[发明专利]一种基于AI热度预测的公共人口疏导调度方法和系统

权利要求书

1.一种基于AI热度预测的公共人口疏导调度方法，其特征在于，包括：

从公共数据源获取与当前驱动事件相关联的内容数据，根据所述内容数据统计与所述当前驱动事件对应的多个量化指标；

根据所述内容数据确定所述当前驱动事件的热度的影响系数，所述影响系数包括正影响系数和负影响系数；统计正面的评价所针对的内容数据的数据量，并将正面的评价所针对的内容数据占全部内容数据的比例作为正影响系数，统计负面的评价所针对的内容数据的数据量，并将负面的评价所针对的内容数据占全部内容数据的比例作为负影响系数；

对所述多个量化指标分别进行归一化处理，将所述多个量化指标量化为同一数量级的指标数据；对所述多个量化指标分别进行归一化处理，将每个量化指标转化为一个归一化分值，分值的范围0-100分；

根据所述影响系数和所述指标数据确定所述当前驱动事件的热度向量的正影响维度和负影响维度；在确定了所述当前驱动事件的热度的正影响系数和负影响系数，以及与所述当前驱动事件对应的多个量化指标的归一化分值后，将当前驱动事件的热度的正影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的正影响维度，将当前驱动事件的热度的负影响系数与各量化指标的归一化分值的乘积作为当前驱动事件的热度向量的负影响维度；

根据所述当前驱动事件的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度；在确定了所述当前驱动事件的热度向量的正影响维度和负影响维度后，进一步结合所述当前驱动事件发生地的周围环境信息和位置信息确定所述当前驱动事件的热度向量的附加维度；

将所述正影响维度、所述负影响维度和所述附加维度整合为所述当前驱动事件的热度向量，利用预先训练好的神经网络模型对所述热度向量进行分析，确定所述当前驱动事件对应的人员聚集程度；在确定了所述当前驱动事件的热度向量的正影响维度、负影响维度和附加维度后，将上述维度整合为所述当前驱动事件的热度向量；然后利用预先训练好的神经网络模型对所述热度向量进行分析，确定所述当前驱动事件对应的人员聚集程度；神经网络模型是通过事先收集的已经举办完成的驱动事件的热度向量和对应的人员聚集程度作为样本，然后利用BP神经网络，将样本的热度向量作为输入、对应的人员聚集程度作为输出，对BP神经网络进行训练，生成的神经网络模型，利用生成的神经网络模型，将当前驱动事件的热度向量作为输入，输出当前驱动事件对应的人员聚集程度；

根据所述人员聚集程度执行相应的公共人口疏导调度。

2.根据权利要求1所述的方法，其特征在于，所述公共数据源包括：

微博服务器、搜索引擎服务器、论坛服务器和网页服务器中的一种或多种；

所述从公共数据源获取与所述当前驱动事件相关联的内容数据，包括：

在所述内容数据中基于关键词查找包括与所述当前驱动事件的相关联的关键词的内容数据作为有效内容数据，统计相应的微博转发量和/或引擎搜索量和/或论坛发帖量和/或网页浏览量作为量化指标；将覆盖关键词的内容数据作为有效内容数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述内容数据确定所述当前驱动事件的热度的影响系数，包括：

统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量，根据包括正影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的正影响系数，根据包括负影响词的内容数据在全部内容数据中的占比确定所述当前驱动事件的负影响系数。

4.根据权利要求3所述的方法，其特征在于，还包括：

预先建立正影响词词库和负影响词词库，所述正影响词词库和所述负影响词词库是两个词库，或者是存储在同一词库中的两个文件；所述正影响词词库包括生活用语和网络用语中常见的正面评价词，所述负影响词词库包括生活用语和网络用语中常见的负面评价词。

5.根据权利要求4所述的方法，其特征在于，所述统计所述内容数据中的包括正影响词的内容数据的数量和包括负影响词的内容数据的数量，包括：

所述统计所述内容数据中的包括所述正影响词词库中的正影响词在内的内容数据的数量和包括所述负影响词词库中的负影响词在内的内容数据的数量。