一种人群流量预测方法及系统技术方案

本发明专利技术提供一种人群流量预测方法及系统，所述方法包括：S1，对目标区域进行栅格化获取各栅格区域，并对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样；其中，每次周期采样的周期各不相同；S2，根据所有所述栅格区域中每次的周期采样结果，使用卷积神经网络获取每次所述周期采样对应的特征图集合；S3，根据每次所述周期采样对应的特征图集合，使用长短时记忆神经网络获取各所述栅格区域的人群流量预测值。本发明专利技术一方面，同时结合时间和空间特征使人群流量预测的结果更精确；另一方面，能自主学习空间和时间特征，不需要人为操作，具有较高的灵活性。

A method and system for prediction of population flow

The present invention provides a method and system for prediction of crowd flow. The method includes: S1, raster the target area to obtain the grid area, and sample the crowd flow of each time in the raster area at the preset historical time period, in which the period of each period sampling is different; S2, According to the results of each periodic sampling in all the raster areas, the convolution neural network is used to obtain the set of feature graphs corresponding to each period sampled. S3, according to the set of characteristic graph of each period sampled, the prediction value of the crowd flow in the raster area is obtained by using the long short time memory neural network. On the one hand, the present invention combines time and space features to make the result of crowd flow prediction more accurate; on the other hand, it can learn space and time characteristics independently, without human operation, and has high flexibility.

【技术实现步骤摘要】
一种人群流量预测方法及系统
本专利技术属于数据预测领域，更具体地，涉及一种人群流量预测方法及系统。
技术介绍
人群流量预测对地区交通管理和公共安全有着非常重要的作用。如今商业网点和娱乐场所的规模越来越大。生活便利的同时，综合性商业区使得人群逗留时间长，活动类型增多。在人群密集的地方很容易诱发事故，特别是节假日、季节性促销等导致的人群短时高密度聚集。如果可以预测一个区域的人群流动情况，当发现人群流动量较大时，可提前进行交通控制和发出警告，这样就可以减轻或防止事故的方生。对人群流量进行预测，可以用于提高管理部门的信息感知能力和应急处置能力，对于合理控制商业网点人口，预防人群类事故的发生具有重要的意义。目前，在人群流量预测方面，机器学习的方法较为广泛。使用基于统计的特征学习方法描述人群的纹理，可以满足高密度场景下的人群密度预警。但基于规则和特征提取的机器学习方法一方面需要人工提取特征，提取特征的难度较大，具有较强的人为主观性，且较为繁琐；另一方面，为取得较好的预测效果，需要不断的调整和优化特征提取策略，灵活性不高，不具有普适性。
技术实现思路
为克服现有的人群流量预测方法在保证较好的预测效果的情况下预测难度大，繁琐的问题或者至少部分地解决上述问题，本专利技术提供了一种人群流量预测方法及系统。根据本专利技术的第一方面，提供一种人群流量预测方法，包括：S1，对目标区域进行栅格化获取各栅格区域，并对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样；其中，每次周期采样的周期各不相同；S2，根据所有所述栅格区域中每次的周期采样结果，使用卷积神经网络获取每次所述周期采样对应的特征图集合；S3，根据每次所述周期采样对应的特征图集合，使用长短时记忆神经网络获取各所述栅格区域的人群流量预测值。具体地，S1中对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样的步骤具体包括：对预设历史时间段内各所述栅格区域中各时刻的人群流量进行三次周期采样；其中，一次周期采样的周期为第一时长，一次周期采样的周期为第二时长，一次周期采样的周期为第三时长，所述第一时长大于所述第二时长，所述第二时长大于所述第三时长。具体地，所述步骤S1中对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样的步骤具体包括：S11，根据用户的位置信息，获取各时刻进入各所述栅格区域的第一人群流量和从各所述栅格区域流出的第二人群流量；S12，对各所述栅格区域的第一人群流量和所述第二人群流量分别进行多次周期采样。具体地，所述步骤S11之前还包括：使用插值法对用户的位置信息进行补全。具体地，所述步骤S11具体包括：对于任一所述栅格区域中的每个时刻，将当前时刻位于该栅格区域，且当前时刻的上一时刻不在该栅格区域的用户数量作为当前时刻进入该栅格区域的第一人群流量；将当前时刻不在该栅格区域，且当前时刻的下一时刻位于该栅格区域的用户数量作为当前时刻从该栅格区域流出的第二人群流量。具体地，所述步骤S3具体包括：S31，将每次所述周期采样对应的特征图集合作为所述长短时记忆神经网络的输入，获取各所述栅格区域中每次周期采样对应的中间值；S32，对各所述栅格区域中每次周期采样对应的中间值进行融合，获取各所述栅格区域的人群流量预测值。具体地，所述步骤S31具体包括：将每次所述周期采样对应的特征图集合作为所述长短时记忆神经网络的输入，计算所述长短时记忆神经网络的记忆单元和所述记忆单元的输出门；根据所述记忆单元和所述记忆单元的输出门，计算各所述栅格区域中每次所述周期采样对应的中间值。根据本专利技术的第二方面，提供一种人群流量预测系统，包括：采样单元，用于对目标区域进行栅格化获取各栅格区域，并对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样；其中，每次周期采样的周期各不相同；第一获取单元，用于根据所有所述栅格区域中每次的周期采样结果，使用卷积神经网络获取每次所述周期采样对应的特征图集合；第二获取单元，用于根据每次所述周期采样对应的特征图集合，使用长短时记忆神经网络获取各所述栅格区域的人群流量预测值。根据本专利技术的第三方面，提供一种人群流量预测设备，包括：至少一个处理器、至少一个存储器和总线；其中，所述处理器和存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。根据本专利技术的第四方面，提供一种非暂态计算机可读存储介质，用于存储如前所述方法的计算机程序。本专利技术提供一种人群流量预测方法及系统，该方法通过使用卷积神经网络挖掘各栅格区域中人群流量的空间特征，通过使用长短时记忆神经网络挖掘各栅格区域中人群流量的时间特征，从而同时从空间和时间两个维度对各栅格区域中的人群流量进行预测，一方面，使人群流量预测的结果更精确；另一方面，能自主学习空间和时间特征，不需要人为操作，具有较高的灵活性。附图说明图1为本专利技术实施例提供的人群流量预测方法整体流程示意图；图2为本专利技术实施例提供的人群流量预测方法中卷积记忆神经网络模型结构示意图；图3为本专利技术实施例提供的人群流量预测方法中长短时记忆神经元结构示意图；图4为本专利技术实施例提供的人群流量预测方法中某一时刻所有栅格区域的人群流量预测示意图；图5为本专利技术实施例提供的人群流量预测系统整体结构示意图；图6为本专利技术实施例提供的人群流量预测设备整体结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。在本专利技术的一个实施例中提供一种人群流量预测方法，图1为本专利技术实施例提供的人群流量预测方法整体流程示意图，该方法包括：S1，对目标区域进行栅格化获取各栅格区域，并对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样；其中，每次周期采样的周期各不相同；S2，根据所有所述栅格区域中每次的周期采样结果，使用卷积神经网络获取每次所述周期采样对应的特征图集合；S3，根据每次所述周期采样对应的特征图集合，使用长短时记忆神经网络获取各所述栅格区域的人群流量预测值。具体地，S1中，所述目标区域为需要进行人群流量预测的区域。根据所述目标区域的经纬度，将所述目标区域划分为多个栅格区域，如划分为边长为500的正方块。将各所述栅格区域抽象为行列矩阵A，假设各栅格位于行列矩阵的第i行，第j列，则各栅格可以表示为Aij。分别计算预设历史时间段内每一时刻各栅格区域的人群流量。所述人群流量为进出各栅格区域的用户数量。然后对各栅格区域中所述预设历史时间段内所有时刻的人群流量进行多次周期采样。对各所述栅格区域的人群流量每次周期采样所使用的周期不同。每次周期采样获取一组人群流量。本实施例不限于所述周期采样的次数。S2中，将所有所述栅格区域中每次的周期采样结果分别作为所述卷积神经网络(ConvolutionalNeuralNetwork，CNN)的输入，所述卷积神经网络输出每次周期采样对应的特征图集合，即一次周期采样对应一个所述特征图集合。使用所述卷积神经网络挖掘空间特征。在空间维度上，各所述栅格区域的人群流量受到相邻栅格区域人群流动变化的影响，特别对于某些突发事件引发的高并发的人群流动变化，相邻栅格区域的人群流本文档来自技高网...

【技术保护点】
1.一种人群流量预测方法，其特征在于，包括：S1，对目标区域进行栅格化获取各栅格区域，并对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样；其中，每次周期采样的周期各不相同；S2，根据所有所述栅格区域中每次的周期采样结果，使用卷积神经网络获取每次所述周期采样对应的特征图集合；S3，根据每次所述周期采样对应的特征图集合，使用长短时记忆神经网络获取各所述栅格区域的人群流量预测值。

【技术特征摘要】
1.一种人群流量预测方法，其特征在于，包括：S1，对目标区域进行栅格化获取各栅格区域，并对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样；其中，每次周期采样的周期各不相同；S2，根据所有所述栅格区域中每次的周期采样结果，使用卷积神经网络获取每次所述周期采样对应的特征图集合；S3，根据每次所述周期采样对应的特征图集合，使用长短时记忆神经网络获取各所述栅格区域的人群流量预测值。2.根据权利要求1所述的方法，其特征在于，S1中对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样的步骤具体包括：对预设历史时间段内各所述栅格区域中各时刻的人群流量进行三次周期采样；其中，一次周期采样的周期为第一时长，一次周期采样的周期为第二时长，一次周期采样的周期为第三时长，所述第一时长大于所述第二时长，所述第二时长大于所述第三时长。3.根据权利要求1所述的方法，其特征在于，所述步骤S1中对预设历史时间段内各所述栅格区域中各时刻的人群流量进行多次周期采样的步骤具体包括：S11，根据用户的位置信息，获取各时刻进入各所述栅格区域的第一人群流量和从各所述栅格区域流出的第二人群流量；S12，对各所述栅格区域的第一人群流量和所述第二人群流量分别进行多次周期采样。4.根据权利要求3所述的方法，其特征在于，所述步骤S11之前还包括：使用插值法对用户的位置信息进行补全。5.根据权利要求3所述的方法，其特征在于，所述步骤S11具体包括：对于任一所述栅格区域中的每个时刻，将当前时刻位于该栅格区域，且当前时刻的上一时刻不在该栅格区域的用户数量作为当前时刻进入该栅格区域的第一人群流量；将当前时刻不在该栅格区域，且当前时刻的下一时刻位于该栅格区域的用...

【专利技术属性】
技术研发人员：李超，袁明明，
申请(专利权)人：北京天元创新科技有限公司，
类型：发明
国别省市：北京,11