CN112418508B - 基于物理空间与社交网络空间交互的人口分布预测方法 - Google Patents
基于物理空间与社交网络空间交互的人口分布预测方法 Download PDFInfo
- Publication number
- CN112418508B CN112418508B CN202011299580.0A CN202011299580A CN112418508B CN 112418508 B CN112418508 B CN 112418508B CN 202011299580 A CN202011299580 A CN 202011299580A CN 112418508 B CN112418508 B CN 112418508B
- Authority
- CN
- China
- Prior art keywords
- interaction
- matrix
- space
- data
- social network
- 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
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 225
- 238000009826 distribution Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 192
- 230000004927 fusion Effects 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005192 partition Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
Abstract
本发明公开了基于物理空间与社交网络空间交互的人口分布预测方法,所述方法包括:获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;根据所述预处理数据,生成空间交互融合矩阵;根据所述空间交互融合矩阵,生成人口分布预测模型;根据所述人口分布预测模型,得到人口分布预测数据。本发明实施例提出的人口分布预测方法同时考虑了物理空间与社交网络空间的交互,能够更加准确的预测精细时空尺度精细时空尺度人口分布数据。
Description
技术领域
本发明涉及城市规划和地理学技术领域,尤其涉及的是基于物理空间与社交网络空间交互的人口分布预测方法。
背景技术
地理空间单元上的人口数量变化是人类在空间上移动的宏观体现,与社会经济发展息息相关。人口分布统计数据广泛应用于城市规划、道路交通、环境保护、医疗卫生等领域。掌握精细时空尺度城市人口密度的动态变化,探索城市人口移动特征及其演化规律,可为城市用地规划与交通规划、公共安全事件风险评估与应急指挥、商业选址与广告投放等提供重要的决策依据。这使得精细尺度人口分布预测研究成为诸多基于位置服务应用的必要前提条件。
目前人口分布预测方法存在以下两方面不足。其一,现有人口分布统计通常被汇总到传统空间单元类型中,例如街道小区、行政区、交通分析区等。这些统计单元空间分布的异质性与现有主流机器学习模型要求的规则化的模型输入之间的矛盾,使得模型难以学习人口分布变化的空间模式,且不同类型空间统计单元之间的转换会导致可变面元问题(Modifiable Areal Unit Problem,MAUP)。其二,不同空间单元之间在社交网络空间上的联系可以帮助解释人类移动行为,尤其是周期性移动行为。同时,这种反向因果关系可以促进社区联系的形成。这意味着社交网络空间上的联系,尤其是通话行为,可能会影响人口分布的变化。现有的人口分布预测方法主要关注物理空间上的交互作用或时间模式上的活动强度序列,忽略了社交网络空间交互对人口分布的影响。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供基于物理空间与社交网络空间交互的人口分布预测方法,旨在解决现有技术中人口分布预测方法主要关注于物理空间上的交互作用或活动强度序列的时间模式上,忽略了社交网络空间交互对人口分布的影响的问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于物理空间与社交网络空间交互的人口分布预测的方法,其中,所述方法包括:
获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;
根据所述预处理数据,生成空间交互融合矩阵;
根据所述空间交互融合矩阵,生成人口分布预测模型;
根据所述人口分布预测模型,得到人口分布预测数据。
在一种实现方式中,其中,所述对所述历史精细时空尺度人口数据进行预处理,得到预处理数据包括:
对所述历史精细时空尺度人口数据进行特征值提取,得到物理空间交互强度指标数据和社交网络空间交互强度指标数据;
基于人口数据空间化技术对所述历史精细时空尺度人口数据进行城市空间分区处理,得到城市空间分区标号。
在一种实现方式中,其中,所述根据所述预处理数据,生成空间交互融合矩阵包括:
将划分后的城市空间两两分组,分别记录两个城市空间对应的所述物理空间交互强度指标数据,并依据城市空间分区标号进行行列向量排列,生成物理空间交互矩阵;
将划分后的城市空间两两分组,分别记录两个城市空间对应的所述社交网络空间交互强度指标数据,并依据城市空间分区标号进行行列向量排列,生成社交网络空间交互矩阵;
根据所述物理空间交互矩阵和所述社交网络空间交互矩阵,生成空间交互融合矩阵。
在一种实现方式中,其中,所述根据所述物理空间交互矩阵和所述社交网络空间交互矩阵,生成空间交互融合矩阵包括:
对所述物理空间交互矩阵进行归一化运算,得到归一化物理空间交互矩阵;
对所述社交网络空间交互矩阵进行归一化运算,得到归一化社交网络空间交互矩阵;
对所述归一化物理空间交互矩阵和所述归一化社交网络空间交互矩阵进行加权求和,得到空间交互融合矩阵。
在一种实现方式中,其中,所述对所述物理空间交互矩阵进行归一化运算,得到归一化物理空间交互矩阵包括:
对所述物理空间交互矩阵进行二进制转换处理得到物理空间邻接矩阵;
对所述物理空间邻接矩阵进行归一化运算,得到归一化物理空间交互矩阵。
在一种实现方式中,其中,所述对所述社交网络空间交互矩阵进行归一化运算,得到归一化社交网络空间交互矩阵包括:
对所述社交网络空间交互矩阵进行二进制转换处理得到社交网络空间邻接矩阵;
对所述社交网络空间邻接矩阵进行归一化运算,得到归一化社交网络空间交互矩阵。
在一种实现方式中,其中,所述根据所述空间交互融合矩阵,生成人口分布预测模型包括:
将所述历史精细时空尺度人口数据和所述空间交互融合矩阵输入到建模模型,得到建模模型输出数据;
将所述建模模型输出数据重新输入到所述建模模型进行训练迭代;
重复所述将所述建模模型输出数据重新输入到所述建模模型进行训练迭代的步骤,直至建模模型输出数据满足预设要求时,停止训练迭代,得到人口分布预测模型。
在一种实现方式中,其中,所述根据所述人口分布预测模型,得到人口分布预测数据包括:
获取实时精细时空尺度人口数据;
将所述实时精细时空尺度人口数据输入到所述人口分布预测模型,得到人口分布预测数据。
第二方面,本发明实施例还提供一种基于物理空间与社交网络空间交互的人口分布预测装置,所述装置包括:
预处理数据获取单元,用于获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;
空间交互融合矩阵获取单元,用于根据所述预处理数据,生成空间交互融合矩阵;
人口分布预测模型生成单元,用于根据所述空间交互融合矩阵,生成人口分布预测模型;
人口分布预测数据获取单元,用于根据所述人口分布预测模型,得到人口分布预测数据。
第三方面,本发明实施例还提供一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于物理空间与社交网络空间交互的人口分布预测方法。
第四方面,本发明实施例还提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上述中任意一项所述的基于物理空间与社交网络空间交互的人口分布预测方法。
本发明的有益效果:本发明实施例首先获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;然后根据所述预处理数据,生成空间交互融合矩阵;接着根据所述空间交互融合矩阵,生成人口分布预测模型;最后根据所述人口分布预测模型,得到人口分布预测数据;可见,本发明实施例中提出的人口分布预测方法同时考虑了物理空间与社交网络空间的交互,能够更加准确的预测精细时空尺度人口分布数据。
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,下面描述中的附图仅仅是本发明中记载的一些实施例,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本发明实施例提供基于物理空间与社交网络空间交互的人口分布预测方法流程示意图。
图2本发明实施例提供的基于物理空间与社交网络空间交互的人口分布预测装置的原理框图。
图3本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了基于物理空间与社交网络空间交互的人口分布预测方法、智能终端、存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
由于现有技术中人口分布预测方法存在以下两方面不足。其一,现有人口分布统计通常被汇总到传统空间单元类型中,例如街道小区、行政区、交通分析区等。这些统计单元空间分布的异质性与现有主流机器学习模型要求的规则化的模型输入之间的矛盾,使得模型难以学习人口分布变化的空间模式,且不同类型空间统计单元之间的转换会导致可变面元问题(Modifiable Areal Unit Problem,MAUP)。其二,不同空间单元之间在社交网络空间上的联系可以帮助解释人类移动行为,尤其是周期性移动行为。同时,这种反向因果关系可以促进社区联系的形成。这意味着社交网络空间上的联系,尤其是通话行为,可能会影响人口分布的变化。现有的人口分布预测方法主要关注于物理空间上的交互作用或时间模式上活动强度序列,忽略了社交网络空间交互对人口分布的影响。
为了解决现有技术的问题,本发明实施例提供了一种基于物理空间与社交网络空间交互的人口分布预测方法,方法弥补了传统方法中空间单元分布异质性与主流机器学习模型对规则化模型输入之间的冲突,并综合考虑物理空间和社交网络空间交互对人口分布的影响,有效提升了城市精细时空粒度人口分布预测准确度。本发明实施例为把握人类移动行为规律提供技术手段,从而为短时交通预测、流行病学调查等应用提供实质性数据支持。同时,本发明实施例也可以为人类移动行为特征和群体行为规律等社会学研究提供方法支持,帮助理解城市环境与人类活动之间的复杂关系,进而提升路径优化、个性化推荐等基于位置的服务质量,使智慧城市更具“置”慧。在本实施例中,先获取历史精细时空尺度人口数据,为了方便后续数据的输入,接着对所述历史精细时空尺度人口数据进行预处理,得到预处理数据。然后所述预处理数据就可以转换成空间交互融合矩阵,空间交互融合矩阵是为训练模型做准备的,故根据所述空间交互融合矩阵,便可以生成人口分布预测模型,有了人口分布预测模型后就可以得到人口分布预测数据。
举例说明
以上海的城市规划为例,上海市共有214个街道乡镇级行政单元(以下简称为街道小区),如陆家嘴街道、五角场街道、外滩街道等,根据时间范围和空间分区,通过手机数据源,得到上海市内214个行政单元手机用户数分布,再基于人口普查数据,拟合手机用户数与人口数之间关系,构建上海历史精细时空尺度数据。然后对上海历史精细时空尺度数据进行预处理,得到预处理数据。由于实际中,上海市中214个行政单元之间是会有交互关系的,因此,根据所述预处理数据,生成空间交互融合矩阵,生成的空间交互融合矩阵包含了上海市214个行政单元之间的物理空间交互和社交网络空间交互,再利用空间交互融合矩阵就可以生成人口分布预测模型,根据人口分布预测模型,就可以得到人口分布预测数据,如得到的人口分布预测数据:陆家嘴街道明日10点的人口数为17.81万人,11点人口数为18.28万人;五角场街道明日10点的人口数为16.34万人,11点人口数为16.79万人等。依据人口预测结果,可以为提升公共交通出行效率、动态调整社会服务资源等应用提供帮助;基于同样的原理,本发明实施例可以实现空间分区更为精细的人口分布预测,如预测500米范围格网内或某一居民小区人口分布变化情况;也可以实现不同时间粒度的人口分布预测,如预测某小区30分钟后的人口数量。由于时空粒度更小,对极端气候事件,流行病控制和交通管理更加具有指导意义。
示例性方法
本实施例提供基于物理空间与社交网络空间交互的人口分布预测方法,该方法可以应用于城市规划和地理学领域。具体如图1所示,所述方法包括如下步骤:
步骤S100、获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;
实际中,要得到人口分布预测数据,需要基于模型训练,而对模型训练需要样本数据,因此,在一种实现方式中,需要先获取历史精细时空尺度人口数据。现有人口分布统计通常被汇总到传统空间单元类型中,这些统计单元空间分布的异质性与现有主流机器学习模型要求的规则化的模型输入之间的矛盾,使得模型难以学习人口分布变化的空间模式,且不同类型空间统计单元之间的转换会导致可变面元问题,因此,需要对历史精细时空尺度人口数据进行预处理,以便得到预处理数据。
为了得到预处理数据,所述对所述历史精细时空尺度人口数据进行预处理,得到预处理数据包括如下步骤:
步骤S101、对所述历史精细时空尺度人口数据进行特征值提取,得到物理空间交互强度指标数据和社交网络空间交互强度指标数据;
步骤S102、基于人口数据空间化技术对所述历史精细时空尺度人口数据进行城市空间分区处理,得到城市空间分区标号。
具体地,对所述历史精细时空尺度人口数据进行特征值提取,分别获取物理空间交互强度指标数据和社交网络空间交互强度指标数据,例如:区域间距离、人流量、通话量、短信发送量、社交媒体文本交互数。需要说明的是,空间交互强度要素不限于上述所罗列要素,可以根据需要进行扩充。然后基于人口数据空间化技术对所述历史精细时空尺度人口数据进行城市空间分区,人口数据空间化技术指的是在一定时间点上人口在特定地域中的分布状况所隐含的空间信息。可选用的空间分区包括但不限于街道小区、交通分析小区、规则格网等。在本实施例中,城市空间分区以街道小区为例,物理空间交互强度指标数据以人流量为例,社交网络空间交互强度指标数据以通话量为例。
本实施例提供基于物理空间与社交网络空间交互的人口分布预测方法,该方法可以应用于城市规划和地理学领域。具体如图1所示,所述方法包括如下步骤:
步骤S200、根据所述预处理数据,生成空间交互融合矩阵;
实际中,当获取到预处理数据后,将地理单元间复杂的空间关系表达为图模型是建模城市区域间空间交互对人口分布影响的关键步骤。构建的图模型应该能够表达节点之间的关系。连接强度较高的节点对应具有较高的边权重。为了量化空间交互强度与人口空间分布之间的关系,本发明实施例以物理空间交互强度指标数据(地理单元间历史人流量)和社交网络空间交互强度指标数据(地理单元间历史通话频次)来构建算法的图模型,从而生成空间交互融合矩阵。
为了生成空间交互融合矩阵,所述根据所述预处理数据,生成空间交互融合矩阵包括如下步骤:
步骤S201、将划分后的城市空间两两分组,分别记录两个城市空间对应的所述物理空间交互强度指标数据,并依据城市空间分区标号进行行列向量排列,生成物理空间交互矩阵;
步骤S202、将划分后的城市空间两两分组,分别记录两个城市空间对应的所述社交网络空间交互强度指标数据,并依据城市空间分区标号进行行列向量排列,生成社交网络空间交互矩阵;
步骤S203、根据所述物理空间交互矩阵和所述社交网络空间交互矩阵,生成空间交互融合矩阵。
实际中,将划分后的城市空间进行两两分组,然后记录两两分组后每组城市空间对应的物理空间交互强度指标数据和社交网络空间交互强度指标数据,并根据城市空间分区标号对物理空间交互强度指标数据和社交网络空间交互强度指标数据进行行列向量排列,生成物理空间交互矩阵和社交网络空间交互矩阵。在本实施例中,如将上海的街道小区陆家嘴街道和五角场街道分为一组,将外滩街道和天平路街道分为一组,依次类推,将上海的所有街道小区进行两两分组,然后记录陆家嘴街道和五角场街道之间的历史人流量和历史通话频次,外滩街道和天平路街道之间的历史人流量和历史通话频次,并根据街道小区分区标号i,j(i代表陆家嘴街道,外滩街道等,j代表五角场街道,天平路街道等),对从陆家嘴街道到五角场街道,从外滩街道到天平路街道等的历史人流量和历史通话频次按照行列向量排列规律生成物理空间交互阵和社交网络空间交互矩阵。由于本发明实施例是根据物理空间和社交网络空间来预测人口分布数据,故要结合前述两个交互矩阵生成空间交互融合矩阵。例如:首先,构建物理空间交互矩阵。物理空间交互强度指标数据是人口分布变化的直接原因,两地理单元间物理空间交互强度指标数据量越多,说明两地理单元的人口分布变化关联越紧密,在本实施例中,物理空间交互强度指标数据量为人口流动量,实际中物理空间交互强度指标数据还可以为区域间距离,在此不做限制。因此,地理单元间物理空间上人流量是描述人口分布变化模式的重要因素。本发明实施例依据地理单元间历史人流量,构建物理空间移动交互图GM用以建模人口分布变化空间模式。其中,人流量矩阵由手机数据轨迹推断生成,当同一用户相邻两条记录所在位置不同则识别为街道小区间的一次移动,Movei,j代表两个街道小区i,j之间汇总后的历史人流量。
然后,构建社交网络空间交互矩阵。人类社交网络行为,尤其是通话行为,有助于解释人类在物理空间上的移动行为,从而影响人口分布。社交网络空间交互强度指标数据越频繁,说明地理单元之间人口分布变化关联越紧密,在本实施例中,社交网络空间交互强度指标数据为通话数,实际中社交网络空间交互强度指标数据还可以为短信发送量、社交媒体文本交互数等,在此不做限制。在本实施例中,算法依据地理单元间历史通话数,构建社交网络空间交互图GS用以建模人口分布变化空间模式。其中,所在地理单元间不同的两个用户之间的一次通话识别为两街道小区在社交网络空间上的一次交互,Calli,j代表两个街道小区i,j之间汇总后的历史通话量。
然后根据物理空间交互矩阵和社交网络空间交互矩阵,生成空间交互融合矩阵。
为了得到空间交互融合矩阵,所述根据所述物理空间交互矩阵和所述社交网络空间交互矩阵,生成空间交互融合矩阵包括如下操作:对所述物理空间交互矩阵进行归一化运算,得到归一化物理空间交互矩阵;对所述社交网络空间交互矩阵进行归一化运算,得到归一化社交网络空间交互矩阵;对所述归一化物理空间交互矩阵和所述归一化社交网络空间交互矩阵进行加权求和,得到空间交互融合矩阵。
具体地,要分别将所述物理空间交互矩阵和所述社交网络空间交互矩阵都进行归一化运算,先将物理空间交互矩阵和所述社交网络空间交互矩阵都抽象成两个图模型,然后对两个图模型进行归一化得到两个归一化的单一类型空间交互矩阵:归一化物理空间交互矩阵和归一化社交网络空间交互矩阵。在本实施例中,根据归一化物理空间交互矩阵和归一化社交网络空间交互矩阵生成结果,将两个单一类型空间交互矩阵(物理空间对应的对称归一化拉普拉斯矩阵和以社交网络空间对应的对称归一化拉普拉斯矩阵)转换为具有相同维度和相同值域的特征矩阵,为综合考虑物理空间交互与社交网络空间交互对人口分布影响,算法通过在元素级别上对各个特征矩阵的加权求和来生成空间交互融合矩阵,用以综合考虑物理空间交互与社交网络空间交互对应的不同图模型的特征。实际应用时,由于物理空间交互强度指标数据可以采用人口流动量和区域间距离等指标,社交网络空间交互强度指标数据可以采用通话数、短信发送量、社交媒体文本交互数等指标,因此,可以将多个单一类型空间交互矩阵生成空间交互融合矩阵。为了使加权求和结果依然保持标准化,算法将各特征矩阵权重之和定义为1,空间交互融合公式定义如下:
其中,F代表空间交互融合矩阵,N代表待融合的空间交互融合矩阵数(在本实施例中为N值为2,实际中N可以是2个以上),Li代表第i个对称归一化拉普拉斯特征矩阵(在本实施例中对称归一化拉普拉斯特征矩阵包括物理空间空间对应的对称归一化拉普拉斯矩阵和社交网络空间对应的对称归一化拉普拉斯矩阵,实际中可以为多个),Wi代表矩阵对应权重。
为了得到归一化物理空间交互矩阵,所述对所述物理空间交互矩阵进行归一化运算,得到归一化物理空间交互矩阵包括如下操作:对所述物理空间交互矩阵进行二进制转换处理得到物理空间邻接矩阵;对所述物理空间邻接矩阵进行归一化运算,得到归一化物理空间交互矩阵。
具体地,先将物理空间交互矩阵抽象成一个物理空间图模型,然后将物理空间图模型转换成适合图卷积模型输入的特征矩阵,不同图模型之间的边权重存在数量级差异,因此,在卷积之前,应对物理空间图模型进行归一化。算法采用对称归一化的拉普拉斯矩阵对各类型交互矩阵进行归一化。算法首先将构造的物理空间图模型G转换为邻接矩阵A。由于算法在生成的物理空间图模型中的边权重值是连续变量,因此,需要通过设置阈值将其转换为二进制变量以生成邻接矩阵。其中,满足物理空间图模型设置阈值的值将转换为1,用以表示相邻,而未满足的值将转换为0,以表示不相邻。然后,算法通过将邻接矩阵A的每列元素相加,并将求和值放在对角线上(其他位置为零)来计算度矩阵D。最后,依据邻接矩阵和度矩阵计算结果,物理空间图模型对应的对称归一化拉普拉斯矩阵可以定义如下:
L=I-D-0.5AD-0.5
其中,L代表物理空间空间对应的对称归一化拉普拉斯矩阵,也即归一化物理空间交互矩阵,I代表单位矩阵,A代表邻接矩阵,D代表度矩阵。
为了得到归一化社交网络空间交互矩阵,所述对所述社交网络空间交互矩阵进行归一化运算,得到归一化社交网络空间交互矩阵包括如下操作:对所述社交网络空间交互矩阵进行二进制转换处理得到社交网络空间邻接矩阵;对所述社交网络空间邻接矩阵进行归一化运算,得到归一化社交网络空间交互矩阵。
具体地,先将社交网络空间交互矩阵抽象成一个社交网络空间图模型,然后将社交网络空间图模型转换成适合图卷积模型输入的特征矩阵,不同图模型之间的边权重存在数量级差异,因此,在卷积之前,应对社交网络空间图模型进行归一化。算法采用对称归一化的拉普拉斯矩阵对社交网络空间交互矩阵进行归一化。算法首先将构造的社交网络空间图模型G’转换为邻接矩阵A’。由于算法中生成的社交网络空间图模型中的边权重值是连续变量,因此,需要通过设置阈值将其转换为二进制变量,以生成邻接矩阵。其中满足社交网络空间图模型设置阈值的值将转换为1,用以表示相邻,而未满足的值将转换为0,以表示不相邻。然后,算法通过将邻接矩阵A’的每列元素相加并将求和值放在对角线上(其他位置为零)来计算度矩阵D’。最后,依据邻接矩阵和度矩阵计算结果,社交网络空间图模型对应的对称归一化拉普拉斯矩阵可以定义如下:
L’=I’-D’-0.5A’D’-0.5
其中,L’代表社交网络空间对应的对称归一化拉普拉斯矩阵,也即归一化社交网络空间交互矩阵,I’代表单位矩阵,A’代表邻接矩阵,D’代表度矩阵。
本实施例提供基于物理空间与社交网络空间交互的人口分布预测方法,该方法可以应用于城市规划和地理学领域。具体如图1所示,所述方法包括如下步骤:
步骤S300、根据所述空间交互融合矩阵,生成人口分布预测模型;
具体地,模型从空间交互模式和人口变化时间模式两个角度预测人口分布变化。故可以根据基于物理空间和社交网络空间的空间交互融合矩阵,生成人口分布预测模型;人口分布预测模型主要由两个部分组成:由图卷积模型为核心的模块用于模拟人口分布变化的空间模式,以及由长短时记忆神经网络为核心的编码-解码模块用以模拟人口分布变化的趋势性和周期性。
为了得到人口分布预测模型,所述根据所述空间交互融合矩阵,生成人口分布预测模型包括如下步骤:
步骤S301、将所述历史精细时空尺度人口数据和所述空间交互融合矩阵输入到建模模型,得到建模模型输出数据;
步骤S302、将所述建模模型输出数据重新输入到所述建模模型进行训练迭代;
步骤S303、重复所述将所述建模模型输出数据重新输入到所述建模模型进行训练迭代的步骤,直至建模模型输出数据满足预设要求时,停止训练迭代,得到人口分布预测模型。
具体地,将前述已经得到的历史精细时空尺度人口数据和所述空间交互融合矩阵输入到建模模型,建模模型就会输出建模模型输出数据,实际中会将建模模型输出数据重新输入到建模模型进行训练迭代,重复上述步骤,直至建模模型输出数据满足预设要求时,也即建模模型输出数据和实际样本输出数据的均方误差值小于预设值,则说明建模模型训练成功,则停止训练迭代,得到人口分布预测模型。在本实施例中,建模模型由两个部分组成:由图卷积模型为核心的模块用于模拟人口分布变化的空间模式,以及由长短时记忆神经网络为核心的编码-解码模块用以模拟人口分布变化的趋势性和周期性。具体步骤如下:
(1)建模人口变化的空间模式。方法采用图卷积模型建模人口变化空间模式,以当前时刻历史精细时空尺度人口数据和空间交互融合矩阵用作图卷积模块的输入。其公式如下所示:
(2)建模人口变化的时间模式。方法以时间模式的长短时记忆网络建模人口变化,以空间模式建模结果矩阵作为长短时记忆神经网络的输入。其公式如下所示:
其中,ft,it,ot分别代表遗忘层、输入层、输出层,Ct代表细胞状态,代表候选值,Wf,Wi,Wc,Wo分别代表对应层权重矩阵,bf,bi,bc,bo代表对应层残差,H(l+1)为空间模式建模结果矩阵,ht为人口分布预测结果。
本发明实施例提供基于物理空间与社交网络空间交互的人口分布预测方法,该方法可以应用于城市规划和地理学领域。具体如图1所示,所述方法包括如下步骤:
步骤400、根据所述人口分布预测模型,得到人口分布预测数据。
具体地,可以根据得到的人口分布预测模型,将数据源输入到人口分布预测模型,就可以得到人口分布预测数据。例如:根据前面得到的上海市历史精细时空尺度人口数据和前面训练成功的人口分布预测模型,就可以得到上海市人口分布预测数据,这样就可以根据这些数据规划上海市城市规划、道路交通、环境保护、医疗卫生等。
为了得到人口分布预测数据,所述根据所述人口分布预测模型,得到人口分布预测数据包括如下步骤:
步骤401、获取实时精细时空尺度人口数据;
步骤402、将所述实时精细时空尺度人口数据输入到所述人口分布预测模型,得到人口分布预测数据。
在本实施例中,先获取实时精细时空尺度人口数据,将实时精细时空尺度人口数据输入到人口分布预测模型,就可以得到实际的人口分布预测数据。例如,将上海市实时精细时空尺度人口数据输入到所述人口分布预测模型,就可以得到得到上海市街道小区的人口分布预测数据:陆家嘴街道明日10点的人口数为17.81万人,11点人口数为18.28万人;五角场街道明日10点的人口数为16.34万人,11点人口数为16.79万人等。依据人口预测结果,可以为提升公共交通出行效率、动态调整社会服务资源等应用提供帮助;基于同样的原理,本发明实施例可以实现空间分区更为精细的人口分布预测,如预测500米范围格网内或某一居民小区人口分布变化情况;也可以实现不同时间粒度的人口分布预测,如预测某小区30分钟后的人口数量。由于时空粒度更小,对极端气候事件,流行病控制和交通管理更加具有指导意义。
示例性设备
如图2中所示,本发明实施例提供一种基于物理空间与社交网络空间交互的人口分布预测装置,该装置包括预处理数据获取单元501,空间交互融合矩阵获取单元502,人口分布预测模型生成单元503,人口分布预测数据获取单元504,其中:
预处理数据获取单元501,用于获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;
空间交互融合矩阵获取单元502,用于根据所述预处理数据,生成空间交互融合矩阵;
人口分布预测模型生成单元503,用于根据所述空间交互融合矩阵,生成人口分布预测模型;
人口分布预测数据获取单元504,用于根据所述人口分布预测模型,得到人口分布预测数据。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图3所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于物理空间与社交网络空间交互的人口分布预测方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图3中的原理图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令:
获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;
根据所述预处理数据,生成空间交互融合矩阵;
根据所述空间交互融合矩阵,生成人口分布预测模型;
根据所述人口分布预测模型,得到人口分布预测数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了基于物理空间与社交网络空间交互的人口分布预测方法、智能终端、存储介质,所述方法包括:获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;根据所述预处理数据,生成空间交互融合矩阵;根据所述空间交互融合矩阵,生成人口分布预测模型;根据所述人口分布预测模型,得到人口分布预测数据。本发明实施例提出的人口分布预测方法同时考虑了物理空间与社交网络空间的交互,能够更加准确的预测人口分布数据。
应当理解的是,本发明公开了一种基于物理空间与社交网络空间交互的人口分布预测方法,应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于物理空间与社交网络空间交互的人口分布预测方法,其特征在于,所述方法包括:
获取历史精细时空尺度人口数据,并对所述历史精细时空尺度人口数据进行预处理,得到预处理数据;其中,所述对所述历史精细时空尺度人口数据进行预处理,得到预处理数据包括:
对所述历史精细时空尺度人口数据进行特征值提取,得到物理空间交互强度指标数据和社交网络空间交互强度指标数据;
基于人口数据空间化技术对所述历史精细时空尺度人口数据进行城市空间分区处理,得到城市空间分区标号;
根据所述预处理数据,生成空间交互融合矩阵;其中,所述根据所述预处理数据,生成空间交互融合矩阵包括:
将划分后的城市空间两两分组,分别记录两个城市空间对应的所述物理空间交互强度指标数据,并依据城市空间分区标号进行行列向量排列,生成物理空间交互矩阵;
将划分后的城市空间两两分组,分别记录两个城市空间对应的所述社交网络空间交互强度指标数据,并依据城市空间分区标号进行行列向量排列,生成社交网络空间交互矩阵;
根据所述物理空间交互矩阵和所述社交网络空间交互矩阵,生成空间交互融合矩阵;
根据所述空间交互融合矩阵,生成人口分布预测模型;
根据所述人口分布预测模型,得到人口分布预测数据。
2.根据权利要求1所述的基于物理空间与社交网络空间交互的人口分布预测方法,其特征在于,所述根据所述物理空间交互矩阵和所述社交网络空间交互矩阵,生成空间交互融合矩阵包括:
对所述物理空间交互矩阵进行归一化运算,得到归一化物理空间交互矩阵;
对所述社交网络空间交互矩阵进行归一化运算,得到归一化社交网络空间交互矩阵;
对所述归一化物理空间交互矩阵和所述归一化社交网络空间交互矩阵进行加权求和,得到空间交互融合矩阵。
3.根据权利要求2所述的基于物理空间与社交网络空间交互的人口分布预测方法,其特征在于,所述对所述物理空间交互矩阵进行归一化运算,得到归一化物理空间交互矩阵包括:
对所述物理空间交互矩阵进行二进制转换处理得到物理空间邻接矩阵;
对所述物理空间邻接矩阵进行归一化运算,得到归一化物理空间交互矩阵。
4.根据权利要求3所述的基于物理空间与社交网络空间交互的人口分布预测方法,其特征在于,所述对所述社交网络空间交互矩阵进行归一化运算,得到归一化社交网络空间交互矩阵包括:
对所述社交网络空间交互矩阵进行二进制转换处理得到社交网络空间邻接矩阵;
对所述社交网络空间邻接矩阵进行归一化运算,得到归一化社交网络空间交互矩阵。
5.根据权利要求4所述的基于物理空间与社交网络空间交互的人口分布预测方法,其特征在于,所述根据所述空间交互融合矩阵,生成人口分布预测模型包括:
将所述历史精细时空尺度人口数据和所述空间交互融合矩阵输入到建模模型,得到建模模型输出数据;
将所述建模模型输出数据重新输入到所述建模模型进行训练迭代;
重复所述将所述建模模型输出数据重新输入到所述建模模型进行训练迭代的步骤,直至建模模型输出数据满足预设要求时,停止训练迭代,得到人口分布预测模型。
6.根据权利要求5所述的基于物理空间与社交网络空间交互的人口分布预测方法,其特征在于,所述根据所述人口分布预测模型,得到人口分布预测数据包括:
获取实时精细时空尺度人口数据;
将所述实时精细时空尺度人口数据输入到所述人口分布预测模型,得到人口分布预测数据。
7.一种智能终端,其特征在于,包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-6中任意一项所述的方法。
8.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1-6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299580.0A CN112418508B (zh) | 2020-11-19 | 2020-11-19 | 基于物理空间与社交网络空间交互的人口分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299580.0A CN112418508B (zh) | 2020-11-19 | 2020-11-19 | 基于物理空间与社交网络空间交互的人口分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418508A CN112418508A (zh) | 2021-02-26 |
CN112418508B true CN112418508B (zh) | 2021-10-08 |
Family
ID=74774164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299580.0A Active CN112418508B (zh) | 2020-11-19 | 2020-11-19 | 基于物理空间与社交网络空间交互的人口分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418508B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113723585A (zh) * | 2021-04-06 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 人口预测方法、装置、电子设备和存储介质 |
CN113935510B (zh) * | 2021-08-24 | 2022-05-31 | 深圳大学 | 一种人群分布预测方法、装置、设备及存储介质 |
CN117592599A (zh) * | 2023-11-10 | 2024-02-23 | 中交机电工程局有限公司 | 人流量预测系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 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 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2466526A1 (en) * | 2010-12-16 | 2012-06-20 | BAE Systems PLC | Predicting population distributions using measured values |
US20180330390A1 (en) * | 2011-05-27 | 2018-11-15 | Ashutosh Malaviya | Enhanced systems, processes, and user interfaces for targeted marketing associated with a population of assets |
CN107609682B (zh) * | 2017-08-22 | 2020-09-11 | 上海世脉信息科技有限公司 | 一种大数据环境下人口集聚中短期预警方法 |
CN108021980B (zh) * | 2017-12-15 | 2020-04-17 | 中国科学院地理科学与资源研究所 | 一种基于手机数据的精细尺度城市人群数量预测方法 |
KR101976189B1 (ko) * | 2018-06-07 | 2019-05-08 | 넥스엔정보기술(주) | 유동 인구의 분석 서비스 제공 방법 |
CN110070410A (zh) * | 2019-03-07 | 2019-07-30 | 特斯联(北京)科技有限公司 | 一种基于大数据的人口社交分析方法及系统 |
CN110046174B (zh) * | 2019-03-07 | 2020-01-31 | 特斯联(北京)科技有限公司 | 一种基于大数据的人口迁移分析方法和系统 |
CN110866649B (zh) * | 2019-11-19 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN111080501B (zh) * | 2019-12-06 | 2024-02-09 | 中国科学院大学 | 基于手机信令数据的真实人群密度时空分布估算方法 |
CN111932036B (zh) * | 2020-09-23 | 2021-01-08 | 中国科学院地理科学与资源研究所 | 基于位置大数据的精细时空尺度动态人口预测方法及系统 |
-
2020
- 2020-11-19 CN CN202011299580.0A patent/CN112418508B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112418508A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418508B (zh) | 基于物理空间与社交网络空间交互的人口分布预测方法 | |
Nutkiewicz et al. | Data-driven Urban Energy Simulation (DUE-S): A framework for integrating engineering simulation and machine learning methods in a multi-scale urban energy modeling workflow | |
Wang et al. | Deep learning for real time crime forecasting | |
Jiang et al. | Deepurbanmomentum: An online deep-learning system for short-term urban mobility prediction | |
Zheng et al. | Hybrid deep learning models for traffic prediction in large-scale road networks | |
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 | |
Zou et al. | Air quality prediction based on a spatiotemporal attention mechanism | |
Li et al. | A regionalization method for clustering and partitioning based on trajectories from NLP perspective | |
Liu et al. | Multilevel federated learning-based intelligent traffic flow forecasting for transportation network management | |
Rahman et al. | Data-driven traffic assignment: A novel approach for learning traffic flow patterns using graph convolutional neural network | |
Zhao et al. | LandSys II: Agent-based land use–forecast model with artificial neural networks and multiagent model | |
Farfán et al. | Improving the predictive skills of hydrological models using a combinatorial optimization algorithm and artificial neural networks | |
Liao et al. | MFGCN: a multimodal fusion graph convolutional network for online car-hailing demand prediction | |
Połap et al. | Energy consumption prediction model for smart homes via decentralized federated learning with LSTM | |
CN113935510B (zh) | 一种人群分布预测方法、装置、设备及存储介质 | |
Jia et al. | Fine-Grained Population Mobility Data-Based Community-Level COVID-19 Prediction Model | |
Carta et al. | Encoding social values of local communities in algorithmic-driven design methods | |
Chen et al. | Assessment of tropical cyclone disaster loss in Guangdong Province based on combined model | |
ABBAS | A survey of research into artificial neural networks for crime prediction | |
CN116910341A (zh) | 标签预测方法、装置及电子设备 | |
Wu et al. | Spatio‐temporal neural network for taxi demand prediction using multisource urban data | |
Liu et al. | Growth scale prediction of big data for information systems based on a deep learning SAEP method | |
Zeng et al. | An urban cellular automata model based on a spatiotemporal non-stationary neighborhood | |
Li et al. | Short‐Term IoT Data Forecast of Urban Public Bicycle Based on the DBSCAN‐TCN Model for Social Governance | |
CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 |
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 |