一种基于深度学习的区域人群密度预测方法及装置制造方法及图纸

本发明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及装置。所述方法包括：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，分别训练第一时间切片数据和第二时间切片数据，确定近邻预测数据和第一周期预测数据；根据近邻预测数据和第一周期预测数据，确定待测区域的人群预测值；根据待测区域的面积和人群预测值，计算待测区域的人群密度。本发明专利技术实施例分别提取时间邻近特征和周期特征，较全面地保留了人流量历史时间序列数据特征，通过加权系数得到预测结果，提高了预测精度。

A regional population density prediction method and device based on deep learning

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的人流量历史时间序列数据；处理模块，用于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；训练模块，用于基于深度学习模型，分别对所述第一时间切片数据和所述第二时间切片数据进行学习，确定近邻预测数据和第一周期预测数据；预测模块，用于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；计算模块，用于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。第三方面，本专利技术实施例提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器通过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下方法：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。第四方面，本专利技术实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下方法：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。本专利技术实施例提供的基于深度学习的区域人群密度预测方法，从待测区域的人流量历史时间序列数据中提取第一时间切片数据和第二时间切片数据，训练第一时间切片数据和第二时间切片数据得到待测区域的人群预测值并计算待测区域的人群密度，通过时间切片减少数据量，提高运算时效，通过第一时间切片数据和第二时间切片数据分别提取时间邻近特征和周期特征，较全面地保留了人流量历史时间序列数据特征，应用深度学习模型分别训练第一时间切片数据和第二时间切片数据，通过加权系数得到预测结果，提高了预测精度。附图说明为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的基于深度学习的区域人群密度预测方法流程示意图；图2为本专利技术实施例提供的基于深度学习的区域人群密度预测装置的结构示意图；图3为本专利技术实施例提供的电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的基于深度学习的区域人群密度预测方法流程示意图，如图1所示，该方法包括：步骤S11、获取待测区域对应的人流量历史时间序列数据；具体地，首先获取待测区域的历史人流量数据，例如获取某一区域在一段时间内的监控视频，对监控视频进行分析，确定每个时刻的人流量数据，然后将这些人流量数据构建成该区域的人流量历史时间序列数据{N0,N1,...Nt,...Nn-1}，其中Nt为t时刻人流量，n为历史人流量数据的个数，例如获取待测区域在一年内每个整点时刻的历史人流量数据，则可以构建人流量历史时间序列数据{N0,N1,...,N8759}，其中n＝365*24＝8760。步骤S12、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；具体地，在实际应用中，人流量历史时间序列数据较多，如果直接使用人流量历史时间序列数据作为训练数据进行训练，将导致计算量非常大，为了减少计算量，可以截取一部分数据。具体地，预先设置第一预设时间窗口，根据第一预设时间窗口截取一部分人流量历史时间序列数据，作为第一时间切片数据。例如，从{N0,N1,...,N8759}中截取{N8000,N8001,...,N8759}作为第一时间切片数据，这样第一时间切片数据就可以保留原始数据中的相邻数据特征。由于第一时间切片数据只保留了一段人流量数据，无法体现全量数据隐含的周期特征，因此，还可以预先设置第一预设周期，根据第一预设周期从人流量历史时间序列数据中提取周期性的人流量数据，作为第二时间切片数据。例如，以24小时为周期，从{N0,N1,...,N8759}中截取{N0,N23,...,N8736}作为第二时间切片数据，这样第二时间切片数据就可以保留原始数据中的周期性数据特征。步骤S13、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；具体地，将第一时间切片数据作为训练集，基于深度学习模型对第一时间切片数据进行训练，将训练结本文档来自技高网...

【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