[发明专利]基于深度学习的城市精细化人口分布动态预测方法及装置

权利要求书

1.一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，包括以下步骤：

步骤1：在研究所需尺度下，将研究区域进行网格化处理，构建样本集，并划分相应的训练集和测试集；

步骤2：城市人口分布预测模型构建，根据历史数据对所述预测模型进行训练；

步骤3：将前j个时刻城市人口分布状态数据作为输入变量输入到步骤2中已训练好的模型中，预测得到未来某一时刻的城市人口分布状态。

2.如权利要求1所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，步骤1中所述的将研究区域进行网格化处理，进一步包括：

1.1选取研究区域，将研究区域按照研究所需空间分辨率划分为M×N的网格区域；

1.2将原始个体时空定位数据根据经纬度映射到对应网格区域中，计算每个网格在某一时刻存在的个体人口数量。

3.如权利要求2所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，步骤1.2进一步包括：所述计算每个网格在某一时刻存在的个体人口数量，算法方法是：在某一时刻，出现在该网格中的唯一id号的数量p，对没有对应数据分布的区域，p取值为零；在网格区域中的数据记为P(m，n)＝{p₁，p₂，…，p_i}，其中pi表示网格区域(m，n)中第i个时刻的人口分布数量p，i是时间段编号，即i个时间段；将每一时刻的人口分布状态用一张图片来表达，记为q_i，待预测的网格的状态可以用一个状态矩阵来表示，记为A_i+k，A_i+k＝[p(0，0)_i+k，p(1，0)_i+k，p(0，1)_i+k，…，p(m，n)_i+k]，其中k是代表未来第k个时刻。

4.如权利要求1所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，步骤2中所述的构建预测模型并对所述预测模型进行训练，进一步包括：人口数量归一化处理；城市人口分布时空特征建模；外部因素特征建模；数据特征融合；最优预测模型选取。

5.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述人口数量归一化处理，包括：对得到的所有时刻的所有网格的人口分布数据P_i进行归一化处理，则有其中，P′_i为归一化的人口分布数量，i是时间段编号，即i个时间段，P_max和P_min为所有时刻所有网格区域人口分布数量的最大值和最小值。

6.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述城市人口分布时空特征建模，包括：采用卷积长短期记忆网络模型获取城市人口分布时空特征，该网络模型结构采用10层网络层，包括图像输入层、conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，ConvLSTM层，conv5卷积层，conv6卷积层，conv7卷积层，结果输出层，所以卷积层均采用补零操作(Zero-padding)，ConvLSTM层中使用ReLU函数作为激活函数；首先，图像输入层输入的是某一时刻人口分布的状态归一化后的结果P′_i，i是时间段编号，即i个时间段；通过“输入层-卷积层”结构进行潜在特征学习，将前四层编码层的结果输入至ConvLSTM层(ConvLSTM层中可采用多个ConvLSTM单元)，用于学习输入特征序列的时空特征，再将其输入到解码层，最后输入到结果输出层做预测，所述的ConvLSTM层具体表示为：

式中，χ₁，…，χ_t为ConvLSTM层输入，为元胞的输出，为隐藏层的状态，f_t，i_t，o_t为模型的参数，σ(·)表示ReLU激活函数，tanh(·)表示双曲正切函数，*表示卷积操作，表示Hadamard积。