[发明专利]一种基于LSTM模型的滞留人数预测方法

说明书

本发明涉及一种基于LSTM模型的滞留人数预测方法，包括以下步骤：基于历史商场客流数据训练出初始LSTM模型；对初始LSTM模型进行结构优化获取优化结构；以优化结构构建最终滞留人数预测模型；通过滞留人数预测模型对滞留人数进行预测，并得出滞留人数预测值；对滞留人数预测值实时修正；输出修正后的滞留人数预测值。本发明通过基于历史真实的商场客流数据训练出初始LSTM模型，使模型能够捕捉到客流数据的长期依赖性，提高了后续预测准确性以及在不同场景下的泛化能力。通过遗传算法对初始LSTM模型进行结构优化，以最优结构构建最终滞留人数预测模型，选取最优的隐含层和全连接层数，以提高模型的性能和泛化能力。

技术领域

本发明涉及智能数据算法技术领域，尤其涉及一种基于LSTM模型的滞留人数预测方法。

背景技术

随着现代社会的快速发展，商场、景区、交通枢纽等公共场所的客流量日益增加，对滞留人数的准确预测成为了公共安全管理的关键任务之一，滞留人数预测可以帮助管理者合理安排人力资源、优化空间布局及制定应急预案，以提高公共场所的运营效率和安全性。

长短时记忆网络(LSTM)是一种特殊的循环神经网络，具有较强的长期依赖建模能力，可应用于各种时序预测任务，但是目前，现有的基于LSTM的滞留人数预测方法存在问题如下：

(一)现有的基于LSTM的滞留人数预测方法通常采用固定的模型结构，例如单层或多层LSTM以及后续的全连接层，这些固定结构无法适应不同场景下的数据特点，导致预测性能受到限制。

(二)现有方法的输入维度设计简单，通常只包括历史滞留人数数据。然而，滞留人数的变化可能受到多种因素的影响，如进出人数、节假日、天气等，因此其预测的准确性和鲁棒性有待提高。

(三)现有方法通常需要手动调整模型的超参数，如学习率、隐藏层大小、优化器等，以获得较好的预测性能，但存在耗时久、效率低的问题。

发明内容

针对上述现有技术的缺点，本发明的目的是提供一种基于LSTM模型的滞留人数预测方法，以解决现有技术中的一个或多个问题。

为实现上述目的，本发明的技术方案如下：

一种基于LSTM模型的滞留人数预测方法，包括以下步骤：

基于历史商场客流数据训练出初始LSTM模型；

对初始LSTM模型进行结构优化获取优化结构；

以优化结构构建最终滞留人数预测模型；

通过滞留人数预测模型对滞留人数进行预测，并得出滞留人数预测值；

对滞留人数预测值实时修正；

输出修正后的滞留人数预测值。

进一步的，所述LSTM模型的训练包括步骤如下：

收集商场在时间周期内的进出客流数据；

经数据处理后，将进出客流数据划分为训练集、验证集和测试集；

构建由输入层、隐藏层和输出层组成的LSTM模型并保存。

进一步的，所述数据处理包括步骤如下：

设置进出客流数据为X，设置滞留人数数据为Y；

其中，X的每一行表示一个时间戳，每一列分别表示总进人数、临近5分钟的进人数和临近5分钟的出人数；

将X划分为长度为T的滑动窗口，每个窗口对应一个输入序列；

将Y划分为与X相对应的滑动窗口，每个窗口对应一个输出值。