[發(fā)明專利]一種通勤數(shù)據(jù)生成方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110699665.6
• 申請日: 2021-06-23
• 公開（公告）號: CN113591366A
• 公開（公告）日: 2021-11-02
• 發(fā)明（設(shè)計）人: 李勇;榮燦;金德鵬
• 申請（專利權(quán)）人: 清華大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王治東

本發(fā)明提供一種通勤數(shù)據(jù)生成方法及系統(tǒng)，其中方法包括：確定待生成通勤數(shù)據(jù)的目標(biāo)城市人口普查數(shù)據(jù)；將所述待生成通勤數(shù)據(jù)的目標(biāo)城市人口普查數(shù)據(jù)輸入至通勤數(shù)據(jù)生成模型，得到所述通勤數(shù)據(jù)生成模型輸出的目標(biāo)城市通勤數(shù)據(jù)；其中，所述通勤數(shù)據(jù)生成模型是基于源城市通勤數(shù)據(jù)及歷史保存的人口普查數(shù)據(jù)對分別劃分為若干區(qū)域的源城市和目標(biāo)城市的地圖數(shù)據(jù)構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自適應(yīng)對抗訓(xùn)練后得到的。本發(fā)明實現(xiàn)了在人口移動數(shù)據(jù)缺乏的目標(biāo)城市生成可靠準(zhǔn)確的通勤數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)生成技術(shù)領(lǐng)域，尤其涉及一種通勤數(shù)據(jù)生成方法及系統(tǒng)。

背景技術(shù)

通勤數(shù)據(jù)生成(Commuting Flow Generation)是在由于基礎(chǔ)設(shè)施不完善等原因而無法獲取通勤數(shù)據(jù)的城市生成接近真實的通勤數(shù)據(jù)。城市中人群的通勤信息是非常有價值的，它可以反映出城市中早晚高峰的人口流動的規(guī)律，通過發(fā)掘其中的規(guī)律，可以更加科學(xué)地指導(dǎo)城市中資源的合理分配，比如優(yōu)化路網(wǎng)的設(shè)置，公交車輛的合理調(diào)度以及安保資源的分配等。群體視角的人群通勤規(guī)律既可以發(fā)揮其城市發(fā)展的參考作用又避免了個體隱私的泄露。

傳統(tǒng)的城市人口通勤信息獲取的方法通常為普查的方式，進(jìn)行精準(zhǔn)到人的問卷調(diào)查，需要花費(fèi)很高的時間和金錢成本。隨著移動互聯(lián)網(wǎng)設(shè)備的普及，可以通過采集到的海量的個體GPS(Global Positioning System)移動軌跡數(shù)據(jù)提取到人口的通勤信息，但是由于發(fā)展中城市以及新興城市基礎(chǔ)設(shè)施不夠完善，無法通過這種現(xiàn)代化手段進(jìn)行通勤信息的獲取，所以使用區(qū)域?qū)傩孕畔砩赏ㄇ谌肆鞯难芯烤椭饾u發(fā)展開來。然而目前生成通勤人流的技術(shù)存在對數(shù)據(jù)匱乏的目標(biāo)城市進(jìn)行模型建模沒有考慮空間拓?fù)鋵θ丝诹鲃拥挠绊懀瑢?dǎo)致模型得到的人流數(shù)據(jù)結(jié)果較差，從而導(dǎo)致生成通勤數(shù)據(jù)不夠真實可靠的問題。

發(fā)明內(nèi)容

本發(fā)明實施例提供一種通勤數(shù)據(jù)生成方法及系統(tǒng)，用以解決目前在人口移動數(shù)據(jù)缺乏的目標(biāo)城市生成可靠準(zhǔn)確的通勤數(shù)據(jù)的問題。

第一方面，本發(fā)明實施例提供一種通勤數(shù)據(jù)生成方法，包括：

確定待生成通勤數(shù)據(jù)的目標(biāo)城市人口普查數(shù)據(jù)；

將所述待生成通勤數(shù)據(jù)的目標(biāo)城市人口普查數(shù)據(jù)輸入至通勤數(shù)據(jù)生成模型，得到所述通勤數(shù)據(jù)生成模型輸出的目標(biāo)城市通勤數(shù)據(jù)；

其中，所述通勤數(shù)據(jù)生成模型是基于源城市通勤數(shù)據(jù)及歷史保存的人口普查數(shù)據(jù)對分別劃分為若干區(qū)域的源城市和目標(biāo)城市的地圖數(shù)據(jù)構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自適應(yīng)對抗訓(xùn)練后得到的。

進(jìn)一步地，所述通勤數(shù)據(jù)生成模型是基于源城市通勤數(shù)據(jù)及歷史保存的人口普查數(shù)據(jù)對分別劃分為若干區(qū)域的源城市和目標(biāo)城市的地圖數(shù)據(jù)構(gòu)建的圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自適應(yīng)對抗訓(xùn)練后得到的，包括：

基于分別劃分為若干區(qū)域的源城市和目標(biāo)城市的地圖數(shù)據(jù)得到包含區(qū)域鄰接關(guān)系的源城市拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和目標(biāo)城市拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)；

基于所述源城市拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)和目標(biāo)城市拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)構(gòu)建所述圖神經(jīng)網(wǎng)絡(luò)模型，并基于所述歷史保存的人口普查數(shù)據(jù)聚合得到包括源城市拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)在內(nèi)的源城市的區(qū)域靜態(tài)屬性數(shù)據(jù)和包括目標(biāo)城市拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)在內(nèi)的目標(biāo)城市的區(qū)域靜態(tài)屬性數(shù)據(jù)；

將所述源城市通勤數(shù)據(jù)、源城市的區(qū)域靜態(tài)屬性數(shù)據(jù)和目標(biāo)城市的區(qū)域靜態(tài)屬性數(shù)據(jù)輸入所述圖神經(jīng)網(wǎng)絡(luò)模型后進(jìn)行自適應(yīng)對抗訓(xùn)練，得到所述通勤數(shù)據(jù)生成模型。

進(jìn)一步地，將所述源城市通勤數(shù)據(jù)、源城市的區(qū)域靜態(tài)屬性數(shù)據(jù)和目標(biāo)城市的區(qū)域靜態(tài)屬性數(shù)據(jù)輸入所述圖神經(jīng)網(wǎng)絡(luò)模型后進(jìn)行自適應(yīng)對抗訓(xùn)練，得到所述通勤數(shù)據(jù)生成模型，包括：

將所述源城市通勤數(shù)據(jù)、源城市的區(qū)域靜態(tài)屬性數(shù)據(jù)和目標(biāo)城市的區(qū)域靜態(tài)屬性數(shù)據(jù)輸入所述圖神經(jīng)網(wǎng)絡(luò)模型，得到起點區(qū)域特征、終點區(qū)域特征和起點終點區(qū)域連通性特征拼接的區(qū)域?qū)μ卣鳎?/p>