CN108021980A - 一种基于手机数据的精细尺度城市人群数量预测方法 - Google Patents

一种基于手机数据的精细尺度城市人群数量预测方法 Download PDF

Info

Publication number
CN108021980A
CN108021980A CN201711353043.8A CN201711353043A CN108021980A CN 108021980 A CN108021980 A CN 108021980A CN 201711353043 A CN201711353043 A CN 201711353043A CN 108021980 A CN108021980 A CN 108021980A
Authority
CN
China
Prior art keywords
space
mobile phone
crowd
period
quantitative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711353043.8A
Other languages
English (en)
Other versions
CN108021980B (zh
Inventor
陈洁
裴韬
陆锋
李明晓
程诗奋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN201711353043.8A priority Critical patent/CN108021980B/zh
Publication of CN108021980A publication Critical patent/CN108021980A/zh
Application granted granted Critical
Publication of CN108021980B publication Critical patent/CN108021980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于手机数据的精细尺度城市人群数量预测方法，其整体步骤为：手机定位数据时空重构；空间搜索邻域设定；人工神经网络模型构建；空间单元人群数量预测；人群数量预测结果精度评估。本发明突破了现有技术中仅考虑单一空间单元人群数量时间相关性的局限性，以及对较长时期人群数量历史数据的依赖，实现了精细时空尺度下的城市人群数量近实时预测，该预测结果可为探索城市居民活动规律、优化公共资源配置、协助城市交通诱导、制定公共安全应急预案等提供科学依据。

Description

一种基于手机数据的精细尺度城市人群数量预测方法
技术领域
本发明涉及一种预测方法，尤其涉及一种基于手机数据的精细尺度城市人群数量预测方法。
背景技术
精细尺度下，城市中每个空间单元上的人群数量随时间的发展变化均可视为一个时间序列。因此，现有的精细尺度城市人群数量预测问题，大多基于时间序列分析方法，转化为单一空间单元人群数量时间序列的预测问题。现有的时间序列分析方法主要包括两类：参数模型和非参数模型：参数模型形式简单明确，该模型由一些参数表达，假设函数形式已给定，仅需估计其中未知参数。当模型参数假设成立时，预测精度较高；相对于参数模型，非参数模型更具灵活性，该模型不是事先假定函数形式，而是从历史数据中获取因变量与自变量之间的关系进而建立一个近似模型。
总的来说，参数模型和非参数模型在精细尺度城市人群数量预测方面都具有一定的应用价值。然而，基于时间序列分析方法的城市人群数量预测研究存在两个方面的局限性：
第一，现有基于时间序列分析方法的人群数量预测过程中仅考虑单一空间单元上的人群数量时间相关性，未考虑不同空间单元之间的人群数量空间相关性，限制了精细尺度城市人群数量预测方法的精度；
第二，现有基于时间序列分析方法的人群数量预测过程中依赖于较长时期人群数量的历史数据，限制了精细尺度城市人群数量预测方法的响应速度。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于手机数据的精细尺度城市人群数量预测方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于手机数据的精细尺度城市人群数量预测方法，其整体步骤为：
步骤一、手机定位数据时空重构；
步骤二、空间搜索邻域设定；
步骤三、人工神经网络模型构建；
步骤四、空间单元人群数量预测；
步骤五、人群数量预测结果精度评估。
进一步地，步骤一中手机定位数据时空重构的具体方法为：以手机基站的平均空间距离为边长划分规则网格空间单元、以手机定位数据采样的平均时间间隔为时长划分等长时段，对手机定位数据进行时空重构，从而统计生成各时段内、各空间单元上的城市人群数量观测值，以及针对任意两个相邻时段、从前一时段到后一时段流入任一空间单元的人群空间分布特征。
任一时段内，若某个手机用户的采样点多于一个，则选择停留时间最长的采样点所在空间单元作为该用户在该时段所在空间单元；若该手机用户的采样点有且仅有一个，则选择该采样点所在空间单元作为该用户在该时段所在空间单元；若该手机用户的采样点缺失，则选择上一时段该手机用户所在空间单元作为该用户在该时段所在空间单元。
进一步地，步骤二中空间搜索邻域设定的具体方法为：基于步骤一所获得的从前一时段ti到后一时段ti+1流入任一空间单元gc的人群空间分布特征，以gc为中心、以gc的网格边框为初始空间搜索邻域，并对该空间搜索邻域不断进行向外等比扩张，直至由该空间搜索邻域内流入gc的人群数量累计百分比占所有流入gc人群数量的95％时，记录该空间搜索邻域范围的大小；依次扫描所有时段、所有空间单元，选取最大的范围，将其设定为空间搜索邻域，并由此设定该空间搜索范围以内的所有空间单元gm与中心空间单元gc之间具有时空相关性。
进一步地，步骤三中人工神经网络模型构建的具体方法为：
Ⅰ、采用公式一表示不同空间单元之间的时空相关性的函数关系：
其中，表示中心空间单元gc在ti+1时段的人群数量预测值，表示空间单元gm在ti时段的人群数量观测值，gm为位于gc的空间搜索邻域内的所有空间单元；f表示和之间的函数关系；
Ⅱ、将步骤Ⅰ中的输入数据代入人工神经网络中，进行网络模型的构建，具体为：将人工神经网络结构分为三层：第一层为输入层，输入数据为第二层为隐藏层，用于建立输入与输出之间的函数映射关系；第三层为输出层，输出数据为
进一步地，步骤四中空间单元人群数量预测包括模型训练和模型预测两个阶段：
模型训练阶段：基于步骤一生成的ti-1和ti时段内所有空间单元城市人群数量观测值，以及步骤三构建的人工神经网络模型，进行模型训练；
模型预测阶段：基于已训练模型，以及步骤一生成的ti时段内所有空间单元城市人群数量观测值，进行模型预测，预测结果为ti+1时段内所有空间单元城市人群数量预测值。
进一步地，步骤五中人群数量预测结果精度评估的具体方法为：基于步骤四生成的不同时段、不同空间单元的人群数量预测结果，采用统计方法，从时空分布、人口规模、多时间尺度的角度，进行模型预测精度分析。
本发明突破了现有技术中仅考虑单一空间单元人群数量时间相关性的局限性，以及对较长时期人群数量历史数据的依赖，实现了精细时空尺度下的城市人群数量近实时预测，该预测结果可为探索城市居民活动规律、优化公共资源配置、协助城市交通诱导、制定公共安全应急预案等提供科学依据。
附图说明
图1为本发明的整体流程示意图。
图2为步骤二中空间搜索邻域设定的效果展示图。
图3为步骤三中人工神经网络模型的构建过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1所示的一种基于手机数据的精细尺度城市人群数量预测方法，其整体步骤如下：
步骤一、手机定位数据时空重构：
该步骤的目的是将该手机定位数据集合中所有手机用户的采样点离散化地分布至各时段及各空间单元。以手机基站的平均空间距离为边长划分规则网格空间单元、以手机定位数据采样的平均时间间隔为时长划分等长时段，对手机定位数据进行时空重构。
具体地，任一时段内，若某个手机用户的采样点多于一个，则选择停留时间最长的采样点所在空间单元作为该用户在该时段所在空间单元；若该手机用户的采样点有且仅有一个，则选择该采样点所在空间单元作为该用户在该时段所在空间单元；若该手机用户的采样点缺失，则选择上一时段该手机用户所在空间单元作为该用户在该时段所在空间单元。
基于本步骤，可统计生成各时段内、各空间单元上的城市人群数量观测值，以及针对任意两个相邻时段、从前一时段到后一时段流入任一空间单元的人群空间分布特征。
步骤二、空间搜索邻域设定；
该步骤的目的是为步骤三中的输入数据设定一个空间搜索邻域。基于步骤一所获得的从前一时段ti到后一时段ti+1流入任一空间单元gc的人群空间分布特征，以gc为中心、以gc的网格边框为初始空间搜索邻域，并对该空间搜索邻域不断进行向外等比扩张，直至由该空间搜索邻域内流入gc的人群数量累计百分比占所有流入gc人群数量的95％时，记录该空间搜索邻域范围的大小，如图2所示。依次扫描所有时段、所有空间单元，选取最大的范围，将其设定为空间搜索邻域，并由此设定该空间搜索范围以内的所有空间单元gm与中心空间单元gc之间具有时空相关性。
步骤三、人工神经网络模型构建；
该步骤的目的是通过构建一个人工神经网络模型，以建立不同空间单元之间的时间、空间相关性。
首先，采用公式一表示不同空间单元之间的时空相关性的函数关系，该函数的目的在于采用周围空间单元gm在上一时刻ti的人群数量观测值去推断中心空间单元gc在下一时段ti+1的人群数量预测值，该分析方法综合了人群数量在空间、以及时间上的相关性，从而可以显著提高精细尺度城市人群数量预测精度；该结果预测是通过输入到人工神经网络中进行机器学习实现的；
其中，表示中心空间单元gc在ti+1时段的人群数量预测值，表示空间单元gm在ti时段的人群数量观测值，f表示和之间的函数关系；gm为位于gc的空间搜索邻域内的所有空间单元，该空间搜索邻域由步骤二生成，由步骤一生成。
然后，将上述步骤中的输入数据代入人工神经网络中，进行网络模型的构建，通过构建人工神经网络模型来表达不同空间单元之间的时空相关性，如图3所示，具体为：将人工神经网络结构分为三层：第一层为输入层，输入数据为第二层为隐藏层，用于建立输入与输出之间的函数映射关系；第三层为输出层，输出数据为
通过建立不同空间单元上的人群数量时空相关性，改进了现有基于时间序列分析方法的人群数量预测过程中仅考虑单一空间单元上的人群数量时间相关性的局限性，可以有效提高精细尺度城市人群数量预测方法的精度。
步骤四、空间单元人群数量预测；
该步骤的目的是开展精细尺度城市人群数量预测，生成在不同时段、不同空间单元的人群数量预测结果。该步骤包括模型训练和模型预测两个阶段：首先，基于步骤一生成的ti-1和ti时段内所有空间单元城市人群数量观测值，以及步骤三构建的人工神经网络模型，进行模型训练；然后，基于已训练模型，以及步骤一生成的ti时段内所有空间单元城市人群数量观测值，进行模型预测，预测结果为ti+1时段内所有空间单元城市人群数量预测值。
由于模型训练过程仅涉及ti-1、ti时段，模型预测过程仅涉及ti、ti+1时段，摆脱了现有基于时间序列分析方法的人群数量预测过程中对于较长时期的历史人群数据的依赖，提高了模型预测的响应速度。
步骤五、人群数量预测结果精度评估。
该步骤的目的是评估模型的预测精度。具体地，基于步骤四生成的不同时段、不同空间单元的人群数量预测结果，采用统计方法，从时空分布、人口规模、多时间尺度的角度，进行模型预测精度分析。
本发明与现有技术相比，具有以下优势：
第一、通过建立不同空间单元上的人群数量时空相关性，改进了现有基于时间序列分析方法的人群数量预测过程中仅考虑单一空间单元上的人群数量时间相关性的局限性，提高了精细尺度城市人群数量预测方法的精度；
第二，通过构建人工神经网络模型，摆脱了现有基于时间序列分析方法的人群数量预测过程中对于较长时期的历史人群数据的依赖，提高了精细尺度城市人群数量预测方法的响应速度。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (7)

1.一种基于手机数据的精细尺度城市人群数量预测方法，其特征在于：所述方法的整体步骤为：
步骤一、手机定位数据时空重构；
步骤二、空间搜索邻域设定；
步骤三、人工神经网络模型构建；
步骤四、空间单元人群数量预测；
步骤五、人群数量预测结果精度评估。
2.根据权利要求1所述的基于手机数据的精细尺度城市人群数量预测方法，其特征在于：所述步骤一中手机定位数据时空重构的具体方法为：以手机基站的平均空间距离为边长划分规则网格空间单元、以手机定位数据采样的平均时间间隔为时长划分等长时段，对手机定位数据进行时空重构，从而统计生成各时段内、各空间单元上的城市人群数量观测值，以及针对任意两个相邻时段、从前一时段到后一时段流入任一空间单元的人群空间分布特征。
3.根据权利要求2所述的基于手机数据的精细尺度城市人群数量预测方法，其特征在于：任一时段内，若某个手机用户的采样点多于一个，则选择停留时间最长的采样点所在空间单元作为该用户在该时段所在空间单元；若该手机用户的采样点有且仅有一个，则选择该采样点所在空间单元作为该用户在该时段所在空间单元；若该手机用户的采样点缺失，则选择上一时段该手机用户所在空间单元作为该用户在该时段所在空间单元。
4.根据权利要求2或3所述的基于手机数据的精细尺度城市人群数量预测方法，其特征在于：所述步骤二中空间搜索邻域设定的具体方法为：基于步骤一所获得的从前一时段ti到后一时段ti+1流入任一空间单元gc的人群空间分布特征，以gc为中心、以gc的网格边框为初始空间搜索邻域，并对该空间搜索邻域不断进行向外等比扩张，直至由该空间搜索邻域内流入gc的人群数量累计百分比占所有流入gc人群数量的95％时，记录该空间搜索邻域范围的大小；依次扫描所有时段、所有空间单元，选取最大的范围，将其设定为空间搜索邻域，并由此设定该空间搜索范围以内的所有空间单元gm与中心空间单元gc之间具有时空相关性。
5.根据权利要求4所述的基于手机数据的精细尺度城市人群数量预测方法，其特征在于：所述步骤三中人工神经网络模型构建的具体方法为：
Ⅰ、采用公式一表示不同空间单元之间的时空相关性的函数关系：
其中，表示中心空间单元gc在ti+1时段的人群数量预测值，表示空间单元gm在ti时段的人群数量观测值，gm为位于gc的空间搜索邻域内的所有空间单元；f表示和之间的函数关系；
Ⅱ、将步骤Ⅰ中的输入数据代入人工神经网络中，进行网络模型的构建，具体为：将人工神经网络结构分为三层：第一层为输入层，输入数据为第二层为隐藏层，用于建立输入与输出之间的函数映射关系；第三层为输出层，输出数据为
6.根据权利要求5所述的基于手机数据的精细尺度城市人群数量预测方法，其特征在于：所述步骤四中空间单元人群数量预测包括模型训练和模型预测两个阶段：
模型训练阶段：基于步骤一生成的ti-1和ti时段内所有空间单元城市人群数量观测值，以及步骤三构建的人工神经网络模型，进行模型训练；
模型预测阶段：基于已训练模型，以及步骤一生成的ti时段内所有空间单元城市人群数量观测值，进行模型预测，预测结果为ti+1时段内所有空间单元城市人群数量预测值。
7.根据权利要求6所述的基于手机数据的精细尺度城市人群数量预测方法，其特征在于：所述步骤五中人群数量预测结果精度评估的具体方法为：基于步骤四生成的不同时段、不同空间单元的人群数量预测结果，采用统计方法，从时空分布、人口规模、多时间尺度的角度，进行模型预测精度分析。
CN201711353043.8A 2017-12-15 2017-12-15 一种基于手机数据的精细尺度城市人群数量预测方法 Active CN108021980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711353043.8A CN108021980B (zh) 2017-12-15 2017-12-15 一种基于手机数据的精细尺度城市人群数量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711353043.8A CN108021980B (zh) 2017-12-15 2017-12-15 一种基于手机数据的精细尺度城市人群数量预测方法

Publications (2)

Publication Number Publication Date
CN108021980A true CN108021980A (zh) 2018-05-11
CN108021980B CN108021980B (zh) 2020-04-17

Family

ID=62073984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711353043.8A Active CN108021980B (zh) 2017-12-15 2017-12-15 一种基于手机数据的精细尺度城市人群数量预测方法

Country Status (1)

Country Link
CN (1) CN108021980B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816175A (zh) * 2019-02-19 2019-05-28 迪爱斯信息技术股份有限公司 基于可变分量和结构风险最小的区域人数预测方法及系统
CN110309953A (zh) * 2019-05-28 2019-10-08 特斯联（北京）科技有限公司 采用目标流动性分布预测的城市安防监控布局系统及方法
CN111008730A (zh) * 2019-11-07 2020-04-14 长安大学 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN112418508A (zh) * 2020-11-19 2021-02-26 中国科学院地理科学与资源研究所 基于物理空间与社交网络空间交互的人口分布预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6480783B1 (en) * 2000-03-17 2002-11-12 Makor Issues And Rights Ltd. Real time vehicle guidance and forecasting system under traffic jam conditions
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
CN106060776A (zh) * 2016-05-31 2016-10-26 中南大学 一种基于手机数据的城市人群分布动态感知方法
CN106503843A (zh) * 2016-10-20 2017-03-15 上海萃图数字科技有限公司 一种基于手机信令数据的常规公交线网优化与调整方法
CN106683404A (zh) * 2016-12-06 2017-05-17 华南理工大学 一种通过手机定位技术获取公交客流od的方法
CN107230351A (zh) * 2017-07-18 2017-10-03 福州大学 一种基于深度学习的短时交通流预测方法
CN107396304A (zh) * 2017-06-29 2017-11-24 毛国强 基于智能手机的实时城市人口密度及人群流动估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6480783B1 (en) * 2000-03-17 2002-11-12 Makor Issues And Rights Ltd. Real time vehicle guidance and forecasting system under traffic jam conditions
CN102708680A (zh) * 2012-06-06 2012-10-03 北京交通大学 基于agps技术的交通出行方式识别方法
CN106060776A (zh) * 2016-05-31 2016-10-26 中南大学 一种基于手机数据的城市人群分布动态感知方法
CN106503843A (zh) * 2016-10-20 2017-03-15 上海萃图数字科技有限公司 一种基于手机信令数据的常规公交线网优化与调整方法
CN106683404A (zh) * 2016-12-06 2017-05-17 华南理工大学 一种通过手机定位技术获取公交客流od的方法
CN107396304A (zh) * 2017-06-29 2017-11-24 毛国强 基于智能手机的实时城市人口密度及人群流动估计方法
CN107230351A (zh) * 2017-07-18 2017-10-03 福州大学 一种基于深度学习的短时交通流预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816175A (zh) * 2019-02-19 2019-05-28 迪爱斯信息技术股份有限公司 基于可变分量和结构风险最小的区域人数预测方法及系统
CN109816175B (zh) * 2019-02-19 2022-02-25 迪爱斯信息技术股份有限公司 基于可变分量和结构风险最小的区域人数预测方法及系统
CN110309953A (zh) * 2019-05-28 2019-10-08 特斯联（北京）科技有限公司 采用目标流动性分布预测的城市安防监控布局系统及方法
CN111008730A (zh) * 2019-11-07 2020-04-14 长安大学 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN111008730B (zh) * 2019-11-07 2023-08-11 长安大学 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN112418508A (zh) * 2020-11-19 2021-02-26 中国科学院地理科学与资源研究所 基于物理空间与社交网络空间交互的人口分布预测方法

Also Published As

Publication number Publication date
CN108021980B (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN108021980A (zh) 一种基于手机数据的精细尺度城市人群数量预测方法
CN113379110B (zh) 一种中长期径流预报结果趋势检验方法
Feng et al. A heuristic cellular automata approach for modelling urban land-use change based on simulated annealing
CN108053071A (zh) 区域空气污染物浓度预测方法、终端及可读存储介质
CN105183870A (zh) 一种利用微博位置信息的城市功能区探测方法及系统
CN113705959B (zh) 网络资源分配方法及电子设备
CN109064748A (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN109448361A (zh) 居民交通出行流量预测系统及其预测方法
CN109408848A (zh) 一种考虑径流演变时空异质性的分布式归因方法
CN106780236B (zh) 一种考虑用电量使用情况的手机数分布统计方法
Doyle et al. Population mobility dynamics estimated from mobile telephony data
Zhao et al. Predicting taxi and uber demand in cities: Approaching the limit of predictability
Xie et al. Multi-city sustainable regional urban growth simulation—MSRUGS: a case study along the mid-section of Silk Road of China
CN112954623B (zh) 一种基于手机信令大数据的居民入住率估算方法
CN106651007A (zh) 基于gru的光伏电站辐照度中长期预测的方法及装置
CN109933901B (zh) 一种生态系统服务价值最优化的mcr城市扩张模拟方法
CN112419711B (zh) 基于改进gmdh算法的封闭式停车场停车需求预测方法
CN110969312A (zh) 基于变分模态分解和极端学习机的短期径流预测耦合方法
CN104993966B (zh) 一种电力综合业务网流量预测方法
Wang et al. An ecologically oriented operation strategy for a multi-reservoir system: A case study of the middle and lower Han River Basin, China
CN109285219B (zh) 一种基于dem的网格型水文模型网格演算次序编码方法
CN109325635A (zh) 一种基于自动补全的位置预测方法
CN109308551A (zh) 一种基于gm灰色预测的某区域电能替代潜力分析方法
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN112766240B (zh) 基于时空关系的残差多图卷积人群分布预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant