System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据预测,具体涉及一种客流量预测方法及系统。
技术介绍
1、商场客流量预测可以为商场运营提供重要参考,帮助优化经营策略和资源分配,可以通过分析客流量的变化趋势和规律,合理安排人员、货物和设施,提高运营效率和服务质量,以应对高峰期和促销活动等,因此商场客流量预测的精准程度是极其重要的数据分析目的。
2、由于获取的商场客流量为时序数据序列,且客流量数据受到客户流动、天气等多种因素的影响,其会对用于客流量预测的历史客流量数据造成更大的数据波动,不利于有效分析出客流量的精准变化规律。而利用霍尔特指数平滑算法进行时序预测的过程中,不同时间粒度下的客流量数据的波动程度往往表现的显著特征不同,单一的趋势平滑系数往往对应于较大的时间粒度,难以实现对于客流量变化规律的精准分析。
技术实现思路
1、为了解决上述技术问题,本专利技术提供一种客流量预测方法及系统,所采用的技术方案具体如下:
2、第一方面,本专利技术实施例提供了一种客流量预测方法,该方法包括以下步骤:
3、获取各出入口位置的历史客流量数据;将历史客流量数据记为时序样本点序列;
4、将时序样本点序列按照各预设时间粒度进行划分得到各样本点在各时间粒度下所处的样本点子序列,其中,所述样本点为采样时刻的客流量数据;对于时序样本点序列各样本点,根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度;将各样本点的波动显著程度按照时间顺序组成波动显著程度序列;
5、将各聚类簇中数量大于1的连续样本点的时间跨度作为波动显著程度序列各时间段;根据时间段内样本点波动显著程度的差异情况得到时间段的趋势影响可信程度;根据各时间段的趋势影响可信程度对各时间段的趋势平滑系数进行调整得到整体调整后的趋势平滑系数;
6、根据整体调整后的趋势平滑系数采用霍尔特指数平滑算法完成客流量预测。
7、优选的,所述获取各出入口位置的历史客流量数据,包括:
8、将各出入口位置的监控视频的视频帧图像输入语义分割神经网络,语义分割神经网络输出视频帧图像中的人员分割图,对分割图中的人员进行统计作为历史客流量数据;
9、所述历史客流量数据为在预设采样周期下采集的各采样时刻的客流量数据,对于同一人员区域在预设采样间隔的时间内只统计一次。
10、优选的,所述将时序样本点序列按照各预设时间粒度进行划分得到各样本点在各时间粒度下所处的样本点子序列,包括:
11、将时序样本点序列按照不同时间粒度进行均匀划分得到各时间粒度下的各样本点子序列;
12、对于时序样本点序列各样本点都可以得到其在各时间粒度下所处的样本点子序列。
13、优选的,所述根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度,包括:
14、对于各时间粒度,根据样本点在时间粒度下所处的样本点子序列中数据波动情况得到波动变化系数;
15、计算任意相邻两个时间粒度下的波动变化系数的差值绝对值,将样本点在所有时间粒度下的所述差值绝对值的和值的归一化值作为样本点的波动显著程度。
16、优选的,所述根据样本点在时间粒度下所处的样本点子序列中数据波动情况得到波动变化系数,包括:
17、将样本点在时间粒度下所处的样本点子序列中各样本点记为第一样本点,计算样本点在时间粒度下所处的样本点子序列中除样本点外所有的第一样本点与样本点的客流量数据值的差值绝对值的和值,将所述和值作为波动变化系数。
18、优选的,所述对波动显著程度序列中的样本点进行聚类得到各聚类簇,包括:
19、所述聚类距离为各样本点的波动显著程度,所述聚类过程采用高斯混合模型,所述聚类结果得到的各聚类簇中的样本点按照时间顺序进行排序。
20、优选的,所述根据时间段内样本点波动显著程度的差异情况得到时间段的趋势影响可信程度,包括:
21、获取时间段内所有样本点的波动显著程度均值作为第一均值;
22、获取波动显著程度序列中所有时间段的波动显著程度均值作为第二均值;
23、计算第一均值与第二均值的差值绝对值,计算所述差值绝对值与第二均值的比值;
24、将所述比值的相反数作为以自然常数为底数的指数函数的指数,将指数函数的计算结果作为时间段的趋势影响可信程度。
25、优选的,所述根据各时间段的趋势影响可信程度对各时间段的趋势平滑系数进行调整得到整体调整后的趋势平滑系数,包括:
26、计算所有时间段的趋势影响可信程度均值;
27、对于各时间段,计算时间段的趋势影响可信程度与趋势影响可信程度均值的比值,计算所述比值与时间段的趋势平滑系数的乘积;
28、将所有时间段的所述乘积的均值作为整体调整后的趋势平滑系数。
29、优选的,所述根据整体调整后的趋势平滑系数采用霍尔特指数平滑算法完成客流量预测,包括:
30、根据整体调整后的趋势平滑系数作为霍尔特指数平滑算法中的趋势平滑系数,构建客流量预测模型;
31、通过将需要预测的客流量的前一个时间段的客流量数据作为客流量预测模型的输入,输出为下一时间段的客流量预测数据。
32、第二方面,本专利技术实施例还提供了一种客流量预测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
33、本专利技术至少具有如下有益效果:
34、本专利技术通过分析历史客流量数据在不同时间粒度上数据之间的差异,从而得到各样本点的波动显著程度,反映了样本点在数值上对于不同时间粒度的敏感程度,其一定程度上实现了对于样本点类型的划分;
35、同时,由于各样本点受到常规客流量与可变客流量的影响大小的不同从而对趋势平滑参数获取的影响程度不同,将样本点按照波动显著程度进行聚类,实现同种类型的样本点划分得到的各时间段,并根据时间段上波动显著程度差异,量化其时间段上的历史客流量数据对于趋势平滑系数的影响,实现对于霍尔特指数平滑算法的趋势平滑系数的调整,提升其对于实时客流量数据的预测准确性,并完成后续的经营策略优化和资源分配等的处理。
本文档来自技高网...【技术保护点】
1.一种客流量预测方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的一种客流量预测方法,其特征在于,所述获取各出入口位置的历史客流量数据,包括:
3.如权利要求1所述的一种客流量预测方法,其特征在于,所述将时序样本点序列按照各预设时间粒度进行划分得到各样本点在各时间粒度下所处的样本点子序列,包括:
4.如权利要求3所述的一种客流量预测方法,其特征在于,所述根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度,包括:
5.如权利要求4所述的一种客流量预测方法,其特征在于,所述根据样本点在时间粒度下所处的样本点子序列中数据波动情况得到波动变化系数,包括:
6.如权利要求1所述的一种客流量预测方法,其特征在于,所述对波动显著程度序列中的样本点进行聚类得到各聚类簇,包括:
7.如权利要求1所述的一种客流量预测方法,其特征在于,所述根据时间段内样本点波动显著程度的差异情况得到时间段的趋势影响可信程度,包括:
8.如权利要求1所述的一种客流量预测方法,其特征
9.如权利要求8所述的一种客流量预测方法,其特征在于,所述根据整体调整后的趋势平滑系数采用霍尔特指数平滑算法完成客流量预测,包括:
10.一种客流量预测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
...【技术特征摘要】
1.一种客流量预测方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的一种客流量预测方法,其特征在于,所述获取各出入口位置的历史客流量数据,包括:
3.如权利要求1所述的一种客流量预测方法,其特征在于,所述将时序样本点序列按照各预设时间粒度进行划分得到各样本点在各时间粒度下所处的样本点子序列,包括:
4.如权利要求3所述的一种客流量预测方法,其特征在于,所述根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度,包括:
5.如权利要求4所述的一种客流量预测方法,其特征在于,所述根据样本点在时间粒度下所处的样本点子序列中数据波动情况得到波动变化系数,包括:
6.如权利要求1所述的一种客流量预测方法,其特征在于,...
【专利技术属性】
技术研发人员:陈特夫,李颖翀,施可,
申请(专利权)人:杭州路过网络有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。