一种基于深度学习的群体密度预测方法和系统技术方案

本发明专利技术提出了一种基于深度学习的群体密度预测方法和系统。所述群体密度预测方法包括：实时采集移动手机用户的通信数据，并通过所述通信数据获取完成所述通信数据对应的交通站；通过所述人群密度预测模型结合所述移动手机用户的通信数据获取当前交通站的人群密度预测数据；其中，所述人群密度预测模型可以通过RNN模型进行建立；根据所述群体密度预测数据启动所述交通站的视频监控设备进行群体监控视频的可视化展示。所述系统包括与所述方法步骤对应的模块。法步骤对应的模块。法步骤对应的模块。

【技术实现步骤摘要】
一种基于深度学习的群体密度预测方法和系统


[0001]本专利技术提出了一种基于深度学习的群体密度预测方法和系统，属于人群密度预测


技术介绍

[0002]群体(车辆/人群)密度预警，包括车辆拥堵预警和人群聚集预警等，在公共交通畅通和公共安全防范领域有非常重要的意义。依靠人工估计的方法无法支持规模化应用，应用视频分析实现群体密度的在线智能检测成为当前的研究热点。目前基于视频智能分析检测群体密度的方法，主要包括目标特征分析法和群体密度估计法。现有技术中的人群密度预测方法存在效率较低的问题。

技术实现思路

[0003]本专利技术提供了一种基于深度学习的群体密度预测方法和系统，用以解决现有技术中的人群密度预测方法效率较低的问题：
[0004]一种基于深度学习的群体密度预测方法，所述群体密度预测方法包括：
[0005]实时采集移动手机用户的通信数据，并通过所述通信数据获取完成所述通信数据对应的交通站；
[0006]通过所述人群密度预测模型结合所述移动手机用户的通信数据获取当前交通站的人群密度预测数据；其中，所述人群密度预测模型可以通过RNN模型进行建立；
[0007]根据所述群体密度预测数据启动所述交通站的视频监控设备进行群体监控视频的可视化展示。
[0008]进一步地，实时采集移动手机用户的通信数据，并通过所述通信数据获取完成所述通信数据对应的交通站，包括：
[0009]实时采集移动手机用户的通信数据，并对所述通信数据按照手机为节点在卫星地图上进行位置标记，形成位置节点；
[0010]通过卫星地图获取位置节点中包含的交通站位置，并作为交通站节点；
[0011]设置所述交通站节点范围，并统计落入所述交通站节点范围内的位置节点的数量，当所述位置节点数量超过预设的位置节点数量阈值时，将所述位置节点数量发送至人群密度预测模型。
[0012]进一步地，设置所述交通站节点范围，包括：
[0013]获取位置节点中包含的交通站位置中直线距离最短的两个交通站之间的直线距离；
[0014]获取位置节点中包含的交通站位置中直线距离最长的两个交通站之间的直线距离；
[0015]按照约束条件设置通站节点范围的半径，其中，所述约束条件为：
[0016]1.48(L
max
‑
L
min
)≤R≤2.56(L
max
‑
L
min
)
[0017]其中，R表示半径，L
max
和L
min
分别表示直线距离最长的两个交通站之间的直线距离和直线距离最短的两个交通站之间的直线距离；
[0018]以所述通站节点为圆形结合所述半径获取交通站节点范围。
[0019]进一步地，根据所述群体密度预测数据启动所述交通站的视频监控设备进行群体监控视频的可视化展示，包括：
[0020]当所述群体密度预测数据体现的人数数量达到或超过预设的人数阈值时，开启所述交通站所有的视频监控设备；
[0021]当所述群体密度预测数据体现的人数数量低于预设的人数阈值时，开启所述交通站部分数量的视频监控设备；
[0022]其中，所述部分数量的幅值范围为[0.50N，0.68N]，N表示交通站所有的视频监控设备的总数量。
[0023]一种基于深度学习的群体密度预测系统，所述群体密度预测系统包括：
[0024]实时采集模块，用于实时采集移动手机用户的通信数据，并通过所述通信数据获取完成所述通信数据对应的交通站；
[0025]人群密度预测数据获取模块，用于通过所述人群密度预测模型结合所述移动手机用户的通信数据获取当前交通站的人群密度预测数据；其中，所述人群密度预测模型可以通过RNN模型进行建立；
[0026]可视化展示模块，用于根据所述群体密度预测数据启动所述交通站的视频监控设备进行群体监控视频的可视化展示。
[0027]进一步地，所述实时采集模块包括：
[0028]位置节点形成模块，用于实时采集移动手机用户的通信数据，并对所述通信数据按照手机为节点在卫星地图上进行位置标记，形成位置节点；
[0029]交通站节点获取模块，用于通过卫星地图获取位置节点中包含的交通站位置，并作为交通站节点；
[0030]交通站节点范围设置模块，用于设置所述交通站节点范围，并统计落入所述交通站节点范围内的位置节点的数量，当所述位置节点数量超过预设的位置节点数量阈值时，将所述位置节点数量发送至人群密度预测模型。
[0031]进一步地，所述交通站节点范围设置模块包括：
[0032]第一距离获取模块，用于获取位置节点中包含的交通站位置中直线距离最短的两个交通站之间的直线距离；
[0033]第二距离获取模块，用于获取位置节点中包含的交通站位置中直线距离最长的两个交通站之间的直线距离；
[0034]通站节点范围半径设置模块，用于按照约束条件设置通站节点范围的半径，其中，所述约束条件为：
[0035]1.48(L
max
‑
L
min
)≤R≤2.56(L
max
‑
L
min
)
[0036]其中，R表示半径，L
max
和L
min
分别表示直线距离最长的两个交通站之间的直线距离和直线距离最短的两个交通站之间的直线距离；
[0037]交通站节点范围获取模块，用于以所述通站节点为圆形结合所述半径获取交通站节点范围。
[0038]进一步地，所述可视化展示模块包括：
[0039]第一视频监控设备开启模块，用于当所述群体密度预测数据体现的人数数量达到或超过预设的人数阈值时，开启所述交通站所有的视频监控设备；
[0040]第二视频监控设备开启模块，用于当所述群体密度预测数据体现的人数数量低于预设的人数阈值时，开启所述交通站部分数量的视频监控设备；
[0041]其中，所述部分数量的幅值范围为[0.50N，0.68N]，N表示交通站所有的视频监控设备的总数量。
[0042]本专利技术有益效果：
[0043]本专利技术提出的一种基于深度学习的群体密度预测方法和系统基于RNN模型搭建了实时群体密度预测系统，利用移动手机用户的通信数据对交通站的群体密度进行预测。随着平安城市的建设，大量的视频监控设备已经广泛应用于车站、路口、广场、银行和超市等公共场所，如果能利用已经采集到的视频信息，对关键场所中的人群行为进行有效的监测与分析，不仅能为人群分析系统提供可复用的基础资源，还能直观呈现出可视化证据。同时，通过本专利技术提出的一种基于深度学习的群体密度预测方法和系统能够有效提高人群密度预测的准确性和效率。
附图说明
[0044]图1为本专利技术所述方法的流程图；
[0045]图2为本专利技术所述系统的系统框图。
具体实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的群体密度预测方法，其特征在于，所述群体密度预测方法包括：实时采集移动手机用户的通信数据，并通过所述通信数据获取完成所述通信数据对应的交通站；通过所述人群密度预测模型结合所述移动手机用户的通信数据获取当前交通站的人群密度预测数据；根据所述群体密度预测数据启动所述交通站的视频监控设备进行群体监控视频的可视化展示。2.根据权利要求1所述群体密度预测方法，其特征在于，实时采集移动手机用户的通信数据，并通过所述通信数据获取完成所述通信数据对应的交通站，包括：实时采集移动手机用户的通信数据，并对所述通信数据按照手机为节点在卫星地图上进行位置标记，形成位置节点；通过卫星地图获取位置节点中包含的交通站位置，并作为交通站节点；设置所述交通站节点范围，并统计落入所述交通站节点范围内的位置节点的数量，当所述位置节点数量超过预设的位置节点数量阈值时，将所述位置节点数量发送至人群密度预测模型。3.根据权利要求2所述群体密度预测方法，其特征在于，设置所述交通站节点范围，包括：获取位置节点中包含的交通站位置中直线距离最短的两个交通站之间的直线距离；获取位置节点中包含的交通站位置中直线距离最长的两个交通站之间的直线距离；按照约束条件设置通站节点范围的半径，其中，所述约束条件为：1.48(L
max
‑
L
min
)≤R≤2.56(L
max
‑
L
min
)其中，R表示半径，L
max
和L
min
分别表示直线距离最长的两个交通站之间的直线距离和直线距离最短的两个交通站之间的直线距离；以所述通站节点为圆形结合所述半径获取交通站节点范围。4.根据权利要求1所述群体密度预测方法，其特征在于，根据所述群体密度预测数据启动所述交通站的视频监控设备进行群体监控视频的可视化展示，包括：当所述群体密度预测数据体现的人数数量达到或超过预设的人数阈值时，开启所述交通站所有的视频监控设备；当所述群体密度预测数据体现的人数数量低于预设的人数阈值时，开启所述交通站部分数量的视频监控设备；其中，所述部分数量的幅值范围为[0.50N，0.68N]，N表示交通站所有的视频监控设备的总数量。5.一种基于深度学习的群体密度预测系统，其特征在于，所述群体密度预测系统包括：实时采集模块，用于实时...

【专利技术属性】
技术研发人员：兰雨晴，余丹，张雨佳，张腾怀，邢智涣，
申请(专利权)人：慧之安信息技术股份有限公司，
类型：发明
国别省市：