[发明专利]隐藏状态序列的确定方法和街区的功能类型的确定方法

说明书

本申请涉及一种隐藏状态序列的确定方法，包括获取目标街区对应的观测序列；基于观测序列、隐马尔科夫模型中与目标街区对应的初始状态概率和状态转移概率、以及与隐马科夫模型涉及的各候选街区共同对应的高斯分布均值和高斯分布方差，确定目标街区在观测序列覆盖的各时间片内分别处于隐马尔科夫模型的各隐藏状态的局部概率，确定各局部概率分别对应的反向指针；基于目标街区在观测序列覆盖的最后一个时间片内分别处于各隐藏状态的局部概率中的最大局部概率，确定目标街区在最后一个时间片内所处的隐藏状态；基于目标街区在最后一个时间片内所处的隐藏状态及各反向指针进行最优路径回溯得到隐藏状态序列，能支持对街区的状态转移情况进行确定。

技术领域

本申请涉及计算机技术领域，特别是涉及一种隐藏状态序列的确定方法及装置、街区的功能类型的确定方法及装置、计算机可读存储介质以及计算机设备。

背景技术

随着计算机技术的发展，人们越来越多地基于城市中街区对应的观测数据(比如街区中人口活动的行为数据)进行建模，从而评估街区的人口流动特性。

传统方式中，是通过表征学习(比如Cross-Modal Representation Learning)的方式，建模时间、地点、人口的活动三者之间的共生关系，比如“吃饭”这项活动通常在中午用餐时间或者晚上用餐时间出现在餐厅类型的地点。如图1所示，模型学习到时间、地点、人口的活动三者之间的共生关系后，可以由其中一项推测另外两项的可能情况，比如可以按照不同时间进行查询，从而恢复不同地点中人口活动的变化规律。然而，传统方式中不支持对街区的状态转移情况进行确定，存在一定的局限性。

发明内容

基于此，有必要针对传统技术中不支持对街区的状态转移情况进行确定的技术问题，提供一种隐藏状态序列的确定方法及装置、街区的功能类型的确定方法及装置、计算机可读存储介质以及计算机设备。

一种隐藏状态序列的确定方法，包括：

获取目标街区对应的观测序列；

基于所述观测序列、隐马尔科夫模型中与所述目标街区对应的初始状态概率、与所述目标街区对应的状态转移概率、与所述隐马科夫模型涉及的各候选街区共同对应的高斯分布均值、以及与各所述候选街区共同对应的高斯分布方差，确定所述目标街区在所述观测序列覆盖的各时间片内分别处于所述隐马尔科夫模型的各隐藏状态的局部概率，并确定与各所述局部概率分别对应的反向指针；

基于所述目标街区在所述观测序列覆盖的最后一个时间片内分别处于各所述隐藏状态的局部概率中的最大局部概率，确定所述目标街区在该最后一个时间片内所处的隐藏状态；

基于所述目标街区在该最后一个时间片内所处的隐藏状态及各所述反向指针进行最优路径回溯，得到隐藏状态序列。

一种街区的功能类型的确定方法，包括：

获取隐马尔科夫模型涉及的各候选街区分别对应的观测序列；

基于所述隐马尔科夫模型中与各所述候选街区分别对应的初始状态概率、与各所述候选街区分别对应的状态转移概率、与各所述候选街区共同对应的高斯分布均值、以及与各所述候选街区共同对应的高斯分布方差，分别确定各所述候选街区在所述观测序列覆盖的各时间片内分别处于所述隐马尔科夫模型的各隐藏状态的局部概率，基于各所述局部概率，确定与各所述局部概率分别对应的反向指针；

基于各所述候选街区在所述观测序列所覆盖的最后一个时间片内分别处于各所述隐藏状态的局部概率中的最大局部概率，分别确定各所述候选街区在该最后一个时间片内所处的隐藏状态；

基于各所述候选街区在该最后一个时间片内所处的隐藏状态及各所述反向指针进行最优路径回溯，得到各所述候选街区分别对应的隐藏状态序列；

基于各所述候选街区分别对应的隐藏状态序列进行聚类，并基于聚类结果从候选功能类型中分别确定各所述候选街区所属的功能类型。