基于小程序的人流密集度算法设计

吴钦涛 刘凤英

【摘要】信息技術的高度发达为很多行业都提供了较多的问题优化路径，当前，人流密集导致安全问题频出的现象愈加凸显，为了有效的改善这种现状，笔者结合现代信息技术，以微信、支付宝等小程序为基础，进行了人流密集度算法设计，期望能对相关行业从业者提供一定的帮助。

【关键词】小程序;人流密集度;检测;算法

【基金来源】广州南洋理工职业学院2020年校级大学生创新创业训练计划项目基于小程序的人流密集度预测平台项目编号 NY-2020CQDC-05

中图分类号：TN929                    文献标识码：A                    DOI：10.12246/j.issn.1673-0348.2022.02.029

目前市场上的人流密度检测还处于相对空白阶段，微信、支付宝两大巨头应用都没有相对应的产品。而常用的地图软件也没有人流密度检测的功能，在当今防控常态化的环境下，人流密度检测是必须要实现的功能，本文基于这种考虑，在微信、支付宝小程序中，插入人流密度检测功能，具有较大的现实意义。

1. 基于小程序的人流密集度检测的价值

1.1 实现人口流动监控

通过人将要去的地方来预测未来几分钟的人口密度，达到这个地方的人口集量的多少，避免聚集的人数过多。通过上传身高，体重，计算出人的行走速度，或者车辆的行驶速度，从而预测在某个时间段内某个地点的人口聚集量，从让群众，避免去那些聚集的地方。此外，人流密集度检测比较方便快捷，因为这个功能主要依托于小程序而存在，占用手机、平板等智能终端的内存不大，并十分方便的对人口密度进行计算，从而为相关部门制定防控决策提供依据。

1.2 有效减少公共安全问题的发生

从一般意义上来说，人流密集度越大，发生公共安全事件的几率就越大，因为人员密集会发生踩踏事件、聚众闹事事件等，这些事件均会在一定程度上威胁到公众的生命安全，因此对于人流密集程度进行科学合理的监测以及控制，对于减少公共安全事件发生的几率有极大的帮助。笔者所设计的这个人流密集度算法，可以较为便捷、科学的将人流密集情况、走向、趋势等进行良好的预测和控制，并为相关管理人员提供大量的数据信息，助其做出正确的决策，并及时的进行人员疏散。

2 . 基于小程序的人流密集度算法设计

2.1关键技术

2.1.1 OAuth验证

OAuth是一个开放许可协议，它为第三方应用程序提供安全可靠的框架，使第三方应用程序可以访问具有特定权限和限制的HTTP服务。OAuth接口许可过程分为三个步骤：第一，用户身份授权：服务用户可以向服务器请求用户身份授权。访问网络时，获取的请求令牌ID应包含在OAuth_token参数中;第二，我们的系统会引导用户访问页面（仅在第一次需要），输入必要的身份验证信息即同意或拒绝授权;第三，如果用户已被授权，它将直接转到最后一组回调地址，最后，请求令牌在用户接收后被授权。

2.1.2 基于深度学习处理收集信息和情感分析

该模块包括信息采集，信息预处理，情绪分析和数据汇总。采集模块是从用户客户端（微信小程序）收集来的用户评论和需求信息，信息预处理用于对采集到的评论信息进行分类、分词、词性标注以及情绪信息标注处理并存储。情绪分析模块用于将处理后的评论信息经过词表示模型、句子模型以及篇章模型转化为短语向量，并将该短语向量输入到情绪分类模型进行情绪分析。最后把分析到的结果以统一的格式输入数据仓库作为语义时空设计的信息来源。

2.1.3 人类移动性建模预测

人类移动性建模问题可以分为个体移动预测和群体移动建模，个体移动预测是通过研究用户个体行为规律，预测未来的活动和位置，可以为出行规划提供帮助;群体移动建模是在一定地理维度上建模人类群体的流动和集散，在交通管理和智慧校园等场景中有着重要作用。

在系统中，我们使用了一个两阶段个体移动预测方法，首先在第一阶段提出了情景感知模型堆叠方法，集成序列模型和时间特征模型来预测个体活动，然后在第二阶段为了应对语义数据的稀疏性，用贝叶斯方法预测个体在给定活动目的下的位置选择概率。基于数据仓库中的数据集，本系统设计使用多任务深度循环神经网络来预测一段时间后个体活动的位置。为了应对语义数据稀疏带来的序列关系不稳定，并且整合个体行为的时间特征，我们设计了情景感知循环单元;利用位置的地理空间特征和活动类型特征，我们使用基于图嵌入的表示学习方法来学习位置和活动的低维嵌入向量。

2.2 数据分析平台

数据分析平台主要涉及数据层的处理，本文基于现实情况，将数据层的处理流程分为三个步骤：

2.2.1 数据的收集

通过集成其自身的数据，捕获、分析和获取存储数据，从其他位置收集推送的数据以及由数据库访问层组成的实施数据。大数据可用于预测趋势，得出校园未来环境的结论。

2.2.2 数据仓库的逻辑模型设计

要分析概念模型设计的主题，首先选择要实施的主题区域。确定数据仓库的粒度分区层次结构：粒度划分级别的合理性直接影像数据仓库中的数据量和适当的查询类型。

2.2.3 物理模型设计

根据设计要求，为了确定用户的特定喜好和活动路线，我们需要建立四个数据存储结构，包括：用户信息表，核心信息表，地图信息表和时空活动表。

2.3 校园智能平台的设计与实现

是一个移动应用程序平台，为广州南洋理工职业学院的师生提供服务，主要是收集用户提供的位置和出行选择，为大家提供出行方面的建议。

2.3.1 校园用户模块

本系统主要针对本校学生服务，主要使用校园一卡通进行身份绑定和登录，用户的操作都依赖于该模块，初始化该模块时，需要进行人员信息注册和验证，并通过网络实时发送到服务器主机。必须保证用户的无缝支持，当跨不同接入网络移动时，用户不应当收到任何服务中断。

以广州南洋理工职业学院为开发校园地理信息模块的地方，它不仅代表常规的地理空间状态，图像中标志的分布和人流量分布现状将叠加显示在地图上，并建立与特定地理坐标的链接。地理空间信息的优点是生动的虚拟现实，它基于详细的纹理信息和渲染技术。可以更有效，更直观和全面的管理学校空间和属性信息，准确的定位校园设施，为学生和老师提供直观的出行选择。

2.3.2 用户信息提交模块

移动用户可以随时随地的使用本模块进行位置提交和获取出行建议。本模块分为三个功能：首先，用户输入当前位置，想去的位置，附近路况，心情和评论，并提交到服务器进行数据统计。其次，服务器根据用户的时空位置变化验证并确定当前提交的信息是否有效，无效则要求解释或重新输入。最后，服务器将针对用户个人给出出行建议并接收反馈。

3. 基于小程序的人流密集度的检测效果分析

人流密度检测小程序主要应用在一二线城市，以现在来看一线城市四座、新一线城市15座、二线城市30座，这些城市中占据了我国绝大多数的人口。国内的高校、旅游景点、大型商场、大型游乐场等等都居于这些城市。本文在初步设计好算法之后，就将其在广州南洋理工职业学院进行了实践运用检测，发现基本实现了以下功能，并取得了一定的成效。

3.1 實时统计效果

该小程序的实时统计功能十分强大，利用手机自带GPS对个体进行实时定位，并持续的对其行动轨迹进行监测，根据不同活跃地区触发统计功能。当程序监测到个体处于人流密集度较大的地方时，就会对其进行人流密度计算，并进行数据分析，比如在大型活动现场、景区游乐园、学校附近等地时，就会进行实时统计。该小程序可以对以上三个区域进行实时统计现场人流密度、变化趋势，监控不同区域人流密度及比例，从而帮助相关管理人员合理疏导，进行安全事故提前防范，并及时进行突发事件预警等。

3.2 数据统计准确率

人流密度检测小程序需要对个体和群体进行即时追踪，要在保证其在数据获取比较完全，才有应用的价值。因此，笔者先向广州南洋职业学院的400名师生进行了推广，要求他们应用该小程序，并持续三天时间，笔者在系统后台实时查看数据收集情况。通过三天的时间，发现后台数据基本能对400名师生的行动轨迹实现实时追踪，并且个体移动轨迹十分清晰，数据分析方面也无遗漏，只不过有部分教师的手机网络在某一段时间短线，导致这段时间没有收集到相关信息。总之，可以初步判断，人流密度检测小程序可以实现全程追踪的功能，并且数据统计准确率较高。

3.3 用户满意度

人流密度检测小程序相对于传统的人流检测办法更加快捷、方便，只需要依靠微信、支付宝的小程序应用服务即可实现，不需要下载任何软件就可以实时查看人流密集程度，这种优势十分适合于当前各大城市居住人员快节奏的生活方式，因此大众普遍对此程序的评价较高。通过在广州南洋理工职业学院实施之后，并对其使用该程序的师生进行使用体验访谈，共在路上随机访谈了100名师生，发现其中有87%的师生表示用起来十分习惯自然，而且也没有繁琐的操作步骤，打开即可使用;另有13%的师生表示有没有这功能都无所谓，因为自己一般不会去人流量较大的地方。从这次简单的调查来看，人流密度检测小程序的用户满意度较高，功能方面没有任何问题，有大范围进行推广的价值。

人流密度检测是在疫情防控形势仍旧较为严重的背景下，十分必要的一件事情，如果纯靠人力来进行监控，明显会出现较多遗漏之处。因此，结合现代信息技术来设计一款小程序，能够极大的提升检测的效率和速度，节省人力成本，并实现数据统计自动化。本文设计的这款人流密度检测小程序，正是基于这样的考虑，准备全面推广，期望能为国家疫情防控贡献力量。

参考文献：

[1]焦庆宇，陈新锋，郑志刚，柏艺琴，刘艳思，张正娟，孙龙妮.基于人群密度风险的无人机动态路径规划研究[J].地理科学进展，2021，40（09）：1516-1527.

[2]刘艺，杨歆佳，刘劲松.基于随机森林的人口密度模型优化试验研究[J].全球变化数据学报（中英文），2020，4（04）：402-416+402-416.

[3]李玉婷.人口时空动态模拟与预测研究[D].重庆邮电大学，2020.