(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211034373.1 (22)申请日 2022.08.26 (71)申请人 浪潮通信 信息系统有限公司 地址 250101 山东省济南市高新区浪潮路 1036号浪潮科技园S0 6号楼 (72)发明人 伍广腾　侯桂星　黄践焜　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 苗青盛 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 客流量预测方法、 装置、 设备及存 储介质 (57)摘要 本发明提供一种客流量预测方法、 装置、 设 备及存储介质， 涉及交通预测技术领域。 所述客 流量预测方法包括： 获取待预测日的日期特征、 天气特征和时序数据； 将所述日期特征、 所述天 气特征和所述时序数据输入至客流量预测模型， 以利用所述客流量预测模型对所述待预测日的 客流量进行预测， 得到客流量预测结果； 其中， 所 述客流量预测模型是基于由关联特征和客流量 数据构建的历史时序数据集 以及所述历史时序 数据集对应的客流量标签进行迭代训练得到的。 本发明通过加入日期特征和天气特征， 利用客流 量预测模型对 所述待预测日的客流量进行预测， 降低了单纯客流量预测的随机波动， 解决了客流 量预测的准确性较低的技术问题， 提高了客流量 预测的精确度。 权利要求书2页 说明书11页 附图4页 CN 115239022 A 2022.10.25 CN 115239022 A 1.一种客 流量预测方法， 其特 征在于， 包括： 获取待预测日的日期特 征、 天气特 征和时序数据； 将所述日期特征、 所述天气特征和所述时序数据输入至客流量预测模型， 以利用所述 客流量预测模型对所述待预测日的客 流量进行预测， 得到客 流量预测结果； 其中， 所述客流量预测模型是基于由关联特征和客流量数据构建的历史时序 数据集以 及所述历史时序数据集对应的客 流量标签进行迭代训练得到的。 2.根据权利要求1所述的客流量预测方法， 其特征在于， 所述客流量预测模型包括初始 预测网络和权 重计算网络； 所述将所述日期特征、 所述天气特征和所述时序数据输入至客流量预测模型， 以利用 所述客流量预测模型对所述待预测日的客 流量进行预测， 得到客 流量预测结果， 包括： 将所述时序数据输入至所述初始预测网络， 得到所述初始预测网络输出的初始客流量 预测值； 以及将所述日期特征和所述天气特征输入至所述权重计算网络， 得到所述权重计 算网络输出的权 重影响系数； 基于所述权重影响系数， 对所述初始客流量预测值进行修正， 得到所述客流量预测结 果。 3.根据权利要求2所述的客流量预测方法， 其特征在于， 所述初始预测网络包括长短期 记忆层和全连接层； 所述将所述 时序数据输入至所述初始预测网络， 得到所述初始预测网络输出的初始客 流量预测值， 包括： 将所述时序数据输入至所述长短期记忆层， 得到所述长短期记忆层输出的时间序列 特 征； 将所述时间序列特征输入至所述全连接层， 得到所述全连接层输出的初始客流量预测 值。 4.根据权利要求1至3任一项所述的客流量预测方法， 其特征在于， 所述客流量预测模 型基于如下步骤训练得到： 获取历史时间段内的历史时序数据集， 其中， 历史时序数据集包括历史时间段内每一 天的关联 特征和客流量数据； 以预设滑动窗口长度对所述历史时序 数据集进行滑动截取， 得到每个滑动窗口对应的 历史时序数据子集； 分别将每个所述滑动 窗口对应的历史时序数据子集与所述滑动 窗口下一天的关联特 征作为一个训练样本， 并将所述滑动窗口下一天的客流量数据作为所述训练样本的客流量 标签； 利用多个训练样本以及所述多个训练样本各自对应的客流量标签对待训练预测模型 进行迭代训练， 得到所述 客流量预测模型。 5.根据权利要求4所述的客流量预测方法， 其特征在于， 所述关联特征包括关联日期特 征和关联天气特 征； 所述获取历史时间段内的历史时序数据集， 包括： 获取所述历史时间段内每一天的客 流量； 基于所述每一天的客流量， 确定所述历史时间段内的最大客流量， 并基于所述最大客 流量， 分别将所述每一天的客 流量进行归一 化处理， 得到每一天的客 流量数据；权　利　要　求　书 1/2 页 2 CN 115239022 A 2根据日期类型， 将所述历史时间段内每一天的日期进行数字化处理， 得到关联日期特 征， 以及根据天气类型， 将所述历史时间段内每一天的天气进 行数字化处理， 得到 关联天气 特征； 分别将所述历史时间段内每一天的关联日期特征、 关联天气特征和客流量数据进行组 合， 形成所述历史时序数据集。 6.根据权利要求4所述的客流量预测方法， 其特征在于， 所述利用多个训练样本以及所 述多个训练样本各自对应的客流量标签对待训练预测模型进 行迭代训练， 得到所述客流量 预测模型， 包括： 对于任意 一个训练样本， 根据所述训练样本以及所述待训练预测模型， 得到预测值； 根据所述预测值和所述训练样本对应的客流量标签， 利用预设损失函数计算模型损失 值； 基于每一次迭代 的模型损 失值， 对所述待训练预测模型进行参数更新， 得到所述客流 量预测模型。 7.根据权利要求6所述的客流量预测方法， 其特征在于， 所述待训练预测模型包括初始 预测网络和权重计算网络， 所述根据所述训练样本以及所述待训练预测模型， 得到预测值 包括： 将所述训练样本 中的历史时序 数据子集输入至所述初始预测网络， 得到所述初始预测 网络输出的初始预测值； 以及将所述训练样本中的滑动窗口下一 天的关联特征输入至所述 权重计算网络， 得到所述权 重计算网络 输出的影响系数； 将所述初始预测值与所述影响系数之间的乘积作为所述预测值。 8.一种客 流量预测装置， 其特 征在于， 包括： 获取模块， 用于获取待预测日的日期特 征、 天气特 征和时序数据； 预测模块， 用于将所述日期特征、 所述天气特征和所述时序数据输入至客流量预测模 型， 以利用所述 客流量预测模型对所述待预测日的客 流量进行预测， 得到客 流量预测结果； 其中， 所述客流量预测模型是基于由关联特征和客流量数据构建的历史时序 数据集以 及所述历史时序数据集对应的客 流量标签进行迭代训练得到的。 9.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至7任一项所 述客流量预测方法。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算 机程序被处 理器执行时实现如权利要求1至7任一项所述 客流量预测方法。权　利　要　求　书 2/2 页 3 CN 115239022 A 3