[0001] 本发明属于人流预测控制技术领域，尤其具体涉及一种景区人流控制系统及方法。

[0002] 据报道，2021年5月2日，安徽六安金寨天堂寨游客暴涨，超过交通运输承载能力，近万人下山途中滞留。不得不徒步前往游客中心，沿途道路拥挤。之后，售票处出现大量游客聚集高喊退票，直到晚上9点。这种旅游体验十分糟糕，且存在重大安全隐患。

[0003] 景区人流量数据不仅可以反映景区历史和当前的游客承载量和分布情况，同时还为管理者对未来决策提供数据支持，提高经营效率。而提前做出足够精确的人流预测数据和分析，可以帮助景区管理者进行合理控制规划提供重要参考，便于及时采取更具有针对性的一些措施和方案。而且，申请人注意到，发生人员滞留的时间点不是在5月1日当天，而是第二天。此外，即便同一天，不同时间点的人流情况也差异很大。经过申请人对大量数据的分析研究后发现，不同景区的旅客人数爆发量确实跟时间点具有重要关联，此外，天气因素、距离远近、疫情影响等等因素都是影响人流的重要因素。中国旅游业经过近几年的蓬勃发展，已经积累的海量的数据。

[0004] 为解决上述问题，申请人提出利用多维度数据结合人流预测模型对景区人流进行预测分析，利用所提出的深度神经网络，本申请所提出的神经网络模型对合理控制人流分布具有重要意义。

[0005] 本申请的有益效果如下：

[0006] 1.充分利用大数据多维度的特性，将之用于景区人流的预测，提升了预测的精度，克服了以往单一的指标预测，比如仅通过日期进行预测。在景区人流预测领域，属于首创，并非常规技术手段或公知常识。

[0007] 2、本申请在深度神经网络中利用长短期记忆网络LSTM(Long  Short‑Term Memory)的特点，能够更加准确的利用短期数据特征及长期数据特征应用于人流的准确预测，预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。在景区人流预测领域，属于首创。并非常规技术手段或公知常识。

[0008] 3.本申请还采用了余弦激励函数及正弦指数损失函数用于对整个深度神经网络的训练，极大提升了训练精度。在景区人流预测领域，属于首创。并非常规技术手段或公知常识。

[0044] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0045] 如图1所示，本发明本申请提出了一种景区人流控制系统，所述系统包括：

[0046] 信息采集模块，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；

[0047] 人流预测模块，用于将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；

[0048] 人流控制模块，根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。

[0049] 可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。

[0050] 可选的，所述日期信息具体包括年、月、日、星期几、小时。

[0051] 可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警‑景区联动平台，所述一设定阈值设定为1‑10公里，优选的，可以选择阈值为3公里。

[0052] 可选的，人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN，所述深度卷积神经网络DCNN包括：一个或多个卷积层、一个或多个池化层、一个或多个隐含层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数，记为f(),其中

[0053] 其中，θyi表示为样本i与其对应标签yi的向量夹角；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；

[0054] 可选的，所述深度卷积神经网络利用了正弦指数损失函数(Sine‑Index‑Softmax)增强人流预测的准确性；所述正弦指数损失函数为：

[0055] 其中，θyi表示为样本i与其对应标签yi的向量夹角，其中byi表示样本i在其标签yi处的偏差，bj表示输出节点j处的偏差；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重。

[0056] 人流预测模型的LSTM模块可以处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，因此人流预测模型的预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。通过这种方式，可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。

[0057] 类似的，本申请还提出了一种景区人流控制方法，所述方法包括：

[0058] 利用信息采集模块进行信息采集，所述信息包括日期信息、温度信息、天气信息、景区周边一设定阈值范围内的车流信息和人流信息；所述日期信息包括节假日及工作日的标识；

[0059] 利用人流预测模块进行人流预测，将所述信息采集模块获取的信息输入至经过训练的基于深度神经网络客的人流预测模型中，获得人流预测结果值；

[0060] 利用人流控制模块根据所述预测结果值做出预案准备，所述预案准备包括进行景区内车辆安排调度、人员安排调度、餐饮安排调度、限流安排调度。

[0061] 可选的，所述天气信息以独热编码的形式作为所述人流预测模型中的特征。

[0062] 可选的，所述日期信息具体包括年、月、日、星期几、小时。

[0063] 可选的，所述一设定阈值范围内的车流信息和人流信息来自与景区联动的交警‑景区联动平台，所述一设定阈值设定为3公里。

[0064] 可选的，人流预测模型包括长短期记忆网络LSTM、深度卷积神经网络DCNN，所述深度卷积神经网络DCNN包括：一个或多个卷积层、一个或多个池化层、一个或多个隐含层、全连接层；所述卷积层采用的卷积核大小为5*5或3*3；所述池化层为最大池化法进行计算；所述深度卷积神经网络DCNN采用的激励函数为余弦激励函数，记为f(),其中

[0065] 其中，θyi表示为样本i与其对应标签yi的向量夹角；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重；

[0066] 可选的，所述深度卷积神经网络利用了正弦指数损失函数(Sine‑Index‑Softmax)增强人流预测的准确性；所述正弦指数损失函数为：

[0067] 其中，θyi表示为样本i与其对应标签yi的向量夹角，其中byi表示样本i在其标签yi处的偏差，bj表示输出节点j处的偏差；所述N表示训练样本个数；所述wyi表示样本i在其标签yi处的权重。

[0068] 人流预测模型的LSTM模块可以处理人流在一个时间段内的多个时间点上的特征信息，捕捉多个时间点上的特征信息之间的时序信息，因此人流预测模型的预测结果可以是一个时间点的预测结果，或一个时间段内的不同时间点的预测值结果。通过这种方式，可以根据需要选择一个时间点的预测结果或者不同时间段内多个预测结果。

[0069] 本申请还对应提出了一种计算机存储介质，所述存储介质上存储有程序代码，所述代码用于实现上述任一种所述的方法。

[0070] 本申请还对应提出了一种计算机设备，所述设备包括处理器、存储器，所述存储器上存储有计算机指令，所述指令用于实现上述任一种所述的方法。

[0071] 在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

[0072] 本申请还提出一种计算机可读介质，上面包含可实现上述系统的程序代码，所包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0073] 以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。