缺失客流量信息的补全方法、装置、电子设备和存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种缺失客流量信息的补全方法、装置、电子设备和存储介质。

背景技术

在地铁站内，通常布置有摄像头对各个感兴趣区域处的客流量进行实时监控。但是，布置的摄像头及其视角可能难以覆盖或长时间覆盖地铁站内部的全部区域，这会直接导致一些客流量信息在时间或空间上产生缺失，相关的信息因此无法获得。

通过建立时空图神经网络来学习历史客流量数据在时间与空间上的关系，可以对缺失的信息进行实时的补全，然而相关技术中，传统的基于时空图神经网络的地铁客流量监控或预测系统仅仅关注整个地铁线网的整体维度，例如关注乘客的进出站客流数据，因此监控或预测的客流量数据不能精确反应于地铁车站中的某个具体位置。相关技术对地铁站内客流量的监控手段全部是基于可用数据的，如果相应的数据是短时间或长时间不可用的，则相应的监控功能也是无法实现与使用的，即相关技术的系统无法对缺失的数据进行补全或预测。

发明内容

本发明提供一种缺失客流量信息的补全方法、装置、电子设备和存储介质，用以解决现有技术中监控或预测的客流量数据不能精确反应于地铁车站中的某个具体位置，也无法对缺失的数据进行补全或预测的缺陷，实现对单个地铁站内部各个位置处的客流量信息进行实时的获得与补全。

本发明提供一种缺失客流量信息的补全方法，包括：

获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；

将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；

其中，所述时空图神经网络的训练步骤包括：

获取所述目标区域的三维模型；

基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；

获取所述摄像头视野范围内的区域的历史客流量特征；

基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；

将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

根据本发明提供的一种缺失客流量信息的补全方法，所述基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，包括：

在所述目标区域的三维模型中确定多个节点的三维位置，所述节点包括所述目标区域中所有摄像头视野范围内的区域和至少一个所述摄像头视野范围外的区域；

基于所述多个节点之间的连通关系，在所述目标区域的三维模型中多个节点之间建立有效边；

基于所述目标区域的三维模型中确定多个节点的三维位置和所述多个节点之间的有效边，使用邻接矩阵构建所述目标区域的无向图模型。

根据本发明提供的一种缺失客流量信息的补全方法，所述基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征，包括：

对历史客流量特征

根据本发明提供的一种缺失客流量信息的补全方法，所述对历史客流量特征

对于某一时刻下的历史客流量特征

根据本发明提供的一种缺失客流量信息的补全方法，所述时空图神经网络包括编码器和解码器，将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练，包括：

对所述训练样本循环执行第一过程，直到损失函数收敛；

将完成最后一次第一过程后的时空图神经网络作为训练完成的时空图神经网络。

其中，所述第一过程包括：

通过所述编码器提取所述无向图模型中多个节点在样本序列某一时刻下的历史客流量特征在空间维度上的特征和所述无向图模型中多个节点在所述某一时刻下的历史客流量特征在时间维度上的特征；

通过所述解码器基于所述无向图模型中多个节点在所述某一时刻下的历史客流量特征的时间维度，获得所述多个节点在所述某一时刻初次被补全的客流量特征向量；

通过所述解码器基于所述无向图模型中多个节点在所述某一时刻初次被补全的客流量特征向量，获取所述多个节点在所述某一时刻最终被补全的客流量特征向量；

基于所述多个节点在所述某一时刻最终被补全的客流量特征向量，计算损失函数

通过反向传播调整所述时空图神经网络中的权重矩阵和偏值向量。

根据本发明提供的一种缺失客流量信息的补全方法，在所述将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本后，所述时空图神经网络的训练步骤还包括：

随机将所述训练样本中的一个或多个所述摄像头视野范围内的区域的历史可用客流量特征去除，基于去除后的训练样本数据，使用Mini-Batch的方式对所述时空图神经网络进行训练。

根据本发明提供的一种缺失客流量信息的补全方法，所述方法还包括：

持续获取所述目标区域中摄像头视野范围内的区域新的客流量数据；

基于所述目标区域中摄像头视野范围内的区域新的客流量数据，持续对所述目标区域的时空图神经网络进行优化。

本发明还提供一种缺失客流量信息的补全装置，所述装置包括：

获取模块，用于获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；

补全模块，用于将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；

其中，所述时空图神经网络的训练步骤包括：

获取所述目标区域的三维模型；

基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；

获取所述摄像头视野范围内的区域的历史客流量特征；

基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；

将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述缺失客流量信息的补全方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述缺失客流量信息的补全方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述缺失客流量信息的补全方法。

本发明提供的一种缺失客流量信息的补全方法、装置、电子设备和存储介质，通过基于地铁站的建筑模型构建地铁站图模型以建立有摄像头区域对应的节点和无摄像头区域对应的节点之间的连通关系，并基于有摄像头区域的历史客流量数据和连通关系获得无摄像头区域的历史客流量数据，通过建立时空图神经网络来学习历史客流量数据在时间与空间上的关系，可以对缺失的节点特征进行补全，从而达到客流量信息补全的目的，提高对地铁站无摄像头区域客流量估算的准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的缺失客流量信息的补全方法的流程示意图之一；

图2是本发明提供的确定摄像头视野范围内客流量特征的示意图；

图3是本发明提供的地铁站台层图模型的示意图；

图4是本发明提供的编码器工作的流程示意图；

图5是本发明提供的缺失客流量信息的补全方法的流程示意图之二；

图6是本发明提供的缺失客流量信息的补全装置的结构示意图；

图7是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

首先对以下内容进行介绍：

由于城市轨道交通的客流量日益加剧，针对地铁车站内客流量的实时监控功能，有助于地铁运营方进行提前预警，采取相应的措施以避免车站发生过度拥挤，造成严重的安全隐患的情况。相关技术中绝大多数地铁站内部客流量的监控均是基于摄像头，即基于所监控内容进行相关信息处理，而对于非摄像头覆盖区域或摄像头盲区的客流量信息则不得而知。此外，还有绝大多数针对地铁客流量预测的系统或产品从宏观的角度出发，例如统计各个车站的乘客进出站流量并联合整个线路的车站分布以给出每个车站未来的客流量预测情况。

传统的基于时空图神经网络的地铁客流量监控或预测系统仅仅关注整个地铁线网的整体维度，例如关注乘客的进出站客流数据，因此监控或预测的客流量数据不能精确反应于地铁车站中的某个具体位置。

相关技术中对地铁站内客流量的监控手段全部是基于可用数据的，比如来自摄像头的数据。如果相应的数据是短时间或长时间不可用的，则相应的监控功能也是无法实现与使用的。换句话说，相关技术的系统不能支持对缺失的数据进行补全或预测。

下面结合图1-图5描述本发明的提供的缺失客流量信息的补全方法。

图1是本发明提供的缺失客流量信息的补全方法的流程示意图之一，如图1所示，该方法包括以下步骤：

步骤100，获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；

可选地，目标区域可以是任意需要进行客流量预测的区域，比如地铁站，或火车站，或飞机场等，本发明对此不作限定。

可选地，目标区域中可以包含至少一个摄像头，每个摄像头可以对视野范围内的图像进行拍摄，以获取视野范围内的客流量。

可选地，目标区域中多个摄像头的视野范围可以重叠或不重叠，在视野范围重叠的情况下，需确定重叠区域的实际客流量。

可选地，摄像头的视野范围可以是摄像头可以拍摄到的最大空间的范围，摄像头视野范围内的区域即摄像头可以拍摄到的最大空间内的区域，摄像头视野范围外的区域即摄像头可以拍摄到的最大空间以外的区域。

可选地，不同规格的摄像头的视野范围不同。

步骤110，将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；

其中，所述时空图神经网络的训练步骤包括：

获取所述目标区域的三维模型；

基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；

获取所述摄像头视野范围内的区域的历史客流量特征；

基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；

将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

可选地，目标区域的三维模型可以是三维建筑模型。

例如，在目标区域是A地铁站的情况下，可以获取A地铁站的三维建筑模型，在目标区域是B火车站的情况下，可以获取B火车站的建筑模型。

可选地，目标区域的三维模型可以来源于建筑信息模型（Building InformationModeling，BIM）。

可选地，获取目标区域的三维模型后，可以确定当前部署在目标区域中的所有摄像头在三维模型中的位置。

可选地，摄像头可以部署在目标区域的不同楼层中，比如站厅层、站台层、地面层或扶梯等位置。

可选地，对于一些需要获得客流量特征，但其存在着摄像头盲区或未布置摄像头的区域，同样需要确定其在三维模型中的位置，便于确定摄像头视野范围外的区域以及所述摄像头视野范围内的区域和所述摄像头视野范围外的区域之间的连通关系。

可选地，可以基于目标区域的三维模型、所有摄像头的空间位置与需要获得客流量特征，但其存在着摄像头盲区或未布置摄像头的区域，构建无向图模型，确定各区域之间的连通关系。

可选地，可以通过实际部署的摄像头采集历史客流数据，并生成相应位置的历史客流量特征。

可选地，可以使用可以识别行人的目标检测算法，比如YOLO（You Only LookOnce）算法，或其他目标检测算法获取时刻t下摄像头拍摄图像中的行人数量，作为该摄像头在时刻t下视野范围内的区域的初选客流量特征。

可选地，可以从每一个部署的监控摄像头的视野范围中提取出一个有效的视野范围，并把当前时刻视野范围内的人员数量作为客流量特征。

图2是本发明提供的确定摄像头视野范围内客流量特征的示意图，如图2所示，可以在摄像头视野范围内确定一个有效的圆形视野范围，把圆形视野范围内的人员数量作为客流量特征。

可选地，对于一些需要获得客流量特征，但其存在着摄像头盲区或未布置摄像头的区域，可以把其人员数量设置为零。

可选地，获取了摄像头视野范围内的区域的历史客流量特征后，可以将当前时刻下无向图模型中所有区域的客流量特征表示为一个矩阵

可选地，可以设定一个训练样本的序列数据长度为

可选地，如果样本中的某个时刻下的数据对应监控摄像头不可用的情况，其对应的值由于数据缺失可以设置为零。

可选地，为了更加准确的初始化一些缺失的数据，使得神经网络可以从训练的过程中进行有效的学习，需要使用现有的可用数据来通过空间关系对未知不可用的数据进行补全，即基于目标区域的无向图模型和摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征。

可选地，可以将摄像头视野范围内的区域的历史客流量特征和摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对时空图神经网络进行训练，通过训练后的时空图神经网络可以对缺失的节点特征进行补全，从而达到客流量信息补全的目的。

可选地，可以通过新客流特征数据的不断采集，执行对现有时空图神经网络的持续优化。

本发明提供的缺失客流量信息的补全方法，通过基于地铁站的建筑模型构建地铁站图模型以建立有摄像头区域对应的节点和无摄像头区域对应的节点之间的连通关系，并基于有摄像头区域的历史客流量数据和连通关系获得无摄像头区域的历史客流量数据，通过建立时空图神经网络来学习历史客流量数据在时间与空间上的关系，可以对缺失的节点特征进行补全，从而达到客流量信息补全的目的，提高对地铁站无摄像头区域客流量估算的准确性。

可选地，所述基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，包括：

在所述目标区域的三维模型中确定多个节点的三维位置，所述节点包括所述目标区域中所有摄像头视野范围内的区域和至少一个所述摄像头视野范围外的区域；

基于所述多个节点之间的连通关系，在所述目标区域的三维模型中多个节点之间建立有效边；

基于所述目标区域的三维模型中确定多个节点的三维位置和所述多个节点之间的有效边，使用邻接矩阵构建所述目标区域的无向图模型。

可选地，可以将每一个监控摄像头监控位置和每一个待补全客流量的区域作为无向图模型中的一个节点，所有节点的集合记作

可选地，在确定所有节点的三维位置后，需要首先根据实际的建筑模型确定各节点之间的连通性，并结合实际的客流运动方向对各节点间的连通关系进行检查与修正，建立节点之间的有效边。

可选地，如果两个节点的连线之间有建筑物墙体的直接遮挡，则不建立有效边。

可选地，如果两个节点的连线之间有人工客流导向措施，比如有护栏，不建立有效边。

可选地，跨楼层的节点之间可以通过与位于扶梯或楼梯处的节点构造有效边从而相连。

可选地，可以把所有有效边的集合记为

可选地，可以根据各个监控摄像头之间的实际空间距离与连接性，计算用于构建无向图模型的邻接矩阵

可选地，邻接矩阵

可选地，最终确定的无向图模型可以记为

图3是本发明提供的地铁站台层图模型的示意图，如图3所示，在本发明的一个实施例中，构建的地铁站台层图模型如图所示，其中包含14个节点和14个有效边。

本发明提供的缺失客流量信息的补全方法，通过对地铁站内的客流数据进行精确的空间建模，准确建立各个区域之间的连接关系，方便后续基于连接关系对缺失客流量数据的区域的信息进行补全。

可选地，所述基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征，包括：

对历史客流量特征

可选地，为了更加准确的初始化一些缺失的数据，使得神经网络可以从训练的过程中进行有效的学习，需要使用现有的可用数据来通过空间关系对未知不可用的数据进行补全，即基于目标区域的无向图模型和摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征。

可选地，未知不可用的数据可以是摄像头视野范围外的区域的客流量数据，或某个时刻下摄像头不可用时对应的数据，可以是时间维度的数据，或空间维度的数据。

可选地，为了确定所述摄像头视野范围外的区域的预估历史客流量特征，可以对历史客流量特征

例如，可以对历史A时刻的客流量特征

本发明提供的缺失客流量信息的补全方法，通过对历史客流量特征

可选地，所述对历史客流量特征

对于某一时刻下的历史客流量特征

可选地，为了更加准确的初始化一些缺失的数据，使得神经网络可以从训练的过程中进行有效的学习，需要使用现有的可用数据来通过空间关系对未知不可用的数据进行补全，即基于目标区域的无向图模型和摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征。

可选地，未知不可用的数据可以是摄像头视野范围外的区域的客流量数据，或某个时刻下摄像头不可用时对应的数据，可以是时间维度的数据，或空间维度的数据。

可选地，可以选取训练样本的序列的每一个数据

可选地，对于一些不可用数据，比如摄像头视野范围外的区域的客流量数据，可以通过不断地使用

本发明提供的缺失客流量信息的补全方法，基于归一化的邻接矩阵，使用现有的可用数据来通过空间关系对未知不可用的数据进行补全。

可选地，所述时空图神经网络包括编码器和解码器，将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练，包括：

对所述训练样本循环执行第一过程，直到损失函数收敛；

将完成最后一次第一过程后的时空图神经网络作为训练完成的时空图神经网络；其中，所述第一过程包括：

通过所述编码器提取所述无向图模型中多个节点在样本序列某一时刻下的历史客流量特征在空间维度上的特征和所述无向图模型中多个节点在所述某一时刻下的历史客流量特征在时间维度上的特征；

通过所述解码器基于所述无向图模型中多个节点在所述某一时刻下的历史客流量特征的时间维度，获得所述多个节点在所述某一时刻初次被补全的客流量特征向量；

通过所述解码器基于所述无向图模型中多个节点在所述某一时刻初次被补全的客流量特征向量，获取所述多个节点在所述某一时刻最终被补全的客流量特征向量；

基于所述多个节点在所述某一时刻最终被补全的客流量特征向量，计算损失函数

通过反向传播调整所述时空图神经网络中的权重矩阵和偏值向量。

可选地，在编码过程中，为了提取所有数据在空间维度上的特征，在进行节点的特征聚合时，可以使用图自注意力机制计算每个时刻下任意节点

可选地，

可选地，可以通过对节点

可选地，在编码过程中，为了提取所有数据在时间维度上的特征，使用GRU单元并结合图自注意力机制，在每一个时刻

；

；

；

；

其中，

图4是本发明提供的编码器工作的流程示意图，如图4所示，编码器需要对训练样本中未知不可用的数据进行初始化，并使用图注意力机制和门控循环单元提取所有数据在空间维度上的特征和在时间维度上的特征。

可选地，在编码器对多个节点在每个时刻下的历史客流量特征在空间维度上的特征和在时间上的特征进行编码后，解码器需要对编码后的历史客流量特征在空间维度上的特征和在时间上的特征进行解码。

可选地，为了对编码后的历史客流量特征在时间维度上的特征进行解码，解码器可以将上一时刻所有节点通过GRU计算的隐藏状态

可选地，可以基于

可选地，为了对编码后的历史客流量特征在空间维度上的特征进行解码，解码器可以使用图的自注意力机制，将初始被补全的数据特征向量

可选地，解码器可以将所有节点的聚合特征表示

可选地，解码器可以基于当前时刻所有节点的总输出特征

可选地，在训练过程中，可以首先从历史的客流量特征数据集中提取多个序列作为训练用的数据集。

可选地，每一个序列数据样本应具有设定的长度

可选地，可以定义损失函数为所有数据的重建损失，即不仅仅关注于缺失的数据，同样需要关注对已有数据的预测准确性，即

可选地，反向传播可以通过链式法则或梯度下降等优化算法实现。

可选地，完成了时空图神经网络的训练后，可以将时空图神经网络用于实时的信息补全。

本发明提供的缺失客流量信息的补全方法，通过建立时空图神经网络来学习历史客流量数据在时间与空间上的关系，通过训练后的时空图神经网络可以对缺失的节点特征进行补全，从而达到客流量信息补全的目的。

可选地，在所述将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本后，所述时空图神经网络的训练步骤还包括：

随机将所述训练样本中的一个或多个所述摄像头视野范围内的区域的历史可用客流量特征去除，基于去除后的训练样本数据，使用Mini-Batch的方式对所述时空图神经网络进行训练。

可选地，为了让时空图神经网络具有更强大的泛化和信息补全能力，除了一些本身不含有可用数据的节点外，还需要在训练过程中考虑随机将一些可用的数据通过当前时刻的掩模

可选地，随机选取数据并进行训练的过程如下所述：

for i in{1,2,…

随机选择一个时刻t，并得到相应的序列数据

for j in{1，2，…

随机生成一个缺失比例r

根据r值，随机生成一系列掩模

根据掩模，重新生成序列数据

end

使用当前的Mini-Batch序列数据进行训练

end

本发明提供的缺失客流量信息的补全方法，通过随机将一些可用的数据通过当前时刻的掩模

可选地，所述方法还包括：

持续获取所述目标区域中摄像头视野范围内的区域新的客流量数据；

基于所述目标区域中摄像头视野范围内的区域新的客流量数据，持续对所述目标区域的时空图神经网络进行优化。

可选地，完成了时空图神经网络的训练后，可以继续获得目标区域中摄像头视野范围内的区域的客流量数据。

可选地，可以基于不断获得的新数据，对训练完成的时空图神经网络继续训练，不断优化时空图神经网络的模型性能。

图5是本发明提供的缺失客流量信息的补全方法的流程示意图之二，如图5所示，在本发明的一个实施例中，地铁站的缺失客流量信息的补全方法包括以下步骤：

1、基于地铁站建筑信息模型BIM、地铁站内所有监控摄像头位置和所有未布置摄像头或处于摄像头盲区但需要估算客流量的区域位置，完成地铁站内客流无向图模型的建模过程。

2、通过实际部署的监控摄像头采集历史客流数据，选取人员数量为客流量特征，并生成相应位置的客流量特征。对于未布置摄像头或处于摄像头盲区的区域，需要暂时设置其对应的客流特征为零。

3、对构建的时空图神经网络进行训练,训练后的时空图神经网络可以用于缺失客流量信息的补全，此外通过新客流特征数据的不断采集，执行对现有时空图神经网络的持续训练优化。

4、训练后的时空图神经网络可以用于实时的缺失客流量信息的补全。

本发明提供的缺失客流量信息的补全方法，可以将目标区域的历史客流量数据输入时空图神经网络，以获得时空图神经网络输出的目标区域被补全的客流量信息。

下面对本发明提供的缺失客流量信息的补全装置进行描述，下文描述的缺失客流量信息的补全装置与上文描述的缺失客流量信息的补全方法可相互对应参照。

图6是本发明提供的缺失客流量信息的补全装置600的结构示意图，如图6所示，本发明提供的缺失客流量信息的补全装置600包括获取模块610和补全模块620，其中：

获取模块610，用于获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；

补全模块620，用于将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；

其中，所述时空图神经网络的训练步骤包括：

获取所述目标区域的三维模型；

基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；

获取所述摄像头视野范围内的区域的历史客流量特征；

基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；

将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

本发明提供的一种缺失客流量信息的补全装置，通过基于地铁站的建筑模型构建地铁站图模型以建立有摄像头区域对应的节点和无摄像头区域对应的节点之间的连通关系，并基于有摄像头区域的历史客流量数据和连通关系获得无摄像头区域的历史客流量数据，通过建立时空图神经网络来学习历史客流量数据在时间与空间上的关系，可以对缺失的节点特征进行补全，从而达到客流量信息补全的目的，提高对地铁站无摄像头区域客流量估算的准确性。

可以理解的是，本发明提供的缺失客流量信息的补全装置与上述各实施例提供的缺失客流量信息的补全方法相对应，本发明提供的缺失客流量信息的补全装置的相关技术特征可参考上述各实施例提供的缺失客流量信息的补全方法的相关技术特征，在此不再赘述。

图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行缺失客流量信息的补全方法，该方法包括：获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；其中，所述时空图神经网络的训练步骤包括：获取所述目标区域的三维模型；基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；获取所述摄像头视野范围内的区域的历史客流量特征；基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的缺失客流量信息的补全方法，该方法包括：获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；其中，所述时空图神经网络的训练步骤包括：获取所述目标区域的三维模型；基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；获取所述摄像头视野范围内的区域的历史客流量特征；基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的缺失客流量信息的补全方法，该方法包括：获取目标区域中摄像头视野范围内的区域在某一时刻的客流量；将所述目标区域中摄像头视野范围内的区域在所述某一时刻的客流量输入训练完成的所述目标区域的时空图神经网络，补全所述目标区域中所述摄像头视野范围外的区域在所述某一时刻的客流量；其中，所述时空图神经网络的训练步骤包括：获取所述目标区域的三维模型；基于所述目标区域的三维模型和所述目标区域中摄像头视野范围内的区域，构建所述目标区域的无向图模型，所述目标区域的无向图模型中包含所述摄像头视野范围内的区域对应的节点、所述摄像头视野范围外的区域对应的节点以及所述摄像头视野范围内的区域对应的节点和所述摄像头视野范围外的区域对应的节点之间的连通关系；获取所述摄像头视野范围内的区域的历史客流量特征；基于所述目标区域的无向图模型和所述摄像头视野范围内的区域的历史客流量特征，确定所述摄像头视野范围外的区域的预估历史客流量特征；将所述摄像头视野范围内的区域的历史客流量特征和所述摄像头视野范围外的区域的预估历史客流量特征作为训练样本，对所述时空图神经网络进行训练。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。