CN113641749A - 一种基于二部图的人口流动网络估计方法及系统 - Google Patents

一种基于二部图的人口流动网络估计方法及系统 Download PDF

Info

Publication number
CN113641749A
CN113641749A CN202110804652.0A CN202110804652A CN113641749A CN 113641749 A CN113641749 A CN 113641749A CN 202110804652 A CN202110804652 A CN 202110804652A CN 113641749 A CN113641749 A CN 113641749A
Authority
CN
China
Prior art keywords
network
region
star
total number
bipartite graph
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.)
Granted
Application number
CN202110804652.0A
Other languages
English (en)
Other versions
CN113641749B (zh
Inventor
赵城利
李征艳
张雪
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110804652.0A priority Critical patent/CN113641749B/zh
Priority claimed from CN202110804652.0A external-priority patent/CN113641749B/zh
Publication of CN113641749A publication Critical patent/CN113641749A/zh
Application granted granted Critical
Publication of CN113641749B publication Critical patent/CN113641749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于二部图的人口流动网络估计方法及系统。方法包括S1、将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络，迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络；S2、根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络；S3、根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数；S4、根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络。本发明具有操作简单、可解释性强等特点，能够为大规模流行病预测建模、交通规划和城市吸引力评估等应用领域提供理论支撑。

Description

一种基于二部图的人口流动网络估计方法及系统
技术领域
本发明涉及人口流动性研究技术领域，更具体地说，特别涉及一种基于二部图的人口流动网络估计方法及系统。
背景技术
人口流动网络是指由于个体的空间位置变化而形成的某范围内所有地区间的人口耦合关系体系，它关注的是地区之间人口转移的流量和概率。具体来说，人口流动网络是由节点和连边构成的一种网络结构，节点通常是指人口流动网络中的地理区域，连边表示这些地区之间的人口流动。连边权重是人口流动网络最重要的信息之一，人口流动网络的连边权重一般由某段时间内两个地区间的总迁移人次表示。估计人口流动网络的连边权重等网络结构信息是研究人口流动的核心问题，真实准确的人口流动网络对于研究公共卫生、经济发展等社会问题具有重要实践意义。现有的研究方法倾向于构建某种空间相互作用模型，然后使用历史经验数据拟合模型进而估算人口流动网络结构信息，可以参见文献Riley S,Ea Mes K,Isham V,et al.Five challenges for spatial epidemic models[J]. Epidemics,2015,10:68-71。
然而，空间相互模型，如引力模型、辐射模型等，非常依赖人口流动的统计调查数据，对于缺少人口流动性统计数据的地域，则无法建立相适应的模型估计人口流动网络。另外，这类模型的拟合准确度受空间划分尺度的影响较大，难以保证在统一尺度下大规模人口流动模式估计结果的准确性。因此，现有方法很难估计得到一个大范围的动态的人口流动网络来反映真实的人类社会。
随着智能手机等移动设备的广泛普及和信息存储技术的快速发展，记载人类个体社会活动的信息被收集汇总为海量数据，在生物学、社会科学等领域展现了巨大的应用价值，参见文献Lazer D,Pentland A,Adamic L,et al.Computational Social Science[J].Science,2009,323(1):721-723。近年来，一些大型互联网公司对用户定位信息的匿名汇总数据进行分析，开发出了迁徙比例、人口流动性指数等大数据产品。当前，利用成熟的大数据产品和先进的计算能力估计人口流动网络已成为计算社会科学领域的重要研究方向之一。
网络科学被定义为“研究物理、生物和社会现象的网络表征，从而得出这些现象的预测模型”。网络研究作为分析复杂关系型数据的一种手段，在计算社会科学领域的运用愈发广泛，现已成为研究分析社会结构最为高效适用的工具。随着网络科学理论的不断发展，许多网络模型算法被开发并应用于大数据主题的研究工作中。当前，已有不少研究工作证明了网络科学理论方法在研究人口流动的模式特征和动态变化方面具有可行性。
发明内容
本发明的目的在于提供一种基于二部图的人口流动网络估计方法，以克服现有技术所存在的缺陷。
为了达到上述目的，本发明采用的技术方案如下：
一种基于二部图的人口流动网络估计方法，包括以下步骤：
S1、将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络，迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络；
S2、根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络；
S3、根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数；
S4、根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络。
进一步地，在步骤S1生成迁入和迁出星型结构网络时，将所有地区编码排序并抽象为网络节点，对于每个地区生成一个迁入星型结构网络和一个迁出星型结构网。
进一步地，所述步骤S2中，对应每个地区生成两个网络节点，其中一个网络节点的状态量表示迁入总人数，另一个网络节点的状态量表示迁出总人数，通过星型结构网络的拓扑信息判断任意两个地区对应的节点是否存在连边关系以生成二部图网络。
进一步地，所述步骤S3中在估算所有地区的迁入和迁出总人数时，使用真实的航班运行数据结合交通方式比例数据给出的某一地区到另一地区的旅行各种交通方式的比例，得到某一地区到另一地区的迁徙人数，使用平均数比估计方法估算某一地区的迁出总人数，再应用广度优先遍历算法估算二部图网络上所有节点的状态量，得到所有地区的迁入迁出总人数。
进一步地，在步骤S4中得到人口流动网络时，由星型结构网络确定人口流动网络的连边情况，由迁入迁出总人数得到每条连边的权重。
本发明还提供一种用于实现上述的基于二部图的人口流动网络估计方法的系统，包括：
转化模块，用于将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络，迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络；
二部图网络模块，用于根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络；
第一计算模块，用于根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数；
第二计算模块，用于根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络；
所述转化模块、二部图网络模块、第一计算模块和第二计算模块依次连接。
与现有技术相比，本发明的优点在于：
1、本发明主要使用移动设备大数据产品，同时引入了真实的航班运行数据，这些数据可以在专业的相关平台获取，摆脱了人口迁徙流量统计数据匮乏带来的限制。通过综合运用大数据产品，得到的人口流动网络估计结果准确度更高，更符合真实情况。
2、本发明基于现有的信息和数据存储技术，在持续动态地收集相关大数据产品的情况下，可以估计最近时期的人口流动网络，并且可以对网络结构信息进行不断更新，在一定程度上更符合公共卫生、交通规划等领域对人口流动网络的应用需求。
3、本发明提出将迁徙比例数据转化为星型结构网络，根据星型结构网络的拓扑关系生成估算每个地区迁徙总人数的二部图网络，将数据表示为网络结构信息使得数据的提取使用更加方便灵活，同时结合网络科学理论方法，可以通过简单的程序代码实现，计算复杂度较低。
4、本发明生成的二部图网络蕴含了各个地区迁徙总人数的推算关系，通过输入局部地区的迁徙人数估算全局的迁徙人数，保证了估算结果的数据一致性。同时，在估算初始输入的局部地区迁徙人数时使用了统计学中的比估计方法，进一步减小了估计过程中产生的误差。
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为本发明提出的基于二部图的人口流动网络估计方法的流程图。
图2为本发明中生成的迁入和迁出星型结构网络的示意图。
图3为本发明中生成的估算所有地区迁入迁出总量的二部图网络的示意图。
图4为利用本发明估计得到的人口流动网络和相关结果的示意图，图4a显示了春节期间中国地级区域的人员流动网络，图4b描绘了2020年1月10个城市的净流出人数 (出发人口减去到达人口)的变化，图4c显示了个人出行距离的密度分布。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1所示，本实施例公开了一种基于二部图的人口流动网络估计方法，包括以下步骤：
S1、对所有的地区进行编码排序，按顺序将每个地区的将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络、即
Figure RE-GDA0003298864380000041
和
Figure RE-GDA0003298864380000042
迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络。
具体来说，迁徙比例数据给出了研究范围内某一尺度的所有行政区域的迁入该地区的前m位的来源地区和迁出该地区的人数前m位的目的地区，以及相应路线上迁徙人数占该地区迁入或迁出总人数的比例。对于每一个地区，将其作为星型结构网络的中心节点，数据中的m个迁徙来源(或目的)地区作为其他节点直接与中心节点相连，连边权重为相应路线上的迁徙人数占该地区迁入(或迁出)总人数的比例，即得到该地区的迁入(或迁出)星型结构网络。遍历迁徙比例数据给出的所有地区并生成相应的星型结构网络，进而按照编码先后顺序得到迁入星型结构网络序列
Figure RE-GDA0003298864380000043
和迁出星型结构网络序列
Figure RE-GDA0003298864380000044
本实施例中，迁入星型结构网络序列
Figure RE-GDA0003298864380000045
可以表示为
Figure RE-GDA0003298864380000046
其中
Figure RE-GDA0003298864380000047
表示星型结构网络的节点集，包含中心节点vn及其m个邻居节点；
Figure RE-GDA0003298864380000048
表示星型结构网络的边集，包含m条指向中心节点vn的加权有向边；N表示人口流动网路中地区节点的数量。同样的，迁出星型结构网络序列
Figure RE-GDA0003298864380000049
可以表示为
Figure RE-GDA00032988643800000410
图2给出一个迁入和迁出星型结构网络序列的示意图。
本实施例中的迁徙比例数据可以选用现有技术，例如百度迁徙大数据。
步骤S2、根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络。
对于任意两个地区i和j，定义
Figure RE-GDA00032988643800000411
表示从地区i迁出到地区j的人口数，
Figure RE-GDA00032988643800000412
表示地区j由地区i迁入的人口数，显然存在以下迁徙人数守恒关系：
Figure RE-GDA0003298864380000051
假设由步骤①生成的地区i的迁出星型结构网络中存在邻居节点j，连边权重即迁徙比例为
Figure RE-GDA0003298864380000052
同时地区j的迁入星型结构网络中存在邻居节点i，连边权重即迁徙比例为
Figure RE-GDA0003298864380000053
由此可以得到迁徙守恒等式：
Figure RE-GDA0003298864380000054
其中
Figure RE-GDA0003298864380000055
表示地区i的迁出总人数，
Figure RE-GDA0003298864380000056
表示地区j的迁入总人数，nij表示迁徙路线上i→j的人流量。由迁徙守恒方程可知，若已知
Figure RE-GDA0003298864380000057
则可估算出
Figure RE-GDA0003298864380000058
类似于信息在网络上的传递，本实施例搭建迁徙总人数估算网络，由一个地区的迁徙总人数估算所有地区的迁徙总人数。
在二部图网络中，对应每一个地区，生成两个网络节点，例如地区i，可生成得到节点iout和iin。相应地，iin表示地区i的迁入总人数估算节点，其状态量为
Figure RE-GDA0003298864380000059
iout表示地区i的迁出总人数估算节点，其状态量为
Figure RE-GDA00032988643800000510
二部图网络的连边关系可通过步骤S1生成的迁入迁出星型结构网络的结构信息判断。具体来说，若在地区i的迁出星型结构网络中存在邻居节点j，同时地区j的迁入星型结构网络中存在邻居节点i，则节点iout与jin存在连边关系。
遍历所有的星型结构网络连边关系，得到估算所有地区迁入迁出总人数的二部图网络 G＝(Vin，Vout，E，如图3所示。其中Vin＝{iin，jin，…}表示所有地区的迁入总人数估算节点集，Vout＝{iout，jout，…表示所有地区的迁出总人数估算节点集，E表示二部图网络的连边集。
步骤S3、根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数。
为估算所有地区的迁入迁出总人数，需要在迁徙总人数估算网络G中引入某一节点的初始状态量，即输入该地区的迁入或迁出总人数。假设引入初始状态量的地区为i。根据航班运行数据，我们可以得到地区i到地区j的航空旅客数量
Figure RE-GDA00032988643800000511
结合交通方式比例数据给出的地区i到地区j旅行各种交通方式的比例，如地区i到地区j的航空旅客占比
Figure RE-GDA00032988643800000512
可以估算得到地区i到地区j的迁徙人数：
Figure RE-GDA0003298864380000061
根据上面介绍的估计方法，可以估计得到地区i多条迁出路线上的迁徙人数。由于各路线上估计得到的迁徙人数nij与迁徙比例
Figure RE-GDA0003298864380000062
存在正比例关系：
Figure RE-GDA0003298864380000063
使用平均数比估计方法估算地区i的迁出总人数，即：
Figure RE-GDA0003298864380000064
估算出地区i的迁出总人数后，在迁徙总人数估算网络G上应用广度优先遍历算法，该算法为现有技术，可参见文献【Broder A,Kumar R,Maghoul F,et al.Graphstructure in the Web[J].Computer Networks,2000.】，根据迁徙守恒方程
Figure RE-GDA0003298864380000065
最终估算得到所有地区的迁入和迁出总人数。
步骤S4、根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络。
根据步骤S3估算出所有地区的迁入迁出总人数后，对每个地区结合迁徙比例数据估算其在每条迁徙路线上的人流量，搭建研究范围内所有地区的人口流动网络 GT＝(V，ET)，其中V为地区节点集，ET为地区间迁徙路线集，有向边
Figure RE-GDA0003298864380000066
表示在日期T地区i与地区j之间存在人口流动，其权重
Figure RE-GDA0003298864380000067
表示在在日期T由地区i迁往地区j 的人数。
具体来说，首先使用所有地区的迁出总人数估计结果，如对于地区i，遍历其在日期 T的迁出星型网络邻居节点，对于其迁出邻居节点j，估算迁徙流量
Figure RE-GDA0003298864380000068
同时在人口流动网络GT中连接边
Figure RE-GDA0003298864380000069
连边权重
Figure RE-GDA00032988643800000610
然后，使用所有地区的迁入总人数估计结果，如对于地区i，遍历其迁入星型网络邻居节点，对于其迁入邻居节点j，若流动网络中不存在边
Figure RE-GDA00032988643800000611
则估算流动人数
Figure RE-GDA00032988643800000612
同时在人口流动网络GT中生成边
Figure RE-GDA00032988643800000613
连边权重
Figure RE-GDA00032988643800000614
对于无法估算迁徙人数的路线，设定此路线上的流动人数为0，由此，最终得到人口流动网络GT。
本发明还提供一种用于实现上述的基于二部图的人口流动网络估计方法的系统，包括：转化模块，用于将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络，迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络；二部图网络模块，用于根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络；第一计算模块，用于根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数；第二计算模块，用于根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络；转化模块、二部图网络模块、第一计算模块和第二计算模块依次连接。
下面通过估计真实的人口流动网络对本发明做进一步验证。
图4为利用本发明对百度迁徙大数据、腾讯位置大数据和飞常准航班运行数据进行分析处理，得到的中国人口流动网络估计结果。图4a显示了春节期间中国地级区域的人员流动网络。可以使用Rosvall和Bergstrom提出的infomap算法对这个人类移动网络进行简单的社区划分，该步骤采用的是现有技术，可以参考文献【Rosvall M,Bergstrom CT.Maps of Random Walks on Complex Networks Reveal Community Structure[J].Proceedings of the National Academy of Sciences 2008；105(4):1118-23.】。
结果显示，属于同一个省的地区通常被划分为同一个网络社区，这说明中国人更倾向于到其出生省份的地区旅行。图4b描绘了2020年1月10个城市的净流出人数(出发人口减去到达人口)的变化。选择流出人口排名前5的城市和流入人口排名前5的城市，每条线代表一个城市。从该图中可以明显看出，春运期间，大城市以人口外流为主，尤其是高峰期(小年到春节)，数百万人离开每天。春节过后，形势逆转，人们开始返回这些大城市工作。但由于出行限制，规模明显小于春节期间。图4c显示了个人出行距离的密度分布。显然，人类出行以短途和中途出行为主，绝大多数出行发生在100公里以内。此外，春节旅游高峰期(浅色曲线)的平均出行距离略大于日常出行(深色曲线)，这可能是因为春节期间，更多的务工人员返回偏远的家乡。
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (6)

1.一种基于二部图的人口流动网络估计方法，其特征在于，包括以下步骤：
S1、将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络，迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络；
S2、根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络；
S3、根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数；
S4、根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络。
2.根据权利要求1所述的基于二部图的人口流动网络估计方法，其特征在于，在步骤S1生成迁入和迁出星型结构网络时，将所有地区编码排序并抽象为网络节点，对于每个地区生成一个迁入星型结构网络和一个迁出星型结构网。
3.根据权利要求1所述的基于二部图的人口流动网络估计方法，其特征在于，所述步骤S2中，对应每个地区生成两个网络节点，其中一个网络节点的状态量表示迁入总人数，另一个网络节点的状态量表示迁出总人数，通过星型结构网络的拓扑信息判断任意两个地区对应的节点是否存在连边关系以生成二部图网络。
4.根据权利要求1所述的基于二部图的人口流动网络估计方法，其特征在于，所述步骤S3中在估算所有地区的迁入和迁出总人数时，使用真实的航班运行数据结合交通方式比例数据给出的某一地区到另一地区的旅行各种交通方式的比例，得到某一地区到另一地区的迁徙人数，使用平均数比估计方法估算某一地区的迁出总人数，再应用广度优先遍历算法估算二部图网络上所有节点的状态量，得到所有地区的迁入迁出总人数。
5.根据权利要求1所述的基于二部图的人口流动网络估计方法，其特征在于，在步骤S4中得到人口流动网络时，由星型结构网络确定人口流动网络的连边情况，由迁入迁出总人数得到每条连边的权重。
6.一种用于实现权利要求1-5任意一项所述的基于二部图的人口流动网络估计方法的系统，其特征在于，包括：
转化模块，用于将迁徙比例数据转化为每个地区的迁入和迁出星型结构网络，迁入和迁出星型结构网络是指以该地区为中心节点，其他地区节点只存在一条连接到该中心节点的网络；
二部图网络模块，用于根据地区间迁入和迁出人数的守恒关系由星型结构网络得到各地区迁徙总人数的二部图网络；
第一计算模块，用于根据航班运行数据和交通方式比例数据计算得到某一地区的迁入或迁出总人数，进而计算出所有地区的迁入和迁出总人数；
第二计算模块，用于根据星型结构网络计算得到所有迁徙线路上的人流量得到人口流动网络；
所述转化模块、二部图网络模块、第一计算模块和第二计算模块依次连接。
CN202110804652.0A 2021-07-16 一种基于二部图的人口流动网络估计方法及系统 Active CN113641749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110804652.0A CN113641749B (zh) 2021-07-16 一种基于二部图的人口流动网络估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110804652.0A CN113641749B (zh) 2021-07-16 一种基于二部图的人口流动网络估计方法及系统

Publications (2)

Publication Number Publication Date
CN113641749A true CN113641749A (zh) 2021-11-12
CN113641749B CN113641749B (zh) 2024-06-07

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221766A (zh) * 2022-06-15 2022-10-21 南京大学 一种改进辐射模型的跨境人口流动模拟方法
CN115862888A (zh) * 2023-02-17 2023-03-28 之江实验室 传染病感染情况预测方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030012168A1 (en) * 2001-07-03 2003-01-16 Jeremy Elson Low-latency multi-hop ad hoc wireless network
CN110895543A (zh) * 2018-08-24 2020-03-20 百度在线网络技术（北京）有限公司 人口迁徙跟踪展示方法、装置及存储介质
CN111553566A (zh) * 2020-04-10 2020-08-18 东莞市城建规划设计院 一种城市公共服务设施服务范围的界定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030012168A1 (en) * 2001-07-03 2003-01-16 Jeremy Elson Low-latency multi-hop ad hoc wireless network
CN110895543A (zh) * 2018-08-24 2020-03-20 百度在线网络技术（北京）有限公司 人口迁徙跟踪展示方法、装置及存储介质
CN111553566A (zh) * 2020-04-10 2020-08-18 东莞市城建规划设计院 一种城市公共服务设施服务范围的界定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘金虎: "社会化网络的结构、演化和应用研究", 中国博士学位论文全文数据库 信息科技辑, pages 139 - 1 *
李婷: "出行模态推荐的联合表征学习技术研究", 中国优秀硕士学位论文全文数据库信息科技辑, 15 January 2021 (2021-01-15), pages 138 - 2464 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221766A (zh) * 2022-06-15 2022-10-21 南京大学 一种改进辐射模型的跨境人口流动模拟方法
CN115221766B (zh) * 2022-06-15 2024-05-07 南京大学 一种改进辐射模型的跨境人口流动模拟方法
CN115862888A (zh) * 2023-02-17 2023-03-28 之江实验室 传染病感染情况预测方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
Liu et al. Contextualized spatial–temporal network for taxi origin-destination demand prediction
Xiao et al. Demand prediction for a public bike sharing program based on spatio-temporal graph convolutional networks
Li et al. Real-time GIS for smart cities
CN113077090B (zh) 客流预测方法、系统及计算机可读存储介质
CN107563803B (zh) 一种基于耗费距离栅格的商圈划分方法
CN107241512A (zh) 基于手机数据的城际交通出行方式判断方法和设备
Zhao et al. Predicting taxi and uber demand in cities: Approaching the limit of predictability
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
Pang et al. Development of people mass movement simulation framework based on reinforcement learning
Zhang et al. Modeling and analysis of bus weighted complex network in Qingdao city based on dynamic travel time
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
Bandt et al. Building a spatial decision support system for tourism and infrastructure planning: Τechnical solution and data integration challenges
WO2024103770A1 (zh) 空间划分方法、装置及存储介质
Wu et al. Urban Traffic Planning and Traffic Flow Prediction based on ulchis gravity model and Dijkstra algorithm
Qiu et al. RPSBPT: A route planning scheme with best profit for taxi
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN113298314A (zh) 一种考虑动态时空相关性的轨道交通客流预测方法
Yang et al. MGSTCN: A multi-graph spatio-temporal convolutional network for metro passenger flow prediction
CN112287503A (zh) 用于交通需求预测的动态空间网络构建方法
CN109583708B (zh) 多智能体微观交通配流模型的建立方法
CN113641749A (zh) 一种基于二部图的人口流动网络估计方法及系统
CN113641749B (zh) 一种基于二部图的人口流动网络估计方法及系统
Yang et al. Short‐Term Forecasting of Dockless Bike‐Sharing Demand with the Built Environment and Weather
CN115345354A (zh) 基于超图深度网络的城市多方式交通超网络态势预测方法
CN111581318B (zh) 一种共享单车骑行目的推断方法、装置及存储介质

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