客流预测模型的训练方法、装置、电子设备和存储介质与流程

本技术涉及人工智能领域，尤其涉及一种客流预测模型的训练方法、装置、电子设备和存储介质。

背景技术：

1、景区客流预测是景区管理的重要技术支持，由于景区客流的影响因素众多，而且不同类型的景区影响因素各异，如何在复杂的影响下准确预测景区的游客数量是景区合理安排游客接待工作的重要保障。

2、现有技术是采用时间序列类模型对景区客流进行预测，根据历史客流量随着时间的变化规律确定未来日期的客流量，可以捕捉到时间序列的趋势和周期性，但是影响景区游客数量变化的影响因素中还存在一些突发的因素，比如突发天气和一些景区活动等，时间序列类模型对此类突发因素的建模能力较弱，导致无法很好地处理此类突发因素的影响，导致预测准确率低下。

技术实现思路

1、本技术提供一种客流预测模型的训练方法、装置、电子设备和存储介质，用以提升客流量预测的准确率。

2、第一方面，本技术实施例提供一种客流预测模型的训练方法，所述客流预测模型包括：分类模块和客流确定模块；所述方法包括：

3、获取训练样本，其中，所述训练样本包括：多个历史日期中各历史日期对应的历史客流量、各历史日期对应的特征值组合、目标日期对应的特征值组合、目标日期对应的实际客流量；

4、将各历史日期对应的特征值组合以及所述目标日期对应的特征值组合输入到分类模块，确定各历史日期和所述目标日期中每一日期对应的类别；其中，每一日期对应的类别均是从预设的至少两个类别中选择的；

5、将各个历史日期的历史客流量和目标日期的类别输入到客流确定模块，得到所述目标日期的预测客流量；其中，所述客流确定模块包括所述至少两个类别中各个类别对应的通道，每一类别对应的历史客流量用于输入到该类别对应的通道；

6、根据所述目标日期的预测客流量和实际客流量，调整所述客流预测模型的参数。

7、可选的，每一日期的特征值组合用于表示该日期对应的预设多个特征的取值；每一类别中，不同历史日期对应的所有特征值均相同。

8、可选的，将各历史日期对应的特征值组合以及所述目标日期对应的特征值组合输入到分类模块，确定各历史日期和所述目标日期中每一日期对应的类别，包括：

9、基于分类模块，根据各历史日期以及目标日期对应的特征值组合，和预先存储的映射关系表，确定各历史日期和所述目标日期中每一日期对应的类别，所述预先存储的映射关系表用于指示特征值组合与类别的对应关系。

10、可选的，每一历史日期对应的特征值组合包含预设的多个特征对应的取值，所述方法还包括：对多个训练样本包含的历史日期进行分类，得到多个候选的类别，其中，每一候选的类别对应的至少一个历史日期中，各历史日期的多个特征的取值均相同，且该类别对应的特征值组合为该类别中任一历史日期对应的特征值组合；

11、通过方差分析，确定各个特征是否对历史客流量产生影响，并根据方差分析的结果对所述多个候选的类别及对应的特征值组合进行更新，得到所述至少两个类别及对应的特征值组合。

12、可选的，通过方差分析，确定各个特征是否对历史客流量产生影响，并根据方差分析的结果对所述多个候选的类别及对应的特征值组合进行更新，包括：

13、重复执行下述步骤，直至当前候选的类别中不存在满足预设条件的两个类别：

14、从当前候选的类别中选择满足预设条件的两个类别，其中，所述预设条件为：两个类别对应的特征值组合中仅有一个特征的取值不匹配；

15、对所述两个类别对应的历史日期的历史客流量进行方差分析，并根据分析结果确定不匹配的特征是否对所述两个类别的历史客流量产生影响；

16、若否，则将所述两个类别合并为一个候选的类别，并将所述两个类别对应的特征值组合进行合并，合并得到的候选的类别对应合并后的特征值组合；所述所述

17、其中，在合并后的特征值组合中，所述不匹配的特征不限制取值。

18、可选的，根据所述目标日期的预测客流量和实际客流量，调整所述客流预测模型的参数，包括：

19、根据所述目标日期的预约人数，确定所述目标日期的客流量的最大值和最小值；

20、根据所述最大值、最小值、目标日期的预测客流量和实际客流量，确定所述客流预测模型对应的损失值；

21、根据所述损失值调整所述客流预测模型的参数。

22、可选的，所述客流预测模型对应的损失函数为：

23、

24、其中，loss为损失值，n为训练的总次数，为第i次训练对应的目标日期的实际客流量，为第i次训练对应的目标日期的预测客流量，bi为第i次训练对应的目标日期的预约人数，rdown*bi和rup*bi分别对应目标日期的客流量的最小值和最大值。

25、第二方面，本技术实施例提供一种客流预测方法，包括：

26、获取多个历史日期中各历史日期对应的历史客流量、各历史日期对应的特征值组合、目标日期对应的特征值组合；

27、将各历史日期对应的特征值组合以及所述目标日期对应的特征值组合输入到客流预测模型中的分类模块，确定各历史日期和所述目标日期中每一日期对应的类别；其中，每一日期对应的类别均是从预设的至少两个类别中选择的；

28、将各个历史日期的历史客流量和目标日期的类别输入到所述客流预测模型中的客流确定模块，得到所述目标日期的预测客流量；其中，所述客流确定模块包括所述至少两个类别中各个类别对应的通道，每一类别对应的历史客流量用于输入到该类别对应的通道。

29、第三方面，本技术实施例提供一种客流预测模型的训练装置，所述客流预测模型包括：分类模块和客流确定模块；所述装置包括：

30、获取模块，用于获取训练样本，其中，所述训练样本包括：多个历史日期中各历史日期对应的历史客流量、各历史日期对应的特征值组合、目标日期对应的特征值组合、目标日期对应的实际客流量；

31、确定模块，用于将各历史日期对应的特征值组合以及所述目标日期对应的特征值组合输入到分类模块，确定各历史日期和所述目标日期中每一日期对应的类别；其中，每一日期对应的类别均是从预设的至少两个类别中选择的；

32、得到模块，用于将各个历史日期的历史客流量和目标日期的类别输入到客流确定模块，得到所述目标日期的预测客流量；其中，所述客流确定模块包括所述至少两个类别中各个类别对应的通道，每一类别对应的历史客流量用于输入到该类别对应的通道；

33、调整模块，用于根据所述目标日期的预测客流量和实际客流量，调整所述客流预测模型的参数。

34、第四方面，本技术实施例提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

35、所述存储器存储计算机执行指令；

36、所述处理器执行所述存储器存储的计算机执行指令，以实现上述任一方面所述的方法。

37、第五方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述任一方面所述的方法。

38、本技术提供的客流预测模型的训练方法、装置、电子设备和存储介质，获取训练样本，其中，所述训练样本包括：多个历史日期中各历史日期对应的历史客流量、各历史日期对应的特征值组合、目标日期对应的特征值组合、目标日期对应的实际客流量；将各历史日期对应的特征值组合以及所述目标日期对应的特征值组合输入到分类模块，确定各历史日期和所述目标日期中每一日期对应的类别；其中，每一日期对应的类别均是从预设的至少两个类别中选择的；将各个历史日期的历史客流量和目标日期的类别输入到客流确定模块，得到所述目标日期的预测客流量；其中，所述客流确定模块包括所述至少两个类别中各个类别对应的通道，每一类别对应的历史客流量用于输入到该类别对应的通道；根据所述目标日期的预测客流量和实际客流量，调整所述客流预测模型的参数，可以充分考虑各种影响因素对客流量的影响，同时捕捉到时间序列的趋势和周期性特征，从而提升客流量的预测准确度。