预测客流量的方法及装置制造方法及图纸

本公开提出一种预测客流量的方法及装置，涉及数据预测技术领域。所述方法包括：获取历史客流量序列，所述历史客流量序列包括多个按时序排列的历史客流量，基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列，其中，所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。本公开能够提高预测客流量的准确性和效率。

Method and Device for Predicting Passenger Flow

【技术实现步骤摘要】
预测客流量的方法及装置
本公开涉及数据预测
，具体而言，涉及一种预测客流量的方法及装置。
技术介绍
对于景区和交通枢纽等公共场所，由于来往的人员众多，如果不能准确预估针对该场所的客流量，可能会导致实际客流量超出该场所的承载能力，甚至带来更为严重的后果。因此，亟需一种预测客流量的方法。现有技术中，通常是根据工作人员的经验，按照往年同一时刻的客流量，预测当前的客流量。但由于社会生活水平发展迅速，按照往年同一时刻的客流量的参考价值非常有限，往往难以准确预测当前的客流量。
技术实现思路
本公开的目的在于提供一种预测客流量的方法及装置，以提高预测客流量的准确性和效率。为了实现上述目的，本公开采用的技术方案如下：第一方面，本公开提出一种预测客流量的方法，所述方法包括：获取历史客流量序列，所述历史客流量序列包括多个按时序排列的历史客流量；基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列，其中，所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。第二方面，本公开还提出一种预测客流量的装置，所述装置包括：获取模块，用于获取历史客流量序列，所述历史客流量序列包括多个按时序排列的历史客流量；预测模块，用于基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列，其中，所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。第三方面，本公开还提出一种电子设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现上述第一方面所述的方法。第四方面，本公开还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器读取并运行时，实现上述第一方面所述的方法。相对现有技术，本公开具有以下有益效果：在本公开实施例中，能够获取历史客流量序列，并基于递归径向基循环神经网络模型，通过该历史客流量序列，预测得到预测客流量序列。由于递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理，因此，通过递归径向基循环神经网络模型进行客流量预测，能够充分考虑客流量在时序上的连续性，也能够利用径向基函数的非线性映射记忆特性，充分考虑递归径向基循环神经网络模型各层之间复杂的映射关系，从而提高了预测客流量的准确性和效率。本公开的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开了解。本公开的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明为了更清楚地说明本公开的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1示出了本公开所提供的一种预测客流量的方法的流程示意图；图2示出了本公开所提供的另一种预测客流量的方法的流程示意图；图3示出了本公开所提供的另一种预测客流量的方法的流程示意图；图4示出了本公开所提供的一种预测客流量的装置的功能模块示意图；图5示出了本公开所提供的另一种预测客流量的装置的功能模块示意图；图6示出了本公开所提供的另一种预测客流量的装置的功能模块示意图；图7示出了本公开所提供的另一种预测客流量的装置的功能模块示意图；图8示出了本公开所提供的另一种预测客流量的装置的功能模块示意图；图9示出了本公开所提供的一种电子设备的功能模块示意图。具体实施方式下面将结合本公开中附图，对本公开中的技术方案进行清楚、完整地描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。请参照图1，为本公开所提供的一种预测客流量的方法的流程示意图。需要说明的是，本公开所述的预测客流量的方法并不以图1以及以下所述的具体顺序为限制，应当理解，在其它实施例中，本公开所述的预测客流量的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。下面将对图1所示的流程进行详细阐述。步骤101，获取历史客流量序列，该历史客流量序列包括多个按时序排列的历史客流量。为了对未来一段时间的客流量进行预测，需要获取预测数据，且由于客流量的变化与时间的变化是有所关联的，比如对于某景区在旺季和淡季之间有明显的下降和回升，并能够在旺季到达顶峰、在淡季达到低谷，或者对于更短的时间范围内，比如春节假期和国庆节假期，客流量会在临近假期逐渐上升，并在假期的最后时间达到顶峰，之后逐渐下降，因此，可以为了便于根据当前时刻前的客流量变化，预测未来一段时间的客流量，预测数据可以包括历史客流量序列。预测数据为用于对客流量进行预测的数据。历史客流量为在当前时刻之前特定时间段内的客流量。其中，该特定时间段可以包括每年、每季、每月、每旬、每天、每小时等，当然，在实际应用中，该特定时间段还以包括更长或更短的时间段。历史客流量序列中包括的多个历史客流量，可以按照该多个历史客流量分别所对应的特定时间段的时序排列。比如历史客流量序列包括当日之前最近10日内每日的客流量，则可以按照该10日的客流量所对应的日期，将该10日的客流量进行排序得到历史客流量序列。需要说明的是，在实际应用中，由于还有其它因素也可能会对客流量造成影响，比如所预测客流量的场所位置和性质、气候变化等信息，因此，根据实际的预测需求，预测数据还可以包括其它可能会影响客流量的数据。步骤102，基于递归径向基循环神经网络模型，通过该历史客流量序列，预测得到预测客流量序列，其中，该递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。由于RNN(RecurrentNeuralNetwork，递归基循环神经网络)能够将当前时刻的隐藏状态层的状态作为下一时刻隐藏状态层的输入，从而能够将前一时刻和下一时刻之间的预测值紧密联系，充分考虑数据之间的连贯性，在通过RNN进行客流量预测时，即能够充分考虑客流量在时序上的连续性，从而能够准确地根据在当前时刻之前的客流量，对未来时间的客流量进行准确预测。且由于RBF(Radialbasisfunction，径向基函数)，具有非线性映射记忆特性，因此，为了充分考虑RNN各层之间复杂的映射关系，提高预测客流量的效率，可以将RBF和RNN相结合，即通过递归径向基循环神经网络模型快速准确地对客流量进行预测。RNN是一种节点定向连接成环的人工神经网络，该网络的内部状态可以展示动态时序行为，在处理单元之间既有内部的反馈连接又有前馈连接。其中，RNN可以包括输入层、隐藏状态层和输出层，且输入层与隐藏状态层通过连接权重矩阵U连接，隐藏状态层与输出层之间通过连接权重矩阵V连接，相邻时刻的隐藏状态层之间通过连接权重矩阵W连接。RBF是一个取值仅仅依赖于离原点距离的实值函数。其中，RBF可以包括下述中的任一个函数。立方近似函数：薄板样条函数：高斯函数：多二次函数：逆多二次函数：递归径向基循环神经网络模型在前述RNN的基础上，将RNN其中的隐藏状态层通过RBF处理，经RBF处理后的隐藏状态层与输出层之间通过连接权重矩阵V连接。预测客本文档来自技高网...

【技术保护点】
1.一种预测客流量的方法，其特征在于，所述方法包括：获取历史客流量序列，所述历史客流量序列包括多个按时序排列的历史客流量；基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列，其中，所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。

【技术特征摘要】
1.一种预测客流量的方法，其特征在于，所述方法包括：获取历史客流量序列，所述历史客流量序列包括多个按时序排列的历史客流量；基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列，其中，所述递归径向基循环神经网络模型中的隐藏状态层经过预设径向基函数处理。2.如权利要求1所述的预测客流量的方法，其特征在于，在所述基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列之前，所述方法还包括：获取训练样本，对所述递归径向基循环神经网络模型进行训练，确定输入层与所述隐藏状态层的连接权重矩阵U、连接经过所述预设径向基函数处理的隐藏状态层与输出层的连接权重矩阵V和连接所述隐藏状态层与所述隐藏状态层前一时刻的隐藏状态层的连接权重矩阵W。3.如权利要求2所述的预测客流量的方法，其特征在于，所述递归径向基循环神经网络模型包括多个径向基函数，且所述递归径向基循环神经网络模型中的隐藏状态层分别经过多个所述径向基函数处理，所述获取训练样本，对所述递归径向基循环神经网络模型进行训练，包括：基于预设的评价标准分别对基于多个所述径向基函数预测得到的预测客流量序列进行评价，得到分别与各所述径向基函数对应的评价数据；将评价数据最高的径向基函数确定为所述预设径向基函数。4.如权利要求1所述的预测客流量的方法，其特征在于，在所述获取历史客流量序列之后，所述方法还包括：判断所述历史客流量序列中是否存在异常历史客流量；若存在所述异常历史客流量，基于所述异常历史客流量相邻的多个历史客流量，对所述异常历史客流量进行修正。5.如权利要求1所述的预测客流量的方法，其特征在于，在所述基于递归径向基循环神经网络模型，通过所述历史客流量序列，预测得到预测客流量序列之后，所述方法还包括：基于至少一种客流量影响因子对所述预测客流量序列进行修正处理，其中，所述客流量影响因子包括天气因子、经济因子或时间因子。6.如权利要求1或5所述的预测客流量的方法，其特征在于，在所述基于递归径向基循环神经网络模型...

【专利技术属性】
技术研发人员：覃进学，王丹，蓝科，刘旻哲，
申请(专利权)人：成都四方伟业软件股份有限公司，
类型：发明
国别省市：四川,51