[發明專利]一種基于聚焦機制的群體流量預測模型及方法

在審

• 申請號: 201811150902.8
• 申請日: 2018-09-29
• 公開（公告）號: CN109460855A
• 公開（公告）日: 2019-03-12
• 發明（設計）人: 林倞;江宸瀚;彭杰鋒;劉凌波;王青
• 申請（專利權）人: 中山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06N3/04;G06K9/00
• 代理公司: 廣州容大益信專利代理事務所(普通合伙) 44397
• 代理人: 牛麗霞;汪小梅

本發明公開了一種基于聚焦機制的群體流量預測模型及方法，所述模型包括：連續性特征學習模塊，用于利用聚焦群體流機(Attentive Crowd Flow Machines，ACFM)對依時間排序的特征圖序列學習連續性特征表達，得到連續性特征圖；周期性特征學習模塊，用于利用聚焦群體流機ACFM對依時間排序的特征圖序列學習周期性特征表達，得到周期性特征圖；具有時間變化的融合模塊，用于引入外部信息引導所述連續性特征圖和周期性特征圖融合，本發明通過學習數據在時域上變化的動態表示，從而推斷出群體流量未來的走向。

技術領域

本發明涉及安全監控、城市交通管理、計算機視覺等領域，特別是涉及一種基于聚焦機制的群體流量預測模型及方法。

背景技術

群體流量分析是一項重要的任務。由于它在許多智能應用程序中具有巨大的潛力，因此吸引了大量的研究興趣。如圖1a所示，在城市管理中，全市群體流量分析的目標是根據當前時間段的GPS信號預測城市地區的未來流入和流出，而在安全監視中，如圖1b所示，人群流量分析的目的是通過在視頻中使用他們當前的位置來預測他們的數量和位置。盡管不同領域的群體流量分析的區域規模差異很大，但他們的核心問題都在于如何挖掘顯著的空間信息，并構建時間相關性以獲得更準確的預測。

在學術研究中，學者針對空間-時間建模提出了大量的工作，但在復雜場景中仍然存在一些限制群體流分析性能的挑戰。首先，在時間序列中，群體流數據會有很大的變化，捕捉這種動態變化是非常重要的；其次，一些周期性的規律(例如，交通流由于高峰時間或假期前的影響突然發生變化)會極大地影響群體流動的變化，這增加了從數據中學習群體流動特征的難度。此外，在不同的環境下(例如，在一個特定的監控場景下預測人數或者使用GPS數據對全市的出租車流量預測)，群體流的預測通常需要構建差異化的神經網絡。

發明內容

為克服上述現有技術存在的不足，本發明之目的在于提供一種基于聚焦機制的群體流量預測模型及方法，以通過學習數據在時域上變化的動態表示，從而推斷出群體流量未來的走向。

為達上述及其它目的，本發明提出一種基于聚焦機制的群體流量預測模型，包括：

連續性特征學習模塊，用于利用聚焦群體流機ACFM對依時間排序的特征圖序列學習連續性特征表達，得到連續性特征圖；

周期性特征學習模塊，用于利用聚焦群體流機ACFM對依時間排序的特征圖序列學習周期性特征表達，得到周期性特征圖；

具有時間變化的融合模塊，用于引入外部信息引導所述連續性特征圖和周期性特征圖融合。

優選地，所述連續性特征學習模塊為時間跨度小于所述周期性特征學習模塊的子網絡，包括n個聚焦群體流機ACFM子模塊，并將其最后一個ACFM子模塊輸出的隱藏狀態作為一個卷積層的輸入，得到最終的連續性特征圖。

優選地，所述周期性特征學習模塊包括m個聚焦群體流機ACFM子模塊，并將其最后一個ACFM子模塊輸出的隱藏狀態作為一個卷積層的輸入，得到最終的周期性特征圖。

優選地，提取連續性特征的所述連續性特征學習模塊輸入序列長度長于提取周期性特征的所述周期性特征學習模塊輸入序列長度。

優選地，所述聚焦群體流機ACFM包括兩個長短期記憶網絡以及用于聚焦權重預測的卷積層，所述長短期記憶網絡與用于聚焦權重預測的卷積層相連，第一個長短期記憶網絡通過原始的群體流特征嵌入來模擬時間依賴，輸出隱藏狀態與當前的流特征連接在一起，并將其輸入到用于權重映射推斷的該卷積層，第二個長短期記憶網絡與第一個長短期記憶網絡結構相同，在每一個時間步驟中都采用重新加權的群體流特征作為輸入，并循環學習空間-時間特征，以便進一步的群體流預測。

優選地，所述長短期記憶網絡為卷積長短期記憶網絡，其每一步生成的隱藏狀態的維度與輸入維度保持一致。