基于人流量的社会治理资源调度方法及存储介质与流程

本技术涉及大数据，特别涉及一种基于人流量的社会治理资源调度方法及存储介质。

背景技术：

1、人流量监测预警技术是一种基于物联网、大数据、人工智能等技术的人流量监测和突发事件管理系统，随着城市化进程的发展、人口的增加以及人们对公共安全的需求日益增强，该技术在近年来得到了较大的关注和应用发展。

2、现代技术的发展使得在城市中获取和分析人流量数据变得更加容易和准确。传感器摄像头、物联网设备和大数据技术的应用为人流量监测提供了强有力的支持。此外，人工智能和机器学习等技术的快速发展，也为智能社会治理资源调度提供了新的解决方案。

3、目前，人流量监测及社会治理资源调度技术主要依赖监控设备进行数据采集，并由人工对社会治理资源进行指挥调度。然而，这种方式存在以下几个缺陷：

4、1、人工干预：依赖人工指挥存在人为错误的可能性。人员可能受到主观因素的影响，导致指挥决策的不准确性或延迟性。此外，人工指挥需要大量的人力资源，并且在长时间运行中容易出现疲劳和信息遗漏。

5、2、实时性差：由于监控设备的有限覆盖范围和数据采集频率，同时人力实时获取和分析人流量数据的能力有限，无法及时反馈变化的人流情况。这就限制了社会治理资源调度的及时性和准确性。

6、3、数据量有限：监控设备获得的数据通常只包含基本的人数统计，缺乏更详细的人流特征和行为信息。这限制了对人流动态和趋势的深入分析和预测，从而影响了社会治理资源调度的精细化和优化。

7、4、缺乏智能决策支持：传统的监控设备和人工指挥无法提供智能化的决策支持。传统方法无法充分整合多类并进行快速分析，从而限制了调度决策的优化能力。

8、综上，目前的社会治理资源调度方法存在社会治理资源调度效率低下、社会治理资源资源浪费和社会治理资源响应时间延迟大等问题，亟需一种基于人流量监测的社会治理资源调度方法，能够智能化地对人流量进行监测统计、分析和预测，并快速、及时地做出精细化、准确的社会治理资源调度决策。

技术实现思路

1、本技术提供了一种基于人流量的社会治理资源调度方法及存储介质，能够智能化地对人流量进行监测统计、分析和预测，并快速、及时地做出精细化、准确的社会治理资源调度决策。

2、为了实现上述目的，第一方面，本技术提供了基于人流量的社会治理资源调度方法，该方法包括：

3、s1、实时采集监测区域的人流量数据和社会治理数据，构建数据集，所述人流量数据包括：所述监测区域的人流量、区域位置信息和时间戳；所述社会治理数据包括：社会治理资源数量、社会治理资源排班信息、社会治理资源位置信息和社会治理资源的历史调度数据中至少一项；

4、s2、从所述数据集中确定与所述人流量相关的多个输入特征，所述输入特征包括：地理位置特征、时间特征、社会治理资源数量特征以及社会治理资源响应速度特征中至少一项；

5、s3、将人流量作为支持向量回归模型的目标变量，将所述多个输入特征作为所述支持向量回归模型的输入变量，基于所述数据集，训练所述支持向量回归模型，直至所述支持向量回归模型根据输入特征预测人流量的拟合误差达到训练目标；

6、s4、根据训练得到的支持向量回归模型，确定对所述人流量的影响程度排序靠前的多个目标输入特征；

7、s5、采用网格搜索算法对所述多个目标输入特征的不同取值进行组合，得到使得人流量的变化速率最大化的目标取值组合；

8、s6、根据所述目标取值组合，确定所述多个目标输入特征的取值，生成使得所述人流量的变化速率最大化的社会治理资源调度方案。

9、在一种可能实施方式中，所述步骤s1包括：

10、将所述人流量作为目标变量，采用信息增益算法评估所述人流量数据和所述社会治理数据与所述人流量之间的相关程度，确定与所述人流量之间相关程度的排序靠前的多类数据；

11、基于所述多类数据构建所述数据集，将所述数据集划分为训练集和测试集；

12、所述步骤s2包括：将所确定的多类数据转换为地理位置特征、时间特征、社会治理资源数量特征以及社会治理资源响应速度特征中至少一项，对转换得到的多个输入特征进行归一化，所述数据集中的每个样本数据包括所述多类数据对应的多个输入特征。

13、在一种可能实施方式中，所述步骤s3包括：

14、s31、构建模型：将所述人流量作为目标变量，所述多个输入特征作为输入变量，采用预设的核函数实现所述输入特征到所述人流量的非线性回归，构建支持向量回归模型的损失函数，所述损失函数为：min1/2*||w||2+c*σ(ξi+ξi*)，所述训练目标为使得所述损失函数最小化；

15、其中，w表示所述支持向回归模型中多个输入特征各自的权重系数构成的权重向量，||w||表示所述权重向量的l2范数，c表示预设的正则化参数，ξi和ξi*表示预设的松弛变量；

16、s32、训练模型：从所述数据集的训练集中，选取n个样本数据，构建输入特征矩阵x，每个样本数据包含d个所述输入特征，所述输入特征矩阵的大小为n×d，n和d均为正整数；

17、将人流量构建为n×1大小的目标变量向量y，求解所述支持向量回归模型的权重向量和偏置项，所述权重向量和偏置项使得所述损失函数最小化；

18、所述损失函数包括正则项和惩罚项之和，所述求解过程表示为：minimize:(1/2)*||w||2+c*σ(ξi+ξi*)，所述正则项表示为：1/2*||w||2；所述惩罚项表示为：c*σ(ξi+ξi*)。

19、在一种可能实施方式中，所述方法还包括：

20、在模型训练过程中，保证所述支持向量回归模型输出的目标变量值满足约束条件，所述约束条件用于保证所述支持向量回归模型对样本数据的预测误差在预设的容差范围内；所述约束条件包括上界约束条件和下界约束条件；

21、所述上界约束条件表示为：

22、所述下界约束条件表示为：

23、其中，yi表示n个样本数据中第i个样本数据对应的目标变量值，xi表示第i个样本数据，xi包括d个输入特征，ε是所述预设的容差范围，b是所述支持向量回归模型的偏置项，是将xi包括的d个输入特征转换到高维特征空间的映射函数。

24、在一种可能实施方式中，所述方法还包括：

25、基于所述训练得到的支持向量回归模型，对所述数据集的测试集中的样本数据进行预测，根据预测人流量与真实人流量计算均方误差，所述均方误差表示支持向量回归模型的拟合程度；

26、根据所述均方误差，调整所述支持向量回归模型的权重向量；

27、其中，所述均方误差的计算过程表示为：yi是真实人流量，是所述训练得到的支持向量回归模型输出的预测人流量，n是样本数据的数量。

28、在一种可能实施方式中，所述步骤s4包括：

29、获取所述训练好的支持向量回归模型的权重向量，对所述权重向量进行归一化处理，所述权重向量包括所述多个输入特征各自的权重系数，所述权重系数的绝对值越大，对应的输入特征对人流量的影响程度越大；

30、根据归一化后的所述权重向量中权重系数的排序，选取对所述人流量的影响程度排序靠前的多个目标输入特征。

31、在一种可能实施方式中，所述人流量的变化速率包括人流量的下降速率，所述步骤s5包括：

32、针对所述多个目标输入特征中存在互相影响关系的第一目标输入特征和第二目标输入特征，采用网格搜索算法，对第一目标输入特征和不与其存在影响关系的多个目标输入特征的不同取值进行组合，得到使得所述人流量的下降速率最大化的子取值组合；

33、根据所述子取值组合中所述第一目标输入特征的目标取值，采用网格搜索算法，确定使得所述人流量的下降速率最大化的所述第二目标输入特征的目标取值，得到所述目标取值组合。

34、在一种可能实施方式中，所述步骤s1中实时采集的数据还包括天气数据、活动数据和地图交通数据中的一项或多项；

35、所述方法还包括：对采集到的数据进行预处理；所述预处理包括：数据清洗、去噪和异常值处理中至少一项。

36、在一种可能实施方式中，所述步骤s6之后，所述方法还包括：

37、在基于所述社会治理资源调度方案部署社会治理资源后，收集所述监测区域的调度后人流量数据；

38、根据所述调度后人流量数据，评估所述社会治理资源调度方案的调度效果，根据所述调度效果修正所述支持向量回归模型的模型参数。

39、第二方面，提供一种计算设备，该计算设备包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如第一方面提供的基于人流量的社会治理资源调度方法。

40、第三方面，提供一种计算机可读存储介质，该存储介质中存储有至少一段程序，至少一段程序由处理器执行以实现如第一方面提供的基于人流量的社会治理资源调度方法。

41、本技术提供的技术方案至少包括如下技术效果：

42、本技术技术方案，根据实时采集的人流量数据和社会治理数据作为约束，通过最小化预测误差来训练支持向量回归模型，使得训练得到的支持向量回归模型能够预测人流量的变化趋势，根据预测结果做出相应的社会治理资源调度，从而智能化地对人流量进行监测统计、分析和预测，并快速、及时地做出精细化、准确的社会治理资源调度决策。