[发明专利]区域用户数量统计值预测方法、装置、设备及介质

权利要求书

1.一种区域用户数量统计值预测方法，其特征在于，所述方法包括：

基于原始信令数据，确定用户实时位置；

基于用户实时位置，确定区域中各网格的实时用户数量统计值；

与时间相关联地保存所述实时用户数量统计值；以及

基于各网格的历史用户数量统计值和当前用户数量统计，通过深度卷积神经网络预测模型，预测各网格未来预定时间段的用户数量统计值；

深度卷积神经网络预测模型的一组或多组卷积神经网络层包括浅层卷积神经网络层和深度残差网络层，所述浅层卷积神经网络层进行目标网格及其临近网格的用户数量统计值的关联，所述深度残差网络层进行对于目标网格及其远距离网格的深度关联。

2.根据权利要求1所述的方法，其特征在于，所述基于各网格的历史用户数量统计值和当前用户数量统计，通过深度卷积神经网络预测模型、预测各网格未来预定时间段的用户数量统计值，包括：

使用区域各网格的历史用户数量统计值对所述深度卷积神经网络预测模型进行训练；以及

基于训练好的深度卷积神经网络预测模型和各网格的当前用户数量统计，预测各网格未来预定时间段的用户数量统计值。

3.根据权利要求2所述的方法，其特征在于，所述使用区域各网格的历史用户数量统计值对所述深度卷积神经网络预测模型进行训练，包括：

将区域各网格的历史用户数量统计值输入到所述深度卷积神经网络预测模型的一组或多组卷积神经网络进行卷积，输出一组或多组多维数组，所述多维数组对应于目标维度和目标数组；以及

基于所述一组或多组多维数组对所述深度卷积神经网络预测模型进行训练。

4.根据权利要求1所述的方法，其特征在于，所述基于所述一组或多组多维数组对所述深度卷积神经网络预测模型进行训练是针对所述深度卷积神经网络预测模型的实时预测模块的模型参数进行训练，包括：

获取与区域中各网格相关的影响特征矩阵，所述影响特征矩阵与所述多维数组形状相同；

将一组或多组多维数组和所述影响特征矩阵进行加和关联，得到最终特征矩阵；以及

基于所述最终特征矩阵训练实时预测模块的模型参数。

5.根据权利要求4所述的方法，其特征在于，所述影响特征矩阵是关于影响特征的矩阵，所述影响特征包括网格天气特征和/或网格突发事件特征，

所述获取与区域中各网格相关的影响特征矩阵，包括：

获取与区域中各网格相关的影响特征数据；

采用所述深度卷积神经网络预测模型的全连接层，将所述影响特征数据映射成与所述区域中的网格总数相同的影响特征向量；以及

将所述影响特征向量变形为所述影响特征矩阵。

6.根据权利要求2所述的方法，其特征在于，

所述历史用户数量统计值包括各网格在当前时刻之前的第一时间切片序列的用户数量统计值、各网格在当前时刻之前的第二时间切片序列的用户数量统计值和各网格在当前时刻之前的第三时间切片序列的用户数量统计值，所述第一时间切片序列、所述第二时间切片序列和所述第三时间切片序列与所述当前时刻的时间间隔依次增大。

7.根据权利要求6所述的方法，其特征在于，

所述第一时间切片序列包括n个第一时间切片，所述n个第一时间切片与所述当前时刻的时间间隔为T₁*i，所述T₁为第一时间粒度，所述i为第一切片序号，i＝1,2,…,n；并且/或者

所述第二时间切片序列包括n个第二时间切片，所述n个第二时间切片与所述当前时刻的时间间隔为T₂*j，所述T₂为第二时间粒度，所述j为第二切片序号，j＝1,2,…,n；并且/或者

所述第三时间切片序列包括n个第一时间切片，所述n个第三时间切片与所述当前时刻的时间间隔为T₃*k，所述T₃为第三时间粒度，所述k为第三切片序号，k＝1,2,…,n，

其中，n、i、j、k是正整数。