[发明专利]一种人流量预测方法和装置

说明书

本发明公开一种人流量预测方法和装置，方法包括：获取训练数据；其中，训练数据由多组数据组成，每一组数据包括时间、日子类型、室内温度、室外温度和人流量；采用无监督聚类算法对训练数据进行聚类训练，并计算不同K值下的DB指数，选取DB指数最小的K值作为自适应无监督聚类模型的K值；建立K个长短期记忆网络模型，分别用聚类后第k类别的数据集训练第k个长短期记忆网络模型，k∈[1,K]，得到K个训练好的长短期记忆网络模型；将待预测的数据输入到训练好的自适应无监督聚类模型，获得待预测数据对应的类别；将待预测数据输入到类别对应的长短期记忆网络模型，得到预测的人流量。本发明无需手动设置K值，且人流量预测准确性高。

技术领域

本发明属于人流量预测技术领域，尤其涉及一种人流量预测方法和装置。

背景技术

通过人流量预测，可以准确的掌握当前区域的人流数量，有利于避免踩踏及偷窃等多种不良事件发生，同时也可以合理的减少人员排队等候的时间和缓解公共设施的使用压力。

目前较为通用的方法为基于K－MEANS等无监督学习算法的人流量预测，该方法原理比较简单，但是在设置K值的时候还是得靠人工去调整以保证算法在不同数据下的准确度，仅适合在人流量较为固定的场所。

发明内容

本发明提供一种人流量预测方法和装置，以解决K－MEANS等无监督学习算法需要人为设置K值问题。

第一方面，本发明实施例提供一种人流量预测方法，包括：

获取训练数据；其中，所述训练数据由多组数据组成，每一组数据包括时间、与所述时间对应的日子类型、室内温度、室外温度和人流量；

采用无监督聚类算法对所述训练数据进行聚类训练，并计算不同K值下的DB指数，选取DB指数最小的K值作为自适应无监督聚类算法的K值，得到训练好的自适应无监督聚类模型；

建立K个长短期记忆网络模型，分别用聚类后第k类别的数据集训练第k个长短期记忆网络模型，k∈[1,K]，得到K个训练好的长短期记忆网络模型；

将待预测的数据输入到训练好的自适应无监督聚类模型，获得所述待预测数据对应的类别；其中，所述待预测的数据包括待预测时间、与所述待预测时间对应的日子类型、室内温度和室外温度；

将所述待预测数据输入到所述类别对应的长短期记忆网络模型进行预测，得到预测的人流量。

优选地，若每一组数据形式为Z＝(D,T,T′,Time，people)，则训练数据形式为[Z₁Z₂…Z_n]；其中，D为日子类型、T为室内温度、T′为室外温度、Time为时间、people为人流量；

则所述采用无监督聚类算法对所述训练数据进行聚类训练，并计算不同K值下的DB指数，选取DB指数最小的K值作为自适应无监督聚类算法的K值，得到训练好的自适应无监督聚类模型，具体包括：

步骤11：从所述训练数据[Z₁ Z₂…Z_n]中随机选择K个点u_i，i∈[1,K]，作为聚类中心，K的初始值为K＝1；

步骤12：找出在所述聚类中心u_i半径h内的所有点Z_m，Z_m∈{Z₁,Z₂...,Z_n}，所有Z_m的点记作集合S_i；

步骤13：计算各个所述聚类中心u_i到所述集合S_i的偏移M；

步骤14：将所述聚类中心u_i以偏移M移动；