[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

说明书

本发明公开了一种基于深度学习的时空长短期城市人流量预测方法，用于人流量预测。本发明在提取空间相关性时，将邻近区域相关性做局部卷积，将遥远区域相关性用图卷积提取，减少了参数和计算量的同时又兼顾了空间相关性的完整；本发明同时捕捉了短期时间依赖长期的时间依赖，使预测结果在时间维度更精确；本发明将区域语义信息分布考虑进来，将每个区域中的每种类型的感兴趣区域(POI)赋予相应的占比权重，更精确地利用了区域语义对城市人流量的影响。

技术领域

本发明涉及人流量预测领域，尤其涉及到一种基于深度学习的时空长短期城市人流量预测方法。

背景技术

随着城镇化进程的推进，发达的城市道路和多样性的交通方式，为人们出行带来了极大的便利。但如果不能合理地利用交通数据，效果往往会适得其反，随之而来的是交通拥堵、资源浪费、安全隐患等问题。

比如，大城市道路的拥堵，交通事故的频发，上海外滩跨年夜的踩踏事件，这些现象给城市交通流量管控敲响了警钟。城市人流量预测的含义是，根据历史交通流量数据，预测当前时刻或下一时刻的交通流量。其意义在于，针对预测的人流量状态，对于交管部门，可以提前采取相应的措施疏通分散人流量，对于交通营运部门(如网约车公司)，可以做好预先的资源配置，满足人群的出行需求。城市人流量预测的重要性可见一斑。目前流行的人流量预测方法如下：

1、使用时空特征的卷积神经网络进行预测。现有技术中提出了一种利用深层卷积结合残差的模型负责提取区域间的空间特征，虽然在输入阶段把数据按时序划分了三个部分，但是没有明确捕捉时间依赖关系。

2、使用多视角的时空神经网络进行预测。已有现有技术考虑了时间和空间特征依赖性，使用局部卷积神经网络(CNN，convolution Neural Network)捕捉空间依赖，长短时记忆网络(LSTM，Long Short-Term Memory)捕捉时序信息，但是忽略了远距离区域间的空间依赖性和长时间的时序依赖性。

3、使用动态时空依赖模型进行预测。已有现有技术考虑了区域间人流量的动态相关性和时序上的周期漂移性，解决了长期时间依赖问题，但是忽略了远距离空间依赖性，只考虑一种或几种影响因素并不能很好的预测人流量信息，需要综合考虑各方面影响因素，包括时空特征，特别是其中的远距离空间依赖和长期时间依赖，区域语义特征和额外特征。现有技术对于综合考虑各方面影响因素的研究尚属空白。

发明内容

为了克服现有技术的不足，本发明提供了一种基于深度学习的时空长短期城市人流量预测方法，由于人们出行的选择是受区域功能的影响的，将地理区域的兴趣点(POI,Point of Interest)作为语义影响因素。一个区域的人流量是动态变化的，主要受其邻近区域人流量的影响，计算邻近区域的空间依赖。具有相关性的远距离区域间的人流量也是互相影响的，比如有高速公路，地铁之间相连的两个区域之间。本发明根据历史交通数据，计算短期时间依赖关系，考虑周期性，计算长期时间依赖关系。

为实现上述目的，本发明是根据以下技术方案实现的：

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，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；