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 ...
【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
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。