客流量预测模型的训练方法和客流量的预测方法和装置与流程

1.本公开涉及计算机技术领域，具体涉及包括深度学习的人工智能技术领域，尤其涉及客流量预测模型的训练方法和客流量的预测方法和装置。


背景技术：

2.随着生活的多元化，越来越多的人在各种时间选择出行，比如在景区旅行、在商业区购物等等。
3.在地区中可以存在各个地点，比如景区中的景点，或者商业区中的商铺。这些地区中的客流量往往存在着规律。比如，节假日期间的客流量会明显高于平时。在相关技术中，根据这些规律，可以对客流量进行预测。


技术实现要素：

4.提供了客流量预测模型的训练方法、装置、电子设备和存储介质，以及客流量的预测方法、装置、电子设备和存储介质。
5.根据第一方面，提供了一种客流量预测模型的训练方法，包括：获取地区中目标地点对应的训练样本，其中，训练样本包括历史客流量信息和待预测时间段的真实客流量信息，历史客流量信息和真实客流量信息分别为客流量预测模型的输入和目标输出；根据训练样本中的输入和目标输出，对客流量预测模型进行训练，得到训练后的客流量预测模型。
6.根据第二方面，提供了一种客流量预测模型的训练方法，包括：方法采用第一方面得到的客流量预测模型。
7.根据第三方面，提供了一种客流量的预测装置，包括：获取单元，被配置成获取地区中目标地点对应的训练样本，其中，训练样本包括历史客流量信息和待预测时间段的真实客流量信息，历史客流量信息和真实客流量信息分别为客流量预测模型的输入和目标输出；训练单元，被配置成根据训练样本中的输入和目标输出，对客流量预测模型进行训练，得到训练后的客流量预测模型。
8.根据第四方面，提供了一种客流量的预测装置，包括：装置采用第三方面得到的客流量预测模型。
9.根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面或第二方面的方法中任一实施例的方法。
10.根据第五方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行根据第一方面或第二方面的方法中任一实施例的方法。
11.根据第六方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据第一方面或第二方面的方法中任一实施例的方法。
12.根据本公开的方案，可以实现训练客流量预测模型，让训练后的模型实现通过历
史客流量信息，预测出待预测时间段的客流量信息。
附图说明
13.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
14.图1是本公开一些实施例可以应用于其中的示例性系统架构图；
15.图2是根据本公开的客流量预测模型的训练方法的一个实施例的流程图；
16.图3是根据本公开的客流量预测模型的训练方法的一个应用场景的示意图；
17.图4是根据本公开的客流量的预测方法的又一个实施例的流程图；
18.图5是根据本公开的客流量预测模型的训练装置的一个实施例的结构示意图；
19.图6是用来实现本公开实施例的客流量预测模型的训练方法的电子设备的框图和客流量的预测方法的电子设备的框图。
具体实施方式
20.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
21.本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
22.需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
23.图1示出了可以应用本公开的客流量预测模型的训练和客流量的预测方法或客流量预测模型的训练和客流量的预测装置的实施例的示例性系统架构100。
24.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
25.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
26.这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
27.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的训练样本等数据进行分析等处理，并将处理结果(例如训练后的客流量预测模型)反馈给终端设备。
28.需要说明的是，本公开实施例所提供的客流量预测模型的训练方法和客流量的预
测方法可以由服务器105或者终端设备101、102、103执行，相应地，客流量预测模型的训练装置和客流量的预测装置可以设置于服务器105或者终端设备101、102、103中。
29.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
30.继续参考图2，示出了根据本公开的客流量预测模型的训练方法的一个实施例的流程200。该客流量预测模型的训练方法，包括以下步骤：
31.步骤201，获取地区中目标地点对应的训练样本，其中，训练样本包括历史客流量信息和待预测时间段的真实客流量信息，历史客流量信息和真实客流量信息分别为客流量预测模型的输入和目标输出。
32.在本实施例中，客流量预测模型的训练方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以获取地区中目标地点对应的训练样本。训练样本中包括历史客流量信息和待预测的时间段的真实客流量信息，其中，历史客流量信息可以作为客流量预测模型的输入，待预测的时间段的真实客流量信息可以作为客流量预测模型的目标输出，也即真实数据。历史客流量特征信息指一个历史时间段的客流量相关信息。待预测的时间段的客流量信息指某一个时间段的客流量相关信息，上述某一个时间段可以是已经发生的时间段，也可以是未来的时间段。客流量相关信息可以指客流量本身。或者，客流量相关信息也可以指客流量经过预设处理后得到的信息，例如，这里的预设处理可以指采用预设的模型、公式进行处理或者乘以预设系数等等。
33.目标地点对应的训练样本指：该训练样本中的历史客流量信息和待预测时间段的真实客流量信息，都是从该目标地点获取的数据，比如是该目标地点的客流量，或者从该目标地点获取的数据经过预设处理得到的数据。
34.步骤202，根据训练样本中的输入和目标输出，对客流量预测模型进行训练，得到训练后的客流量预测模型。
35.在本实施例中，上述执行主体可以根据训练样本中的输入和目标输出，对待训练的客流量预测模型进行训练，从而得到训练后的客流量预测模型。具体地，上述执行主体可以将作为输入的历史客流量信息输入到待训练的客流量预测模型中进行前向传播，从而得到待训练的客流量预测模型输出的待预测时间段的客流量信息，也即预测结果。上述执行主体可以利用预测结果和目标输出确定损失值，并利用损失值进行反向传播，从而得到训练后的客流量预测模型。
36.在实践中，该客流量预测模型可以是各种深度学习模型，比如，卷积神经网络。
37.本公开的上述实施例提供的方法可以实现训练客流量预测模型，让训练后的模型实现通过历史客流量信息，预测出待预测时间段的客流量信息。
38.继续参见图3，图3是根据本实施例的客流量预测模型的训练方法的应用场景的一个示意图。在图3的应用场景中，执行主体301获取地区中目标地点对应的训练样本302，其中，训练样本302包括历史客流量信息和待预测时间段的真实客流量信息，历史客流量信息和真实客流量信息分别为客流量预测模型的输入和目标输出。执行主体301根据训练样本302中的输入和目标输出，对客流量预测模型进行训练，得到训练后的客流量预测模型303。
39.在本公开任一实施例的一些可选的实现方式中，上述根据训练样本中的输入和目标输出，对客流量预测模型进行训练，可以包括：获取指示客流量预测模型的输入和输出之
间的映射关系的函数表达式，其中，函数表达式包括待赋值参数和待调整参数；基于目标地点与其它地点的距离，确定目标地点的参数值，其中，参数值用于对待赋值参数赋值；根据参数值，在客流量预测模型中进行训练，以调整函数表达式中的待调整参数。
40.在这些可选的实现方式中，上述函数表达式中不仅可以包括待调整参数，还可以包括在每次前向传播过程中都需要赋值的参数。
41.在实践中，上述执行主体可以采用各种方式基于目标地点与目标地点以外的其它地点的距离，确定目标地点的参数值。比如，上述执行主体可以将该距离输入指定的模型，以得到从该模型输出的参数值。该模型可以通过目标地点与其它地点之间的距离，预测出目标地点的参数值。
42.在实践中，上述距离可以指目标地点与其它地点在路网中的距离，比如最短距离，或者也可以指直线距离。
43.这些实现方式可以通过目标地点与其它地点之间的距离，准确地确定出要对函数表达式中待赋值参数进行赋值的参数值，从而可以提高训练的准确度。
44.可选地，客流量预测模型可以为图卷积网络，图卷积网络的邻接矩阵为待赋值参数；上述基于目标地点与其它地点的距离，确定目标地点的参数值，可以包括：根据目标地点与其它地点之间的距离的倒数，确定在进行训练的前向传播时输入图卷积网络的邻接矩阵值，其中，倒数用于指示目标地点与其它地点之间的客流量关联度；根据该邻接矩阵值，确定目标地点的参数值。
45.在这些可选的实现方式中，上述执行主体可以确定上述其它地点与目标地点之间的距离的倒数。并且，上述执行主体可以根据该倒数，确定在进行训练的前向传播时输入图卷积网络的邻接矩阵值。倒数越大，则上述客流量关联度可以越大。
46.该其它地点可以是上述地区中目标地点以外的任意地点。此外，该其它地点也可以是目标地点的邻近地点，比如，上述执行主体按照距离目标地点由近到远的顺序，确定多个其它地点，邻近地点则是这多个其它地点之中的地点。
47.上述执行主体可以采用各种方式，根据上述倒数，确定在进行训练的前向传播时输入图卷积网络的邻接矩阵值。比如，上述执行主体可以直接将该倒数，作为邻接矩阵值。或者，上述执行主体可以对该倒数进行指定处理，并将指定处理结果作为邻接矩阵值。该指定处理可以指各种处理，比如输入预先训练的模型或公式。
48.上述执行主体可以采用各种方式根据该邻接矩阵值，确定目标地点的参数值。比如，上述执行主体可以直接将邻接矩阵值，作为目标地点的参数值。或者，上述执行主体可以将邻接矩阵值输入预设的模型中，得到从该模型输出的参数值。这里的预设的模型可以通过目标地点对应的邻接矩阵值，预测该目标地点的参数值。
49.可选地，客流量预测模型包括多个处理层；获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式，包括：确定多个处理层中处理层的输入和输出之间的映射关系的函数表达式；对多个处理层中各个处理层的函数表达式进行汇总，得到指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，多个处理层中相邻的处理层之间存在残差连接。
50.在实践中，目标地点i与其它地点j之间的距离可以为d
i，j
，本实现方式中，图卷积网络的处理层的相关参数均标记为s，邻接矩阵也即待赋值参数a
s
(i，j)可以为该距离的倒
数，也即a
s
(i，j)＝1/d
i，j
。图卷积网络中第l处理层的输入即是第l
‑
1处理层的输出，具体可以表示为：
[0051][0052]
其中，gcn
s
()指处理层的处理函数，指第l
‑
1层的输入，σ为激活函数，为第l层的待调整参数。ds＝diag(a
s
i)。l
s
为静态图结构的拉普拉斯矩阵，d
s
为对角矩阵，该d
s
每行的元素为邻接矩阵中元素的和，即为d
i，i
＝∑
j
a
s
(i，j)。
[0053]
具体地，a
s
可以表示为i可以表示为d
s
表示为则d
i.i
为
[0054]
其中的n可以指第n个地点(比如地区中的地n个地点)。图卷积网络可以包括三个卷积层，三个卷积层最终的输出也即图卷积网络最终的输出，可以为：
[0055][0056]
其中，指模型的最终输出。指第一个卷积层的输入。
[0057]
此外，如果相邻处理层之间的连接为残差连接，则上述的可以表示为：
[0058][0059]
相应地，可以表示为：
[0060][0061]
客流量预测模型的输出可以表示为
[0062]
这些实现方式可以在训练过程中，提高各个景点客流量之间的关联度，进一步提高训练的准确度。
[0063]
在本公开任一实施例的一些可选的实现方式中，历史客流量信息包括以下的至少一项信息特征：邻近性特征、周期性特征，信息特征是采用时间滑动窗口在历史客流量数据中获得的。
[0064]
在这些可选的实现方式中，历史客流量信息是训练和预测时，客流量预测模型的输入，也即客流量预测模型的首层(首个处理层)的输入。邻近性特征指时间邻近的特征，比如相邻的至少两个特征。例如，以5分钟为采样时间段，我们要预测某一天8点16分
‑
8点20分(待预测时间段)的客流量信息。邻近性特征可以指目标地点在这一天上午8点
‑
8点05分、8点06分
‑
8点10分、8点11分
‑
8点15分三个时间段的客流量信息。相应地，该时间滑动窗口的滑动步长可以为上述采样长度也即5分钟，上述执行主体从8点开始滑动，分别得到上述三个时间段。
[0065]
周期性特征指从历史时间段经过了预设周期，得到待预测时间段，以预测该待预
convolutional network，gcn)。在客流量预测模型为图卷积网络的情况下，指示客流量预测模型的输入和输出的映射关系的函数表达式可以包括邻接矩阵。
[0078]
邻接矩阵可以为头实体和尾实体的相乘结果，并且，该相乘结果即指示客流从第一地点向第二地点转移的可能性。
[0079]
可选地，客流量预测模型包括多个处理层；获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式，包括：确定多个处理层中处理层的输入和输出之间的映射关系的函数表达式；对多个处理层中各个处理层的函数表达式进行汇总，得到指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，多个处理层中相邻的处理层之间存在残差连接。
[0080]
具体地，第一地点i的头实体可以表示为e
s
，第二地点j的尾实体可以表示为e
e
，其中，s表示头实体，e表示尾实体。对于本实现方式中处理层的相关参数均标记为d，则指示客流从第一地点i向第二地点j转移的可能性的可能性数值即是上述头实体和尾实体的相乘结果具体可以表示为函数表达式中的邻接矩阵(也即自适应矩阵)可以表示为上述相乘结果图卷积网络中第l处理层的输入即是第l
‑
1处理层的输出，具体可以表示为：
[0081][0082]
其中，gcn
d
()指处理层的处理函数，指第l
‑
1层的输入，σ为激活函数，为第l层的待调整参数。dd＝diag(a
d
i)。l
d
为静态图结构的拉普拉斯矩阵，d
d
为对角矩阵，该d
d
每行的元素为邻接矩阵中元素的和，即为d
i，i
＝∑
j
a
d
(i，j)。
[0083]
具体地，a
d
可以表示为i可以表示为d
d
表示为则d
i，i
为
[0084]
其中的n可以指第n个地点(比如地区中的地n个地点)。图卷积网络可以包括三个卷积层，三个卷积层最终的输出也即图卷积网络最终的输出，可以为：
[0085][0086]
其中，指模型的最终输出，指第一个卷积层的输入。
[0087]
此外，如果相邻处理层之间的连接为残差连接，则上述的可以表示为：
[0088][0089]
相应地，可以表示为：
[0090]
[0091]
客流量预测模型的输出可以表示为
[0092]
这些实现方式可以通过邻接矩阵体现地点之间的客流引力，实现模型的准确训练过程。
[0093]
在本公开任一实施例的一些可选的实现方式中，上述根据训练样本中的输入和目标输出，对客流量预测模型进行训练，可以包括：获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，函数表达式包括待调整参数，待调整参数包括第一地点的头实体和第二地点的尾实体，目标地点为第一地点或第二地点，在函数表达式中，第一地点和第二地点用于指示客流从第一地点向第二地点转移的可能性；在客流量预测模型中进行反向传播，以调整函数表达式中的待调整参数。
[0094]
此外，客流量预测模型为图卷积网络，邻接矩阵为待赋值参数；上述根据训练样本中的输入和目标输出，对客流量预测模型进行训练，还可以包括：获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，函数表达式包括待赋值参数和待调整参数；基于目标地点与其它地点的距离，确定目标地点的参数值，其中，参数值用于对待赋值参数赋值；根据参数值，在客流量预测模型中进行训练，以调整函数表达式中的待调整参数。
[0095]
具体地，客流量预测模型的输出可以表示为
[0096]
本公开还提供了一种客流量的预测方法，其中，该方法采用上述任一实施例中任一项得到的客流量预测模型。
[0097]
本实施例可以采用客流量预测模型，对目标地点或其它地点(比如距离目标地点的距离不超过预设距离阈值的地点)的客流量信息进行预测。
[0098]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种客流量预测模型的训练一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
[0099]
如图5所示，本实施例的客流量预测模型的训练装置500包括：获取单元501、训练单元502。其中，获取单元501，被配置成获取地区中目标地点对应的训练样本，其中，训练样本包括历史客流量信息和待预测时间段的真实客流量信息，历史客流量信息和真实客流量信息分别为客流量预测模型的输入和目标输出；训练单元502，被配置成根据训练样本中的输入和目标输出，对客流量预测模型进行训练，得到训练后的客流量预测模型。
[0100]
在本实施例中，客流量预测模型的训练装置500的获取单元501、训练单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202的相关说明，在此不再赘述。
[0101]
在本实施例的一些可选的实现方式中，训练单元，进一步被配置成按照如下方式执行根据训练样本中的输入和目标输出，对客流量预测模型进行训练：获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，函数表达式包括待调整参数，待调整参数包括第一地点的头实体和第二地点的尾实体，目标地点为第一地点或第二地点，在函数表达式中，第一地点和第二地点用于指示客流从第一地点向第二地点转移的可能性；在客流量预测模型中进行反向传播，以调整函数表达式中的待调整参数。
[0102]
在本实施例的一些可选的实现方式中，客流量预测模型为图卷积网络，图卷积网络的函数表达式包括邻接矩阵，邻接矩阵为头实体和尾实体的相乘结果，邻接矩阵指示可能性。
[0103]
在本实施例的一些可选的实现方式中，训练单元，进一步被配置成按照如下方式执行根据训练样本中的输入和目标输出，对客流量预测模型进行训练：获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，函数表达式包括待赋值参数和待调整参数；基于目标地点与其它地点的距离，确定目标地点的参数值，其中，参数值用于对待赋值参数赋值；根据参数值，在客流量预测模型中进行训练，以调整函数表达式中的待调整参数。
[0104]
在本实施例的一些可选的实现方式中，客流量预测模型为图卷积网络，图卷积网络的邻接矩阵为待赋值参数；训练单元，进一步被配置成按照如下方式执行根据目标地点与其它地点之间的距离的倒数，确定在进行训练的前向传播时输入图卷积网络的邻接矩阵值，其中，倒数用于指示目标地点与其它地点之间的客流量关联度；根据该邻接矩阵值，确定目标地点的参数值。
[0105]
在本实施例的一些可选的实现方式中，客流量预测模型包括多个处理层；训练单元，进一步被配置成按照如下方式执行获取指示客流量预测模型的输入和输出之间的映射关系的函数表达式：确定多个处理层中处理层的输入和输出之间的映射关系的函数表达式；对多个处理层中各个处理层的函数表达式进行汇总，得到指示客流量预测模型的输入和输出之间的映射关系的函数表达式，其中，多个处理层中相邻的处理层之间存在残差连接。
[0106]
在本实施例的一些可选的实现方式中，历史客流量信息包括以下的至少一项信息特征：邻近性特征、周期性特征，信息特征是采用时间滑动窗口在历史客流量数据中获得的。
[0107]
本公开还提供了一种客流量的预测装置，该装置采用客流量预测模型的训练方法中任一实施例得到的客流量预测模型。
[0108]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0109]
如图6所示，是根据本公开实施例的客流量预测模型的训练方法的电子设备的框图和客流量的预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0110]
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器
和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
[0111]
存储器602即为本公开所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本公开所提供的客流量预测模型的训练方法和客流量的预测方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的客流量预测模型的训练方法和客流量的预测方法。
[0112]
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的客流量预测模型的训练方法或客流量的预测方法对应的程序指令/模块(例如，附图5所示的获取单元501、训练单元502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的客流量预测模型的训练方法或客流量的预测方法。
[0113]
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据客流量预测模型的训练电子设备或客流量的预测电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至客流量预测模型的训练电子设备或客流量的预测电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0114]
客流量预测模型的训练方法或客流量的预测方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
[0115]
输入装置603可接收输入的数字或字符信息，以及产生与客流量预测模型的训练电子设备或客流量的预测电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
[0116]
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0117]
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器
指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
[0118]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0119]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0120]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0121]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0122]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取地区中目标地点对应的训练样本的单元”。
[0123]
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是
上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取地区中目标地点对应的训练样本，其中，训练样本包括历史客流量信息和待预测时间段的真实客流量信息，历史客流量信息和真实客流量信息分别为客流量预测模型的输入和目标输出；根据训练样本中的输入和目标输出，对客流量预测模型进行训练，得到训练后的客流量预测模型。
[0124]
作为另一方面，本公开还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：采用上述客流量预测模型的训练方法中得到的客流量预测模型。
[0125]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。