場所擁擠度預測模型建立、場所擁擠度預測方法和裝置與流程

2023-06-03 20:44:06

本發明實施例涉及信息處理技術，尤其涉及一種場所擁擠度預測模型建立、場所擁擠度預測方法和裝置。

背景技術：

隨著近年來智慧型手機、平板等智能終端設備和4G等高速無線網絡的普及，移動應用爆發式增長。全球目前4G用戶超過10億，全國3G及4G用戶總數近8億，觸手可及的移動寬帶，讓人們習慣使用移動應用提供的社交、餐飲以及娛樂等各類服務。而GPS定位技術及蜂窩定位技術的成熟和普及讓LBS(Location-Based Service，基於位置的服務)被使用到了各類移動應用中。

雖然LBS技術發展迅速，但人們常常因為不知道某個地方有多少人而束手無策。最為典型的就是醫療方面，需要就診的患者在到達醫院之前並不能得知醫院現在有多少人在排隊，不知道自己去了之後等待多久才能就醫，更不用說知道多久才能看完。這對佔著看病人數中絕大多數的輕微病、常見病患者來說是非常痛苦的。人們常常為了開到幾樣自己都知道名字的處方藥而浪費一個上午甚至一整天。而對於一些雖然是常見病但卻是急性病，例如急性腸胃炎等，的患者來說，長時間的等待更加是不能忍受的。

與此同時，各大三甲醫院的門診、急診卻因為需要診斷大量例如醉酒、感冒等常見病患者而無法更好的服務重病患者及疑難雜症病患。優質稀缺醫療資源被大量浪費，使得真正有需要的人們耽誤了寶貴的就醫時間。

技術實現要素：

有鑑於此，本發明實施例提供了一種場所擁擠度預測模型建立、場所擁擠度預測方法和裝置，以使用戶能夠對一個場所的擁擠度情況進行預判，進而提高用戶的出行效率。

第一方面，本發明實施例提供了一種場所擁擠度預測模型建立方法，包括：

在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據；

根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型。

第二方面，本發明實施例提供了一種場所擁擠度預測方法，包括：

將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中；

其中，所述場所擁擠度預測模型由與目標場所對應的流動人員的用戶定位數據確定的逗留時間參數訓練標準時間預測模型生成；

將所述場所擁擠度預測模型的輸出結果提供給用戶，其中，所述輸出結果包括：不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量的預測值。

第三方面，本發明實施例還提供了一種場所擁擠度預測模型建立裝置，包括：

目標用戶定位數據獲取模塊，用於在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據；

擁擠度預測模型生成模塊，用於根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型。

第四方面，本發明實施例還提供了一種場所擁擠度預測裝置，包括：

樣本輸入模塊，用於將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中；

其中，所述場所擁擠度預測模型由與目標場所對應的流動人員的用戶定位數據確定的逗留時間參數訓練標準時間預測模型生成；

預測結果提供模塊，用於將所述場所擁擠度預測模型的輸出結果提供給用戶，其中，所述輸出結果包括：不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量的預測值。

本發明實施例在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據，根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型；將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中，將所述場所擁擠度預測模型的輸出結果提供給用戶，可以實現在大量的定位數據中篩選有用數據對一個場所的擁擠度情況進行建模，進而可以根據建立的場所擁擠度預測模型實現對不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量進行預測，以使用戶基於預測結果對一個場所的擁擠度情況進行預判，進而可以提高用戶的出行效率，減少用戶在目標場所中的無效等待時間。

附圖說明

圖1是本發明實施例一提供的一種場所擁擠度預測模型建立方法的流程圖；

圖2是本發明實施例二提供的一種場所擁擠度預測模型建立方法的流程圖；

圖3是本發明實施例三提供的一種場所擁擠度預測模型建立方法的流程圖；

圖4a是本發明實施例四提供的一種場所擁擠度預測方法的流程圖；

圖4b是本發明實施例四提供的一種擁擠度預測曲線的示意圖；

圖5是本發明實施例五提供的一種場所擁擠度預測模型建立裝置的結構圖；

圖6是本發明實施例六提供的一種場所擁擠度預測裝置的結構圖。

具體實施方式

為了使本發明的目的、技術方案和優點更加清楚，下面結合附圖對本發明具體實施例作進一步的詳細描述。可以理解的是，此處所描述的具體實施例僅僅用於解釋本發明，而非對本發明的限定。

另外還需要說明的是，為了便於描述，附圖中僅示出了與本發明相關的部分而非全部內容。在更加詳細地討論示例性實施例之前應當提到的是，一些示例性實施例被描述成作為流程圖描繪的處理或方法。雖然流程圖將各項操作(或步驟)描述成順序的處理，但是其中的許多操作可以被並行地、並發地或者同時實施。此外，各項操作的順序可以被重新安排。當其操作完成時所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對應於方法、函數、規程、子例程、子程序等等。

實施例一

圖1為本發明實施例一提供的一種場所擁擠度預測模型建立方法的流程圖，本實施例的方法可以由場所擁擠度預測模型建立裝置來執行，該裝置可通過硬體和/或軟體的方式實現，並一般可集成於用於實現場所擁擠度預測模型建立功能的伺服器中。本實施例的方法具體包括：

110、在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據。

在本實施例中，所述目標場所具體是指用戶體驗與場所內的人員數量(或者說擁擠度)密切相關的公共場所。例如，醫院、商場、遊樂場、車站、銀行或者體育場等場所。

其中，所述目標場所定位數據具體是指獲取的各用戶定位請求數據中，定位結果位於所述目標場所內部的定位數據。

一般來說，當用戶通過智能終端使用各種導航或定位軟體時，這些導航或定位軟體會每隔一段時間(例如：5分鐘或者10分鐘等)，向其所關聯的導航伺服器發送定位請求，伺服器會基於該定位請求返回用戶的實時定位結果，以確定用戶的實時位置。

所述用戶定位請求數據具體是指伺服器基於定位請求返回的，記錄有用戶的定位結果的數據。典型的，可以在導航或者定位伺服器中收集各種用戶定位請求數據，通過將用戶定位請求數據中的定位結果數據與目標場所的所在的地理位置信息進行匹配，以獲取所述目標場所定位數據。

典型的，用戶定位請求數據中可以包括：用戶標識、定位結果以及定位時間等信息。

需要再次強調的是：如背景技術所述，雖然隨著LBS技術的迅速發展，網絡中存在著大量的用戶定位請求數據，但是人們卻無法根據這些用戶定位請求數據來對一個場所中的擁擠度情況進行預測。在本申請中，創造性的提出了：基於網絡中存在的這些用戶定位請求數據，實現對一個目標場所的擁擠度情況進行預測。

其中，預測場所的擁擠度情況主要表現在對一個時間點或者一個時間段內該場所中可能出現的人員的數量值進行預測，通過對場所的擁擠度情況進行預測，可以實現對用戶的出行規划進行指導的作用。例如，用戶由於感冒想到醫院就醫，很多醫院都可以滿足用戶的這一就醫需求，如果存在針對各個不同醫院的擁擠度預測模型，用戶就可以規避掉擁擠度比較高的醫院而直接選擇到擁擠度較低的醫院進行就醫，進而可以減少用戶的排隊等待時間，提高用戶的出行效率，這也是本發明所能解決的主要技術問題。

一般來說，一個場所中每天出現的人員中主要包括：流動人員以及常駐人員。典型的，醫院中每天出現的人員中主要包括：門急診患者、醫院職工以及住院患者。商場中每天出現的人員主要包括：顧客、商場工作人員以及商場售貨員等。其中，門急診患者以及顧客為流動人員，醫院職工、住院患者、商場工作人員以及商場售貨員為常駐人員。

可以理解的是，一個場所中的擁擠度主要是通過這個場所中的流動人員體現的，也即：醫院中的門急診患者以及商場中的顧客等。

相應的，在本實施例中，在獲取目標場所定位數據後，繼續篩選該目標場所定位數據中與流動人員對應的目標用戶定位數據。

一般來說，定位數據中除了包括定位結果之外，還包括有智能終端用戶的用戶標識(典型的，智能終端的設備標識，或者用戶在導航或定位軟體中註冊的用戶名等)，相應的，可以通過人為標註的方式，獲取所述目標用戶定位數據。例如，在獲取目標場所定位數據之後，羅列與各目標場所定位數據對應的用戶標識，在這些用戶標識中，篩除出常駐人員(例如，醫院中的職工或者商場中的工作人員等)的用戶標識之後，即可確定與剩餘用戶標識對應的目標場所定位數據為與流動人員對應的目標用戶定位數據。

還可以通過提取目標場所定位數據中，與同一目標用戶標識對應的全部定位數據，根據該定位數據的數據特徵，獲取目標用戶在目標場所中的駐留時間，並根據該駐留時間，確定目標用戶具體為流動人員還是駐留人員。

120、根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型。

如前所述，一個場所中的流動人員最能反映這個場所的擁擠度情況。相應的，在獲取與流動人員對應的目標用戶定位數據之後，通過對目標用戶定位數據進行分析處理，可以確定與各流動人員對應的逗留時間參數。

其中，所述逗留時間參數可以包括：設定時間單元(典型的，天)下的逗留時間，到達時間以及離開時間等可以反映流動人員在目標場所中的駐留情況的參數，本實施例對此並不進行限制。

在本實施例中，所述標準時間預測模型可以為任何可以對時間進行預測的基礎模型，典型的，深層神經網絡模型，例如，LSTM(Long-Short Term Memory，長短時記憶)模型，或者回歸模型，例如，回歸樹模型等，本實施例對此並不進行限制。

本發明實施例在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據，根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型；將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中，將所述場所擁擠度預測模型的輸出結果提供給用戶，可以實現在大量的定位數據中篩選有用數據對一個場所的擁擠度情況進行建模，進而可以根據建立的場所擁擠度預測模型實現對不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量進行預測，以使用戶基於預測結果對一個場所的擁擠度情況進行預判，進而可以提高用戶的出行效率，減少用戶在目標場所中的無效等待時間。

在上述實施例的基礎上，在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據之前，還優選可以包括：

獲取至少兩個用戶的歷史定位請求數據中包括的定位點的地理位置信息；獲取地理位置信息位於所述目標場所的地理位置範圍內的歷史定位請求數據作為所述目標場所定位數據。

一般來說，能夠用擁擠度來衡量的場所多為多邊形可描述場所，也即，可以通過地理位置範圍來描述的場所。在一個具體例子中，「XX體育場」為一個正四邊形，通過獲取該正四邊形中各個頂點的經緯度坐標，即可通過經緯度坐標範圍來描述該體育場的地理位置範圍。

在獲取一個目標場所的地理位置範圍後，可以將多個用戶的歷史定位請求數據中包括的地理位置信息(也即，定位結果)與該地理位置範圍進行匹配，將地理位置信息位於所述目標場所的地理位置範圍內的歷史定位請求數據作為所述目標場所定位數據。這樣設置的好處是：可以簡單、高效的獲取與一個目標場所對應的全部目標場所定位數據。

實施例二

圖2是本發明實施例二提供的一種場所擁擠度預測模型建立方法的流程圖。本實施例以上述實施例為基礎進行優化，在本實施例中，將在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據具體優化為：將所述目標場所定位數據按照用戶標識進行分類，獲取與不同用戶分別對應的用戶定位數據；將與各用戶分別對應的用戶定位數據，劃分為不同時間單元下的用戶區間定位數據；根據所述用戶區間定位數據，確定各用戶在不同時間單元下，在所述目標場所中的逗留時間；根據所述逗留時間識別所述用戶中的流動人員，並獲取與所述流動人員對應的目標用戶定位數據；以及

將根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型具體優化為：將所述目標場所下，與各所述流動人員分別對應的不同時間單元下的逗留時間作為訓練樣本；將各訓練樣本分別輸入至所述標準時間預測模型中進行訓練；將訓練結束後的所述標準時間預測模型，作為與所述目標場所對應的擁擠度預測模型。

相應的，本實施例的方法具體包括：

210、獲取至少兩個用戶的歷史定位請求數據中包括的定位點的地理位置信息。

220、獲取地理位置信息位於所述目標場所的地理位置範圍內的歷史定位請求數據作為所述目標場所定位數據。

230、將所述目標場所定位數據按照用戶標識進行分類，獲取與不同用戶分別對應的用戶定位數據。

在本實施例中，為了獲取與流動人員對應的目標用戶定位數據，在獲取與目標場所對應的目標場所定位數據之後，首先需要按照用戶標識，對所述目標場所定位數據進行分類。

在一個具體例子中，目標場所定位數據包括：

定位數據1：{用戶標識：0001，定位結果：(39.089，116.70)，定位時間：20160628.10:04:06}；

定位數據2：{用戶標識：0002，定位結果：(39.089，116.70)，定位時間：20160628.07:38:31}；

定位數據3：{用戶標識：0003，定位結果：(39.089，116.70)，定位時間：20160628.13:32:17}；以及

定位數據4：{用戶標識：0002，定位結果：(39.089，116.70)，定位時間：20160328.16:10:07}。

基於上述目標場所定位數據中包括的不同的用戶標識，可以獲取與不同用戶分別對應的用戶定位數據：用戶標識0001{定位數據1}、用戶標識0002{定位數據2，定位數據4}以及用戶標識0003{定位數據3}。

240、將與各用戶分別對應的用戶定位數據，劃分為不同時間單元下的用戶區間定位數據。

在本實施例中，所述時間單元可以根據實際情況進行預設，優選的，可以將「周」、「天」或者「小時」等單位，作為所述時間單元。進而可以生成與同一用戶對應的，不同時間單元下的用戶區間定位數據。

在一個具體的例子中，將時間單元設置為「天」，與用戶0001對應的用戶定位數據可以劃分為：20160616{定位數據A、定位數據B、…定位數據N}；20160617{定位數據C、定位數據D、…定位數據M}；以及20160618{定位數據E、定位數據F、…定位數據P}。

250、根據所述用戶區間定位數據，確定各用戶在不同時間單元下，在所述目標場所中的逗留時間。

如前所述，通過分析與同一用戶對應的用戶區間定位數據，可以獲取用戶在不同時間單元下，在所述目標場所中的逗留時間。

其中，可以在一個目標用戶一個時間單元下(例如：20160628，2016年06月28日)的用戶區間定位數據中，獲取最早的一個定位時間作為用戶到達所述目標場所的抵達時間點，獲取最晚的一個定位時間作為用戶離開所述目標場所的離開時間點，將離開時間點與抵達時間點之差，作為該目標用戶在該時間單元下的逗留時間。

其中，上述方法的優點在於實現簡單，計算量小；缺點在於誤差較大。例如，用戶可能在早上很早進入了目標場所，但是因為一定的原因很快的離開了該目標場所，最後又在晚上很晚的時候再次進入了該目標場所，最後雖然計算得到用戶的逗留時間很長，但是實際上用戶僅僅逗留了很短的一段時間。

進一步的，還可以設定一個置信度衰減規則，根據離開置信度衰減規則以及一個目標用戶一個時間單元下的各定位時間點，獲取所述離開置信度衰減至設定衰減值時的標誌時間點；根據所述標誌時間點，逆推所述目標用戶離開所述目標場所的離開時間點；根據所述定位時間點，獲取與所述離開時間點對應的所述目標用戶抵達所述目標場所的抵達時間點；根據所述抵達時間點以及所述離開時間點，確定所述目標用戶在所述目標時間單元下，在所述目標場所的逗留時間。

260、根據所述逗留時間識別所述用戶中的流動人員，並獲取與所述流動人員對應的目標用戶定位數據。

在本實施例中，為了在大量用戶中篩選出流動人員，可以根據各用戶在不同時間單元下(典型的，天)下的逗留時間的特點，識別用戶中的流動人員。

在本實施例的一個優選的實施方式中，根據所述逗留時間識別所述用戶中的流動人員可以包括：

根據各用戶在不同時間單元下，在所述目標場所中的逗留時間，繪製與各用戶對應的逗留時間曲線；根據與各用戶對應的逗留時間曲線的曲線特徵，篩除所述用戶中的誤定位人員以及常駐人員；將篩除處理後的用戶作為所述流動人員。

一般來說，由於定位結果具有一定的誤差，所以有很大的可能性將一個用戶誤定位至目標場所中，例如，將一個從「XX醫院」外面經過的用戶誤定位至該醫院中的情況。如果將這些誤定位人員的定位數據參與構建目標場所擁擠度預測模型，最終所構建模型的預測結果肯定是不準確的，因此，需要將這些誤定位人員去除。其中，考慮到這些誤定位人員的定位數據僅會在一個或者幾個孤立的時間單元下出現，且與誤定位人員對應的逗留時間一般較短。因此，通過逗留時間曲線可以很容易的將這些誤定位人員篩選出來；

相類似的，一個目標場所中一定會具有一定的常駐人員，例如，醫院職工或者醫院中的住院患者等，這些常駐人員的逗留時間曲線則會有一定的特點，例如：醫院職工的駐留特點是：在工作日的早上八點出現，駐留至下午6點；住院患者的駐留特點是：在一個設定時間區間內，24小時駐留。因此，通過逗留時間曲線可以相應的將這些常駐人員篩選出來。

在篩選出誤定位人員以及常駐人員這些有明顯駐留特點的用戶後，可以進而將剩下的用戶識別為流動人員。

270、將所述目標場所下，與各所述流動人員分別對應的不同時間單元下的逗留時間作為訓練樣本。

在本實施例中，考慮到最終訓練生成擁擠度預測模型的目的就是為了對目標場所在一個時間點或者一段時間內的流動人員的數量進行預測。因此，可以將與各所述流動人員分別對應的不同時間單元下的逗留時間作為訓練樣本對所述標準時間預測模型中進行訓練。

280、將各訓練樣本分別輸入至所述標準時間預測模型中進行訓練。

290、將訓練結束後的所述標準時間預測模型，作為與所述目標場所對應的擁擠度預測模型。

本實施例的技術方案通過將所述目標場所定位數據按照用戶標識進行分類，獲取與不同用戶分別對應的用戶定位數據；將與各用戶分別對應的用戶定位數據，劃分為不同時間單元下的用戶區間定位數據；根據所述用戶區間定位數據，確定各用戶在不同時間單元下，在所述目標場所中的逗留時間；根據所述逗留時間的特點識別所述用戶中的流動人員的技術手段，實現了僅僅根據目標場所定位數據的數據特點，無需再引入其他的數據源，即可快速篩選出與流動人員對應的目標用戶定位數據的效果，充分挖掘了定位數據中包括的有用信息，並最終根據與目標場所的流動人員對應的逗留時間參數，訓練出目標場所對應的擁擠度預測模型，進而可以根據建立的擁擠度預測模型實現對不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量進行預測，以使用戶基於預測結果對一個場所的擁擠度情況進行預判，進而可以提高用戶的出行效率，減少用戶在目標場所中的無效等待時間。

實施例三

圖3是本發明實施例三提供的一種場所擁擠度預測模型建立方法的流程圖。本實施例以上述實施例為基礎進行優化，在本實施例中，將根據所述用戶區間定位數據，確定各用戶在不同時間單元下，在所述目標場所中的逗留時間具體優化為：獲取目標用戶在目標時間單元下的區間定位數據作為當前處理定位數據；根據離開置信度衰減規則以及所述當前處理定位數據中的各定位時間點，獲取所述離開置信度衰減至設定衰減值時的標誌時間點；根據所述標誌時間點，逆推所述目標用戶離開所述目標場所的離開時間點；根據所述定位時間點，獲取與所述離開時間點對應的所述目標用戶抵達所述目標場所的抵達時間點；根據所述抵達時間點以及所述離開時間點，確定所述目標用戶在所述目標時間單元下，在所述目標場所的逗留時間；以及

將根據所述逗留時間識別所述用戶中的流動人員具體優化為：根據各用戶在不同時間單元下，在所述目標場所中的逗留時間，繪製與各用戶對應的逗留時間曲線；根據與各用戶對應的逗留時間曲線的曲線特徵，篩除所述用戶中的誤定位人員以及常駐人員；將篩除處理後的用戶作為所述流動人員；以及

將所述目標場所具體優化為醫院，將所述流動人員具體優化為門急診患者。

相應的，本實施例的方法具體包括：

310、將醫院定位數據按照用戶標識進行分類，獲取與不同用戶分別對應的用戶定位數據。

320、將與各用戶分別對應的用戶定位數據，劃分為不同時間單元下的用戶區間定位數據。

330、依次獲取一個用戶作為目標用戶。

340、獲取目標用戶在目標時間單元下的區間定位數據作為當前處理定位數據。

350、根據離開置信度衰減規則以及所述當前處理定位數據中的各定位時間點，獲取所述離開置信度衰減至設定衰減值時的標誌時間點。

在本實施例中，用戶在醫院中可能不會頻繁的使用智能終端，如果用戶長時間不使用智能終端，則用戶定位數據很可能長時間消失，使得定位噪音很大。為了有效的降低噪音，保證最終計算得到的逗留時間的準確度，引入了離開置信度衰減規則的概念。離開置信度規則的核心思想是：在規定時間長度內若沒有檢測到用戶定位數據，則降低其在醫院的可能性，直到超過某個時間長度時認為此用戶已經離開醫院。

在一個具體的例子中，針對一個目標用戶在20160628這個時間單元下的各定位時間點，首先在第一個定位時間點下，分配一個取值為1的離開置信度，並規定在10分鐘之內，如果沒有檢測到後續的定位時間點，則該離開置信度衰減0.1；如果檢測到後續的定位時間點，則將離開置信度重新調整至1；以及當離開置信度衰減至0.2時，則確定用戶已經離開醫院。

進而，可以在所述各定位時間點，獲取所述離開置信度衰減至設定衰減值時的一個或者多個標誌時間點。

360、根據所述標誌時間點，逆推所述目標用戶離開所述醫院的離開時間點。

如前例所述，離開置信度從1衰減到0.2需要80分鐘，如果該標誌時間點為11:23，則可以逆推11:23的80分鐘、70分鐘或者60分鐘之前的時間點作為所述目標用戶離開所述醫院的離開時間點(即：10:03、10:13以及10:23)。

其中，所述離開置信度衰減至設定衰減值時所需的時間區間，可以與逆推時所使用的時間區間相同，也可以為逆推時所使用的時間區間的倍數，本實施例對此並不進行限制。

370、根據所述定位時間點，獲取與所述離開時間點對應的所述目標用戶抵達所述醫院的抵達時間點。

在獲取至少一個離開時間點之後，獲取所述定位時間點中，位於所述離開時間點之前的，與所述離開時間點最接近的一個時間點作為所述目標用戶抵達所述醫院的抵達時間點。

380、根據所述抵達時間點以及所述離開時間點，確定所述目標用戶在所述目標時間單元下，在所述目標場所的逗留時間。

在本實施例中，如果僅包含一組抵達時間點以及離開時間點，則可以直接將離開時間點與抵達時間點的差值作為所述目標用戶在所述目標時間單元下，在所述目標場所的逗留時間；

如果包括至少兩組抵達時間點以及離開時間點，則可以分別計算各組的逗留時間，並將最終計算得到的逗留時間之和，作為所述目標用戶在所述目標時間單元下，在所述目標場所的逗留時間。

在獲取目標用戶在目標時間單元下，在所述目標場所的逗留時間之後，可以進而獲取該目標用戶在不同時間單元下，在所述目標場所的逗留時間；進而可以獲取不同用戶在不同時間單元下，在所述目標場所的逗留時間。

390、判斷是否完成對全部用戶的處理：若是，執行3100；否則，返回執行330。

3100、根據所述逗留時間識別所述用戶中的門急診患者，並獲取與所述門急診患者對應的目標用戶定位數據。

在本實施例中，可以根據不同用戶在不同時間單元下，在所述目標場所的逗留時間，繪製與不同用戶對應的逗留時間曲線，進而通過分析逗留時間曲線的特點，篩除所述用戶中的醫院職工以及住院患者，進而可以獲取與門急診患者對應的目標用戶定位數據。

3110、根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述醫院對應的擁擠度預測模型。

在本實施例中，可以針對不同醫院訓練不同的擁擠度預測模型，也可以針對不同醫院訓練一個擁擠度預測模型。

其中，如果針對不同醫院訓練一個擁擠度預測模型，則可以同時將醫院標識(典型的，醫院名稱)、與醫院標識對應的逗留時間參數作為訓練樣本，對同樣的標準時間預測模型進行訓練，在該標準時間預測模型內部生成與各個醫院分別對應的預測模型，進而可以生成一個可以對不同醫院的擁擠度情況進行預測的擁擠度預測模型。

本實施例的技術方案通過在與醫院對應的醫院定位數據中，獲取與門急診患者對應的門急診患者定位數據；根據由門急診患者定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與醫院對應的擁擠度預測模型的技術手段，可以實現將LBS服務商掌握的大量定位數據以醫院擁擠度預測模型的方式提供給廣大患者，使得患者可以基於該醫院擁擠度預測模型獲取某個時間點或者某個時間段內各個醫院中的擁擠度情況，進而可以幫助輕微病、常見病患者選擇快速就醫渠道，同時分流高級別醫院病患。

同時，本實施例的技術方案在計算用戶逗留時間的過程中，引入了離開置信度衰減規則的概念，有效的降低噪音，保證最終計算得到的逗留時間的準確度，保證了流動人員的識別準確性，進一步提高了最終建立的醫院擁擠度預測模型的預測準確性。

實施例四

圖4a為本發明實施例四提供的一種場所擁擠度預測方法的流程圖，本實施例的方法可以由場所擁擠度預測裝置來執行，該裝置可通過硬體和/或軟體的方式實現，並一般可集成於用於實現場所擁擠度預測功能的伺服器中，本實施例的方法具體包括：

410、將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中。

其中，所述場所擁擠度預測模型由與目標場所對應的流動人員的用戶定位數據確定的逗留時間參數訓練標準時間預測模型生成。

在本實施例中，所述場所擁擠度預測模型具體可以為通過實施例一至實施例三的方法訓練生成的場所擁擠度預測模型。

當需要對一個預測時間點或者說一個預測時間區間內目標場所的流動人員的數量值進行預測時，可以獲取預測時間點之前的設定時間區間內(例如，一個月或者兩個月等)，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中。

420、將所述場所擁擠度預測模型的輸出結果提供給用戶，其中，所述輸出結果包括：不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量的預測值。

在一個具體的例子中，如果場所擁擠度預測模型中可以對不同醫院的擁擠度情況進行預測，則該場所擁擠度預測模型的輸出結果可以包括：一個醫院名稱、各預測時間點、逗留時間範圍以及在各預測時間點進入該醫院的該逗留時間範圍的用戶數量的預測值。

其中，在獲取場所擁擠度預測模型的輸出結果後，為了用戶便於觀察，可以將輸出結果以擁擠度預測曲線的方式，直觀的提供給用戶。

其中，在圖4b中示出了本發明實施例四提供的一種擁擠度預測曲線的示意圖。該擁擠度預測曲線的橫軸為時間，縱軸為流動人員數量的預測值。如圖4b所示，可以以每兩個小時為時段進行展示，也就是分別獲取在醫院分別停留0～2小時、2～4小時、4～6小時以及超過6小時的流動人員的數量的預測結果後，合併預測結果進行展示。

仍以醫院作為目標場所為例，通過該場所擁擠度預測模型，可以根據各個醫院中流動人員的歷史逗留時間，預測各個醫院在未來24小時的擁擠度、就醫時間曲線。用戶可以查看各個醫院過去一段時間的統計數據及未來24小時的預測數據，使用戶可以根據自己病情做出合理選擇。

本實施例的技術方案通過將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至預先建立的場所擁擠度預測模型中，將所述場所擁擠度預測模型的輸出結果提供給用戶，可以根據建立的場所擁擠度預測模型實現對不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量進行預測，以使用戶基於預測結果對一個場所的擁擠度情況進行預判，進而可以提高用戶的出行效率，減少用戶在目標場所中的無效等待時間。

實施例五

圖5是本發明實施例五提供的一種場所擁擠度預測模型建立裝置的結構圖。如圖5所示，所述裝置包括：目標用戶定位數據獲取模塊51以及擁擠度預測模型生成模塊52。

目標用戶定位數據獲取模塊51，用於在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據。

擁擠度預測模型生成模塊52，用於根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型。

本發明實施例在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據，根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型；將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中，將所述場所擁擠度預測模型的輸出結果提供給用戶，可以實現在大量的定位數據中篩選有用數據對一個場所的擁擠度情況進行建模，進而可以根據建立的場所擁擠度預測模型實現對不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量進行預測，以使用戶基於預測結果對一個場所的擁擠度情況進行預判，進而可以提高用戶的出行效率，減少用戶在目標場所中的無效等待時間。

在上述各實施例的基礎上，在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據之前，還可以包括：

獲取至少兩個用戶的歷史定位請求數據中包括的定位點的地理位置信息；

獲取地理位置信息位於所述目標場所的地理位置範圍內的歷史定位請求數據作為所述目標場所定位數據。

在上述各實施例的基礎上，在與目標場所對應的目標場所定位數據中，獲取與流動人員對應的目標用戶定位數據可以包括：

將所述目標場所定位數據按照用戶標識進行分類，獲取與不同用戶分別對應的用戶定位數據；

將與各用戶分別對應的用戶定位數據，劃分為不同時間單元下的用戶區間定位數據；

根據所述用戶區間定位數據，確定各用戶在不同時間單元下，在所述目標場所中的逗留時間；

根據所述逗留時間識別所述用戶中的流動人員，並獲取與所述流動人員對應的目標用戶定位數據。

在上述各實施例的基礎上，根據所述用戶區間定位數據，確定各用戶在不同時間單元下，在所述目標場所中的逗留時間可以包括：

獲取目標用戶在目標時間單元下的區間定位數據作為當前處理定位數據；

根據離開置信度衰減規則以及所述當前處理定位數據中的各定位時間點，獲取所述離開置信度衰減至設定衰減值時的標誌時間點；

根據所述標誌時間點，逆推所述目標用戶離開所述目標場所的離開時間點；

根據所述定位時間點，獲取與所述離開時間點對應的所述目標用戶抵達所述目標場所的抵達時間點；

根據所述抵達時間點以及所述離開時間點，確定所述目標用戶在所述目標時間單元下，在所述目標場所的逗留時間。

在上述各實施例的基礎上，根據所述逗留時間識別所述用戶中的流動人員可以包括：

根據各用戶在不同時間單元下，在所述目標場所中的逗留時間，繪製與各用戶對應的逗留時間曲線；

根據與各用戶對應的逗留時間曲線的曲線特徵，篩除所述用戶中的誤定位人員以及常駐人員；

將篩除處理後的用戶作為所述流動人員。

在上述各實施例的基礎上，根據由所述目標用戶定位數據確定的逗留時間參數，對標準時間預測模型進行訓練，生成與所述目標場所對應的擁擠度預測模型可以包括：

將所述目標場所下，與各所述流動人員分別對應的不同時間單元下的逗留時間作為訓練樣本；

將各訓練樣本分別輸入至所述標準時間預測模型中進行訓練；

將訓練結束後的所述標準時間預測模型，作為與所述目標場所對應的擁擠度預測模型。

在上述各實施例的基礎上，所述目標場所可以包括醫院，所述流動人員可以包括門急診患者。

本發明實施例所提供的場所擁擠度預測模型建立裝置可用於執行本發明實施例一至實施例三提供的場所擁擠度預測模型建立方法，具備相應的功能模塊，實現相同的有益效果。

實施例六

圖6是本發明實施例六提供的一種場所擁擠度預測裝置的結構圖。如圖6所示，所述裝置包括：樣本輸入模塊61以及預測結果提供模塊62。

樣本輸入模塊61，用於將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至場所擁擠度預測模型中。

其中，所述場所擁擠度預測模型由與目標場所對應的流動人員的用戶定位數據確定的逗留時間參數訓練標準時間預測模型生成。

預測結果提供模塊62，用於將所述場所擁擠度預測模型的輸出結果提供給用戶，其中，所述輸出結果包括：不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量的預測值。

本實施例的技術方案通過將目標場所在設定時間區間內，與各流動人員分別對應的不同時間單元下的逗留時間作為輸入樣本輸入至預先建立的場所擁擠度預測模型中，將所述場所擁擠度預測模型的輸出結果提供給用戶，可以根據建立的場所擁擠度預測模型實現對不同預測時間點進入所述目標場所的不同逗留時間範圍的流動人員數量進行預測，以使用戶基於預測結果對一個場所的擁擠度情況進行預判，進而可以提高用戶的出行效率，減少用戶在目標場所中的無效等待時間。

本發明實施例所提供的場所擁擠度預測裝置可用於執行本發明實施例四提供的場所擁擠度預測方法，具備相應的功能模塊，實現相同的有益效果。

顯然，本領域技術人員應該明白，上述的本發明的各模塊或各步驟可以通過如上所述的伺服器實施。可選地，本發明實施例可以用計算機裝置可執行的程序來實現，從而可以將它們存儲在存儲裝置中由處理器來執行，所述的程序可以存儲於一種計算機可讀存儲介質中，上述提到的存儲介質可以是只讀存儲器，磁碟或光碟等；或者將它們分別製作成各個集成電路模塊，或者將它們中的多個模塊或步驟製作成單個集成電路模塊來實現。這樣，本發明不限制於任何特定的硬體和軟體的結合。

以上所述僅為本發明的優選實施例，並不用於限制本發明，對於本領域技術人員而言，本發明可以有各種改動和變化。凡在本發明的精神和原理之內所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。