CN109376969A - 基于深度学习的城市精细化人口分布动态预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于深度学习的城市人口精细化分布的动态预测方法，包括：1、在研究所需尺度下，将研究区域进行网格化处理，构建样本集，并划分相应的训练集和测试集；2、构建城市人口分布预测模型，根据历史数据对所述预测模型进行训练；3、将前j个时刻城市人口分布状态数据作为输入变量输入到步骤2中已训练好的模型中，预测得到未来某一时刻的城市人口分布状态；该预测模型能够对城市格网划分的各区域进行同时预测；卷积长短期记忆网络通过卷积结构提取空间特征，通过长短期记忆网络结构获取时间特征，算法底层把卷积神经网络与长短期记忆网络相结合，学习人口分布变化的高维度时空特征，有效融合时间维度空间维度，从而提高预测精度。

Description

基于深度学习的城市精细化人口分布动态预测方法及装置

技术领域

本发明涉及时空大数据挖掘与时空分析建模领域，尤其涉及一种城市精细化人口分布动态预测方法。

背景技术

城市人口分布是指在某一时刻人口在城市中的空间分布形态。我国经济发展迅猛，工业化、城市化进程不断加快，大城市人口不断聚集，导致环境恶化、交通拥堵以及公共安全隐患日益严重等问题，从而给现代城市管理与发展带来了严峻的挑战。掌握精细时空尺度下的城市人口分布及发展动态，可以为城市居民出行活动规律探索、城市公共资源配置优化、城市交通高效运营指导、公共安全应急预案制定等提供重要的科学依据和及时有效的服务。

伴随城市化进程的不断推进，城市生活所呈现的快节奏导致人口在空间上的移动呈现出高时空动态变化的特征。以往人口统计数据大多基于问卷调查，该类数据获取成本高、时效性低，难以实现人口分布研究的精细化以及预测的实时性。高时空精度的人口个体数据比传统的人口统计数据更加接近真实的城市人口分布。随着传感器网络、移动定位、无线通讯和移动互联网技术的快速发展和普及，获取高时空精度的海量人口个体数据已成为现实。诸如手机定位与通讯数据、社交网络签到数据、浮动车定位数据等有效地记录了个体时空位置与行为信息，对于开展城市人口精细化分布的动态预测研究提供了重要的数据来源。

由于人类活动所具有的复杂性和多样性造成人口分布具有自组织复杂性、随机性和非线性等特征。尤其是随着我国社会经济的快速发展，综合商业圈扎堆，地下空间逐渐被开发利用，城市空间结构越来越复杂；城市交通设施越来越发达，人们在一定时间内的可达范围越来越广，城市内部人口流动频繁；诱发事故的因素增加，特别是节假日、季节性促销、大型活动等导致的人群短时高密度聚集。在这种情况下，城市人口的流动模式越来越复杂，人口分布动态变化呈现出非线性和非平稳的特征。如何在城市人口精细化分布预测中充分顾及人口分布的自组织复杂性、随机性和非线性等特征是目前城市人口精细化分布的动态预测的瓶颈问题。现有城市人口分布预测的模型与方法主要包括：

(1)概率模型方法

该类方法根据历史采集的相对准确的人口分布数据，根据个体的移动步长和时间间隔，选取一个表现较好的概率分布模型，并在该模型中考虑多种外部因素。然而，现实中很多人口分布并不能由单一概率分布进行刻画，而是呈现分段形式，需要多个甚至多种分布共同刻画。此类方法依赖概率分布模型的选择，需要较多先验知识。

(2)统计物理模型方法

统计物理模型主要包括引力模型和辐射模型等模型。其中，引力模型假设两个区域之间的人口移动量与它们的目的地引力成正比，并随着它们之间有机隔断成正比。该模型形式简单，概念易懂，但依赖经验数据拟合参数、缺乏严格的推导等。辐射模型只需输入人口分布数据就可以较为准确地预测区域间的人口分布。后来亦有学者们考虑不同阻扰因素，并提出相应的预测模型。尽管此类方法简单易懂，但其对于成本变化的反应不敏感，特别是随着如今城市化进程加快，各种外部因素对于人口分布的影响越来越大，预测效果受到限制。

(3)机器学习方法

机器学习方法以人口分布数据及其相关因素数据作为输入数据，采用特征学习法训练模型，使得模型误差变小，直至达到预测的误差要求。训练好的模型将作为预测模型预测未来时刻人口分布情况。递归神经网络能够捕捉人口分布随着时间和空间演变的特性，但是传统的递归神经网络不能够捕捉长时序依赖关系。不仅仅是递归神经网络，支持向量机、动态贝叶斯网络、深度残差网络等都广泛应用于人口分布预测研究。此类方法所需参数较少，但需要定义合适的人口分布特征以提高预测精度。

通过上述分析发现，现有人口分布预测模型与方法多针对大尺度下的人口分布，且割裂了人口分布预测的时空耦合特征，很少顾及工作日、法定节假日、气象条件、重大活动等外部因素对人口分布预测的影响，尚缺乏一种精细时空尺度下的人口分布动态预测模型与方法。

经实践研究表明，在城市人口分布中，距离较近的区域之间往往具有较强的关联性，距离较远的区域关联性通常较弱。而卷积操作在提取空间局部特征方面有着巨大的优越性，能够捕抓不同距离之间的空间相关性，并进行特征表达；人口的分布演化过程具有很强的时序邻近性，前几个时间段的人口分布状态对后几个时间段的人口分布状态有着重要的影响，长短期记忆网络在时序预测问题中已经取得较好的结果。因此综合卷积神经网络与长短期记忆网络的特点，采用卷积长短期记忆网络模型，可以挖掘精细时空尺度下人口分布的时空耦合特征。

然而，现有技术存在如下缺点和不足：

(1)现有的人口分布预测研究大多着眼于大尺度下人口发展模式问题，对精细尺度下的人口分布的预测存在局限性；

(2)现有方法大多只考虑人口分布变化在时间维度的依赖性或空间维度的关联性，而没有同时考虑人口分布变化的时空耦合特征，精细尺度下进行人口分布分块预测，不仅无法顾及不同区块之间的时空关联特性，并且预测效率也受到严重影响；

(3)现有方法较少考虑工作日、法定节假日、气象条件、重大活动等外部因素对城市人口分布预测模型的影响。

发明内容

针对上述技术问题，为解决现有技术中的诸多不足，本发明主要通过改进(1)如何同时考虑人口变化在时间维度的依赖性和空间维度的关联性，以及人口变化的时空耦合特性，从而实现精细尺度下城市人口分布的动态预测；(2)如何建模工作日、法定节假日、气象条件、重大活动等外部因素对城市人口分布的影响，两个角度来弥补现有技术中的不足。

本发明旨在至少解决现有技术中存在的技术问题。为此，本发明公开了一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，包括以下步骤：

步骤1：将研究区域进行网格化处理，构建样本集，并划分相应的训练集和测试集；

步骤2：构建预测模型并对所述预测模型进行训练；

步骤3：将前j个时刻城市人口分布状态数据作为输入变量输入到步骤2中已训练好的模型中，获得输出结果，该输出结果为所预测的未来某一时刻的城市人口分布状态。

优选地，步骤1中所述的将研究区域进行网格化处理，进一步包括：

1.1选取研究区域，将研究区域按照研究所需空间分辨率划分为M×N的网格区域；

1.2将原始个体时空定位数据根据经纬度映射到对应网格区域中，计算每个网格在某一时刻存在的个体人口数量。

优选地，步骤1.2进一步包括：所述计算每个网格在某一时刻存在的个体人口数量，算法方法是：在某一时刻，出现在该网格中的唯一id号的数量p，对没有对应数据分布的区域，p取值为零；在网格区域中的数据记为P(m，n)＝{p₁，p₂，…，p_i}，其中p_i表示网格区域(m，n)中第i个时刻的人口分布数量p，i是时间段编号，即i个时间段；将每一时刻的人口分布状态用一张图片来表达，记为q_i，待预测的网格的状态可以用一个状态矩阵来表示，记为A_i+k，

A_i+k＝[p(0，0)_i+k，p(1，0)_i+k，p(0，1)_i+k，…，p(m，n)_i+k]，其中k是代表未来第k个时刻。

优选地，步骤2中所述的构建预测模型并对所述预测模型进行训练，进一步包括：人口数量归一化处理；城市人口分布时空特征建模；外部因素特征建模；数据融合；最优预测模型选取。

优选地，所述人口数量归一化处理，包括：对得到的所有时刻的所有网格的人口分布数据P_i进行归一化处理，则有其中，P′_i为归一化的人口分布数量，i是时间段编号，即i个时间段，P_max和P_min为所有时刻所有网格区域人口分布数量的最大值和最小值。

优选地，所述城市人口分布时空特征建模，包括：采用卷积长短期记忆网络模型获取城市人口分布时空特征，该网络模型结构采用10层网络层，包括图像输入层、conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，ConvLSTM层，conv5卷积层，conv6卷积层，conv7卷积层，结果输出层，所以卷积层均采用补零操作(Zero-padding)，ConvLSTM层中使用ReLU函数作为激活函数。首先，图像输入层输入的是某一时刻人口分布的状态归一化后的结果P′_i，i是时间段编号，即i个时间段；通过“输入层-卷积层”结构进行潜在特征学习，将前四层编码层的结果输入至ConvLSTM层(ConvLSTM层中可采用多个ConvLSTM单元)，用于学习输入特征序列的时空特征，再将其输入到解码层，最后输入到结果输出层做预测，所述的ConvLSTM层具体表示为：

式中，χ₁，…，χ_t为ConvLSTM层输入，为元胞的输出，为隐藏层的状态，f_t，i_t，o_t为模型的参数，σ(·)表示ReLU激活函数，tanh(·)表示双曲正切函数，*表示卷积操作，ο表示Hadamard积。

优选地，所述外部因素特征建模，包括：使用两个全连接层提取外部空间特征，ReLU函数作为激活函数；外部因素主要包括工作日，法定节假日，气象条件，重大活动等因素，其中外部因素有a类，每一类外部因素中所包含的属性都用于构建外部环境特征向量E；E_t为t时刻外部因素属性构成的特征向量：

E_t＝[e₁₁，e₁₂，...，e₂₁，e₂₂，...，e_a1，e_a2，...] (6)

式中，E_t表示t时刻外部环境特征向量，e_ab表示t时刻是否为第a类外部因素的b属性。是为1，不是记为0，非二值的特征需经归一化之后输入至特征向量。

优选地，所述数据融合，包括：

将时空特征建模结构输出与外部因素结构层输出进行融合，最终预测的第i时刻的人口分布数量为

式中，P_Res表示时空特征构建结果输出，P_Ext表示外部因素特征构建结果输出，tanh(·)表示双曲正切函数。

优选地，所述最优预测模型选取，包括：

对预测模型进行训练，选取误差最小的模型作为最优预测模型。预测模型的目标函数为均方根误差函数(RMSE)，如下：

式中，P_i和分别表示观测值和对应的预测值，z是所有可获得的观测值数目。

本发明还公开了一种电子装置，其特征在于，包括：处理器；以及，存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的基于深度学习的城市人口精细化分布的动态预测方法。

综上所述，本发明具体是将城市人口数据网格化，并利用卷积长短期记忆网络模型提取城市人口分布时空特征，从而实现城市人口精细化分布的动态预测。

因此，与背景技术中所提到的现有技术相比，现有的人口分布预测研究大多着眼于大尺度下人口发展模式问题，对精细尺度下的人口分布预测研究较少，这些方法难以应对大范围、高密度和细粒度时空范围的同时预测(由于城市各区域人口分布之间具有关联性，城市所有区域需要进行同时预测)，而本发明提出的预测模型能够对城市公里网划分的各区域进行同时预测；其次，现有方法大多只考虑人口分布在时间上或空间上的特征，而本发明预测方法中的卷积长短期记忆网络层通过卷积结构提取空间特征，通过长短期记忆网络结构获取时间特征，并在其算法底层把卷积神经网络与LSTM相结合，可以学习人口分布变化的高维度时空特征，有效融合了时间维度和空间维度，从而大大提高了预测精度；

此外，现有方法考虑外部环境因素较少，本发明同时考虑工作日、法定节假日、气象条件、重大活动等外部因素，通过两层全连接层与卷积长短期记忆模型结合，提高城市人口精细化分布实时预测的精度。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。

图1是本发明一种实施例中提供的方法流程图；

图2是本发明一种实施例中所用数据概况图；

图3是本发明一种实施例中ConvLSTM层的内在结构图；

图4是本发明一种实施例中时序热力图；

图5是本发明一种实施例中预测模型结构图；

图6是本发明一种实施例中2018年3月28日9时30分预测结果图。

具体实施方式

实施例一

本实施例为解决以上现有技术的不足而提出的，本发明要解决的技术问题是提供一种基于深度学习的城市人口精细化分布的动态预测方法，具体是将城市人口数据网格化，并利用卷积长短期记忆网络模型提取城市人口分布时空特征，从而实现城市人口精细化分布的动态预测。

其技术方案如下：

本实施例提供一种基于深度学习的城市人口精细化分布的动态预测方法，主要包括以下步骤：

步骤1：构建样本集，并划分相应的训练集和测试集

将研究区域网格化，构建时序网格图，主要包括以下几个步骤：

1.1选取研究区域，将研究区域按照研究所需空间分辨率划分为M×N的网格区域；

1.2将原始个体时空定位数据根据经纬度映射到对应网格区域中，计算每个网格在某一时刻存在的个体人口数量。计算方法是：在某一时刻，出现在该网格中的唯一id号的数量p，对没有对应数据分布的区域，p取值为零。在网格区域中的数据记为P(m，n)＝{p₁，p₂，…，p_i}，其中p_i表示网格区域(m，n)中第i个时刻的人口分布数量p，i是时间段编号，即i个时间段；将每一时刻的人口分布状态用一张图片来表达，记为q_i，待预测的网格的状态可以用一个状态矩阵来表示，记为A_i+k，A_i+k＝[p(0，0)_i+k，p(1，0)_i+k，p(0，1)_i+k，…，p(m，n)_i+k]，其中k是代表未来第k个时刻。

步骤2：预测模型构建与训练

本发明为了充分考虑城市人口分布的时空耦合特征以及工作日、法定节假日、气象条件、重大活动等外部因素对城市人口分布的影响，设计构建了融合外部因素的卷积长短期记忆网络模型，具体实现步骤如下：

2.1人口数量归一化处理。对得到的所有时刻的所有网格的人口分布数据P_i进行归一化处理，则有其中，P′_i为归一化的人口分布数量，i是时间段编号，即i个时间段，P_max和P_min为所有时刻所有网格区域人口分布数量的最大值和最小值。

2.2城市人口分布时空特征建模。采用卷积长短期记忆网络模型获取城市人口分布时空特征，该网络模型结构采用10层网络层，包括图像输入层、conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，ConvLSTM层，conv5卷积层，conv6卷积层，conv7卷积层，结果输出层，所以卷积层均采用补零操作(Zero-padding)，ConvLSTM层中使用ReLU函数作为激活函数。首先，图像输入层输入的是某一时刻人口分布的状态归一化后的结果P′_i，i是时间段编号，即i个时间段；通过“输入层-卷积层”结构进行潜在特征学习，将前四层编码层的结果输入至ConvLSTM层(ConvLSTM层中可采用多个ConvLSTM单元)，用于学习输入特征序列的时空特征，再将其输入到解码层，最后输入到结果输出层做预测，所述的ConvLSTM层具体表示为：

式中，χ₁，…，χ_t为ConvLSTM层输入，为元胞的输出，为隐藏层的状态，f_t，i_t，o_t为模型的参数，σ(·)表示ReLU激活函数，tanh(·)表示双曲正切函数，*表示卷积操作，ο表示Hadamard积。

2.3外部因素特征建模。外部环境因素对城市人口的分布具有重要的影响，如暴风雨天气会影响市民的出行，进而影响区域的人口分布。

对外部环境因素进行建模，使用两个全连接层提取外部空间特征，ReLU函数作为激活函数。外部因素主要包括工作日，法定节假日，气象条件，重大活动等因素，其中外部因素有a类，每一类外部因素中所包含的属性都用于构建外部环境特征向量E。

Et为t时刻外部因素属性构成的特征向量。

E_t＝[e₁₁，e₁₂，...，e₂₁，e₂₂，...，e_a1，e_a2，...] (6)

式中，E_t表示t时刻外部环境特征向量，e_ab表示t时刻是否为第a类外部因素的b属性。是为1，不是记为0，非二值的特征需经归一化之后输入至特征向量。

2.4数据融合。将时空特征建模结构输出与外部因素结构层输出进行融合，最终预测的第i时刻的人口分布数量为

式中，P_Res表示时空特征构建结果输出，P_Ext表示外部因素特征构建结果输出，tanh(·)表示双曲正切函数。

2.5最优预测模型选取。对预测模型进行训练，选取误差最小的模型作为最优预测模型。预测模型的目标函数为均方根误差函数(RMSE)，如下：

式中，P_i和分别表示观测值和对应的预测值，z是所有可获得的观测值数目。

步骤3：未来某一时刻城市人口分布状态预测

将用于预测的前j个时刻城市人口分布状态数据作为输入变量输入到步骤2中已训练好的模型中，获得输出结果，该输出结果就是所预测的未来某一时刻的城市人口分布状态。

实施例二

本实施例进一步提技术方法的流程如图1所示。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施方案为例，对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权力要求所限定的范围。

下面将结合长沙市城市人口精细化分布实时预测为例，具体说明本发明在城市人口精细化分布实时预测中的具体实施方案：

2.1)研究范围与研究数据。实施例中选择长沙市(东经111°54′-114°15′，纬度27°51′-28°40′)作为研究区域，采用的数据为经过网格处理后的联通手机用户数据。该数据时间跨度为30天(2018年3月1日至2018年3月30日)，空间分辨率为0.01°×0.01°的等经纬度投影(对应的空间距离约为1km)，研究区域划分为80×232的格网区域，人口数据时间分辨率为5分钟。采用的数据与研究区域如图2所示。

2.2)构建样本集，并划分相应的训练集和测试集。

网格区域中的数据记为P(m，n)＝{p₁，p₂，…，p_i}，其中p_i表示网格区域(m，n)中第i个时刻的人口分布数量，i是时间段编号，即i个时间段；将每一时刻的人口分布状态用一张图片来表达，记为q_i。如图2所示，不同颜色代表人口分布数量不同，颜色越红表示分布的人口数量越多。

如图4所示，待预测的格网的状态可以用一个状态矩阵来表示，记为A_i+k，A_i+k＝[p(0，0)_i+k，p(1，0)_i+k，p(0，1)_i+k，…，p(m，n)_i+k]，其中i是时间段编号，即i个时间段；k是代表未来第k个时刻。在本案例中，k＝{1，5}。

本实施例中考虑前7个时刻的人口分布状态预测未来k个时刻的人口分布状态，因此本发明的单个样本形如[(p_i-6，p_i-5，…，p_i)，(A_i+k)]，整个样本集为所有时刻样本的集合，然后训练集和样本集按照9∶1的比例进行划分，由于本发明所采用的数据集时间跨度为30天，时间分辨率为5分钟，共有8640个样本，其中测试集的样本为864，训练集的样本为7776。

2.3)预测模型构建与训练。对得到的所有时刻的所有网格的人口分布数据P_i进行归一化处理，则有其中，P′_i为归一化的人口分布数量，P_max和P_min为所有时刻所有网格区域人口分布数量的最大值和最小值。

预测模型分为两部分，如图5所示，一部分是城市人口分布时空特征建模。采用卷积长短期记忆网络模型获取城市人口分布时空特征，该网络模型结构采用10层网络层，包括图像输入层、conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，ConvLSTM层，conv5卷积层，conv6卷积层，conv7卷积层，结果输出层，所以卷积层均采用补零操作(Zero-padding)，ConvLSTM层中使用ReLU函数作为激活函数。首先，图像输入层是某一时刻人口分布的状态归一化后的结果P′_i，i是时间段编号，即i个时间段，实际上是一张图片；通过“输入层-卷积层”结构进行潜在特征学习，将前四层编码层的结果输入至ConvLSTM层(ConvLSTM层中只采用ConvLSTM单元)，用于学习输入特征序列的时空特征，再将其输入到解码层，最后输入到结果输出层做预测，所述的ConvLSTM层内在结构如图3所示，具体表示如式(1)-(5)所示。

另一部分为包含工作日、法定节假日等外部因素建模。对外部因素进行建模，使用两个全连接层提取外部因素特征，使用ReLU函数作为激活函数。其中外部因素特征矩阵为E_t＝[e₁₁，e₁₂，e₂₁]。e₁₁为工作日，e₁₂为周末，e₂₁为法定节假日。将数据层结构输出与外部因素结构层输出进行融合，最终预测的第t时刻的人口分布数量为

式中，P_Res表示时空特征构建结果输出，P_Ext表示外部因素特征构建结果输出，tanh(·)表示双曲正切函数。

对预测模型进行训练，选取误差最小的模型作为最优预测模型。预测模型的目标函数为开方均方误差函数(RMSE)，如下：

式中，P和分别表示真值和对应的预测值，z是所有可获得的真值数目。测试结果中RMSE根据参数设置不同，结果如表1所示，进行对比的深度残差网络模型RMSE结果如表2所示，由此说明充分考虑外部因素的卷积长短期记忆网络模型可以提供一种准确且可靠的模型。

表1卷积长短期记忆网络模型RMSE

表2深度残差网络模型RMSE

*周期性1代表1天，趋势性1表示1周

2.4)预测结果。将用于预测的前7个时刻城市人口分布状态数据作为输入变量输入到步骤三中已训练好的模型中，获得输出结果，该输出结果就是所预测的未来某一时刻的城市人口分布状态。最终实例预测结果如图6所示。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (10)

1.一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，包括以下步骤：

步骤1：在研究所需尺度下，将研究区域进行网格化处理，构建样本集，并划分相应的训练集和测试集；

步骤2：城市人口分布预测模型构建，根据历史数据对所述预测模型进行训练；

步骤3：将前j个时刻城市人口分布状态数据作为输入变量输入到步骤2中已训练好的模型中，预测得到未来某一时刻的城市人口分布状态。

2.如权利要求1所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，步骤1中所述的将研究区域进行网格化处理，进一步包括：

1.1选取研究区域，将研究区域按照研究所需空间分辨率划分为M×N的网格区域；

1.2将原始个体时空定位数据根据经纬度映射到对应网格区域中，计算每个网格在某一时刻存在的个体人口数量。

3.如权利要求2所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，步骤1.2进一步包括：所述计算每个网格在某一时刻存在的个体人口数量，算法方法是：在某一时刻，出现在该网格中的唯一id号的数量p，对没有对应数据分布的区域，p取值为零；在网格区域中的数据记为P(m，n)＝{p₁，p₂，…，p_i}，其中pi表示网格区域(m，n)中第i个时刻的人口分布数量p，i是时间段编号，即i个时间段；将每一时刻的人口分布状态用一张图片来表达，记为q_i，待预测的网格的状态可以用一个状态矩阵来表示，记为A_i+k，A_i+k＝[p(0，0)_i+k，p(1，0)_i+k，p(0，1)_i+k，…，p(m，n)_i+k]，其中k是代表未来第k个时刻。

4.如权利要求1所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，步骤2中所述的构建预测模型并对所述预测模型进行训练，进一步包括：人口数量归一化处理；城市人口分布时空特征建模；外部因素特征建模；数据特征融合；最优预测模型选取。

5.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述人口数量归一化处理，包括：对得到的所有时刻的所有网格的人口分布数据P_i进行归一化处理，则有其中，P′_i为归一化的人口分布数量，i是时间段编号，即i个时间段，P_max和P_min为所有时刻所有网格区域人口分布数量的最大值和最小值。

6.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述城市人口分布时空特征建模，包括：采用卷积长短期记忆网络模型获取城市人口分布时空特征，该网络模型结构采用10层网络层，包括图像输入层、conv1卷积层，conv2卷积层，conv3卷积层，conv4卷积层，ConvLSTM层，conv5卷积层，conv6卷积层，conv7卷积层，结果输出层，所以卷积层均采用补零操作(Zero-padding)，ConvLSTM层中使用ReLU函数作为激活函数；首先，图像输入层输入的是某一时刻人口分布的状态归一化后的结果P′_i，i是时间段编号，即i个时间段；通过“输入层-卷积层”结构进行潜在特征学习，将前四层编码层的结果输入至ConvLSTM层(ConvLSTM层中可采用多个ConvLSTM单元)，用于学习输入特征序列的时空特征，再将其输入到解码层，最后输入到结果输出层做预测，所述的ConvLSTM层具体表示为：

式中，χ₁，…，χ_t为ConvLSTM层输入，为元胞的输出，为隐藏层的状态，f_t，i_t，o_t为模型的参数，σ(·)表示ReLU激活函数，tanh(·)表示双曲正切函数，*表示卷积操作，表示Hadamard积。

7.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述外部因素特征建模，包括：使用两个全连接层提取外部空间特征，ReLU函数作为激活函数；外部因素主要包括工作日，法定节假日，气象条件，重大活动等因素，其中外部因素有a类，每一类外部因素中所包含的属性都用于构建外部环境特征向量E；E_t为t时刻外部因素属性构成的特征向量：

E_t＝[e₁₁，e₁₂，...，e₂₁，e₂₂，...，e_a1，e_a2，...] (6)

式中，E_t表示t时刻外部环境特征向量，e_ab表示t时刻是否为第a类外部因素的b属性，是为1，不是记为0；非二值的特征需经归一化之后输入至特征向量。

8.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述数据融合，包括：

将时空特征建模结构输出与外部因素结构层输出进行融合，最终预测的第i时刻的人口分布数量为

式中，P_Res表示时空特征构建结果输出，P_Ext表示外部因素特征构建结果输出，tanh(·)表示双曲正切函数。

9.如权利要求4所述的一种基于深度学习的城市人口精细化分布的动态预测方法，其特征在于，所述最优预测模型选取，包括：

对预测模型进行训练，选取误差最小的模型作为最优预测模型，预测模型的目标函数为均方根误差函数(RMSE)，如下：

式中，P_i和分别表示观测值和对应的预测值，z是所有可获得的观测值数目。

10.一种电子装置，其特征在于，包括：

处理器；以及，

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-9任一项所述的基于深度学习的城市人口精细化分布的动态预测方法。