CN110210694A - 空间管理方法、装置、存储介质和计算机设备 - Google Patents

Abstract

本申请涉及一种空间管理方法、装置、存储介质和计算机设备，所述方法包括：获取目标空间的人流数据和环境数据；通过第一网络模型处理所述环境数据，获得关于所述目标空间的评分值；将所述人流数据输入第二网络模型进行处理，得到人流预测量；当所述人流预测量大于或等于预设接待量时，调整所述评分值；根据调整后的所述评分值调用所述目标空间的空间管理资源。本申请提供的方案可以有效地提升了目标空间管理的有效性。

Description

空间管理方法、装置、存储介质和计算机设备

技术领域

本申请涉及空间管理技术领域，特别是涉及一种空间管理方法、装置、存储介质和计算机设备。

背景技术

对于景区景点和博物馆展厅等人口容纳量有限的空间(以下简称有限空间)，由于有限空间的容量限制，当人流量较大时，可能会使得有限空间中的环境变差，从而影响用户体验。

为了改善用户体验，传统的空间管理方案为：通过传感器、探测器等设备采集有限空间的空间占用情况、温度和主要气体成分等环境数据，然后进行可视化展示，由管理人员根据可视化展示的环境数据来判断是否投放相应的资源来管理有限空间。然而，采用传统的空间管理方案，由于人为因素的原因，可能无法根据环境数据进行有效地评分和对未来一段时间内人流量进行有效预测以对有限空间进行管理，从而导致有限空间管理的有效性低。

发明内容

基于此，有必要针对有限空间管理的有效性低的技术问题，提供一种空间管理方法、装置、存储介质和计算机设备。

一种空间管理方法，包括：

获取目标空间的人流数据和环境数据；

通过第一网络模型处理所述环境数据，获得关于所述目标空间的评分值；

将所述人流数据输入第二网络模型进行处理，得到人流预测量；

当所述人流预测量大于或等于预设接待量时，调整所述评分值；

根据调整后的所述评分值调用所述目标空间的空间管理资源。

一种空间管理装置，所述装置包括：

数据获取模块，用于获取目标空间的人流数据和环境数据；

评分预测模块，用于通过第一网络模型处理所述环境数据，获得关于所述目标空间的评分值；

人流预测模块，用于将所述人流数据输入第二网络模型进行处理，得到人流预测量；

分值调整模块，用于当所述人流预测量大于或等于预设接待量时，调整所述评分值；

资源调用模块，用于根据调整后的所述评分值调用所述目标空间的空间管理资源。

一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述空间管理方法的步骤。

一种计算机设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述空间管理方法的步骤。

上述空间管理方法、装置、存储介质和计算机设备，通过获取目标空间的人流数据和环境数据，通过第一网络模型处理环境数据得到目标空间的评分值，从而实现利用环境数据对目标空间进行评分以便指导目标空间的管理。通过第二网络模型处理人流数据实现对未来一段时间内的人流量进行预测，进而根据预测所得的人流预测量来调整评分，综合考虑了目标空间的评分人流预测量，使用调整后的评分来指导目标空间的管理，从而有效地提升了目标空间管理的有效性。

附图说明

图1为一个实施例中空间管理方法的应用环境图；

图2为一个实施例中空间管理方法的流程示意图；

图3为一个实施例中对环境数据进行预处理，通过第一网络模型处理预处理后的环境数据步骤的流程示意图；

图4为一个实施例中对人流数据进行预处理，通过第二网络模型处理预处理后的人流数据步骤的流程示意图；

图5为一个实施例中对预测所得的评分值进行调整，根据调整后的评分值调用空间管理资料步骤的流程示意图；

图6为一个实施例中对第一网络模型进行训练步骤的流程示意图；

图7为一个实施例中对第二网络模型进行训练步骤的流程示意图；

图8为一个实施例中获得有限空间实时评分和根据实时评分调用空间管理资源对有限空间进行管理的流程示意图；

图9为一个实施例中空间管理装置的结构框图；

图10为另一个实施例中空间管理装置的结构框图；

图11为一个实施例中计算机设备的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为一个实施例中空间管理方法的应用环境图。参照图1，该空间管理方法应用于空间管理系统，该空间管理系统包括传感器110、探测器120、人流监控器130、移动终端140、kafka中间件150、数据库160和服务器170。其中，传感器110、探测器120、人流监控器130和移动终端140与kafka中间件150之间建立网络连接，kafka中间件150与数据库160之间建立网络连接，数据库160和服务器170之间建立网络连接。

传感器110至少包括温度传感器和湿度传感器，用于采集有限空间内的温度和湿度等环境数据，并上报至kafka中间件150。其中，有限空间可以是景区景点、名人故居、博物馆展厅和厕所等人口容纳量有限的空间。

探测器120至少包括光照强度探测器、气流探测器和气体成分探测器等，用于采集有限空间内的光照、气流和主要气体成分等环境数据，并上报至kafka中间件150。

人流监控器130可安装在有限空间的入口处，用于采集各时刻流入以及流出的人流数据，并将采集的人流数据上报至kafka中间件150。

移动终端140具体可以是手机、平板电脑、笔记本电脑等中的至少一种，用于当有限空间内的环境(如温度、湿度光照、气流、主要气体成分以及空间占用情况)处于不同水平时，采集对应水平环境下用户或检测员对有限空间的评分值，并将所采集的评分值上报至kafka中间件150。

kafka中间件150用于对传感器110、探测器120、人流监控器130和移动终端140所上报的环境数据和人流数据进行处理(如持久化)和维护。

数据库160用于当spark-streaming实时从kafka中间件150获取数据并进行清洗后，保存清洗后所得的环境数据和人流数据。

服务器170可以用独立的服务器或者是多个服务器组成的服务器集群来实现，用于对经过清洗后有限空间的人流数据和环境数据进行预测，根据预测所得的结果来调用空间管理资源对有限空间进行管理。例如，调用空间管理资源对有限空间进行管理可以是：当预测所得的结果表示有限空间人数较多、室内环境较差时，服务器170可以通过向用于限制人流量的限流设备发送限流指令，对流入有限空间的人流量进行限制。

如图2所示，在一个实施例中，提供了一种空间管理方法。本实施例主要以该方法应用于上述图1中的服务器170来举例说明。参照图2，该空间管理方法具体包括如下步骤：

S202，获取目标空间的人流数据和环境数据。

其中，目标空间可以是封闭和半封闭的空间，如名人故居、博物馆展厅和厕所等容纳有限人群的有限空间。此外，目标空间也可以是开放式的、且人群容纳有限人群的有限空间，如湿地或小岛型的景点等风景区。综上所述，目标空间可以是一个容纳有限人群的封闭、半封闭或开放式的有限空间。

人流数据可以是流入目标空间的人流流入量，也可以是净流入目标空间的人流量(即净流入的人流量＝流入量-流出量)。人流数据是一种时间序列，可以按秒、分或小时为统计单位进行统计。

环境数据可以是目标空间中关于空间环境的数据，包括但不限于：温度、湿度、光照强度、气流、空间占用(如厕所坑位占用，餐厅座位占用，公交车/列车座位占用，停车场车位占用等等)情况和主要气体成分(例如氧气或二氧化碳浓度等)。空间占用情况可以包括空间占用比例和空间剩余数。举例来说，对于景区中的露天表演区，空间占用比例和空间剩余数分别是露天表演区中的座位占用比例和座位剩余数。

获取的人流数据和环境数据可以是最近一段时间内的数据，如t0～t1时间内的数据，其中，t0可以是当前时间，t1可以是t0之前的时间。

在一个实施例中，当检测到触发事件时，服务器从数据库中获取关于目标空间的人流数据和环境数据。其中，该触发事件可以是由管理员终端向服务器发起的触发指令，也可以是定时脉冲信号。

在一个实施例中，当触发事件为定时脉冲信号时，服务器实时监测定时脉冲信号，当检测到强度满足强度阈值、且脉冲宽度满足宽度阈值时，则从数据库中获取关于目标空间的人流数据和环境数据。定时脉冲的强度满足强度阈值、且宽度满足宽度阈值，可以有效避免无效脉冲信号的干扰。

在一个实施例中，在获取到人流数据和环境数据之后，服务器可以对人流数据和环境数据进行清洗，以得到有用的人流数据和环境数据。例如，环境数据中包含有主要气体成分的数据和非主要气体成分的数据，可以通过清洗过程将非主要气体成分的数据从环境数据中清洗掉。

在另一个实施例中，目标空间内的采集终端采集环境数据和人流数据，将采集到的环境数据和人流数据上报到kafka中间件，由spark-streaming实时获取环境数据和人流数据，并对所获取的数据进行清洗，然后存储于数据库中，以便服务器获取所存储的数据以对目标空间进行管理。其中，该数据库可以是常用的关系型数据库或非关系型数据库，也可以是Hive数据仓库。

S204，通过第一网络模型处理环境数据，获得关于目标空间的评分值。

其中，第一网络模型可以是基于树的网络模型，可采用XGboost算法进行模型构建。在第一网络模型中可采用基分类器或线性分类器进行评分值的预测，基分类器可以使用GBTree(General Balanced Trees，通用平衡树)，可提升模型的计算能力。

评分值可以用于评价目标空间中环境的好坏，并可根据评分值调用相应的空间管理资源对目标空间进行管理。例如，当评分值较小时，可以表示目标空间中的环境较差，如温度、湿度、光照、气流和主要气体成分中的一种或多种比较差，或者目标空间中人群数量大(如目标空间中的空间占用比例大)，降低用户舒适感，可以向空调、加湿器、扫地机器人、空压机和限流设备等设备中的一种或多种发送控制指令，以实现对目标空间进行管理(如降低温度、增加湿度、增大空气对流和限制人流量等)。当评分值较大时，可以表示目标空间中的环境较好，如温度、湿度、光照、气流和主要气体成分均适宜。

其中，当目标空间中的温度较高、或湿度较大、或光照较强、或气流较大、或氧气含量少而二氧化碳气体含量较多时，可以表示目标空间中的环境较差。

在一个实施例中，服务器将环境数据作为自变量输入第一网络模型，通过第一网络模型处理该环境数据，输出对目标空间评分的评分值。该评分值可以是综合分值，也可以是各项环境所对应的分值。

在一个实施例中，处理环境数据的第一网络模型是由环境数据样本和对应的用户评分值作为标签进行训练所得。

在一个实施例中，对于第一网络模型的训练方法，可以包括：服务器可以根据XGboost算法创建第一网络模型，该第一网络模型中以环境数据样本作为自变量，用户评分值作为输出变量。然后，服务器将环境数据样本输入所创建的第一网络模型中进行训练，得到预测评分值。服务器将预测评分值与作为标签的用户评分值进行比较，计算两者的残差，根据残差来调整第一网络模型中的参数，直至输出的预测评分值与作为标签的用户评分值之间保持一致，得到最终的第一网络模型。

在一个实施例中，环境数据包括温度、湿度、光照强度、气流、空间占用情况和主要气体成分中的一种或多种组合，可以将温度、湿度、光照强度、气流和主要气体成分的组合作为目标环境数据。S204之前，该方法还可以包括：服务器从环境数据中提取目标环境数据，对所提取的目标环境数据分别进行标准化处理，然后确定分段的步长，根据该步长对标准化处理后的目标环境数据进行分段。

例如，服务器对温度、湿度、光照、气流和主要气体成分这些目标环境数据，使用z-score进行标准化处理，从而消除因度量单位和变化幅度带来的影响。将标准化后所得的目标环境数据进行分段处理，可分成7段，如下所述：(-∞,μ-3δ]、(μ-3δ,μ-2δ]、(μ-2δ,μ-δ]、(μ-δ,μ+δ)、[μ+δ,μ+2δ)、[μ+2δ,μ+3δ)、[μ+3δ,+∞)，分段后的目标环境数据有助于提高第一网络模型的鲁棒性。

S206，将人流数据输入第二网络模型进行处理，得到人流预测量。

其中，第二网络模型可以是ARMA(Autoregressive moving average，自回归滑动平均)模型、ARIMA(Autoregressive Integrated Moving Average model，差分整合移动平均自回归)模型或基于LTSM神经网络搭建的时间预测模型等。人流数据是一个时间序列，可以表示各时间点或时间段内流入目标空间的人数(可以是纯流入目标空间的人数或净流入目标空间的人数)。人流数据随时间变化而发生变化，可以是随时间变化人流数据发生连续性变化，也可以是随时间变化人流数据发生骤变，如激增或骤减。一般地，日间、节假日的人流数据分别大于夜间和工作日的人流数据。

在一个实施例中，人流数据为时间序列，时间序列又包括平稳的时间序列和不平稳的时间序列。服务器判断人流数据是否为平稳的时间序列，若为平稳的时间序列时，则直接将人流数据输入第二网络模型进行处理，得到人流预测量。若为非平稳的时间序列时，则对人流数据进行差分处理，得到平稳的人流数据，然后将平稳的人流数据输入第二网络模型进行处理，得到人流预测量。对非平稳的人流数据进行差分处理得到平稳的人流数据，从而可以避免采用非平稳的人流数据进行预测，导致预测值不准确的问题。

进一步地，在输入第二网络模型之前，服务器还可以对人流数据进行白噪声检测，如采用Ljung-Box test方式检测人流数据是否为白噪声，当人流数据为非白噪声时，将平稳的人流数据输入第二网络模型。当人流数据为白噪声时，可间隔预设时间后重新获取目标空间的人流数据。

在一个实施例中，人流监控器实时检测流入目标空间的人流数据，然后将检测所得的人流数据上报至kafka中间件，由spark-streaming实时获取人流数据，并对所获取的人流数据进行清洗，然后存储于数据库中，以便服务器获取所存储的人流数据进行人流预测，以便根据人流预测量对目标空间进行管理。人流监控器可采用图像识别的目标检测方法或基于深度学习的目标检测方式实现对人流量的检测。

S208，当人流预测量大于或等于预设接待量时，调整评分值。

其中，预设接待量可以是当前环境下的最佳接待量，可以由检测员根据目标空间的实际占用情况所给出。由于目标空间的容纳量有限，在确保用户具有较好的体验前提下设置最佳接待量。当目标空间为空状态(即无人)时，最佳接待量则为目标空间的容纳量。当目标空间为非空状态(即有人)时，最佳接待量可以是容纳量与当前占用数的差值。

人流预测量可以是预测在未来时间段内流入目标空间的人流量，或者是未来时间段内净流入目标空间的人流量。其中，净流入人流量为总流入的人流量与流出的人流量之间的差值。

在一个实施例中，当根据人流数据预测出未来时间段的人流量大，且人流预测量大于或等于预设接待量时，若按照人流预测量让人流流入目标空间，则可能因为目标空间内的用户数量过多使得环境变差，从而影响用户体验。此时，服务器调小评分值，然后执行S210；或者，服务器判断调小后的评分值是否满足空间管理条件，若满足，则执行S210。

例如，假设博物馆展厅容纳的人数为100，若博物馆展厅的当前人数为50，由于博物馆展厅的人数不多，环境数据较优，因此评分值较高。当预测人流量为50人/分钟时，显然预测人流量达到了预设接待量，若以50人/分钟流量让人群流入，将会使环境变差，因此调小评分值，然后执行S210，如进行限流。

又例如，假设一餐厅可容纳的人数最大值为100，若当前餐厅内有95人，因为人数已趋饱和，评分值较低。当预测人流量为+10人/30分钟时(例如在半小时内用完餐20人，而有30人进入餐厅)，显然预测人流量达到了预设接待量，将会使环境变差，因此调小评分值，然后执行S210，如进行限流。限流的具体措施可以是叫号程序放缓叫号或停止叫号。

S210，根据调整后的评分值调用目标空间的空间管理资源。

其中，空间管理资源可以是对目标空间进行管理的资源，如用于限制人流量的限流设备、空调、加湿器、空压机和扫地机器人等等。

在一个实施例中，不同的评分值可以对应不同的空间管理资源。或者，不同的评分值可以对应相同的空间管理资源、但空间管理资源的参数不同。

在一个实施例中，当评分值为综合评分时，服务器判断调整后的评分值是否小于或等于预设分值，若是，则生成控制指令，通过该控制指令调用目标空间的空间管理资源，并按照调整后的评分值设置空间管理资源的参数。若否，则等待下一个触发事件，以执行S202。

例如，当调整后的评分值较小时，向针对目标空间的用于限制人流量的限流设备、空调、加湿器和扫地机器人等空间管理资源发送控制指令，以便限流设备自动开启或关闭来实现限流，控制空调开或关来调节温度，控制加湿器进行加湿，控制空压机进行更换空气，控制扫地机器人进行垃圾清理等，从而对目标空间进行管理。此外，还可以对空间管理资源的参数按照评分值进行设置，以便设置流入目标空间的上限流量、空调温度、加湿器的加湿程度、空压机的空气流速等。

在一个实施例中，当评分值为针对各项环境数据的评分时，服务器判断调整后的评分值是否小于或等于预设分值，若是，则生成控制指令，通过该控制指令调用与目标环境数据对应的空间管理资源。若否，则等待下一个触发事件，以执行S202。

例如，当温度环境评分值较小时，向空调发送控制指令以便控制空调开或关来调节温度。当目标空间的空间占用情况评分值较小(即目标空间人数太多)时，向用于限制人流量的限流设备发送控制指令，以便限流设备自动开启或关闭来实现限流。

上述实施例中，通过获取目标空间的人流数据和环境数据，通过第一网络模型处理环境数据得到目标空间的评分值，从而实现利用环境数据对目标空间进行评分以便指导目标空间的管理。通过第二网络模型处理人流数据实现对未来一段时间内的人流量进行预测，进而根据预测所得的人流预测量来调整评分，综合考虑了目标空间的评分人流预测量，使用调整后的评分来指导目标空间的管理，从而有效地提升了目标空间管理的有效性。

在一个实施例中，如图3所示，S204具体可以包括：

S302，将环境数据进行标准化处理得到标准化环境数据。

其中，标准化可以是将环境数据按比例缩放，使之落入一个小的特定区间，从而去除环境数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

在一个实施例中，服务器按照预设的标准化方式将环境数据进行标准化处理，从而得到标准化环境数据。其中，标准化方式可以包括但不限于z-score(zero-mean，零均值)标准化和离差标准化。

例如，X_n＝(x₁,x₂,...,x_i,...,x_n)为环境数据，采用z-score标准化对环境数据X_n进行标准化处理，标准化处理后的环境数据Y_n＝(X_n-μ)/δ，其中，μ为环境数据的期望，δ为环境数据的标准差。

S304，对标准化环境数据进行分段。

在一个实施例中，服务器计算环境数据的期望与标准差，以环境数据的标准差为步长对标准化环境数据进行分段。此外，也可以方差为步长对标准化环境数据进行分段。例如，假设标准化环境数据为Y_n，对标准化环境数据Y_n按照如下(-∞,μ-3δ]、(μ-3δ,μ-2δ]、(μ-2δ,μ-δ]、(μ-δ,μ+δ)、[μ+δ,μ+2δ)、[μ+2δ,μ+3δ)、[μ+3δ,+∞)方式分成七段。

S306，将分段后的标准化环境数据输入第一网络模型进行处理，获得关于目标空间的评分值。

其中，第一网络模型为分段后的标准化环境数据样本进行训练所得。

在一个实施例中，服务器获取关于目标空间的环境数据样本和对应的参考评分值，然后将环境数据样本进行标准化处理得到标准化环境数据样本。服务器计算环境数据样本的标准差，按照计算出来的标准差对标准化环境数据样本进行分段，然后将分段后的标准化环境数据样本输入第一网络模型训练获得训练评分值。服务器确定训练评分值与参考评分值之间的残差，根据残差调整第一网络模型的参数值，直至获得的训练评分值与参考评分值一致，结束训练得到训练后的第一网络模型。

上述实施例中，对环境数据进行标准化处理之后，可以消除因度量单位和变化幅度带来的影响，提高评分值预测的准确性。此外，对标准化处理之后的环境数据进行分段，将分段后的标准化环境数据输入第一网络模型进行处理可提升计算速率。

在一个实施例中，如图4所示，S206具体可以包括：

S402，检测人流数据的时间平稳性。

其中，人流数据是一种时间序列，随时间的变化人流数据随之发生变化，变化的形式可以是连续性变化，也可以是骤变(即人流量瞬间变的很大)。时间平稳性可以指人流数据围绕着一个常数上下波动且波动范围有限，即存在常数均值和常数方差。而当人流数据的波动性具有明显的上升或下降或周期性时，则表示人流数据不具有时间平稳性。

人流数据的时间平稳性检测可以有多种：根据人流趋势图判断人流数据的平稳性，根据自相关图和偏相关图判断人流数据的平稳性，根据单位根检测方式判断人流数据的平稳性。因此，S402可以分为以下三种判断方式：

方式1，根据人流趋势图判断人流数据的平稳性。

在一个实施例中，由于人流数据是一种时间序列，服务器可以生成与人流数据对应的人流趋势图，根据人流趋势图判断人流数据的时间平稳性。

具体地，服务器生成与人流数据对应的人流趋势图，根据人流趋势图判断人流数据随时间的变化情况，若确定人流数据曲线随时间的变化而发生连续性变化时，则可以确定人流数据在时间上是平稳的。若确定人流数据曲线随时间的变化而发生骤变时，则可以确定人流数据在时间上是非平稳的。

方式2，根据自相关图和偏相关图判断人流数据的平稳性。

在一个实施例中，服务器生成人流数据的自相关图和偏相关图，根据自相关图和偏相关图判断人流数据的时间平稳性。

在一个实施例中，服务器生成人流数据的偏相关图，判断自相关图中人流数据曲线是否拖尾，或者是否截尾，若自相关图出现拖尾或截尾时，则服务器可以确定人流数据在时间上是平稳的。若自相关图既不出现拖尾也不出现截尾时，则服务器可以确定人流数据在时间上是非平稳的。

在一个实施例中，服务器生成人流数据的偏相关图，判断偏相关图中人流数据曲线是否拖尾，或者是否截尾，若偏相关图出现拖尾或截尾时，则服务器可以确定人流数据在时间上是平稳的。若偏相关图既不出现拖尾也不出现截尾时，则服务器可以确定人流数据在时间上是非平稳的。

其中，截尾指的是人流数据在某个阶数之后系数都为0，拖尾指的是存在一个衰减的趋势。

方式3，根据单位根检测方式判断人流数据的平稳性。

在一个实施例中，服务器对人流数据进行单位根检测，根据单位根检测所得的结果判断人流数据的时间平稳性。若存在单位根，则人流数据即为非平稳的时间序列；若不存在单位根，则人流数据即为平稳的时间序列。

具体地，假设人流数据存在单位根，服务器利用ADF检验算法对人流数据进行ADF检验，得到概率值。服务器将所得到的概率值与预设概率值进行比较，若概率值小于预设概率值时，则确定人流数据在时间上是平稳的；若概率值大于或等于预设概率值时，则确定人流数据在时间上是非平稳的。

例如，首先假设人流数据存在单位根，对人流数据进行ADF检验，得到P-value(即概率值)，将P-value与1％水平的参照值对比，若P-value小于1％水平的参照值，表明显著地拒绝原假设，即人流数据在时间上是平稳的；若P-value≥小于1％水平的参照值，表明符合原假设，人流数据在时间上是非平稳的。

S404，当根据时间平稳性检测的结果确定人流数据属于非平稳时，将人流数据转换为时间平稳人流数据。

在一个实施例中，服务器对人流数据进行差分处理，然后进行平稳性检测，直至确定差分处理后的人流数据为平稳时间序列时，得到时间平稳人流数据。

例如，当原序列不平稳(P-value≥小于1％水平的参照值)，进行1阶差分，1阶差分即是人流数据中连续相邻两项之差。当1阶差分后的序列，P-value≥小于1％水平的参照值，则继续做2阶差分，直到P-value＜1％水平的参照值时，得到时间平稳人流数据。

当人流数据为白噪声序列时，则人流数据都是独立的，将无法通过历史的人流数据对未来一段时间内的人流数据进行预测，因此，对人流数据进行白噪声检测。在一个实施例中，服务器对时间平稳人流数据进行白噪声检测获得检测值；当检测值小于或等于预设检测值时，表示时间平稳人流数据为非白噪声序列，则执行S406；当检测值大于预设检测值时，表示时间平稳人流数据为白噪声序列，则重新执行S202。

例如，假设时间平稳人流数据是白噪声序列，通过Ljung-Box test检测方式对时间平稳人流数据进行白噪声检测，获得P-value(即上述的检测值，为概率)，将P-value与1％水平的参照值对比(即对比P-value与1％之间的大小)，若P-value小于1％水平的参照值，表示检测结果显著地拒绝原假设，该时间平稳人流数据不是白噪声序列。若P-value大于或等于1％水平的参照值，表示检测结果符合原假设，该时间平稳人流数据是白噪声序列。

S406，通过第二网络模型处理时间平稳人流数据，得到人流预测量。

在一个实施例中，第二网络模型是根据平稳的、且非白噪声的人流数据样本进行训练所得。S406之前，对第二网络模型训练的方法包括：服务器对人流数据样本进行时间平稳性检测和白噪声检测，当人流数据样本为时间平稳且非白噪声数据时，将人流数据样本分别输入候选的多组第二网络模型进行训练获得对应的训练人流预测量。服务器计算训练人流预测量与参考人流数据的残差平方和，根据残差平方和第二网络模型中的参数数量计算AIC(Akaike information criterion，赤池信息量)，根据残差平方和、人流数据样本大小和第二网络模型中的参数数量计算BIC(Bayesian Information Criterions，贝叶斯信息量)。服务器选取最小AIC和最小BIC所对应的第二网络模型作为最终的网络模型。

其中，AIC和BIC值越小，表示第二网络模型对人流数据的拟合越好，预测出来的人流量越准确。AIC和BIC的计算式如下所示：

AIC＝2k-2ln(L)，L为似然函数，K为参数数量；

BIC＝-2ln(L)+k ln(n)，L为似然函数，n为样本大小，K为参数数量。

其中，似然函数L正比于残差平方和所对应的函数，残差平方和所对应的函数表达式为y_i是参考人流数据，f(x_i)是ARIMA(p,d,q)模型基于人流数据的训练人流预测量。

上述实施例中，对人流数据进行时间平稳性检测，对非平稳的人流数据转换为时间平稳人流数据，通过第二网络模型处理时间平稳人流数据，得到人流预测量，可有效地避免因骤变的人流量而影响人流预测量的准确性。此外，对人流数据进行白噪声检测，当确定人流数据为非白噪声时，通过第二网络模型处理时间平稳人流数据，得到人流预测量，可以避免因白噪声影响人流预测量的准确性，因此可以有效地提升未来一段时间内人流量预测准确性。

在一个实施例中，如图5所示，S208具体可以包括：

S502，当人流预测量大于或等于预设接待量时，根据人流预测量和预设接待量确定评分值的调整系数。

在一个实施例中，服务器计算预设接待量与人流预测量之间的比值(即预设接待量/人流预测量)，将该比值确定为评分值的调整系数。

S504，按照所确定的调整系数调整评分值。

在一个实施例中，服务器将调整系数乘以评分值，从而将评分值进行调小，得到调整后的评分值。

S210具体可以包括：S506，当调整后的评分值调小于第一评分阈值时，根据调整后的评分值调用用于对目标空间进行管理的空间管理资源。

不同的评分值可以对应不同的空间管理资源。或者，不同的评分值可以对应相同的空间管理资源、但空间管理资源的参数不同。

在一个实施例中，当评分值为综合评分时，服务器判断调整后的评分值是否小于或等于第一评分阈值，若是，则生成控制指令，通过该控制指令调用目标空间的空间管理资源，并按照调整后的评分值设置空间管理资源的参数。

例如，当调整后的评分值较小时，向针对目标空间的用于限制人流量的限流设备、空调、加湿器和扫地机器人等空间管理资源发送控制指令，以便限流设备自动开启或关闭来实现限流，控制空调开或关来调节温度，控制加湿器进行加湿，控制空压机进行更换空气，控制扫地机器人进行垃圾清理等，从而对目标空间进行管理。此外，还可以对空间管理资源的参数按照评分值进行设置，以便设置流入目标空间的上限流量、空调温度、加湿器的加湿程度、空压机的空气流速等。

在一个实施例中，当评分值为针对各项环境数据的评分时，服务器判断调整后的评分值是否小于或等于第一评分阈值，若是，则生成控制指令，通过该控制指令调用与目标环境数据对应的空间管理资源。

例如，当温度环境评分值较小时，向空调发送控制指令以便控制空调开或关来调节温度。当目标空间的空间占用情况评分值较小(即目标空间人数太多)时，向用于限制人流量的限流设备发送控制指令，以便限流设备自动开启或关闭来实现限流。

上述实施例中，当人流预测量大于或等于预设接待量时，对预测出来的评分值进行调整，从而将人流数据与环境数据建立联系，当人流预测量较大时可能会影响环境数据，从而对评分值进行调整，以便于及时调度空间管理资源和人员，有利于提升空间管理的效率和质量。

在一个实施例中，如图6所示，该方法还可以包括：

S602，从数据库中获取目标空间的环境数据样本和对应的参考评分值。

环境数据样本可以是目标空间中关于空间环境的数据，包括但不限于：温度、湿度、光照强度、气流、空间占用情况和主要气体成分。空间占用情况可以包括空间占用比例和空间剩余数。举例来说，对于景区中的露天表演区，空间占用比例和空间剩余数分别是露天表演区中的座位占用比例和座位剩余数。

获取的环境数据样本可以是最近一段时间内的数据，如t0～t1时间内的数据，其中，t0可以是当前时间，t1可以是t0之前的时间。

参考评分值可以是用户或检测员在处于目标空间、且空间的环境参数为环境数据样本时所给出的体验分值，该分值用于评价目标空间中环境的好坏。例如，当参考评分值较小时，可以表示目标空间中的环境较差，如温度、湿度、光照、气流和主要气体成分中的一种或多种比较差，或者目标空间中人群数量大(如目标空间中的空间占用比例大)，降低用户舒适感。

在一个实施例中，当检测到触发事件时，服务器从数据库中获取关于目标空间的环境数据样本和对应的参考评分值。其中，该触发事件可以是由管理员终端向服务器发起的触发指令，也可以是定时脉冲信号。

在一个实施例中，当触发事件为定时脉冲信号时，服务器实时监测定时脉冲信号，当检测到强度满足强度阈值、且脉冲宽度满足宽度阈值时，则从数据库中获取关于目标空间的人流数据样本和环境数据样本。定时脉冲的强度满足强度阈值、且宽度满足宽度阈值，可以有效避免无效脉冲信号的干扰。

在一个实施例中，在获取到环境数据样本之后，服务器可以对环境数据样本进行清洗，以得到有用的环境数据样本。例如，环境数据样本中包含有主要气体成分的数据和非主要气体成分的数据，可以通过清洗过程将非主要气体成分的数据从环境数据样本中清洗掉。

在另一个实施例中，目标空间内的采集终端采集环境数据样本，将采集到的环境数据样本上报到kafka中间件，由spark-streaming实时获取环境数据样本，并对所获取的环境数据样本进行清洗，然后存储于数据库中，以便服务器获取所存储的环境数据样本以对第一网络模型进行训练。其中，该数据库可以是常用的关系型数据库或非关系型数据库，也可以是Hive数据仓库。

S604，将环境数据样本进行标准化处理，得到标准化环境数据样本。

其中，上述的标准化处理可以是将环境数据样本按比例缩放，使之落入一个小的特定区间，从而去除环境数据样本的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。

在一个实施例中，服务器按照预设的标准化方式将环境数据样本进行标准化处理，从而得到标准化环境数据样本。其中，标准化方式可以包括但不限于z-score标准化和离差标准化。

例如，X_n＝(x₁,x₂,...,x_i,...,x_n)为环境数据样本，采用z-score标准化对环境数据样本X_n进行标准化处理，标准化处理后的环境数据样本Y_n＝(X_n-μ)/δ，其中，μ为环境数据样本的期望，δ为环境数据样本的标准差。

在一个实施例中，服务器删除环境数据样本中参考评分值小于第二评分阈值的部分样本，并将环境数据样本中参考评分值大于第三评分阈值的部分样本删除。S604具体可以包括：服务器将删除小于第二评分阈值的部分样本和删除大于第三评分阈值的部分样本后所得的环境数据样本进行标准化处理，得到标准化环境数据样本。

例如，服务器设置上下两个临界值，当参考评分值小于下限临界值时，将小于下限临界值所对应的环境数据样本作为异常数据进行删除。当参考评分值大于上限临界值时，将大于上限临界值所对应的环境数据样本作为异常数据进行删除，从而避免异常数据对第一网络模型的训练产生影响而使数据预测不准确，从而提高目标空间的管理效率。

在一个实施例中，从目标环境数据样本中提取参考评分值小于第四评分阈值的部分样本；目标环境数据样本为删除小于第二评分阈值的部分样本和删除大于第三评分阈值的部分样本后所得的环境数据样本；确定升采样频率；升采样频率大于环境数据样本的采集频率；按照升采样频率对提取的部分样本进行升采样，得到升采样环境数据；上述将删除小于第二评分阈值的部分样本和删除大于第三评分阈值的部分样本后所得的环境数据样本进行标准化处理的步骤，具体可以包括：将升采样环境数据进行标准化处理，以及将目标环境数据样本中参考评分值大于或等于第四评分阈值的部分样本进行标准化处理。

其中，参考评分值小于第四评分阈值的部分样本，指的是评分值较小的环境数据样本，该部分样本的数量较少，为了保证数据的平衡性，对该部分样本进行升采样，从而保证正负样本比例在合理范围。

S606，对标准化环境数据样本进行分段。

在一个实施例中，服务器计算环境数据样本的期望与标准差，以环境数据样本的标准差为步长对标准化环境数据样本进行分段。此外，也可以方差为步长对标准化环境数据样本进行分段。例如，假设标准化环境数据样本为Y_n，对标准化环境数据样本Y_n按照如下(-∞,μ-3δ]、(μ-3δ,μ-2δ]、(μ-2δ,μ-δ]、(μ-δ,μ+δ)、[μ+δ,μ+2δ)、[μ+2δ,μ+3δ)、[μ+3δ,+∞)方式分成七段。

S608，将分段后的标准化环境数据样本输入第一网络模型训练，获得训练评分值。

S610，对比训练评分值与参考评分值，根据对比所得的结果调整第一网络模型的参数值。

在一个实施例中，服务器确定训练评分值与参考评分值之间的残差，根据残差调整第一网络模型的参数值，直至获得的训练评分值与参考评分值一致，结束训练得到训练后的第一网络模型。

上述实施例中，对环境数据样本进行标准化处理，消除因度量单位和变化幅度带来的影响，避免了数据样本的度量单位和变化幅度影响对第一网络模型的训练，可以有效地提高第一网络模型的预测准确性。对标准化处理之后的环境数据样本进行分段，使用分段后的数据对第一网络模型进行训练，可以有效地提高第一网络模型地鲁棒性。

在一个实施例中，如图7所示，在将人流数据输入第二网络模型进行处理之前，该方法还可以包括：

S702，从数据库中获取目标空间的人流数据样本和对应的参考人流数据。

其中，人流数据样本可以是流入目标空间的人流量，也可以是净流入目标空间的人流量(即净流入的人流量＝流入量-流出量)。人流数据样本是一种时间序列，可以按秒、分或小时为统计单位进行统计。

获取的参考人流数据样本可以是最近一段时间内的数据，如t0～t1时间内的数据，其中，t0可以是当前时间，t1可以是t0之前的时间。而人流数据样本可以是t1之前地人流数据。

在一个实施例中，当检测到触发事件时，服务器从数据库中获取关于目标空间的人流数据样本和对应的参考人流数据。其中，该触发事件可以是由管理员终端向服务器发起的触发指令，也可以是定时脉冲信号。

在一个实施例中，当触发事件为定时脉冲信号时，服务器实时监测定时脉冲信号，当检测到强度满足强度阈值、且脉冲宽度满足宽度阈值时，则从数据库中获取关于目标空间的人流数据样本。定时脉冲的强度满足强度阈值、且宽度满足宽度阈值，可以有效避免无效脉冲信号的干扰。

在一个实施例中，在获取到人流数据样本之后，服务器可以对人流数据样本进行清洗，以得到有用的人流数据样本。例如，环境数据中包含有主要气体成分的数据和非主要气体成分的数据，可以通过清洗过程将非主要气体成分的数据从环境数据中清洗掉。

在另一个实施例中，目标空间内的采集终端采集人流数据样本，将采集到的人流数据样本上报到kafka中间件，由spark-streaming实时获取人流数据样本，并对所获取的人流数据样本进行清洗，然后存储于数据库中，以便服务器获取所存储的人流数据样本以对第二网络模型进行训练。其中，该数据库可以是常用的关系型数据库或非关系型数据库，也可以是Hive数据仓库。

S704，对人流数据样本进行时间平稳性检测和白噪声检测。

在一个实施例中，当人流数据为白噪声序列时，则人流数据都是独立的，将无法通过历史的人流数据对未来一段时间内的人流数据进行预测，因此，对人流数据进行白噪声检测。服务器对时间平稳人流数据进行白噪声检测获得检测值；当检测值小于或等于预设检测值时，表示时间平稳人流数据为非白噪声序列，则执行S406；当检测值大于预设检测值时，表示时间平稳人流数据为白噪声序列，则重新执行S202。

例如，假设时间平稳人流数据是白噪声序列，通过Ljung-Box test检测方式对时间平稳人流数据进行白噪声检测，获得P-value，将P-value与1％水平的参照值对比，若P-value小于1％水平的参照值，表示检测结果显著地拒绝原假设，该时间平稳人流数据不是白噪声序列。若P-value大于或等于1％水平的参照值，表示检测结果符合原假设，该时间平稳人流数据是白噪声序列。

S706，当人流数据样本为时间平稳且非白噪声数据时，将人流数据样本分别输入候选的多组第二网络模型获得对应的训练人流预测量。

在一个实施例中，服务器生成人流数据样本的自相关图和偏相关图；获取自相关图中曲线衰减至预设阈值时所对应的多个自回归项数，以及获取偏相关图中曲线衰减至预设阈值时所对应的多个移动平均项数；将所获取的自回归项数和移动平均项数进行组合；创建第二网络模型，并按照组合后的自回归项数和移动平均项数分别对第二网络模型进行初始化，得到多组第二网络模型。

其中，自回归项数可以是ARIMA模型中的p阶自回归，移动平均项数可以是ARIMA模型中的q阶移动平均。

例如，画出序列的自相关图、偏相关图，观察其截尾和拖尾情况，得到关于ARIMA模型(即第二网络模型)的最优p阶自回归和q阶移动平均，分别按照最优p阶自回归和q阶移动平均设置ARIMA(p,d,q)模型中的参数得到多组第二网络模型。

S708，确定训练人流预测量与参考人流数据之间的差异，基于差异选取第二网络模型。

在一个实施例中，S708具体可以包括：服务器确定训练人流预测量与参考人流数据之间的差异；确定人流数据样本的样本数量和第二网络模型的参数数量；根据差异和参数数量获得第一信息量；根据差异、样本数量和参数数量获得第二信息量；从多组第二网络模型中，选取最小第一信息量和最小第二信息量所对应的第二网络模型。

其中，第一信息量可以时赤池信息量，第二信息量可以是贝叶斯信息量。

例如，基于枚举的思想，使用Grid Search对p、q进行组合测试，例如ARIMA(1,d,1)、ARIMA(1,d,2)、ARIMA(2,d,1)...，比较每次建模生成的AIC值和BIC值，选择最小AIC值和BIC值对应的(p，q)组合作为最佳组合。

上述实施例中，对人流数据样本进行时间平稳性检测和白噪声检测，在确定人流数据样本为时间平稳且非白噪声数据时，使用人流数据样本对第二网络模型进行训练，得到训练好的第二网络模型，提高了第二网络模型预测的精度，能有效地避免因骤变的人流量以及白噪声而影响人流预测量的准确性，有利于提高目标空间的管理效率。

作为一个示例，如图8所示，提供了一种有限空间评分和管理的方法，该方法包括如下内容：

(一)数据采集。

通过有限空间内的传感器、探测器、人流流入量采集器和移动客户端采集温度、湿度、光照、气流、坑位占用和主要气体成分等环境数据，以及人流流入量和用户对有限空间体验的评分上报kafka中间件，通过spark-streaming实时获取上报的环境数据、人流流入量和评分等数据，并进行清洗，然后将这些数据存储于hive数据仓库。其中，人流流入量为时间序列。

(二)分析建模，计算有限空间的实时评分。

1)异常数据的处理。

用户或检测员对有限空间的评分与环境数据具有对应关系，若环境好则对应的评分高，若环境差则对应的评分低。对于评分，按照评分高低计算所有评分中处于5％分位数和95％分位数的评分，然后将排在5％分位数之前和95％分位数之后的两端环境数据作为异常样本进行删除。

2)数据标准化消除量纲，将标准化数据分段处理提高鲁棒性。

环境数据中的坑位占用包括剩余坑位个数和剩余坑位比例，坑位占用可以不进行数据预处理。

对于温度、湿度、光照、气流和主要气体成分等环境数据，使用z-score进行标准化处理，可以消除环境数据因度量单位和变化幅度带来的影响。此外，将标准化处理后的环境数据分段处理，按照以下(-∞,μ-3δ]、(μ-3δ,μ-2δ]、(μ-2δ,μ-δ]、(μ-δ,μ+δ)、[μ+δ,μ+2δ)、[μ+2δ,μ+3δ)、[μ+3δ,+∞)对环境数据进行分段，有助于提高树模型的鲁棒性。

3)对评分低的环境数据进行上采样。

由于评分低的环境数据样本数量较少，在处理数据不平衡问题时，确定上采样的采样频率，根据该采样频率评分低的环境数据进行上采样，保证正负环境数据样本比例在合理范围。

随机抽取80％的环境数据为训练所需的环境数据样本，剩余20％为测试所需的环境数据，使用XGboost构建树模型。其中，基分类器使用GBTree。在使用环境数据样本对树模型进行训练过程中进行参数调整，防止过拟合，进行交叉验证，提高树模型预测的精度。

(三)分析建模，预测有限空间未来人流流入量。

对有限空间历史的人流流入量进行数据预处理，包括：

1)按小时汇总每分钟上报的人流流入量，人流流入量以1小时人流流入量为粒度可以提高数据的鲁棒性。

2)构建训练所需的人流数据样本和测试所需的参考人流数据。其中，将人流流入量的尾部数据(即最近2小时的数据)作为测试所需的参考人流数据，其余数据作为训练所需的人流数据样本。

3)人流流入量的平稳性检验及处理。人流流入量为时间序列，使用ADF检验进行单位根检验，判断人流流入量是否平稳。当人流流入量不平稳时，使用ARIMA(p，d，q)模型，对序列进行d阶差分处理，使其平稳。

其中，人流流入量的平稳性检验方式可以包括以下3种：

(1)画出人流流入量的趋势图，根据趋势判断人流流入量是否平稳。

(2)画出自相关和偏相关图，当人流流入量平稳时，则对应的自相关图和偏相关图则出现拖尾或截尾。

(3)单位根检验，检验人流流入量中是否存在单位根，如果存在单位根，表示人流流入量为非平稳时间序列。

单位根检验所用到的算法是ADF检验，假设人流流入量存在单位根，对该人流流入量进行ADF检验，得到P-value，将P-value与1％水平的参照值对比，若P-value小于1％水平的参照值，表示检测结果可以显著地拒绝原假设，即人流流入量是平稳时间序列。当P-value大于或等于1％水平的参照值，表示人流流入量为非平稳时间序列，需要通过ARIMA(p，d，q)模型进行d阶差分处理。

4)白噪声检验。使用Ljung-Box test对人流流入量进行白噪声检测，根据检测所得的p-value判断人流流入量是否为白噪声序列。

按照Ljung-Box test检测方式，假设人流流入量是白噪声序列，使用Ljung-Boxtest对人流流入量进行检测得到P-value，将P-value与1％水平的参照值对比，若P-value小于1％水平的参照值，认为检测结果显著地拒绝原假设，表示人流流入量不是白噪声序列。

5)根据序列自相关系数和偏相关系数，进行网格搜索(Grid Search)调参，确定ARIMA(p，d，q)模型中最优的p阶自回归、q阶移动平均，从而提高ARIMA(p，d，q)模型预测的精度。

画出人流流入量的自相关图和偏相关图，观察其截尾和拖尾情况，得到最优的p和q。基于枚举的思想，使用Grid Search对p、q进行组合训练，例如队ARIMA(1,d,1)、ARIMA(1,d,2)、ARIMA(2,d,1)...进行训练，对每次训练所得到的AIC值和BIC值进行比较，得到最小的AIC值和BIC值，将最小AIC值和BIC值对应的(p，q)组合作为最佳组合，得到最终的ARIMA模型，使用该ARIMA模型对人流流入量进行处理，预测出有限空间在未来时段内的人流流入量。

(四)修正有限空间的实时评分。

实时采集有限空间的环境数据和人流流入量，通过(二)中的树模型对环境数据进行处理，从而预测出有限空间的实时评分。通过(三)的ARIMA模型预测有限空间未来2小时内的人流流入量。

结合有限空间每小时的最佳接待量，当预测的人流流入量大于最佳接待量，则对有限空间的实时评分进行修正，修正后的实时评分＝预测所得的实时评分×(最佳接待量/预测所得的人流流入量)。

上述实施例中，通过对有限空间对应的环境数据和人流量进行采集和上报，对结构化的环境数据(温度、湿度、光照、气流、坑位占用和主要气体成分等)进行建模，以及对人流流入量(该人流流入量属于时间序列数据)进行建模，对两个模型的结果进行运算，最终得到修正后的实时评分，根据该评分的高低来确定有限空间的运作情况，以便及时调度空间管理物资和人员，使有限空间保持清洁，并提前做好疏导人流量以缓解有限空间的承载压力，从而提升空间管理效率和质量。

图2-8为实施例中空间管理方法的流程示意图。应该理解的是，虽然图2-8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图9所示，在一个实施例中，提供了一种空间管理装置，该装置包括：数据获取模块902、评分预测模块904、人流预测模块906、分值调整模块908和资源调用模块910；其中：

数据获取模块902，用于获取目标空间的人流数据和环境数据；

评分预测模块904，用于通过第一网络模型处理环境数据，获得关于目标空间的评分值；

人流预测模块906，用于将人流数据输入第二网络模型进行处理，得到人流预测量；

分值调整模块908，用于当人流预测量大于或等于预设接待量时，调整评分值；

资源调用模块910，用于根据调整后的评分值调用目标空间的空间管理资源。

上述实施例中，通过获取目标空间的人流数据和环境数据，通过第一网络模型处理环境数据得到目标空间的评分值，从而实现利用环境数据对目标空间进行评分以便指导目标空间的管理。通过第二网络模型处理人流数据实现对未来一段时间内的人流量进行预测，进而根据预测所得的人流预测量来调整评分，综合考虑了目标空间的评分人流预测量，使用调整后的评分来指导目标空间的管理，从而有效地提升了目标空间管理的有效性。

在一个实施例中，评分预测模块904还用于将环境数据进行标准化处理得到标准化环境数据；对标准化环境数据进行分段；将分段后的标准化环境数据输入第一网络模型进行处理，获得关于目标空间的评分值。

上述实施例中，对环境数据进行标准化处理之后，可以消除因度量单位和变化幅度带来的影响，提高评分值预测的准确性。此外，对标准化处理之后的环境数据进行分段，将分段后的标准化环境数据输入第一网络模型进行处理可提升计算速率。

在一个实施例中，如图10所示，该装置还包括检测模块912；其中：

检测模块912，用于检测人流数据的时间平稳性；当根据时间平稳性检测的结果确定人流数据属于非平稳时，将人流数据转换为时间平稳人流数据；通过第二网络模型处理时间平稳人流数据，得到人流预测量。

在一个实施例中，检测模块912还用于对时间平稳人流数据进行白噪声检测，获得检测值；当检测值小于或等于预设检测值时，则执行通过第二网络模型处理时间平稳人流数据，得到人流预测量的步骤；当检测值大于预设检测值时，则重新执行获取目标空间的人流数据和环境数据的步骤。

在一个实施例中，人流预测模块906还用于生成与人流数据对应的人流趋势图，根据人流趋势图判断人流数据的时间平稳性；或者，生成人流数据的自相关图和/或偏相关图，根据自相关图和/或偏相关图判断人流数据的时间平稳性；或者，对人流数据进行单位根检测，根据单位根检测所得的结果判断人流数据的时间平稳性。

上述实施例中，对人流数据进行时间平稳性检测，对非平稳的人流数据转换为时间平稳人流数据，通过第二网络模型处理时间平稳人流数据，得到人流预测量，可有效地避免因骤变的人流量而影响人流预测量的准确性。此外，对人流数据进行白噪声检测，当确定人流数据为非白噪声时，通过第二网络模型处理时间平稳人流数据，得到人流预测量，可以避免因白噪声影响人流预测量的准确性，因此可以有效地提升未来一段时间内人流量预测准确性。

在一个实施例中，分值调整模块908还用于当人流预测量大于或等于预设接待量时，根据人流预测量和预设接待量确定评分值的调整系数；按照所确定的调整系数调整评分值；根据调整后的评分值调用目标空间的空间管理资源包括：当调整后的评分值调小于第一评分阈值时，根据调整后的评分值调用用于对目标空间进行管理的空间管理资源。

上述实施例中，当人流预测量大于或等于预设接待量时，对预测出来的评分值进行调整，从而将人流数据与环境数据建立联系，当人流预测量较大时可能会影响环境数据，从而对评分值进行调整，以便于及时调度空间管理资源和人员，有利于提升空间管理的效率和质量。

在一个实施例中，如图10所示，该装置还包括：标准化处理模块914、分段模块916和对比模块918；其中；

数据获取模块902还用于从数据库中获取目标空间的环境数据样本和对应的参考评分值；

标准化处理模块914，用于将环境数据样本进行标准化处理，得到标准化环境数据样本；

分段模块916，用于对标准化环境数据样本进行分段；

评分预测模块904还用于将分段后的标准化环境数据样本输入第一网络模型训练，获得训练评分值；

对比模块918，用于对比训练评分值与参考评分值，根据对比所得的结果调整第一网络模型的参数值。

在一个实施例中，如图10所示，该装置还包括：样本删除模块920；其中：

样本删除模块920，用于删除环境数据样本中参考评分值小于第二评分阈值的部分样本，并将环境数据样本中参考评分值大于第三评分阈值的部分样本删除；

标准化处理模块914还用于将删除小于第二评分阈值的部分样本和删除大于第三评分阈值的部分样本后所得的环境数据样本进行标准化处理，得到标准化环境数据样本。

在一个实施例中，如图10所示，该装置还包括：样本提取模块922、采样频率确定模块924和采样模块926；其中：

样本提取模块922，用于从目标环境数据样本中提取参考评分值小于第四评分阈值的部分样本；目标环境数据样本为删除小于第二评分阈值的部分样本和删除大于第三评分阈值的部分样本后所得的环境数据样本；

采样频率确定模块924，用于确定升采样频率；升采样频率大于环境数据样本的采集频率；

采样模块926，用于按照升采样频率对提取的部分样本进行升采样，得到升采样环境数据；

标准化处理模块914还用于将升采样环境数据进行标准化处理，以及将目标环境数据样本中参考评分值大于或等于第四评分阈值的部分样本进行标准化处理。

上述实施例中，对环境数据样本进行标准化处理，消除因度量单位和变化幅度带来的影响，避免了数据样本的度量单位和变化幅度影响对第一网络模型的训练，可以有效地提高第一网络模型的预测准确性。对标准化处理之后的环境数据样本进行分段，使用分段后的数据对第一网络模型进行训练，可以有效地提高第一网络模型地鲁棒性。

上述实施例中，如图10所示，该装置还包括：模型选择模块928；其中：

数据获取模块902还用于在将人流数据输入第二网络模型进行处理之前，从数据库中获取目标空间的人流数据样本和对应的参考人流数据；

检测模块912还用于对人流数据样本进行时间平稳性检测和白噪声检测；

人流预测模块906还用于当人流数据样本为时间平稳且非白噪声数据时，将人流数据样本分别输入候选的多组第二网络模型获得对应的训练人流预测量；

模型选择模块928，用于确定训练人流预测量与参考人流数据之间的差异，基于差异选取第二网络模型。

在一个实施例中，如图10所示，该装置还还包括：图像生成模块930、项数获取模块932、组合模块934和模型创建模块936；其中；

图像生成模块930，用于生成人流数据样本的自相关图和偏相关图；

项数获取模块932，用于获取自相关图中曲线衰减至预设阈值时所对应的多个自回归项数，以及获取偏相关图中曲线衰减至预设阈值时所对应的多个移动平均项数；

组合模块934，用于将所获取的自回归项数和移动平均项数进行组合；

模型创建模块936，用于创建第二网络模型，并按照组合后的自回归项数和移动平均项数分别对第二网络模型进行初始化，得到多组第二网络模型。

在一个实施例中，模型选择模块928还用于确定训练人流预测量与参考人流数据之间的差异；确定人流数据样本的样本数量和第二网络模型的参数数量；根据差异和参数数量获得第一信息量；根据差异、样本数量和参数数量获得第二信息量；从多组第二网络模型中，选取最小第一信息量和最小第二信息量所对应的第二网络模型。

上述实施例中，对人流数据样本进行时间平稳性检测和白噪声检测，在确定人流数据样本为时间平稳且非白噪声数据时，使用人流数据样本对第二网络模型进行训练，得到训练好的第二网络模型，提高了第二网络模型预测的精度，能有效地避免因骤变的人流量以及白噪声而影响人流预测量的准确性，有利于提高目标空间的管理效率。

图11示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器170。如图11所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现空间管理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行空间管理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的空间管理装置可以实现为一种计算机程序的形式，计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该空间管理装置的各个程序模块，比如，图9所示的数据获取模块902、评分预测模块904、人流预测模块906、分值调整模块908和资源调用模块910。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的空间管理方法中的步骤。

例如，图11所示的计算机设备可以通过如图9所示的空间管理装置中的数据获取模块902执行S202。计算机设备可通过评分预测模块904执行S204。计算机设备可通过人流预测模块906执行S206。计算机设备可通过分值调整模块908执行S208。计算机设备可通过资源调用模块910执行S210。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述空间管理方法的步骤。此处空间管理方法的步骤可以是上述各个实施例的空间管理方法中的步骤。

在一个实施例中，提供了一种存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述空间管理方法的步骤。此处空间管理方法的步骤可以是上述各个实施例的空间管理方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种空间管理方法，包括：

获取目标空间的人流数据和环境数据；

通过第一网络模型处理所述环境数据，获得关于所述目标空间的评分值；

将所述人流数据输入第二网络模型进行处理，得到人流预测量；

当所述人流预测量大于或等于预设接待量时，调整所述评分值；

根据调整后的所述评分值调用所述目标空间的空间管理资源。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述环境数据进行标准化处理得到标准化环境数据；

对所述标准化环境数据进行分段；

所述通过第一网络模型处理所述环境数据，获得关于所述目标空间的评分值包括：

将分段后的所述标准化环境数据输入第一网络模型进行处理，获得关于所述目标空间的评分值。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

检测所述人流数据的时间平稳性；

当根据时间平稳性检测的结果确定所述人流数据属于非平稳时，将所述人流数据转换为时间平稳人流数据；

所述将所述人流数据输入第二网络模型进行处理，得到人流预测量包括：

通过第二网络模型处理所述时间平稳人流数据，得到人流预测量。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

对所述时间平稳人流数据进行白噪声检测，获得检测值；

当所述检测值小于或等于预设检测值时，则执行所述通过第二网络模型处理所述时间平稳人流数据，得到人流预测量的步骤；

当所述检测值大于预设检测值时，则重新执行所述获取目标空间的人流数据和环境数据的步骤。

5.根据权利要求3或4所述的方法，其特征在于，所述检测所述人流数据的时间平稳性包括：

生成与所述人流数据对应的人流趋势图，根据所述人流趋势图判断所述人流数据的时间平稳性；或者，

生成所述人流数据的自相关图和/或偏相关图，根据所述自相关图和/或所述偏相关图判断所述人流数据的时间平稳性；或者，

对所述人流数据进行单位根检测，根据单位根检测所得的结果判断所述人流数据的时间平稳性。

6.根据权利要求1所述的方法，其特征在于，所述当所述人流预测量大于或等于预设接待量时，调整所述评分值包括：

当所述人流预测量大于或等于预设接待量时，根据所述人流预测量和所述预设接待量确定所述评分值的调整系数；

按照所确定的调整系数调整所述评分值；

所述根据调整后的所述评分值调用所述目标空间的空间管理资源包括：

当调整后的所述评分值调小于第一评分阈值时，根据调整后的所述评分值调用用于对所述目标空间进行管理的空间管理资源。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从数据库中获取目标空间的环境数据样本和对应的参考评分值；

将所述环境数据样本进行标准化处理，得到标准化环境数据样本；

对所述标准化环境数据样本进行分段；

将分段后的标准化环境数据样本输入第一网络模型训练，获得训练评分值；

对比所述训练评分值与所述参考评分值，根据对比所得的结果调整所述第一网络模型的参数值。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

删除所述环境数据样本中参考评分值小于第二评分阈值的部分样本，并

将所述环境数据样本中参考评分值大于第三评分阈值的部分样本删除；

所述将所述环境数据样本进行标准化处理，得到标准化环境数据样本包括：

将删除小于所述第二评分阈值的部分样本和删除大于所述第三评分阈值的部分样本后所得的环境数据样本进行标准化处理，得到标准化环境数据样本。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

从目标环境数据样本中提取参考评分值小于第四评分阈值的部分样本；所述目标环境数据样本为删除小于所述第二评分阈值的部分样本和删除大于所述第三评分阈值的部分样本后所得的环境数据样本；

确定升采样频率；所述升采样频率大于所述环境数据样本的采集频率；

按照所述升采样频率对提取的部分样本进行升采样，得到升采样环境数据；

所述将删除小于所述第二评分阈值的部分样本和删除大于所述第三评分阈值的部分样本后所得的环境数据样本进行标准化处理包括：

将所述升采样环境数据进行标准化处理，以及将所述目标环境数据样本中参考评分值大于或等于第四评分阈值的部分样本进行标准化处理。

10.根据权利要求1所述的方法，其特征在于，所述将所述人流数据输入第二网络模型进行处理之前，所述方法还包括：

从数据库中获取目标空间的人流数据样本和对应的参考人流数据；

对所述人流数据样本进行时间平稳性检测和白噪声检测；

当所述人流数据样本为时间平稳且非白噪声数据时，将所述人流数据样本分别输入候选的多组第二网络模型获得对应的训练人流预测量；

确定所述训练人流预测量与所述参考人流数据之间的差异，基于所述差异选取第二网络模型。

11.根据权利要求10所述的方法，其特征在于，所述方法还包括：

生成所述人流数据样本的自相关图和偏相关图；

获取所述自相关图中曲线衰减至预设阈值时所对应的多个自回归项数，以及获取所述偏相关图中曲线衰减至预设阈值时所对应的多个移动平均项数；

将所获取的自回归项数和移动平均项数进行组合；

创建第二网络模型，并按照组合后的自回归项数和移动平均项数分别对所述第二网络模型进行初始化，得到多组第二网络模型。

12.根据权利要求10所述的方法，其特征在于，所述确定所述训练人流预测量与所述参考人流数据之间的差异，基于所述差异选取第二网络模型包括：

确定所述训练人流预测量与所述参考人流数据之间的差异；

确定所述人流数据样本的样本数量和所述第二网络模型的参数数量；

根据所述差异和所述参数数量获得第一信息量；

根据所述差异、所述样本数量和所述参数数量获得第二信息量；

从所述多组第二网络模型中，选取最小第一信息量和最小第二信息量所对应的第二网络模型。

13.一种空间管理装置，其特征在于，所述装置包括：

数据获取模块，用于获取目标空间的人流数据和环境数据；

评分预测模块，用于通过第一网络模型处理所述环境数据，获得关于所述目标空间的评分值；

人流预测模块，用于将所述人流数据输入第二网络模型进行处理，得到人流预测量；

分值调整模块，用于当所述人流预测量大于或等于预设接待量时，调整所述评分值；

资源调用模块，用于根据调整后的所述评分值调用所述目标空间的空间管理资源。

14.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。

15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。