申请/专利权人：杭州路过网络有限公司

申请日：2024-01-15

公开（公告）日：2024-04-05

公开（公告）号：CN117575684B

主分类号：G06Q30/0202

分类号：G06Q30/0202;G06F18/23

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明涉及数据预测技术领域，具体涉及一种客流量预测方法及系统，该方法包括：获取各出入口位置的历史客流量数据；将时序样本点序列按照各预设时间粒度进行划分得到各样本点子序列；对于时序样本点序列各样本点，根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度；对波动显著程度序列中的样本点进行聚类得到各聚类簇；将各聚类簇中数量大于1的连续样本点的时间跨度作为波动显著程度序列各时间段；根据时间段内样本点波动显著程度的差异情况对各时间段的趋势平滑系数进行调整得到整体调整后的趋势平滑系数，采用霍尔特指数平滑算法完成客流量预测。本发明提升了客流量数据预测的准确性。

主权项：1.一种客流量预测方法，其特征在于，该方法包括以下步骤：获取各出入口位置的历史客流量数据；将历史客流量数据记为时序样本点序列；将时序样本点序列按照各预设时间粒度进行划分得到各样本点在各时间粒度下所处的样本点子序列，其中，所述样本点为采样时刻的客流量数据；对于时序样本点序列各样本点，根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度；将各样本点的波动显著程度按照时间顺序组成波动显著程度序列；对波动显著程度序列中的样本点进行聚类得到各聚类簇；将各聚类簇中数量大于1的连续样本点的时间跨度作为波动显著程度序列各时间段；根据时间段内样本点波动显著程度的差异情况得到时间段的趋势影响可信程度；根据各时间段的趋势影响可信程度对各时间段的趋势平滑系数进行调整得到整体调整后的趋势平滑系数；根据整体调整后的趋势平滑系数采用霍尔特指数平滑算法完成客流量预测；所述将时序样本点序列按照各预设时间粒度进行划分得到各样本点在各时间粒度下所处的样本点子序列，包括：将时序样本点序列按照不同时间粒度进行均匀划分得到各时间粒度下的各样本点子序列；对于时序样本点序列各样本点都可以得到其在各时间粒度下所处的样本点子序列；所述根据样本点在相邻时间粒度下所处的样本点子序列的数据波动情况之间的关系得到样本点的波动显著程度，包括：对于各时间粒度，根据样本点在时间粒度下所处的样本点子序列中数据波动情况得到波动变化系数；计算任意相邻两个时间粒度下的波动变化系数的差值绝对值，将样本点在所有时间粒度下的所述差值绝对值的和值的归一化值作为样本点的波动显著程度；所述对波动显著程度序列中的样本点进行聚类得到各聚类簇，包括：所述聚类距离为各样本点的波动显著程度，所述聚类过程采用高斯混合模型，所述聚类结果得到的各聚类簇中的样本点按照时间顺序进行排序；所述根据时间段内样本点波动显著程度的差异情况得到时间段的趋势影响可信程度，包括：获取时间段内所有样本点的波动显著程度均值作为第一均值；获取波动显著程度序列中所有时间段的波动显著程度均值作为第二均值；计算第一均值与第二均值的差值绝对值，计算所述差值绝对值与第二均值的比值；将所述比值的相反数作为以自然常数为底数的指数函数的指数，将指数函数的计算结果作为时间段的趋势影响可信程度；所述根据各时间段的趋势影响可信程度对各时间段的趋势平滑系数进行调整得到整体调整后的趋势平滑系数，包括：计算所有时间段的趋势影响可信程度均值；对于各时间段，计算时间段的趋势影响可信程度与趋势影响可信程度均值的比值，计算所述比值与时间段的趋势平滑系数的乘积；将所有时间段的所述乘积的均值作为整体调整后的趋势平滑系数；所述根据样本点在时间粒度下所处的样本点子序列中数据波动情况得到波动变化系数，包括：将样本点在时间粒度下所处的样本点子序列中各样本点记为第一样本点，计算样本点在时间粒度下所处的样本点子序列中除样本点外所有的第一样本点与样本点的客流量数据值的差值绝对值的和值，将所述和值作为波动变化系数。

全文数据：

权利要求：

百度查询： 杭州路过网络有限公司 一种客流量预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD