本发明涉及大数据，尤其涉及一种公众聚集地人群位置预测方法、装置、设备及存储介质。
背景技术：
1、目前，公众聚集地人群位置预测机器学习模型，如回归模型、支持向量机，通过学习数据中的模式和关联性来进行预测，适用于复杂的非线性关系的建模，具有较好的泛化能力和预测精度。
2、在公众聚集地环境中，移动人群组的个数是不确定的，且不同群组或同一群组中对象出现时间并不完全一致。需要大量样本数据来进行训练，对数据的质量和标注、泛化性要求较高。例如试营业状态下的商超综合体的访客历史样本较少，影响模型搭建的及时性，并且各楼层环境之间差异大，需要长期的数据观测更新更是提高了时间成本，单一的机器学习模型可能容易过拟合或欠拟合，泛化能力有限。
技术实现思路
1、本发明的主要目的在于提供一种公众聚集地人群位置预测方法、装置、设备及存储介质，旨在解决现有的公众聚集地人群位置预测方式通过单一的机器学习模型可能容易过拟合或欠拟合，泛化能力有限的技术问题。
2、为实现上述目的，本发明提供一种公众聚集地人群位置预测方法，所述公众聚集地人群位置预测方法包括：
3、根据公众聚集地的信令数据通过核密度估计方式提取所述公众聚集地的热点区域；
4、基于所述公众聚集地的图像数据通过卷积神经网络提取所述公众聚集地的空间人群特征；
5、将所述热点区域的数据与所述空间人群特征进行特征融合，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果。
6、可选地，所述根据公众聚集地的信令数据通过核密度估计方式提取所述公众聚集地的热点区域，包括：
7、根据用户标识从公众聚集地的信令数据中筛选出所述用户标识对应的目标信令数据；
8、对所述目标信令数据中的信令位置信息进行数值转换；
9、对转换后的信令位置信息进行高斯核密度估计，获得估计结果；
10、生成网格表示所述公众聚集地，并根据所述估计结果计算所述网格中各个网格点的核密度估计值；
11、根据所述核密度估计值提取所述公众聚集地的热点区域。
12、可选地，所述对转换后的信令位置信息进行高斯核密度估计，获得估计结果，包括：
13、根据转换后的信令位置信息通过交叉验证法确定带宽参数，并根据所述带宽参数计算高斯核函数；
14、根据所述高斯核函数对转换后的信令位置信息进行高斯核密度估计，获得估计结果。
15、可选地，所述基于所述公众聚集地的图像数据通过卷积神经网络提取所述公众聚集地的空间人群特征，包括：
16、将所述公众聚集地的信令数据和图像数据共同输入卷积神经网络，获得人群图像的局部特征和全局特征；
17、根据所述局部特征和所述全局特征提取所述公众聚集地的空间人群特征。
18、可选地，所述将所述公众聚集地的信令数据和图像数据共同输入卷积神经网络，获得人群图像的局部特征和全局特征，包括：
19、根据所述公众聚集地的信令数据和图像数据通过卷积神经网络推理人群图像的密度特征；
20、根据所述信令数据和所述图像数据通过卷积神经网络推理所述人群图像的行为特征；
21、根据所述密度特征和所述行为特征确定所述人群图像的局部特征和全局特征。
22、可选地，所述将所述热点区域的数据与所述空间人群特征进行特征融合，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果，包括：
23、将所述热点区域的数据与所述空间人群特征按照热点区域编号进行匹配，并根据匹配结果构建融合后数据；
24、构建多层感知机模型，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果。
25、可选地，所述构建多层感知机模型，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果，包括：
26、构建多层感知机模型，并将融合后数据划分为训练集和测试集；
27、通过所述训练集对所述多层感知机模型，并通过所述测试集评估训练后多层感知机模型的性能；
28、在训练后多层感知机模型的性能满足预设性能要求后，将融合后数据输入训练后多层感知机模型，获得所述公众聚集地的人群位置预测结果。
29、此外，为实现上述目的，本发明还提出一种公众聚集地人群位置预测装置，所述公众聚集地人群位置预测装置包括：
30、区域提取模块，用于根据公众聚集地的信令数据通过核密度估计方式提取所述公众聚集地的热点区域；
31、特征提取模块，用于基于所述公众聚集地的图像数据通过卷积神经网络提取所述公众聚集地的空间人群特征；
32、位置预测模块，用于将所述热点区域的数据与所述空间人群特征进行特征融合，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果。
33、此外，为实现上述目的，本发明还提出一种公众聚集地人群位置预测设备，所述公众聚集地人群位置预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的公众聚集地人群位置预测程序，所述公众聚集地人群位置预测程序配置为实现如上文所述的公众聚集地人群位置预测方法。
34、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有公众聚集地人群位置预测程序，所述公众聚集地人群位置预测程序被处理器执行时实现如上文所述的公众聚集地人群位置预测方法。
35、在本发明中，公开了根据公众聚集地的信令数据通过核密度估计方式提取所述公众聚集地的热点区域，基于所述公众聚集地的图像数据通过卷积神经网络提取所述公众聚集地的空间人群特征，将所述热点区域的数据与所述空间人群特征进行特征融合，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果；由于本发明通过融合核密度估计、卷积神经网络以及多层感知机，利用各自的优势来提取热点区域、空间人群特征，并将它们有效地结合起来，以实现公众聚集地人群位置的预测，从而能够提升公共聚集地人群预测的准确性。
1.一种公众聚集地人群位置预测方法，其特征在于，所述公众聚集地人群位置预测方法包括：
2.如权利要求1所述的公众聚集地人群位置预测方法，其特征在于，所述根据公众聚集地的信令数据通过核密度估计方式提取所述公众聚集地的热点区域，包括：
3.如权利要求2所述的公众聚集地人群位置预测方法，其特征在于，所述对转换后的信令位置信息进行高斯核密度估计，获得估计结果，包括：
4.如权利要求1所述的公众聚集地人群位置预测方法，其特征在于，所述基于所述公众聚集地的图像数据通过卷积神经网络提取所述公众聚集地的空间人群特征，包括：
5.如权利要求4所述的公众聚集地人群位置预测方法，其特征在于，所述将所述公众聚集地的信令数据和图像数据共同输入卷积神经网络，获得人群图像的局部特征和全局特征，包括：
6.如权利要求1至5中任一项所述的公众聚集地人群位置预测方法，其特征在于，所述将所述热点区域的数据与所述空间人群特征进行特征融合，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果，包括：
7.如权利要求6所述的公众聚集地人群位置预测方法，其特征在于，所述构建多层感知机模型，并将融合后数据输入多层感知机模型，获得所述公众聚集地的人群位置预测结果，包括：
8.一种公众聚集地人群位置预测装置，其特征在于，所述公众聚集地人群位置预测装置包括：
9.一种公众聚集地人群位置预测设备，其特征在于，所述公众聚集地人群位置预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的公众聚集地人群位置预测程序，所述公众聚集地人群位置预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的公众聚集地人群位置预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有公众聚集地人群位置预测程序，所述公众聚集地人群位置预测程序被处理器执行时实现如权利要求1至7中任一项所述的公众聚集地人群位置预测方法。
