CN112257934A - 一种基于时空动态神经网络的城市人流预测方法 - Google Patents

Abstract

本发明公开了一种基于时空动态神经网络的城市人流预测方法，包括：获取城市人流历史移动轨迹数据，将城市人流数据抽象成“图像帧”，根据时间将城市人流数据划分为训练数据集和测试数据集，将城市人流数据抽象成“图像帧”，使其处理方法转化为图像处理方法，将“图像帧”输入三维卷积神经网络，提取时间特性和空间特性，捕捉城市人流的流动性特征；把空间特征输入到残差卷积块，捕捉空间上距离较远的区域人流相互之间的影响；通过训练模型得到城市区域人流预测结果。本发明通过构建时空动态图和残差卷积块，结合城市区域人口流动特性和空间全局相关特性，对未来一段时间的城市区域人流流动进行预测，具有较快的收敛速度和准确率上的提升优势。

Description

一种基于时空动态神经网络的城市人流预测方法

技术领域

本发明属于流量预测的技术领域，尤其涉及一种基于时空动态神经网络的城市人流预测方法。

背景技术

联合国最新报告显示，全球农村人口“城市化”进程在不断加速。数据显示，在1950年，全球城市人口比例仅为30％，但是到2018年，居住在城市的人口比例达到了55％。人口大量涌入城市，城市的交通变得拥挤。为解决这些问题，在现代智能交通系统(ITS)中，人流预测是为出行者和交通机构提供准确可靠的交通信息不可或缺的一部分。提前了解交通信息(如交通拥堵情况、交通量、人流量)，城市可以实施更好的交通管理策略，旅客可以制定更好的路线规划。因此，准确的交通预测有助于减少时间成本、经济损失和碳排放。在实际应用中，多种类型的城市数据都可以用来计算区域的人口流入、流出量，例如手机信令数据、出租车GPS轨迹数据、公共交通数据(公交车或地铁刷卡数据)等。

流量预测的目的是根据城市历史流量信息提供未来一段时间的流量信息，早期预测人流主要使用经典序列预测方法，如自回归积分滑动平均模型(Autoregr-essiveIntegrated Moving Average Model，ARIMA)及其变体模型，普通最小二乘法、逻辑回归等。然而，时间序列分析模型是根据一些理想的假设来预定的，并且时间序列预测模型不能很好地描述时空序列数据的空间依赖性问题。而在现实世界中，流量预测具有时间相关性、空间相关性、异质性(交通数据在空间和时间上都具有异质性，即时间和空间相关性会发生变化)等性质。因此，时间序列分析方法在实际应用中往往表现不佳。近年来，深度学习网络因为其强大的表示能力，在交通预测问题中应用越来越广泛。对流量预测问题建模主要分为两大分支，分别是基于卷积神经网络的模型和基于循环神经网络的模型。Zhang等将城市划分为网格，提出了一种基于CNN的深度残差网络模型ST-ResNet，用于预测整个城市的区域人口流量，但该模型没有充分挖掘时间维度的特征，同时对距离较远的地区关联性考虑不够充分。Zonoozi提出了基于CNN的Perioic-CRN来模拟人群流动的周期性。Ma首次引入了基于RNN变种的LSTM用于交通流预测。Zhao等利用级联的LSTM模型进行交通流的短期预测，但该模型不能学习区域依赖关系，同时训练循环神经网络的时间过长。在城市区域人口流量预测问题中，模型应该自动捕捉人口流量数据中的动态时间和空间依赖特征。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于时空动态神经网络的城市人流预测方法，基于人流流动性和全局区域人流相关性的模型预测城市未来人流变化，能够有效捕捉城市人流中的时空动态变化，通过利用本发明来整合异质性和全局相关性能够有效提升城市人流预测的准确率。

本发明提供一种基于时空动态神经网络的城市人流预测方法，包括以下步骤：

步骤1：构建城市时空人流轨迹图，首先获取城市人流移动轨迹信息，对人流数据进行清洗；将城市按网格切分，间隔一个小时统计每个网格的进出人流量，将城市人流数据抽象成“图像帧”；然后把图像帧序列按时间序列拼接起来，调整维度到三维卷积神经网络要求的大小；

步骤2：训练神经网络，在上述城市时空人流网格图基础上，首先使用三维卷积神经网络模型对时间维度和空间维度同时进行卷积，捕获人群的流动性特征和时空上的异质性；然后用全连神经网络和卷积神经网络相结合的模块捕获距离该地区较远的地区人流对这个地区的影响，并用残差解决梯度爆炸问题；最后用二维卷积神经网络将模型进行融合，利用反向传播技术，不断优化参数，提升模型的效果；

步骤3：生成预测结果，将要预测时刻的前一段时刻的人流张量矩阵输入到训练好的神经网络中，生成所在区域预测时刻的人流张量；将预测值和真实值进行对比，观察模型的好坏。

可选的，在步骤S1中，其构建和计算方法如下：

以城市人流移动轨迹信息提供的数据作为分析对象，将城市按照经纬度进行划分，得到N*M的网格，每隔一个小时对区域内的进出人流量数据进行统计，按时间序列构建城市区域人流进出数据集，城市人口区域满足短期和长期依赖特性，按时间依赖特性将序列切分成短期的和长期的“图片”，然后把“图片”调整成满足三维卷积神经网络要求的尺寸大小。

可选的，在步骤S2中，其计算方法如下：

使用上一步构成的城市时空人流轨迹图训练卷积神经网络模型，该模型有两个输入：近期依赖子序列和远期依赖子序列，将近期和远期的时间序列经归一化操作分别压缩到[-1,1]区间，切分成训练集、验证集和测试集；

将训练集和验证集送入融合模型ST-3DPlus中，模型将近期子序列和远期子序列在时间维度上先融合，再将融合的序列传入到三维卷积模块中，将时间维度看成是第三维，三维卷积是对连续的图像进行卷积操作；

城市在某一时刻下切分成的所有网格集合可以看成是一个静态图像，三维卷积是通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用三维卷积核；

将经过三维卷积模块训练的结果传入残差卷积块，对全局空间维度进行卷积，捕捉每个网格人流对单个网格人流的影响，最后通过卷积操作融合模型。

可选的，在步骤S3中，其计算方法为：

将上述测试集输入到训练好的城市人流预测的融合模型中，得到所述城市人流预测融合模型输出的城市未来人流流量预测结果。

由上，本发明的基于时空动态神经网络的城市人流预测方法同时考虑人流流动性和远距离空间相关性对人群移动的影响，使得预测准确率和响应速度都有较大提升。本发明通过构建时空动态图和残差卷积块，结合城市区域人口流动特性和空间全局相关特性，对未来一段时间的城市区域人流流动进行预测，本发明的模型具有较快的收敛速度和准确率上的提升优势。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。

图1为本发明的基于时空动态神经网络的城市人流预测方法的神经网络模型的设计结构图；

图2为交通网格数据图；

图3为空残差网络与本发明的预测模型的实验准确率的对比图；

图4为全局残差模块效果图。

具体实施方式

下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。

本发明针对现有技术无法对城市人流预测时空问题的异质性和全局相关性进行有效的建模。图1给出了神经网络模型的具体设计结构。

第一步，构建城市时空人流轨迹图。首先获取城市人流移动轨迹信息，对人流数据进行清洗。将城市按网格切分，间隔一个小时统计每个网格的进出人流量，将城市人流数据抽象成“图像帧”；然后，把图像帧序列按时间序列拼接起来，调整维度到三维卷积神经网络要求的大小。

第二步，训练神经网络。在上述城市时空人流网格图基础上，首先使用三维卷积神经网络模型对时间维度和空间维度同时进行卷积，捕获人群的流动性特征和时空上的异质性；然后，用全连神经网络和卷积神经网络相结合的模块捕获距离该地区较远的地区人流对这个地区的影响，并用残差解决梯度爆炸问题；最后，用二维卷积神经网络将模型进行融合，利用反向传播技术，不断优化参数，提升模型的效果。

第三步，生成预测结果。将要预测时刻的前一段时刻的人流张量矩阵输入到训练好的神经网络中，生成所在区域预测时刻的人流张量；将预测值和真实值进行对比，观察模型的好坏。

构建城市时空人流轨迹图

以城市人流移动轨迹信息提供的数据作为分析对象。将城市按照经纬度进行划分，得到N*M的网格，每隔一个小时对区域内的进出人流量数据进行统计，按时间序列构建城市区域人流进出数据集。城市人口区域满足短期和长期依赖特性，按时间依赖特性将序列切分成短期的和长期的“图片”，然后把“图片”调整成满足三维卷积神经网络要求的尺寸大小。

定义1(网格数据).将城市划分为N*M个网格图，其中，网格代表了固定区域。N和M代表网格的行和列，(n,m)代表城市中的第n行第m列的区域，所有子区域组成一个集合R＝{r_1,1,...,r_i,j,..r_n*m}。

定义2(人流流入流出).轨迹数据是人或物体在空间上移动生成的三元组(x,y,τ)序列，其中(x,y)是移动物体在时间τ的地体坐标，对于每一个移动物体r，其轨迹T_r可以表示为一条按照时间顺序排列的地点序列：

T_r:p₁→p₂→…→p_k→…→p_l (1)

其中，l表示轨迹T_r的总长度，第k个轨迹点p_k＝(x_k,y_k,τ_k)表示物体r在时间τ_k的地理坐标为(x_k,y_k)。

假定某人r在时间间隔t内移动生成的轨迹为T_r，

表示在时间段t内轨迹T_r经过区域的集合：

从图2中可以看出，每个网格具有相同的大小，在空间中有规律地分布，就像图像中的像素。在每个网格(n,m)中，每隔一段固定时间T＝{τ_i}记录一次区域流量：

表示在区域(n,m)中间隔相同时间，有c种流量数据记录。在时间间隔t中，所有m×n位置的流量都可以表示为张量：x_t∈R^c×m×n，其中

定义Q为连续时间段t-1，t和t+1人群移动的轨迹的总和，在区域(n,m)中，对于时刻t内人群流入量

和人群流出量

可以分别定义为：

定义3(周期依赖).上述人流某一时刻的流入流出可以看作图片的两通道张量，从中提取出体现近期依赖和远期依赖特性的子序列。l_r是短时依赖序列的长度，近期依赖子序列：

l_w是长时依赖序列的长度，p为固定的一周时间，远期依赖子序列：

得到近期依赖数据集A(t)＝(c,t,m,n)和远期依赖数据集B(t)＝(c,t,m,n)，c代表进出人流，t代表时间长度，m和n代表区域网格的长和宽。

训练神经网络模型

使用上一步构成的城市时空人流轨迹图训练卷积神经网络模型，该模型有两个输入：近期依赖子序列和远期依赖子序列。将近期和远期的时间序列经归一化操作分别压缩到[-1,1]区间，切分成训练集、验证集和测试集。

将训练集和验证集送入融合模型ST-3DPlus中，模型将近期子序列和远期子序列在时间维度上先融合，再将融合的序列传入到三维卷积模块中。将时间维度看成是第三维，三维卷积是对连续的图像进行卷积操作。

城市在某一时刻下切分成的所有网格集合可以看成是一个静态图像，三维卷积是通过堆叠多个连续的帧(也就是按时间序列连成的多个网格)组成一个立方体，然后在立方体中运用三维卷积核。在这个结构中，卷积层中每一个特征都会与上一层中多个邻近的连续帧相连，据此捕捉运动信息。运动信息的3D模型可表示为：

其中*代表了三维卷积操作，

是3D卷积层第L层的输入，C_l-1是通道数。3D卷积层的特征映射连接到上一层的多个连续网格数据上，从而提取流动信息。

单个区域不仅具有区域依赖性，还和一些遥远区域有远距离空间依赖关系，普通卷积难以有效捕获单个区域与远距离区域的关联关系。全局残差卷积块有两个通道，一个是卷积核为3×3的普通卷积，用于获取周围区域对其区域的影响，普通卷积每个通道对应一个核，卷积使用这些核计算和映射空间的相互关系。卷积操作可定义为：

其中，f是一个激活函数，W_c ^(L)，

是第L层可学习的参数。

另一个通道是由平均池化层和和全连神经网络组成，平均池化层用于减少参数的数量，一个全连神经网络用来学习每一个区间的远程空间依赖，然后将两个通道合并成一个通道，再做卷积进行充分融合，最后和原始输入做残差操作以防止信息丢失。

将经过三维卷积模块训练的结果传入残差卷积块，对全局空间维度进行卷积，捕捉每个网格人流对单个网格人流的影响，最后通过卷积操作融合模型。定义预设损失函数：

将预设的损失函数作为融合模型的训练目标，用误差逆传播算法进行模型的训练，用Adma优化算法来提高参数的优化效率，最后得到融合模型中优化后的参数。

生成预测结果

将上述测试集输入到训练好的城市人流预测的融合模型中，得到所述城市人流预测融合模型输出的城市未来人流流量预测结果。

实验结果说明

采用纽约的用户租赁自行车行驶轨道数据(可从https://www.bike.nyc/取得)和北京出租车轨迹数据作为实验分析数据。纽约自行车数据主要由用户行程持续时间、起止站ID、起止时间的时空数据组成。纽约自行车租赁轨道数据包含2014年4月1号到2014年9月30号的6800多条数据，每隔一个小时统计一次，可用时间间隔为4392条。北京出租车轨迹数据是由北京出租车GPS数据生成，记录了北京出租车2013年7月1号到2013年10月30号，2014年3月1号到2014年6月30号，2015年3月1号到2015年6月30号，2015年11月1号到2016年4月10号。这四个时间段内34000多条记录，每隔半小时统计一次，可用时间间隔为22459条。两个数据集都包含了用户轨道信息。

对于数据预处理，我们移除低于10分钟的用户轨道记录，以及信息不全的数据。纽约数据集将城市划分为16×8个区域，各个区域规模约为1km×1km。每个时间间隔设置为一小时，用归一化将交通流量转化到[-1,1]的范围内。北京出租车数据集将北京市6环以内分为32×32个区域，每个网格的长和宽大约为1.8km。每个时间间隔设置为半个小时，用归一化将交通流量转化到[-1,1]的范围内。表1给出了处理后的数据集信息。

表1：实验数据集统计信息(数据处理后)

为了实验对比，分别利用循环神经网络(LSTM)、时空残差网络(ST-ResNet)和时空三维残差卷积(ST-3DPlus)实现城市各区域的人流预测，并对这两种算法的预测效果进行对比。

效果评价标准：采用准确率的两个指标对模型的效果和性能进行评价。均方根误差的度量方法如下：

平均绝对误差度量方法如下：

其中，x_i、

表示预测值和真实值，z表示所有预测值的数量。

此外，为了更好地测试本发明提出的预测模型效果，还与下列算法进行了对比实验，其中ST-3DPlus为本发明提出的模型。

HA：预测值是每天对应时间的历史人口流量的平均值。

ARIMA：是时间序列预测分析方法之一，全称叫做自回归差分移动平均模型。

LSTM：循环神经网络，一种特殊的RNN。LSTM单元由输入们、输出门和遗忘门组成。

GRU：递归神经网络，只有两个门，一个复位门和一个更新门。

ConvLSTM：卷积LSTM是一种擅长捕捉时空特性的LSTM。

ST-ResNet：一种基于残差学习的神经网络模型，可以有效捕捉时空特性。

ST-3DPlus：考虑人流流动性和偏远地区影响的神经网络模型，有效的捕捉动态时空问题。

实验结果分析

基于上述实验数据集，我们将时空残差网络(ST-ResNet)作为基线，与本发明中利用人流流动性和全局人流相互影响关系的预测模型进行对比。其中模型的参数设置如下，第一层3D卷积层使用64个滤波器，大小为l×3×3，其中l是时间维度中输入的大小。其它3D卷积层使用64个滤波器，大小为3×3×3。全局残差卷积神经网络中包含一个全连层和一个3×3的二维卷积神经网络，都是使用64个滤波器，最后用一个3×3的二维卷积神经网络融合，使用2个滤波器。

为了验证滤波器大小如何影响模型的性能，改变卷积滤波器的大小，设置二维卷积的卷积核从2×2调整到5×5，当滤波器尺寸从2增加到3时，RMSE急剧下降，当滤波器尺寸从3增加到5时，RMSE没有太大变化。使用全局残差模块时二维卷积的卷积核最优大小为3×3。

两个模型实验准确率对比结果如图3所示。图中横坐标表示模型训练的迭代次数，纵坐标表示的是模型的准确率。每迭代20次记录一次均方根误差RMSE的值，当迭代80次时时空残差网络(ST-ResNet)模型的RMSE值是6.96，而本发明的模型的RMSE值是4.8。当迭代160次时时空残差网络(ST-ResNet)模型的RMSE值是6.85，而本发明的模型的RMSE值是4.63。可以看出本发明的模型效果始终优于时空残差网络(ST-ResNet)模型。

从图3可以看出，结合人流流动性和全局人流相互影响的模型预测效果明显优于基线模型，说明本发明的模型能够充分学习到复杂的时空关系，进而利用人流流动性和全局人流相互影响关系来预测未来城市人流变化。同时，从图3中可以看出，ST-3DPlus的模型效果很好，应用本发明的模型具有更快的收敛速度和更高的预测精度。在很少的迭代次数情况下就能达到较优的预测效果，因此能够节省大量的时间成本，更具有现实的商业应用价值。

为了显示全局残差模块的作用，我们进行了比较研究。没有全局残差模块的ST-3DPlus是ST-3DPlus退化版本，在退化版本上增加全局残差模块个数来验证其实用性。从图4可以看出，没有全局残差模块的模型效果最差，RMSE的值是5.14。添加一层全局残差模块，RMSE的值是4.9，下降了0.24。添加两层全局残差模块，RMSE的值继续下降到4.81。当添加三层全局残差模块，RMSE的值有所上升到4.9。相对于没有考虑全局相关性的模型，提出的全局残差模块能够捕捉偏远地区人流的影响，能够达到更好的预测效果。当加深全局残差网络层数时，RMSE也会有所下降，可以看出适当加深网络也可以使模型达到更好的效果。

以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

Claims (4)

1.一种基于时空动态神经网络的城市人流预测方法，其特征在于，包括以下步骤：

步骤1：构建城市时空人流轨迹图，首先获取城市人流移动轨迹信息，对人流数据进行清洗；将城市按网格切分，间隔一个小时统计每个网格的进出人流量，将城市人流数据抽象成“图像帧”；然后把图像帧序列按时间序列拼接起来，调整维度到三维卷积神经网络要求的大小；

步骤2：训练神经网络，在上述城市时空人流网格图基础上，首先使用三维卷积神经网络模型对时间维度和空间维度同时进行卷积，捕获人群的流动性特征和时空上的异质性；然后用全连神经网络和卷积神经网络相结合的模块捕获距离该地区较远的地区人流对这个地区的影响，并用残差解决梯度爆炸问题；最后用二维卷积神经网络将模型进行融合，利用反向传播技术，不断优化参数，提升模型的效果；

步骤3：生成预测结果，将要预测时刻的前一段时刻的人流张量矩阵输入到训练好的神经网络中，生成所在区域预测时刻的人流张量；将预测值和真实值进行对比，观察模型的好坏。

2.如权利要求1所述的基于时空动态神经网络的城市人流预测方法，其特征在于，在步骤S1中，其构建和计算方法如下：

以城市人流移动轨迹信息提供的数据作为分析对象，将城市按照经纬度进行划分，得到N*M的网格，每隔一个小时对区域内的进出人流量数据进行统计，按时间序列构建城市区域人流进出数据集，城市人口区域满足短期和长期依赖特性，按时间依赖特性将序列切分成短期的和长期的“图片”，然后把“图片”调整成满足三维卷积神经网络要求的尺寸大小。

3.如权利要求1所述的基于时空动态神经网络的城市人流预测方法，其特征在于，在步骤S2中，其计算方法如下：

使用上一步构成的城市时空人流轨迹图训练卷积神经网络模型，该模型有两个输入：近期依赖子序列和远期依赖子序列，将近期和远期的时间序列经归一化操作分别压缩到[-1,1]区间，切分成训练集、验证集和测试集；

将训练集和验证集送入融合模型ST-3DPlus中，模型将近期子序列和远期子序列在时间维度上先融合，再将融合的序列传入到三维卷积模块中，将时间维度看成是第三维，三维卷积是对连续的图像进行卷积操作；

城市在某一时刻下切分成的所有网格集合可以看成是一个静态图像，三维卷积是通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用三维卷积核；

将经过三维卷积模块训练的结果传入残差卷积块，对全局空间维度进行卷积，捕捉每个网格人流对单个网格人流的影响，最后通过卷积操作融合模型。

4.如权利要求1所述的基于时空动态神经网络的城市人流预测方法，其特征在于，在步骤S3中，其计算方法为：

将上述测试集输入到训练好的城市人流预测的融合模型中，得到所述城市人流预测融合模型输出的城市未来人流流量预测结果。

Images