[发明专利]一种基于社团检测的客流量预警方法

权利要求书

1.一种基于社团检测的客流量预警方法，其特征在于，包括：

步骤S1：构建各个区域点人员流动信息的特征矩阵，计算各个区域点人员流动信息的特征矩阵的相似度，将该相似度作为各个区域点之间的连接的边的权重，构建一张空间上的网络图，具体如下：

步骤S1.1：构建各个区域点上的特征矩阵，特征矩阵包含的元素为：统计时刻下的区域点内用户数量，统计时刻下区域内漫入人数，统计时刻下区域内漫出人数，统计时刻下净流入人数，漫入人数与总人数的比例，漫出人数与总人数的比例；

步骤S1.2：采用欧式距离方法分别计算各个区域点特征矩阵间的相似度，得到两个区域点的特征矩阵之间的距离之后再得到相似度S，得到的相似度S是一个在(0,1]区间内的值；

步骤S1.3：构建不同时间点下的区域图，选取一系列时间点，并计算这些时间点下的各个区域点间的人员流动情况的相似度，由此构建出具有时序性的空间区域网络图；

步骤S2：通过一种根据网络中各点间连接边的权重进行社团划分的社团检测的方法，将人员流动情况相似的区域点划分进同一个社区，具体如下：

步骤S2.1：读取空间网络图中区域点和区域点之间连接边的权重，将每个区域点划分为一个社团，选取一个区域点并依次移动该区域点到相邻的区域点所在的社团，并计算整体模块度增量，最终将该区域点移动到使模块度增量最大的社团中，模块度增量的具体计算如下：

其中是社团内部的所有边的权重之和，是社团中所有与节点相关的边的权重之和；是节点i上的所有边的权重之和，是节点i到社区中的所有节点的边的权重之和，m是网络中所有边的权重之和；

步骤S2.2：重新定义社团间的权重，并重复迭代步骤S2.1的过程，直至移动任何一个点模块度都不再增加为止，输出最终的社团检测结果；

步骤S3：获得一系列时间点上的社团划分情况，得到社团划分编号的序列，通过深度神经网络对比预测出的下一时刻社团结构与上一时刻社团结构，根据设定的风险级别进行预警。

2.如权利要求1所述的方法，其特征在于：步骤S1.2中计算相似度时首先采用欧式距离的方式计算两个区域点的人员流动情况特征矩阵的距离，具体计算方法为：

其中为区域点1的特征矩阵中的每个元素，为区域点2的特征矩阵中对应的元素；

得到两个特征矩阵的距离后，通过以下公式计算可得到两个区域点间的相似度S：

。

3.如权利要求1所述的方法，其特征在于，所述步骤S3包括具体包括：

步骤S3.1：从网站获取天气、节假日信息，并与对应时间的社团结构相匹配；

步骤S3.2：采用LSTM长短时记忆网络对下一时刻的社团结构进行预测；

步骤S3.3：对比预测出的下一时刻社团结构与上一时刻社团结构，根据风险级别进行预警。

4.如权利要求3所述的方法，其特征在于：所述步骤S3.1中从天气后报网站采用爬虫手段获取所需要的时间的天气状况，并进行编码量化处理；从相关网站获取法定节假日信息，对所有日期数据进行分类别标注，共分为三类：工作日，双休日，法定节假日；最后对天气状况和日期这两类数据都进行one-hot编码处理。