一种无线网络的设备接入数的预测方法及设备与流程

本发明涉及电子
技术领域：
，特别涉及一种无线网络的设备接入数的预测方法及设备。
背景技术：
：随着科学技术的不断进步，无线网络技术也得到了飞速的发展，各种类型的无线网络已经成为了人们生活和工作的必需品，无线网络的覆盖范围也越来越广泛。在现有技术中，只要在机场、车站、咖啡店、图书馆等人员较密集的地方设置无线网络接入点，即“热点”，并通过高速线路将因特网接入上述场所，这样，当我们去旅游、办公时，就可以在这些场所使用我们的手机、平板电脑等电子设备尽情网上冲浪了。无线网络接入点除了给使用该接入点进行网上冲浪的用户提供了便利，客观上，对于该接入点的提供方而言，也可以成为用户分布情况的一个探针和吸引用户长时间驻留的一个节点。以机场为例，机场拥有巨大的旅客吞吐量，与之对应的则是巨大的服务压力。安防、安检、突发事件应急、值机、行李追踪等机场服务都希望能够预测未来的旅客吞吐量，并据此提前调配人力物力，更好的为旅客服务。通过分析wifi数据，可以了解旅客的分布、驻留规律，还可以预测未来某时刻各wifi点的接入数量，从而可以更有针对性、预测性地提供旅客服务。因此，如何根据环境中的wifi点历史接入情况来分析未来一段时间各wifi点的接入数是目前亟待解决的技术问题。技术实现要素：本申请实施例提供一种无线网络的设备接入数的预测方法及设备，用于解决如何根据环境中的wifi点历史接入情况来分析未来一段时间各wifi点的接入数的技术问题，实现提供一种预测算法来预测环境中的无线网络接入点在未来时间段内的设备接入数量的技术效果。本申请实施例第一方面提供一种无线网络的设备接入数的预测方法，应用于设置有N个无线网络接入点的环境中，N为正整数，包括：获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；获取用于表征设备接入数与等候人数间关系的多维模型；基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。可选的，在所述获取用于表征设备接入数与等候人数间关系的多维模型之前，所述方法还包括：获取所述每个无线网络接入点在所述当前时刻前的第一预设时间段内的历史设备接入数，以及与所述每个无线网络接入点的历史等候人数曲线；基于所述每个无线网络接入点的历史设备接入数及所述历史等候人数曲线，建立用于表征设备接入数与等候人数间关系的多维模型。可选的，所述获取与所述每个无线网络接入点的历史等候人数曲线，包括：确定与所述每个无线网络接入点相关联的至少一个等候区域，其中，所述环境中包括M个等候区域，M为正整数；基于所述至少一个等候区域的至少一个历史等候人数曲线，获取所述每个无线网络接入点的历史等候人数曲线。可选的，所述确定与所述每个无线网络接入点相关联的至少一个等候区域，包括：获取所述M个等候区域中每个等候区域的历史过安检人数曲线、所述每个等待区域的第一等候人数曲线以及所述每个无线网络点的接入数曲线，其中，所述第一等候人数曲线与所述历史过安检人数曲线相关；基于M个所述第一等候人数曲线及所述每个无线网络接入点的接入数曲线，初步检测出与所述每个无线网络接入点相关的K个等候区域，其中，K为正整数；结合所述每个无线网络接入点的第一位置与所述每个等候区域的第二位置，从所述K个等候区域中确定S个等候区域，其中，S为正整数且S小于等于K；基于所述每个无线网络接入点与所述S个等候区域的对应关系，确定出所述M个等候区域的每个等候区域中用户的离开时间，获取所述M个等候区域的每个等候区域的准确等候人数曲线；基于所述准确等候人数曲线及所述每个无线网络接入点的接入曲线，重新确定与所述每个无线网络接入点相关联的至少一个等候区域。可选的，所述基于所述每个无线网络接入点与所述S个等候区域的对应关系，确定出所述M个等候区域的每个等候区域中用户的离开时间，获取所述M个等候区域的每个等候区域的准确等候人数曲线，包括：确定与所述S个等候区域中每个等候区域的关联强度最大的至少一个目标无线网络接入点；获取与所述至少一个目标无线网络接入点的至少一个设备接入数跌落情况曲线；基于所述至少一个设备接入数跌落情况曲线，检测出所述每个等候区域中用户的离开时间；将所述每个等候区域的所述历史过安检人数曲线进行时延处理，获取经时延后的历史过安检人数曲线；将所述经时延后的历史过安检曲线与所述至少一个目标无线网络接入点对应的至少一个历史设备接入数进行相关性处理，确定相关性最强的目标时延值；以所述目标时延值，对所述每个等候区域的所述历史过安检人数曲线进行时延处理，并结合所述每个等候区域中用户的离开时间，得到所述每个等候区域的准确等候人数曲线。可选的，在所述基于所述准确等候人数曲线及所述每个无线网络接入点的接入曲线，重新确定与所述每个无线网络接入点相关联的至少一个等候区域之后，所述方法还包括：建立所述每个无线网络接入点与所述至少一个等候区域之间的多元线性回归模型。可选的，所述基于所述每个无线网络接入点的历史设备接入数及所述历史等候人数曲线，建立用于表征设备接入数与等候人数间关系的多维模型，包括：依次取i为1至N，遍历与所述第i个无线网络接入点相关联的至少一个等候区域的每个等候区域的准确等候人数曲线，并记录所述第i个无线网络接入点在每个时刻的设备接入数；获取实时设备接入率，其中，所述实时设备接入率为表征所述设备接入数随时间发生变化的变化规律；利用所述实时设备接入率对所述第i个无线网络接入点在每个时刻的设备接入数进行校正，获取所述第i个无线网络接入点在每个时刻的经校正设备接入数；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除异常数据，将剔除所述异常数据后的剩余经校正设备接入数求取平均值，获取所述第i个无线网络接入点在每个时刻的准确设备接入数；建立与所述第i个无线网络接入点相关联的至少一个等候区域的等候人数状态值与所述第i个无线网络接入点的准确设备接入数的对应关系；在i取N时，建立用于表征设备接入数与等候人数间关系的多维模型。可选的，在所述获取所述第i个无线网络接入点的实时设备接入率之前，所述方法还包括：建立所述环境的接入率模型。可选的，所述建立所述环境的接入率模型，包括：统计一预设时长内的至少一个实时接入率曲线；从所述至少一个实时接入率曲线中去除接入率高于第一预设阈值和/或接入率低于第二预设阈值的至少一个异常曲线；对所述至少一个实时接入率曲线中除所述至少一个异常曲线外的剩余曲线进行求平均处理，建立所述环境的接入率模型。可选的，所述从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除异常数据，包括：基于所述每个无线网络接入点的历史等候人数曲线及所述多元线性回归模型，重建历史设备接入数据，获取重建后的历史设备接入数据；将所述重建后的历史设备接入数据与所述历史设备接入数进行比较，确定出异常数据段；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除处于所述异常数据段的异常数据。可选的，所述获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线，包括：获取所述至少一个等候区域中每个等候区域在所述第二预设时间段内对应的目标历史过安检人数曲线，其中，所述目标历史过安检人数曲线为在所述第二预设时间段内出行的行程编号对应出行的历史过安检曲线；从所述目标历史过安检人数曲线中剔除异常曲线，获取至少一个正常历史过安检人数曲线；对所述至少一个正常历史过安检人数曲线中的历史过安检人数转换为百分比后求进行求平均计算，获取与所述每个等候区域对应的平均过安检人数百分比曲线；通过所述目标时延值，对所述平均过安检人数百分比曲线进行延时处理，获取与所述每个等候区域对应的到达人数百分比曲线，其中，所述到达人数百分比曲线表征每个时刻到达人数的百分比；遍历与所述每个等候区域的历史出行时刻，获取所述每个等候区域的出行开始时刻及出行速度，其中，所述出行速度表征每个行程编号对应的所有用户离开对应的等候区域的速度；获取所述每个等候区域在所述第二预设时间段内的出行人数；将所述到达人数百分比曲线与所述出行人数进行相乘处理，获取所述每个等候区域的到达人数曲线；根据所述出行速度及所述出行人数，获取出行历时时长，其中，所述出行历时时长为所述出行开始时刻至所述每个行程编号对应的所有用户离开对应的等候区域的时长；基于所述出行开始时刻、所述出行速度、所述到达人数曲线以及所述出行历时时长，获取所述每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线。可选的，所述基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值，包括：基于所述至少一个等候人数曲线，以预设采样时间间隔，获取所述每个无线网络接入点在每一个采样时刻的等候人数估计值；将所述等候人数估计值代入所述多维模型中，获取在所述等候人数估计值的预设范围内的设备接入数；确定在所述第二预设时间段内是否存在热点事件；在存在所述热点事件时，获取在所述第二预设时间段内受所述热点事件影响的新接入率曲线，基于所述设备接入数及所述新接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值；在不存在所述热点事件时，获取与所述第二预设时间段内对应的接入率曲线，基于所述设备接入数与所述接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。可选的，所述确定在所述第二预设时间段内是否存在热点事件，包括：获取所述每个无线网络接入点在所述当前时刻之前的第三预设时间段内的各时刻接入率值；在所述各时刻接入率值大于等于预设接入率值时，确定在所述第二预设时间段内存在热点事件。可选的，所述获取在所述第二预设时间段内受所述热点事件影响的新接入率曲线，包括：获取所述每个无线网络接入点的接入率值在正常数值内的正常接入率曲线；将所述每个无线网络接入点在所述第三预设时间段内的接入率曲线与所述正常接入率曲线作比值处理，获取经作比值后的曲线；将所述每个无线网络接入点的经作比值后的曲线做拟合处理，获取拟合后的曲线；将所述拟合后的曲线代入所述每个无线网络接入点的正常接入率曲线中，获取所述每个无线网络接入点在所述第二预设时间段内受所述热点事件影响的新接入率曲线。可选的，在所述基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值之后，所述方法还包括：检测并删除所述多维模型在预设更新周期内的异常数据；统计所述多维模型在所述预设更新周期内的各时刻接入率估计值；通过各时刻的实际接入率对所述各时刻接入率估计值进行校正，获取校正后的接入率估计值；基于所述校正后的接入率估计值，更新所述多维模型并重新计算所述多元线性回归模型。本申请实施例第二方面提供了一种无线网络的设备接入数的预测设备，应用于设置有N个无线网络接入点的环境中，N为正整数，包括：第一获取模块，用于获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；第二获取模块，用于获取用于表征设备接入数与等候人数间关系的多维模型；第一确定模块，用于基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。可选的，所述预测设备还包括：第三获取模块，用于获取所述每个无线网络接入点在所述当前时刻前的第一预设时间段内的历史设备接入数，以及与所述每个无线网络接入点的历史等候人数曲线；第一建立模块，用于基于所述每个无线网络接入点的历史设备接入数及所述历史等候人数曲线，建立用于表征设备接入数与等候人数间关系的多维模型。可选的，所述第三获取模块具体用于：确定与所述每个无线网络接入点相关联的至少一个等候区域，其中，所述环境中包括M个等候区域，M为正整数；基于所述至少一个等候区域的至少一个历史等候人数曲线，获取所述每个无线网络接入点的历史等候人数曲线。可选的，所述第三获取模块具体用于：获取所述M个等候区域中每个等候区域的历史过安检人数曲线、所述每个等待区域的第一等候人数曲线以及所述每个无线网络点的接入数曲线，其中，所述第一等候人数曲线与所述历史过安检人数曲线相关；基于M个所述第一等候人数曲线及所述每个无线网络接入点的接入数曲线，初步检测出与所述每个无线网络接入点相关的K个等候区域，其中，K为正整数；结合所述每个无线网络接入点的第一位置与所述每个等候区域的第二位置，从所述K个等候区域中确定S个等候区域，其中，S为正整数且S小于等于K；基于所述每个无线网络接入点与所述S个等候区域的对应关系，确定出所述M个等候区域的每个等候区域中用户的离开时间，获取所述M个等候区域的每个等候区域的准确等候人数曲线；基于所述准确等候人数曲线及所述每个无线网络接入点的接入曲线，重新确定与所述每个无线网络接入点相关联的至少一个等候区域。可选的，所述第三获取模块具体用于：确定与所述S个等候区域中每个等候区域的关联强度最大的至少一个目标无线网络接入点；获取与所述至少一个目标无线网络接入点的至少一个设备接入数跌落情况曲线；基于所述至少一个设备接入数跌落情况曲线，检测出所述每个等候区域中用户的离开时间；将所述每个等候区域的所述历史过安检人数曲线进行时延处理，获取经时延后的历史过安检人数曲线；将所述经时延后的历史过安检曲线与所述至少一个目标无线网络接入点对应的至少一个历史设备接入数进行相关性处理，确定相关性最强的目标时延值；以所述目标时延值，对所述每个等候区域的所述历史过安检人数曲线进行时延处理，并结合所述每个等候区域中用户的离开时间，得到所述每个等候区域的准确等候人数曲线。可选的，所述第三获取模块还用于：建立所述每个无线网络接入点与所述至少一个等候区域之间的多元线性回归模型。可选的，所述第一建立模块具体用于：依次取i为1至N，遍历与所述第i个无线网络接入点相关联的至少一个等候区域的每个等候区域的准确等候人数曲线，并记录所述第i个无线网络接入点在每个时刻的设备接入数；获取实时设备接入率，其中，所述实时设备接入率为表征所述设备接入数随时间发生变化的变化规律；利用所述实时设备接入率对所述第i个无线网络接入点在每个时刻的设备接入数进行校正，获取所述第i个无线网络接入点在每个时刻的经校正设备接入数；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除异常数据，将剔除所述异常数据后的剩余经校正设备接入数求取平均值，获取所述第i个无线网络接入点在每个时刻的准确设备接入数；建立与所述第i个无线网络接入点相关联的至少一个等候区域的等候人数状态值与所述第i个无线网络接入点的准确设备接入数的对应关系；在i取N时，建立用于表征设备接入数与等候人数间关系的多维模型。可选的，所述第一建立模块还用于：建立所述环境的接入率模型。可选的，所述第一建立模块具体用于：统计一预设时长内的至少一个实时接入率曲线；从所述至少一个实时接入率曲线中去除接入率高于第一预设阈值和/或接入率低于第二预设阈值的至少一个异常曲线；对所述至少一个实时接入率曲线中除所述至少一个异常曲线外的剩余曲线进行求平均处理，建立所述环境的接入率模型。可选的，所述第一建立模块具体用于：基于所述每个无线网络接入点的历史等候人数曲线及所述多元线性回归模型，重建历史设备接入数据，获取重建后的历史设备接入数据；将所述重建后的历史设备接入数据与所述历史设备接入数进行比较，确定出异常数据段；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除处于所述异常数据段的异常数据。可选的，所述第一获取模块具体用于：获取所述至少一个等候区域中每个等候区域在所述第二预设时间段内对应的目标历史过安检人数曲线，其中，所述目标历史过安检人数曲线为在所述第二预设时间段内出行的行程编号对应出行的历史过安检曲线；从所述目标历史过安检人数曲线中剔除异常曲线，获取至少一个正常历史过安检人数曲线；对所述至少一个正常历史过安检人数曲线中的历史过安检人数转换为百分比后求进行求平均计算，获取与所述每个等候区域对应的平均过安检人数百分比曲线；通过所述目标时延值，对所述平均过安检人数百分比曲线进行延时处理，获取与所述每个等候区域对应的到达人数百分比曲线，其中，所述到达人数百分比曲线表征每个时刻到达人数的百分比；遍历与所述每个等候区域的历史出行时刻，获取所述每个等候区域的出行开始时刻及出行速度，其中，所述出行速度表征每个行程编号对应的所有用户离开对应的等候区域的速度；获取所述每个等候区域在所述第二预设时间段内的出行人数；将所述到达人数百分比曲线与所述出行人数进行相乘处理，获取所述每个等候区域的到达人数曲线；根据所述出行速度及所述出行人数，获取出行历时时长，其中，所述出行历时时长为所述出行开始时刻至所述每个行程编号对应的所有用户离开对应的等候区域的时长；基于所述出行开始时刻、所述出行速度、所述到达人数曲线以及所述出行历时时长，获取所述每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线。可选的，所述第一确定模块具体用于：基于所述至少一个等候人数曲线，以预设采样时间间隔，获取所述每个无线网络接入点在每一个采样时刻的等候人数估计值；将所述等候人数估计值代入所述多维模型中，获取在所述等候人数估计值的预设范围内的设备接入数；确定在所述第二预设时间段内是否存在热点事件；在存在所述热点事件时，获取在所述第二预设时间段内受所述热点事件影响的新接入率曲线，基于所述设备接入数及所述新接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值；在不存在所述热点事件时，获取与所述第二预设时间段内对应的接入率曲线，基于所述设备接入数与所述接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。可选的，所述第一确定模块具体用于：获取所述每个无线网络接入点在所述当前时刻之前的第三预设时间段内的各时刻接入率值；在所述各时刻接入率值大于等于预设接入率值时，确定在所述第二预设时间段内存在热点事件。可选的，所述第一确定模块具体用于：获取所述每个无线网络接入点的接入率值在正常数值内的正常接入率曲线；将所述每个无线网络接入点在所述第三预设时间段内的接入率曲线与所述正常接入率曲线作比值处理，获取经作比值后的曲线；将所述每个无线网络接入点的经作比值后的曲线做拟合处理，获取拟合后的曲线；将所述拟合后的曲线代入所述每个无线网络接入点的正常接入率曲线中，获取所述每个无线网络接入点在所述第二预设时间段内受所述热点事件影响的新接入率曲线。可选的，所述预测设备还包括第一更新模块，所述第一更新模块具体用于：检测并删除所述多维模型在预设更新周期内的异常数据；统计所述多维模型在所述预设更新周期内的各时刻接入率估计值；通过各时刻的实际接入率对所述各时刻接入率估计值进行校正，获取校正后的接入率估计值；基于所述校正后的接入率估计值，更新所述多维模型并重新计算所述多元线性回归模型。本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：由于本申请实施例中的技术方案，采用获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；获取用于表征设备接入数与等候人数间关系的多维模型；基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值的技术手段，这样，利用环境中各个无线网络接入点的历史接入数据，通过建立所述环境中的各个无线网络接入点的设备接入数与等候人数的多维模型以及建立未来预设时间段内的等候人数曲线的方式，从而分析出在所述未来预设时间段内各个无线网络接入点的设备接入数估计值，有效解决了如何根据环境中的wifi点历史接入情况来分析未来一段时间各wifi点的接入数的技术问题，实现了提供一种预测算法来预测环境中的无线网络接入点在未来时间段内的设备接入数量的技术效果。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。图1为本申请实施例一提供的一种无线网络的设备接入数的预测方法的流程图；图2为本申请实施例二提供的一种无线网络的设备接入数的预测设备的结构框图。具体实施方式本申请实施例提供一种无线网络的设备接入数的预测方法及设备，用于解决如何根据环境中的wifi点历史接入情况来分析未来一段时间各wifi点的接入数的技术问题，实现提供一种预测算法来预测环境中的无线网络接入点在未来时间段内的设备接入数量的技术效果。本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：一种无线网络的设备接入数的预测方法，应用于设置有N个无线网络接入点的环境中，N为正整数，包括：获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；获取用于表征设备接入数与等候人数间关系的多维模型；基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。在上述技术方案中，采用获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；获取用于表征设备接入数与等候人数间关系的多维模型；基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值的技术手段，这样，利用环境中各个无线网络接入点的历史接入数据，通过建立所述环境中的各个无线网络接入点的设备接入数与等候人数的多维模型以及建立未来预设时间段内的等候人数曲线的方式，从而分析出在所述未来预设时间段内各个无线网络接入点的设备接入数估计值，有效解决了如何根据环境中的wifi点历史接入情况来分析未来一段时间各wifi点的接入数的技术问题，实现了提供一种预测算法来预测环境中的无线网络接入点在未来时间段内的设备接入数量的技术效果。为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互结合。实施例一请参考图1，为本申请实施例一提供的一种无线网络的设备接入数的预测方法的流程图，所述方法应用于设置有N个无线网络接入点的环境中，N为正整数，包括：S101：获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；S102：获取用于表征设备接入数与等候人数间关系的多维模型；S103：基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。在具体实施过程中，所述环境具体可以是机场或车站或港口或图书馆或者商场等，也可以是其他具有无线网络接入点的环境，在本申请实施例中不作限制。所述无线网络接入点具体可以是wifi接入点，也可以是其他类型的网络接入点，本领域技术人员可以根据实际使用情况进行设定。所述至少一个等候区域具体可以是机场的登机口，也可以是火车站的候车室等，在本申请实施例中不作限制。在具体实施过程中，将以所述预测方法应用在机场、所述无线网络接入点为wifi接入点、所述至少一个等候区域为登机口为例，来对本申请实施例中的方法进行详细描述。首先，对机场管理系统中存储的数据进行说明。通常的机场管理系统中会提供如下类似的数据：表1passenger_IDsecurity_timeflight_IDH_CZ1321*045*10SEP162016/9/104:23CZ1321其中，表1为security_check(过安检表)，表中有旅客编号、过安检时间、航班号。表2flight_IDscheduled_flt_timeactual_flt_timeBGATE_IDHU78482016/9/1723:402016/9/1823:59B226其中，表2为flights(航班信息表)，表中有航班号、预定起飞时间、实际起飞时间、登机口。表3WIFIAPTagpassengerCounttimeStampE1-1A-1<E1-1-01>152016-09-10-18-55-04其中，表3为WIFI_AP_Passenger_Records，即，某个wifi接入点在某时段的设备接入数，表中有wifi点编号、时间、设备接入数。表4passenger_ID2flight_IDflight_timecheckin_time177075357FM93582016/9/1113:502016/9/1111:57其中，表4为departure表，即离港时间表，表中记录了旅客_ID、航班号、起飞时间、出票时间。表5BGATE_IDBGATE_AREAA13E3其中，表5为登机口所在区域表，表中记载了每个登机口在候机厅的位置。需要指出的是，以上几张表格出自机场的不同的信息子系统，由于在建立信息系统时可能未统一规划，因此几张表格的数据存在兼容性问题，如：表一中的passenger_ID与表四中的passenger_ID2不存在对应关系；表二中的时间用的是格林威治时间，其余表格所用时间为北京时间；表四中的flight_time对应于表二中的scheduled_flt_time。在具体使用中，可以将上述先对上述兼容性问题进行统一处理后再来使用。在采用本申请实施例中的方法进行预测时，首先执行如下步骤：获取所述每个无线网络接入点在所述当前时刻前的第一预设时间段内的历史设备接入数，以及与所述每个无线网络接入点的历史等候人数曲线；基于所述每个无线网络接入点的历史设备接入数及所述历史等候人数曲线，建立用于表征设备接入数与等候人数间关系的多维模型。在具体实施过程中，沿用上述例子，预测的关键在于建立准确的设备接入数与候机人数的多维模型，这样，当获取某一时刻的候机人数时，就能自动根据候机人数来预测出每个wifi接入点的设备接入数。在机场的信息管理系统中能够直接获取每一个wifi接入点的历史设备接入数，而每个wifi接入点的历史候机人数则可以采用如下方法进行统计：确定与所述每个无线网络接入点相关联的至少一个等候区域，其中，所述环境中包括M个等候区域，M为正整数；基于所述至少一个等候区域的至少一个历史等候人数曲线，获取所述每个无线网络接入点的历史等候人数曲线。在具体实施过程中，通常一座大型机场可拥有数百个wifi点，几十个登机口，全天都会记录数据，数据量十分巨大。预测某个wifi点接入数时，如果将全部登机口的航班和旅客数作为输入来预测，无疑十分困难且不符合实际情况。因此，本发明提出算法的基本假设：各wifi点的覆盖范围有限，从而使各wifi点的实际接入数量只受附近几个登机口候机人数的影响。反之，每个登机口的候机人数也只影响到附近的若干个wifi点的接入数。因此，如果知道wifi点和登机口的对应关系，则每个wifi点的接入数就可以只用附近几个登机口的候机人数来进行预测，而不必考虑全部登机口了。这个过程降低了输入数量，实现了降维。本发明则获取每个时刻每个登机口的候机人数，从而获得所有登机口的历史候机人数曲线。将所有登机口的候机人数曲线与每个wifi点的接入曲线做相关或者多元线性回归，则可通过相关系数或者回归模型的系数判断出哪些登机口与该wifi点接入数存在密切关系。再将此结果结合wifi点与登机口的地理分布关系(可用人工或计算方式)，即可快速准确地获得wifi点与登机口的关联关系。在本申请实施例中，所述确定与所述每个无线网络接入点相关联的至少一个等候区域，包括：获取所述M个等候区域中每个等候区域的历史过安检人数曲线、所述每个等待区域的第一等候人数曲线以及所述每个无线网络点的接入数曲线，其中，所述第一等候人数曲线与所述历史过安检人数曲线相关；基于M个所述第一等候人数曲线及所述每个无线网络接入点的接入数曲线，初步检测出与所述每个无线网络接入点相关的K个等候区域，其中，K为正整数；结合所述每个无线网络接入点的第一位置与所述每个等候区域的第二位置，从所述K个等候区域中确定S个等候区域，其中，S为正整数且S小于等于K；基于所述每个无线网络接入点与所述S个等候区域的对应关系，确定出所述M个等候区域的每个等候区域中用户的离开时间，获取所述M个等候区域的每个等候区域的准确等候人数曲线；基于所述准确等候人数曲线及所述每个无线网络接入点的接入曲线，重新确定与所述每个无线网络接入点相关联的至少一个等候区域；建立所述每个无线网络接入点与所述至少一个等候区域之间的多元线性回归模型。在本申请实施例中，所述基于所述每个无线网络接入点与所述S个等候区域的对应关系，确定出所述M个等候区域的每个等候区域中用户的离开时间，获取所述M个等候区域的每个等候区域的准确等候人数曲线，包括：确定与所述S个等候区域中每个等候区域的关联强度最大的至少一个目标无线网络接入点；获取与所述至少一个目标无线网络接入点的至少一个设备接入数跌落情况曲线；基于所述至少一个设备接入数跌落情况曲线，检测出所述每个等候区域中用户的离开时间；将所述每个等候区域的所述历史过安检人数曲线进行时延处理，获取经时延后的历史过安检人数曲线；将所述经时延后的历史过安检曲线与所述至少一个目标无线网络接入点对应的至少一个历史设备接入数进行相关性处理，确定相关性最强的目标时延值；以所述目标时延值，对所述每个等候区域的所述历史过安检人数曲线进行时延处理，并结合所述每个等候区域中用户的离开时间，得到所述每个等候区域的准确等候人数曲线。在具体实施过程中，获取登机口与wifi点之间的关联关系主要有如下几个步骤：1)获得登机口历史过安检人数；2)初步检测出相关登机口；3)结合人工，校验检测出的相关的登机口；4)检测旅客离开时间，获取准确的候机曲线；5)使用准确的候机曲线，重新获取wifi点与登机口之间的关联关系并校验。其中，步骤1)的具体实现方式如下：将表一和表二做联合查询，使用sql语句则是：该查询语句获得登机口号、预定起飞时间、实际起飞时间、过安检时间，所查航班应满足两个条件：a.航班号与过安检人员所乘航班号一致；b.过安检时间应在预定起飞时间前N小时以内；N应该小于同一航班在同一机场内两次起飞的最小间隔，同时应大于大部分旅客提前过安检的时间，如设定范围为4-8小时。查询结果按BGATE_ID、security_time优先的顺序排序，可获得如下表格：表6根据这张表格，即可获得任意时刻该登机口过安检旅客的数量。步骤2)的具体实现方式如下：a.统一将旅客离开登机口的时间设定为预定起飞时间前N分钟，N建议取40；b.做出所有登机口的候机人数曲线；c.以所有登机口的候机人数曲线为输入，某wifi点的接入数曲线为输出，做多元线性回归，获得每个登机口与该wifi点之间的系数；d.将所有登机口的候机人数曲线和某wifi点的接入数曲线逐一做相关，获得相关系数；e.综合c、d两步的结果，获得与该wifi点关系密切的登机口排序；f.重复c、d步骤，获得所有wifi点的关联登机口。步骤3)的具体实现方式如下：a.对某wifi点，结合机场wifi点分布图，逐一排除明显不可能的登机口；b.如果有wifi点和登机口的准确坐标，可以使用计算机计算各wifi点到登机口的距离，过远的则直接排除，拿不准的可保留；c.对初选过的登机口，与该wifi点重新做多元线性回归和相关计算(登机口的候机人数曲线与wifi接入曲线做多元线性回归和相关计算。)；d.对所有wifi点重复b、c中的步骤；e.对每个登机口找到与其相关性最强的wifi点。步骤4)的具体实现方式如下：a.对某个登机口，根据与其相关性强的一个或多个wifi点的接入数跌落情况，检测出准确的登机时间；b.将该登机口的过安检人数曲线做时延并与该登机口对应wifi点的接入曲线之间做相关，找到相关性最强时的时延值，以该时延值作为从过安检到旅客接入wifi点之间的时延值，作为该登机口的一个固定参数；c.将该登机口的安检人数曲线移动步骤b中所获得的时延，再结合步骤a中所获得的准确的登机时间，得到该登机口准确的候机人数曲线。具体来讲，候机人数无疑是影响某wifi点接入数最重要的因素，其准确性直接影响到建模和预测的准确性。候机人数的获取步骤较为复杂，但基本思路很简单，就是获得所有旅客的到达时刻和离开时刻。旅客到达登机口的时间是难以准确获得的，但可以通过旅客过安检的时间来近似估计。正常情况下，旅客会在过安检后十五分钟内到达对应的登机口，虽然会有例外，但总体上是符合此规律的。因此，算法中会找到每个过安检旅客的登机口，从而可以进一步获得每个登机口的旅客到达曲线。将来，在获得登机口与wifi点的对应关系后，将过安检曲线和wifi接入曲线进一步做相关，找到相关性最大的时刻，即可以估计出从过安检到设备接入wifi点之间的时延。之后在计算候机人数时，将安检曲线做个相应的时延即可。之后再获得旅客的离开时间，这个时间获取较为麻烦。因为旅客通常相对起飞时间提前四十分钟左右离开登机口，这个时间，具有一定的概率分布，但不固定。此时有两种方式来获得旅客离开的时刻。一种方式是估计，例如统一认为所有的旅客都会提前四十分钟离开，或者认为离开时间存在某种概率分布再根据概率分布估计。还有一种方式就是检测，即通过每个登机口对应wifi点接入数的变化来检测旅客离开的准确时刻。由于是统一离开，因此接入数会在几分钟内非常规律地呈现线性地跌落(因为登机速度大体不变)。也有的时候旅客会乘坐大巴分批次离开，此时往往就会出现两次(因为单辆大巴往往不能一次装完全部旅客)接入数跌落。但不管是如何登机的，只要存在固定的模式，则总是容易通过数学方法检测出这种规律性的快速跌落，从而获得旅客离开的准确时刻。当旅客都离开后，可以认为此时该登机口该次航班的候机人数降为0。步骤5)的具体实现方式如下：a.使用准确的候机曲线，重复步骤2)中c、d、e、f，获得所有wifi点的关联登机口；b.对每个wifi点，重复步骤3中a、b、c，对每个wifi点建立初步的多元线性回归模型。在确定每个wifi接入点的关联登机口后，则相应登机口的历史候机人数曲线即为该wifi接入点的历史候机人数曲线。在执行完成上述步骤之后，基于所述每个无线网络接入点的历史设备接入数及所述历史等候人数曲线，建立用于表征设备接入数与等候人数间关系的多维模型，具体实现方式如下：依次取i为1至N，遍历与所述第i个无线网络接入点相关联的至少一个等候区域的每个等候区域的准确等候人数曲线，并记录所述第i个无线网络接入点在每个时刻的设备接入数；获取实时设备接入率，其中，所述实时设备接入率为表征所述设备接入数随时间发生变化的变化规律；利用所述实时设备接入率对所述第i个无线网络接入点在每个时刻的设备接入数进行校正，获取所述第i个无线网络接入点在每个时刻的经校正设备接入数；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除异常数据，将剔除所述异常数据后的剩余经校正设备接入数求取平均值，获取所述第i个无线网络接入点在每个时刻的准确设备接入数；建立与所述第i个无线网络接入点相关联的至少一个等候区域的等候人数状态值与所述第i个无线网络接入点的准确设备接入数的对应关系；在i取N时，建立用于表征设备接入数与等候人数间关系的多维模型。在本申请实施例中，在所述获取所述第i个无线网络接入点的实时设备接入率之前，所述方法还包括：建立所述环境的接入率模型。在本申请实施例中，所述建立所述环境的接入率模型，包括：统计一预设时长内的至少一个实时接入率曲线；从所述至少一个实时接入率曲线中去除接入率高于第一预设阈值和/或接入率低于第二预设阈值的至少一个异常曲线；对所述至少一个实时接入率曲线中除所述至少一个异常曲线外的剩余曲线进行求平均处理，建立所述环境的接入率模型。在本申请实施例中，所述从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除异常数据，包括：基于所述每个无线网络接入点的历史等候人数曲线及所述多元线性回归模型，重建历史设备接入数据，获取重建后的历史设备接入数据；将所述重建后的历史设备接入数据与所述历史设备接入数进行比较，确定出异常数据段；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除处于所述异常数据段的异常数据。在具体实施过程中，沿用上述例子，首先介绍一下建立接入率模型和异常检测的过程。建立接入率模型的步骤如下：1)对所有候机区的wifi点，统计某日每个时刻wifi接入总数与候机总人数的比值，该比值称为接入率；2)重复步骤1，统计一个较长段内每时刻的接入率；3)对每天的接入率曲线做分类或采用其他处理方式，去除接入率过高过低的曲线；4)对剩余曲线做平均，获得随时刻变化的接入率曲线。不同时刻wifi接入率是会变化的，因此，每个样本值，应该根据其所在时间段对应的接入率做一个调整，这样才能使不同时间段出现的样本值具有可比性。例如，早晨6点出现了某个状态(40,5,5)，此时接入数为6，数值偏低。下午4点出现了类似的状态(42,6,4)，接入数为12，数值较高。这在很大程度上是因为早上旅客困倦，接入数偏低。因此，在则实际取样本时，要根据在该时刻的接入率将样本值调整后再将其放入模型中，从而可以建立一个随时间变化的接入概率的模型，刻画此种现象，接入率随时刻的变化关系可以通过统计每个时刻的接入总数与该时刻候机总人数而获得。异常检测的步骤如下：1)使用历史候机人数与多元线性回归模型重建历史接入数据；2)将重建历史接入数据与真实历史接入数据做比对；3)检测出插值异常的数据段。异常指一些没有体现在表一、表二中，但被表三记录了的接入数的异常波动。如临时调换登机口，过路旅客在机场转机并候机。这类数据一般没有被记录，但却会对接入数产生影响。对此类事件的处理原则是检测并剔除，以免影响到建模的正确性。而预测时，由于此类事件随机性强或数据缺失，则暂不考虑对此类事件建模。但在建模后回测或实盘预测的过程中，应检测此类事件并单独统计，以免影响到对模型正确性和有效性的评估。建立基于候机人数的多维模型的步骤如下：1)对某个wifi点，获取得到的多元回归模型中的相关的几个关联登机口，假定该wifi点相关的登机口为G1、G2、G3；2)遍历这几个登机口的候机曲线，对每个具体的状态(G1(t),G2(t),G3(t)),记录该wifi点在t时刻的接入数A(t)；3)将A(t)除以t时刻实时接入率以校正不同时刻接入率不同所带来的影响；4)假定t时刻，(G1(t)、G2(t)、G3(t))的值为(a,b,c)。如果有多个历史时刻都经历过(a,b,c)这个状态，而每次都会对应一个经过接入率校正的接入数A(t)，将所有这些A(t)剔除由异常检测步骤所得到的异常数据，再取平均，作为与(a,b,c)对应的接入数；5)经步骤2)、3)、4)，获得该wifi点对应于不同(G1(t)、G2(t)、G3(t))状态值的接入数；6)对所有wifi点，重复步骤1)-5)。在完成上述步骤之后，则获取了基于候机人数的多维模型。在建立上述多维模型之后，本申请实施例中的预测方法便执行步骤S101，即：获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线。在本申请实施例中，步骤S101的具体实现方式如下：获取所述至少一个等候区域中每个等候区域在所述第二预设时间段内对应的目标历史过安检人数曲线，其中，所述目标历史过安检人数曲线为在所述第二预设时间段内出行的行程编号对应出行的历史过安检曲线；从所述目标历史过安检人数曲线中剔除异常曲线，获取至少一个正常历史过安检人数曲线；对所述至少一个正常历史过安检人数曲线中的历史过安检人数转换为百分比后求进行求平均计算，获取与所述每个等候区域对应的平均过安检人数百分比曲线；通过所述目标时延值，对所述平均过安检人数百分比曲线进行延时处理，获取与所述每个等候区域对应的到达人数百分比曲线，其中，所述到达人数百分比曲线表征每个时刻到达人数的百分比；遍历与所述每个等候区域的历史出行时刻，获取所述每个等候区域的出行开始时刻及出行速度，其中，所述出行速度表征每个行程编号对应的所有用户离开对应的等候区域的速度；获取所述每个等候区域在所述第二预设时间段内的出行人数；将所述到达人数百分比曲线与所述出行人数进行相乘处理，获取所述每个等候区域的到达人数曲线；根据所述出行速度及所述出行人数，获取出行历时时长，其中，所述出行历时时长为所述出行开始时刻至所述每个行程编号对应的所有用户离开对应的等候区域的时长；基于所述出行开始时刻、所述出行速度、所述到达人数曲线以及所述出行历时时长，获取所述每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线。在具体实施过程中，沿用上述例子，在建立上述多维模型后，还需要预测各时刻候机人数，再将此人数代入模型中才能得出预测值。在具体实施过程中，候机曲线估计步骤如下：1)对所要预测的登机口，找到预测时刻内的航班；2)找到该航班所对应起飞的历史过安检曲线；3)剔除异常的安检曲线；4)对其余安检曲线进行平均。由于每次飞行时旅客人数可能有所不同，因此需要将过安检人数转换成百分比(分母为每次起飞时过安检的全部人数)后再平均；5)对安检曲线做时延，该时延可以根据前述步骤中获取的准确候机曲线中获得，此时延后的曲线表征了每个时刻旅客达到数的百分比，在登机前应达到100％；6)遍历该登机口历史登机时刻，剔除异常的登机数据，估计出登机开始时刻和登机速度；7)获得预计登机人数：如果系统中能提供旅客人数，则直接使用该人数；如果不能，则采用剔除异常后的历史数据，获取历次起飞的过安检总人数，再平均，以平均值作为预计旅客人数；8)将步骤5)所获得的曲线乘以步骤7)所获得的预计旅客人数，得到到达曲线；9)根据预计登机人数和步骤6)所获登机速度信息，估计出登机时长：10)联合步骤6)、8)、9)，获得候机曲线；具体地，可以采用如下两种方式：方法1：根据历史登机时刻、登机速度和预计人数估计出登机时刻、登机时长，可采用平均，也可用其他方法，从而估计出登机前的人数跌落曲线，再结合到达曲线，获得完整的候机曲线；方法2：获得历史登机时刻的概率分布，再结合登机速度和预计人数计算出登机前每个时刻候机人数的数学期望，以该数学期望作为登机前的人数跌落曲线，再结合到达曲线，获得完整的候机曲线。在执行完成步骤S101之后，本申请实施例中的方法便执行步骤S102，即：获取用于表征设备接入数与等候人数间关系的多维模型。在具体实施过程中，当多维模型建立好之后，会存储在某一存储器中，此时则直接从所述存储器中提取所述多维模型。在执行完成步骤S102之后，本申请实施例中的方法便执行步骤S103，即：基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。在本申请实施例中，步骤S103的具体实现方式如下：基于所述至少一个等候人数曲线，以预设采样时间间隔，获取所述每个无线网络接入点在每一个采样时刻的等候人数估计值；将所述等候人数估计值代入所述多维模型中，获取在所述等候人数估计值的预设范围内的设备接入数；确定在所述第二预设时间段内是否存在热点事件；在存在所述热点事件时，获取在所述第二预设时间段内受所述热点事件影响的新接入率曲线，基于所述设备接入数及所述新接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值；在不存在所述热点事件时，获取与所述第二预设时间段内对应的接入率曲线，基于所述设备接入数与所述接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。在本申请实施例中，所述确定在所述第二预设时间段内是否存在热点事件，包括：获取所述每个无线网络接入点在所述当前时刻之前的第三预设时间段内的各时刻接入率值；在所述各时刻接入率值大于等于预设接入率值时，确定在所述第二预设时间段内存在热点事件。在本申请实施例中，所述获取在所述第二预设时间段内受所述热点事件影响的新接入率曲线，包括：获取所述每个无线网络接入点的接入率值在正常数值内的正常接入率曲线；将所述每个无线网络接入点在所述第三预设时间段内的接入率曲线与所述正常接入率曲线作比值处理，获取经作比值后的曲线；将所述每个无线网络接入点的经作比值后的曲线做拟合处理，获取拟合后的曲线；将所述拟合后的曲线代入所述每个无线网络接入点的正常接入率曲线中，获取所述每个无线网络接入点在所述第二预设时间段内受所述热点事件影响的新接入率曲线。在具体实施过程中，首先介绍一个热点事件检测的过程。热点事件具体可以是某一个重大新闻，如房屋限购政策的出台，此时，由于该事件的发生，本来不想上网的旅客也会想要接入wifi点获取该事件的相关新闻，从而使更多的设备接入wifi点。此类事件有突发性和随机性，难以事先预测。但一旦出现，可以检测到大范围wifi点接入数异常升高，此时可以判断热点发生，这样可以在热点发生后跟踪此异常时间的发生、升温、持续、衰退的全过程，从而将此类热点的影响也考虑进去，从而预测出较为准确的结果。对此因素，可以实时检测每个时刻所有wifi点的接入率，当发现接入率较通常同时刻接入率异常升高时，即可认为可能存在热点事件。当发现持续走高，并持续一段比较长的时间后，可以确认热点事件形成并在预测中考虑该因素。热点事件的影响通常有全局性，即所有的登机口所受影响都相当，因此通常只需要建立一个模型而不必对每个登机口或wifi点单独建模。当然，如果经统计发现某个wifi的接入特性较为特殊，可考虑单独对此wifi点建立接入率模型和热点事件模型。在具体实施过程中，热点事件的检测过程如下：1)检测近期(被预测时间段之前短期内)的各时刻接入率；2)如果发现全机场范围内接入率异常偏高，则认定可能发生热点事件；3)将接入率与正常的接入率曲线做比值，得到一条新的曲线；4)对该曲线做拟合，再将拟合的曲线代入正常的接入率曲线中，得到未来短时间内受该热点事件影响的新的接入率曲线。在具体实施过程中，当完成上述处理后，便可以对未来预设时间段的设备接入数进行预测，具体步骤如下：1)针对某wifi点，获得该wifi点相关联的登机口的候机曲线；2)以分钟为单位，获得每个时刻所有相关登机口的候机人数；3)将候机人数状态值代入多维模型中，检查该值附近是否有历史数据，如果有，则用历史数据进行插值；如果没有，则再扩大范围，使用较大范围内的历史数据进行插值，或者直接使用多元线性回归模型进行插值；4)检测热点事件：如果有热点事件，则获得未来时刻内受热点事件影响所造成的新的接入率曲线；如果没有热点事件，则获取未来时刻内不考虑热点事情的接入率曲线；5)查阅步骤4)中的接入率曲线，将步骤3)得到的值乘以该时刻的接入率；6)对每个wifi点重复步骤1)-5)。在具体实施过程中，沿用上述例子，例如，假定某个时刻G1(t)＝80,G2(t)＝40,G3(t)＝20,此时某wifi点的接入数A(t)为16，经过20分钟后，以上各数值又分别有所更新。由于wifi点采样频率是一分钟一次，我们可以得到20个样本值。这20个样本可能会出现同一个(G1(t)、G2(t)、G3(t))重复出现的情况，这意味着在这段时间内这三个登机口没有新的旅客过安检。但在这期间，A(t)仍然可能会变化，此时可以使用A(t)的均值来表示。另一种处理方式就是剔除过大过小的A(t)值，然后再取平均。通过以上处理，既可以获得(80,40,20)附近的多个样本，在这些样本构成的一个小的空间内，即使出现一个未曾出现的新的状态，例如(82,42,20)，也可以使用这些样本来估计。这个过程实际上可以理解成是在三维空间(G1(t)、G2(t)、G3(t))上的一个插值过程。当真实的样点越多，这个插值过程越精确。当样本足够多，可以在获取真实值后直接将所有可能的样本值全部插出来。之后在预测时，只需要输入(G1(t)、G2(t)、G3(t)),再以每一个t时刻为键值，直接查询即可。当然，这只是一种比较理想的状态，需要非常多的数据。假定每架次旅客为150人，wifi点与三个航班有关，那么总共的样本空间为150*150*150＝3375000。这么大的空间在实际过程中是不可能全部遍历完的。本发明中，出于存储和计算成本的考虑，通过实时计算而不是全部插值再查询。当然，这个空间中的各点出现的概率并不均等，实际上只有很少一部分状态会被经历到，但即使如此，也是一个很大的数字。如果精度要求不高，以10个人为量化间隔，那么也会产生3375种组合。另一种方式按时间来估算，由于飞机的到达曲线大体不变，因此G1、G2、G3的组合状态主要由其起飞时间决定。以G1的起飞时间作为0点，假定G2、G3的起飞时间分别滞后t1、t2，暂时只考虑t1、t2小于3小时的情况(因为多数旅客是在起飞前3个小时内到达的)，以5分种为采样间隔，那么也会产生(60*3/5)2＝1296种可能的起飞组合。一个繁忙的机场，每个登机口每天排班5次，每天也只会经历5种可能的起飞组合。那么经历1296种组合至少也需要260天，实际情况需要的时间应该会更长。因此，要建立比较完善的局部化的概率模型需要9个月以上的历史数据。以上这个模型，需要的数据量较大。但如果预测精度要求不高，使用少量数据，也可以预测出较满意的值。实际上，由于通常只有在附近的座位满了后旅客才会在远处就座，因此在附近坐位还没满的情况下，G1、G2、G3之间的相互影响还不大，也使此种情况下对精度依赖进一步降低。采用这种方法的一个关键问题就是在插值时使用多大范围的数据。这个范围是可以由建模人员自定义的，方式可以多种多样，在本申请实施例中不作限制。本发明中，规定选取与(G1(t)、G2(t)、G3(t))中任意一维距离不超过某阈值的所有样本值来插值。获取上述插值之后，进一步判断是否在预测的时间段内是否会发生热点事件，若发生热点事件，则获取受热点事件影响所造成的新的接入率曲线，将插值乘以该时刻的接入率，获取最终的设备接入数估计值，如下表所示：表7passengerCountWIFIAPTagslice10min6.75E1-1A-1<E1-1-01>2016-09-25-15-0其中，表中slice10min指的是以十分钟为单位的时间片，15-0指的是15点0分至15点9分的十分钟，以此类推还有时间片15-2、15-3、15-4、15-5。此时的passengerCount对应的是该时间片内的平均接入人数。在本申请实施例中，在执行步骤S103之后，所述方法还包括：检测并删除所述多维模型在预设更新周期内的异常数据；统计所述多维模型在所述预设更新周期内的各时刻接入率估计值；通过各时刻的实际接入率对所述各时刻接入率估计值进行校正，获取校正后的接入率估计值；基于所述校正后的接入率估计值，更新所述多维模型并重新计算所述多元线性回归模型。在具体实施过程中，在模型建立之初，由于数据较少，在某些情况下的估计值可能会有较大误差，此时可以使用诸如多元线性回归模型作为补充。之后，每运行一天，则可将新数据补充进模型，重新计算各概率。同时应剔除一些过于古老的数据，以使模型能跟上实际情况的变化。在该模型的实际运维过程中，可以考虑以一年为窗口长度，建立一个与时俱进而又足够稳定的模型。模型更新的具体步骤如下：1)检测一个更新周期内所有的异常，剔除这些数据；2)获得该周期的每个时刻的接入率统计；3)将当日数据在进行接入率校正后(使用当日每时刻的实时接入率做校正，这样热点和时刻两个因素都已包含)，纳入历史数据中，更新多维模型；4)重新计算多元回归模型；模型更新可以按日更新，更新时刻可以是在航班最少的时刻进行，如凌晨两点左右。本方案中所述的具体步骤，可能因不同机场的数据不同而有所调整。其中所述的多维模型，在具体插值时，也可能会采用其他一些获得方式。例如先对数据聚类，再使用聚类后的数据来插值。但这类方式与本方案中的方式没有本质区别，都是属于利用局部数据来获得较精确的值。因此，只要是利用局部数据来获取精确估计值的方法都属于本申请要保护的范围。实施例二基于与本申请实施例一相同的发明构思，请参考图2，为本申请实施例二提供的一种无线网络的设备接入数的预测设备的结构框图，应用于设置有N个无线网络接入点的环境中，N为正整数，所述预测设备包括：第一获取模块101，用于获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；第二获取模块102，用于获取用于表征设备接入数与等候人数间关系的多维模型；第一确定模块103，用于基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。在本申请实施例二中，所述预测设备还包括：第三获取模块104，用于获取所述每个无线网络接入点在所述当前时刻前的第一预设时间段内的历史设备接入数，以及与所述每个无线网络接入点的历史等候人数曲线；第一建立模块105，用于基于所述每个无线网络接入点的历史设备接入数及所述历史等候人数曲线，建立用于表征设备接入数与等候人数间关系的多维模型。在本申请实施例二中，第三获取模块104具体用于：确定与所述每个无线网络接入点相关联的至少一个等候区域，其中，所述环境中包括M个等候区域，M为正整数；基于所述至少一个等候区域的至少一个历史等候人数曲线，获取所述每个无线网络接入点的历史等候人数曲线。在本申请实施例二中，第三获取模块104具体用于：获取所述M个等候区域中每个等候区域的历史过安检人数曲线、所述每个等待区域的第一等候人数曲线以及所述每个无线网络点的接入数曲线，其中，所述第一等候人数曲线与所述历史过安检人数曲线相关；基于M个所述第一等候人数曲线及所述每个无线网络接入点的接入数曲线，初步检测出与所述每个无线网络接入点相关的K个等候区域，其中，K为正整数；结合所述每个无线网络接入点的第一位置与所述每个等候区域的第二位置，从所述K个等候区域中确定S个等候区域，其中，S为正整数且S小于等于K；基于所述每个无线网络接入点与所述S个等候区域的对应关系，确定出所述M个等候区域的每个等候区域中用户的离开时间，获取所述M个等候区域的每个等候区域的准确等候人数曲线；基于所述准确等候人数曲线及所述每个无线网络接入点的接入曲线，重新确定与所述每个无线网络接入点相关联的至少一个等候区域。在本申请实施例二中，第三获取模块104具体用于：确定与所述S个等候区域中每个等候区域的关联强度最大的至少一个目标无线网络接入点；获取与所述至少一个目标无线网络接入点的至少一个设备接入数跌落情况曲线；基于所述至少一个设备接入数跌落情况曲线，检测出所述每个等候区域中用户的离开时间；将所述每个等候区域的所述历史过安检人数曲线进行时延处理，获取经时延后的历史过安检人数曲线；将所述经时延后的历史过安检曲线与所述至少一个目标无线网络接入点对应的至少一个历史设备接入数进行相关性处理，确定相关性最强的目标时延值；以所述目标时延值，对所述每个等候区域的所述历史过安检人数曲线进行时延处理，并结合所述每个等候区域中用户的离开时间，得到所述每个等候区域的准确等候人数曲线。在本申请实施例二中，第三获取模块104还用于：建立所述每个无线网络接入点与所述至少一个等候区域之间的多元线性回归模型。在本申请实施例二中，第一建立模块105具体用于：依次取i为1至N，遍历与所述第i个无线网络接入点相关联的至少一个等候区域的每个等候区域的准确等候人数曲线，并记录所述第i个无线网络接入点在每个时刻的设备接入数；获取实时设备接入率，其中，所述实时设备接入率为表征所述设备接入数随时间发生变化的变化规律；利用所述实时设备接入率对所述第i个无线网络接入点在每个时刻的设备接入数进行校正，获取所述第i个无线网络接入点在每个时刻的经校正设备接入数；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除异常数据，将剔除所述异常数据后的剩余经校正设备接入数求取平均值，获取所述第i个无线网络接入点在每个时刻的准确设备接入数；建立与所述第i个无线网络接入点相关联的至少一个等候区域的等候人数状态值与所述第i个无线网络接入点的准确设备接入数的对应关系；在i取N时，建立用于表征设备接入数与等候人数间关系的多维模型。在本申请实施例二中，第一建立模块105还用于：建立所述环境的接入率模型。在本申请实施例二中，第一建立模块105具体用于：统计一预设时长内的至少一个实时接入率曲线；从所述至少一个实时接入率曲线中去除接入率高于第一预设阈值和/或接入率低于第二预设阈值的至少一个异常曲线；对所述至少一个实时接入率曲线中除所述至少一个异常曲线外的剩余曲线进行求平均处理，建立所述环境的接入率模型。在本申请实施例二中，第一建立模块105具体用于：基于所述每个无线网络接入点的历史等候人数曲线及所述多元线性回归模型，重建历史设备接入数据，获取重建后的历史设备接入数据；将所述重建后的历史设备接入数据与所述历史设备接入数进行比较，确定出异常数据段；从所述第i个无线网络接入点在每个时刻的经校正设备接入数中剔除处于所述异常数据段的异常数据。在本申请实施例二中，第一获取模块101具体用于：获取所述至少一个等候区域中每个等候区域在所述第二预设时间段内对应的目标历史过安检人数曲线，其中，所述目标历史过安检人数曲线为在所述第二预设时间段内出行的行程编号对应出行的历史过安检曲线；从所述目标历史过安检人数曲线中剔除异常曲线，获取至少一个正常历史过安检人数曲线；对所述至少一个正常历史过安检人数曲线中的历史过安检人数转换为百分比后求进行求平均计算，获取与所述每个等候区域对应的平均过安检人数百分比曲线；通过所述目标时延值，对所述平均过安检人数百分比曲线进行延时处理，获取与所述每个等候区域对应的到达人数百分比曲线，其中，所述到达人数百分比曲线表征每个时刻到达人数的百分比；遍历与所述每个等候区域的历史出行时刻，获取所述每个等候区域的出行开始时刻及出行速度，其中，所述出行速度表征每个行程编号对应的所有用户离开对应的等候区域的速度；获取所述每个等候区域在所述第二预设时间段内的出行人数；将所述到达人数百分比曲线与所述出行人数进行相乘处理，获取所述每个等候区域的到达人数曲线；根据所述出行速度及所述出行人数，获取出行历时时长，其中，所述出行历时时长为所述出行开始时刻至所述每个行程编号对应的所有用户离开对应的等候区域的时长；基于所述出行开始时刻、所述出行速度、所述到达人数曲线以及所述出行历时时长，获取所述每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线。在本申请实施例二中，第一确定模块103具体用于：基于所述至少一个等候人数曲线，以预设采样时间间隔，获取所述每个无线网络接入点在每一个采样时刻的等候人数估计值；将所述等候人数估计值代入所述多维模型中，获取在所述等候人数估计值的预设范围内的设备接入数；确定在所述第二预设时间段内是否存在热点事件；在存在所述热点事件时，获取在所述第二预设时间段内受所述热点事件影响的新接入率曲线，基于所述设备接入数及所述新接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值；在不存在所述热点事件时，获取与所述第二预设时间段内对应的接入率曲线，基于所述设备接入数与所述接入率曲线，获取所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值。在本申请实施例二中，第一确定模块103具体用于：获取所述每个无线网络接入点在所述当前时刻之前的第三预设时间段内的各时刻接入率值；在所述各时刻接入率值大于等于预设接入率值时，确定在所述第二预设时间段内存在热点事件。在本申请实施例二中，第一确定模块103具体用于：获取所述每个无线网络接入点的接入率值在正常数值内的正常接入率曲线；将所述每个无线网络接入点在所述第三预设时间段内的接入率曲线与所述正常接入率曲线作比值处理，获取经作比值后的曲线；将所述每个无线网络接入点的经作比值后的曲线做拟合处理，获取拟合后的曲线；将所述拟合后的曲线代入所述每个无线网络接入点的正常接入率曲线中，获取所述每个无线网络接入点在所述第二预设时间段内受所述热点事件影响的新接入率曲线。在本申请实施例二中，所述预测设备还包括第一更新模块106，第一更新模块106具体用于：检测并删除所述多维模型在预设更新周期内的异常数据；统计所述多维模型在所述预设更新周期内的各时刻接入率估计值；通过各时刻的实际接入率对所述各时刻接入率估计值进行校正，获取校正后的接入率估计值；基于所述校正后的接入率估计值，更新所述多维模型并重新计算所述多元线性回归模型。通过本申请实施例中的一个或多个技术方案，可以实现如下一个或多个技术效果：由于本申请实施例中的技术方案，采用获取所述N个无线网络接入点中每个无线网络接入点相关联的至少一个等候区域在当前时刻后的第二预设时间段内的至少一个等候人数曲线；获取用于表征设备接入数与等候人数间关系的多维模型；基于所述至少一个等候人数曲线及所述多维模型，确定所述每个无线网络接入点在所述第二预设时间段内的设备接入数的估计值的技术手段，这样，利用环境中各个无线网络接入点的历史接入数据，通过建立所述环境中的各个无线网络接入点的设备接入数与等候人数的多维模型以及建立未来预设时间段内的等候人数曲线的方式，从而分析出在所述未来预设时间段内各个无线网络接入点的设备接入数估计值，有效解决了如何根据环境中的wifi点历史接入情况来分析未来一段时间各wifi点的接入数的技术问题，实现了提供一种预测算法来预测环境中的无线网络接入点在未来时间段内的设备接入数量的技术效果。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页1 2 3