一种基于随机森林的高校快递网络节点流量预测方法技术

本发明专利技术涉及一种基于随机森林的高校快递网络节点流量预测方法，包括以下具体步骤：步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P

【技术实现步骤摘要】
一种基于随机森林的高校快递网络节点流量预测方法
本专利技术属于校园物流
，具体涉及一种基于随机森林的高校快递网络节点流量预测方法。
技术介绍
近年来，电子商务产业的逐渐成熟，网购平台的普及和大学生消费能力的提高，都为高校校园快递服务提供了巨大的市场，而目前高校内快递的运营方式多是采用驿站存放以及用户自取的方式。而高校的校园建筑占地面积较广，校园区域内地理信息采集不完整，校园内各节点之间的关系存在盲区，现有人流量预警模型系统大多数服务于城市生活领域，缺少针对校园区域且具有校园特点的人流量预警系统，目前无法根据校园各节点之间的关系、各节点人流量情况、快递服务点位置、被服务者所在位置等信息进行快递服务点的人流量预警，而这也导致了高校快递点拥挤、被服务者在取快递的行程中耗费时间过长、高校区域地理信息不完整等问题，亟待解决。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种结构简单，设计合理的一种基于随机森林的高校快递网络节点流量预测方法。本专利技术通过以下技术方案来实现上述目的：一种基于随机森林的高校快递网络节点流量预测方法，包括以下具体步骤：步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}；r>步骤S3.将步骤S2以天为单位重复R次，计算N个道路关键节点在每个时间段内的人员流量平均值得到平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...,SN(ave)}；步骤S4.基于步骤S1中得到的各个道路关键交叉节点的经纬度信息集合P与步骤S3中得到的平均人员流量集合PScore(ave)结合转换出每个时间段内校园地图的无向带权图，再将无向带权图转换成与其相应的邻接矩阵集合M＝{M1,M2,M3,...,M180}；步骤S5.采集被服务者当前所在位置的经纬度信息Pu、快递服务点的经纬度信息Pe与当前所处时间段Tj；步骤S6.对快递点进行人流量监控，同样以T为时间间隔，在TStart与TEnd之间进行流量检测，以天为单位重复R次后，得到快递点人流量集合E＝{E1,E2,E3,...,ER}，确定快递服务点的人员容纳量C，根据人流量集合E和人员容纳量C计算出相应快递服务点的标签集合L＝{L1,L2,L3,...,LR}；步骤S7.重复步骤S3得到新的校园区域各道路关键节点在时间间隔为T的平均人流量结合PScore1(ave)，然后与步骤S6中得到的标签集合L形成随机森林的训练集，对随机森林模型进行训练，再利用训练完成后的随机森林模型从校园区域内N各道路关键节点中筛选出对快递点状态影响极低的h个节点，剔除h个节点后得到快递点状态与其他节点的关系特征，并在下次模型训练时更新；步骤S8.基于步骤S5中得到的被服务者经纬度信息Pu、快递服务点的经纬度信息Pe与步骤S1中得到的经纬度信息集合P进行逐个的距离计算，并得出当前被服务者距离最小的关键节点PStart和与快递服务点距离最小的关键节点PEnd；步骤S9.根据步骤S5中得到的当前所处时间段Tj确定邻接矩阵集合中的Mz，然后根据步骤S6中得到的起始位置PStart和终止位置PEnd，结合Mz利用Floyd算法找到z时间段内的最优路线Wz；步骤S10.利用步骤S7中训练完成的随机森林模型对z时间段内的快递点状态进行预测，得到当前时间段内的快递点预测状态yz，然后通过监控器实时获取当前时刻TN下最优路线Wz和快递点的人流量数据并与预测状态数据进行对比；步骤S11.将步骤S9中得到的最优路线Wz与步骤S10中得到的快递点预测状态yz以及通过监控器实时获取的人流量数据汇总至服务器端，经过服务器端处理后传输至被服务者处。作为本专利技术的进一步优化方案，所述人员流量数据集合PScore＝{S1,S2,S3,...,SN}中的SN＝{SN1,SN2,SN3,...,SN180}，其中，SN为第N个道路关键交叉节点在每个时间段内人流量的集合。作为本专利技术的进一步优化方案，所述步骤S3中的R＝30，其中，中的Skj是第k(0＜k≤N)个道路关键交叉节点在第j(0＜j≤180)个时间段内的人流量集合，平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...SN(ave)}中的SN(ave)＝{SN1(ave),SN2(ave),SN3(ave),...SN180(ave)}。作为本专利技术的进一步优化方案，所述快递点人流量集合E＝{E1,E2,E3,...,ER}中的ER＝{ER2,ER3,ER4,...,ER180}，其为第R天以T为时间间隔的人流量集合，在计算标签集合时，将的快递点状态定义为不拥挤状态，将的快递点状态定义为拥挤状态，将的快递点状态定义为严重拥挤状态，其中，Eij为第i天第j个时间段内快递点的实际人流量。本专利技术的有益效果在于：1)本专利技术在校园区域内确定了多个关键节点，并根据被服务者的需求找到各节点之间的关系，节点之间实现数据协同，将校园网络化、关系化、数据化、智能化；2)本专利技术预测模型拥有源源不断的训练数据与标签值，自动化整理训练数据与其对应的标签值，并不断更新各网络节点之间的关系；3)本专利技术具有良好的通用性，不仅仅局限于快递点服务领域，还可更改为任意两个节点之间的预测模型。附图说明图1是本专利技术中生成邻接矩阵的流程框图；图2是本专利技术中随机森林模型训练流程框图；图3是本专利技术中最优路线的计算流程框图；图4是本专利技术中随机森林模型筛选出的价值较高的校园道路关键节点示意图。具体实施方式下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。实施例1如图1-3所示，一种基于随机森林的高校快递网络节点流量预测方法，包括以下具体步骤：步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}；其中，SN＝{SN1,SN2,SN3,...,SN180}，其中，SN为第N个道路关键交叉节点在每个时间段内人流量的集合。步骤S3.将步骤S2以天为单位重复R次，计算N个道路关键节点在每个时间段内的人员流量平均值得到平均人员流量集合PScor本文档来自技高网...

【技术保护点】
1.一种基于随机森林的高校快递网络节点流量预测方法，其特征在于，包括以下具体步骤：/n步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P

【技术特征摘要】
1.一种基于随机森林的高校快递网络节点流量预测方法，其特征在于，包括以下具体步骤：
步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；
步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}；
步骤S3.将步骤S2以天为单位重复R次，计算各个道路关键交叉节点在每个时间段内的人员流量平均值得到平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...,SN(ave)}；
步骤S4.基于步骤S1中得到的各个道路关键交叉节点的经纬度信息集合P与步骤S3中得到的平均人员流量集合PScore(ave)结合转换出每个时间段内校园地图的无向带权图，再将无向带权图转换成与其相应的邻接矩阵集合M＝{M1,M2,M3,...,M180}；
步骤S5.采集被服务者当前所在位置的经纬度信息Pu、快递服务点的经纬度信息Pe、当前所处时间段Tj与当前时刻TN；
步骤S6.对快递点进行人流量监控，同样以T为时间间隔，在TStart与TEnd之间进行流量检测，以天为单位重复R次后，得到快递点人流量集合E＝{E1,E2,E3,...,ER}，确定快递服务点的人员容纳量C，根据人流量集合E和人员容纳量C计算出相应快递服务点的标签集合L＝{L1,L2,L3,...,LR}；
步骤S7.重复步骤S3得到新的校园区域各道路关键节点在时间间隔为T的平均人流量结合PScore1(ave)，然后与步骤S6中得到的标签集合L形成随机森林的训练集，对随机森林模型进行训练，利用训练完成后的随机森林模型从校园区域内N各道路关键节点中筛选出对快递点状态影响极低的h个节点，剔除h个节点后得到快递点状态与其他节点的关系特征，并在下次模型训练时更新；
步骤S8.基于步骤S5中得到的被服务者经纬度信息Pu、快递服务点的经纬度信息Pe与步骤S1中得到的经纬度信息集合P进行逐个的距离计算，并得出当前被服务者...

【专利技术属性】
技术研发人员：刘澳，姚越，陈祎琼，毕家泽，张玮，朱伟杰，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽;34