[发明专利]一种基于时间序列模型的人群聚集预测方法

摘要

本发明涉及一种基于时间序列模型的人群聚集预测方法，具体步骤如下(1)建立含目标字段的数据表，具体步骤为(i)获取原始的数据表；(i i)提取主要的研究字段的数据；(2)预处理数据；(3)辨识模型结构；(4)模型检验；(5)模型比较；(6)模型使用；(7)模型更新由于收到其他因素的影响，人流量随时间的变化趋势可能会改变，所以每隔一段时间，模型更新一次。(8)利用最终预测结果进行预警将得出的预测结果与历史最高人数进行对比，针对超过历史人数的60％，80％，100％的情况，分别进行预警。本发明方法能够有效地降低成本，降低研究维度，节约时间，保证数据准确，提高准确性。

主权项

一种基于时间序列模型的人群聚集预测方法，其特征在于：具体步骤如下：(1)建立含目标字段的数据表，具体步骤为：(i)获取原始的数据表；(ii)提取主要的研究字段的数据，这些数据包括日期、具体时间、地点、活动、人流量；(2)预处理数据：对于获取的数据，通过数据时间序列图、自相函数等方式检验人流量数据的均值、方差是否随时间的变化的而变化，若不变，进行下一步；若变化，进行一阶差分处理或者多阶差分处理或者取对数等方式处理，将数据处理成平稳的时间序列，即将数据处理成均值和方差都不变的数据；(3)辨识模型结构：利用样本的相关函数，偏自相关函数等来判断选取一个或几个满足条件的模型，基本模型的基本结构为：AR(p)：xt＝φ0+φ1xt‑1+φ2xt‑2+...+φpxt‑p+atMA(q)：xt＝c0+(1‑θ1B‑θ2B2‑...‑θpBq)atARMA(p,q)：(1‑φ1B‑φ2B2‑...‑φpBp)xt＝φ0+(1‑θ1B‑θ2B2‑...‑θqBq)其中xt是时间序列，φ0为常数项，φ1,φ2...,φp为自回归系数，是待估参数，at是相互独立，且服从均值为0，方差为σ2的正态分布；c0为常数项，θ1,θ2...,θq是移动平均系数，是待估参数；Bk为k步滞后算子，Bkxt＝xt‑k；通过样本的相关函数，偏相关函数等方法判断模型结构为上述基本结构或者基本结构的变形，如含有季节性趋势，则需加上季节模型结构；(4)模型检验：对于选出的基本模型，进行残差检验，若残差在很小的范围内波动，且是随机波动，自相关函数在指定的范围内，Ling‑Box统计量P值足够大，则模型满足条件，进行下一步；若不满足条件，则舍去该模型；(5)模型比较：对于选出的几个满足条件的模型，比较赤池信息AIC或者调整的R方，选取AIC小、调整的R方大的模型，作为最后使用的模型；(6)模型使用：利用模型进行预测，对于给定预测时间段和地点，根据历史数据，使用选出来的模型进行预测；(7)模型更新：由于收到其他因素的影响，人流量随时间的变化趋势可能会改变，所以每隔一段时间，模型更新一次；(8)利用最终预测结果进行预警：将得出的预测结果与历史最高人数进行对比，针对超过历史人数的60％，80％，100％的情况，分别进行预警。