随着现代社会民众生活水平的提升,越来越多样化的公共区域成为人们文娱和工作地点的选择,但由于这一趋势的增长而导致公共区域的社会安全问题也同样日益突出。近年来随着民众的出行频率的增加,对人流量的管控和疏散已然成为公共安全的一项重要课题。现如今,新冠疫情在全球仍未得到有效控制,尤其在人群密集区域这一问题更为突出,高效准确地预测人群密度能为安防工作提供参考指标,从而通过人为干预有效降低公共区域踩踏以及病毒传播的几率。传统的人群密度检测方法主要包括视频图像实时检测和人流量建模统计,但也存在难以预测未来一段时间的人流走势情况以及区域间关联性研究不足等缺陷。本文的目的在于研究城市中公共区域的人流量发展规律,构建一个人群密度预测模型并在此基础上开发一个区域人群密度预测系统。本文主要工作包含人群密度预测模型的研究和预测系统的开发两个方面。（1）在人群密度预测模型研究这一工作中,本文首先从数据分析的角度分析统计了人群密度的发展规律,在此基础上分析并引入了新的数据特征,经过实验证实数据维度的扩充提升了模型的准确度。本文主要采用基于boosting集成学习算法中的xgboost、lightgbm和catboost分别构建人流量预测单模型,并在此基础上进行参数调优,最后通过加权模型融合的方式进行最终模型的构建。（2）在系统开发这一工作中,首先对系统进行了可行性分析以评估系统开发的难度,接着从系统使用角度出发分析了系统受众和基本业务,然后在此基础上分析了系统的功能性需求分析和非功能性需求,接着本文确立了系统的架构设计模式,分析并进行了各功能模块的设计,然后通过ER图来明确数据库的表设计设计,最后在以上基础上开发了一个人群密度预测的系统并介绍了系统的各模块的实现工作。本文主要的数据集记录了每小时各个区域的人群密度指数,但各个区域之间存在人群流动性,针对这种空间上有关联的数据,在进入模型训练之前传统的做法是将周围区域的信息进行一并输入,但这一做法容易忽略区域在整个空间上的信息且容易造成信息冗余,本文的创新点在于通过各公共区域之间的联系强度构建每个小时对应的有向加权图,将有向加权图的信息通过边缘列表进行存储,然后通过基于随机游走的node2vec算法进行区域空间特征的学习,将学习到的空间特征信息集成嵌入为一个n维的向量,最后将这个n维向量作为空间特征输入集成学习模型以提升模型的预测效果。