[发明专利]基于深度神经网络图编码器的城市人类流动模式检测方法

权利要求书

1.一种基于深度神经网络稀疏图编码器的人类流动模式检测方法，其特征在于，包括以下步骤：

步骤1，采集城市数据，包括人类活动数据、城市兴趣点数据以及城市地理信息数据；

步骤2，结合改进的OPTICS算法和所述城市数据将整个城市划分为若干个区域；

步骤3，根据步骤2区域划分结果，构建多个时间段的人类活动流量矩阵，并基于人类活动流量矩阵构建人类活动张量矩阵；

步骤4，基于深度神经网络的稀疏图编码器求取人类活动张量矩阵的结构化数据；

步骤5，利用聚类算法处理所述结构化数据获得各场景下的人类流动模式。

2.根据权利要求1所述的基于深度神经网络稀疏图编码器的人类流动模式检测方法，其特征在于，步骤1所述人类活动数据包括人类活动起始点经纬度(l₁,w₁)和人类活动终止点经纬度(l₂,w₂)；

所述城市兴趣点数据包括：兴趣点名称、兴趣点所在经纬度、兴趣点类型。

3.根据权利要求1或2所述的基于深度神经网络图编码器的人类流动模式检测方法，其特征在于，步骤2所述结合改进的OPTICS算法和所述城市数据将整个城市划分为若干个区域，具体包括：

步骤2-1，根据城市地理信息数据将城市划分为规模大小相同的网格，建立网格坐标系；

步骤2-2，将所述人类活动数据对应到网格坐标系中，形成网格坐标系下的人类活动数据集；

步骤2-3，从所述人类活动数据集中随机选取某一数据p；

步骤2-4，获取以所述数据p为圆心、以自定义设置的eps为半径的范围内人类活动数据的数目，根据该数目求取数据p的最大搜索半径MR，所用公式为：

式中，表示参数，N表示网格坐标系的网格数，getNerghbors()表示获取以所述数据p为圆心、以eps为半径的范围内人类活动数据的数目；

步骤2-5，获取以所述数据p为圆心、以MR为半径的范围内人类活动数据的数目，判断该数目是否大于预设阈值Pts，若是，则由以所述数据p为圆心、以MR为半径的范围内的人类活动数据形成新的集群；反之返回步骤2-4；

步骤2-6，判断所述人类活动数据集中的每一个数据是否全部被访问，若是，则执行下一步，反之返回执行步骤2-3。

步骤2-7，针对人类活动数据集中未归为任何一个集群的数据点，将其划分到距离该数据点最近的一个集群中，由此完成城市区域划分。

4.根据权利要求3所述的基于深度神经网络图编码器的人类流动模式检测方法，其特征在于，步骤2-7所述针对人类活动数据集中未归为任何一个集群的数据点，将其划分到距离该数据点最近的一个集群中，具体包括：

针对人类活动数据集中未归为任何一个集群的数据点，求取该数据点到每一个集群中心的欧几里得距离d，所用公式为：

式中，(x₁,y₁)表示未归为任何一个集群的数据点在网格坐标系中的坐标，(x₂,y₂)表示某一个集群中心在网格坐标系中的坐标；

将未归为任何一个集群的数据点划分至最小的欧几里得距离d对应的集群中。

5.根据权利要求1所述的基于深度神经网络图编码器的人类流动模式检测方法，其特征在于，步骤3所述根据步骤2区域划分结果，构建多个时间段的人类活动流量矩阵，具体包括：

假设步骤2区域划分后的区域个数即集群个数为M，并对M个区域进行顺序编号；

步骤3-1，构建T个时间段的人类活动流量矩阵，T个时间段包括t₁、t₂、...、t_T，且t₁＝t₂＝…＝t_T，其中某一时间段t₁的人类活动流量矩阵为：矩阵的维度为M×M，矩阵中第i行第j列的元素f_ij表示从第i个区域流动到第j个区域人类活动数据点的数目；

步骤3-2，基于T个时间段的人类活动流量矩阵构建人类活动张量矩阵F：

式中，F为T×M×M维度的矩阵。