基于神经网络的公共场所人流密度预测方法、系统及设备
文献发布时间:2024-04-18 19:58:21
技术领域
本发明涉及数据处理及数据预测技术领域,具体涉及基于神经网络的公共场所人流密度预测方法、系统及设备。
背景技术
随着社会经济的发展,人口密度也随之高速增长。在人流密集的公共场所,人群的过度集中往往会造成严重的拥挤情况,不仅影响人们出行时的心情,而且会带来极大的安全隐患。只有对公共场所的人流密度信息进行有效掌握,才能为相关部门提供决策依据,从而迅速准确的做出相应措施。
对人流密度的预测,传统方法通常采用人工观察的手段,此方法不能满足人员拥挤的快速响应。随着机器学习的发展,人们也将各种机器学习的模型应用到人流密度预测当中,但传统的机器学习模型很难拟合数据的深层规律,准确度不高,而对于一些神经网络在内的新型机器学习方法,其擅长发现数据中的深层规律,若原始数据维度不够,信息单一,则无法发挥神经网络的优势。
然而,人们对于一个公共场所的正向或负向评价,对未来的人流密度具有重要影响。而上述现有预测方法并没有考虑评价对公共场所人流密度的预测影响,这进一步限制了对人流密度进行预测的准确度。
此外,对于人流密度数据的预测,误差是不可避免的,但是预测多和预测少的后果是不一样的,如果预测少,但实际人流多,相关部门可能无法提前进行相关决策,造成拥挤事故。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是现有公共场所人流密度预测方法存在预测准确度不高及预测数据小于真实值的问题。本发明目的在于提供基于神经网络的公共场所人流密度预测方法、系统及设备,考虑公共场所的评价数据,融合多维度量化的人们对于公共场所的情绪倾向、历史人流密度数据、天气、气温以及节假日等影响因子,利用这些数据训练擅长时序数据处理的神经网络,并提高神经网络的预测准确度,同时在保证准确度的情况下,使预测数据偏向于大于真实值,更有助于指导相关部门提前进行相关决策,避免造成拥挤事故。
本发明通过下述技术方案实现:
第一方面,本发明提供了基于神经网络的公共场所人流密度预测方法,该方法包括:
通过互联网抓取多个主流点评平台在预设时间段内(
获取预设时间段内某公共场所的基础数据,基础数据包括历史人流密度数据、历史天气数据、历史气温数据和历史节假日数据;
处理并融合基础数据与情感倾向数据,得到融合数据;并将融合数据划分为训练集和测试集,用于后续网络模型的训练与评估;
构建基于LSTM的神经网络,并基于训练集对基于LSTM的神经网络进行训练,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新;并将测试集输入训练好的基于LSTM的神经网络中,选择准确度最高的模型作为最优模型;
采用最优模型,对待预测数据进行公共场所人流密度预测。
进一步地,评论数据包括对某公共场所的整体评论数据和对某公共场所所包含的商户评论数据。
进一步地,采用情感分析法对评论数据进行情感分析,得到情感倾向数据,包括:
采用情感分析法对每条评论数据进行情感分析,得到每条评论的情感倾向为正向的置信度:针对某公共场所,日期
根据每条评论的情感倾向为正向的置信度,确定某公共场所在日期
以情感总体倾向
以上技术方案,因为
进一步地,处理并融合基础数据与情感倾向数据,得到融合数据,包括:
将预设时间段内的情感倾向数据和基础数据,分别单独进行归一化处理,归一化后各种数据已经统一到了同一个的量纲,得到归一化后的数据;
将归一化后的数据进行特征融合,将归一化后的数据前后拼接,得到融合后的特征向量;融合后的单条特征向量表示为:
对应的输出标签为
进一步地,基于LSTM的神经网络包括输入层、隐藏层和输出层;输入层的LSTM神经元数量与融合后的单条特征向量的输入数据的维度相同;隐藏层的LSTM神经元数量为50;输出层的LSTM神经元数量为1,用以输出预测的人流密度数据;神经网络各层之间连接的权值是通过高斯分布进行初始化,高斯分布的均值为0,方差为1,偏置量初始化为0。
进一步地,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新,公式为:
以上技术方案,为了在保证准确度的情况下,使预测数据偏向于大于真实值,指导相关部门提前进行相关决策,避免造成拥挤事故;因此,在网络训练的时候,当基于LSTM的神经网络的模型预测值
第二方面,本发明又提供了基于神经网络的公共场所人流密度预测系统,该系统使用上述的基于神经网络的公共场所人流密度预测方法;该系统包括:
情感倾向数据获取单元,用于通过互联网抓取多个主流点评平台在预设时间段内对某公共场所的评论数据,采用情感分析法对评论数据进行情感分析,得到情感倾向数据;
基础数据获取单元,用于获取预设时间段内某公共场所的基础数据,基础数据包括历史人流密度数据、历史天气数据、历史气温数据和历史节假日数据;
数据融合及划分单元,用于处理并融合基础数据与情感倾向数据,得到融合数据;并将融合数据划分为训练集和测试集,用于后续网络模型的训练与评估;
模型构建及训练测试单元,用于构建基于LSTM的神经网络,并基于训练集对基于LSTM的神经网络进行训练,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新;并将测试集输入训练好的基于LSTM的神经网络中,选择准确度最高的模型作为最优模型;
人流密度预测单元,用于采用最优模型,对待预测数据进行公共场所人流密度预测。
进一步地,评论数据包括对某公共场所的整体评论数据和对某公共场所所包含的商户评论数据。
进一步地,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新,公式为:
第三方面,本发明又提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的基于神经网络的公共场所人流密度预测方法。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明基于神经网络的公共场所人流密度预测方法、系统及设备,虑公共场所的评价数据,融合多维度量化的人们对于公共场所的情绪倾向、历史人流密度数据、天气、气温以及节假日等影响因子,利用这些数据训练擅长时序数据处理的神经网络,并提高神经网络的预测准确度;并采用自定义损失函数,在保证准确度的情况下,使预测数据偏向于大于真实值,更有助于指导相关部门提前进行相关决策,避免造成拥挤事故。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明基于神经网络的公共场所人流密度预测方法流程图;
图2为本发明基于神经网络的公共场所人流密度预测系统结构框图。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
基于现有公共场所人流密度预测方法存在预测准确度不高及预测数据小于真实值的问题。本发明设计了基于神经网络的公共场所人流密度预测方法、系统及设备,考虑公共场所的评价数据,融合多维度量化的人们对于公共场所的情绪倾向、历史人流密度数据、天气、气温以及节假日等影响因子,利用这些数据训练擅长时序数据处理的神经网络,并提高神经网络的预测准确度;并采用自定义损失函数,在保证准确度的情况下,使预测数据偏向于大于真实值,更有助于指导相关部门提前进行相关决策,避免造成拥挤事故。
实施例1
如图1所示,本发明基于神经网络的公共场所人流密度预测方法,该方法包括:
通过互联网抓取多个主流点评平台在预设时间段内(
获取预设时间段内某公共场所的基础数据,基础数据包括历史人流密度数据、历史天气数据、历史气温数据和历史节假日数据;
处理并融合基础数据与情感倾向数据,得到融合数据;并将融合数据划分为训练集和测试集,用于后续网络模型的训练与评估;
构建基于LSTM的神经网络,并基于训练集对基于LSTM的神经网络进行训练,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新;并将测试集输入训练好的基于LSTM的神经网络中,选择准确度最高的模型作为最优模型;
采用最优模型,对待预测数据进行公共场所人流密度预测。
具体实施时,步骤如下:
步骤1、针对万达广场,在预设时间段
步骤2、采用Senta情感分析系统对上述每条评论数据进行情感分析,得到每条评论的情感倾向为正向的置信度:针对指定公共场所,日期
步骤3、根据每条评论的情感倾向为正向的置信度,确定指定公共场所在日期
以情感总体倾向
以上技术方案,因为
步骤4、获取在日期
步骤5、获取在日期
步骤6、获取在日期
步骤7、获取在日期
步骤8、对步骤3~步骤7在日期段
步骤9、融合基础数据与情感倾向数据,归一化后各种数据已经统一到了同一个的量纲,将归一化后的数据前后拼接,得到融合数据,即组成用于训练基于LSTM的神经网络的特征向量(包含输入数据与输出标签)。
具体的,融合后的单条特征向量,即输入数据为:
对应的输出标签为
步骤10,构建一个基于长短期记忆(LSTM,Long Short-Term Memory)的人工神经网络,LSTM神经元结构擅长时序数据处理。基于LSTM的神经网络包括输入层、隐藏层和输出层;输入层的LSTM神经元数量与融合后的单条特征向量的输入数据的维度相同;隐藏层的LSTM神经元数量为50;输出层的LSTM神经元数量为1,用以输出预测的人流密度数据;神经网络各层之间连接的权值是通过高斯分布进行初始化,高斯分布的均值为0,方差为1,偏置量初始化为0。
步骤11,将步骤9得到的训练集输入步骤10构建的基于LSTM的神经网络中进行训练,批大小为10,迭代次数为分别采用100,200,300。训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新,公式为:
特别的,为了在保证准确度的情况下,使预测数据偏向于大于真实值,指导相关部门提前进行相关决策,避免造成拥挤事故;本发明自定义损失函数
此外,为了提高训练效率,在迭代中对
对比本发明方法与其他现有方法的性能差距。如表1、表2所示。由表1可以得出,相对其他吸纳有方法,本方方法的准确度指标最高;训练数据不含天气、气温、节假日信息时,准确度排第二;训练数据不含情感倾向信息时,准确度排第三;其他现有方法依次排在后面。可以得出,采用基于LSTM的神经网络要优于普通神经网络模型和传统机器学习模型;训练数据中,加入情感倾向信息和加入天气、气温、节假日信息,均能提高模型性能,但是加入情感倾向信息更能提升模型性能。
由表2可以得出,采用自定义损失函数的本发明方法,能够在保证准确度的情况下,使预测数据偏向于大于真实值;同时还可以得出,若仅采用单一的历史人流密度数据,采用自定义损失函数训练的模型准确度不高(即易造成模型的震荡),需要多种方法同时使用(即本方方法),才能同时保证正确率与使预测数据偏向于大于真实值。
表1本发明方法与不同输入信息、不同模型的性能对比表
表2本发明方法与不同损失函数、不同输入信息的性能对比表
实施例2
如图2所示,本实施例与实施例1的区别在于,本实施例提供了基于神经网络的公共场所人流密度预测系统,该系统使用上述的基于神经网络的公共场所人流密度预测方法;该系统包括:
情感倾向数据获取单元,用于通过互联网抓取多个主流点评平台在预设时间段内对某公共场所的评论数据,采用情感分析法对评论数据进行情感分析,得到情感倾向数据;
基础数据获取单元,用于获取预设时间段内某公共场所的基础数据,基础数据包括历史人流密度数据、历史天气数据、历史气温数据和历史节假日数据;
数据融合及划分单元,用于处理并融合基础数据与情感倾向数据,得到融合数据;并将融合数据划分为训练集和测试集,用于后续网络模型的训练与评估;
模型构建及训练测试单元,用于构建基于LSTM的神经网络,并基于训练集对基于LSTM的神经网络进行训练,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新;并将测试集输入训练好的基于LSTM的神经网络中,选择准确度最高的模型作为最优模型;
人流密度预测单元,用于采用最优模型,对待预测数据进行公共场所人流密度预测。
作为进一步地实施,评论数据包括对某公共场所的整体评论数据和对某公共场所所包含的商户评论数据。
作为进一步地实施,训练过程中采用改进梯度下降算法对基于LSTM的神经网络进行迭代更新,公式为:
各个单元的执行过程按照实施例1基于神经网络的公共场所人流密度预测方法流程步骤执行即可,此实施例中不再一一赘述。
同时,本发明又提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的基于神经网络的公共场所人流密度预测方法。
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。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 基于神经网络的锂离子电池负极材料能量密度预测方法
- 一种基于通信数据和神经网络的实时地铁人流密度预测方法
- 一种基于通信数据和神经网络的实时地铁人流密度预测方法