多尺度时序依赖的校园公共区域人流量预测

校园公共区域人流量预测对于维护校园安全、提升校园管理水平有重大意义.尤其在疫情防控下,高校复学对公共区域的人流量预测和控制提出了更高的要求.以高校食堂为例,通过预测就餐人数,有助于食堂防疫人员合理调度和安排,既降低了人群聚集的潜在风险,也可以针对食堂人流量分布情况提供分时分批服务.然而,由于校园管理需求,如节假日和教学安排等因素,使得校园公共区域人流量预测问题颇具挑战性.为此,提出一种基于深度学习的多尺度时序卷积网络MSCNN(multi-scale temporal patterns convolution neural networks),实现人流量时序数据中短时依赖、长时周期模式的获取和多尺度时序模式特征的重标定,以对任意时段人流量进行预测.通过在真实校园环境数据集以及公开数据集上的实验,验证了MSCNN模型的有效性和执行效率.

基于RFID和GRNN的景区人流量预测GIS的研究与设计

在分析无线射频识别(RFID)原理和广义回归神经网络(GRNN)模型的基础上,探讨了基于RFID的人流量统计方法,并重点研究了景区人流量短时预测方法,最后从实际应用出发建立了可对景区人流量进行实时预测的GIS决策系统。

基于小波神经网络的行人流量预测研究

结合行人流量数据高度非线性和不确定等特点,提出了一种基于神经网络的方法直接对行人流量进行检测.采用了Morlet小波基替代sigmoid假设函数.实验结果表明,采用小波神经网络方法检测人流量拟合了绝大多数行人流量数据,平均预测精度达到了80.08%,逼近目前前沿的深度学习模型Faster RCNN行人检测的准确率.

基于经验模态分解对景区人流量预测

准确预测景区人流量对景区管理者、游客以及旅游相关行业都具有重要的参考价值,景区管理者通过合理的资源配置,可以有效避免拥堵、提高游客的旅游质量与满意度。为提高客流量预测的准确性,文中提出一种基于经验模态分解(EMD)和最小二乘支持向量机(LSSVM)的组合预测模型。针对景区人流量的非线性和非平稳性特点,采用EMD将原始的景区人流量自适应地分解为有限个平稳的本征模函数(IMF)和剩余项函数,有效地降低数据复杂度。为进一步提高模型精度,针对不同频率IMF函数,采用不同的方法对LSSVM的参数进行寻优,再利用LSSVM模型对分解后的数据训练模型,得到各个分量的预测值,最后将预测值叠加作为景区人流量的预测结果。实验表明,与BP、EMD-BP和LSSVM模型相比,EMD组合模型有效地提高了景区人流量的预测精度。

基于混合时空感知网络的城市区域人流量预测

城市区域人流量预测对公共安全、交通管理有着重大的公共利益影响。然而,不同区域之间,以及受到时空相关性和许多外部因素的影响,给区域人流量的精准预测带来了极大的挑战。为进一步掌握城市人员流动聚集动向,本文提出一种基于混合时空感知网络模型,对重点密集区域的人流量进行建模,训练模型使之可以预测城市区域人流量,并将结果进一步与空间区域类型因子进行融合,最后可以分小时预测每个区域的人流量。选取北京市2020-01-17~2020-02-15重点区域数据信息,针对本文方法进行验证。实验结果表明,基于混合时空感知网络模型提升了城市区域人流量的预测效果。

基于空洞卷积的密集连接网络人流量预测模型

针对人流量数据的时空特性和外部因素等对预测精度的影响,提出一种基于空洞卷积的密集连接网络人流量预测模型。通过空洞密集连接模块捕获相邻区域之间的空间依赖关系,采用SE-LSTM模块帮助网络学习更重要的特征并学习数据中的周期性和动态时间性;对于外部因素,利用全连接网络对天气、假期、事件等数据进行处理来辅助预测。采用2个公开的数据集验证提出的模型。实验结果表明,与其他基线模型相比,该模型将预测误差分别从6.33、16.69降低到5.30、15.41,能够更好地学习数据中的时空依赖关系,提升预测精度。

面向手机信令数据的交通枢纽人流量短时预测算法

为实现对重点区域人群聚集动态的有效掌握,保障区域人群的及时疏运,预防群体性安全事故的发生,以广州市火车站枢纽区域为例,通过对海量手机信令数据进行信息处理,结合地理信息系统将手机信令数据映射至研究区域,实现区域人流量的实时统计,同时分析了大都市火车站枢纽区域春运人流量变化情况,得出春运期间区域人流量存在周期性变化的规律,以此为基础,构建了以平均绝对百分比误差最小的k值自适应计算模型,设计了基于手机信令数据的城市交通枢纽人流量k近邻预测算法,并以节假日与非节假日两种不同交通模式环境进行算法测试.结果表明:所建立的预测算法在两种模式下其平均绝对百分比误差PMAPE分别在6%与5%以内,均能够较为准确地对区域人流量进行预测.

基于模糊时间序列的景点人流量检测

研究了如何准确获取按时间序列排列的相关人流量数据的因素,并对数据进行综合分析,提取其中有利于时间序列预测研究的成分。考虑到数据采集的精度限制,景区的人流量数据无法具有很高的明确性和准确性,因此还研究了模糊时间序列模型的构建,通过结合模糊数学与时间序列解决这一问题。

基于时间序列的景点人流量检测

本文研究了如何准确获取所有按时间序列排列的相关人流量数据的因素,并对数据进行综合分析,提取其中有利于时间序列预测研究的成分。考虑到数据采集的精度限制,景区的人流量数据无法具有很高的明确性和准确性,因此本文还研究了模糊时间序列模型的构建,通过结合模糊数学与时间序列解决这一问题。

基于BP神经网络人群流量预测的实现

人群拥挤踩踏突发性的特点决定了现场的事故救援措施效果较差,事前预防是唯一有效的策略。对商业区人群流量进行预测,对于合理控制商业网点人口,预防人群类事故的发生具有重要的意义。本文介绍了基于BP神经网络的人群流量预测方法,利用Matlab建立了相关模型,并结合实际数据对模型进行了调整,分析了隐含层神经元个数、不同输入-输出结构、不同传递函数等因素对网络性能的影响。研究表明利用神经网络的非线性映射能力对人群流量进行预测时可行的。

基于SOM映射网络的人群流量预测在节能照明中的应用

通常比较常见的照明控制都是事先设定好的时间控制模式,不可调节且也不能满足精细化控制以及智能化的要求。运用SOM自组织映射网络将人流量历史数据进行特征提取并分类,再将各类数据结果运用BP神经元网络方法进行预测,并将预测结果结合照度需求,不同等级人群流量给予不同等级的照度输出,最后在节能方面也与传统照明方式做了对比。实验结果表明,SOM-BP神经元算法预测下的短期人流量预测数据比BP算法精度更高,结合照明调节后在节能方面具有更好的效果,为照明系统提供了新的节能方案。

基于注意力机制的人体检测技术应用

提出了一种基于空间注意力机制的人体检测技术的改进方法,从而使模型更关注区域重点特征信息。为了验证改进方法的有效性以及模型的准确性,使用呼和浩特职业学院多处体育场所主要入口处的摄像头所获取的图像及目标分类任务(pattern analysis statistical modelling and computational learning,visual object classes,PASCAL VOC)数据集进行实验,并将改进后的模型与原模型进行了性能对比。实验结果表明,改进后的人体检测模型平均准确率提高了35%,召回率提高了5%,实验结果证明了注意力机制在本任务中的有效性,同时反映了该人体检测模型在体育应用中具有较高的实用价值。

基于微信公众号平台图书馆座位管理系统

本文着力于研究建立基于微信公众平台的图书馆座位管理系统,旨在解决大学图书馆恶意占座、座位使用率低下等不良现象,缓解学生需求与座位资源不均衡的矛盾,基于机器视觉技术提出了一创新管理模式,通过对图书馆的图像采集、图像处理、跟踪检测、实时反馈等任务,实现图书馆的智能化管理,为学生也为图书馆管理者提供更大便利。