一种基于WIIFI长短时记忆的室内人流分布预测方法技术

本发明专利技术涉及一种基于WIIFI长短时记忆的室内人流分布预测方法，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。本发明专利技术提出的一种基于WIIFI长短时记忆的室内人流分布预测方法，通过被动式WIFI以及LSTM模型的有机结合，实现不同区域、不同时间段等多种情况的人流分布预测。

A prediction method for indoor pedestrian flow based on WIIFI long and short time memory

The invention relates to an indoor stream distribution prediction method based on the memory of WIIFI long and short time. By setting the WIFI detection unit in the indoor location to be detected, the flow data of the WIFI equipment carried by the indoor human flow individual are collected and uploaded to a data receiving server and stored in a database. Flow data, through a LSTM prediction unit, get the prediction results of indoor flow distribution. An indoor flow distribution prediction method based on WIIFI long and short time memory is proposed in this invention. Through the organic combination of passive WIFI and LSTM model, the prediction of human flow distribution in different regions and different time periods is realized.

【技术实现步骤摘要】
一种基于WIIFI长短时记忆的室内人流分布预测方法
本专利技术涉及被动式WIFI定位技术、机器学习方法、深度学习方法，特别是一种基于WIIFI长短时记忆的室内人流分布预测方法。
技术介绍
随着经济、科技的高速发展，各类大型建筑纷纷涌现，如大型商场、机场等。这些大型建筑结构复杂、功能多样，能满足人们方方面面的需求，因此每天都有大量的人聚集在这些建筑当中。尽管现在的建筑越来越便捷，但建筑管理方、使用方仍有许多问题亟需解决。如对于商场当中的商铺而言，需要根据人流分布进行一些商业规划，广告宣传也与人流量紧密相关；而对于建筑管理方，除满足消费者的基本使用需求外，仍然需要在建筑节能、安全保障上多下功夫，而这也与人流分布密切相关。因此，如果能够专利技术一种既能实时采集人流量数据，又能根据现有人流量数据预测未来某一时段某区域的人流量方法，将为建筑的智能化发展做出极大贡献。目前已有的人流预测方法主要有神经网络、时间序列模型、卡尔曼滤波模型、支持向量回归模型和混合组合模型等。然而上述方法对样本数据的特征选择都是基于一定的先验知识，不能充分地挖掘出数据的本质特征，例如神经网络、支持向量回归等预测模型等均属于浅层模型，在有限的样本和计算单元的条件下，对复杂函数的表达能力有限，泛化能力受到了限制。人流量本身就是一个复杂的量，与众多因素相关，如一个区域内的人流不仅与该区域过去、当前的人流有关，还与周边区域的过去、未来人流有关，因此无法应用现有的模型对未来人流作出一个较为准确的预测。近年来深度学习作为一种新的机器学习方法开始受到研究人员和商业人士的高度关注。深度学习结构是一个包含多隐层的多层感知器，通过学习一种深层的非线性网络结构来实现复杂函数的逼近。针对大数据，深度学习能够通过底层的特征组合，抽象高层特征来实现数据的分布式表示，从而可以更好地刻画出数据的本质特征。长短期记忆人工神经网络（Long-ShortTermMemory:LSTM）是一种改进的时间循环神经网络（RecurrentNeuralNetworks：RNN），LSTM由于具有长时间记忆历史数据和自动确定最佳的历史时滞的处理时间序列的能力因此适用于预测人流分布。
技术实现思路
本专利技术的目的在于提供一种基于WIIFI长短时记忆的室内人流分布预测方法，以克服现有技术中存在的缺陷。为实现上述目的，本专利技术的技术方案是：一种基于WIIFI长短时记忆的室内人流分布预测方法，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。在本专利技术一实施例中，所述WIFI探测单元包括若干个设置于所述室内场所待检测位置的WIFI探测器。在本专利技术一实施例中，所述WIFI探测器采用路由器。在本专利技术一实施例中，所述人流数据包括：WIFI设备MAC地址、个体（X，Y）位置数据以及采样时间。在本专利技术一实施例中，所述WIFI设备MAC地址分别对应一个个体；所述个体（X，Y）位置数据通过探测WIFI设备的RSSI值，并结合定位算法获取；所述采样时间为通过所述WIFI探测单元对所述WIFI设备MAC地址以及所述个体（X，Y）位置数据采样的时间，且为1min。在本专利技术一实施例中，所述LSTM预测单元包括：周总人流预测模型、日总人流预测模型、周区域人流预测模型、日区域人流预测模型、时区域人流预测模型、周区域流向预测模型、日区域流向预测模型以及时区域流向预测模型。在本专利技术一实施例中，对于进入每个预测模型的数据训练之前，建立一训练样本空间。在本专利技术一实施例中，将采集的人流数据按照不同区域不同时间的个体数、不同流向不同时间的个体数建立表，并存储于所述训练样本空间。在本专利技术一实施例中，滑动保存每个预测模型所建立的训练样本空间中的数据，每个样本空间的存储空间大小为预设，当采集到最新的样本数据时，剔除存储时间大于预设时间阈值的样本数据，采用最新的样本数据，以在预测的同时不断的训练对应的模型。在本专利技术一实施例中，从所述数据库中提取一个月的样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，每天扣除重复计算的MAC地址；再将处理过的样本数据送入所述周总人流预测模型训练，获取未来一周内周一到周天7天的人流量预测；从所述数据库中提取一周的样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述日总人流预测模型训练，获取未来一天内0时到23时的人流量预测；从所述数据库中提取该区域一个月的样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的MAC地址，每天扣除重复计算的MAC地址；再将处理过的样本数据送入所述周区域人流预测模型训练，获取未来一周内周一到周天该区域的人流量预测；从所述数据库中提取该区域一周的样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述日区域人流预测模型中训练，获取未来一天内0时到23时该区域的人流量预测；从所述数据库中提取该区域一天的样本数据，并将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的MAC地址，扣除重复计算的MAC地址；再将处理过的样本数据送入所述时区域人流预测模型训练，获取未来一小时内0分到59分该区域的人流量预测；从所述数据库中提取一个月的流向样本数据，并将这一个月内每周的样本数据分别按周一到周天的顺序统计出总的流向；再将处理过的样本数据送入所述周区域流向预测模型训练，获取未来一周内周一到周天流向预测；从所述数据库中提取一周的流向样本数据，并将这一周内每天的样本数据分别按0时到23时的顺序统计出总的流向；再将处理过的样本数据送入所述日区域流向预测模型训练，获取未来一天内0时到23时的流向预测；从所述数据库中提取一天的流向样本数据，并将这一天内每小时的样本数据分别按0分到59分的顺序统计出总的流向；再将处理过的样本数据送入所述时区域流向预测模型训练，获取未来一小时内0分到59分的流向预测。相较于现有技术，本专利技术具有以下有益效果：本专利技术提出了一种基于WIIFI长短时记忆的室内人流分布预测方法，利用普及的具有WIFI功能的设备，结合被动式WIFI技术采集定位数据，再根据被动式WIFI的定位数据，利用LSTM模型进行人流分布的预测。深度学习当中的LSTM模型能够长时间记忆历史数据，因此能够很好的处理待预测区域过去、未来的人流分布，及周边区域未来、过去的人流分布对该区域未来人流分布的影响。附图说明图1为本专利技术中一种基于WIIFI长短时记忆的室内人流分布预测方法的结构图。图2为本专利技术一实施例中STM单元结构图。图3为本专利技术一实施例中基于LSTM模型的人流预测框架图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术提供一种基于WIIFI长短时记忆的室内人流分布预测方法，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述本文档来自技高网...

【技术保护点】
1.一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。

【技术特征摘要】
1.一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，通过设置于室内场所待检测位置的WIFI探测单元，采集基于室内人流个体所携带的WIFI设备的人流数据，并上传至一数据收发服务器，并存储一数据库中；根据所述人流数据，通过一LSTM预测单元，获取室内场所人流分布预测结果。2.根据权利要求1所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述WIFI探测单元包括若干个设置于所述室内场所待检测位置的WIFI探测器。3.根据权利要求2所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述WIFI探测器采用路由器。4.根据权利要求1所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述人流数据包括：WIFI设备MAC地址、个体（X，Y）位置数据以及采样时间。5.根据权利要求4所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述WIFI设备MAC地址分别对应一个个体；所述个体（X，Y）位置数据通过探测WIFI设备的RSSI值，并结合定位算法获取；所述采样时间为通过所述WIFI探测单元对所述WIFI设备MAC地址以及所述个体（X，Y）位置数据采样的时间，且为1min。6.根据权利要求1所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，所述LSTM预测单元包括：周总人流预测模型、日总人流预测模型、周区域人流预测模型、日区域人流预测模型、时区域人流预测模型、周区域流向预测模型、日区域流向预测模型以及时区域流向预测模型。7.根据权利要求6所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，对于进入每个预测模型的数据训练之前，建立一训练样本空间。8.根据权利要求7所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，将采集的人流数据按照不同区域不同时间的个体数、不同流向不同时间的个体数建立表，并存储于所述训练样本空间。9.根据权利要求6所述的一种基于WIIFI长短时记忆的室内人流分布预测方法，其特征在于，滑动保存每个预测模型所建立的训练样本空间中的数据，每个样本空间的存储空间大小为预设，当采集到最新的样本数据时，剔除存储时间大于预设时间阈值的样本...

【专利技术属性】
技术研发人员：陈静，林雅婷，阴存翊，江灏，王尤刚，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35