一种商城客流量的预测方法、装置、电子设备及存储介质

摘要

本发明实施例提供一种商城客流量的预测方法、装置、电子设备及存储介质，该方法包括步骤：获取商城待预测时间段的过去同一时间段的客流量，并对过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；获取商城待预测时间段的上周期同期历史客流量值，并对上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；获取商城待预测时间段的上下文信息，并对上下文信息进行上下文特征映射，得到对应的上下文特征向量；对短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；对拼接向量进行全连接处理，以得到商城待预测时间段的客流量。本发明提高商城客流量中长期预测的准确性和鲁棒性。

说明书

技术领域

本发明涉及客流量管理技术领域，尤其涉及一种商城客流量的预测方法、装置、电子设备及存储介质。

背景技术

客流是商城在管理和决策时必不可少的数据。提前预测商城未来的客流量，可以为商城管理者做活动策划、资源调配等决策提供科学依据，有效评估营销和促销的回报。现有的商城客流预测方法可以大致分为两大类：基于传统的时间序列预测方法以及基于传统机器学习/浅层神经网络的预测方法。其中，传统的时间序列预测方法比如均值法，指数平滑法，ARIMA等，预测误差较大。而基于传统机器学习以及浅层神经网络的预测方法比如循环神经网络(RNN)，门控循环单元(GRU)，随机森林回归等，在中长期预测(比如对未来24小时的客流量作预测)时效果较差。可见现有的商城客流预测方法存在的中长期预测的准确性和鲁棒性低的问题。

发明内容

本发明实施例提供一种商城客流量的预测方法，能够解决了现有技术中存在的中长期预测的准确性和鲁棒性低的问题。

第一方面，本发明实施例提供一种商城客流量的预测方法，所述方法包括：

获取商城待预测时间段的过去同一时间段的客流量，并对所述过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；

获取商城待预测时间段的上周期同期历史客流量值，并对所述上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；

获取商城待预测时间段的上下文信息，并对所述上下文信息进行上下文特征映射，得到对应的上下文特征向量，所述上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种；

对所述短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；

对所述拼接向量进行全连接处理，以得到商城待预测时间段的客流量。

可选的，所述对所述过去同一时间段的客流量进行短时序列特征提取，得到对应的短时序特征向量的步骤包括：

在编码阶段，将所述过去同一时间段的客流量进行编码，得到对应的编码输出向量，所述编码输出向量融合所述过去同一时间段的客流量对应的时序特征；

在解码阶段，将所述编码输出向量进行解码，得到对应的解码输出向量，所述解码输出向量包括待预测时间段的客流量向量；

将所述编码输出向量与所述解码输出向量执行注意力机制处理，得到短时序列特征向量，所述短时序列特征向量融合了所述过去同一时间段的客流量的时序特征。

可选的，所述将所述编码输出向量与所述解码输出向量执行注意力机制处理，得到短时序列特征向量的步骤包括步骤：

计算所述编码输出向量与所述解码输出向量之间的相关程度；

对所述相关程度进行归一化处理得到所述编码输出向量的权重；

对所述编码输出向量进行加权求和得到所述短时序列特征向量。

可选的，所述将所述过去同一时间段的客流量输入进行编码，得到对应的编码输出向量的步骤包括：

基于预设的时间间隔将所述过去同一时间段的客流量预设为客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)，n为预设的时间间隔，所述T的取值范围为大于或等于1；

将所述客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)依次进行编码，得到所述客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)对应的编码输出向量h(1)至h(T)，所述编码输出向量h(1)至h(T)均与所述客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)一一对应。

可选的，所述将所述编码输出向量进行解码，得到对应的解码输出向量的步骤包括：

将最后一个输出h(T)作为初始隐藏层状态；

将最后一个输出h(T)进行解码，得到解码输出向量s(i)，

当i等于1时，s(1)为过去同一时间段中第一时序序列对应的第一个输出向量；

所述将所述编码输出向量与所述解码输出向量执行注意力机制处理，得到短时序列特征向量，所述短时序列特征向量融合了所述过去同一时间段的客流量的时序特征的步骤包括：

将所述第一个输出向量s(1)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(1)，所述短时序列特征向量c(1)融合了所述过去同一时间段的客流量的时序特征。

可选的，所述将所述编码输出向量与所述解码输出向量执行注意力机制处理，得到短时序列特征向量，所述短时序列特征向量融合了所述过去同一时间段的客流量的时序特征的步骤包括：

当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)，所述i为过去同一时间段的客流量中间隔预设的时间间隔的第i个时序特征；

重复执行将解码输出向量s(i)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(i)的步骤以及当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)的步骤，直到过去同一时间段的客流量的时间范围结束。

第二方面，本发明实施例还提供了一种商城客流量的预测装置，所述装置包括：

短时序特征向量提取模块，用于获取商城待预测时间段的过去同一时间段的客流量，并对所述过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；

长时序特征向量提取模块，用于获取商城待预测时间段的上周期同期历史客流量值，并对所述上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；

上下文特征映射模块，用于获取商城待预测时间段的上下文信息，并对所述上下文信息进行上下文特征映射，得到对应的上下文特征向量，所述上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种；

向量拼接模块，用于对所述短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；

全连接层模块，用于对所述拼接向量进行全连接处理，以得到商城待预测时间段的客流量。

可选的，所述短时序特征向量提取模块包括：

编码单元，用于在编码阶段，将所述过去同一时间段的客流量进行编码，得到对应的编码输出向量，所述编码输出向量融合所述过去同一时间段的客流量对应的时序特征；

解码单元，用于在解码阶段，将所述编码输出向量进行解码，得到对应的解码输出向量，所述解码输出向量包括待预测时间段的客流量向量；

转换单元，用于将所述编码输出向量与所述解码输出向量执行注意力机制处理，得到短时序列特征向量，所述短时序列特征向量融合了所述过去同一时间段的客流量的时序特征。

第三方面，本发明实例还提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实例中提供的商城客流量的预测方法中的步骤。

第四方面，本发明实例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实例中提供的商城客流量的预测方法中的步骤。

在本发明实施例中，通过获取商城待预测时间段的过去同一时间段的客流量，并对过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；获取商城待预测时间段的上周期同期历史客流量值，并对上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；获取商城待预测时间段的上下文信息，并对上下文信息进行上下文特征映射，得到对应的上下文特征向量，上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种；对短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；对拼接向量进行全连接处理，以得到商城待预测时间段的客流量。这样结合了商城待预测时间段的过去同一时间段的客流量、商城待预测时间段的上周期同期历史客流量值、商城待预测时间段的上下文信息(天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种)等多维信息对待预测时间段的客流量，进而提高了商城客流量中长期预测的准确性和鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种商城客流量的预测模型架构示意图；

图2是本发明实施例提供的一种商城客流量的预测方法的流程图；

图3是本发明实施例中步骤201提供的一种方法的流程图；

图4是本发明实施例中步骤301提供的一种方法流程图；

图5是本发明实施例中短时序列特征向量提取模块提供的一种工作原理图；

图6是本发明实施例中解码器的工作原理图；

图7是本发明实施例中步骤302提供的一种方法流程图；

图8是本发明实施例中步骤303提供的一种方法流程图；

图9是本发明实施例中步骤303提供的另一种方法流程图；

图10是本发明实施例中解码器以及注意力机制模块提供的一种工作原理图；

图11是本发明实施例中步骤303提供的另一种方法流程图；

图12是本发明实施例提供的一种商城客流量的预测装置的结构示意图；

图13是本发明实施例中短时序特征向量提取模块提供的一种结构示意图；

图14是本发明实施例中转换单元提供的一种结构示意图；

图15是本发明实施例中编码单元提供的一种结构示意图；

图16是本发明实施例中解码单元提供的一种结构示意图；

图17是本发明实施例中转换单元提供的另一种结构示意图；

图18是本发明实施例中转换单元提供的另一种结构示意图；

图19是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了更清楚解释本发明的技术方案，如图1所示，图1是本发明实施例提供的一种商城客流量的预测模型架构示意图，该商城客流量的预测模型架构100包括：待预测时间段的客流量(预测值)101、全连接层模型102、向量拼接模型103、短时序列特征向量提取模块104、长时序列特征向量提取模块105、上下文特征映射模块106、过去同一时间段的客流量107、上周期同期历史客流量值108以及上下文信息109。

其中，该待预测时间段的客流量(预测值)102为最后的预测结果。全连接层模型102具有两层，且以Relu为激活函数。全连接层模型102用于对待预测时间段的客流量进行预测并输出具体的预测结果。上述向量拼接模型103用于将短时序列特征向量提取模块104、长时序列特征向量提取模块105、上下文特征映射模块106输出的向量进行拼接并输出给全连接层模型102进行预测。短时序列特征向量提取模块104用于对过去同一时间段的客流量107进行特征提取，得到短时序特征向量。长时序列特征向量提取模块105用于对上周期同期历史客流量值108进行特征提取，得到长时序特征向量。上下文特征映射模块106用于对上下文信息(包括但不限于天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种)109进行特征提取，得到上下文特征向量。

这样结合了商城待预测时间段的过去同一时间段的客流量107、商城待预测时间段的上周期同期历史客流量值108、商城待预测时间段的上下文信息(天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种)109等多维信息对待预测时间段的客流量101进行预测，进而提高了商城客流量中长期预测的准确性和鲁棒性。

应该理解，图1中的待预测时间段的客流量(预测值)101、全连接层模型102、向量拼接模型103、短时序列特征向量提取模块104、长时序列特征向量提取模块105、上下文特征映射模块106、过去同一时间段的客流量107、上周期同期历史客流量值108以及上下文信息109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待预测时间段的客流量(预测值)101、全连接层模型102、向量拼接模型103、短时序列特征向量提取模块104、长时序列特征向量提取模块105、上下文特征映射模块106、过去同一时间段的客流量107、上周期同期历史客流量值108以及上下文信息109。

请参见图2，图2是本发明实施例提供的一种商城客流量的预测方法的流程图，如图2所示，包括以下步骤：

步骤201、获取商城待预测时间段的过去同一时间段的客流量，并对过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量。

其中，上述商城可以包括普通的商场、购物中心、超市等。上述待预测时间段可以是需要预测的未来的一个时间段，比如可以是未来24小时、未来48小时、未来72小时、或未来一周、未来一个月或未来一个中长期的时间段等。具体的预测时间段可以根据实际需要进行设置，在本发明实施例中并不对待预测时间段进行限定。

上述过去同一时间段可以是指与待预测时间段的时间范围相同的时间段，比如，待预测时间段为未来24小时，那么过去同一时间段则对应为最近24小时或者说过去24小时，当然了，过去同一时间段的客流量则对应为最近24小时的客流量。当待预测时间段为未来48小时时，过去同一时间段则对应为最近48小时或者说过去48小时等，当然了，过去同一时间段的客流量则对应为最近48小时的客流量。

需要说明的是，商城客流数据是通过商场内的人脸抓拍机得到的。人脸抓拍机抓拍图片后，上传至云端进行人脸识别以及归档建档，通过统计每个小时或某个时间段的档案数，就可以得到商城每个小时或某个时间段的总客流量。而过去同一时间段的客流量可以是在过去同一时间段内通过人脸抓拍机抓拍图片后通过云端人脸识别以及归档建档获得的，且能代表过去同一时间段内的客流量的客流量数据。同一时间段的客流量的数据是预先存在本地数据库中的，当然也可以是存储在云端数据库中，这样可以随时从本地数据库中调用，或者直接从云端数据库中下载得到的。当然了，还可以存在其他链接数据库中，这样可以从其他链接数据库中直接链接调用得到的。

步骤201在短时序列特征向量提取模块中运行。短时序列特征向量提取模块可以为Seq2Seq(序列对序列)神经网络结构。该Seq2Seq神经网络结构至少包括一个编码器和一个解码器。并且编码器和解码器都是以门控循环单元(GRU)为基础。

上述短时序特征向量为过去同一时间段的客流量对应的时序特征对应的向量表达。

具体的，当获取到商城待预测时间段的过去同一时间段的客流量后，就可以将该商城待预测时间段的过去同一时间段的客流量作为输入，输入到短时序列特征向量提取模块中进行特征提取或者向量转换，短时序列特征向量提取模块就可以输出对应的短时序特征向量。短时序特征向量可以包含有过去同一时间段的客流量的时间序列以及对应的客流量。

步骤202、获取商城待预测时间段的上周期同期历史客流量值，并对上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量。

其中，上述上周期同期历史客流量值可以是指与待预测时间段对应的以周为单位的同期历史客流量值，比如，待预测时间段为7月17号00:00-23:00，则上周期同期历史客流量值为7月10号00：00-23:00的客流量。上周期可以是以周、月、季度、年等为周期单位等，比如上周期可以是指上周、上月、上季度、上年等。

步骤202在长时序列特征向量提取模块中运行。长时序特征向量提取模块可以为Seq2Seq(序列对序列)神经网络结构。该Seq2Seq神经网络结构至少包括一个编码器和一个解码器。并且编码器和解码器都是以门控循环单元(GRU)为基础。

上述长时序特征向量为上周期同期历史客流量值对应的时序特征对应的向量表达。

具体的，当获取到商城待预测时间段的上周期同期历史客流量值后，就可以将该商城待预测时间段的上周期同期历史客流量值作为输入，输入到长时序列特征向量提取模块中进行特征提取或者向量转换，长时序列特征向量提取模块就可以输出对应的长时序特征向量。长时序特征向量可以包含有上周期同期历史客流量值的时间序列以及对应的客流量。

需要说明的是，长时序特征向量提取模块是相对于短时序特征向量提取模块而言的。具体的，长时序特征向量提取模块以及短时序特征向量提取模块的结构相同，均为Seq2Seq(序列对序列)神经网络结构，两者的区别在于输入的不同，短时序特征向量提取模块的输入是待预测时间段对应的过去同一时间段的客流量，也即待预测时间段对应的最近的同一时间段的客流量。短时序特征向量提取模块旨在提取时间序列短时特征。而长时序特征向量提取模块的输入是上周期同期历史客流量，旨在提取以周或月或季度或年为周期的时间序列长时特征。

这样可以通过短时序特征向量提取模块和长时序特征向量提取模块的结合，可以分别提取不同的时间粒度的序列特征，从而增加模型的表达能力。

步骤203、获取商城待预测时间段的上下文信息，并对上下文信息进行上下文特征映射，得到对应的上下文特征向量。

其中，上下文信息包括但不限于天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种。上述天气信息可以包括降雨量、温度和湿度等。上述节假日信息可以预设特定的符号来表示，比如，1代表节假日，0代表非节假日等。上述促销信息可以包括是否有促销活动，促销商家数量等，是否有促销活动也可以设定特定的符号来表示，比如，1代表有促销活动，0代表非促销活动，N表示做促销活动的商家数量，N为大于等于1的整数。上述历史客流量均值为待预测时刻的历史客流量均值，例如，按周取平均，比如，待预测时刻为周一8:00，则将历史数据中每周一8:00的流量取平均，得到历史客流量均值，并作为上下文特征映射模块一种输入。

步骤203在上下文特征映射模块中运行。上下文特征映射模块为一个全连接的前馈神经网络，负责把上下文特征(包含天气、节假日、商城促销信息、历史客流量均值等对应的特征)映射到向量空间中，进而得到对应的上下文特征向量。

上下文特征向量包括但不限于天气信息特征向量、节假日信息特征向量、促销信息特征向量以及历史客流量均值特征向量中的至少一种。

具体的，在商城待预测时间段的上下文信息后，将商城待预测时间段的上下文信息作为上下文特征映射模块的输入，并通过该上下文特征映射模块将上下文信息进行特征提取，并将提取到的上下文特征银蛇到向量空间中，进而得到对应的上下文特征向量。

步骤204、对短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量。

其中，上述拼接向量为短时序特征向量、长时序特征向量以及上下文特征向量拼接后的总向量。

步骤204在向量拼接模块中执行。具体的，在分别得到短时序特征向量、长时序特征向量以及上下文特征向量后，作为向量拼接模块的输入，并通过向量拼接模块对短时序特征向量、长时序特征向量以及上下文特征向量这三种向量进行一个拼接合并，进而得到总的拼接向量。

步骤205、对拼接向量进行全连接处理，以得到商城待预测时间段的客流量。

其中，上述全连接层具有两层，且以Relu为激活函数。

步骤205在全连接层模块中执行。具体的，当得到总的拼接向量后，作为全连接层的输入，并通过全连接层对拼接向量进行客流量预测处理，进而得到该待预测时间段对应的客流量。比如，预测未来24小时的客流量时，全连接层就可以输出未来24小时对应的客流量。

在本发明实施例中，通过获取商城待预测时间段的过去同一时间段的客流量，并对过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；获取商城待预测时间段的上周期同期历史客流量值，并对上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；获取商城待预测时间段的上下文信息，并对上下文信息进行上下文特征映射，得到对应的上下文特征向量，上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种；对短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；对拼接向量进行全连接处理，以得到商城待预测时间段的客流量。这样结合了商城待预测时间段的过去同一时间段的客流量、商城待预测时间段的上周期同期历史客流量值、商城待预测时间段的上下文信息(天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种)等多维信息对待预测时间段的客流量，进而提高了商城客流量中长期预测的准确性和鲁棒性。

参见图3，图3是本发明实施例中步骤201提供的一种方法的流程图。该步骤201包括以下步骤：

步骤301、在编码阶段，将过去同一时间段的客流量进行编码，得到对应的编码输出向量。

步骤302、在解码阶段，将编码输出向量进行解码，得到对应的解码输出向量。

步骤303、将编码输出向量与解码输出向量执行注意力机制处理，得到短时序列特征向量。

其中，上述编码器用于从过去同一时间段的客流量中提取时序序列。上述解码器用于将时序特征进行解码，并得到待预测时刻段的客流量的向量表达。

上述编码输出向量融合过去同一时间段的客流量对应的时序特征，编码输出向量包括多个向量。上述解码输出向量包括待预测时间段的客流量向量，第二向量包括多个向量。上述短时序列特征向量融合了过去同一时间段的客流量的时序特征。需要说明的是，融合可以为包括、携带的意思。

在本发明实施例中，将过去同一时间段的客流量进行编码后，再基于编码结果进行解码，并结合注意力机制处理，使得解码器在解码的时候更加具有针对性，能充分学习历史不同时刻的流量对未来客流量的影响，提高预测模型的性能。

在本发明实施例中，如图4所示，图4是本发明实施例中步骤301提供的一种方法流程图。步骤301包括以下步骤：

步骤401、基于预设的时间间隔将过去同一时间段的客流量预设为客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)。

其中，T的取值范围为大于或等于1。上述x(1)、x(1+n)、x(1+2n)…x(1+Tn)可以表示为x(1),x(2),...,x(T)，如x(1)可以表示为x(1)；x(2)可以表示为x(1)，x(2)；x(T)可以表示x(1),x(2),...,x(T)。

步骤402、将客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)依次进行编码，得到客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)对应的编码输出向量h(1)至h(T)。

其中、编码输出向量h(1)至h(T)均与客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)一一对应。上述h(1)至h(T)可以表示为h(1),h(2),...,h(T)。

具体的，如图5所示，图5是本发明实施例中短时序列特征向量提取模块提供的一种工作原理图。结合图6所示，图6是本发明实施例中解码器的工作原理图。在将过去同一时间段的客流量输入编码器进行编码之前，可以按一预设时间间隔对过去同一时间段的客流量进行时序特征提取，进而得到过去同一时间段的客流量中的多个时序特征以及对应的客流量。比如，当待预测时间段为24小时，过去同一时间段的客流量也对应为过去24小时的客流量，而预设的时间间隔为1小时时，那么，可以将过去24小时的客流量，标记为x(1),x(2),...,x(T)，此时T的取值则为24。然后将x(1),x(2),...,x(T)依次作为编码器的输入，并通过编码器对x(1),x(2),...,x(T)进行编码，以得到编码输出向量。需要说明的是，对于每个输入，编码器均产生一个对应的编码输出向量，则对应输入x(1),x(2),...,x(T)得到的编码输出向量可标记为h(1),h(2),...,h(T)由此可知，h(1),h(2),...,h(T)的数量与输入x(1),x(2),...,x(T)的数量是一致的。在本发明实施例中，编码器的数量至少为一个，当编码器的数量为多个时，x(1),x(2),...,x(T)中的每个输入均可对应一个编码器，每个编码器的编码输出向量则一一对应于h(1),h(2),...,h(T)。

在本发明实施例中，如图7所示，图7是本发明实施例中步骤302提供的一种方法流程图。步骤302包括以下步骤：

步骤501、将最后一个输出h(T)作为初始隐藏层状态。

步骤502、将最后一个输出h(T)进行解码，得到解码输出向量s(i)。

其中，当i等于1时，s(1)为过去同一时间段中第一时序序列对应的第一个输出向量。

在本发明实施例中，如图8所示，图8是本发明实施例中步骤303提供的一种方法流程图。步骤303包括步骤：

步骤503、将第一个输出向量s(1)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(1)。

短时序列特征向量c(1)融合了过去同一时间段的客流量的时序特征。

在本发明实施例中，如图9所示，图9是本发明实施例中步骤303提供的另一种方法流程图。步骤303还包括步骤：

步骤504、当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)，i为过去同一时间段的客流量中间隔预设的时间间隔的第i个时序特征；

步骤505、重复执行将解码输出向量s(i)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(i)的步骤以及步骤504，直到过去同一时间段的客流量的时间范围结束。

具体的，如图10所示，图10是本发明实施例中解码器以及注意力机制模块提供的一种工作原理图。在步骤501中，首先将编码器的编码输出向量中的最后一个编码输出向量h(T)作为解码器的初始隐藏状态。在步骤502中，将h(T)输入解码器中进行解码，此时解码器产生一个解码输出向量，此时可以标记为s(1)。在步骤503中，将解码器的第一个输出向量与编码器的所有编码输出向量一起输入到注意力机制模块中，进而得到对应的短时序特征向量，短时序特征向量对应标记为c

更具体的，如图11所示，图11是本发明实施例中步骤303提供的另一种方法流程图。步骤303包括以下步骤：

步骤601、计算编码输出向量与解码输出向量之间的相关程度。

步骤602、对相关程度进行归一化处理得到编码输出向量的权重。

步骤603、对编码输出向量进行加权求和得到短时序列特征向量。

具体的，如图10所示，解码第i个时刻时，分别计算各个编码器输出h(1),h(2),...,h(T)与解码器输出s(i)之间的相关程度，上述相关程度的计算公式为e

然后再基于该相关程度进行归一化处理得到每个编码器的编码输出向量的权重，编码输出向量的权重的计算公式为：

计算编码输出向量的权重后，对编码器的编码输出向量进行加权求和得到注意力机制模块的输出：

这样在注意力机制模块的加入，使得解码器在解码的时候更加有针对性，能充分学习历史不同时刻的流量对未来客流量的影响，提高模型的性能。

在本发明实施例中，通过短时序列特征向量提取模块对商城待预测时间段的过去同一时间段的客流量进行处理，进而得到对应的短时序特征向量。

需要说明的是，长时序列特征向量提取模块与短时序列特征向量提取模块的工作原理基本相同，不同的是两者的输入。因此，长时序列特征向量提取模块的工作原理在此不再赘述。

参见图12，图12是本发明实施例提供的一种商城客流量的预测装置的结构示意图，如图12所示，该商城客流量的预测装置700包括：

短时序特征向量提取模块104，用于获取商城待预测时间段的过去同一时间段的客流量，并对过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；

长时序特征向量提取模块105，用于获取商城待预测时间段的上周期同期历史客流量值，并对上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；

上下文特征映射模块106，用于获取商城待预测时间段的上下文信息，并对上下文信息进行上下文特征映射，得到对应的上下文特征向量，上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种；

向量拼接模块103，用于对短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；

全连接层模块102，用于对拼接向量进行全连接处理，以得到商城待预测时间段的客流量。

可选的，如图13所示，图13是本发明实施例中短时序特征向量提取模块提供的一种结构示意图。短时序列特征向量提取模块104为序列对序列神经网络结构，包括编码器以及解码器；短时序特征向量提取模块104包括：

编码单元1041，用于在编码阶段，将过去同一时间段的客流量进行编码，得到对应的编码输出向量，编码输出向量融合过去同一时间段的客流量对应的时序特征；

解码单元1042，用于在解码阶段，将编码输出向量进行解码，得到对应的解码输出向量，解码输出向量包括待预测时间段的客流量向量；

转换单元1043，用于将编码输出向量与解码输出向量执行注意力机制处理，得到短时序列特征向量，短时序列特征向量融合了过去同一时间段的客流量的时序特征。

可选的，如图14所示，图14是本发明实施例中转换单元提供的一种结构示意图。转换单元1043包括：

计算子单元10431，用于计算编码输出向量与解码输出向量之间的相关程度；

归一化子单元10432，用于对相关程度进行归一化处理得到编码输出向量的权重；

加权求和子单元10433，用于对编码输出向量进行加权求和得到短时序列特征向量。

可选的，如图15所示，图15是本发明实施例中编码单元提供的一种结构示意图。编码单元1041包括：

预设子单元10411，用于基于预设的时间间隔将过去同一时间段的客流量预设为客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)，T的取值范围为大于或等于1；

编码子单元10412，用于将客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)依次进行编码，得到客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)对应的编码输出向量h(1)至h(T)，编码输出向量h(1)至h(T)均与客流量序列x(1)至x(T)一一对应。

可选的，如图16所示，图16是本发明实施例中解码单元提供的一种结构示意图。解码单元1042包括：

初始子单元10421，用于将最后一个输出h(T)作为初始隐藏层状态；

解码子单元10422，用于将最后一个输出h(T)进行解码，得到解码输出向量s(i)，当i等于1时，s(1)为过去同一时间段中第一时序序列对应的第一个输出向量；

可选的，如图17所示，图17是本发明实施例中转换单元提供的另一种结构示意图。转换单元1043包括：

第一转换子单元10434，用于将第一个输出向量s(1)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(1)，短时序列特征向量c(1)融合了过去同一时间段的客流量的时序特征。

可选的，如图18所示，图18是本发明实施例中转换单元提供的另一种结构示意图。转换单元1043包括：

输入确定子单元10435，用于当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)，i为过去同一时间段的客流量中间隔预设的时间间隔的第i个时序特征；

第二转换子单元10436，用于重复执行将解码输出向量s(i)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(i)的步骤以及当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)的步骤，直到过去同一时间段的客流量的时间范围结束。

本发明实施例提供的商城客流量的预测装置700能够实现上述方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。

参见图19，图19是本发明实施例提供的一种电子设备的结构示意图。该电子设备800包括：存储器802、处理器801及存储在存储器802上并可在处理器801上运行的计算机程序，处理器801执行计算机程序时实现上述实施例提供的商城客流量的预测方法中的步骤，处理器801执行以下步骤：

获取商城待预测时间段的过去同一时间段的客流量，并对过去同一时间段的客流量进行短时序特征提取，得到对应的短时序特征向量；

获取商城待预测时间段的上周期同期历史客流量值，并对上周期同期历史客流量值进行长时序特征提取，得到对应的长时序特征向量；

获取商城待预测时间段的上下文信息，并对上下文信息进行上下文特征映射，得到对应的上下文特征向量，上下文信息包括天气信息、节假日信息、促销信息以及历史客流量均值中的至少一种；

对短时序特征向量、长时序特征向量以及上下文特征向量进行向量拼接，得到拼接向量；

对拼接向量进行全连接处理，以得到商城待预测时间段的客流量。

可选的，处理器801执行的对过去同一时间段的客流量进行短时序列特征提取，得到对应的短时序特征向量的步骤包括：

在编码阶段，将过去同一时间段的客流量进行编码，得到对应的编码输出向量，编码输出向量融合过去同一时间段的客流量对应的时序特征；

在解码阶段，将编码输出向量进行解码，得到对应的解码输出向量，解码输出向量包括待预测时间段的客流量向量；

将编码输出向量与解码输出向量执行注意力机制处理，得到短时序列特征向量，短时序列特征向量融合了过去同一时间段的客流量的时序特征。

可选的，处理器801执行的将编码输出向量与解码输出向量执行注意力机制处理，得到短时序列特征向量的步骤包括步骤：

计算编码输出向量与解码输出向量之间的相关程度；

对相关程度进行归一化处理得到编码输出向量的权重；

对编码输出向量进行加权求和得到短时序列特征向量。

可选的，处理器801执行的将过去同一时间段的客流量输入进行编码，得到对应的编码输出向量的步骤包括：

基于预设的时间间隔将过去同一时间段的客流量预设为客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)，T的取值范围为大于或等于1；

将客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)依次进行编码，得到客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)对应的编码输出向量h(1)至h(T)，编码输出向量h(1)至h(T)均与客流量序列x(1)、x(1+n)、x(1+2n)…x(1+Tn)一一对应。

可选的，处理器801执行的将编码输出向量进行解码，得到对应的解码输出向量的步骤包括：

将最后一个输出h(T)作为初始隐藏层状态；

将最后一个输出h(T)进行解码，得到解码输出向量s(i)，当i等于1时，s(1)为过去同一时间段中第一时序序列对应的第一个输出向量；

将编码输出向量与解码输出向量执行注意力机制处理，得到短时序列特征向量，短时序列特征向量融合了过去同一时间段的客流量的时序特征的步骤包括：

将第一个输出向量s(1)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(1)，短时序列特征向量c(1)融合了过去同一时间段的客流量的时序特征。

可选的，处理器801执行的将编码输出向量与解码输出向量执行注意力机制处理，得到短时序列特征向量，短时序列特征向量融合了过去同一时间段的客流量的时序特征的步骤包括：

当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)，i为过去同一时间段的客流量中间隔预设的时间间隔的第i个时序特征；

重复执行将解码输出向量s(i)与所有编码输出向量h(1)至h(T)一起执行注意力机制处理，进而得到对应的短时序列特征向量c(i)的步骤以及当第i≥2个时刻开始时，解码输入为上一个时刻短时序特征向量c(i)的步骤，直到过去同一时间段的客流量的时间范围结束。

本发明实施例提供的电子设备800能够实现上述方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的商城客流量的预测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

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，的程序可存储于一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，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random Access Memory，简称RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。