客流量预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请公开了一种客流量预测方法、装置、计算机设备和存储介质，涉及人工智能趋势预测技术领域。所述方法包括：获取预测时间段，并确定预测时间段对应的历史时间段，获取历史时间段内历史客流量序列、客流量影响因子和活动波动因子，活动波动因子由历史时间段内活动日客流量与非活动日客流量的比值确定，根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列，根据非活动日的预测客流量序列和活动波动因子，得到预测时段内活动日的预测客流量序列。采用本方法能够预测活动日和非活动日两个维度的客流量，实现更为准确的客流量预测。确的客流量预测。确的客流量预测。

【技术实现步骤摘要】
客流量预测方法、装置、计算机设备和存储介质


[0001]本申请涉及人工智能趋势预测
，特别是涉及一种客流量预测方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着近年来人工智能的快速发展，客流量预测也进入了一个全新的领域，得到了更多的技术支持，客流量预测应用在越来越多的领域。
[0003]现如今，各行业的商家为了在不同时间段合理地统筹调配店内人力物力资源，常常需要对客流量进行预估。然而现有的客流量预测方案大多都是由经验丰富的人靠相关经营经验，对未来时间段内的客流量进行预估，上述方式预测误差大，预测准确度低。为了解决这一问题，又有相关技术人员提出了无需依赖人工预测的智能化客流量预测方案，但是，目前的智能化客流量预测方案，往往只考虑到时段和天气等基础动态因素对客流量的影响，预测结果的准确度仍然有待提高。
[0004]因此，需要提供一种准确度更高的客流量预测方案。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够精准预测客流量的客流量预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种客流量预测方法。所述方法包括：
[0007]获取预测时间段，并确定预测时间段对应的历史时间段；
[0008]获取历史时间段内历史客流量序列、客流量影响因子和活动波动因子，活动波动因子由历史时间段内活动日客流量与非活动日客流量的比值确定；
[0009]根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列；
[0010]根据非活动日的预测客流量序列和活动波动因子，得到预测时段内活动日的预测客流量序列。
[0011]在一个实施例中，活动波动因子基于以下方式得到：
[0012]获取历史时间段的目标日均客流量序列和上一次活动的客流量序列，目标日均客流量序列为非活动日以星期属性分组的日均客流量序列；
[0013]针对各活动日，对应获取上一次活动的客流量序列中活动日当天的客流量与目标日均客流量序列中各星期数的日均客流量的比值，得到当天对应的活动波动因子。
[0014]在一个实施例中，根据非活动日的预测客流量序列和活动波动因子，得到预测时段内活动日的预测客流量序列包括：
[0015]确定预测时段内活动日时间轴；
[0016]基于活动日时间轴，依次获取各活动日对应的活动波动因子与非活动日的预测客流量序列中各预测客流量的乘积，得到预测时段内活动日的预测客流量序列。
[0017]在一个实施例中，根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列之前，还包括：
[0018]对历史客流量序列和客流量影响因子进行数据预处理，数据预处理包括异常值处理；
[0019]根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列包括：
[0020]根据数据预处理后的历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列。
[0021]在一个实施例中，对历史客流量序列和客流量影响因子进行异常值处理包括：
[0022]识别历史客流量序列的异常值和客流量影响因子的异常值；
[0023]采用平均值修正方法，对历史客流量序列的异常值和客流量影响因子的异常值进行修正。
[0024]在一个实施例中，识别历史客流量序列的异常值和客流量影响因子的异常值包括：
[0025]获取历史客流量序列的均值和客流量影响因子的均值；
[0026]确定历史客流量序列中各历史客流量与历史客流量序列的均值的第一绝对距离，以及各客流量影响因子与各客流量影响因子的均值的第二绝对距离；
[0027]将第一绝对距离和第二绝对距离分别与预设标准差进行比较，筛选出历史客流量序列的异常值和客流量影响因子的异常值。
[0028]在一个实施例中，客流量预测方法应用于餐饮行业的客流量预测，客流量影响因子包括天气因子、每日平均客单价、每日人均用餐时长、星期属性、节假日属性和每日平均到店等待时长。
[0029]第二方面，本申请还提供了一种客流量预测装置。所述装置包括：
[0030]时间确定模块，用于获取预测时间段，并确定预测时间段对应的历史时间段；
[0031]数据获取模块，用于获取历史时间段内历史客流量序列、客流量影响因子和活动波动因子，活动波动因子由历史时间段内活动日客流量与非活动日客流量的比值确定；
[0032]非活动日客流量预测模块，用于根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列；
[0033]活动日客流量预测模块，用于根据非活动日的预测客流量序列和活动波动因子，得到预测时段内活动日的预测客流量序列。
[0034]在一个实施例中，装置还包括活动波动因子确定模块，用于获取历史时间段的目标日均客流量序列和上一次活动的客流量序列，目标日均客流量序列为非活动日以星期属性分组的日均客流量序列，针对各活动日，对应获取上一次活动的客流量序列中活动日当天的客流量与目标日均客流量序列中各星期数的日均客流量的比值，得到当天的活动波动因子。
[0035]在一个实施例中，活动日客流量预测模块还用于确定预测时段内活动日时间轴，基于活动日时间轴，依次获取各活动日对应的活动波动因子与非活动日的预测客流量序列中各预测客流量的乘积，得到预测时段内活动日的预测客流量序列。
[0036]在一个实施例中，装置还包括数据预处理模块，用于对历史客流量序列和客流量
影响因子进行数据预处理，数据预处理包括异常值处理。
[0037]在一个实施例中，数据预处理模块还用于识别历史客流量序列的异常值和客流量影响因子的异常值，采用平均值修正方法，对历史客流量序列的异常值和客流量影响因子的异常值进行修正。
[0038]在一个实施例中，数据预处理模块还用于获取历史客流量序列的均值和客流量影响因子的均值，确定历史客流量序列中各历史客流量与历史客流量序列的均值的第一绝对距离，以及各客流量影响因子与各客流量影响因子的均值的第二绝对距离，将第一绝对距离和第二绝对距离分别与预设标准差进行比较，筛选出历史客流量序列的异常值和客流量影响因子的异常值。
[0039]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0040]获取预测时间段，并确定预测时间段对应的历史时间段；
[0041]获取历史时间段内历史客流量序列、客流量影响因子和活动波动因子，活动波动因子由历史时间段内活动日客流量与非活动日客流量的比值确定；
[0042]根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列；
[0043]根据非活动日的预测客流量序列和活动波动因子，得到预测时段内活动日的预测客流量序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种客流量预测方法，其特征在于，所述方法包括：获取预测时间段，并确定所述预测时间段对应的历史时间段；获取所述历史时间段内历史客流量序列、客流量影响因子和活动波动因子，所述活动波动因子由历史时间段内活动日客流量与非活动日客流量的比值确定；根据所述历史客流量序列和所述客流量影响因子，得到预测时段内非活动日的预测客流量序列；根据所述非活动日的预测客流量序列和所述活动波动因子，得到预测时段内活动日的预测客流量序列。2.根据权利要求1所述的客流量预测方法，其特征在于，所述活动波动因子基于以下方式得到：获取所述历史时间段的目标日均客流量序列和上一次活动的客流量序列，所述目标日均客流量序列为非活动日以星期属性分组的日均客流量序列；针对各活动日，对应获取所述上一次活动的客流量序列中活动日当天的客流量与所述目标日均客流量序列中各星期数的日均客流量的比值，得到当天对应的活动波动因子。3.根据权利要求1所述的客流量预测方法，其特征在于，所述根据所述非活动日的预测客流量序列和所述活动波动因子，得到预测时段内活动日的预测客流量序列包括：确定所述预测时段内活动日时间轴；基于所述活动日时间轴，依次获取各活动日对应的活动波动因子与所述非活动日的预测客流量序列中各预测客流量的乘积，得到预测时段内活动日的预测客流量序列。4.根据权利要求1所述的客流量预测方法，其特征在于，所述根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列之前，还包括：对所述历史客流量序列和所述客流量影响因子进行数据预处理，所述数据预处理包括异常值处理；所述根据历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列包括：根据数据预处理之后的历史客流量序列和客流量影响因子，得到预测时段内非活动日的预测客流量序列。5.根据权利要求4所述的客流量预测方法，其特征在于，对所述历史客流量序列和所述客流量影响因子进行异常值处理包括：识别所述历史客流量序列的异常值和所述客流量影响因子的异常值；采用平均值修正方法，对所述历史客流量序列的异常值和所述客流量影响因子的异常值进行修正。6.根据权利要求5所述的客流量预测方法，其特征在于，所述识别所述历史客流量序列的异常值和所述客流量影响因子的异常值包括：获取所述历史客流量序列的均值和所述客流量影响因子的均值；确定所述历史客流量序列中各历史客流量与所述历史客流量序列的均值的第一绝对距离，以及各所述客流量影响因子与各客流量影响因子的均值的第二绝对距离；将第一绝对距离和所述第二绝对距离分别与预设标准差进行比较，筛选出所述历史客流量序列的异常值和所述客流量影响因子的异常值。
7.根据权利要求1至5任意一项所述的客流量预测方法，其特征在于，所述客流量预测方法应用于餐饮行业的客流量预测，所述客流量影响因子包括天气因子、每日平均客单价、每日人均用餐时长...

【专利技术属性】
技术研发人员：周漪，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：