[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

说明书

本发明公开了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，包括：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；2、构建城市人口分布预测模型，根据历史数据对所述预测模型进行训练；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；该预测模型能够对城市格网划分的各区域进行同时预测；卷积长短期记忆网络通过卷积结构提取空间特征，通过长短期记忆网络结构获取时间特征，算法底层把卷积神经网络与长短期记忆网络相结合，学习人口分布变化的高维度时空特征，有效融合时间维度空间维度，从而提高预测精度。

技术领域

本发明涉及时空大数据挖掘与时空分析建模领域，尤其涉及一种城市精细化人口分布动态预测方法。

背景技术

城市人口分布是指在某一时刻人口在城市中的空间分布形态。我国经济发展迅猛，工业化、城市化进程不断加快，大城市人口不断聚集，导致环境恶化、交通拥堵以及公共安全隐患日益严重等问题，从而给现代城市管理与发展带来了严峻的挑战。掌握精细时空尺度下的城市人口分布及发展动态，可以为城市居民出行活动规律探索、城市公共资源配置优化、城市交通高效运营指导、公共安全应急预案制定等提供重要的科学依据和及时有效的服务。

伴随城市化进程的不断推进，城市生活所呈现的快节奏导致人口在空间上的移动呈现出高时空动态变化的特征。以往人口统计数据大多基于问卷调查，该类数据获取成本高、时效性低，难以实现人口分布研究的精细化以及预测的实时性。高时空精度的人口个体数据比传统的人口统计数据更加接近真实的城市人口分布。随着传感器网络、移动定位、无线通讯和移动互联网技术的快速发展和普及，获取高时空精度的海量人口个体数据已成为现实。诸如手机定位与通讯数据、社交网络签到数据、浮动车定位数据等有效地记录了个体时空位置与行为信息，对于开展城市人口精细化分布的动态预测研究提供了重要的数据来源。

由于人类活动所具有的复杂性和多样性造成人口分布具有自组织复杂性、随机性和非线性等特征。尤其是随着我国社会经济的快速发展，综合商业圈扎堆，地下空间逐渐被开发利用，城市空间结构越来越复杂；城市交通设施越来越发达，人们在一定时间内的可达范围越来越广，城市内部人口流动频繁；诱发事故的因素增加，特别是节假日、季节性促销、大型活动等导致的人群短时高密度聚集。在这种情况下，城市人口的流动模式越来越复杂，人口分布动态变化呈现出非线性和非平稳的特征。如何在城市人口精细化分布预测中充分顾及人口分布的自组织复杂性、随机性和非线性等特征是目前城市人口精细化分布的动态预测的瓶颈问题。现有城市人口分布预测的模型与方法主要包括：

(1)概率模型方法

该类方法根据历史采集的相对准确的人口分布数据，根据个体的移动步长和时间间隔，选取一个表现较好的概率分布模型，并在该模型中考虑多种外部因素。然而，现实中很多人口分布并不能由单一概率分布进行刻画，而是呈现分段形式，需要多个甚至多种分布共同刻画。此类方法依赖概率分布模型的选择，需要较多先验知识。

(2)统计物理模型方法

统计物理模型主要包括引力模型和辐射模型等模型。其中，引力模型假设两个区域之间的人口移动量与它们的目的地引力成正比，并随着它们之间有机隔断成正比。该模型形式简单，概念易懂，但依赖经验数据拟合参数、缺乏严格的推导等。辐射模型只需输入人口分布数据就可以较为准确地预测区域间的人口分布。后来亦有学者们考虑不同阻扰因素，并提出相应的预测模型。尽管此类方法简单易懂，但其对于成本变化的反应不敏感，特别是随着如今城市化进程加快，各种外部因素对于人口分布的影响越来越大，预测效果受到限制。

(3)机器学习方法