[發明專利]一種數據稀疏區域的人口流動預測方法及裝置

在審

• 申請號: 202211313718.7
• 申請日: 2022-10-25
• 公開（公告）號: CN115759350A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 李勇;馮濤;金德鵬
• 申請（專利權）人: 清華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/084;G06N3/092;G06N3/096
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 張琪

本發明提供一種數據稀疏區域的人口流動預測方法及裝置。該方法包括：利用基于強化學習的因果發現模型從源區域的數據中獲取相應的區域因果知識；基于區域因果知識和初始的變分自動編碼器，得到基于因果增強的變分自動編碼器，對目標區域的缺失特征進行恢復，獲得潛在的因果嵌入向量；潛在的因果嵌入向量是觀測特征以及缺失特征對應的表征向量；基于源區域與目標區域之間知識蒸餾的遷移學習算法，將預測模型的知識遷移到目標區域，并基于知識和嵌入向量進行目標區域的人口流動預測。本發明提供的數據稀疏區域的人口流動預測方法，能夠有效解決稀疏數據導致的預測困境，提高了針對數據稀疏區域的人口流動預測效率和精確度。

技術領域

本發明涉及大數據處理技術領域，具體涉及一種數據稀疏區域的人口流動預測方法及裝置。另外，還涉及一種電子設備及處理器可讀存儲介質。

背景技術

人口流動(Population Mobility)反映了城市的城市結構和人的設施需求分布。準確的人口流動預測可以幫助人們更好地提前了解和規劃城市結構和設施需求分布，從而降低人們的出行成本，提高城市的效率。對于發展中城市(即數據稀疏區域)，人口流動性預測起著至關重要的作用，因為良好的城市結構和設施需求分布對于發展中城市的結構布局和未來發展具有重要意義。

目前，現有技術通常基于簡單的物理規律對人口流動進行建模和預測，建模能力有限，無法表達復雜的流動模式。隨著機器學習和深度學習的快速發展，基于決策樹的模型和圖神經網絡等復雜模型凸顯了其對人口流動性預測的強大能力。盡管如此，這些方法需要大量數據來擬合復雜的模型，因此在發展中城市的應用受到了限制。該方法中的每一種都需要為某個城市建立模型，并使用大量數據擬合模型的參數。所以無法幫助預測發展中城市的人口流動，因為數據收集不足使得一些關鍵特征無法觀察到，導致針對數據稀疏區域的人口流動預測效率和精確度較差。因此，如何設計一種數據稀疏區域的人口流動預測方案來提升人口流動預測效率和精確度成為亟待解決的難題。

發明內容

為此，本發明提供一種數據稀疏區域的人口流動預測方法及裝置，以解決現有技術中存在的數據稀疏區域的人口流動預測方案局限性較高，從而導致人口流動預測效率和精確度較差的缺陷。

第一方面，本發明提供一種數據稀疏區域的人口流動預測方法，包括：

利用基于強化學習的因果發現模型從源區域的數據中獲取相應的區域因果知識；

基于所述區域因果知識和初始的變分自動編碼器，得到基于因果增強的變分自動編碼器；利用所述基于因果增強的變分自動編碼器對目標區域的缺失特征進行恢復，獲得潛在的因果嵌入向量；其中，所述潛在的因果嵌入向量是觀測特征以及所述缺失特征對應的表征向量；

基于所述源區域與所述目標區域之間知識蒸餾的遷移學習算法，將預測模型的知識遷移到所述目標區域，并基于所述預測模型的知識和所述潛在的因果嵌入向量進行所述目標區域的人口流動預測；其中，所述預測模型是預先基于所述源區域的數據構建的人口流動預測模型。

進一步的，所述利用基于強化學習的因果發現模型從源區域的數據中獲取相應的區域因果知識，具體包括：

獲取所述源區域的數據；基于強化學習的區域因果知識構建策略確定基于區域屬性特征排序的因果發現模型，利用所述因果發現模型對所述源區域的數據進行分析，以獲得滿足預設條件的區域屬性特征順序，并通過貝葉斯檢驗修剪得到包含區域屬性特征之間關系的特征因果圖；其中，所述特征因果圖用于表示所述區域因果知識。

進一步的，利用所述基于因果增強的變分自動編碼器對目標區域的缺失特征進行恢復，獲得潛在的因果嵌入向量，具體包括：

將所述特征因果圖作為特征恢復路徑，基于所述初始的變分自動編碼器和所述特征恢復路徑來學習包含區域屬性特征的缺失信息，得到所述潛在的因果嵌入向量。

進一步的，基于所述區域因果知識和初始的變分自動編碼器，得到基于因果增強的變分自動編碼器，具體包括：