[发明专利]基于双路径时空残差网络的城市人群流动预测方法

说明书

本发明充分利用城市人群流动数据的时空特征，在残差网络结构ResNet和DenseNet的基础上，提出一种基于双路径时空残差网络的城市人群流动预测方法，该方法采用双路径时空残差网络进行城市人群流动预测，能够提升区域人群流入和流出的预测性能；所述双路径时空残差网络包括多个学习模块；所述学习模块由两个微块组成，其中每个微块开始于第一卷积层，后接第二卷积层，并以第三卷积层结束；第三卷积层的输出包括第一输出和第二输出，第一输出按照对应元素相加方式加入原始单通道残差网络，第二输出与密集连接网络的路径连接。本发明利用城市人群流动数据的时空特征，在残差网络结构ResNet和DenseNet的基础上，设计双路径残差网络ST‑DPResNet，从而进一步提升区域人群流入和流出的预测性能。

技术领域

本发明涉及一种城市人群流动预测方法，具体涉及一种基于双路径时空残差网络的城市人群流动预测方法。

背景技术

大数据时代的到来为城市计算提供了更多的机遇和更广阔的前景。如何利用大数据来提高城市管理以及社会治理的智能化和精细化水平成为当今的一个研究热点。准确地预测一个地区在未来一段时间内的人群流动情况，对于城市的交通管理、风险评估、公共安全等领域具有非常重要的意义。

现有的城市人群流动预测研究有针对人、车、路等实体的，如个体移动轨迹预测、短时交通流量预测等。这些预测是城市计算的一个重要视角，能够分析个体或局部区域的移动模式。城市人群流量预测受到很多研究人员的关注，特别是以区域为单元预测人群的流入和流出情况，能够从更宏观的层面分析群体移动模式。现有技术采用一种基于深度神经网络的时空数据预测方法，该方法将城市划分为网格区域，引入深度学习的思想，结合区域间相关性分析进行城市整体预测。但随着网络深度的增加，训练难度越来越大，而且会出现梯度消失的情况，即准确率会先上升然后达到饱和，再持续增加深度会则会导致准确率下降。现有技术将城市划分为网格区域，并利用残差网络ResNet对各区域的人群流入和流出量进行整体预测，提出ST-ResNet方法。但是传统单路径残差网络结构没有充分利用时空数据特征，且在收敛性方面存在不足，从而影响了数据的训练效果。

发明内容

本发明充分利用城市人群流动数据的时空特征，在残差网络结构ResNet和DenseNet的基础上，提出一种基于双路径时空残差网络的城市人群流动预测方法，该方法能够提升区域人群流入和流出的预测性能。

采用双路径时空残差网络进行城市人群流动预测；

所述双路径时空残差网络包括多个学习模块；

所述学习模块由两个微块组成，其中每个微块开始于第一卷积层，后接第二卷积层，并以第三卷积层结束；

第三卷积层的输出包括第一输出和第二输出，第一输出按照对应元素相加方式加入原始单通道残差网络，第二输出与密集连接网络的路径连接。

进一步的，第一卷积层为1×1的卷积层，第二卷积层为3×3的卷积层，第三卷积层为1×1卷积层。

进一步的，还包括步骤，

将反映周期性和趋势性的区域人群流量值特征经过一层卷积操作之后输入到学习模块的第一路径中，并通过以下公式进行计算，

其中x^l代表在第l个学习模块得到的信息，h_t代表在第t个学习模块的输入,f_t^k(·)代表在第t个学习模块学习到的残差函数，l为学习模块的序号；

将反映平滑性的最近邻时刻的区域人群流量值经过一层卷积操作之后输入到学习模块的第二路径中，按照以下进行计算，

y^l＝y^l-1+φ^l-1(y^l-1),l＝1,...,L，