The embodiment of the invention provides a regional crowd density prediction method and device based on deep learning. The method includes: obtaining the historical time series data of the human flow corresponding to the area to be measured; determining the first time slice data according to the human flow historical time sequence data and the first preset time window, determining second time slice data according to the human flow historical time sequence data and the first preset period; based on the depth study. The first time slice data and second time slice data are trained to determine the near neighbour prediction data and the first cycle prediction data. According to the near neighbor prediction data and the first periodic forecast data, the population prediction value of the area to be measured is determined. Group density. The present invention extracts the time feature and the periodic feature of the time respectively, and keeps the data characteristics of the historical time series of human flow, and obtains the prediction result through the weighting coefficient, and improves the prediction precision.
【技术实现步骤摘要】
一种基于深度学习的区域人群密度预测方法及装置
本专利技术实施例涉及机器学习
,具体涉及一种基于深度学习的区域人群密度预测方法及装置。
技术介绍
随着国民经济的迅速发展,人民生活水平不断提高,大型演唱会、体育比赛或节日庆典等公众群体性聚集活动不断增多。由于区域人群密度突然增加造成的公共安全事件时有发生。为保证公众活动场所的人员安全,保证大型活动的人员交通畅通,对区域人群进行密度预测,用以保障社会公共安全。现有的人员密度预测方法通过监控视频获取区域内历史时间人流量数据,从全量时间数据中截取“时间窗口”内的时间数据进行深度学习,预测区域未来某个时间段的人员密度。然而,应用时间窗口内的数据作为训练数据进行学习,仅考虑了一段时间内的时间数据,导致预测精度较低。
技术实现思路
针对现有技术中的缺陷,本专利技术实施例提供了一种基于深度学习的区域人群密度预测方法及装置。第一方面,本专利技术实施例提供一种基于深度学习的区域人群密度预测方法,包括:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。第二方面,本专利技术实施例提供一种基于深度学习的区域人群密度预测装置,包括:获取模块,用于获取待测区域对应 ...
【技术保护点】
1.一种基于深度学习的区域人群密度预测方法,其特征在于,包括:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。
【技术特征摘要】
1.一种基于深度学习的区域人群密度预测方法,其特征在于,包括:获取待测区域对应的人流量历史时间序列数据;根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据;基于深度学习模型,分别训练所述第一时间切片数据和所述第二时间切片数据,确定近邻预测数据和第一周期预测数据;根据所述近邻预测数据和所述第一周期预测数据,确定所述待测区域的人群预测值;根据所述待测区域的面积和所述人群预测值,计算所述待测区域的人群密度。2.根据权利要求1所述的方法,其特征在于,所述获取待测区域对应的人流量历史时间序列数据,包括:获取待测区域内所有终端设备的测量报告,根据所述测量报告确定所述待测区域对应的历史人流量数据;根据所述历史人流量数据,确定所述待测区域对应的人流量历史时间序列数据。3.根据权利要求1所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,包括:根据公式(1)确定第一时间切片数据:其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lc为第一预设时间窗口,Nc为第一时间切片数据。4.根据权利要求1所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据,包括:根据公式(2)确定第二时间切片数据:其中,Nt为所述人流量历史时间序列数据中t时刻对应的人流量,lp为第二预设时间窗口,p为第一预设周期,Np为第二时间切片数据。5.根据权利要求1所述的方法,其特征在于,所述深度学习模型包括但不限于:深度全连接网络、深度残差网络或长短期记忆神经网络。6.根据权利要求1-5任一所述的方法,其特征在于,所述根据所述人流量历史时间序列数据和第一预设时间窗口,确定第一时间切片数据,根据所述人流量历史时间序列数据和第一预设周期,确定第二时间切片数据,还包括:根据所述人流量历史时间序列数据和第二预设周期,确定第三时...
【专利技术属性】
技术研发人员:陈亮,张传刚,李林,
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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。