CN110298483A - 一种基于空间吸引度指标的区域人口预测方法与系统 - Google Patents
一种基于空间吸引度指标的区域人口预测方法与系统 Download PDFInfo
- Publication number
- CN110298483A CN110298483A CN201910448052.8A CN201910448052A CN110298483A CN 110298483 A CN110298483 A CN 110298483A CN 201910448052 A CN201910448052 A CN 201910448052A CN 110298483 A CN110298483 A CN 110298483A
- Authority
- CN
- China
- Prior art keywords
- space
- amount
- population
- attraction degree
- current region
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013508 migration Methods 0.000 claims abstract description 49
- 230000005012 migration Effects 0.000 claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000000191 radiation effect Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000003062 neural network model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 210000004218 nerve net Anatomy 0.000 description 4
- 210000004744 fore-foot Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种基于空间吸引度指标的区域人口预测方法和系统,其中方法包括:获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量;利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度;根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量;根据所述迁移量为所述当前区域配置资源。本申请实施例的基于空间吸引度指标的区域人口预测方法和系统,能够对城市区域的人口动态发展趋势进行准确预测,进而为城市区域的资源配置提供依据。
Description
技术领域
本申请涉及智慧城市技术领域,尤其涉及一种基于空间吸引度指标的区域人口预测方法与系统。
背景技术
针对城市的任一区域,为其配置的各种资源——例如计算该城市区域内安装的通信基站容量、交通摄像头数量,或者是安排面向该城市区域的公共交通工具班次,亦或者是安排维护城市区域治安的警力以及提供公共服务的网点的数量等的过程中,显然需要与该区域的人口数量相匹配,特别是,不能完全基于该区域的当前人口数量决定资源配置量,而是需要考虑到未来一段时间该区域的人口动态发展趋势。故而,在智慧城市建设的规划布局和硬件设施配置的工作中,对城市中区域人口的预测是非常重要的一环。
而对于区域人口的预测来说,目前主要依靠经验进行评估预测,缺少科学量化的分析方法。由于我国目前很多城市处于高速发展期,区域人口的变化规律随着城市区域空间环境的改变——例如包括城市区域自身的空间环境的变化,以及城市区域与公共交通路径、商业服务中心、产业密集区的空间关系的变化——而持续发生改变,其规律不是线性增长的,也不能用静态的方法来分析区域人口变化的规律。故而,也难以容易地模拟出区域人口变化趋势,给城市区域人口的预测带来了很大困难。
发明内容
有鉴于此,本申请的目的在于提出一种基于空间吸引度指标的区域人口预测方法与系统,来对城市区域的人口动态发展趋势进行准确预测,进而为城市区域的资源配置提供依据。
基于上述目的,在本申请的第一个方面,提出了一种基于空间吸引度指标的区域人口预测方法,包括:
获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量;
利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度;
根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量;
根据所述迁移量为所述当前区域配置资源。
在一些实施例中,所述空间环境特征量包括当前区域的自然面积、可居住面积、绿化面积、公路总里程、平均房屋单价、公共服务机构数量。
在一些实施例中,所述空间区域特征量包括当前区域周围预设范围内存在的空间目标对当前区域的辐射影响量,所述空间区域特征量表示为其中,1-i代表该城市区域周边一定距离范围内存在的第1-i个空间目标,βi表示第i个目标自身具有的影响程度数值,θi(di)表示空间目标对当前区域的影响辐射系数,di表示空间目标与当前区域的距离,θi(di)与di呈反比。
在一些实施例中,所述空间吸引度模型有多个,每个所述的空间吸引度模型用于确定当前区域对对应类型的人口类型的吸引度。
在一些实施例中,所述空间吸引度模型由以下方法生成:
针对预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的神经网络模型,模型描述城市区域自身空间环境特征量和空间区域特征量对每个类型的人口产生的吸引度,然后通过采集真实的城市区域空间环境特征量和空间区域特征量作为输入,对模型进行训练,将输出的对各类型人口的空间吸引度与采集到的人口的迁入量和迁出量进行对比,根据对比结果对模型的参数进行调整,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的人口的迁入量和迁出量的误差小于预设阈值。
在一些实施例中,所述人口类型定义为包括收入水平维度、年龄维度、出行方式维度和职业维度的特征向量。
在一些实施例中,根据所述迁移量为所述当前区域配置资源,包括:
根据所述迁移量为所述当前区域配置交通运力、公共服务网点、治安警力和公共设施。
基于上述目的,在本申请的第二个方面,还提出了一种基于空间吸引度指标的区域人口预测系统,包括:
空间特征量获取模块,用于获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量;
吸引度确定模块,用于利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度;
迁移量预测模块,用于根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量;
资源配置模块,用于根据所述迁移量为所述当前区域配置资源。
在一些实施例中,还包括:
空间吸引度模型生成模块,用于生成空间吸引度模型,生成生成空间吸引度模型的过程具体包括:
针对预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的神经网络模型,模型描述城市区域自身空间环境特征量和空间区域特征量对每个类型的人口产生的吸引度,然后通过采集真实的城市区域空间环境特征量和空间区域特征量作为输入,对模型进行训练,将输出的对各类型人口的空间吸引度与采集到的人口的迁入量和迁出量进行对比,根据对比结果对模型的参数进行调整,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的人口的迁入量和迁出量的误差小于预设阈值。
在一些实施例中,所述资源配置模块,具体用于:
根据所述迁移量为所述当前区域配置交通运力、公共服务网点、治安警力和公共设施。
本申请实施例提供了一种基于空间吸引度指标的区域人口预测方法和系统,其中方法包括:获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量;利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度;根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量;根据所述迁移量为所述当前区域配置资源。本申请实施例的基于空间吸引度指标的区域人口预测方法和系统,能够对城市区域的人口动态发展趋势进行准确预测,进而为城市区域的资源配置提供依据。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请实施例的基于空间吸引度指标的区域人口预测方法的流程图;
图2是本申请实施例的空间吸引度模型生成方法的流程图;
图3是本申请实施例的基于空间吸引度指标的区域人口预测系统的功能结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示,是本申请实施例一的基于空间吸引度指标的区域人口预测方法的流程图。从图1中可以看出,本实施例的基于空间吸引度指标的区域人口预测方法,可以包括以下步骤:
S101:获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量。
本申请实施例的基于空间吸引度指标的区域人口预测方法,用于根据城市区域的空间环境和城市区域周边一定范围内的主要空间目标对城市区域的辐射影响程度来对城市区域对各类型人口的吸引度进行预测,进而为城市区域的资源配置提供依据。其中不同类型的人口是由人口的自身内因决定的,例如人口不同的收入水平、年龄、出行方式、职业等。
对于不同类型的人口来说,城市区域自身的空间环境和空间关系(即城市区域周边一定范围内的主要空间目标对城市区域的辐射影响程度),对该类型人口所产生的吸引度,以及由吸引度造成的该类型人口的响应,都是完全不同的。例如,不同类型人员的出行方式通常包括公交地铁出行、驾车出行、自行车或步行出行,因而,如果城市区域出现了一个新的地铁站或者公交站点,会对公交地铁出行类型人员的空间吸引度产生比较大的影响,而对其他出行类型的人员无显著影响。又例如,不同类型人员的收入水平不同,比如某个城市区域相对于高档次商业区的位置较近,对具有对应消费能力的人员的空间吸引度能够产生较大影响,而对于其他类型的人员的空间吸引度则无显著影响。
城市区域自身的空间环境和及其周边空间关系对各类型人员的空间吸引度产生的影响不是线性增长的,也不能用静态的方法来分析,因此,本实施例利用神经网络模型根据城市区域自身的空间环境及其周边空间关系对各类型人员的空间吸引度进行预测。
具体地,对一个城市区域对各类型人员的空间吸引度进行预测时,首先需要获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量。其中,所述空间环境特征量包括当前区域的自然面积、可居住面积、绿化面积、公路总里程、平均房屋单价、公共服务机构数量。所述空间区域特征量(也即城市区域与其周边一定范围内的主要空间目标空间关系)包括当前区域周围预设范围内存在的空间目标对当前区域的辐射影响量,所述空间区域特征量表示为其中,1-i代表该城市区域周边一定距离范围内存在的第1-i个空间目标,βi表示第i个目标自身具有的影响程度数值,θi(di)表示空间目标对当前区域的影响辐射系数,di表示空间目标与当前区域的距离,θi(di)与di呈反比。例如,在当前区域周边5km范围内存在的空间目标可以包括公交和地铁枢纽、大型商业中心、产业园区等,以公交和地铁枢纽、大型商业中心、产业园区为例,对应的编号分别为1,2,3,则对应的空间区域特征量表示为βi表示第i个目标自身具有的影响程度数值,i=1,2,3,不难理解,对于公交和地铁枢纽来说,站点车次越多则该值越大,对购物中心来说规模越大则该值越大,对产业园区来说规模越大则该值越大。并且,空间目标距离当前区域的距离越小,其对当前区域的辐射影响量就越大,因此,在影响程度数值上乘一个与距离有关的修正值,即θi(di)。
S102:利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度。
在本实施例中,当获取到当前区域的空间特征量后,将获取到的空间特征量输入预先训练好的空间吸引度模型中,输出当前区域对各人口类型的吸引度。关于空间吸引度模型的具体定义和训练生成过程,参见后续实施例,这里不再展开说明。需要说明的是,在本实施例中,预先训练好的空间吸引度模型有多个,每个空间吸引度模型对应一类人口类型,每个空间吸引度模型用于确定当前区域对对应类型的人口类型的吸引度,即空间吸引度模型的数量与人口类型的数量一致。
S103:根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量。
通过全部空间吸引度模型可以确定当前区域对各人口类型的吸引度,然后,可以根据当前区域对每个人口类型的吸引度预测该人口类型的迁移量,在计算得到每个人口类型的迁移量后,对全部人口类型的迁移量进行汇总,可以预测当前区域内的全部人口的迁移量,在本实施例中,所述迁移量包括人口的迁入量和人口的迁出量。
S104:根据所述迁移量为所述当前区域配置资源。
当预测出当前区域内的全部人口的迁移量后,可以根据当前区域内的全部人口的迁移量为所述当前区域配置资源,其中,为当前区域配置的资源,包括配置交通运力、公共服务网点、治安警力和基站容量、摄像头数量等公共设施。具体地,当预测出当前区域内的全部人口的迁移量后,可以根据当前区域的人口基数和当前区域内的全部人口的迁移量确定当前区域在未来一段时间内的人口总量,进而根据该人口总量配置交通运力、公共服务网点、治安警力和公共设施。通常情况下,该人口总量与交通运力、公共服务网点、治安警力和公共设施的配置量呈正相关,即使配置量与人口总量呈预定数值的正比例关系。
本申请实施例的基于空间吸引度指标的区域人口预测方法,能够对城市区域的人口动态发展趋势进行准确预测,进而为城市区域的资源配置提供依据。
如图2所示,是本申请实施例的空间吸引度模型生成方法的流程图。在本实施例中,空间吸引度模型的定义与训练生成方法,可以包括以下步骤:
S201:针对预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的神经网络模型,模型描述城市区域自身空间环境特征量和空间区域特征量对每个类型的人口产生的吸引度。
具体地,在本实施例中,可以根据预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的多个神经网络模型,该神经网络模型可以为多输入单输出的BP神经网络模型,其输入是空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量,其输出是对于该类型人口来说该城市空间的吸引度数值。例如,预先定义的人口类型包括第1类,第2类,第3类,……第n类,则相应的建立n个神经网络模型。
S202:通过采集真实的城市区域空间环境特征量和空间区域特征量作为输入,将输出的对各类型人口的空间吸引度与采集到的真实人口的迁入量和迁出量进行对比,根据对比结果对模型的参数进行调整,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的真实人口的迁入量和迁出量的误差小于预设阈值,实现对模型进行训练。
在完成对空间吸引度的神经网络模型的建立后,需要采集真实样本对模型进行训练。具体来说,可以收集100个城市区域,每个区域例如1000个人口作为样本,这些样本覆盖不同收入水平、年龄、出行方式和职业的人口,分别对应于该n个类别的模型,获取这些样本的在城市空间范围内的真实的迁入、迁出行为,以及对应城市区域的空间环境特征量和空间区域特征量;然后,将城市区域的空间环境特征量和空间区域特征量作代入所述对应类别的模型,输出空间吸引度。然后将输出的空间吸引度值与采集到的样本在城市空间范围内的迁入量和迁出量进行对比。在将输出的空间吸引度值与采集到的样本在城市空间范围内的真实迁入量和迁出量进行对比后,如输出的空间吸引度值与采集到的样本在城市空间范围内的迁入量和迁出量不匹配,则调整神经网络模型的神经元参数,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的人口的迁入量和迁出量的误差小于预设阈值,完成模型的训练。
此外,作为本申请的一个可选实施例,在上述实施例中,所述人口类型定义为包括收入水平维度、年龄维度、出行方式维度和职业维度的特征向量。具体地,可以采用K均值聚类算法对人口的特征向量进行聚类,进而将城市区域的人口划分为多个人口类型。关于K均值聚类算法的具体实现过程,这里不再详细说明。
如图3所示,是本申请实施例的基于空间吸引度指标的区域人口预测系统的功能结构示意图。本实施例的基于空间吸引度指标的区域人口预测系统,包括:
空间特征量获取模块301,用于获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量。
具体地,对一个城市区域对各类型人员的空间吸引度进行预测时,首先需要获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量。其中,所述空间环境特征量包括当前区域的自然面积、可居住面积、绿化面积、公路总里程、平均房屋单价、公共服务机构数量。所述空间区域特征量(也即空间关系)包括当前区域周围预设范围内存在的空间目标对当前区域的辐射影响量,所述空间区域特征量表示为其中,1-i代表该城市区域周边一定距离范围内存在的第1-i个空间目标,βi表示第i个目标自身具有的影响程度数值,θi(di)表示空间目标对当前区域的影响辐射系数,di表示空间目标与当前区域的距离,θi(di)与di呈反比。例如,在当前区域周边5km范围内存在的空间目标可以包括公交和地铁枢纽、大型商业中心、产业园区等,以公交和地铁枢纽、大型商业中心、产业园区为例,对应的编号分别为1,2,3,则对应的空间区域特征量表示为βi表示第i个目标自身具有的影响程度数值,i=1,2,3,不难理解,对于公交和地铁枢纽来说,站点车次越多则该值越大,对购物中心来说规模越大则该值越大,对产业园区来说规模越大则该值越大。并且,空间目标距离当前区域的距离越小,其对当前区域的辐射影响量就越大,因此,在影响程度数值上乘一个与距离有关的修正值,即θi(di)。
吸引度确定模块302,用于利用预先训练好的空间吸引度模型对所述空间特征量进行学习,确定所述当前区域对各人口类型的吸引度。
当获取到当前区域的空间特征量后,将获取到的空间特征量输入预先训练好的空间吸引度模型中,输出当前区域对各人口类型的吸引度。关于空间吸引度模型的具体生成过程参见后续实施例,这里不再展开说明。需要说明的是,在本实施例中,预先训练好的空间吸引度模型有多个,每个空间吸引度模型对应一类人口类型,每个空间吸引度模型用于确定当前区域对对应类型的人口类型的吸引度,即空间吸引度模型的数量与人口类型的数量一致。
迁移量预测模块303,用于根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量。
通过全部空间吸引度模型可以确定当前区域对各人口类型的吸引度,然后,可以根据当前区域对每个人口类型的吸引度预测该人口类型的迁移量,在计算得到每个人口类型的迁移量后,对全部人口类型的迁移量进行汇总,可以预测当前区域内的全部人口的迁移量,在本实施例中,所述迁移量包括人口的迁入量和人口的迁出量。
资源配置模块304,用于根据所述迁移量为所述当前区域配置资源。
当预测出当前区域内的全部人口的迁移量后,可以根据当前区域内的全部人口的迁移量为所述当前区域配置资源,其中,为当前区域配置的资源,包括交通运力、公共服务网点、治安警力和公共设施。具体地,当预测出当前区域内的全部人口的迁移量后,可以根据当前区域的人口基数和当前区域内的全部人口的迁移量确定当前区域在未来一段时间内的人口总量,进而根据该人口总量配置交通运力、公共服务网点、治安警力和公共设施。通常情况下,该人口总量与交通运力、公共服务网点、治安警力和公共设施的配置量呈正相关。
本申请实施例的基于空间吸引度指标的区域人口预测系统,能够对城市区域的人口动态发展趋势进行准确预测,进而为城市区域的资源配置提供依据。
此外,作为本申请系统的一个可选实施例,上述的基于空间吸引度指标的区域人口预测系统还可以包括空间吸引度模型生成模块(图中未示出),用于生成空间吸引度模型,生成生成空间吸引度模型的过程具体包括:
针对预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的神经网络模型,模型描述城市区域自身空间环境特征量和空间区域特征量对每个类型的人口产生的吸引度,然后通过采集真实的城市区域空间环境特征量和空间区域特征量作为输入,将输出的对各类型人口的空间吸引度与采集到的真实人口的迁入量和迁出量进行对比,根据对比结果对模型的参数进行调整,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的真实人口的迁入量和迁出量的误差小于预设阈值,实现对模型进行训练。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于空间吸引度指标的区域人口预测方法,其特征在于,包括:
获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量;
利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度;
根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量;
根据所述迁移量为所述当前区域配置资源。
2.根据权利要求1所述的方法,其特征在于,所述空间环境特征量包括当前区域的自然面积、可居住面积、绿化面积、公路总里程、平均房屋单价、公共服务机构数量。
3.根据权利要求2所述的方法,其特征在于,所述空间区域特征量包括当前区域周围预设范围内存在的空间目标对当前区域的辐射影响量,所述空间区域特征量表示为其中,1-i代表该城市区域周边一定距离范围内存在的第1-i个空间目标,βi表示第i个目标自身具有的影响程度数值,表示空间目标对当前区域的影响辐射系数,di表示空间目标与当前区域的距离,与di呈反比。
4.根据权利要求3所述的方法,其特征在于,所述空间吸引度模型有多个,每个所述的空间吸引度模型用于确定当前区域对对应类型的人口类型的吸引度。
5.根据权利要求4所述的方法,其特征在于,所述空间吸引度模型由以下方法生成:
针对预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的神经网络模型,模型描述城市区域自身空间环境特征量和空间区域特征量对每个类型的人口产生的吸引度;
通过采集真实的城市区域空间环境特征量和空间区域特征量作为输入,将输出的对各类型人口的空间吸引度与采集到的真实人口的迁入量和迁出量进行对比,根据对比结果对模型的参数进行调整,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的真实人口的迁入量和迁出量的误差小于预设阈值,实现对模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述人口类型定义为包括收入水平维度、年龄维度、出行方式维度和职业维度的特征向量。
7.根据权利要求6所述的方法,其特征在于,根据所述迁移量为所述当前区域配置资源,包括:
根据所述迁移量为所述当前区域配置交通运力、公共服务网点、治安警力和公共设施。
8.一种基于空间吸引度指标的区域人口预测系统,其特征在于,包括:
空间特征量获取模块,用于获取当前区域的空间特征量,所述空间特征量包括空间环境特征量和空间区域特征量;
吸引度确定模块,用于利用预先训练好的空间吸引度模型,输入所述空间特征量,确定所述当前区域对各人口类型的吸引度;
迁移量预测模块,用于根据所述吸引度预测对应人口类型的人口的迁移量,所述迁移量包括迁入量和迁出量;
资源配置模块,用于根据所述迁移量为所述当前区域配置资源。
9.根据权利要求8所述的系统,其特征在于,还包括:
空间吸引度模型生成模块,用于生成空间吸引度模型,生成生成空间吸引度模型的过程具体包括:
针对预先定义的人口类型,建立城市区域对每个人口类型的空间吸引度的神经网络模型,模型描述城市区域自身空间环境特征量和空间区域特征量对每个类型的人口产生的吸引度,然后通过采集真实的城市区域空间环境特征量和空间区域特征量作为输入,将输出的对各类型人口的空间吸引度与采集到的真实人口的迁入量和迁出量进行对比,根据对比结果对模型的参数进行调整,直到输出的空间吸引度对应的各个类型人口的迁入量和迁出量与采集到的真实人口的迁入量和迁出量的误差小于预设阈值,实现对模型进行训练。
10.根据权利要求9所述的系统,其特征在于,所述资源配置模块,具体用于:
根据所述迁移量为所述当前区域配置交通运力、公共服务网点、治安警力和公共设施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448052.8A CN110298483A (zh) | 2019-05-27 | 2019-05-27 | 一种基于空间吸引度指标的区域人口预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910448052.8A CN110298483A (zh) | 2019-05-27 | 2019-05-27 | 一种基于空间吸引度指标的区域人口预测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298483A true CN110298483A (zh) | 2019-10-01 |
Family
ID=68027318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910448052.8A Pending CN110298483A (zh) | 2019-05-27 | 2019-05-27 | 一种基于空间吸引度指标的区域人口预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298483A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163717A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 人口数据预测方法、装置、计算机设备及介质 |
CN112990530A (zh) * | 2020-12-23 | 2021-06-18 | 北京软通智慧城市科技有限公司 | 区域人口数量预测方法、装置、电子设备和存储介质 |
-
2019
- 2019-05-27 CN CN201910448052.8A patent/CN110298483A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163717A (zh) * | 2020-10-20 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 人口数据预测方法、装置、计算机设备及介质 |
CN112163717B (zh) * | 2020-10-20 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 人口数据预测方法、装置、计算机设备及介质 |
CN112990530A (zh) * | 2020-12-23 | 2021-06-18 | 北京软通智慧城市科技有限公司 | 区域人口数量预测方法、装置、电子设备和存储介质 |
CN112990530B (zh) * | 2020-12-23 | 2023-12-26 | 北京软通智慧科技有限公司 | 区域人口数量预测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Accessibility of public urban green space in an urban periphery: The case of Shanghai | |
Vizzari | Spatial modelling of potential landscape quality | |
Chen et al. | Mapping the fine-scale spatial pattern of housing rent in the metropolitan area by using online rental listings and ensemble learning | |
Kanuganti et al. | Evaluation of access to health care in rural areas using enhanced two-step floating catchment area (E2SFCA) method | |
Grekousis et al. | Modeling urban evolution using neural networks, fuzzy logic and GIS: The case of the Athens metropolitan area | |
Zhao et al. | The impacts of rail transit on future urban land use development: A case study in Wuhan, China | |
Xu et al. | Deep belief network-based support vector regression method for traffic flow forecasting | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
Lim et al. | Understanding the linkages of smart-city technologies and applications: Key lessons from a text mining approach and a call for future research | |
Liu et al. | Urban renewal simulation with spatial, economic and policy dynamics: The rent-gap theory-based model and the case study of Chongqing | |
Bravo-Moncayo et al. | A machine learning approach for traffic-noise annoyance assessment | |
Zambon et al. | Cluster categorization of urban roads to optimize their noise monitoring | |
Zhao et al. | Identification of land-use characteristics using bicycle sharing data: A deep learning approach | |
Duran-Rodas et al. | Demand And/oR Equity (DARE) method for planning bike-sharing | |
CN114897444B (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
CN110298483A (zh) | 一种基于空间吸引度指标的区域人口预测方法与系统 | |
US20140316747A1 (en) | Simulation of civil infrastructure | |
Al-Ahmadi et al. | A fuzzy cellular automata urban growth model (FCAUGM) for the city of Riyadh, Saudi Arabia. Part 1: Model structure and validation | |
Song et al. | Supply-demand matching assessment of the public service facilities in 15-minute community life circle based on residents' behaviors | |
CN110309953B (zh) | 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 | |
Rahmat et al. | A multi-model approach to assess the relative weights and sensitivities of the factors of regional competitiveness. | |
KR102445142B1 (ko) | 인공지능 및 gis에 기반한 전기차충전소 입지의 분석 방법 및 장치 | |
Caprioli et al. | An agent-based model (ABM) for the evaluation of energy redevelopment interventions at district scale: An application for the San Salvario Neighborhood in Turin (Italy) | |
CN114139773A (zh) | 一种基于时空图卷积网络的公共交通流量预测方法 | |
Borhani et al. | Soft computing modelling of urban evolution: Tehran metropolis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
RJ01 | Rejection of invention patent application after publication |