CN111612206B - 一种基于时空图卷积神经网络的街区人流预测方法及系统 - Google Patents

一种基于时空图卷积神经网络的街区人流预测方法及系统 Download PDF

Info

Publication number
CN111612206B
CN111612206B CN202010238209.7A CN202010238209A CN111612206B CN 111612206 B CN111612206 B CN 111612206B CN 202010238209 A CN202010238209 A CN 202010238209A CN 111612206 B CN111612206 B CN 111612206B
Authority
CN
China
Prior art keywords
street
neural network
block
pedestrian flow
interest point
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.)
Active
Application number
CN202010238209.7A
Other languages
English (en)
Other versions
CN111612206A (zh
Inventor
金德鹏
李勇
夏彤
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010238209.7A priority Critical patent/CN111612206B/zh
Publication of CN111612206A publication Critical patent/CN111612206A/zh
Application granted granted Critical
Publication of CN111612206B publication Critical patent/CN111612206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供一种基于时空图卷积神经网络的街区人流预测方法及系统。该方法包括：获取街区人流历史移动轨迹数据；将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。本发明实施例通过构建表征空间关联和时间动态性的动态图，利用兴趣点来表征不同街区的功能属性，并利用多任务学习同时预测人流和街区功能，达到更好的人流预测性能。

Description

一种基于时空图卷积神经网络的街区人流预测方法及系统
技术领域
本发明涉及流量预测技术领域，尤其涉及一种基于时空图卷积神经网络的街区人流预测方法及系统。
背景技术
据联合国经济和社会事务部人口司统计，截至2018年，全球55％的人口居住在城市中，而随着城市化的进一步推进，这一数字将在2050年提高68％。伴随着城市人口的急剧增长，越来越多的问题也开始涌现：城市交通拥堵不堪，城市基础设施不堪重负，人群踩踏事故也愈发频繁。为了解决城市化伴随的一系列问题，城市人(车)流预测在近年受到研究者的广泛关注，其中，城市人流预测主要研究不同时间段城市各区域之间的人口流动模式，并根据历史数据预测未来时刻的人流。通过预测，能够提前获知未来几分钟至数小时的城市人流，从而使城市管理者提前应对人群聚集，使城市居民更合理地规划出行。城市人流预测的具体应用领域包括：突发群体性事件预警、交通出行规划、城市发展规划、城市基础设施建设、城市各区域经济发展评估等问题。
目前主要使用机器学习算法来完成人流预测任务，主要是将人流预测作为时间序列预测问题进行分析，利用单个区域历史的人流序列预测未来一段时间内的数值。常用的传统方法有自回归滑动平均模型(Autoregressive moving average model，简称ARMA模型)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Averagemodel，简称ARIMA模型)，和历史均值(History Average)等，这些方法将非平稳的时间序列数据进行平稳化后，计算序列的相关参数用于后续的回归分析，但是该类方法仅基于过去的时间序列预测接下来的序列，没有考虑区域之间的空间管理，更无法建模复杂多变的人流变化趋势，因此预测的准确度较差。基于聚类算法的人口流动预测系统和基于贝叶斯网络以及基于高斯马尔可夫随机场的FCCF模型也相继被提出，此类模型虽可显著的提高预测准确率，但模型的泛化性和鲁棒性都较差。随着神经网络在各领域取得了巨大成功，越来越多基于深度神经网络的模型被应用于人流预测这一问题。DeepST通过选择相应时间片，并融合相似时空数据与全局信息来实现人流预测。STRCN分别利用CNN和长短时记忆网络(LSTM)建模空间维度与时间维度的关联信息。ST-ResNet采用基于卷积的残差网络替代RNN，并考虑了天气等外部信息。近来，也有基于图神经网络(GCN)的人流预测模型提出，例如MVGCN利用多个基于不同空间相关性的GCN与全连接神经网络(fully-connected neuralnetworks，FNN)实现区域人流预测。然而，这些基于深度学习的方法，尤其是基于CNN建模空间关联的方法，既不适用于不规则街区人流预测的场景，也无法同时考虑复杂的时空依赖性和城市结构对人群移动的影响。具体有如下几种实现方案：
方案一：首先将不同时间的城市人流数据抽象成“图像帧”,人流量用热力图表示；根据时间将观测数据划分为训练数据和标签,将本问题转化为图像问题；总体采用WGAN生成对抗网络的思想,生成器基于历史数据使用Seq2Seq方法生成未来某一段时间内的人流量,同时加入天气等外部因素；判别器使用Wasserstein距离判别真假数据；训练过程中结合生成对抗损失和反向传播不断优化生成器和判别器。最终,判别器无法判别真假时,使用被优化的生成器预测未来的城市人流量。
方案二：按照预定规则对预定区域历史N天内的所有人流量数据进行分类,形成至少两类历史人流量数据；对每类所述历史人流量数据分别采用相同模型训练得到各自对应的预测模型系数；根据每类所述历史人流量数据各自对应的所述预测模型系数,预测所述预定区域未来时刻的人流量。
综上所述，现有的方案存在以下几点局限：(1)基于统计和拟合的方法无法建模复杂的人流动态模式，准确率低；(2)基于CNN的方法无法适用于不规则区域的人流预测场景，虽然准确率较高，但不满足线上运行的实际需求；(3)此外，现有方案都无法同时考虑人流的时空关联和城市结构对人群移动的影响，因此在准确率上仍有较大提升空间。
发明内容
本发明实施例提供一种基于时空图卷积神经网络的街区人流预测方法及系统，用以解决现有技术中用于人流预测的方案无法适应复杂的动态模式，准确率较低，不适用于不规则区域场景，无法同时兼顾时间和空间两方面的影响因素，且不满足线上运行的实际需求。
第一方面，本发明实施例提供一种基于时空图卷积神经网络的街区人流预测方法，包括：
获取街区人流历史移动轨迹数据；
将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。
优选地，所述街区人流预测模型，通过以下步骤获得：
基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图；
获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图；
基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型；
定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型。
优选地，所述基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图，具体包括：
获取大规模城市人流活动轨迹，从所述大规模城市人流活动轨迹中提取所述城市区域信息和所述区域人群移动强度；
从所述城市区域信息中提取每个节点的所述移入移出人流序列，将所述移入移出人流序列作为动态人流；
从所述区域人群移动强度中提取若干时间片的所述邻接矩阵，其中对相同时间片的若干天数的所述邻接矩阵取平均值，利用最大值对所述平均值进行归一化，得到动态邻接矩阵；
由所述动态人流和所述动态邻接矩阵构成所述动态时空图。
优选地，所述获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图，具体包括：
将每个街区的兴趣点特征用特征向量表示，所述特征向量包括兴趣点类别个数；
基于最后已知历史时刻的所述邻接矩阵，采用标准的两层图卷积神经网络模块和一个全连接层对所述动态时空图的节点进行分类，采用预设逻辑函数计算所述特征向量构建趣点特征向量矩阵的分布概率，所述分布概率表示街区分类结果。
优选地，所述基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型，具体包括：
基于所述街区分类结果，将街区节点分成若干个簇；
在每个街区中，空间维度上按照划分的所述若干个簇、时间维度上按照跨图进行卷积，得到所述三维图卷积神经网络模型。
优选地，所述定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型，具体包括：
采用基于多任务学习的损失函数，作为所述三维图卷积神经网络模型的目标函数，得到所述街区人流预测模型。
优选地，所述利用兴趣点对街区进行分类，还包括采用聚类算法。
第二方面，本发明实施例提供一种基于时空图卷积神经网络的街区人流预测系统，包括：
获取模块，用于获取街区人流历史移动轨迹数据；
处理模块，用于将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。
第三方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述基于时空图卷积神经网络的街区人流预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述基于时空图卷积神经网络的街区人流预测方法的步骤。
本发明实施例提供的基于时空图卷积神经网络的街区人流预测方法及系统，通过构建表征空间关联和时间动态性的动态图，利用兴趣点来表征不同街区的功能属性，并利用多任务学习同时预测人流和街区功能，达到更好的人流预测性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于时空图卷积神经网络的街区人流预测方法流程图；
图2为本发明实施例提供的人流预测系统框图；
图3为本发明实施例提供的基于结点分类的GCN与CNN、GCN的对比图；
图4为本发明实施例提供的动态3D-GCN示意图；
图5为本发明实施例提供的系统实施流程图；
图6为本发明实施例提供的一种基于时空图卷积神经网络的街区人流预测系统结构图；
图7为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对现有技术中的不足，本发明实施例的目标是实现街区粒度的移入、移出人流预测，系统构建能表征空间关联和时间动态性的人流图(graph)，在此基础上，利于兴趣点(Point of Interest,PoI)来表征不同街区的功能属性，同时利用多任务学习同时预测人流和街区功能，达到更好的人流预测性能。
给出如下几个定义：
街区：在现实中，城市往往被道路网络自然划分为若干个不规则区域。这些区域往往具有各自不同的功能(如商业区、办公区、住宅区等)，同样可以以这些自然形成的不规则区域为基础，进一步研究城市人流预测问题。
移入/移出人流：给定时间间隔例如30分钟范围内，进入和离开每个街区的人数，第r个街区第t个时间片移入和移除的人数分别记为xt,r,i,xt,r,o。
动态时空图：动态时空图G＝{V,A}由结点集合V和邻接矩阵A构成。其中，集合V包含了N个城市区域。在动态时空图中，图的结构和结点属性均随时间变化。每个时刻t都有对应的邻接矩阵
Figure BDA0002431722300000061
其反应了该时刻各个区域之间人群的移动强度，动态时空图中的结点属性可以记作
Figure BDA0002431722300000062
在每个时刻，每个结点都有移入人流与移出人流这两个属性。
图1为本发明实施例提供的一种基于时空图卷积神经网络的街区人流预测方法流程图，如图1所示，包括：
S1，获取街区人流历史移动轨迹数据；
S2，将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。
具体地，如图2中所示首先基于系统基于保存的所有历史移动轨迹数据，可以得到构建出动态时空图，同时利用PoI对街区进行分类，最后同时根据构建的时空动态图和分类结果，利用所提出的3D-GCN模块对下一时刻的人流进行预测。
本发明实施例通过构建表征空间关联和时间动态性的动态图，利用兴趣点来表征不同街区的功能属性，并利用多任务学习同时预测人流和街区功能，达到更好的人流预测性能。
基于上述实施例，所述街区人流预测模型，通过以下步骤获得：
基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图；
获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图；
基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型；
定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型。
具体地，首先从系统信息中获得城市中区域中的移入移出人流序列，以及定义由区域人群移动强度获得邻接矩阵，从而构建出时间和空间维度的动态时空图；其次根据城市功能划分出不同的街区兴趣点，得到兴趣点分布图；然后由动态时空图和兴趣点分布图，将空间邻居节点和时间邻居节点进行特征聚合，得到三维图卷积神经网络模型，即3D-GCN模块，用于预测街区未来时刻的人流预测；最后采用预设损失函数，作为模型训练目标，得到最终的街区人流预测模型。
基于上述任一实施例，所述基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图，具体包括：
获取大规模城市人流活动轨迹，从所述大规模城市人流活动轨迹中提取所述城市区域信息和所述区域人群移动强度；
从所述城市区域信息中提取每个节点的所述移入移出人流序列，将所述移入移出人流序列作为动态人流；
从所述区域人群移动强度中提取若干时间片的所述邻接矩阵，其中对相同时间片的若干天数的所述邻接矩阵取平均值，利用最大值对所述平均值进行归一化，得到动态邻接矩阵；
由所述动态人流和所述动态邻接矩阵构成所述动态时空图。
具体地，根据基本定义，从系统收集到的大规模轨迹中提取每个节点的移入移出人流序列以及表征不同区域之间人流往来密集程度的人流邻接矩阵。具体的，在一段历史时间内，对相同时间片内不同天的人流邻接矩阵取均值，再利用最大值进行归一化，从而得到一个表示每天不同时刻人群移动程度的模式，作为该时刻的At。此构造完成的一系列动态图，表示为动态人流和动态邻接矩阵：{X1,A1,...,Xt,At}。
基于上述任一实施例，所述获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图，具体包括：
将每个街区的兴趣点特征用特征向量表示，所述特征向量包括兴趣点类别个数；
基于最后已知历史时刻的所述邻接矩阵，采用标准的两层图卷积神经网络模块和一个全连接层对所述动态时空图的节点进行分类，采用预设逻辑函数计算所述特征向量构建趣点特征向量矩阵的分布概率，所述分布概率表示街区分类结果。
具体地，基于系统获取的全部PoI数据和PoI分类标准，得到不同类型的PoI分布图，因此，每个街区的PoI特征可以用一个特征向量
Figure BDA0002431722300000081
表示，其中C为PoI类别的个数。基于最后一个已知历史时刻的邻接矩阵At，我们利用一个标准的两层GCN模块和一个全连接层对图的节点(街区)进行分类：
Z＝softmax(Atσ(AtFW1)W2)，
其中，
Figure BDA0002431722300000091
是全部区域的PoI特征向量矩阵，
Figure BDA0002431722300000092
和
Figure BDA0002431722300000093
分别是两层GCN的参数，σ是非线性激活函数。而经过变换后的每个特征向量
Figure BDA0002431722300000094
(K表示对街区分类的个数)表示街区r各功能区的概率。
基于上述任一实施例，所述基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型，具体包括：
基于所述街区分类结果，将街区节点分成若干个簇；
在每个街区中，空间维度上按照划分的所述若干个簇、时间维度上按照跨图进行卷积，得到所述三维图卷积神经网络模型。
具体地，本发明实施例提出一种新型的基于功能区划分和动态图的3D-GCN模块，该模块的示意图如图3和图4所示。
首先，传统的GCN示意图如图3(b)，GCN的基本思想是对一个节点的邻居节点的特征进行聚合，但由于每个节点的邻居节点的个数是不定的，同一跳的邻居节点的数目也随之变化，现有GCN只能对同一跳节点学习相同的权重，而不是(a)所示CNN可以学习点对点的权重。考虑到同一跳节点中不同功能类型的节点可能人流模式差别很大，所以本发明提出了节点属性感知的GCN聚合方式，即利用街区的分类结果，节点分成几个簇，如图3(c)所示，同一跳节点的不同簇之间不共享参数。进一步的，考虑到我们所构建的表征人群在不同街区之间移动的图是动态的，本发明实施例还提出了一种跨图进行卷积的模式，如图4所示。传统的GCN只对空间上的邻居节点进行聚合，而本发明实施例同时在空间和时间邻居节点之间进行信息传播，从而能同时处理复杂的时空依赖关系，提取到更有效的特征进行下一时刻的人流预测。整个过程用公式表述如下：
将每个时刻的邻接矩阵At按照节点分类的结果拆解成K份，并对每一份进行归一化：
Figure BDA0002431722300000101
Figure BDA0002431722300000102
Figure BDA0002431722300000103
其中，I为单位对角矩阵表示自环，D％为对角矩阵，每个非零元素表示节点的度D％(i,j)＝∑jA(i,j)，
Figure BDA0002431722300000104
是第l层的卷积核参数，并且T表示时间邻接节点的帧数，Ci＝Co＝2表示输入和输出的特征维度。此3D-GCN的输出为
Figure BDA0002431722300000105
再通过一个一维的时间卷积，即可映射得到对t+T+1时刻的人流预测值
Figure BDA0002431722300000106
基于上述任一实施例，所述定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型，具体包括：
采用基于多任务学习的损失函数，作为所述三维图卷积神经网络模型的目标函数，得到所述街区人流预测模型。
具体地，为了训练构建好的3D-GCN，并且充分利用PoI信息挖掘城市结构对人群移动的影响，设计了一个基于多任务学习的损失函数如下：
Figure BDA0002431722300000107
其中，第一项是预测人流和真实人流的均方根误差；第二项是节点分类的交叉熵；α是超参数，模型采用神经网络的后向传播进行训练，并采用Adam优化器，训练后即得到可在线上运行的街区人流预测模型。
基于上述任一实施例，为了更清楚地说明本发明实施例中的技术方案，下面将对照图5说明本发明的具体实施方式.
为了训练模型，系统需要收集大规模的移动轨迹从而生成人流、构造时空动态图，如果大规模细粒度的轨迹难以收集，这一步也可以直接用聚合的人流代替。此外，也要采集城市内的PoI数据，对其进行分类，得到PoI的特征分布。然后，需要依据PoI的特征分布对城市进行功能划分，具体的实施方法是应用聚类算法。进一步的如图2最上方的流程所示，保留每个类中心的街区作为真值，用于损失函数第二部分的计算。接着，将人流数据序列按时间进行切分，例如，30天的数据可采用前24天训练，后6天对模型进行调参，按照1.4小结中介绍的方法对模型进行训练。最后，训练好的模型即可投入线上应用，根据历史人流实现实时的未来人流预测。
图6为本发明实施例提供的一种基于时空图卷积神经网络的街区人流预测系统结构图，如图6所示，包括：获取模块61和处理模块62；其中：
获取模块61用于获取街区人流历史移动轨迹数据；处理模块62用于将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。
本发明实施例提供的系统用于执行上述对应的方法，其具体的实施方式与方法的实施方式一致，涉及的算法流程与对应的方法算法流程相同，此处不再赘述。
本发明实施例通过构建表征空间关联和时间动态性的动态图，利用兴趣点来表征不同街区的功能属性，并利用多任务学习同时预测人流和街区功能，达到更好的人流预测性能。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行如下方法：获取街区人流历史移动轨迹数据；将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取街区人流历史移动轨迹数据；将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于时空图卷积神经网络的街区人流预测方法，其特征在于，包括：
获取街区人流历史移动轨迹数据；
将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的；
所述街区人流预测模型，通过以下步骤获得：
基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图；
获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图；
基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型；
定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型。
2.根据权利要求1所述的基于时空图卷积神经网络的街区人流预测方法，其特征在于，所述基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图，具体包括：
获取大规模城市人流活动轨迹，从所述大规模城市人流活动轨迹中提取所述城市区域信息和所述区域人群移动强度；
从所述城市区域信息中提取每个节点的所述移入移出人流序列，将所述移入移出人流序列作为动态人流；
从所述区域人群移动强度中提取若干时间片的所述邻接矩阵，其中对相同时间片的若干天数的所述邻接矩阵取平均值，利用最大值对所述平均值进行归一化，得到动态邻接矩阵；
由所述动态人流和所述动态邻接矩阵构成所述动态时空图。
3.根据权利要求1所述的基于时空图卷积神经网络的街区人流预测方法，其特征在于，所述获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图，具体包括：
将每个街区的兴趣点特征用特征向量表示，所述特征向量包括兴趣点类别个数；
基于最后已知历史时刻的所述邻接矩阵，采用标准的两层图卷积神经网络模块和一个全连接层对所述动态时空图的节点进行分类，采用预设逻辑函数计算所述特征向量构建趣点特征向量矩阵的分布概率，所述分布概率表示街区分类结果。
4.根据权利要求3所述的基于时空图卷积神经网络的街区人流预测方法，其特征在于，所述基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型，具体包括：
基于所述街区分类结果，将街区节点分成若干个簇；
在每个街区中，空间维度上按照划分的所述若干个簇、时间维度上按照跨图进行卷积，得到所述三维图卷积神经网络模型。
5.根据权利要求1所述的基于时空图卷积神经网络的街区人流预测方法，其特征在于，所述定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型，具体包括：
采用基于多任务学习的损失函数，作为所述三维图卷积神经网络模型的目标函数，得到所述街区人流预测模型。
6.根据权利要求1所述的基于时空图卷积神经网络的街区人流预测方法，其特征在于，所述利用兴趣点对街区进行分类，还包括采用聚类算法。
7.一种基于时空图卷积神经网络的街区人流预测系统，其特征在于，包括：
获取模块，用于获取街区人流历史移动轨迹数据；
处理模块，用于将所述街区人流移动轨迹数据输入至预先训练好的街区人流预测模型中，得到所述街区人流预测模型输出的街区未来人流预测结果；其中，所述街区人流预测模型通过构建动态时空图和利用兴趣点对街区进行分类，对三维图卷积神经网络模型进行训练所得到的；
所述处理模块中的所述街区人流预测模型，通过以下步骤获得：
基于城市区域信息获得移入移出人流序列，基于区域人群移动强度获得邻接矩阵，由所述移入移出人流序列和所述邻接矩阵构建所述动态时空图；
获取街区兴趣点数据和街区兴趣点分类标准，基于所述街区兴趣点数据和所述街区兴趣点分类标准得到街区兴趣点分布图；
基于所述动态时空图和所述街区兴趣点分布图，从空间邻居节点和时间邻居节点进行特征聚合，构建所述三维图卷积神经网络模型；
定义预设损失函数，将所述预设损失函数作为所述三维图卷积神经网络模型的训练目标，得到所述街区人流预测模型。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于时空图卷积神经网络的街区人流预测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于时空图卷积神经网络的街区人流预测方法的步骤。
CN202010238209.7A 2020-03-30 2020-03-30 一种基于时空图卷积神经网络的街区人流预测方法及系统 Active CN111612206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010238209.7A CN111612206B (zh) 2020-03-30 2020-03-30 一种基于时空图卷积神经网络的街区人流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010238209.7A CN111612206B (zh) 2020-03-30 2020-03-30 一种基于时空图卷积神经网络的街区人流预测方法及系统

Publications (2)

Publication Number Publication Date
CN111612206A CN111612206A (zh) 2020-09-01
CN111612206B true CN111612206B (zh) 2022-09-02

Family

ID=72203469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010238209.7A Active CN111612206B (zh) 2020-03-30 2020-03-30 一种基于时空图卷积神经网络的街区人流预测方法及系统

Country Status (1)

Country Link
CN (1) CN111612206B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814921B (zh) * 2020-09-04 2020-12-18 支付宝(杭州)信息技术有限公司 对象特征信息获取、对象分类、信息推送方法及装置
CN112116155B (zh) * 2020-09-18 2023-07-25 平安科技（深圳）有限公司 基于智能决策的人口流动预测方法、装置及计算机设备
CN112101682B (zh) * 2020-09-25 2024-04-09 北京百度网讯科技有限公司 流量模式预测方法、装置、服务器以及可读介质
CN112216108B (zh) * 2020-10-12 2021-06-29 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112257934A (zh) * 2020-10-26 2021-01-22 辽宁工程技术大学 一种基于时空动态神经网络的城市人流预测方法
CN112396218B (zh) * 2020-11-06 2024-01-09 南京航空航天大学 基于城市区域多模态融合的人群流量预测方法
CN112508170A (zh) * 2020-11-19 2021-03-16 中南大学 一种基于生成对抗网络的多相关时间序列预测系统及方法
CN112465006B (zh) * 2020-11-24 2022-08-05 中国人民解放军海军航空大学 一种图神经网络目标跟踪方法及装置
CN112562339B (zh) * 2020-12-09 2022-01-04 福州大学 基于多任务图卷积网络的鲁棒性交通流预测方法
CN112529311B (zh) * 2020-12-16 2024-05-24 南京中兴力维软件有限公司 一种基于图卷积分析的道路流量预测方法和装置
CN112541440B (zh) * 2020-12-16 2023-10-17 中电海康集团有限公司 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法
CN112560953B (zh) * 2020-12-16 2023-08-15 中国平安财产保险股份有限公司 私家车非法营运的识别方法、系统、设备及存储介质
CN112541449A (zh) * 2020-12-18 2021-03-23 天津大学 一种基于无人机航拍视角的行人轨迹预测方法
CN112559909B (zh) * 2020-12-18 2022-06-21 浙江工业大学 一种基于gcn嵌入空间聚类模型的商业区发现方法
CN112541852B (zh) * 2020-12-24 2024-04-12 南方科技大学 城市人流监控方法、装置、电子设备及存储介质
CN112288048B (zh) * 2020-12-28 2021-03-26 湖南师范大学 一种基于多源数据驱动的城市人群出行识别方法
CN112801377B (zh) * 2021-01-29 2023-08-22 腾讯大地通途（北京）科技有限公司 一种对象估计方法、装置、设备及存储介质
CN112907056B (zh) * 2021-02-08 2022-07-12 之江实验室 一种基于图神经网络的城市管理投诉事件预测方法及系统
CN113052401A (zh) * 2021-04-26 2021-06-29 青岛大学 盲人行走轨迹预测方法、电子设备及存储介质
CN113691993B (zh) * 2021-07-23 2024-01-05 山东师范大学 基于图神经网络的5g连通簇基站群流量预测方法及系统
CN113780662B (zh) * 2021-09-14 2024-04-23 北京航空航天大学 一种流量预测方法、装置、设备和介质
CN114327840B (zh) * 2022-03-11 2022-06-10 北京骑胜科技有限公司 数据处理方法和数据处理装置
CN114390079B (zh) 2022-03-24 2022-06-03 成都秦川物联网科技股份有限公司 一种智慧城市公共场所管理方法和物联网系统
CN114694099B (zh) * 2022-04-08 2024-06-07 平安国际智慧城市科技股份有限公司 基于人工智能的人流量预测方法、装置及相关设备
CN114862001B (zh) * 2022-04-27 2023-06-02 哈尔滨工业大学 一种基于区域功能增强特征的城市人群流量预测方法及系统
CN114972111B (zh) * 2022-06-16 2023-01-10 慧之安信息技术股份有限公司 一种基于gan图像修复的密集人群计数方法
CN115238589A (zh) * 2022-08-09 2022-10-25 浙江大学 一种基于生成对抗网络的人群移动预测方法
CN116109234B (zh) * 2022-12-01 2023-08-08 北京交通大学 一种基于预测与决策一体化的快递系统智能订单分配方法
CN116521764B (zh) * 2023-07-05 2023-09-05 武昌理工学院 基于人工智能的环境设计数据处理方法
CN117236529B (zh) * 2023-11-15 2024-02-27 福建天创信息科技有限公司 基于大数据的大型活动人流量预测方法
CN118036714B (zh) * 2024-04-12 2024-06-11 中国民用航空飞行学院 基于集成学习算法的空域流量预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009046A (zh) * 2019-04-09 2019-07-12 中通服公众信息产业股份有限公司 一种基于大数据的城市社区安全预测方法
CN110322064A (zh) * 2019-06-27 2019-10-11 清华大学 城市出行需求预测方法
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150310037A1 (en) * 2014-03-03 2015-10-29 Otman A. Basir System for collecting, aggregating and interpreting geo-spatial data for marketing and security applications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009046A (zh) * 2019-04-09 2019-07-12 中通服公众信息产业股份有限公司 一种基于大数据的城市社区安全预测方法
CN110322064A (zh) * 2019-06-27 2019-10-11 清华大学 城市出行需求预测方法
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种基于三维卷积网络的暴力视频检测方法;宋伟等;《信息网络安全》;20171210(第12期);全文 *
利用可视引导的Agent模拟城市人流运动;应申等;《武汉大学学报(信息科学版)》;20111105(第11期);全文 *
基于三维卷积神经网络的工作流识别方法;胡海洋等;《计算机集成制造系统》;20180715(第07期);第1749-1750页 *

Also Published As

Publication number Publication date
CN111612206A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111612206B (zh) 一种基于时空图卷积神经网络的街区人流预测方法及系统
Liu et al. Contextualized spatial–temporal network for taxi origin-destination demand prediction
Tang et al. Multi-community passenger demand prediction at region level based on spatio-temporal graph convolutional network
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN110322064B (zh) 城市出行需求预测方法
Vlahogianni et al. Temporal evolution of short‐term urban traffic flow: a nonlinear dynamics approach
CN112489426B (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN109902880A (zh) 一种基于Seq2Seq生成对抗网络的城市人流预测方法
CN115440032B (zh) 一种长短期公共交通流量预测方法
CN114299723B (zh) 一种交通流量预测方法
EP2590151A1 (en) A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN113570861B (zh) 一种基于合成数据的交通流量预测方法及装置
CN113806419B (zh) 基于时空大数据的城市区域功能识别模型及识别方法
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
Zheng et al. Hybrid deep learning models for traffic prediction in large-scale road networks
CN114495507A (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN114461931A (zh) 一种基于多关系融合分析的用户轨迹预测方法和系统
Wang et al. Urban traffic pattern analysis and applications based on spatio-temporal non-negative matrix factorization
Khan et al. Short-term traffic prediction using deep learning long short-term memory: Taxonomy, applications, challenges, and future trends
Dao et al. Multi-time-horizon traffic risk prediction using spatio-temporal urban sensing data fusion
Zheng et al. Rebuilding city-wide traffic origin destination from road speed data
Zhang et al. Off-deployment traffic estimation—a traffic generative adversarial networks approach

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