一种用于行人流量实时预测的深度神经网络在线集成方法

本发明公开一种用于行人流量实时预测的深度神经网络在线集成方法，首先利用离线数据初始化一个基于深度神经网络的行人流量预测模型，然后在线部署模型预测行人流量，同时收集在线数据更新模型，让模型快速适应实时变化的复杂场景。多分辨率更新策略把深度神经网络分为多个子模块，采用不同分辨率的历史数据训练不同的子模块，让子模块的行人流量预测能力具有多样性；在线集成策略根据实时数据分布的变化，动态选择与组合最能适应当前场景的子模块，生成实时预测结果。与现有方法相比，本发明在实时行人流量预测的精度和响应速度上显著提升，尤其适用于交通监控、公共安全管理等需要实时数据处理的场景。