[發(fā)明專利]人流量預測設備及方法

在審

• 申請?zhí)枺?/td>: 201911360825.3
• 申請日: 2019-12-25
• 公開（公告）號: CN111144648A
• 公開（公告）日: 2020-05-12
• 發(fā)明（設計）人: 李陽;胡博文;高華超;劉斌;王恒瑋;崔玲龍;陳博;宋雨倫;趙越
• 申請（專利權）人: 中國聯(lián)合網(wǎng)絡通信集團有限公司;聯(lián)通大數(shù)據(jù)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張子青;劉芳

1.一種人流量預測設備，其特征在于，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機執(zhí)行指令，所述處理器執(zhí)行所述計算機執(zhí)行指令時實現(xiàn)如下步驟：

基于第一預設時間段內的人流量特征、天氣特征、節(jié)假日特征和星期特征，通過長短期記憶網(wǎng)絡LSTM模型，獲得人流量在所述第一預設時間段上連續(xù)變化的規(guī)律，其中，所述LSTM模型通過第二預設時間段內的人流量特征、天氣特征、節(jié)假日特征、星期特征和人流量在所述第二預設時間段上連續(xù)變化的規(guī)律訓練得到；

基于待預測時間段的天氣特征、節(jié)假日特征和星期特征，通過全連神經(jīng)網(wǎng)絡模型，獲得所述待預測時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響，其中，所述全連神經(jīng)網(wǎng)絡模型通過第三預設時間段的天氣特征、節(jié)假日特征、星期特征和所述第三預設時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響訓練得到；

基于人流量在所述第一預設時間段上連續(xù)變化的規(guī)律，以及所述待預測時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響，確定所述待預測時間段的目標人流量。

2.根據(jù)權利要求1所述的設備，其特征在于，所述確定所述待預測時間段的目標人流量，包括：

通過加權融合模型確定所述待預測時間段的目標人流量，所述加權融合模型通過人流量在第四預設時間段上連續(xù)變化的規(guī)律、第五預設時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響和所述第五預設時間段的人流量訓練得到。

3.根據(jù)權利要求1所述的設備，其特征在于，在所述基于第一預設時間段內的人流量特征、天氣特征、節(jié)假日特征和星期特征，通過LSTM模型，獲得人流量在所述第一預設時間段上連續(xù)變化的規(guī)律之前，所述處理器執(zhí)行所述計算機執(zhí)行指令時實現(xiàn)如下步驟：

獲取所述第一預設時間段內的人流量特征信息、天氣特征信息、節(jié)假日特征信息和星期特征信息，其中，所述人流量特征信息包括預設區(qū)域的人流量數(shù)據(jù)，所述天氣特征信息包括預設區(qū)域的天氣類型、最低溫度、最高溫度和風速等級中的至少一項，所述節(jié)假日特征信息包括是否為節(jié)假日、距節(jié)假日開始的天數(shù)、距節(jié)假日結束的天數(shù)和節(jié)假日總天數(shù)中的至少一項，所述星期特征信息包括星期幾和是否為周末中的至少一項；

對所述第一預設時間段內的人流量特征信息、天氣特征信息、節(jié)假日特征信息和星期特征信息分別進行歸一化處理，獲得所述第一預設時間段內的人流量特征、天氣特征、節(jié)假日特征和星期特征。

4.根據(jù)權利要求1所述的設備，其特征在于，在所述基于待預測時間段的天氣特征、節(jié)假日特征和星期特征，通過全連神經(jīng)網(wǎng)絡模型，獲得所述待預測時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響之前，所述處理器執(zhí)行所述計算機執(zhí)行指令時實現(xiàn)如下步驟：

獲取所述待預測時間段的天氣特征信息、節(jié)假日特征信息和星期特征信息，其中，所述天氣特征信息包括預設區(qū)域的天氣類型、最低溫度、最高溫度和風速等級中的至少一項，所述節(jié)假日特征信息包括是否為節(jié)假日、距節(jié)假日開始的天數(shù)、距節(jié)假日結束的天數(shù)和節(jié)假日總天數(shù)中的至少一項，所述星期特征信息包括星期幾和是否為周末中的至少一項；

對所述待預測時間段的天氣特征信息、節(jié)假日特征信息和星期特征信息分別進行歸一化處理，獲得所述待預測時間段的天氣特征、節(jié)假日特征和星期特征。

5.一種人流量預測方法，其特征在于，包括：

基于第一預設時間段內的人流量特征、天氣特征、節(jié)假日特征和星期特征，通過LSTM模型，獲得人流量在所述第一預設時間段上連續(xù)變化的規(guī)律，其中，所述LSTM模型通過第二預設時間段內的人流量特征、天氣特征、節(jié)假日特征、星期特征和人流量在所述第二預設時間段上連續(xù)變化的規(guī)律訓練得到；

基于待預測時間段的天氣特征、節(jié)假日特征和星期特征，通過全連神經(jīng)網(wǎng)絡模型，獲得所述待預測時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響，其中，所述全連神經(jīng)網(wǎng)絡模型通過第三預設時間段的天氣特征、節(jié)假日特征、星期特征和所述第三預設時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響訓練得到；

基于人流量在所述第一預設時間段上連續(xù)變化的規(guī)律，以及所述待預測時間段的天氣特征、節(jié)假日特征和星期特征對人流量的影響，確定所述待預測時間段的目標人流量。