[发明专利]一种基于聚落对象的人口空间分布预测方法

说明书

本发明提供一种基于聚落对象的人口空间分布预测方法，包括以下步骤：选取聚落对象，采集聚落对象对应的地理空间数据，并进行数据预处理，得到聚落对象的变量因子及人口密度对数；根据预处理后的变量因子及人口密度对数构建预测模型，根据回归模型得到人口密度预测值，并通过计算分解权重，得到最终的人口预测值；对最终的人口数量预测值进行精度评估，评价预测模型的预测性能，根据预测结果进行预测模型优化。本发明通过对人口普查数据进行空间化处理，通过采用改进的随机森林模型，能够得到准确、真实、地理上一致的空间分布结果。

技术领域

本发明涉及人口数据分析技术领域，特别涉及一种基于聚落对象的人口空间分布预测方法。

背景技术

人口问题是当今世界影响可持续发展的重要社会问题之一。近年来人口增长加剧了全球资源和环境的承受压力，环境、资源和人口之间的矛盾更加突出。及时掌握人口信息，明确人口空间分布及其变化规律，可以为区域可持续发展研究和规划提供科学依据。人口普查是实现各国人口信息统计分析的主要渠道，包括抽样调查和普查。统计普查虽然有严谨的统计理论和方法支持，具有权威性和规范性等优点，但仍存在数据稀缺、精度和时间分辨率低、更新周期长等缺陷，不利于可视化和空间分析。在人口分布规律研究和自然灾害应对中，难以满足精准应用的要求。一般来说，以往的研究大多遵循自上而下的方法，将行政单位的统计数据按照一定的原则进行网格尺度的分解。然而，在网格尺度下很难对人口分布的不确定性进行评估，尤其是在1km或500m的尺度上进行制图，而且在精细化程度不够的情况下，人口分布信息往往表现不佳。

机器学习在人口空间分布预测领域正在逐渐流行起来，其中随机森林训练模型通过有效挖掘隐含的非线性回归关系，证明了该算法对多变量关系分析在精确预测中的鲁棒性。但是，随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟，因此目前机器学习模型在人口空间分布领域还存在诸多掣肘之处。

发明内容

本发明的目的在于提供一种基于聚落对象的人口空间分布预测方法，通过对人口普查数据进行空间化处理，通过采用改进的随机森林模型，能够得到准确、真实、地理上一致的空间分布结果。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于聚落对象的人口空间分布预测方法，其特征在于，包括以下步骤：

选取聚落对象，采集聚落对象对应的地理空间数据，并进行数据预处理，得到聚落对象的变量因子及人口密度对数；

根据预处理后的变量因子及人口密度对数构建预测模型，根据回归模型得到人口密度预测值，并通过计算分解权重，得到最终的人口预测值；

对最终的人口数量预测值进行精度评估，评价预测模型的预测性能，根据预测结果进行预测模型优化。

优选地，所述聚落对象对应的地理空间数据包括行政区域内的常住人口数、灯光数据、土地利用数据、水体道路数据及聚落分布数据。

优选地，所述预处理的过程为：将地理空间数据转换为统一投影坐标系以及参考椭球体；将行政区的常住人口数除以行政区面积得到行政区的人口密度，并根据灯光数据计算人口密度初步值；对灯光数据进行双线性的重采样获得栅格，得到灯光数据变量因子；对土地利用数据、水体道路数据的变量因子进行欧式距离计算，得到距离数据变量因子；对建筑物区域数据进行二值化栅格转换，得到二值化栅格转换后的变量因子。

优选地，所述回归模型为采用改进的CART决策树建立的随机森林回归模型。

优选地，所述人口密度预测值的计算过程为：采用多棵相互独立的CART决策树，并对决策树分别进行训练；通过训练后的决策树计算人口密度预测结果，并取预测结果的平均值作为人口密度的预测值。

优选地，所述多棵相互独立的CART决策树的个数根据所述聚落对象的变量因子的数据规模进行确定。