[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

说明书

本发明涉及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，包括如下：1)对每个学区的户籍数据和公积金数据进行预处理；2)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，并构建总人口时序和学龄人口时序，进行相对归一化处理；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)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。本发明对于合理规划教育投入和优化教育资源配置具有重要的现实意义。

技术领域

本发明涉及人口预测方法领域，尤其涉及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。

背景技术

人口和教育是有着各自变化规律又联系紧密的两个系统，学龄人口对教育发展(例如：教育需求、学校布局、校舍和师资建设等)有着极为深远的影响。然而，学龄人口受多种因素影响，人口迁移、收入情况、区域教育水平等都会导致学龄人口变动，给教育资源规划带来了很大的挑战。要实现教育资源的合理分配和有序发展，需要把握学龄人口变化的规律，准确预测学龄人口数量。

现有学龄人口预测方法可分为两类：第一类，只基于学龄人口时序进行建模(如：自回归滑动平均模型、指数平滑法等)。由于忽略了其他影响学龄人口的因素，此类模型泛化能力低。第二类，依赖专业知识人工定义影响学龄人口的单一特征进行建模(如：灰色系统理论、Leslie人口模型等)。这种依赖领域知识建模的方法需要长时间的设计与验证，并且一定程度上会造成信息丢失，而且不同地区影响学龄人口的因素有较大差异，使得此类模型难以结合具体情况进行调整。

此外，多种因素(如：人口总数、人口年龄、人口迁移、收入情况等)与学龄人口变动存在着密切的联系，在学龄人口预测模型中充分融合这些因素可以减少预测误差并提高泛化能力。

发明内容

本发明为克服上述的不足之处，目的在于提供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，本发明方法利用户籍数据和公积金数据充分挖掘影响学龄人口的因素，进而构建具备高泛化能力的学龄人口预测模型；本方法首先对户籍数据、公积金缴纳数据进行预处理；然后根据预处理后的数据计算每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，并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；最后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。本发明基于深度神经网络实现多因素融合的学区学龄人口预测，对于合理规划教育投入和优化教育资源配置具有重要的现实意义。

本发明是通过以下技术方案达到上述目的：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，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。

作为优选，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；