[发明专利]一种基于深度学习的时空长短期城市人流量预测方法

权利要求书

1.一种基于深度学习的时空长短期城市人流量预测方法，其特征在于，包括如下步骤：

步骤S1：将城市地图按经纬度划分为i×j的网格，i代表所划分地图在宽度上的网格个数，j代表所划分地图在长度上的网格个数,i和j为正整数，将目标区域r及其邻近区域视为的S×S网格，记录区域r在时刻t的人流量X_t'，其中表示流入流量，表示流出流量；

步骤S2，计算POI分布图P：假设POI类型共有N个，N为正整数，对每个区域计算是否含有这些POI类型，有则记为1，无则记为0，S×S个区域则形成POI分布图其中每个二维的S×S矩阵代表一种类型的POI分布，共N个类型的POI分布，组成三维的POI分布图；

步骤S3：计算邻近区域空间依赖性：对步骤S1中选取的S×S网格图做局部卷积操作，提取出邻近空间特征；

步骤S4：计算遥远区域空间依赖性，将城市地图中有快速路或地铁直接相连的若干区域看做一个无向图G＝(V,E)，顶点集V代表区域集合，边集E代表两区域之间的连通性，采用图卷积提取连通的遥远区域的空间依赖；

步骤S5：早期融合特征：将步骤S2至步骤S4提取出的特征通过全连接神经网络做降维处理，将特征统一成同一维度，然后融合成一个特征；

步骤S6：计算短期时间依赖：将步骤S5得到的融合特征输入到长短时记忆网络层，每天的时序信息由一个长短时记忆网络层保存；

步骤S7：计算长期时间依赖：将步骤S5得到的融合特征输入到循环跳跃层，循环跳跃结构的基本单元由门控循环单元组成；

步骤S8，将步骤S6输出的短期时间依赖和步骤S7输出的长期时间依赖加权求和，得到长短期时间依赖的输出；

步骤S9：采用全连接神经网络对额外特征进行提取和维度变换，然后将变换维度后的额外特征与步骤S8的输出进行融合后输入到全连接神经网络层中得到预测时刻的人流量信息。

2.根据权利要求1所述的一种基于深度学习的时空长短期城市人流量预测方法，其特征在于，在步骤S2中，赋予POI分布图权重，引入词频-逆文本频率TF-IDF作为每种类型的POI在一个区域内的重要程度的衡量标准，将计算出的TF-IDF值作为此区域相应类型POI的权重。