一种流量预测方法及装置、存储介质、终端与流程

本发明涉及大数据应用领域，具体地涉及一种流量预测方法及装置、存储介质、终端。

背景技术：

流量预测模型已越来越多的应用于人们的日常生活。例如，在智慧城市场景中，可以通过对特定区域的人口流量的预测、对特定区域的车流流量的预测等，运用信息和通信技术手段合理规划城市各项机能的运作，进而为城市中的人创造更美好的生活，促进城市的和谐、可持续成长。

但是，现有的流量预测方案普遍存在预测精度低、无法以标准化的预测逻辑灵活适用于不同类型的流量预测需求。

技术实现要素：

本发明解决的技术问题是如何提供一种流量预测模型，从而在提高预测精度的同时，对应于不同的数据类型，能够适应性获取不同类型的流量预测结果。

为解决上述技术问题，本发明实施例提供一种流量预测方法，包括：获取预设区域内的实时流量数据；基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式；根据所述预测公式和实时流量数据预测所述预设区域在未来特定时间段的流量。

可选的，所述获取预设区域内的实时流量数据包括：在预设经纬度流量表上划分，以获得至少一个预设区域，各个预设区域的流量密度间的差异不大于预设阈值；对于每一个预设区域，基于所述预设经纬度流量表获取所述预设区域的实时流量数据。

可选的，所述基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式包括：基于历史上所述预设区域及其周边区域的流量变化，预测至少一个特征参数在未来特定时间段内的预测流量变化；基于历史上所述预设区域的流量变化确定每一特征参数的权重；基于每一特征参数及其权重确定所述预设公式，其中，所述预设公式为线性公式。

可选的，所述特征参数的预测流量变化受至少一个参考因素的影响，所述至少一个参考因素根据所述实时流量数据的类型确定。

可选的，所述参考因素包括以下一项或多项：天气因素、节假日因素和交通拥堵因素。

可选的，所述特征参数的预测流量变化至少包括：所述预设区域内部的预测流量变化；所述预设区域边界上的预测流量变化。

可选的，当所述特征参数的预测流量变化为预设区域内部的预测流量变化时，所述基于历史上所述预设区域及其周边区域的流量变化，预测至少一个特征参数在未来特定时间段内的预测流量变化包括：基于历史上所述预设区域的流量数据训练获得时间序列模型，所述时间序列模型用于描述所述预设区域的流量变化趋势；基于所述预设区域的流量变化趋势预测在未来特定时间段内的所述预设区域内部的预测流量变化。

可选的，当所述特征参数的预测流量变化为预设区域边界上的预测流量变化时，所述基于历史上所述预设区域及其周边区域的流量变化，预测至少一个特征参数在未来特定时间段内的预测流量变化包括：基于历史上所述预设区域及其周边区域的流量数据，确定位于所述预设区域的边界上的流量进入所述预设区域的概率。

可选的，所述流量数据为矢量数据。

可选的，所述概率基于预设曲线确定，所述预设曲线基于天类型确定。

可选的，所述天类型选自：工作日、周末和节假日。

可选的，所述基于历史上所述预设区域的流量变化确定每一特征参数的权重包括：通过多元逻辑回归算法对所述预设公式进行测试，以确定最符合所述历史上所述预设区域的流量变化的基准预设公式；基于所述基准预设公式中各特征参数的权重确定每一特征参数的权重。

可选的，所述实时流量数据的类型选自：移动设备的信息点数据；车辆的监控数据。

本发明实施例还提供一种流量预测装置，包括：获取模块，用于获取预设区域内的实时流量数据；确定模块，用于基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式；预测模块，用于根据所述预测公式和实时流量数据预测所述预设区域在未来特定时间段的流量。

可选的，所述获取模块包括：划分子模块，用于在预设经纬度流量表上划分，以获得至少一个预设区域，各个预设区域的流量密度间的差异不大于预设阈值；获取子模块，对于每一个预设区域，基于所述预设经纬度流量表获取所述预设区域的实时流量数据。

可选的，所述确定模块包括：预测子模块，用于基于历史上所述预设区域及其周边区域的流量变化，预测至少一个特征参数在未来特定时间段内的预测流量变化；第一确定子模块，用于基于历史上所述预设区域的流量变化确定每一特征参数的权重；第二确定子模块，用于基于每一特征参数及其权重确定所述预设公式，其中，所述预设公式为线性公式。

可选的，所述特征参数的预测流量变化受至少一个参考因素的影响，所述至少一个参考因素根据所述实时流量数据的类型确定。

可选的，所述参考因素包括以下一项或多项：天气因素、节假日因素和交通拥堵因素。

可选的，所述特征参数的预测流量变化至少包括：所述预设区域内部的预测流量变化；所述预设区域边界上的预测流量变化。

可选的，当所述特征参数的预测流量变化为预设区域内部的预测流量变化时，所述预测子模块包括：训练单元，用于基于历史上所述预设区域的流量数据训练获得时间序列模型，所述时间序列模型用于描述所述预设区域的流量变化趋势；预测单元，用于基于所述预设区域的流量变化趋势预测在未来特定时间段内的所述预设区域内部的预测流量变化。

可选的，当所述特征参数的预测流量变化为预设区域边界上的预测流量变化时，所述预测子模块包括：第一确定单元，用于基于历史上所述预设区域及其周边区域的流量数据，确定位于所述预设区域的边界上的流量进入所述预设区域的概率。

可选的，所述流量数据为矢量数据。

可选的，所述概率基于预设曲线确定，所述预设曲线基于天类型确定。

可选的，所述天类型选自：工作日、周末和节假日。

可选的，所述第一确定子模块包括：测试单元，用于通过多元逻辑回归算法对所述预设公式进行测试，以确定最符合所述历史上所述预设区域的流量变化的基准预设公式；第二确定单元，用于基于所述基准预设公式中各特征参数的权重确定每一特征参数的权重。

可选的，所述实时流量数据的类型选自：移动设备的信息点数据；车辆的监控数据。

本发明实施例还提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述方法的步骤。

本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

获取预设区域内的实时流量数据；基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式；根据所述预测公式和实时流量数据预测所述预设区域在未来特定时间段的流量。较之现有需要针对不同类型的数据设计专门的流量预测模型的方案，本发明实施例的技术方案在确定预测公式时，能够将接入的实时流量数据的类型作为衡量因素之一，以根据所述实时流量数据的类型确定更合适的预测公式，使得确定的预测公式能够更好的符合接入的实时流量数据的类型特点，进而在此基础上获得更精准的流量预测结果。本领域技术人员理解，通过本发明实施例的方案能够根据精准预测未来任意时间段内预设区域的流量，并且，对应于接入的不同类型的实时流量数据，能够根据所述实时流量数据的类型特点有针对性的确定预测公式，进而获取不同类型的流量预测结果。

进一步，所述获取预设区域内的实时流量数据可以包括：在预设经纬度流量表上划分，以获得至少一个预设区域，各个预设区域的流量密度间的差异不大于预设阈值；对于每一个预设区域，基于所述预设经纬度流量表获取所述预设区域的实时流量数据。较之现有以单个点为单位进行流量预测的方案，采用本发明实施例的方案能够根据流量密度合理划分预设区域，从而有效避免产生稀疏矩阵，为后续流量预测提供更好的数据基础，极大地提高了后续流量预测的精准度。

附图说明

图1是本发明的第一实施例的一种流量预测方法的流程图；

图2是本发明第一实施例中历史上人口流量随时间的变化曲线；

图3是本发明的第二实施例的一种流量预测装置的结构示意图。

具体实施方式

本领域技术人员理解，如背景技术所言，现有的流量预测模型大多为针对特定类型的数据设计的。在实际应用中，针对不同类型的接入数据，用户需要训练不同的模型来对不同类型的接入数据进行流量预测，导致训练成本增加，影响流量预测模型的应用推广。

进一步地，现有的流量预测模型普遍还存在预测精度低的问题，导致对接入数据的预测结果不准确，影响用户的使用感受。

为了解决这一技术问题，本发明实施例的技术方案获取预设区域内的实时流量数据；基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式；根据所述预测公式和实时流量数据预测所述预设区域在未来特定时间段的流量。

本领域技术人员理解，本发明实施例的技术方案在确定预测公式时，能够将接入的实时流量数据的类型作为衡量因素之一，以根据所述实时流量数据的类型确定更合适的预测公式，使得确定的预测公式能够更好的符合接入的实时流量数据的类型特点，进而在此基础上获得更精准的流量预测结果。

进一步地，通过本发明实施例的方案能够根据精准预测未来任意时间段内预设区域的流量，并且，对应于接入的不同类型的实时流量数据，能够根据所述实时流量数据的类型特点有针对性的确定预测公式，进而获取不同类型的流量预测结果。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

图1是本发明的第一实施例的一种流量预测方法的流程图。其中，所述流量可以为预设时间内通过预设区域的物体数量；所述物体可以包括车辆、行人等。

具体而言，本实施例可以根据接入的不同类型的流量数据(可以简称为数据)，预测该类型在未来特定时间段内预设区域上的预测流量。例如，当输入(也可称为接入)的流量数据为人口流量数据时，可以采用本实施例所述方案预测未来特定时间段内预设区域上的人口流量；又例如，当输入的流量数据为汽车流量(可以简称为车流)时，可以采用本实施例所述方案预测未来特定时间段内预设区域上的车流。

接下来以预测人口流量为示例具体阐述本实施例的具体流程。需要指出的是，所述流量数据的类型可以不仅限于所述人口流量和汽车流量。在实际应用中，本领域技术人员可以根据需要输入其他类型的流量数据，以基于本实施例的方案获取对应类型的流量预测结果，在此不予赘述。

更为具体地，在本实施例中，所述流量预测方法可以包括如下步骤：

步骤s101，获取预设区域内的实时流量数据。

步骤s102，基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式。

步骤s103，根据所述预测公式和实时流量数据预测所述预设区域在未来特定时间段(也可称为预设时间段)的流量。

进一步地，所述实时流量数据可以为移动的信息点(pointofinterest，简称poi，也可称为兴趣点)数据，通过与所述预设区域内待预测物体的信息交互确定所述预设区域内所述待预测物体的实时流量数据。优选地，所述移动的信息点数据可以包括用户设备的交互数据；还可以包括车辆的监控数据。

例如，当希望预测预设区域在未来特定时间段的人口流量时，需要获取所述预设区域当前的实时人口流量，相应的，所述待预测物体可以为通过所述预设区域的人，则可以基于所述预设区域内的人的通讯设备(如手机、ipad等)与通讯基站之间的数据交互，获取所述通讯设备的定位信息，从而定位位于所述预设区域内的通讯设备数量及位置，进而确定所述预设区域内的实时人口流量。进一步地，所述实时流量数据还可以为矢量数据，即包含有所述实时流量数据的移动方向。

又例如，当希望预测预设区域在未来特定时间段内的车流时，需要获取所述预设区域当前的实时车流数据，相应的，所述待预测物体可以为通过所述预设区域的车辆(也可称为汽车)，则可以基于路面上的摄像头(如监控摄像头)采集通过所述预设区域的车辆数据，进而确定所述预设区域内的实时车流。其中，所述车辆数据可以包括，某车牌的汽车在时间点a经过路段b上的摄像头。

进一步地，所述预设区域可以根据流量密度动态确定，以避免产生系数矩阵，确保执行本实施例进行预测时始终能够具有足够的基础数据(即能够确保所述实时流量数据的数据量足够大)。

作为一个非限制性实施例，所述步骤s101可以包括：在预设经纬度流量表上划分，以获得至少一个预设区域，各个预设区域的流量密度间的差异不大于预设阈值；对于每一个预设区域，基于所述预设经纬度流量表获取所述预设区域的实时流量数据。

优选地，所述预设经纬度流量表可以包括标识有人口的实时位置以及移动信息的地图。其中，所述地图可以为全球地图，也可以为中国地图，还可以为某个特定区域的地图。

优选地，所述人口在所述地图上的实时位置可以基于经纬度信息获取。例如，所述经纬度信息可以是通过用户的手机等用户设备关联获得的(如可以基于向所述用户设备发送的广播信息确定)。例如，可以根据所述预设经纬度流量表中标识的位置信息(如经纬度信息)来确定当前时刻所述预设区域的人口流量。

优选地，在所述预设经纬度流量表上，人口越密集(即人口流量的密度越大)的区域，划分的预设区域长度越短(亦即划分出的预设区域越小)；人口越稀疏，划分的预设区域越大，以确保划分出的每一个预设区域内的人口流量的密度(可以简称为人口密度)基本相同，从而有效避免产生系数矩阵。

优选地，所述预设阈值可以预先确定，在实际应用中，用户也可以对所述预设阈值进行调整。

又例如，用户初始可以提供希望预测的候选预设区域，则本实施例所述方案可以提供覆盖的地理范围大于所述候选预设区域覆盖的范围的地图，以便在执行所述步骤s101时，能够根据所述地图上的实时人口流量微调所述候选预设区域的实际覆盖范围以最终确定所述预设区域，由于调整后的所述预设区域的实时人口流量足够多，能够确保后续预测的精准度。

作为一个非限制性实施例，在执行所述步骤s101以获取所述预设区域的实时流量数据之后，执行所述步骤s102之前，还可以包括：检验获取的所述预设区域的实时流量数据是否符合高斯分布，并在检测确定所述获取的所述预设区域的实时流量数据符合高斯分布时，才执行所述步骤s102；否则，即当检测结果表明获取的所述预设区域的实时流量数据不符合所述高斯分布时，可以重新执行所述步骤s101，以调整所述预设区域的长度，直至获取的所述预设区域的实时流量数据符合所述高斯分布。

优选地，可以基于k-s(kolmogorov-smirnov)检验判断获取的所述预设区域上的实时流量数据是否符合高斯分布。本领域技术人员还可以根据实际需要采用其他的检验方法判断获取的所述预设区域上的实时流量数据是否符合高斯分布。

例如，可以先假设获取的所述预设区域上的实时流量数据是符合高斯分布的，然后使用k-s假设来验证获取的所述预设区域上的实时流量数据实际上是否符合高斯分布。具体地，如果获取的所述预设区域上的实时流量数据经k-s检验计算出来的假定值(p-value)大于预设容忍度，可以接受获取的所述预设区域上的实时流量数据符合高斯分布的假设，本实施例可以继续执行所述步骤s102和步骤s103；否则，重新执行所述步骤s101，可以通过调整所述预设区域所覆盖的地图范围的方式，调整获取的所述预设区域上的实时流量数据，直至获取的所述预设区域上的实时流量数据符合高斯分布位置。或者，在重新执行所述步骤s101时，也可以暂时不调整所述预设区域，而是等待一段时间，当获取的所述预设区域上的实时流量数据发生变化时，检验变化后的所述预设区域上的实时流量数据是否符合高斯分布。

其中，所述预设容忍度可以用于容纳一定级别的数据缺失，以便当所述获取的所述预设区域上的实时流量数据在总体趋势上符合高斯分布时，就可以继续进行后续计算。优选地，所述预设容忍度可以为0.05。

优选地，可以对获取的所述预设区域上的实时流量数据包括的所有数据进行k-s检验，以判断获取的所述预设区域上的实时流量数据是否符合高斯分布；或者，也可以从获取的所述预设区域上的实时流量数据中随机抽取一定量的数据作为样本数据，通过检测所述样本数据是否符合高斯分布来判断获取的所述预设区域上的实时流量数据是否符合高斯分布。

进一步地，在本实施例中，所述实时流量数据的类型可以为人口；相应的，所述历史上所述预设区域的流量变化可以包括历史上所述预设区域的人口流量变化。

进一步地，所述预测公式可以用于描述所述预设区域的人口流量变化规律。例如，所述预测公式可以是根据所述历史上所述预设区域的人口流量变化拟合获得的。

作为一个非限制性实施例，所述步骤s102可以包括：基于历史上所述预设区域及其周边区域的流量变化，预测至少一个特征参数在未来特定时间段内的预测流量变化；基于历史上所述预设区域的流量变化确定每一特征参数的权重；基于每一特征参数及其权重确定所述预设公式，其中，所述预设公式为线性公式。

例如，所述预设公式可以基于如下公式表示：

预设区域的预测流量变化＝∑(特征参数i的预测流量变化×权重i)；

其中，所述特征参数i为第i个特征参数；所述权重i为第i个特征参数对应的权重。

优选地，所述特征参数可以包括所述预设区域内的人口流量，还可以包括所述预设区域边界上的人口流量。相应的，所述特征参数在未来特定时间段内的预测流量变化可以包括：所述预设区域内部在未来特定时间段的预测流量变化；所述预设区域边界上在未来特定时间段的预测流量变化。

例如，上述预测公式可以细化为如下公式：

预设区域的预测流量变化＝预设区域内的预测人口流量变化×第一权重+预设区域边界上的预测人口流量变化×第二权重；

其中，所述第一权重与所述预设区域内的预测人口流量变化相对应；所述第二权重与所述预设区域边界上的预测人口流量变化×第二权重相对应。

进一步地，所述特征参数的预测流量变化可以受至少一个参考因素的影响，所述至少一个参考因素根据所述实时流量数据的类型确定。优选地，所述参考因素可以包括以下一项或多项：天气因素、节假日因素和交通拥堵因素。

例如，上述细化后的预测公式可以进一步细化为如下公式：

预设区域的预测流量变化＝受天气因素影响的预设区域内的预测人口流量变化×第三权重+受节假日因素影响的预设区域内的预测人口流量变化×第四权重+预设区域边界上的预测人口流量变化×第二权重；

其中，所述第三权重与所述受天气因素影响的预设区域内的预测人口流量变化相对应；所述第四权重与所述受节假日因素影响的预设区域内的预测人口流量变化相对应。

类似的，所述预设区域边界上的预测人口流量变化也可以进一步细化为受天气因素影响的预设区域边界上的预测人口流量变化，以及受节假日因素影响的预设区域边界上的预测人口流量变化。

进一步地，当预测是预设区域在未来特定时间段内的车流时，所述参考因素还可以包括交通拥堵因素、车祸因素等。

作为一个非限制性实施例，当所述特征参数的预测流量变化为预设区域内部的预测流量变化时，可以基于历史上所述预设区域的流量数据训练获得时间序列模型，所述时间序列模型可以用于描述所述预设区域的流量变化趋势；然后基于所述预设区域的流量变化趋势预测在未来特定时间段内的所述预设区域内部的预测流量变化，以基于所述时间序列模型，结合历史数据分析所述预设区域内的流量变化规律，进而预测所述预设区域在未来特定时间段的流量。

本领域技术人员理解，所述时间序列模型可以用于统计预设区域内在历史上一段时间内的流量数据。具体而言，当以所述预设区域为基准观察人口流量的位置数据时，能够收集到比较多的数据，以一个长的周期(如一个月)为例，可以以统计图的形式展示所述预设区域内的人口流量数据的变化情况，并且，这种变化一般是有规律性的。所以，可以使用差分整合移动平均自回归(autoregressiveintegratedmovingaveragemodel,简称arima)模型，基于历史数据拟合所述预设区域内部的预测流量变化规律，从而预测所述预设区域在未来特定时间段的人口流量。

进一步地，所述预设区域内的人口流量是有规律可寻的，一般可以通过散点图、曲线图等方式描述所述预设区域的人口流量变化趋势。

例如，参考图2，所述人口流量随着时间的变化是有规律的(例如，可以是图2所示的交替变化规律)。更具体而言，当所述预设区域为工业园区时，在周一到周五(即工作日)期间所述预设区域的人口流量在整体上可以大于周六和周日(即双休日)期间所述预设区域的人口流量；而当以天为单位观察时，所述预设区域内部的人口流量变化又可以是随着时间的累加而整体上呈减少趋势，但在一天中的特定时刻(如中午、晚高峰等)，所述预设区域内部的人口流量又会有少量回升。

进一步地，在此基础上，可以使用所述arima模型，通过图2示出的历史几个周期内获取的所述预设区域内部的人口流量数据，模拟、预测在未来特定时间段内所述预设区域的人口流量变化趋势。例如，当需要预测的未来特定时间段为工作日时，可以根据图2所示的历史上工作日期间的人口流量变化趋势预测所述未来特定时间段的人口流量。

作为一个非限制性实施例，当所述特征参数的预测流量变化为预设区域边界上的预测流量变化时，可以基于历史上所述预设区域及其周边区域的流量数据，确定位于所述预设区域的边界上的流量进入所述预设区域的概率。

本领域技术人员理解，在执行本实施例所述方案时，除了需要预测所述预设区域内部的人口流量变化趋势之外，还需要预测所述预设区域边界上的人口流量变化趋势，以更精准的预测所述预设区域在未来特定时间段的人口流量。

优选地，所述预设区域的边界可以包括所述预设区域与其周边区域接壤的部分。

优选地，所述概率可以基于预设曲线确定，所述预设曲线可以基于天类型确定。其中，所述天类型可以选自：工作日、周末和节假日。

例如，可以根据贝叶斯计算位于所述预设网格的边界上的人口进入或离开该预设网格的概率，进而确定所述预设区域边界上的预测人口流量变化。

具体而言，对于位于所述预设区域边界上的人，可以观察其在所述预设区域边界上的移动方向，如位于所述预设区域边界上的人是试图进入所述预设区域还是试图离开所述预设区域。

基于上述思想，可以将所述预设区域边界上的人口流量变化分为两种矢量数据：p(in)和p(out)，其中，p(in)可以是位于所述预设区域边界上的人口流量进入所述预设区域的概率；p(out)可以是位于所述预设区域边界上的人口流量离开所述预设区域的概率。

更具体而言，可以基于所述预设曲线衡量所述p(in)和p(out)，而与上述确定所述预设区域内人口流量的变化规律相类似，所述预设曲线也可以因所述天类型的不同而不同。

进一步地，针对不同的天类型，在所述预设区域边界上，所述人口流量的移动概率可能不同，亦即所述预设区域边界上的人口流量在不同天类型时的人口流量变化趋势可能是不同的。

相应的，所述p(in)可以细化为p_(u,t,dt)(in)，用于描述在时间t，天类型dt下，所述预设区域边界上的人口流量进入预设区域u的概率。类似的，所述p(out)可以细化为p_(u,t,dt)(out)，用于描述在时间t，天类型dt下，所述预设预取边界上的人口流量离开所述预设区域u的概率。

进一步地，还可以定义r_(u,t,dt)(in)以描述在未来特定时间段t从所述预设区域u边界上进入所述预设区域u的人口流量，其中，可以获取公式r_(u,t,dt)(in)＝(时间t，天类型dt下，位于预设区域u边界上的预测人口流量)×p_(u,t,dt)(in)。

相应的，还可以定义r_(u,t,dt)(out)以描述在未来特定时间段t从所述预设区域u边界上离开所述预设区域u的人口流量，其中，可以获取公式r_(u,t,dt)(out)＝(时间t，天类型dt下，位于预设区域u边界上的预测人口流量)×p_(u,t,dt)(out)。

进一步地，在确定所述预测公式需要包括的特征参数后，还需要确定各个特征参数的权重，以更精准的预测所述预设区域在未来特定时间段的流量。

作为一个非限制性实施例，对所述权重的确定流程可以包括：通过多元逻辑回归算法对所述预设公式进行测试，以确定最符合所述历史上所述预设区域的流量变化的基准预设公式；基于所述基准预设公式中各特征参数的权重确定每一特征参数的权重。

例如，在确定所述预测公式需要包括的特征参数后，可以基于所述多元逻辑回归算法，结合历史数据对所述预测公式进行探测和训练，通过假设各个特征参数的权重的方式，模拟出最符合历史上所述预设区域的流量变化的基准预设公式。当所述基准预设公式确定后，所述基准预设公式中各个参数的权重，既可以作为所述预测公式的权重。

进一步地，在实际应用中，随着历史数据的增加，各个参数特征的权重还可以实时调整，以保持甚至提高预测精准度。

优选地，可以基于散点图来计算各个特征参数与历史上所述预设区域的流量变化结果的关系，由于画图的结果是大致线性的，可以确定所述预设区域的人口流量与各个特征参数具有线性关系，因而，可以采用线性回归算法来确定各个特征参数的权重。

进一步地，在执行所述步骤s103时，可以将不同时间间隔的预测结果展示在地图(如所述预设经纬度流量表)上做叠加展示。还可以以不同颜色的曲线来表示所述预设区域在实际时间段的人口流量与前期对该时间段的预测人口流量的差异，使得最终获得的流量展示效果更便于理解、分析。

由上，采用本实施例所述方案，在确定预测公式时，能够将接入的实时流量数据的类型作为衡量因素之一，以根据所述实时流量数据的类型确定更合适的预测公式，使得确定的预测公式能够更好的符合接入的实时流量数据的类型特点，进而在此基础上获得更精准的流量预测结果。本领域技术人员理解，通过本发明实施例的方案能够根据精准预测未来任意时间段内预设区域的流量，并且，对应于接入的不同类型的实时流量数据，能够根据所述实时流量数据的类型特点有针对性的确定预测公式，进而获取不同类型的流量预测结果。

图3是本发明的第二实施例的一种流量预测装置的结构示意图。本领域技术人员理解，本实施例所述流量预测装置3可以用于实施上述图1和图2所示实施例中所述的方法技术方案。

具体地，在本实施例中，所述流量预测装置3可以包括获取模块31，用于获取预设区域内的实时流量数据；确定模块32，用于基于所述实时流量数据的类型以及历史上所述预设区域的流量变化确定预测公式；预测模块33，用于根据所述预测公式和实时流量数据预测所述预设区域在未来特定时间段的流量。

进一步地，所述获取模块31可以包括划分子模块311，用于在预设经纬度流量表上划分，以获得至少一个预设区域，各个预设区域的流量密度间的差异不大于预设阈值；获取子模块312，对于每一个预设区域，基于所述预设经纬度流量表获取所述预设区域的实时流量数据。

进一步地，所述确定模块32可以包括预测子模块321，用于基于历史上所述预设区域及其周边区域的流量变化，预测至少一个特征参数在未来特定时间段内的预测流量变化；第一确定子模块322，用于基于历史上所述预设区域的流量变化确定每一特征参数的权重；第二确定子模块323，用于基于每一特征参数及其权重确定所述预设公式，其中，所述预设公式为线性公式。

优选地，所述特征参数的预测流量变化可以受至少一个参考因素的影响，所述至少一个参考因素可以根据所述实时流量数据的类型确定。其中，所述参考因素可以包括以下一项或多项：天气因素、节假日因素和交通拥堵因素。

优选地，所述特征参数的预测流量变化至少可以包括：所述预设区域内部的预测流量变化；所述预设区域边界上的预测流量变化。

作为一个非限制性实施例，当所述特征参数的预测流量变化为预设区域内部的预测流量变化时，所述预测子模块321可以包括训练单元3211，用于基于历史上所述预设区域的流量数据训练获得时间序列模型，所述时间序列模型用于描述所述预设区域的流量变化趋势；预测单元3212，用于基于所述预设区域的流量变化趋势预测在未来特定时间段内的所述预设区域内部的预测流量变化。

作为另一个非限制性实施例，当所述特征参数的预测流量变化为预设区域边界上的预测流量变化时，所述预测子模块321可以包括第一确定单元3213，用于基于历史上所述预设区域及其周边区域的流量数据，确定位于所述预设区域的边界上的流量进入所述预设区域的概率。

进一步地，所述流量数据可以为矢量数据。

进一步地，所述概率可以基于预设曲线确定，所述预设曲线可以基于天类型确定。其中，所述天类型可以选自：工作日、周末和节假日。

进一步地，所述第一确定子模块322可以包括测试单元3221，用于通过多元逻辑回归算法对所述预设公式进行测试，以确定最符合所述历史上所述预设区域的流量变化的基准预设公式；第二确定单元3222，用于基于所述基准预设公式中各特征参数的权重确定每一特征参数的权重。

进一步地，所述实时流量数据的类型可以选自：移动设备的信息点数据；车辆的监控数据。

关于所述流量预测装置3的工作原理、工作方式的更多内容，可以参照图1和图2中的相关描述，这里不再赘述。

进一步地，本发明实施例还公开一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述图1和图2所示实施例中所述的方法技术方案。优选地，所述存储介质可以包括计算机可读存储介质。所述存储介质可以包括rom、ram、磁盘或光盘等。

进一步地，本发明实施例还公开一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述图1和图2所示实施例中所述的方法技术方案。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。