一种排队时间预测方法、装置、设备及存储介质与流程

[0001]
本申请涉及信息预测技术领域，尤其涉及一种排队时间预测方法、装置、设备及存储介质。


背景技术：

[0002]
在某些具有服务位置的场所，为了能够帮助服务方有计划地进行人手调配，以提高服务质量，通常需要对各服务位置的排队时间进行预测。
[0003]
目前，对排队时间进行预测的方案为单点预测方案，即预先为每个服务位置建立预测模型，以得到各服务位置分别对应的预测模型，在进行预测时，对于任一服务位置，基于该服务位置对应的预测模型对该服务位置的排队时间进行预测。
[0004]
然而，通过实际应用发现，单点预测方案的预测准确度不高，即预测效果不佳。


技术实现要素：

[0005]
有鉴于此，本申请提供了一种排队时间预测方法、装置、设备及存储介质，用以提升排队时间的预测准确度，其技术方案如下：
[0006]
一种排队时间预测方法，包括：
[0007]
基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，作为所述目标时间段对应的历史人流量；
[0008]
将所述目标时间段对应的历史人流量、所述指定场所对应的有向图输入预先建立的人流量预测模型，获得所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，其中，所述人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考所述指定场所对应的有向图训练得到，所述指定场所对应的有向图能够反映所述指定场所中每个服务位置与其它服务位置的连通性和指向性；
[0009]
基于所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，确定所述指定场所中各服务位置在所述目标时间段分别对应的排队时间。
[0010]
可选的，所述基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，包括：
[0011]
针对所述指定场所中的每个服务位置，基于所述目标时间段获取该服务位置分别在临近时间序列、日时间序列和周时间序列的人流量，作为该服务位置对应的历史人流量，以得到所述指定场所中各服务位置分别对应的历史人流量；
[0012]
其中，所述临近时间序列包括所述目标时间段之前、且与所述目标时间段的间隔小于预设时间间隔的m个时间段，所述日时间序列包括所述目标时间段之前的n天中与所述目标时间段相同的时间段，所述周时间序列包括所述目标时间段之前的k周中与所述目标时间段相同的时间段，m、n和k均为大于或等于1的整数。
[0013]
可选的，所述将所述目标时间段对应的历史人流量、所述指定场所对应的有向图
输入预先建立的人流量预测模型，获得所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，包括：
[0014]
将所述目标时间段对应的历史人流量和所述指定场所对应的有向图输入所述人流量预测模型的特征提取模块，得到所述特征提取模块输出的目标特征，其中，对于所述指定场所中的每个服务位置，所述目标特征能够表征所述指定场所中与该服务位置连通的其它位置的人流量对该位置处人流量的影响，以及，该服务位置分别在所述临近时间序列、所述日时间序列和所述周时间序列的人流量对该服务位置在所述目标时间段的人流量的影响；
[0015]
将所述目标特征输入所述人流量预测模型的目标人流量确定模块，得到所述目标人流量确定模块输出的、所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量。
[0016]
可选的，所述将所述目标时间段对应的历史人流量和所述指定场所对应的有向图输入所述人流量预测模型的特征提取模块，得到所述特征提取模块输出的目标特征，包括：
[0017]
将所述指定场所中各服务位置分别在所述临近时间序列的人流量以及所述指定场所对应的有向图，输入所述人流量预测模型的第一特征提取模块，得到所述第一特征提取模块输出的第一目标特征；
[0018]
将所述指定场所中各服务位置分别在所述日时间序列的人流量以及所述指定场所对应的有向图，输入所述人流量预测模型的第二特征提取模块，得到所述第二特征提取模块输出的第二目标特征；
[0019]
将所述指定场所中各服务位置分别在所述周时间序列的人流量以及所述指定场所对应的有向图，输入所述人流量预测模型的第三特征提取模块，得到所述第三特征提取模块输出的第三目标特征。
[0020]
可选的，所述目标人流量确定模块包括：第一预测结果确定模块、第二预测结果确定模块、第三预测结果确定模块和预测结果融合模块；
[0021]
所述将所述目标特征输入所述人流量预测模型的目标人流量确定模块，得到所述目标人流量确定模块输出的、所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，包括：
[0022]
将所述第一目标特征输入所述人流量预测模型的第一预测结果确定模块，得到所述第一预测结果确定模块输出的第一预测结果；
[0023]
将所述第二目标特征输入所述人流量预测模型的第二预测结果确定模块，得到所述第二预测结果确定模块输出的第二预测结果；
[0024]
将所述第三目标特征输入所述人流量预测模型的第三预测结果确定模块，得到所述第三预测结果确定模块输出的第三预测结果；
[0025]
将所述第一预测结果、所述第二预测结果和所述第三预测结果输入所述人流量预测模型的预测结果融合模块，获得所述预测结果融合模块输出的、所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量。
[0026]
可选的，所述基于所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，确定所述指定场所中各服务位置在所述目标时间段分别对应的排队时间，包括：
[0027]
对于所述指定场所中的每个服务位置，根据该服务位置对应的平均处理速度和该
服务位置在所述目标时间段对应的目标人流量，确定该服务位置在所述目标时间段对应的排队时间，以得到所述指定场所中各服务位置在所述目标时间段分别对应的排队时间。
[0028]
可选的，建立所述人流量预测模型的过程，包括：
[0029]
将训练时间段对应的历史人流量和所述指定场所对应的有向图输入人流量预测模型，得到人流量预测模型预测出的、所述指定场所中各服务位置在所述训练时间段分别对应的人流量；
[0030]
根据所述人流量预测模型预测出的、所述指定场所中各服务位置在所述训练时间段分别对应的人流量，以及所述指定场所中各服务位置在所述训练时间段分别对应的真实人流量，确定人流量预测模型的预测损失；
[0031]
根据所述人流量预测模型的预测损失，更新人流量预测模型的参数。
[0032]
一种排队时间预测装置，包括：数据获取模块、信息预测模块和排队时间确定模块；
[0033]
所述数据获取模块，用于基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，作为所述目标时间段对应的历史人流量；
[0034]
所述信息预测模块，用于将所述目标时间段对应的历史人流量、所述指定场所对应的有向图输入预先建立的人流量预测模型，获得所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，其中，所述人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考所述指定场所对应的有向图训练得到，所述指定场所对应的有向图能够反映所述指定场所中每个服务位置与其它服务位置的连通性和指向性；
[0035]
所述排队时间确定模块，用于基于所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，确定所述指定场所中各服务位置在所述目标时间段分别对应的排队时间。
[0036]
一种排队时间预测设备，包括：存储器和处理器；
[0037]
所述存储器，用于存储程序；
[0038]
所述处理器，用于执行所述程序，实现上述任一项所述的排队时间预测方法的各个步骤。
[0039]
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述任一项所述的排队时间预测方法的各个步骤。
[0040]
考虑到一个服务位置的人流量可能受其它服务位置的人流量的影响，以及目标时间段之前的人流量可能对目标时间段的人流量产生影响，本申请提出，可基于目标时间段对应的历史人流量(即各服务位置在目标时间段之前的时间段的人流量)、指定场所对应的有向图以及预先建立的人流量预测模型预测指定场所中各服务位置在目标时间段分别对应的目标人流量，进而基于指定场所各服务位置在目标时间段分别对应的目标人流量，确定指定场所中各服务位置在目标时间段分别对应的排队时间，由于人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考指定场所对应的有向图训练得到，因此，将目标时间段对应的历史人流量、指定场所对应的有向图输入人流量预测模型后，人流量预测模型能够捕获上述提及的两方面的影响及其相关性，从而准确预测出各服务位置在目标时间段分别对应的目标人流量，进而基于预
测出的人流量确定出准确的排队时间。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0042]
图1为本申请实施例提供的排队时间预测方法的流程示意图；
[0043]
图2为本申请实施例提供的指定场所对应的有向图的一示例；
[0044]
图3为本申请实施例提供的人流量预测模型的拓扑结构的一示例；
[0045]
图4为本申请实施例提供的将目标时间段对应的历史人流量、指定场所对应的有向图输入预先建立的人流量预测模型，得到指定场所中各服务位置在目标时间段分别对应的目标人流量的流程示意图；
[0046]
图5为本申请实施例提供的建立人流量预测模型的流程示意图；
[0047]
图6为本申请实施例提供的排队时间预测装置的结构示意图；
[0048]
图7为本申请实施例提供的排队时间预测设备的结构示意图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
[0050]
鉴于现有的单点预测方案的预测效果不佳，本案发明人进行了深入研究，最终提出一种具有较好预测效果的排队时间预测方法，该方法可应用于具有数据处理能力的终端，也可应用于单个服务器或服务器集群，接下来通过下述实施例对本申请提供的排队时间预测方法进行介绍。
[0051]
第一实施例
[0052]
本实施例提供了一种排队时间预测方法，请参阅图1，示出了该排队预测方法的流程示意图，可以包括：
[0053]
步骤s101：基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，作为目标时间段对应的历史人流量。
[0054]
其中，目标时间段为待预测人流量的时间段，指定场所可以但不限定为机场、火车站等，服务位置为指定场所中可以提供服务的位置，比如值机柜台、安检口、餐厅等位置。
[0055]
具体的，基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，包括：针对指定场所中的每个服务位置，基于目标时间段获取该服务位置分别在临近时间序列、日时间序列和周时间序列的人流量，作为该服务位置对应的历史人流量，以得到指定场所中各服务位置分别对应的历史人流量；
[0056]
其中，临近时间序列包括目标时间段之前、且与目标时间段的间隔小于预设时间间隔的m个时间段，日时间序列包括目标时间段之前的n天中与目标时间段相同的时间段，
周时间序列包括目标时间段之前的k周中与目标时间段相同的时间段，m、n和k均为大于或等于1的整数。
[0057]
示例性的，目标时间段为6月22日9：01-9：20，m＝4，n＝3，k＝3，则临近时间序列包括6月22日7:41-8:00、6月22日8:01-8:20、6月22日8:21-8:40、6月22日8:41-9:00，日时间序列包括6月19日9:01-9:20、6月20日9:01-9:20、6月21日9:01-9:20，周时间序列包括6月1日9:01-9:20，6月8日9:01-9:20，6月15日9:01-9:20，相应的，目标时间段对应的历史人流量包括：指定场所中的各服务位置在临近时间序列即6月22日7:41-8:00、6月22日8:01-8:20、6月22日8:21-8:40、6月22日8:41-9:00这四个时间段的人流量，指定场所中的各服务位置在日时间序列即6月19日9:01-9:20、6月20日9:01-9:20、6月21日9:01-9:20这三个时间段的人流量，以及指定场所中的各服务位置在周时间序列即6月1日9:01-9:20，6月8日9:01-9:20，6月15日9:01-9:20这三个时间段的人流量。
[0058]
步骤s102：将目标时间段对应的历史人流量、指定场所对应的有向图输入预先建立的人流量预测模型，得到人流量预测模型输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量。
[0059]
其中，人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考指定场所对应的有向图训练得到。
[0060]
需要说明的是，指定场所对应的有向图根据指定场所中的各服务位置，以及每个服务位置与其它服务位置的关系构建，其能够反映所述指定场所中每个服务位置与其它服务位置的连通性和指向性。指定场所对应的有向图包括若干节点和节点之间的有向边，一个节点代表一个服务位置，两个节点之间存在有向边，说明两个节点所代表的两个服务位置可连通，并且边的方向指示了可由哪个服务位置去往哪个服务位置。
[0061]
请参阅图2，示出了指定场所对应的有向图的一示例，图2中包括10个节点，说明指定场所中有10个服务位置，其中，a节点与d节点之间存在有向边，且有向边由d指向a，说明a节点所代表的服务位置与d节点所代表的服务位置之间可连通，且可由d节点所代表的服务位置去往a节点所代表的服务位置，但是不能由a节点所代表的服务位置去往d节点所代表的服务位置，d节点还分别与c节点、e节点和f节点之间存在有向边，说明d节点所代表的服务位置可与c节点所代表的服务位置连通、可与e点所代表的服务位置连通、可与f节点所代表的服务位置连通，并且，根据有向边的指向可知，可由c节点所代表的服务位置去往d节点所代表的服务位置，可由d节点所代表的服务位置去往e节点所代表的服务位置,可由d节点所代表的服务位置去往f节点所代表的服务位置，其它未提及的节点间的连通性和指向性同理，本实施例在此不做赘述。
[0062]
步骤s103：基于指定场所中各服务位置在目标时间段分别对应的目标人流量，确定指定场所中各服务位置在目标时间段分别对应的排队时间。
[0063]
具体的，对于指定场所中的每个服务位置，可根据该服务位置对应的平均处理速度(人/分钟)以及该服务位置在目标时间段对应的目标人流量，确定该服务位置在目标时间段对应的排队时间，以得到指定场所中各服务位置在目标时间段分别对应的排队时间。
[0064]
具体的，对于任一服务位置，假设该服务位置对应的人流量为q，该服务位置对应的平均处理速度为v,，则服务位置处的排队时间为q/v。
[0065]
需要说明的是，一服务位置对应的处理速度可根据经验设定，也可在该服务位置
采集一段时间t(比如30分钟)的人流量，然后根据采集的人流量和时段t计算得到，具体的，可用采集的人流量除以t，便可得到该服务位置对应的平均处理速度。
[0066]
考虑到一个服务位置的人流量可能受其它服务位置的人流量的影响，以及目标时间段之前的时间段的人流量可能对目标时间段的人流量产生影响，本实施例提出，可基于目标时间段对应的历史人流量、指定场所对应的有向图以及预先建立的人流量预测模型预测指定场所中各服务位置在目标时间段分别对应的目标人流量，进而基于指定场所各服务位置在目标时间段分别对应的目标人流量，确定指定场所中各服务位置处的排队时间，由于人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考指定场所对应的有向图训练得到，因此，将目标时间段对应的历史人流量、指定场所对应的有向图输入人流量预测模型后，人流量预测模型能够捕获上述提及的两方面的影响及相关性，从而准确预测出各服务位置在目标时间段分别对应的目标人流量，进而基于预测出的人流量确定出准确的排队时间。
[0067]
第二实施例
[0068]
本实施例对上述实施例中的“步骤s102：将目标时间段对应的历史人流量、指定场所对应的有向图输入预先建立的人流量预测模型，得到人流量预测模型输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量。”进行介绍。
[0069]
请参阅图3，示出了人流量预测模型的拓扑结构的一示例的示意图，其可以包括特征提取模块301和目标人流量确定模块302，其中，特征提取模块301对于输入数据进行特征提取，目标人流量确定模块302根据特征提取模块301提取的特征确定人流量。
[0070]
在图3示出的人流量预测模型基础上，请参阅图4，示出了将目标时间段对应的历史人流量、指定场所对应的有向图输入预先建立的人流量预测模型，得到人流量预测模型输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量的流程示意图，可以包括：
[0071]
步骤s401：将目标时间段对应的历史人流量和指定场所对应的有向图输入人流量预测模型的特征提取模块，得到特征提取模块输出的目标特征。
[0072]
其中，目标特征包含了空间维度的特征信息、时间维度的特征信息以及空间维度的特征信息与时间维度的特征信息的相关性，需要说明的是，对于指定场所中的每个服务位置，目标特征中空间维度的特征信息能够表征指定场所中与该服务位置连通的其它位置的人流量对该位置处人流量的影响；对于指定场所中的每个服务位置，目标特征中时间维度的特征信息能够表征该服务位置分别在临近时间序列、日时间序列和周时间序列的人流量对该位置在目标时间段的人流量的影响。
[0073]
具体的，入流量预测模型的特征提取模块301包括第一特征提取模块3011、第二特征提取模块3012和第三特征提取模块3013，基于此，将目标时间段对应的历史人流量和指定场所对应的有向图输入人流量预测模型的特征提取模块，得到特征提取模块输出的目标特征的过程可以包括：
[0074]
步骤s401a：将指定场所中各服务位置分别在临近时间序列的人流量以及指定场所对应的有向图，输入人流量预测模型的第一特征提取模块3011，得到第一特征提取模块3011输出的第一目标特征。
[0075]
步骤s401b：将指定场所中各服务位置分别在日时间序列的人流量以及指定场所
对应的有向图，输入人流量预测模型的第二特征提取模块3012，得到第二特征提取模块3012输出的第二目标特征。
[0076]
步骤s401c：将指定场所中各服务位置分别在周时间序列的人流量以及指定场所对应的有向图，输入人流量预测模型的第三特征提取模块3013，得到第三特征提取模块3013输出的第三目标特征。
[0077]
可选的，人流量预测模型的每个特征提取模块可以为一个时空卷积模块，也可以为级联在一起的多个时空卷积模块，优选为后者。
[0078]
其中，每个时空卷积模块包括空间卷积模块(如图3中的gat)和与该空间卷积模块连接的时间卷积模块(如图3中的conv)。
[0079]
鉴于不同服务位置的人流量相互影响，且具有很强的动态性，本实施例通过空间卷积模块捕捉空间维度中服务位置之间的动态关联性，关联性更强的位置之间会被赋予更大的权重，空间卷积模块的操作如下所示：
[0080][0081]
其中，α
uv
表示有向图中节点u到节点v的连接权重。
[0082]
空间图卷积模块获取了邻域信息(即针对每个服务位置，都获取了与其相连通的服务位置处的人流量对该服务位置处的人流量的影响)，在此基础上叠加时间卷积模块，在时间维度进一步合并相邻的时间步信息，激活函数使用relu。
[0083]
经过一个时空卷积模块的操作之后，就会获取到数据在空间维和时间维度的特征及它们之间的相关性。多个时空卷积模块叠加，可以做更大范围的动态时空关联。
[0084]
步骤s402：将目标特征输入人流量预测模型的目标人流量确定模块，得到目标人流量确定模块输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量。
[0085]
如图3所示，目标人流量确定模块302包括：第一预测结果确定模块3021a、第二预测结果确定模块3021b、第三预测结果确定模块3021c和预测结果融合模块3022，基于此，将目标特征输入人流量预测模型的目标人流量确定模块，得到目标人流量确定模块输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量的过程可以包括：
[0086]
步骤s4021a、将第一目标特征输入人流量预测模型的第一预测结果确定模块3021a，得到第一预测结果确定模块3021a输出的第一预测结果。
[0087]
步骤s4021b、将第二目标特征输入人流量预测模型的第二预测结果确定模块3021b，得到第二预测结果确定模块3021b输出的第二预测结果。
[0088]
步骤s4021c、将第三目标特征输入人流量预测模型的第三预测结果确定模块3021c，得到第三预测结果确定模块3021c输出的第三预测结果。
[0089]
步骤s4022、将第一预测结果、第二预测结果和第三预测结果输入人流量预测模型的预测结果融合模块3022，获得预测结果融合模块3022输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量。
[0090]
具体的，对第一预测结果、第二预测结果和第三预测结果进行融合的方式可以为：可按第一预测结果、第二预测结果和第三预测结果分别对应的权重对第一预测结果、第二预测结果和第三预测结果加权求和，假设第一预测结果、第二预测结果和第三预测结果依次为y1、y2和y3，第一预测结果、第二预测结果和第三预测结果依次对应的权重为w1、w2和
w3，则最终的预测结果y为：
[0091]
y＝y1*w1+y2*w12+y2*w2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0092]
其中，w1、w2和w3通过训练得到。(()
[0093]
第三实施例
[0094]
经由上述实施例可知，指定场所中各服务位置在目标时间段分别对应的排队时间根据各服务位置在目标时间段分别对应的目标人流量确定，而指定场所中各服务位置在目标时间段分别对应的目标人流量基于预先建立的人流量预测模型确定，本实施例对建立人流量预测模型的过程进行介绍。
[0095]
请参阅图5，示出了建立人流量预测模型的流程示意图，可以包括：
[0096]
步骤s501：将训练时间段对应的历史人流量和指定场所对应的有向图输入人流量预测模型，得到人流量预测模型预测出的、指定场所中各服务位置在训练时间段分别对应的人流量。
[0097]
其中，训练时间段对应的历史人流量为基于训练时间段获取的、指定场所中各服务位置分别对应的历史人流量，具体的：
[0098]
针对指定场所中的每个服务位置，基于训练时间段获取该服务位置分别在临近时间序列、日时间序列和周时间序列的人流量，作为该服务位置对应的历史人流量，以得到基于训练时间段获得的、指定场所中各服务位置分别对应的历史人流量，作为训练时间段对应的历史人流量。
[0099]
本实施例中的临近时间序列包括训练时间段之前、且与训练时间段的间隔小于预设时间间隔的m个时间段，日时间序列包括训练时间段之前的n天中与训练时间段相同的时间段，周时间序列包括训练时间段之前的k周中与训练时间段相同的时间段，m、n和k均为大于或等于1的整数。
[0100]
本实施例中“将训练时间段对应的历史人流量和指定场所对应的有向图输入人流量预测模型，得到人流量预测模型预测出的、指定场所中各服务位置在训练时间段分别对应的人流量”的实现过程与上述实施例中“步骤s102：将目标时间段对应的历史人流量、指定场所对应的有向图输入预先建立的人流量预测模型，得到人流量预测模型输出的、指定场所中各服务位置在目标时间段分别对应的目标人流量”的实现过程类似，本实施例在此不做赘述。
[0101]
步骤s502：根据人流量预测模型预测出的、指定场所中各服务位置在训练时间段分别对应的人流量，以及指定场所中各服务位置在训练时间段分别对应的真实人流量，确定人流量预测模型的预测损失。
[0102]
步骤s503：根据人流量预测模型的预测损失，更新人流量预测模型的参数。
[0103]
按上述方式对人流量预测模型进行多次迭代训练，直至达到预设的训练迭代次数，或者人流量预测模型的性能满足要求。训练结束后得到的模型即为用于对目标时间段的人流量进行预测的人流量预测模型。
[0104]
上述实施例提供的排队时间预测方法，通过一个预测模型即可实现对指定场各服务位置处人流量的预测，进而实现对指定场所各服务位置处排队时间的预测，并且，上述实施例提供的排队时间预测方法既从空间维度考虑了服务位置对于人流量的影响，又从时间维度考虑了目标时间段之前时间段的人流量对目标时间段的人流量的影响，还考虑了两个
维度的相关性，因此，能够获得比较准确的预测结果。
[0105]
第四实施例
[0106]
本实施例还提供了一种排队时间预测装置，下面对本实施例提供的排队时间预测装置进行描述，下文描述的排队时间预测装置与上文描述的排队时间预测方法可相互对应参照。
[0107]
请参阅图6，示出了本实施例提供的排队时间预测装置的结构示意图，可以包括：数据获取模块601、信息预测模块602和排队时间确定模块603。
[0108]
数据获取模块601，用于基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，作为所述目标时间段对应的历史人流量。
[0109]
信息预测模块602，用于将所述目标时间段对应的历史人流量、所述指定场所对应的有向图输入预先建立的人流量预测模型，获得所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量。
[0110]
其中，人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考所述指定场所对应的有向图训练得到，所述指定场所对应的有向图能够反映所述指定场所中每个服务位置与其它服务位置的连通性和指向性。
[0111]
排队时间确定模块603，用于基于所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，确定所述指定场所中各服务位置在所述目标时间段分别对应的排队时间。
[0112]
可选的，数据获取模块601，具体用于针对所述指定场所中的每个服务位置，基于所述目标时间段获取该服务位置分别在临近时间序列、日时间序列和周时间序列的人流量，作为该服务位置对应的历史人流量，以得到所述指定场所中各服务位置分别对应的历史人流量。
[0113]
其中，所述临近时间序列包括所述目标时间段之前、且与所述目标时间段的间隔小于预设时间间隔的m个时间段，所述日时间序列包括所述目标时间段之前的n天中与所述目标时间段相同的时间段，所述周时间序列包括所述目标时间段之前的k周中与所述目标时间段相同的时间段，m、n和k均为大于或等于1的整数。
[0114]
可选的，信息预测模块602，具体用于将所述目标时间段对应的历史人流量和所述指定场所对应的有向图输入所述人流量预测模型的特征提取模块，得到所述特征提取模块输出的目标特征，其中，对于所述指定场所中的每个服务位置，所述目标特征能够表征所述指定场所中与该服务位置连通的其它位置的人流量对该位置处人流量的影响，以及，该服务位置分别在所述临近时间序列、所述日时间序列和所述周时间序列的人流量对该服务位置在所述目标时间段的人流量的影响；将所述目标特征输入所述人流量预测模型的目标人流量确定模块，得到所述目标人流量确定模块输出的、所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量。
[0115]
可选的，信息预测模块602在将所述目标时间段对应的历史人流量和所述指定场所对应的有向图输入所述人流量预测模型的特征提取模块，得到所述特征提取模块输出的目标特征时，具体用于将所述指定场所中各服务位置分别在所述临近时间序列的人流量以及所述指定场所对应的有向图，输入所述人流量预测模型的第一特征提取模块，得到所述
volatile memory)等，例如至少一个磁盘存储器；
[0126]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0127]
基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，作为所述目标时间段对应的历史人流量；
[0128]
将所述目标时间段对应的历史人流量、所述指定场所对应的有向图输入预先建立的人流量预测模型，获得所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，其中，所述人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考所述指定场所对应的有向图训练得到，所述指定场所对应的有向图能够反映所述指定场所中每个服务位置与其它服务位置的连通性和指向性；
[0129]
基于所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，确定所述指定场所中各服务位置在所述目标时间段分别对应的排队时间。
[0130]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0131]
第六实施例
[0132]
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
[0133]
基于目标时间段获取指定场所中各服务位置分别对应的历史人流量，作为所述目标时间段对应的历史人流量；
[0134]
将所述目标时间段对应的历史人流量、所述指定场所对应的有向图输入预先建立的人流量预测模型，获得所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，其中，所述人流量预测模型以训练时间段对应的历史人流量为训练样本，以训练时间段对应的真实人流量为样本标签，同时参考所述指定场所对应的有向图训练得到，所述指定场所对应的有向图能够反映所述指定场所中每个服务位置与其它服务位置的连通性和指向性；
[0135]
基于所述指定场所中各服务位置在所述目标时间段分别对应的目标人流量，确定所述指定场所中各服务位置在所述目标时间段分别对应的排队时间。
[0136]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0137]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0138]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0139]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明
将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。