[发明专利]一种基于深度神经网络的多因素融合学区学龄人口预测方法

权利要求书

1.一种基于深度神经网络的多因素融合学区学龄人口预测方法，其特征在于：包括数据预处理、特征提取、特征融合和预测三个阶段，具体步骤如下：

(1)数据预处理阶段：根据学区划分信息对户籍数据和公积金数据进行预处理；

(2)特征提取阶段：根据预处理后的数据计算各个学区的人口年龄分布、学龄人口迁入时长分布、学龄人口所在户迁入时长分布、公积金缴纳金额分布，构建总人口时序和学龄人口时序，进行相对归一化处理；并利用CNN和LSTM网络提取总人口时序深度特征和学龄人口时序深度特征；

(3)特征融合和预测阶段：将总人口时序深度特征、学龄人口时序深度特征、人口年龄分布、学龄人口迁入时长分布、学龄人口所在户迁入时长分布、公积金缴纳金额分布拼接后送入全连接层，计算学龄人口预测值。

2.根据权利要求1所述的一种基于深度神经网络的多因素融合学区学龄人口预测方法，其特征在于：所述步骤(1)数据预处理阶段的具体步骤如下：

(1.1)根据学区划分信息和户籍数据中的地址信息，将每一条人口记录关联到对应学区，得到人口-学区数据；

(1.2)根据公积金数据中的身份证信息，将每一条公积金缴纳记录关联到人口-学区数据中的对应记录，得到公积金-学区数据；

(1.3)对人口-学区数据和公积金-学区数据进行缺失值补全和异常值消除处理。

3.根据权利要求2所述的一种基于深度神经网络的多因素融合学区学龄人口预测方法，其特征在于：所述步骤(1.3)缺失值补全和异常值消除处理的具体步骤如下：

(a)对人口-学区数据中迁入、迁出日期进行缺失值和异常值检测，对无效的迁入日期用出生日期填充，对无效的迁出日期用当前日期填充；其中无效的迁入日期和无效的迁出日期的定义是早于出生日期或缺失；

(b)对公积金-学区数据中公积金缴纳金额进行缺失值和异常值检测，并用均值对缺失值和异常值进行填充。

4.根据权利要求1所述的一种基于深度神经网络的多因素融合学区学龄人口预测方法，其特征在于：所述步骤(2)特征提取阶段的具体步骤如下：

(2.1)根据缺失值补全和异常值消除后的人口-学区数据，为每个学区构建时间间隔为1季度、长度为l_p的总人口时序ξ_p和时间间隔为1个月、长度为l_s的学龄人口时序ξ_s，计算每个学区的人口年龄分布d_a、学龄人口迁入时长分布d_s、学龄人口所在户迁入时长分布d_h；

(2.2)对总人口时序ξ_p、学龄人口时序ξ_s进行相对归一化处理；

(2.3)根据缺失值补全和异常值消除后的公积金-学区数据计算每个学区公积金缴纳金额分布d_m；

(2.4)构建多层LSTM网络，其中每层包含l_p个LSTM单元；将归一化后的总人口时序ξ_p输入到LSTM网络中，提取学区总人口时序深度特征f_p；

(2.5)构建包含若干卷积层、池化层和LSTM层的网络；将归一化后的学龄人口时序ξ_s输入到网络中，获得学区总人口时序深度特征f_s。