一种景区人流控制系统及方法技术方案

本发明专利技术提出一种景区人流控制系统及方法，包括：信息采集模块，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；人流预测结果模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；人流控制模块，根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。本申请的技术方案充分利用了能够影响人流预测的多维度的数据信息进行人流预测，而且考虑到时序上对人流数据的影响，将LSTM网络用于对人流的预测上，此外，为了进一步提升人流预测的准确性，还采用DCNN进行人流的预测，增强了人流预测的准确性。

【技术实现步骤摘要】
一种景区人流控制系统及方法
本专利技术属于人流预测控制
，尤其具体涉及一种景区人流控制系统及方法。
技术介绍
据报道，2021年5月2日，安徽六安金寨天堂寨游客暴涨，超过交通运输承载能力，近万人下山途中滞留。不得不徒步前往游客中心，沿途道路拥挤。之后，售票处出现大量游客聚集高喊退票，直到晚上9点。这种旅游体验十分糟糕，且存在重大安全隐患。景区人流量数据不仅可以反映景区历史和当前的游客承载量和分布情况，同时还为管理者对未来决策提供数据支持，提高经营效率。而提前做出足够精确的人流预测数据和分析，可以帮助景区管理者进行合理控制规划提供重要参考，便于及时采取更具有针对性的一些措施和方案。而且，申请人注意到，发生人员滞留的时间点不是在5月1日当天，而是第二天。此外，即便同一天，不同时间点的人流情况也差异很大。经过申请人对大量数据的分析研究后发现，不同景区的旅客人数爆发量确实跟时间点具有重要关联，此外，天气因素、距离远近、疫情影响等等因素都是影响人流的重要因素。中国旅游业经过近几年的蓬勃发展，已经积累的海量的数据。为解决上述问题，申请人提出利用多维度数据结合人流预测模型对景区人流进行预测分析，利用所提出的深度神经网络，本申请所提出的神经网络模型对合理控制人流分布具有重要意义。本申请的有益效果如下：1.充分利用大数据多维度的特性，将之用于景区人流的预测，提升了预测的精度，克服了以往单一的指标预测，比如仅通过日期进行预测。在景区人流预测领域，属于首创，并非常规技术手段或公知常识。2、本申请在深度神经网络中利用长短期记忆网络LSTM(LongShort-TermMemory)的特点，能够更加准确的利用短期数据特征及长期数据特征应用于人流的准确预测，预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。在景区人流预测领域，属于首创。并非常规技术手段或公知常识。3.本申请还采用了余弦激励函数及正弦指数损失函数用于对整个深度神经网络的训练，极大提升了训练精度。在景区人流预测领域，属于首创。并非常规技术手段或公知常识。
技术实现思路
为更准确理解本专利技术，需先简要理解回顾下面的基本概念。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutionalneuralnetworks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBeliefNets，简称DBNs)就是一种无监督学习下的机器学习模型。LSTM(LongShort-TermMemory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一。深度卷积神经网络DCNN,则是具有多个CNN层的网络结构。合理推定本领域技术人员均已知晓与上述有关的基础概念，故而后文仅对与本申请独创性贡献的内容进行展开描述。在能够理解上述基本概念及常规操作方式的基础上，本申请提出了一种景区人流控制系统，所述系统包括：信息采集模块，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；人流控制模块，根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。可选的，所述日期信息具体包括年、月、日、星期几、小时。可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为1-10公里。可选的，人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN，所述深度卷积神经网络DCNN包括：一个或多个卷积层、一个或多个池化层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数，记为f(),其中其中，θyi表示为样本i与其对应标签yi的向量夹角；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；可选的，所述深度卷积神经网络利用了正弦指数损失函数(Sine-Index-Softmax)增强人流预测的准确性；所述正弦指数损失函数为：其中，θyi表示为样本i与其对应标签yi的向量夹角，其中byi表示样本i在其标签yi处的偏差，bj表示输出节点j处的偏差；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重。人流预测模型的LSTM模块可以处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，因此人流预测模型的预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。通过这种方式，可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。类似的，本申请还提出了一种景区人流控制方法，所述方法包括：利用信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；利用人流预测模块进行人流预测，将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；利用人流控制模块根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。可选的，所述日期信息具体包括年、月、日、星期几、小时。可选的，所述一设定阈值范围内的车流信息和人流信息来自与本文档来自技高网...

【技术保护点】
1.一种景区人流控制系统，所述系统包括：/n信息采集模块，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；/n人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；/n人流控制模块，根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。/n

【技术特征摘要】
1.一种景区人流控制系统，所述系统包括：
信息采集模块，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；
人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；
人流控制模块，根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。


2.根据权利要求1所述的景区人流控制系统，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。


3.根据权利要求1所述的景区人流控制系统，所述日期信息具体包括年、月、日、星期几、小时。


4.根据权利要求1所述的景区人流控制系统，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警-景区联动平台，所述一设定阈值设定为3公里。


5.一种景区人流控制方法，所述方法包括：
利用信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围...

【专利技术属性】
技术研发人员：周震宇，叶琴，
申请(专利权)人：湘南学院，
类型：发明
国别省市：湖南;43