一种基于大数据的校园拥堵区域预测方法

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于大数据的校园拥堵区域预测方法。

背景技术

近年频发的踩踏事故，使得校园、商业领域、交通管制领域和公共安全领域对人流统计和预测的需求逐渐上升。随着智慧校园的建设进入深化阶段，校园将成为以物联网为基础的智慧化的校园工作、学习和生活一体化环境，导致校园的交通、聚集问题越来越复杂。准确的进行校园管控节点人流量预测，能促进各业务部门协调管理，提高校园规划和安全运行。同时为城市大型建筑群和综合园区等人员流量交通控制的有效性和交通设计提供有意义的参考。

现有技术中传统的人流统计手段往往采用传统的机械式或人力统计方法，不仅效率低，干扰正常的人员行走以及人流速度，还不能满足实时性统计需求。随着计算机视觉技术的发展，面对复杂的外部环境近几年多利用监控视频系统进行人流量统计和估计。方法主要有，早期的利用传统的HOG+SVM分类器方法对目标进行检测，再利用KCF相关滤波的方实现多目标跟踪。然而，基于视频或者图像的方法严重依赖于彩色视频信息，不可避免的遇到如阴影、光照、目标颜色等干扰。在实际应用中，算法还不稳定。为了克服这些难题，有专家与学者进一步提出了利用深度传感器来解决传统计算机视觉问题，深度图像来源于深度传感器，可以有效的克服以上诸多难题，但也存在高错误率的情况。此后合理利用彩色信息和深度信息的优点也是是研究的方向。近几年深度学习理论使视频图像处理性能得到了飞跃，利用神经网络实现目标检测极高地提升精度，还能够实现实时性需求。对于人流量估计这种时间序列研究方面的研究一般都会考虑研究对象的时空相关性，同时考虑长短期的平稳性，最小二乘支持向量回归(LSSVR)模型、基于长短期记忆网络(LSTM)等是人流量预测中的常用模型。针对复杂情况，为了进一步提高精度，研究者还将多种模型进行结合如梯度优化的决策树模型、编码器、深度置信网络等。对了降低实时数据处理速度，研究者还引入了流处理框架等新的技术。

这些方法大都依赖于公共区域的视频采集设备，这对于主要是固定人群行为的校园或者是园区有一定的参考但是难以达到好的效果。因此亟需一种针对校园类似环境可提高预测准确度的人流量预测方法。

发明内容

有鉴于此，本发明提供了一种基于大数据的校园拥堵区域预测方法，以解决针对校园类似环境可提高预测准确度的人流量预测方法。

为了实现上述目的，本发明采取了如下技术方案。

一种基于大数据的校园拥堵区域预测方法，该方法包括：

获取学校各相关业务部门个体信息，所述个体位置信息包括：个体历史每天各时刻对应所处校园位置的信息序列；关注日个体事务安排的位置信息序列。

进一步地，将所述个体位置信息序列预处理得到历史上每天的特征向量序列和关注日个体特征向量序列，该特征向量序列为一维列向量P，该向量为n维，分别为一天中关注时刻该个体所处位置的编码；

进一步地，所述个体所处位置的编码与地理位置相关，地理位置相邻其编码也相邻；

进一步地，将所述的关注日个体特征向量序列输入到门控循环单元(GRU)网络模型中，得到GRU模型输出特征向量序列；根据GRU模型输出特征向量序列，预测校园关注日各个时刻管控节点人流量和拥堵指标。

优选地，门控循环单元(GRU)网络模型，根据以下步骤得到：

S41将所述的历史上每天的特征向量序列划分为训练集；

S42将训练集输入到GRU模型中训练，得到训练好的GRU模型，根据训练好的GRU模型对历史上每天的个体特征向量序列进行预测，根据预建立的GRU损失函数，对GRU神经网络进行训练，直到满足预设的GRU网络训练条件。

进一步地，所述的GRU损失函数的表达式为：

式中，MSE为GRU损失函数，P

进一步地，所述GRU神经网络训练步骤中，采用反向传播算法对GRU神经网络进行训练。

进一步地，所述根据GRU模型输出特征向量序列，预测校园关注日各关注时刻各位置人流量和拥堵指标，包括：

将所述的GRU模型输出特征向量序列合并，合并后的向量输入至线性回归模型，根据线性回归模型的输出对校园关注日各关注时刻各位置的人流量进行预测，进而对整个校园人流量和拥堵指标进行预测。

本发明一种基于大数据的校园拥堵区域预测方法，与现有技术相比不同之处在于：本发明结合大量历史数据，对数据进行预处理后，载入人流量预测模型进行训练，从而进行人流量的预测，相对于以往采用计算机视觉的方法，该方法更能适合校园基本固定人群和人群行为模式相对固定的特点，还能利用该特点提高预测精度，并且在预测模型中的GRU神经网络是一类专门处理时序数据样本的神经网络，实现充分考虑了个体行为的时空特性，满足实际的预测要求，提高了预测精度和可靠性。同时本发明所构建的基于GRU神经网络的预测模型是建立已存在的成熟深度神经网络的研究之上，所使用的损失函数也是以往的研究中存在的，且被证明具有良好的评估结果准确性的作用，能够得到了更为具有精确的预测结果，因而具有实际性的应用前景。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施实例的方法流程示意图；

具体实施方式

以下结合附图及实施实例对本发明做进一步说明。

应当指出，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语″包含″和/或″包括″时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，本实施例提供了一种基于大数据的校园拥堵区域预测方法，具体包括以下步骤：

获取学校各相关业务部门个体信息，所述个体位置信息包括：个体历史每天各时刻对应所处校园位置的信息序列；关注日个体事务安排的位置信息序列。

将所述个体位置信息序列预处理得到历史上每天的特征向量序列和关注日特征向量序列；

在本实施例中，所述将个体位置信息序列预处理得到历史上每天的特征向量序列和当前特征向量序列，具体为：

将根据历史和关注日中关注的时刻时该个体所处位置排列形成每个体位置信息序列，再转换为历史上每天的特征向量序列和当前特征向量序列，该特征向量序列为一维列向量P，该向量为n维，分别为一天中关注时刻该个体所处位置的编码；

所述个体所处位置的编码与地理位置相关，地理位置相邻其编码也相邻。

将数据集按70％，20％，10％的比例划分为训练集、验证集和测试集，提高模型的泛化能力。

将所述的关注日特征向量序列输入到门控循环单元(GRU)网络模型中，得到GRU模型输出特征向量序列；

本实施案例构建门控循环单元(GRU)网络模型根据以下步骤训练得到：

对预测模型的初始化过程包括合理设置模型的误差阈值，取值范围为0.01-0.0001之间，学习率为0.01-0.1之间取值，最大迭代次数为120次，GRU网络的层数为3层，神经元数量为200。

该训练阶段的GRU损失函数的表达式为：

式中，MSE为GRU损失函数，P

本实施案例，利用验证集将GRU的输出的预测值对模型进行评估。在整个模型中使用随机梯度下降算法，以防止过拟合。通过反向传播计算误差函数对网络全部权重和偏置值进行更新，以达到最优结果。模型训练完成之时，各参数值也就确定了。

最后，将当前特征向量序列输入GRU模型进行预测，将输出合并，合并后的向量输入至线性回归模型，根据线性回归模型的输出对校园关注日各关注时刻各位置的人流量进行预测，进而对整个校园人流量和拥堵指标进行预测。

本实施例提供了一种基于大数据的校园拥堵区域预测处理系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。

本实施例还提供了一种计算机存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。

通过本发明实施例提供的上述方法，最终改善了现有校园人流量预测的问题，提高了校园人流量预测的准确性。如上所述，借助本发明，最终改善了现有校园人流量预测的问题，提高了校园人流量预测准确性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。