一种基于序列到序列模型的人群数量预测方法以及装置制造方法及图纸

本发明专利技术公开了一种基于序列到序列模型的人群数量预测方法以及装置，包括以下步骤：在场景中选取K个监控点，所述监控点包括输入监控点K

A method and device for crowd number prediction based on sequence to sequence model

【技术实现步骤摘要】
一种基于序列到序列模型的人群数量预测方法以及装置


[0001]本专利技术涉及人群数量预测
，特别涉及一种基于序列到序列模型的人群数量预测方法以及装置。

技术介绍

[0002]深度学习由于其强大的非线性拟合能力，已经被广泛地应用于图像识别、语音处理、自然语言处理、推荐系统等领域。为了对机器翻译这种多对多映射问题进行建模，许多团队都各自独立提出了基于深度学习的序列到序列模型(Seq2Seq)。随着近几年的发展，Seq2Seq模型已经被迁移到各种领域当中，在语音识别、金融分析、气象预测、交通预测等领域都获得了成功的应用，具有巨大的经济价值。
[0003]近年来，人群行为建模逐渐引起业界的关注。对人群行为的准确预测能够给治安、人群疏导、出入口管制等工作提供精确的指导，能够提升行人的通行效率、防止踩踏、保障行人安全等。在机场、地铁、大型商场等公共场合都有巨大的应用前景。然而，相比于道路交通行驶路径的约束性，人群的行走具有相当大的自由度，加上行人个人意识、群体意志的影响，人群行为的建模十分复杂，具有相当的难度。目前对人群行为的建模仿真有基于流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于序列到序列模型的人群数量预测方法，其特征在于，包括以下步骤：步骤S1，在场景中选取K个监控点，所述监控点包括输入监控点K
in
和预测监控点K
pred
；步骤S2，选取T个时刻的人群轨迹数据，对每个监控点半径R范围内的人数进行统计，得出每时刻各个监控点的人数数据；用形状为(T，K
in
+K
pred
)的矩阵A存储下来；步骤S3，通过滑动窗口的方法，对矩阵A进行数据处理，生成模型训练的数据集；步骤S4，将数据集输入至序列到序列模型中得出预测结果，所述序列到序列模型包括编码器和解码器，将数据集输入至编码器后，经过编码器编码生成上下文向量context；随后context输入到解码器中解码得出预测结果。2.根据权利要求1所述的一种基于序列到序列模型的人群数量预测方法，其特征在于，所述步骤S2中人群轨迹数据中每时刻的人数都在变化，在保证监控点数目不变的情况下，将不等长的数据处理成等长的数据。3.根据权利要求1所述的一种基于序列到序列模型的人群数量预测方法，其特征在于，所述步骤S3中所述滑动窗口包括输入窗口、间隔窗口和预测窗口；所述间隔窗口在输入窗口和预测窗口之间，所述间隔窗口用于增大输入窗口和预测窗口之间的因果关系关联度，所述滑动窗口的大小为W；所述输入窗口的大小为W
in
；所述间隔窗口的大小为W
gap
；所述预测窗口的大小为W
pred
；所述输入窗口的作用是提取K
in
个输入监控点集在历史W
in
长度时间段内的人数数据；所述间隔窗口的作用是将输入窗口与预测窗口的位置间隔开，以让输入输出数据的因果关系能够对齐；所述间隔窗口的作用是提取K
pred
个预测监控点在未来W
pred
时间段内的人数数据。4.根据权利要求3所述的一种基于序列到序列模型的人群数量预测方法，其特征在于，所述滑动窗口W为输入窗口W
in
、间隔窗口W
gap
和预测窗口W
pred
的和；如公式(1)：W＝W
in
+W
gap
+W
pred
ꢀꢀꢀꢀꢀꢀ
(1)所述滑动窗口产生一个形如(N，W，K)的三维张量B；其中N为数据集大小，K为监控点总个数，通过公式(2)(3)计算：其中s为滑动窗口的步长；K＝K
in
+K
pred
ꢀꢀꢀꢀꢀ
(3)对张量B进行归一化，如公式(4)：其中max为数据中人数的最大值；对归一化后的三维张量B进行切分，将输入窗口中输入监控点的数据切分出来，得到训练数据的输入张量X，形状为(N，W
in
，K
in
)；将预测窗口中预测监控点的数据切分出来，得到训练数据的真实值张量Y，形状为(N，W
pred
，K
pred
)；由此得出的张量X和Y即为模型训练的数据集。5.根据权利要求4所述的一种基于序列到序列...

【专利技术属性】
技术研发人员：钟竞辉，刘伟恒，蔡文桐，
申请(专利权)人：中新国际联合研究院，
类型：发明
国别省市：