏差,筛选出所述历史特征数据中与其他数据之间的偏差超过所述预设偏差的历史特征数据,获得异常数据;在所述历史特征数据中删除所述异常数据,获得经过预处理后的历史特征数据。
其中,所述基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型的步骤包括:
步骤S21,提取所述历史特征数据中的各特征维度;
步骤S22,基于支持向量回归算法构建各所述核函数对应的第一人流量预测模型,其中,所述第一人流量预测模型的自变量包括各所述特征维度。
在本申请实施例中,需要说明的是,本申请实施例提供了一种基于SVR算法的模型训练方法,其中,包括多种核函数分别对应的第一人流量预测模型,即为初始构建的人流量预测模型;而所述第二人流量预测模型为经过训练之后的人流量预测模型;因为在初次训练时,不能确定哪种核函数的训练效果最佳,因此,先分别基于各个函数进行模型构建并训练,获得对应的第二人流量预测模型后再进行评估,选取效果最佳的核函数,这样能使得获得的目标人流量预测模型预测精度最佳。SVR是SVM(support vector machine ,支持向量机)的一个重要应用分支。SVM是依据统计学习理论中的VC(Vapnik-Chervonenkis,万普尼克-泽范兰杰斯)维理论和结构风险最小理论建立的,依据有限的样本信息在模型的复杂性(对特定训练样本的学习精度)和学习能力(无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的泛化能力)。统计学习的目标从经验风险最小化变为了寻求经验风险与置信风险的和最小,即结构风险最小 ,泛化误差界的公式为:
其中,为真实风险 ,为经验函数 ,为置信区间。
现有技术中,支持向量机针对分类问题和回归问题可以分为支持向量分类机和支持向量回归机(SVR)。本文主要运用了SVR算法进行人流量的预测,SVR作为一种处理非线性拟合回归的模型,主要是对特征数据中的待预测向量与支持向量构建对应关系,对测试数据(在本申请实施例中为历史特征数据)中的待预测向量(在本申请实施例中为人数N)进行仿真预测。对于特征数据集,例如特征数据集S={(x1 ,x2 ...xj,y1) ,(x1 ,x2 ...xj ,y2)…(x1 , x2 ...xj ,yl)},其中x为特征值,j为样本的特征数量,l为样本的个数,SVR根据内积核函数定义的非线性变换把数据映射到高维空间,在高维空间完成回归拟合,进而计算各人流量预测值的特征损失,从而对各核函数对应的第一人流量预测模型的模型参数进行优化。
针对不同的问题,选择不同核函数的精度差距很大,所以能否选择合适的核函数成为影响预测精度的关键因素。针对特定问题选择对应的核函数没有统一的方法,只能分别训练出对应的人流量预测模型后根据评估结果进行对比,常用的核函数主要有:
多项式核函数: K(xi ,x)=[γ(xi·x)+coef]d ,其中,d为多项式的阶,coef为偏执系数;RBF核函数(Gauss径向基核函数) ,K(xi ,x)=exp(-γ‖xi-x‖,其中,γ表示核函数的半径;多层感知机核函数(Sigmoid核函数) ,K(xi ,x)=tanh(γ(xi·x)+coef) 。
作为一种示例,步骤S21至步骤S22包括:从所述历史特征数据中提取特征数据的特征维度;基于各所述特征维度与各所述核函数构建支持向量回归机的第一人流量预测模型,其中,各所述核函数至少包括多项式核函数、RBF核函数以及多层感知机核函数。
其中,所述基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型的步骤包括:
步骤S31,将所述历史特征数据划分为训练集和测试集,将所述训练集中的特征数据输入各所述第一人流量预测模型中,获得对应的第一预测人流量;
步骤S32,对比所述第一预测人流量与所述训练集中的特征数据中的人流量数据之间的差异,以对所述第一人流量预测模型中的模型参数进行调整;
步骤S33,将所述测试集中的特征数据输入各所述第一人流量预测模型中,获得对应的第二预测人流量;
步骤S34,将所述第二预测人流量与所述测试集中的特征数据中的人流量数据输入预设所述函数,计算特征损失值;
步骤S35,当所述特征损失值小于预设阈值时,停止对所述第一人流量预测模型的训练,获得各所述核函数对应的第二人流量预测模型。
在本申请实施例中,需要说明的是,所述第一预测人流量为模型训练过程中得到的人流量预测值;所述第二预测人流量为模型测试过程中得到的人流量预测值;所述第二人流量预测模型为训练完成后,符合预期需求的各核函数对应的人流量预测模型。在模型训练过程中,将所述训练集中的各个维度数据的特征值包括商业区域面积S、出口宽度和入口宽度之和W、日均客流量P、平均驻足时间ST、日期类型D、当前时间点T、促销情况X、线上评分情况U、经济环境I、天气情况WH以及交通拥堵指数R在内,而输出的第一预测人流量可以人数N,也可以为人流密度E=C/S,用于衡量所述商业区域内的拥堵情况,便于管理人员进行及时疏导。其中,在根据训练集中的特征数据对所述第一人流量预测模型进行训练,即对所述第一人流量预测模型中的模型参数进行调整时以及基于所述第二预测人流量与所述测试集中的特征数据中的人流量数据计算特征损失值时,应用到的损失函数为不敏感损失函数,可以表示为:
其中,为常数,且是>0的常数,用于调节损失函数的权重。当我们允许较多样本不满足约束条件时,可以让小一点,即损失的权重小一点。反之允许较少样本不满足约束条件,就让大一点;表示特征值(S、W、P、ST、D、T、XU、I、WH以及R),为预测人流量,表示历史特征数据中对应的人数(C),为特征数据组数,为特征值的维度数,和均为损失函数的模型参数,为不敏感损失函数,即损失少于时视为不计算损失,其表达式如下:
其中,示意图如图2所示,其中,横轴为自变量,即特征值,纵轴为因变量,即预测值,、以及,由上至下分别为虚直线,实直线以及虚直线,其中为人流量预测模型表达式,空心圆圈为损失不为0的数据,实心圆圈为损失为0的数据。本申请实施例中模型训练的目的就是尽可能使得这个间隔带从样本的最密集地带(中心)穿过,达到拟合训练样本效果,从而得到符合预期的目标人流量预测模型,实现商业区域内人流量的预测。
作为一种示例,步骤S31至步骤S35包括:从所述训练集中提取各特征值(S、W、P、ST、D、T、XU、I、WH以及R)输入到各所述第一人流量预测模型中,获得对应的第一预测人数;基于预设损失函数以及各所述第一预测人数与训练集对应的真实人数N,确定各所述第一预测人数与对应的真实人数N之间的第一特征损失;将各所述第一人流量预测模型中的模型参数进行调整,获得调整后的预测人数以及调整后的第一特征损失;基于调整前的第一特征损失与调整后的第一特征损失的变化趋势,继续对各所述第一人流量预测模型中的模型参数进行优化,其中,若第一特征损失变小,则继续延续上次的调整方向,若第一特征损失变大,则以与上次的调整方向相反的方向对模型参数进行调整,其中,所述模型参数至少包括、、以及;在对所述第一商业区域的人流预警后,从所述测试集中提取各特征值(S、W、P、ST、D、T、XU、I、WH以及R)输入到各所述第一人流量预测模型中,获得对应的第二预测人数;基于预设损失函数以及各所述第二预测人数与测试集对应的真实人数N,确定各所述第一预测人数与对应的真实人数N之间的第二特征损失;判断所述第二特征损失是否大于预设阈值,若是,则返回执行步骤:从所述训练集中提取各特征值(S、W、P、ST、D、T、XU、I、WH以及R)输入到各所述第一人流量预测模型中,获得对应的第一预测人数;否则,停止对所述第一人流量预测模型的训练,并将所述第一人流量预测模型置为第二人流量预测模型。
另外,所述通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型的步骤包括:
步骤S41,所述历史特征数据随机分为预设数目份,并随机将其中一份作为测试集数据,其它历史特征数据作为训练集;
步骤S42,重复执行步骤:随机将其中一份作为测试集数据,其它历史特征数据作为训练集,直至获得预设数目组训练集和测试集;
步骤S43,将各组训练集和测试集分别输入所述第二人流量预测模型,获得所述第二人流量预测模型对应的各组评估结果;
步骤S44,计算各组评估结果的平均值,获得所述第二人流量预测模型的平均评估结果;
步骤S45,将平均评估结果最佳的第二人流量预测模型设置为目标人流量预测模型。
在本申请实施例中,需要说明的是,k-折交叉验证法是通过将历史特征数据随机划分成k份互斥子集,在需要评估验证第二人流量预测模型的性能时,随机选择一份子集作为测试集,其他份作为训练集,对第二人流量预测模型进行验证,获得对应的评估结果;并继续选择另一份子集作为测试集,以此类推,直至得到k个关于第二人流量预测模型的评估结果。这样可以有效地评估各核函数对应的第二人流量预测模型的表现,选出最合适的核函数。还可以在历史特征数据的基础上从各所述第二人流量预测模型中选择出最稳定的一个人流量预测模型,还能有效地避免过拟合和欠拟合。上述预设数目为k,可根据具体需求设置,k值越大,评估结果的稳定性和保真性越高,评估时间也越长;所述评估结果主要包括预测的准确率以及特征损失值等,用于衡量第二人流量预测模型的质量;其中,所述目标人流量预测模型即与人流量预测模型最贴合的核函数对应的第二人流量预测模型,即上述步骤也是确认最佳核函数的过程。
作为一种示例,步骤S41至步骤S45包括:将所述历史特征数据通过不重复抽样划分为容量相差不超过预设差值的k个互斥子集;随机选取各所述互斥子集中的一个子集作为测试集,其他子集作为训练集;重复执行步骤:随机选取各所述子集中未被选过的一个子集作为测试集,其他子集作为训练集,直至所有的子集都被选取完毕,获得k组评估数据,其中,每组评估数据中包括训练集和测试集。通过上述k组评估数据分别对各所述第二人流量预测模型进行模型评估,其中,所述模型评估的步骤包括依据各组中的训练集对所述第二人流量预测模型进行训练,再依据对应的测试集数据对所述第二人流量预测模型进行测试,获得对应的评估结果,直至k组评估数据全部使用完毕,得到k组评估结果;求各所述第二人流量预测模型对应的k组评估结果的平均值,获得各所述第二人流量预测模型的平均评估结果;依据各所述第二人流量预测模型的平均评估结果的,选择平均评估结果最佳的第二人流量预测模型作为目标人流量预测模型。
最后,所述人流预警方案至少包括预警信息,所述将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案的步骤包括:
步骤S51,获取预测时间与人流量阈值;
步骤S52,提取所述商业区域的当前人流量数据、当前时间数据、当前商家数据以及当前环境数据;
步骤S53,将所述区域数据、所述当前人流量数据、所述当前时间数据、所述当前商家数据、所述当前环境数据以及所述预测时间输入所述目标人流量预测模型,获得在所述预测时间后的预测人流量数据;
步骤S54,当所述预测人流量数据超过所述人流量阈值时,发出预警信息。
在本申请实施例中,需要说明的是,参照图4,所述当前特征数据(自变量)至少包括商业区域面积S、出口宽度和入口宽度之和W、日均客流量P、平均驻足时间ST、日期类型D、当前时间点T、当前人数N,促销情况X、线上评分情况U、经济环境I、天气情况WH以及交通拥堵指数R;所述预测时间段Y和人流量阈值(threshold)均为由管理人员确定的输入参数,可以根据具体需求而定,例如,若该商业区域内的人流量增长速度比较快,则可以将预测时间段设置短一点,便于及时疏导人流,所述预测人流量数据(因变量)和所述人流量阈值既可以为人流密度E,也可以为人数C,人流密度E可以由人数C和商业区域面积S确定(E=C/S),两者可以相互转化。所述预警信息可以为可视化提示窗口、移动端推送或蜂鸣声提示等方式。
作为一种示例,步骤S51至步骤S54包括:获取用户输入的预测时间段以及人流量阈值;通过所述商业区域的监控视频中提取所述商业区域内的当前人数;根据所述商业区域的监控视频的时间戳提取当前时间以及当前日期类型;获取所述商业区域的商业区域面积和出入口宽度和、当前促销情况、线上评分情况、日均客流量、平均驻足时间、当前经济环境、当前天气情况以及当前交通拥堵指数;将所述当前人数、所述当前时间、所述当前日期类型、所述商业区域面积、所述出入口宽度和、所述当前促销情况、所述线上评分情况、所述日均客流量、所述平均驻足时间、所述当前经济环境、所述当前天气情况、所述当前交通拥堵指数以及所述预测时间段输入所述目标人流量预测模型中,获得在所述预测时间段之后所述商业区域内的预测人流量数据,其中所述预测人流量数据至少包括人数或人流密度中的一种;判断所述预测人流量数据是否超过所述人流量阈值,若是,则向管理人员发送警示信息,所述警示信息为蜂鸣声;否则,继续对所述商业区域内的人流量进行预测。
作为一种优选,所述预测时间段可以为半小时。
作为一种优选,可以设置两个人流量阈值(threshold1和threshold2),其中,threshold1小于threshold2,当目标人流量预测模型输出的预测人流量数据超过threshold1时,向管理人员推送可视化提示窗口,以提醒管理人员关注预测人流量数据;当预测目标人流量预测模型输出的预测人流量数据超过threshold2时,向管理人员发出蜂鸣报警提示音,以提示管理人员执行提前疏导等措施,从而起到降低商业区域内的人流量和人流密度的效果。
本申请实施例提供了一种商业区域的人流预警方法,首先提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数,由此充分考虑了影响人流量的各个维度的因素,提高了人流量预测的准确性,基于预设支持向量回归算法与各核函数构建对应的第一人流量预测模型,并基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型,最后通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型,其中应用到了k-折交叉验证法提高了特征数据的利用率,在历史特征数据不足时能增加人流量预测模型评估的准确性,从而获得预测准确率较高的目标人流量预测模型,将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案,实现了公共场所内人流量的预测。借由所述目标人流量预测模型,能让管理人员能提前进行人流疏导,克服了在人流拥堵时进行人流管控与疏导效果差的技术缺陷,从而提高对公共场所内的人流进行管控和疏导的效果。
实施例二
本申请实施例还提供一种商业区域的人流预警装置,所述商业区域的人流预警装置应用于商业区域的人流预警设备,参照图5,所述商业区域的人流预警装置包括:
特征提取模块101,用于提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;
模型构建模块102,用于基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;
模型训练模块103,用于基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;
模型验证模块104,用于通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;
人流预警模块105,用于将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
可选地,所述模型训练模块还用于:
在所述历史特征数据中筛选出符合预设异常条件的异常数据;
将所述历史特征数据中的异常数据剔除。
可选地,所述模型构建模块还用于:
提取所述历史特征数据中的各特征维度;
基于支持向量回归算法构建各所述核函数对应的第一人流量预测模型,其中,所述第一人流量预测模型的自变量包括各所述特征维度。
可选地,所述模型训练模块还用于:
将所述历史特征数据划分为训练集和测试集,将所述训练集中的特征数据输入各所述第一人流量预测模型中,获得对应的第一预测人流量;
对比所述第一预测人流量与所述训练集中的特征数据中的人流量数据之间的差异,以对所述第一人流量预测模型中的模型参数进行调整;
将所述测试集中的特征数据输入各所述第一人流量预测模型中,获得对应的第二预测人流量;
将所述第二预测人流量与所述测试集中的特征数据中的人流量数据输入预设损失函数,计算特征损失值;
当所述特征损失值小于预设阈值时,停止对所述第一人流量预测模型的训练,获得各所述核函数对应的第二人流量预测模型。
可选地,所述模型验证模块还用于:
将所述历史特征数据随机分为预设数目份,并随机将其中一份作为测试集数据,其它历史特征数据作为训练集;
重复执行步骤:随机将其中一份作为测试集数据,其它历史特征数据作为训练集,直至获得预设数目组训练集和测试集;
将各组训练集和测试集分别输入所述第二人流量预测模型,获得所述第二人流量预测模型对应的各组评估结果;
计算各组评估结果的平均值,获得所述第二人流量预测模型的平均评估结果;
将平均评估结果最佳的第二人流量预测模型设置为目标人流量预测模型。可选地,所述人流预警模块还用于:
获取预测时间与人流量阈值;
提取所述商业区域的当前人流量数据、当前时间数据、当前商家数据以及当前环境数据;
将所述区域数据、所述当前人流量数据、所述当前时间数据、所述当前商家数据、所述当前环境数据以及所述预测时间输入所述目标人流量预测模型,获得在所述预测时间后的预测人流量数据;
当所述预测人流量数据超过所述人流量阈值时,发出预警信息。
本申请提供的商业区域的人流预警装置,采用上述实施例中的商业区域的人流预警方法,解决了人流拥堵时的对公共场所内的人流进行管控和疏导的效果差的技术问题。与现有技术相比,本申请实施例提供的商业区域的人流预警装置的有益效果与上述实施例提供的商业区域的人流预警方法的有益效果相同,且该商业区域的人流预警装置中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
实施例三
本申请实施例提供一种电子设备,电子设备包括:至少一个处理器;以及,与至少一个处理器通信链接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例一中的商业区域的人流预警方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(personal digital assistant,个人数字助理)、PAD(平板电脑)、PMP(Portable MediaPlayer,便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM,read only memory)中的程序或者从存储装置加载到随机访问存储器(RAM,random access memory)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也链接至总线。
通常,以下***可以链接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD,liquid crystaldisplay)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种***的电子设备,但是应理解的是,并不要求实施或具备所有示出的***。可以替代地实施或具备更多或更少的***。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的商业区域的人流预警方法,解决了人流拥堵时的对公共场所内的人流进行管控和疏导的效果差的技术问题。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例一提供的商业区域的人流预警方法的有益效果相同,且该电子设备中的其他技术特征与上一实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
实施例四
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例一中的商业区域的人流预警的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的***、***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可以包括但不限于:具有一个或多个导线的电链接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM,ErasableProgrammable Read-Only Memory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。在本实施例中,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***、***或者器件使用或者与其结合使用。计算机可读存储介质上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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
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公开的操作的计算机程序代码,上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,local area network)或广域网(WAN,Wide Area Network)—链接到用户计算机,或者,可以链接到外部计算机(例如利用因特网服务提供商来通过因特网链接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述商业区域的人流预警方法的计算机可读程序指令,解决了人流拥堵时的对公共场所内的人流进行管控和疏导的效果差的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的商业区域的人流预警方法的有益效果相同,在此不做赘述。
实施例五
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的商业区域的人流预警方法的步骤。
本申请提供的计算机程序产品解决了人流拥堵时的对公共场所内的人流进行管控和疏导的效果差的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的商业区域的人流预警方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种商业区域的人流预警方法,其特征在于,所述商业区域的人流预警方法包括:
提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;
基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;
基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;
通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;
将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
2.如权利要求1所述商业区域的人流预警方法,其特征在于,在所述基于所述历史特征数据对各所述第一人流量预测模型进行训练的步骤之前,还包括:
在所述历史特征数据中筛选出符合预设异常条件的异常数据;
将所述历史特征数据中的异常数据剔除。
3.如权利要求1所述商业区域的人流预警方法,其特征在于,所述基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型的步骤包括:
提取所述历史特征数据中的各特征维度;
基于支持向量回归算法构建各所述核函数对应的第一人流量预测模型,其中,所述第一人流量预测模型的自变量包括各所述特征维度。
4.如权利要求3所述商业区域的人流预警方法,其特征在于,所述基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型的步骤包括:
将所述历史特征数据划分为训练集和测试集,将所述训练集中的特征数据输入各所述第一人流量预测模型中,获得对应的第一预测人流量;
对比所述第一预测人流量与所述训练集中的特征数据中的人流量数据之间的差异,以对所述第一人流量预测模型中的模型参数进行调整;
将所述测试集中的特征数据输入各所述第一人流量预测模型中,获得对应的第二预测人流量;
将所述第二预测人流量与所述测试集中的特征数据中的人流量数据输入预设损失函数,计算特征损失值;
当所述特征损失值小于预设阈值时,停止对所述第一人流量预测模型的训练,获得各所述核函数对应的第二人流量预测模型。
5.如权利要求4所述商业区域的人流预警方法,其特征在于,所述预设损失函数的表达式为:
其中,为惩罚常数,且是大于0的常数,用于调节所述预设损失函数的权重,为各所述特征维度对应的特征值,为所述第二预测人流量,表示所述历史特征数据中对应的总人数,为历史特征数据的组数,为特征维度的维度数目,和均为所述预设损失函数的模型参数,为不敏感损失函数,为不敏感参数。
6.如权利要求1所述商业区域的人流预警方法,其特征在于,所述通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型的步骤包括:
将所述历史特征数据随机分为预设数目份,并随机将其中一份作为测试集数据,其它历史特征数据作为训练集;
重复执行步骤:随机将其中一份作为测试集数据,其它历史特征数据作为训练集,直至获得预设数目组训练集和测试集;
将各组训练集和测试集分别输入所述第二人流量预测模型,获得所述第二人流量预测模型对应的各组评估结果;
计算各组评估结果的平均值,获得所述第二人流量预测模型的平均评估结果;
将平均评估结果最佳的第二人流量预测模型设置为目标人流量预测模型。
7.如权利要求1所述商业区域的人流预警方法,其特征在于,所述人流预警方案至少包括预警信息,所述将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案的步骤包括:
获取预测时间与人流量阈值;
提取所述商业区域的当前人流量数据、当前时间数据、当前商家数据以及当前环境数据;
将所述区域数据、所述当前人流量数据、所述当前时间数据、所述当前商家数据、所述当前环境数据以及所述预测时间输入所述目标人流量预测模型,获得在所述预测时间后的预测人流量数据;
当所述预测人流量数据超过所述人流量阈值时,发出预警信息。
8.一种商业区域的人流预警装置,其特征在于,所述商业区域的人流预警装置包括:
特征提取模块,用于提取商业区域的历史特征数据,其中,所述历史特征数据至少包括区域数据、人流量数据、时间数据、商家数据以及环境数据,所述区域数据至少包括商业区域面积和出入口宽度,所述人流量数据至少包括商业区域内总人数、商业区域中各商铺的平均人流量以及平均驻足时间,所述时间数据至少包括历史特征数据对应的时间点和日期类型,所述商家数据至少包括商家促销情况和线上评分情况,所述环境数据至少包括天气情况、经济环境以及交通拥堵指数;
模型构建模块,用于基于预设支持向量回归算法与预设的多个核函数构建对应的第一人流量预测模型;
模型训练模块,用于基于所述历史特征数据对各所述第一人流量预测模型进行训练,获得各所述核函数对应的第二人流量预测模型;
模型验证模块,用于通过k-折交叉验证法对各所述第二人流量预测模型进行评估,确定目标人流量预测模型;
人流预警模块,用于将所述区域数据、当前人流量数据、当前时间数据、当前商家数据、当前环境数据以及预测时间输入所述目标人流量预测模型,生成人流预警方案。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信链接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的商业区域的人流预警方法的步骤。
10.一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上存储有实现商业区域的人流预警方法的程序,所述实现商业区域的人流预警方法的程序被处理器执行以实现如权利要求1至7中任一项所述商业区域的人流预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294587.0A CN116029395B (zh) | 2023-03-24 | 2023-03-24 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294587.0A CN116029395B (zh) | 2023-03-24 | 2023-03-24 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029395A true CN116029395A (zh) | 2023-04-28 |
CN116029395B CN116029395B (zh) | 2023-08-04 |
Family
ID=86077863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294587.0A Active CN116029395B (zh) | 2023-03-24 | 2023-03-24 | 商业区域的人流预警方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029395B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056730A (zh) * | 2023-09-08 | 2023-11-14 | 广西大也智能数据有限公司 | 数据预测的方法、装置、设备及存储介质 |
CN117557300A (zh) * | 2024-01-12 | 2024-02-13 | 湖南大学 | 基于主要设备的能耗数据推演商业活跃度的方法及*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914744A (zh) * | 2014-04-23 | 2014-07-09 | 北京市市政工程设计研究总院有限公司 | 一种地铁站地下商业客流预测方法及装置 |
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
CN109640249A (zh) * | 2018-11-27 | 2019-04-16 | 佛山科学技术学院 | 一种基于大数据的商场人流量预测*** |
CN109977759A (zh) * | 2019-01-30 | 2019-07-05 | 长视科技股份有限公司 | 一种面向智慧商超的客流统计监控*** |
US20200097815A1 (en) * | 2018-09-21 | 2020-03-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting passenger flow |
CN110991734A (zh) * | 2019-11-29 | 2020-04-10 | 西安理工大学 | 一种基于多目标优化和svr的地铁客流预测方法 |
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 |
CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
CN113240197A (zh) * | 2020-12-31 | 2021-08-10 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
CN113256326A (zh) * | 2021-04-30 | 2021-08-13 | 深圳云瞰科技有限公司 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
CN113473592A (zh) * | 2021-06-21 | 2021-10-01 | 上海邮电设计咨询研究院有限公司 | 客流监测***及方法 |
CN113850417A (zh) * | 2021-08-27 | 2021-12-28 | 浙江浙大中控信息技术有限公司 | 一种基于车站客流预测的客流组织决策方法 |
CN113869963A (zh) * | 2021-11-01 | 2021-12-31 | 北京深演智能科技股份有限公司 | 智能预测用户到场情况的方法、装置及数据处理设备 |
CN114202103A (zh) * | 2021-11-17 | 2022-03-18 | 浙江桢数科技有限公司 | 一种基于机器学习的节假日景区客流预测方法 |
CN114529037A (zh) * | 2021-12-30 | 2022-05-24 | 天翼电子商务有限公司 | 一种实时获取景区人流量的方案 |
-
2023
- 2023-03-24 CN CN202310294587.0A patent/CN116029395B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914744A (zh) * | 2014-04-23 | 2014-07-09 | 北京市市政工程设计研究总院有限公司 | 一种地铁站地下商业客流预测方法及装置 |
CN107844848A (zh) * | 2016-09-20 | 2018-03-27 | ***通信集团湖北有限公司 | 一种区域人流量预测方法及*** |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
US20200097815A1 (en) * | 2018-09-21 | 2020-03-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting passenger flow |
CN109640249A (zh) * | 2018-11-27 | 2019-04-16 | 佛山科学技术学院 | 一种基于大数据的商场人流量预测*** |
CN109977759A (zh) * | 2019-01-30 | 2019-07-05 | 长视科技股份有限公司 | 一种面向智慧商超的客流统计监控*** |
CN110991734A (zh) * | 2019-11-29 | 2020-04-10 | 西安理工大学 | 一种基于多目标优化和svr的地铁客流预测方法 |
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 |
CN113240197A (zh) * | 2020-12-31 | 2021-08-10 | 深圳云天励飞技术股份有限公司 | 一种商城客流量的预测方法、装置、电子设备及存储介质 |
CN113033618A (zh) * | 2021-03-03 | 2021-06-25 | 四川大学 | 基于支持向量回归的分层水库取水下泄水温预测模型及预测方法 |
CN113256326A (zh) * | 2021-04-30 | 2021-08-13 | 深圳云瞰科技有限公司 | 一种基于深度学习实现商超大屏点位人流量预测的方法 |
CN113473592A (zh) * | 2021-06-21 | 2021-10-01 | 上海邮电设计咨询研究院有限公司 | 客流监测***及方法 |
CN113850417A (zh) * | 2021-08-27 | 2021-12-28 | 浙江浙大中控信息技术有限公司 | 一种基于车站客流预测的客流组织决策方法 |
CN113869963A (zh) * | 2021-11-01 | 2021-12-31 | 北京深演智能科技股份有限公司 | 智能预测用户到场情况的方法、装置及数据处理设备 |
CN114202103A (zh) * | 2021-11-17 | 2022-03-18 | 浙江桢数科技有限公司 | 一种基于机器学习的节假日景区客流预测方法 |
CN114529037A (zh) * | 2021-12-30 | 2022-05-24 | 天翼电子商务有限公司 | 一种实时获取景区人流量的方案 |
Non-Patent Citations (2)
Title |
---|
WEIJIE ZHOU等: "A grey seasonal least square support vector regression model for time series forecasting", 《ISA TRANSACTIONS》, pages 1 - 53 * |
陈志刚等: "城市商业综合体人群聚集踩踏风险及监测预警研究—以西单大悦城为例", 《中国安全生产科学技术》, vol. 15, no. 2, pages 157 - 163 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056730A (zh) * | 2023-09-08 | 2023-11-14 | 广西大也智能数据有限公司 | 数据预测的方法、装置、设备及存储介质 |
CN117557300A (zh) * | 2024-01-12 | 2024-02-13 | 湖南大学 | 基于主要设备的能耗数据推演商业活跃度的方法及*** |
CN117557300B (zh) * | 2024-01-12 | 2024-04-05 | 湖南大学 | 基于主要设备的能耗数据推演商业活跃度的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116029395B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116029395B (zh) | 商业区域的人流预警方法、装置、电子设备及存储介质 | |
Koesdwiady et al. | Improving traffic flow prediction with weather information in connected cars: A deep learning approach | |
Xiao et al. | Short-term traffic volume prediction by ensemble learning in concept drifting environments | |
US10831827B2 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
Zheng et al. | Investigation of model ensemble for fine-grained air quality prediction | |
CN111898675B (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
Sun et al. | Bidirectional spatial–temporal network for traffic prediction with multisource data | |
Li et al. | Multi-task spatio-temporal augmented net for industry equipment remaining useful life prediction | |
CN113836241B (zh) | 时序数据分类预测方法、装置、终端设备及存储介质 | |
Rahman et al. | A deep learning approach for network-wide dynamic traffic prediction during hurricane evacuation | |
CN108229542A (zh) | 一种基于时序分析技术的循环借贷信用风险监测方法 | |
KR102005874B1 (ko) | 인공신경망 기반 부동산 시장 분석 장치 및 방법 | |
Liao et al. | MFGCN: a multimodal fusion graph convolutional network for online car-hailing demand prediction | |
Liu et al. | Hidformer: Hierarchical dual-tower transformer using multi-scale mergence for long-term time series forecasting | |
Guo et al. | Learning and integration of adaptive hybrid graph structures for multivariate time series forecasting | |
Prabowo et al. | Continually learning out-of-distribution spatiotemporal data for robust energy forecasting | |
CN117391466A (zh) | 一种新型矛盾纠纷案件的预警方法和*** | |
Hua et al. | Freeway traffic speed prediction under the intelligent driving environment: a deep learning approach | |
Cao et al. | Cluster-based correlation of severe driving events with time and location | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及*** | |
Hopfe et al. | Short-term forecasting airport passenger flow during periods of volatility: Comparative investigation of time series vs. neural network models | |
WO2023051085A1 (zh) | 对象识别方法、装置、设备、存储介质和程序产品 |
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 |