一种适用于学校的人流量预测以及合理调控的智能预测设备

技术领域

本发明涉及智能算法以及预测技术领域，具体涉及了一种适用于学校的人流量预测以及合理调控的智能预测设备。

背景技术

随着素质教育水平提高，学校招生规模日益庞大，学校部分区域之间的人流量以及人流密度逐渐趋于饱和。学校作为人流量与人员密集度较高的场所，成为了防疫的重点。人流量以及人流密度的增加带来了管理成本与防疫成本的最佳，因此，为降低成本并且保证安全的目的。学校必须重视成本控制。区域人流管理过程中，也存在许多的问题，如部分区域人流随机性，对于同一区域，在特定条件下既有大规模的人数聚集，有存在连续几天低流量或无人的情况。学校对人流管理的支出主要源于设备使用、用电消耗、防疫支出，没有制定具体的支出管控计划，面对随机未知的人流量只能投入过量的人力物力进行管控。这对于控制学校人流管理支出的成本，增加学校的安全有一定的阻碍。

因此，针对学校现阶段存下的问题，需要一种设备来实时提供人流调控方案，来解决人员聚集于人流量的随机性，并通过合理的限流、课程时间调控对各区域人流进行调控，帮助学校有效控制成本，压缩成本率的同时保证在校师生健康安全，达到经济、安全的目标。

发明内容

针对上述问题，本发明提供了一种适用于学校的人流量预测以及合理调控的智能预测设备，能够对区域各时间段的人流量进行预测，再通过人流预测数据，对课程时间调控，给出合理的课程于限流方案，解决当前学校的人流量密集带来的不安全与健康问题。

本发明的技术方案是：本发明所述的一种适用于学校的人流量预测以及合理调控的智能预测设备，包括相互连接的数据采集单元、数据处理存储模块、人流量预测单元、人流概率量预测模块、人流调控单元、门禁模块、管理员调度模块及教务网模块；

所述数据采集单元的输出端连接在数据处理存储模块的输入端上、所述数据处理存储模块的输出端连接在人流量预测单元的输入端上，所述人流量预测单元的输出端连接在人流概率量预测模块的输入端上，所述人流概率量预测模块的输出端连接在人流调控单元的输入端上。

进一步的，所述数据采集单元包括天气因素采集模块(天气因素)、课程及考试因素采集模块(课程及考试因素)、节假日因素采集模块(节假日因素)及历史人流量数据采集模块(历史人流量数据)；

所述天气因素采集模块、课程及考试因素采集模块、节假日因素采集模块及历史人流量数据采集模块均电连接在对应的监控总机上。

进一步的，所述数据处理存储模块对采集到的各项数据进行处理存储；

所述人流量预测单元使用基于改进郊狼算法的VMD-KELM人流量预测模型预测人数；

所述人流概率量预测单元使用高斯分布拟合预测误差序列得到误差累计概率密度分布函数，然后采用蒙特卡洛法对累计概率密度进行多次随机抽样，根据抽样累计概率密度得到所对应的误差序列，按照采样累计概率密度的大小对采样误差序列重新排序；最后给定置信度，结合点预测结果得出相应时刻对应的人流概率区间。

进一步的，所述人流调控单元包括控制模块、联网模块及监控模块；

所述控制模块、联网模块及监控模块均电连接在监控总机上。

进一步的，所述人流调控单元的总输出端分成三个细输出端，其分别与门禁模块、管理员调度模块及教务网模块相连接；所述教务网模块的输出端连接在数据处理存储模块上；

所述门禁模块、管理员调度模块及教务网模块均电连接在监控总机上。

进一步的，一种适用于学校的人流量预测以及合理调控的智能预测设备的优化方法，通过数据采集单元收集到数据建立人流量预测单元的VMD-KELM人流量预测模型；

其中，所述VMD-KELM人流量预测模型的具体实现过程如下：

(1)：设定选用RBF径向基函数，并确定输入层、输出层节点；

(2)：建立VMD算法模型对收集到的数据进行信号分解；

(3)：对VMD算法模型子模态个数K、惩罚因子α参数通过寻优分信号分解提高精度，并使用全部数据的80％作为训练样本，其余20％作为测试样本训练模型，通过概率区间预测模型对人流概率区间进行预测；

(4)：输入隔天天气因素、课程及考试因素、节假日因素相关参数，进行预测并通过教务网对课程及考试因素进行调整找出人流最优课程及考试安排；

并通过人流调控模块进行门禁模块以及人员管理人员调度模块对相关人流进行限制和人员调度。

进一步的，在步骤(1)中，所述设定选用RBF径向基函数，并确定输入层、输出层节点的实现过程如下：

(1.1)：设定选用RBF径向基函数：

其中，μ

确定输入层4个节点，x

确定输出层1个节点，其中，Y表示当天人流量预测结果；

(1.2)：建立VMD算法模型对收集到的数据进行信号分解；算法公式如下：

其中：u

对数据处理存储模块处理的数据进行归一化，将原始值通过最大-最小标准化映射到区间[0,1]的值x′，映射公式如下：

其中，max A和min A分别表示因素A的最大值与最小值；

随机选取全部数据的80％作为训练样本，其余20％作为测试样本；

(1.3)：采用改进郊狼算法优化变分模态分解算法的分解出的子模态个数K与惩罚因子α。

进一步的，在步骤(1.3)中，所述采用改进郊狼算法优化变分模态分解算法的分解出的子模态个数K与惩罚因子α的具体步骤如下：

(1.3.1)：输入子模态个数K、惩罚因子α参数生成郊狼种群X，随机初始化X

X

其中：X

(1.3.2)：计算适应度值，确定全局最优郊狼，将当前迭代次数设定为0；

(1.3.3)：当前迭代次数t

(1.3.4)：通过全局最优郊狼引导策略促进组内最优郊狼成长，全局最优郊狼引导策略公式如下：

算法前期：采用Levy飞行全局最优郊狼引导组内最优郊狼；

step＝k/|m|

new-alpha＝alpha+stepsize；

其中：rand为随机数、k、m和randn为服从正态分布的随机向量；alpha表示组内最优郊狼；beta为参数，取值1.5；X

算法后期：

new-alpha＝alpha+(1-(1-nef/N

其中：nef是当前函数评价次数；X

(1.3.5)：通过最差郊狼强化策略提高种群的整体性能需要强化最差个体的社会适应能力，强化最差郊狼分为前期、后期两个阶段，其表达式分别如下：

前期表达式：

其中：X

后期表达式：

new_w＝X

(1.3.6)：利用动态调整的信息共享成长策略提高群体之中的个体信息使用程度，公式如下：

new_X

S

S

其中：r

(1.3.7)：启发式交叉迁移策略：

v＝ceil((i-1)×rand)

c

其中：i表示迁入栖息地的索引；v表示榜样中选出迁入栖息地的索引；

ceil()表示向上取整函数；U

(1.3.8)：并行控制边界，并行计算适应度值，更新全局最优郊狼；

(1.3.9)：郊狼生与死操作：

P

其中：c

(1.3.10)：对当前迭代次数t+1，判断是否小于最大迭代次数；是则重复步骤(1.3.3)至步骤(1.3.9)；否则进入步骤(1.3.11)；

(1.3.11)：输出最优输入子模态个数K与惩罚因子α参数；

(1.3.12)：通过多次VMD-KELM人流量预测模型预测数据与真实值的误差，并通过人流概率量预测模块使用高斯函数拟合进行概率；

所述人流概率量预测模块是使用蒙特卡洛法来估算的；所述蒙特卡洛法对存在的变量进行随机抽样得到对应的y的特征值，通过抽样结果计算得出y的概率分布。

本发明的有益效果是：1、本发明所提出的VMD-KELM人流量预测模型涉及多个影响因素，区域因素、天气因素、课程及考试因素、节假日因素、以及历史人流量数据。这些因素对人流量起到关键作用，将以上关键因素作为人流量预测模型的输入，可以使预测的准确率有明显的提高；2、本发明通过多目标灰狼算法对预测模型的VMD信号分解进行优化，提高了数据的精确度，避免数据被过度分解。，对当天的各区域的人流量以及概率合理预测，并制定调控方案，能够避免管理防疫资源浪费以及投入过度造成的盈利亏损；3、本发明通过预测模型对各区域人流量以及概率进行预测，减少了管理投入过度的现象，使学校的相关支出有明显的降低。

附图说明：

图1为本发明的结构框架图；

图2为本发明中人流量预测模型的工作原理图；

图3为本发明中人流概率量预测单元的工作流程图；

图4为本发明采用的多策略郊狼优化算法流程图；

图5为本发明实施例中一天的实际人流量与预测人流量的对比图；

图6为本发明实施例中设备使用前后管控支出对比图；

图中，1是数据采集单元，11是天气因素采集模块，12是课程及考试因素采集模块，13是节假日因素采集模块，14是历史人流量数据采集模块；

2是数据处理存储模块，3是人流量预测单元，4是人流概率量预测模块；

5是人流调控单元，51是控制模块，52是联网模块，53是监控模块；

6是门禁模块，7是管理员调度模块，8是教务网模块。

具体实施方式

为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

如图1-4所示，本发明所述的一种适用于学校的人流量预测以及合理调控的智能预测设备，包括数据采集单元1、数据处理存储模块2、人流量预测单元3、人流概率量预测模块4及人流调控单元5；

所述数据采集单元1采集天气因素采集模块11、课程及考试因素采集模块12、节假日因素采集模块13及历史人流量数据采集模块14中得到的数据包天气因素、课程及考试因素、节假日因素以及历史人流量数据；

所述数据处理存储模块2对采集到的各项数据进行处理存储；

所述人流量预测单元3使用基于MS-COA算法的VMD-KELM人流量预测模型预测人数；

所述人流概率量预测模块4使用高斯分布拟合预测误差序列得到误差累计概率密度分布函数，然后采用蒙特卡洛法对累计概率密度进行多次随机抽样，根据抽样累计概率密度得到所对应的误差序列，按照采样累计概率密度的大小对采样误差序列重新排序；最后给定置信度，结合点预测结果得出相应时刻对应的人流概率区间；

所述人流调控单元5包括控制、联网、监控、门禁、核酸检测以及教务网模块组成。

进一步的，所述数据采集单元1采集数据包括、天气因素、课程及考试因素、节假日因素、以及历史人流量数据输入到数据处理存储模块2；所述数据处理存储模块2存储影响人流相关因素序列，VMD分解后人流量序列等。

进一步的，所述人流量预测单元3通过数据采集单元1得到的数据通过VMD-KELM预测模型(人流量预测单元3)对当天不同时间段的人流量进行预测，并采用MS-COA算法优化模型参数；

进一步的，所述人流概率量预测模块4通过VMD-KELM预测模型(人流量预测单元3)得到的预测结果和误差，使用蒙特卡洛构造概率区间预测模型进行概率预测，并通过蒙特卡洛抽样法给出各时间人流概率及其置信区间的上下限。

进一步的，所述人流调控单元5包括控制模块51、联网模块52以及监控模块53，联网模块52以及监控模块53与联网模块协同工作，联网模块52读取该地区门禁模块6以及管理员调控模块7的数据，避免人流暴增的突发情况；

所述教务模块8对第二天课程及考试因素序列进行调整并输入训练好的人流及其概率预测模型中进行预测，确保该区域各时间段最大概率人流低于预设阈值。

进一步的，一种适用于学校的人流量预测以及合理调控的智能预测设备，其特征在于，通过其数据采集单元1收集到数据建立VMD-KELM人流量预测模型，所述的VMD-KELM人流量预测模型，实现过程如下：

(1)：设定选用RBF径向基函数：

其中，μ

(2)：确定输入层4个节点，x

(3)：确定输出层1个节点，其中Y表示当天人流量预测结果；

(4)：建立VMD算法模型对收集到的数据进行信号分解。算法公式如下：

其中：u

(5)：对数据处理存储模块2处理的数据进行归一化，将原始值通过最大-最小标准化映射到区间[0,1]的值x′，映射公式如下：

其中max A和min A分别表示因素A的最大值与最小值；

(6)：随机选取全部数据的80％作为训练样本，其余20％作为测试样本；

(7)：采用改进郊狼算法优化变分模态分解(VMD)算法的分解出的子模态个数K与惩罚因子α具体步骤如下所示：

(8)：输入子模态个数K、惩罚因子α参数生成郊狼种群X，随机初始化X

X

其中：X

(9)：计算适应度值，确定全局最优郊狼，将当前迭代次数设定为0；

(10)：当前迭代次数t

(11)：通过全局最优郊狼引导策略促进组内最优郊狼成长，全局最优郊狼引

导策略公式如下：

算法前期：采用Levy飞行全局最优郊狼引导组内最优郊狼。

step＝k/|m|

new-alpha＝alpha+stepsize；

其中：rand为随机数、k、m和randn为服从正态分布的随机向量；alpha表示组内最优郊狼；beta为参数，取值1.5；X

算法后期：

new-alpha＝alpha+(1-(1-nef/N

其中：nef是当前函数评价次数；X

(12)：通过最差郊狼强化策略提高种群的整体性能需要强化最差个体的社会适应能力，强化最差郊狼分为前期、后期两个阶段，其表达式分别如下：

前期表达式：

其中：X

后期表达式：

new_w＝X

(13)：利用动态调整的信息共享成长策略提高群体之中的个体信息使用程度，公式如下：

new_X

S

S

其中：r

(14)：启发式交叉迁移策略：

v＝ceil((i-1)×rand)

c

其中：i表示迁入栖息地的索引；v表示榜样中选出迁入栖息地的索引；ceil()表示向上取整函数；U

(15)：并行控制边界，并行计算适应度值，更新全局最优郊狼；

(16)：郊狼生与死操作：

510)

P

其中：c

(17)：对当前前迭代次数t+1，判断是否小于最大迭代次数；是则重复步骤(10)至步骤(16)；否则进入步骤(18)；

(18)：输出最优输入子模态个数K与惩罚因子α参数；

(19)：通过多次VMD-KELM人流量预测模型预测数据与真实值的误差，并通过概率区间预测模型使用高斯函数拟合进行概率，所述的概率区间预测模块，使用蒙特卡洛法来估算的。蒙特卡洛法对这些变量进行随机抽样得到对应的y的特征值，通过大量抽样结果计算得出y的概率分布。

如图5所示，该设备对人流预测有较好的预测准确度，在本发明调控前，监测区域的人员波动8点18点期间人流波动较大，如进行人流管制较困难。然而，在经过本设备的调控后，该区域的人流量得到了显著的控制，预测人流量波动较高，在通过该设备后，区域内人流量波动较小，更方便于管理。

如图6所示，本发明所提供的预测模型得出的调控方案，以去年12个月份为例，相比往年，净支出减少了31659元，平均每月净支出减少了2638.25元，表明该发明具有很好的经济性与实用性。有效解决了学校人流量管理、防疫支出过度的问题。