[發(fā)明專利]基于時空關(guān)系的殘差多圖卷積人群分布預(yù)測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110293235.4
• 申請日: 2021-03-18
• 公開（公告）號: CN112766240B
• 公開（公告）日: 2022-08-12
• 發(fā)明（設(shè)計）人: 趙志遠(yuǎn);張宇;吳升;張雪霞;李代超
• 申請（專利權(quán)）人: 福州大學(xué)
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V10/82;G06V20/40;G06N3/04;G06N3/08
• 代理公司: 福州元創(chuàng)專利商標(biāo)代理有限公司 35100
• 代理人: 陳明鑫;蔡學(xué)俊

本發(fā)明涉及一種基于時空關(guān)系的殘差多圖卷積人群分布預(yù)測方法及系統(tǒng)。該方法包括：包括：提取各區(qū)域各時段人群數(shù)量；進(jìn)行多種空間關(guān)系構(gòu)建并建模；進(jìn)行時間關(guān)系構(gòu)建并建模；融合時空關(guān)系預(yù)測人群分布。本發(fā)明同時考慮區(qū)域之間的鄰近性、連通性和功能相似性三種空間關(guān)系以及時間關(guān)系，從而有效地提高人群分布預(yù)測的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于空間信息技術(shù)領(lǐng)域，特別是涉及一種基于時空關(guān)系的殘差多圖卷積(Spatio-temporal Residual Multi-Graph Convolution Network，STRMGCN)人群分布預(yù)測模型，具體為一種基于時空關(guān)系的殘差多圖卷積人群分布預(yù)測方法及系統(tǒng)。

背景技術(shù)

目前，我國正在經(jīng)歷快速城鎮(zhèn)化過程，人口在城市中的大量聚集對城市資源配置提出了更高的要求，而相對滯后的城市發(fā)展水平帶來了一系列的城市問題(如交通擁堵、人群踩踏等公共安全事件)。研究城市人群移動的時空特征，實現(xiàn)人群分布預(yù)測，為優(yōu)化公共資源、指導(dǎo)商業(yè)設(shè)施選址、公共安全預(yù)警等提供決策支持。

目前人群分布預(yù)測主要是基于特定的地理分析單元(如基于道路網(wǎng)絡(luò)、基于規(guī)則格網(wǎng))，根據(jù)歷史的各個地理分析單元的人群數(shù)量，預(yù)測未來時刻的各個地理分析單元的人群數(shù)量。本發(fā)明基于規(guī)則地理網(wǎng)格為分析單元實現(xiàn)人群分布預(yù)測，與之相近的方法可以分為兩類：參數(shù)化的方法和非參數(shù)化的方法。參數(shù)化方法基于歷史數(shù)據(jù)，擬合回歸函數(shù)最優(yōu)參數(shù)，進(jìn)而對人群分布進(jìn)行預(yù)測。這類模型主要有時間序列模型^[1]，線性回歸模型^[2]和卡爾曼濾波器^[3]等。非參數(shù)模型一般基于機器學(xué)習(xí)的方法進(jìn)行構(gòu)建，將人群分布的總體作為隨機變量，認(rèn)為其分布是存在的，但是無法知道其分布的形式以及相關(guān)參數(shù)，只需要足夠的歷史數(shù)據(jù)就可以自動地從區(qū)域人群數(shù)量數(shù)據(jù)中學(xué)習(xí)統(tǒng)計規(guī)律。非參數(shù)模型常用的方法有決策樹模型^[4]、樸素貝葉斯模型^[5]、支持向量機(SVM)模型^[6]、神經(jīng)網(wǎng)絡(luò)^[7,8]等。

現(xiàn)有技術(shù)存在的主要缺點是(1)很少同時考慮時空關(guān)系對于人群分布預(yù)測的影響。人的流動是同時受時間和空間資源約束的，然而現(xiàn)有的算法如SVR、LSTM模型等大多只考慮時間關(guān)系對于人群分布預(yù)測影響，很少研究同時顧及時空關(guān)系對人群分布進(jìn)行預(yù)測。(2)對空間關(guān)系的考慮主要局限于鄰近區(qū)域之間關(guān)系，忽略了其他對人群分布的空間關(guān)聯(lián)。現(xiàn)有的算法大多僅考慮相鄰區(qū)域的影響，然而城市內(nèi)各區(qū)域人群分布具有網(wǎng)絡(luò)特性，即區(qū)域人群分布除了受空間距離本身影響之外，還顯著受道路、地鐵等骨干交通資源連接的影響。例如雖然兩個區(qū)域相隔較遠(yuǎn)，但是有地鐵相連，兩者的關(guān)聯(lián)性更為密切。

[1]Ding QY,Wang X F,Zhang XY,et al.ForecastingTraffic Volume withSpace-TimeARIMA Model[J].AdvancedMaterialsResearch,2011,156-157:979-983.

[2]Sun H,Zhang C,Ran B.Interval prediction for traffic time seriesusing local linear predictor[C]//Intelligent Transportation Systems,2004.Proceedings.The 7th International IEEE Conference on.IEEE,WA,USA,2004:410-415.

[3]Bossanyi E.Short-term wind prediction using Kalman filters[J].WindEngineering,1985,9(1):1-8.

[4]程娟,陳先華.基于梯度提升決策樹的高速公路行程時間預(yù)測模型(英文)[J].Journal of Southeast University(English Edition),2019,35(03):393-398.