城市人流监控方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及智慧城市技术领域，尤其涉及一种城市人流监控方法、装置、电子设备及存储介质。

背景技术

在智慧城市领域，实时的监控并预测城市中的人员流动情况对许多城市计算应用(如公共资源动态调度、高拥堵地区预警等)非常重要，政府交通部门以及基于位置的服务提供企业在制定决策及优化服务时需要两类信息：当前时间人口分布及流动情况和接下来一段时间内人口流动的预测情况。

目前，城市人员流动情况的监控，需要专业人员从收集的原始人流大数据中提取关键信息，处理成方便一般人员理解的形式。这种处理方式依赖于专业技术人员的处理，对于技术人员的依赖性过高，从而使得城市人员流动情况的监控成本较高。

发明内容

有鉴于此，本发明实施例提供一种城市人流监控方法、装置、电子设备及存储介质，以提高城市人员流动情况监控的通用性，降低城市人流监控对专业技术人员的依赖。

第一方面，本发明实施例提供一种城市人流监控方法，包括：

获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等；

基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据，所述标准化网格数据包括多个标准轨迹点，所述多个标准轨迹点之间的时间间隔相等；

根据所述标准化网格数据生成人流监控视图。

进一步的，基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据包括：

对所述原始人流数据进行校准，得到校准轨迹数据，所述校准轨迹数据包括多个校准轨迹点，所述多个校准轨迹点之间的时间间隔相等；

将所述校准轨迹数据与所述城市网格数据进行匹配，得到标准化网格数据。

进一步的，根据所述标准化网格数据生成人流监控视图包括：

根据所述标准化网格数据确定人流特征参数，所述人流特征参数包括人流密度、人流量和人流转移量；

根据所述人流特征参数生成人流监控视图。

进一步的，根据所述人流特征参数生成人流监控视图包括：

基于深度学习模型，根据所述人流特征参数获取人流预测参数；

根据所述人流预测参数生成人流监控视图。

进一步的，基于深度学习模型，根据所述人流特征参数获取人流预测参数包括：

将所述人流密度输入ConvLSTM网络模型，得到人流预测密度；

将所述人流量输入ConvLSTM网络模型，得到人流预测量。

进一步的，基于深度学习模型，根据所述人流特征参数获取人流预测参数包括：

基于所述人流转移量分析局部转移情况生成融合特征；

基于所述融合特征捕捉时空依赖得到隐层信息；

基于所述隐层信息预测得到多阶人流转移预测矩阵；

基于所述多阶人流转移预测矩阵确定人流预测转移量。

第二方面，本发明实施例提供一种城市人流监控装置，包括：

数据获取模块，用于获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等；

数据预处理模块，用于基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据，所述标准化网格数据包括多个标准轨迹点，所述多个标准轨迹点之间的时间间隔相等；

监控视图生成模块，用于根据所述标准化网格数据生成人流监控视图。

进一步的，所述数据预处理模块具体用于：

对所述原始人流数据进行校准，得到校准轨迹数据，所述校准轨迹数据包括多个校准轨迹点，所述多个校准轨迹点之间的时间间隔相等；

将所述校准轨迹数据与所述城市网格数据进行匹配，得到标准化网格数据。

第三方面，本发明实施例提供一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的城市人流监控方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的城市人流监控方法。

本发明实施例提供的城市人流监控方法通过对原始轨迹点预处理，降低了GPS信号、网络信号以及设备电源等不确定性因素对生成人流监控视图的影响，使得人流监控视图更加准确；通过城市网格数据的匹配，实现了特定城市区域的人流监控视图的生成，人流监控更具灵活性。此外，监控人员只需接入原始人流数据即可获得对应的人流监控视图，无需手动进行专业的特征提取，降低了城市人流监控对专业技术人员的依赖，提高了城市人员流动情况监控的通用性。

附图说明

图1为本发明实施例一提供的一种城市人流监控方法的流程示意图；

图2为本发明实施例二提供的一种城市人流监控方法的流程示意图；

图3为本发明实施例三提供的一种城市人流监控装置的结构示意图。

图4为本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。

此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“批量”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

实施例一

图1为本发明实施例一提供的一种城市人流监控方法的流程示意图，本实施例可适用于城市人员流动情况的监控。如图1所示，本发明实施例一提供的城市人流监控方法包括：

S110、获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等。

具体的，原始人流数据是记载了城市中人员的行动轨迹的多个原始轨迹点，原始轨迹点的格式为(id，timestep，lat，lon)，具体为轨迹点对应的用户id、轨迹点产生的时间戳(timestep)和轨迹点的经纬度位置(lat，lon)。若根据用户id进行区分，则原始人流数据包括多个用户的原始轨迹数据。原始人流数据可以通过第三方平台导入，如交管局、基于位置的服务平台等，获取方式可以是RESTAPI、Websocket、文本文件等多种形式。

由于GPS信号、网络信号以及设备电源等不确定性因素影响，原始人流数据中一个用户的每两个原始轨迹点之间的时间间隔并不固定，也即多个原始轨迹点之间的时间间隔不相等。

可选的，原始人流数据还可以包括天气数据、突发事件数据等数据，这些数据是影响人员流动的一些重要因素，对于人流预测来说具有一定重要性。天气数据和突发事件数据的格式为(timestep，lat，lon，content)，即包括数据产生的时间戳(timestep)、经纬度位置(lat，lon)以及具体的天气或事件内容(content)。

城市网格数据是指将一个城市划分为多个城市区域所形成的数据。一个城市可以基于经纬度划分为长度方向粒度为H、宽度方向粒度为W的等大小格子网，故一个城市将有N个城市网格，N＝H*W，每一个城市网格g

S120、基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据，所述标准化网格数据包括多个标准轨迹点，所述多个标准轨迹点之间的时间间隔相等。

具体的，原始人流数据是基于用户的实时位置信息生成的，基于城市网格数据对原始人流数据进行预处理，就是将原始人流数据中的实时位置信息转化为城市网格信息，得到的标准化网格数据中，用户的轨迹通过城市网格来表示。进行校准时，需要对各个原始轨迹点之间的时间间隔进行预处理，使得预处理后的标准化网格数据的多个标准轨迹点之间的时间间隔相等，以降低原始人流数据中的不确定影响因素。

S130、根据所述标准化网格数据生成人流监控视图。

具体的，根据标准化网格数据生成人流监控视图，该人流监控视图可以显示每个城市网格中的人流情况，也即显示每个城市区域的人流情况。本实施例中，人流监控视图可以通过可视化界面显示，监控人员通过该可视化界面可以对人流监控视图进行调整。例如，若需要对城市中特定区域的人流进行监控，则只需在可视化界面中选择该特定区域对应的城市网格，生成人流监控视图即可。

本发明实施例提供的城市人流监控方法通过对原始轨迹点预处理，降低了GPS信号、网络信号以及设备电源等不确定性因素对生成人流监控视图的影响，使得人流监控视图更加准确；通过城市网格数据的匹配，实现了特定城市区域的人流监控视图的生成，人流监控更具灵活性。此外，监控人员只需接入原始人流数据即可获得对应的人流监控视图，无需手动进行专业的特征提取，降低了城市人流监控对专业技术人员的依赖，提高了城市人员流动情况监控的通用性。

实施例二

图2为本发明实施例二提供的一种城市人流监控方法的流程示意图，本实施例是对上述实施例的进一步细化。如图2所示，本发明实施例二提供的城市人流监控方法包括：

S210、获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等。

具体的，原始轨迹点的格式为(id，timestep，lat，lon)，根据用户id进行区分，则一个用户的原始轨迹数据的格式为(timestep，lat，lon)，简记为(t，l)，其中，t表示时间戳(timestep)，l表示经纬度位置(lat，lon)。城市网格数据表示为g

S220、对所述原始人流数据进行校准，得到校准轨迹数据，所述校准轨迹数据包括多个校准轨迹点，所述多个校准轨迹点之间的时间间隔相等。

具体的，对原始人流数据进行校准，是为了对原始人流数据中两两原始轨迹点之间的时间间隔进行校准，使两两原始轨迹点之间的时间间隔相等，也即，校准得到的校准轨迹数据的多个校准轨迹点之间的时间间隔相等。本实施例中，通过最邻近插值法、线性插值法、在线路网匹配等方法进行校准。在校准时，通常先将原始人流数据根据用户进行区分，然后针对每个用户的原始轨迹数据进行校准。

校准后，原始轨迹点的数量可能产生变化，设校准后的时间间隔为Δt，则一个用户的校准轨迹Γ

其中，i表示用户id，k表示该用户的校准轨迹点的总个数。

进一步的，在对原始人流数据进行校准之前，还包括对原始人流数据进行清理，以清除原始人流数据中的异常值、空值，进行误差校正，使处理的原始人流数据更加精准。

进一步的，对原始人流数据进行校准，还包括对原始人流数据的空缺值进行补充，也即对每个用户的原始轨迹数据的空缺值进行补充。实际获取的原始人流数据的数据量是有限的，其不一定符合实际需要处理的数据量要求，此时需要对原始人流数据的空缺值进行补充，使校准后的数据更加完整。例如，实际获取的一个用户的原始轨迹数据为8:00-18:00时间段的数据，而实际需要处理0:00-24:00时间段的数据，则将补充该用户0:00-8:00和18:00-24:00这两个时间段的数据。一般的，空缺值的补充通常以距离该空缺值时间最近的原始轨迹数据为依据，例如，0:00-8:00的原始轨迹数据以该用户8:00时的原始轨迹数据进行补充。

S230、将所述校准轨迹数据与所述城市网格数据进行匹配，得到标准化网格数据。

具体的，根据校准轨迹数据中校准轨迹点的经纬度位置，确定校准轨迹点所在的城市网格，将校准轨迹点的经纬度位置用城市网格代替，得到标准化网格数据。一个用户的校准轨迹Г

S240、根据所述标准化网格数据确定人流特征参数，所述人流特征参数包括人流密度、人流量和人流转移量。

具体的，城市人流情况通常通过人流特征参数来表示，即人流密度、人流量和人流转移量。

本实施例中，人流密度是指一个区域中在某一时刻的用户轨迹的数量，也就是用户数量。则t时刻城市网格g

d

t时刻所有城市网格的人流密度构成t时刻城市人流密度矩阵，该城市人流密度矩阵的大小为W×H，矩阵内的元素即代表t时刻对应城市网格g

本实施例中，人流量是指一个区域中某两个时刻之间的人口流入量和人口流出量。从t-1时刻到t时刻城市网格g

人口流入量

本实施例中，人流转移量是指某两个时刻之间从一个区域到另一个区域的用户人数。人流转移量通过人流转移矩阵表示，人流转移矩阵Ω是一个尺寸为N×N的矩阵，其表示两两城市网格之间的人流转移量，矩阵内位置为第i行第j列的元素代表在时间间隔Δt内从城市网格g

进一步的，根据人流转移量，还可以得到人流转移过程张量。t时刻人流转移过程张量

S250、根据所述人流特征参数生成人流监控视图。

具体的，根据人流密度生成人流密度监控视图，根据人流量生成人流量监控视图，根据人流转移量生成人流转移监控视图。

示例性的，车站是指一个地铁站、电车站或公交车站及其周围的区域，可以将地铁站、电车站或公交车站所在的城市网格定位车站，车站也可以是监控人员手工框选出的一个不规则区域。选取某车站进行人流监控，则可视化界面显示该车站的人流密度监控视图、人流量监控视图和人流转移监控视图，其中，人流转移监控视图包括1到λ阶人流转移矩阵中的几个，如2阶、4阶、6阶人流转移矩阵。

可选的，在可替代实施例中，在确定人流特征参数之后，还包括：基于深度学习模型，根据所述人流特征参数获取人流预测参数；根据所述人流预测参数生成人流监控视图。也即，通过深度学习模型对人流特征参数进行预测，得到未来一段时间的人流预测参数，然后基于人流预测参数生成人流监控视图，如此，实现了对城市人流的预测。

具体的，通过深度学习模型对人流密度和人流量进行预测，得到人流预测密度和人流预测量，具体包括：将所述人流密度输入ConvLSTM网络模型，得到人流预测密度；将所述人流量输入ConvLSTM网络模型，得到人流预测量。本实施例中，ConvLSTM网络模型的输入数据包括当前计算的人流密度或人流量、数据库中存储的历史时刻计算的历史人流密度或历史人流量以及元数据，其中，元数据指天气数据、突发事件数据等数据。根据人流密度或人流量构建最近邻+周期+趋势人流特征和元数据特征，输入金字塔ConvLSTM网络获取人流数据的隐层表达，使用注意力模块提取输入数据的重要度，输出最终的预测结果，得到人流预测密度或人流预测量。其中，最近邻人流特征是指基于距离预测时刻最近的预设次数的人流密度或人流量提取的特征，周期人流特征是指基于预设天数的人流密度或人流量提取的特征，趋势人流特征是指基于预设周数的人流密度或人流量提取的特征。

示例性的，需要对2020年10月30日18:00时的人流密度进行预测。最近邻人流特征是基于距离2020年10月30日18:00最近的5次人流密度提取的特征，这5次人流密度其包括：2020年10月30日在17:50、17:40、17:30、17:20和17:10这些时刻的人流密度(假设每10分钟进行一次人流密度计算)。周期人流特征为基于3天的人流密度提取的特征，这3天的人流密度包括：2020年10月29日18:00时的人流密度、2020年10月28日18:00时的人流密度和2020年10月27日18:00时的人流密度。趋势人流特征为基于2周的人流密度提取的特征，这2周的人流密度包括2020年10月23日18:00时的人流密度和2020年10月16日18:00时的人流密度。

最后基于人流预测密度生成人流预测密度监控视图，基于人流预测量生成人流预测量监控视图。

通过深度学习模型对人流转移量进行预测，得到人流预测转移量，可以采用基于图卷积网络与时空循环神经网络的城市人流转移预测模型实现，具体包括步骤S261～S264(图中未示出)。

S261、基于所述人流转移量分析局部转移情况生成融合特征。

具体的，融合特征由元数据、人流转移过程张量的网格嵌入和人流转移过程张量融合得到。元数据是需要预测人流转移结果的时刻以及其他可能影响预测结果的附加信息，如天气数据、突发事件数据等。人流转移过程张量的网格嵌入由基于局部转移量的图神经网络得到。局部转移量表示在所有的城市网格中，人流从某一城市网格出发到相邻城市网格的转移情况。为了探索人流转移在城市网格之间的相关性，我们需要从人流转移量和元数据中学习每个网格g

S262、基于所述融合特征捕捉时空依赖得到隐层信息。

具体的，隐层信息为人流在格子间的转移情况和时空情况的综合表示。在融合特征的基础上利用时空卷积捕捉时空间依赖，进一步得到综合表示人流转移情况和时空依赖的的隐层信息。通过ConvLSTM网络捕捉时空依赖，将融合特征输入ConvLSTM网络得到隐层信息。

S263、基于所述隐层信息预测得到多阶人流转移预测矩阵。

具体的，人流转移预测矩阵是人流转移矩阵观测值的预测结果。设置多个用于预测人流转移矩阵的ConvLSTM网络，将所述隐层信息复制多份，分别输入多个ConvLSTM网络，得到多阶人流转移预测矩阵，每个隐层信息输入一个ConvLSTM网络得到一个对应阶数的人流转移预测矩阵。

S264、基于所述多阶人流转移预测矩阵确定人流预测转移量。

具体的，将多阶人流转移预测矩阵按照时间先后顺序拼接到一起，得到预测后的人流转移过程张量，实际上，时间先后顺序对应多阶人流转移预测矩阵的阶数大小，时间越往后，阶数越大，即将所述多阶人流转移预测矩阵按照阶数从小到大的顺序拼接，得到人流预测转移量。

进一步的，本实施例中还可以对上述步骤获取的所有数据存储至数据库，数据库在当前时刻之前保存的数据构成历史数据，如历史人流密度、历史人流量、历史人流转移量等。当监控人员需要监控某一历史时刻的城市人流情况时，可以从数据库获取历史数据生成人流监控视图，即可生成历史人流密度监控视图、历史人流量监控视图和历史人流转移量监控视图。

本发明实施例提供的城市人流监控方法通过对原始轨迹点预处理，降低了GPS信号、网络信号以及设备电源等不确定性因素对生成人流监控视图的影响，使得人流监控视图更加准确；通过城市网格数据的匹配，实现了特定城市区域的人流监控视图的生成，人流监控更具灵活性；通过深度学习模型实现了对人流特征参数的预测，可以为城市规划提供有效参考。此外，监控人员只需接入原始人流数据即可获得对应的人流监控视图，无需手动进行专业的特征提取，降低了城市人流监控对专业技术人员的依赖，提高了城市人员流动情况监控的通用性。

实施例三

图3为本发明实施例三提供的一种城市人流监控装置的结构示意图，本实施例可适用于城市人员流动情况的监控。本实施例提供的城市人流监控装置能够实现本发明任意实施例提供的城市人流监控方法，具备实现方法的相应功能结构和有益效果，本实施例中未详尽描述的内容可参考本发明任意方法实施例的描述。

如图3所示，本发明实施例三提供的城市人流监控装置包括：数据获取模块310、数据预处理模块320和监控视图生成模块330，其中：

数据获取模块310用于获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等；

数据预处理模块320用于基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据，所述标准化网格数据包括多个标准轨迹点，所述多个标准轨迹点之间的时间间隔相等；

监控视图生成模块330用于根据所述标准化网格数据生成人流监控视图。

进一步的，数据预处理模块320包括：

数据校准单元，用于对所述原始人流数据进行校准，得到校准轨迹数据，所述校准轨迹数据包括多个校准轨迹点，所述多个校准轨迹点之间的时间间隔相等；

网格匹配单元，用于将所述校准轨迹数据与所述城市网格数据进行匹配，得到标准化网格数据。

进一步的，监控视图生成模块330包括：

特征参数确定单元，用于根据所述标准化网格数据确定人流特征参数，所述人流特征参数包括人流密度、人流量和人流转移量；

监控视图生成单元，用于根据所述人流特征参数生成人流监控视图。

进一步的，所述监控视图生成单元包括：

预测子单元，用于基于深度学习模型，根据所述人流特征参数获取人流预测参数；

监控视图生成子单元，用于根据所述人流预测参数生成人流监控视图。

进一步的，所述预测子单元具体用于：

将所述人流密度输入ConvLSTM网络模型，得到人流预测密度；

将所述人流量输入ConvLSTM网络模型，得到人流预测量。

进一步的，所述预测子单元还用于：

基于所述人流转移量分析局部转移情况生成融合特征；

基于所述融合特征捕捉时空依赖得到隐层信息；

基于所述隐层信息预测得到多阶人流转移预测矩阵；

基于所述多阶人流转移预测矩阵确定人流预测转移量。

本发明实施例提供的城市人流监控装置通过对原始轨迹点预处理，降低了GPS信号、网络信号以及设备电源等不确定性因素对生成人流监控视图的影响，使得人流监控视图更加准确；通过城市网格数据的匹配，实现了特定城市区域的人流监控视图的生成，人流监控更具灵活性。此外，监控人员只需接入原始人流数据即可获得对应的人流监控视图，无需手动进行专业的特征提取，降低了城市人流监控对专业技术人员的依赖，提高了城市人员流动情况监控的通用性。

实施例四

图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备412以通用电子设备的形式表现。电子设备412的组件可以包括但不限于：一个或者多个处理器416，存储装置428，连接不同系统组件(包括存储装置428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM)，数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储装置428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

电子设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的终端通信，和/或与使得该电子设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。

处理器416通过运行存储在存储装置428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的城市人流监控方法，该方法可以包括：

获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等；

基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据，所述标准化网格数据包括多个标准轨迹点，所述多个标准轨迹点之间的时间间隔相等；

根据所述标准化网格数据生成人流监控视图。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的城市人流监控方法，该方法可以包括：

获取原始人流数据和城市网格数据，所述原始人流数据包括多个原始轨迹点，所述多个原始轨迹点之间的时间间隔不相等；

基于所述城市网格数据对所述原始人流数据进行预处理，得到标准化网格数据，所述标准化网格数据包括多个标准轨迹点，所述多个标准轨迹点之间的时间间隔相等；

根据所述标准化网格数据生成人流监控视图。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++)，还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。