基于神经网络的公共场所人流密度预测方法技术

本发明专利技术公开了基于神经网络的公共场所人流密度预测方法

【技术实现步骤摘要】
基于神经网络的公共场所人流密度预测方法、系统及设备


[0001]本专利技术涉及数据处理及数据预测
，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
。

技术介绍

[0002]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
。
[0003]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
。
[0004]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
。
[0005]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
。r/>[0006]有鉴于此，特提出本申请
。

技术实现思路

[0007]本专利技术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
。
本专利技术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
。
[0008]本专利技术通过下述技术方案实现：第一方面，本专利技术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（中的每个日期）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；
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
。
[0009]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
。
[0010]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，日期的第
i
条整体评论的置信度为；针对某公共场所，日期所包含的商户
u
的第
j
条评论的置信度为；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的情感总体倾向为，，其中，为整体评论数据的情感倾向，均值，
L
表示整体评论数据的总条数；为所包含的商户评论数据的情感倾向，均值，
M
表示所包含的商户评论数据的总条数；为对某公共场所的整体评论数据的情感倾向权重，为对某公共场所所包含的商户评论数据的情感倾向权重，且；以情感总体倾向
、
整体评论数据的情感倾向
、
所包含的商户评论数据的情感倾向
、
整体评论置信度的中位数
、
整体评论置信度的标准差
、
所包含的商户评论置信度的中位数和所包含的商户评论置信度的标准差形成情感倾向数据
。
[0011]以上技术方案，因为代表对整个指定公共场所的情感倾向，应该作为主要因素，而代表对其内的商户的情感倾向，则起到辅助补充的作用
。
此外，分别计算与的中位数
、
标准差，记为，，，
。
人们对于一个公共场所的情感评价，对未来的人流密度具有重要影响，人们对公共场所越是正面评价，未来人流多的概率就越大
。
且情感评价有滞后性，即今天的评价数据，相对来说更能影响明天的人流，而不是今天的人流，因此采用情感倾向数据，更有利于预测未来的人流
。
相对的，天气
、
气温等当天的数据（因为预测时无法获取明天天气
、
气温的准确数据），对明天的人流预测的贡献，相对情感评价，就比较低
。
具体差异可见表
1。
[0012]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：，其中，为归一化后的某公共场所在日期的情感总体倾向，为归一化后的某公共场所在日期整体评论数据的情感倾向，为归一化后的某公共场所在日期整体评论置信度的中位数，为归一化后的某公共场所在日期整体评论置信度的标准差，为归一化后的某公共场所在日期所包含的商户评论数据的情感倾向，为归一化后的某公共场所在日期所包含的商户评论置信度的中位数，为归一化后的某公共场所在日期所包含的商户评论置信度的标准差，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史天气数据，为归一化后的某公共场所在日期历史气温数据，为归一化后的某公共场所在日期历史节假日数据
。
[0013]对应的输出标签为
。
依次取4至
n
‑1，得到
n
‑4条特征向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于神经网络的公共场所人流密度预测方法，其特征在于，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对某公共场所的评论数据，采用情感分析法对所述评论数据进行情感分析，得到情感倾向数据；获取预设时间段内某公共场所的基础数据，所述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；处理并融合所述基础数据与情感倾向数据，得到融合数据；并将所述融合数据划分为训练集和测试集；构建基于
LSTM
的神经网络，并基于训练集对所述基于
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所述基于
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；采用所述最优模型，对待预测数据进行公共场所人流密度预测
。2.
根据权利要求1所述的基于神经网络的公共场所人流密度预测方法，其特征在于，所述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
。3.
根据权利要求2所述的基于神经网络的公共场所人流密度预测方法，其特征在于，采用情感分析法对所述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，日期的第
i
条整体评论的置信度为；针对某公共场所，日期所包含的商户
u
的第
j
条评论的置信度为；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的情感总体倾向为，，其中，为整体评论数据的情感倾向，，
L
表示整体评论数据的总条数；为所包含的商户评论数据的情感倾向，，
M
表示所包含的商户评论数据的总条数；为对某公共场所的整体评论数据的情感倾向权重，为对某公共场所所包含的商户评论数据的情感倾向权重，且；以情感总体倾向
、
整体评论数据的情感倾向
、
所包含的商户评论数据的情感倾向
、
整体评论置信度的中位数
、
整体评论置信度的标准差
、
所包含的商户评论置信度的中位数和所包含的商户评论置信度的标准差形成情感倾向数据
。4.
根据权利要求1所述的基于神经网络的公共场所人流密度预测方法，其特征在于，处理并融合所述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，得到归一化后的数据；将归一化后的数据进行特征融合，即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：，其中，为归一化后的某公共场所在日期的情感总体倾向，为归一化后的某公共场所在日期整体评论数据的情感倾向，为归一化后的某公共场所在日期整体评论置信度的中位数，为归一化后的某公共场所在日期整体评论置信度的标准差，为归一
化后的某公共场所在日期所包含的商户评论数据的情感倾向，为归一化后的某公共场所在日期所包含的商户评论置信度的中位数，为归一化后的某公共场所在日期所包含的商户评论置信度的标准差，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史人流密度数据，为归一化后的某公共场所在日期历史人流密度数据，为归一化...

【专利技术属性】
技术研发人员：白登辉，王家良，曾丽竹，付韵潮，邱壮，刘艳，
申请(专利权)人：四川省建筑设计研究院有限公司，
类型：发明
国别省市：