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。该方法包括：将待测区域划分为多个栅格，获取每个栅格的历史流入时间序列数据和历史流出时间序列数据；对历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个栅格的流入时空序列数据和流出时空序列数据；根据流入时空序列数据、流出时空序列数据和第一预设时间窗口，确定流入时间切片数据和流出时间切片数据；基于深度学习模型，分别训练流入时间切片数据和流出时间切片数据，确定流入预测数据和流出预测数据；根据流入预测数据和流出预测数据，确定每个栅格的人群密度。本发明专利技术实施例根据时间特征和空间特征进行预测，提高了预测精度。

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

The embodiment of the present invention provides an area population density prediction method and device based on depth learning. The method includes: dividing the area to be measured into several grids, obtaining the historical inflow time series data and the historical outflow time series data of each grid; performing the depth convolution operation on the historical inflow time series data and the historical outflow time series data respectively, determining the inflow time series data and outflow of each grid. Spatio-temporal sequence data; according to the inflow spatial-temporal sequence data, outflow spatial-temporal sequence data and the first preset time window, the inflow temporal slice data and outflow temporal slice data are determined; based on the depth learning model, the inflow temporal slice data and outflow temporal slice data are trained respectively, and the inflow prediction data and outflow pre-prediction data are determined. The population density of each grid is determined according to the inflow and outflow prediction data. The embodiment of the invention predicts according to the time characteristics and spatial characteristics, and improves the prediction accuracy.

【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每个子区域的人流量数据，根据区域空间特征进行深度学习，预测区域的人员密度。然而，基于区域的预测方法仅考虑“空间”数据特征，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：将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；基于深度学习模型，分别训练所述第一流入时间切片数据和第一流出时间切片数据，确定第一流入预测数据和第一流出预测数据；根据所述第一流入预测数据和第一流出预测数据，确定每个所述栅格的人群密度。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，用于将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；卷积模块，用于对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；提取模块，用于根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；训练模块，用于基于深度学习模型，分别训练所述第一流入时间切片数据和第一流出时间切片数据，确定第一流入预测数据和第一流出预测数据；预测模块，用于根据所述第一流入预测数据和第一流出预测数据，确定每个所述栅格的人群密度。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：将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；基于深度学习模型，分别训练所述第一流入时间切片数据和第一流出时间切片数据，确定第一流入预测数据和第一流出预测数据；根据所述第一流入预测数据和第一流出预测数据，确定每个所述栅格的人群密度。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：将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；基于深度学习模型，分别训练所述第一流入时间切片数据和第一流出时间切片数据，确定第一流入预测数据和第一流出预测数据；根据所述第一流入预测数据和第一流出预测数据，确定每个所述栅格的人群密度。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，通过区域栅格化，对栅格进行深度卷积运算，提取区域空间特征，分别从流入序列数据和流出序列数据进行人群密度预测，较全面的保留空间数据特征，通过时间切片，减少数据量，提高运算时效，应用深度学习模型分别训练流入时间切片数据和流出时间切片数据，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待测区域栅格化示意图；图3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4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、将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；具体地，首先将待测区域R划分为I*J个栅格，其中，I表示栅格的总行数，J表示栅格的总列数，每个栅格标识为grid(i,j),i∈[1,I],j∈[1,J],其中I和J可以根据经验设置，根据实际情况，不同的待测区域可以划分为不同的I*J个栅格。例如，将A区域划分为10*20个栅格，B区域划分为15*15个栅格等。然后获取待测区域中每个栅格的历史人流量数据，例如获取某一栅格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栅格的历史流入时间序列数据和历史流出时间序列数据。这样，就可以确定待测区域中各个栅格的流入和流出人员的流动数据，相比于只使用固定数据来预测区域人员密度，预测结果更加准确。步骤S12、对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；具体地，对每个栅格的历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，提取栅格的空间特征，构建空间特征提取后的每个栅格的流入时空序列数据和流出时空序列数据，这些数据不仅包括了每个栅格的时间信息，还包括了每个栅格的空间信息，将时间信息与空间信息融合，能够进一步提高密度预测的准确度。步骤S13、根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；具体地，在实际应用中，流入时空序列数据和流出时空序列数据较多，如果直接使用流入时空序列数据和流出时空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：将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；基于深度学习模型，分别训练所述第一流入时间切片数据和第一流出时间切片数据，确定第一流入预测数据和第一流出预测数据；根据所述第一流入预测数据和第一流出预测数据，确定每个所述栅格的人群密度。

【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：将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据；对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据；根据所述流入时空序列数据、所述流出时空序列数据和第一预设时间窗口，确定第一流入时间切片数据和第一流出时间切片数据；基于深度学习模型，分别训练所述第一流入时间切片数据和第一流出时间切片数据，确定第一流入预测数据和第一流出预测数据；根据所述第一流入预测数据和第一流出预测数据，确定每个所述栅格的人群密度。2.根据权利要求1所述的方法，其特征在于，所述将待测区域划分为多个栅格，获取每个所述栅格的历史流入时间序列数据和历史流出时间序列数据，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；根据所述待测区域的经纬度信息，将待测区域划分为多个栅格；根据所述历史人流量数据，确定每个所述栅格的历史流入时间序列数据和历史流出时间序列数据。3.根据权利要求2所述的方法，其特征在于，所述根据所述历史人流量数据，确定每个所述栅格的历史流入时间序列数据和历史流出时间序列数据，包括：根据公式(1)确定每个栅格的历史流入时间序列数据：其中，表示每个所述栅格的历史流入时间序列数据，为历史人流量数据中t时刻栅格grid(i,j)的历史流入数据，A为计数函数，∑表示t时刻符合计数条件的人员总数，g(t)为t时刻某个人员所在的栅格坐标，I为待测区域中栅格的总行数，J为待测区域中栅格的总列数；根据公式(2)确定每个栅格的历史流出时间序列数据：其中，表示每个所述栅格的历史流出时间序列数据，为历史人流量数据中t时刻栅格grid(i,j)的历史流出数据。4.根据权利要求1所述的方法，其特征在于，所述对所述历史流入时间序列数据和历史流出时间序列数据分别进行深度卷积运算，确定每个所述栅格的流入时空序列数据和流出时空序列数据，包括：根据公式(3)确定每个所述栅格的流入时空序列数据：其中，为栅格的流入时空序列数据，为每个所述栅格的历史流入时间序列数据，C为卷积核；I为待测区域中栅格的总行数，J为待测区域中栅格的总列数，m，n为卷积参数；根据公式(4)确定每个所述栅格的流出时空序列数据：其中，为栅格的流出时空序列数据，为每个所述栅格的历史流出时间序列数据，C为卷积核。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...

【专利技术属性】
技术研发人员：陈亮，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