[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

说明书

本发明公开了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，包括以下步骤：采集城市数据，包括人类活动数据、城市兴趣点数据及城市地理信息数据；结合改进的OPTICS算法和城市数据将城市划分为若干个区域；根据区域划分结果，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；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；利用聚类算法处理结构化数据获得各场景下的人类流动模式。本发明能适用于更复杂的数据结构，实现更有效的城市区域选取，更好地反映网络的结构特征，推断出在不同的时空环境下用户对POI的偏好，实现城市人类流动模式的有效检测，进而为城市规划和POI建设提供建议。

技术领域

本发明涉及模式分析领域，特别涉及一种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。

背景技术

随着城市的快速发展，引发了诸如交通拥堵、资源浪费、人口密集等问题。另一方面随着定位技术服务(LTS)的普及以及计算能力的迅速提高，人类现实社会中的行为被数字化，形成海量数据。这些数据集的规模以及多维性使研究者们有机会探索社会的行为规律，并可以基于规律进行有效的预测从而解决快速城市化所带来的问题。

由于城市中的人群流动受时间、温度、环境等的影响，在不同的时间和天气情况会呈现着不同的人群流动模式，若是能够提前了解城市的流动模式，并对其进行相关的分析可以很好的解决由于人类流动所带来的交通拥堵问题，因此，探索城市人群的潜在流量模式对于城市建设、POI建议和需求分析具有重要意义。

目前已经有很多关于探索人类流动模式的研究，大多学者是基于主题模型发现城市人类流动模式，例如B.Gao等人通过从数字足迹和社交链接创建主题模型来发现人类的流动模式，Ziyatdinov等人提出了一种利用谱聚类算法的多视图数据模式提取方法，但经研究证明发现主题模型对于发现潜在的运动模式更为有效，而应用于实际的人类流动模式检测还存在一定问题，主要是因为：首先，城市数据对时间非常敏感，人类流动模式跟时间相关度很高，因此很难被主题模型捕获。其次，人类流动模式分析的主题模型中没有相应的评估措施。最后，人类流量数据是图形结构，这增加了数据处理过程的难度。

发明内容

本发明的目的在于提供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，能够适用于更复杂的数据结构，实现更有效的城市区域选取，更好地反映网络的结构特征，推断出在不同的时空环境下用户对POI的偏好。

实现本发明目的的技术解决方案为：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，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。

进一步地，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。

进一步地，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；