CN113642807A - 人口流动预测方法及相关装置 - Google Patents
人口流动预测方法及相关装置 Download PDFInfo
- Publication number
- CN113642807A CN113642807A CN202111018383.1A CN202111018383A CN113642807A CN 113642807 A CN113642807 A CN 113642807A CN 202111018383 A CN202111018383 A CN 202111018383A CN 113642807 A CN113642807 A CN 113642807A
- Authority
- CN
- China
- Prior art keywords
- areas
- flow
- population
- network
- correlation coefficient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000003068 static effect Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的人口流动预测方法及相关装置中，该数据处理设备获取多个区域之间的第一关联系数以及多个区域之间的第一预测流量；由于多个区域之间的第一关联系数与多个区域之间的第一预测流量一一对应，因此，使用该第一关联系数对第一预测量进行校正，获得第二预测流量，由此，通过引入表示多个区域之间的流动趋势的第一关联系数，以达到提高人流预测精度的目的。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种人口流动预测方法及相关装置。
背景技术
城市区域间人群流动预测已经称为城市计算领域重要研究方向之一，准确的对区域间人群流量进行预测，能够为城市管理者提前合理分配城市资源、优化市民出行体验提供有效决策支持。
然而，发明人研究发现，目前的人口流动预测方法多基于人口流动因素进行预测，未考虑城市区域之间存在的关联关系。
发明内容
为了克服现有技术中的至少一个不足，本申请提供一种人口流动方法及相关装置，包括：
第一方面，本实施了提供一种人口流动预测方法，应用于数据处理设备，所述方法包括：
获取多个区域之间的第一关联系数；
获取所述多个区域之间的第一预测流量，其中，所述多个区域之间的第一关联系数与所述多个区域之间的第一预测流量一一对应；
根据所述多个区域之间的第一关联系数校正所述多个区域之间的第一预测流量，获得所述多个区域之间的第二预测流量。
第二方面，本实施了提供一种人口流动预测装置，应用于数据处理设备，所述人口流动预测装置包括：
获取模块，用于获取多个区域之间的第一关联系数；
所述获取模块，还用于获取所述多个区域之间的第一预测流量，其中，所述多个区域之间的第一关联系数与所述多个区域之间的第一预测流量一一对应；
预测模块，用于根据所述多个区域之间的第一关联系数校正所述多个区域之间的第一预测流量，获得所述多个区域之间的第二预测流量。
第三方面，本实施了提供一种数据处理设备，所述数据处理设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的人口流动预测方法。
第四方面，本实施了提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的人口流动预测方法。
第五方面，本实施了提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，实现所述的人口流动预测方法。
相对于现有技术而言，本申请具有以下有益效果：
本实施例提供的人口流动预测方法及相关装置中，该数据处理设备获取多个区域之间的第一关联系数以及多个区域之间的第一预测流量；由于多个区域之间的第一关联系数与多个区域之间的第一预测流量一一对应，因此，使用该第一关联系数对第一预测量进行校正，获得第二预测流量，由此，通过引入表示多个区域之间的流动趋势的第一关联系数，以达到提高人流预测精度的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的数据处理设备的硬件结构；
图2为本申请实施例提供的人口流动预测方法的流程图；
图3为本申请实施例提供的区域示意图；
图4为本申请实施例提供的人口流动预测装置的示意图。
图标：120-存储器；130-处理器；140-通信单元；301-获取模块；302-预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
研究发现，目前的人口流动预测方法多基于人口流动因素进行预测，其中，该人口流动因素包括区域经济因素、环境因素、气候因素等。即先构建人口流动因素与流动人口之间的映射关系，然后，获取多个区域各自当前的人口流动因素，通过该映射关系预测未来预设时段内多个区域之间的人口流量。
然而，上述相关技术，未考虑多个区域之间的关联关系，其预测精度有待进一步提高。鉴于此，为了克服上述至少一个问题，本实例提供一种应用于数据处理设备的人口流动预测方法。该方法中，数据处理设备获取多个区域之间的第一预测流量，然后，使用多个区域之间的关联系数对第一预测流量进行校正，获得更为准确的第二预测流量。
其中，在一些实施方式中，该数据处理设别可以是服务器。例如，Web(网站)服务器、FTP(File Transfer Protocol，文件传输协议)服务器、数据处理服务器等。此外，该服务器可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器相对于用户终端，可以是本地的、也可以是远程的。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(Community Cloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等，或者它们的任意组合。在一些实施例中，服务器可以在具有一个或多个组件的电子设备上实现。
该数据处理设备的硬件结构可以参见图1，包括存储器120、处理器130、通信单元140。其中，该存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，该存储器120可以是，但不限于，随机存取存储器(RandomAccess Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器120用于存储程序，该处理器130在接收到执行指令后，执行该程序。
该通信单元140用于通过网络收发数据。网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(LocalArea Network，LAN)、广域网(WideArea Network，WAN)、无线局域网(Wireless LocalArea Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(NearField Communication，NFC)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
该处理器130可能是一种集成电路芯片，具有信号的处理能力，并且，该处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，上述处理器可以包括中央处理单元(CentralProcessing Unit，CPU)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(DigitalSignalProcessor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
基于上述关于数据处理设备的相关介绍，下面结合图2对该方法极性详细阐述。如图2所示，该人口流动预测方法包括：
S101，获取多个区域之间的第一关联系数。
作为一种可选的实施方式，数据处理设备配置有预先训练的流动预测模型，流动预测模型包括空间关联网络，用于计算该第一关联系数。
相应的实施方式中，该数据处理设备获取多个区域之间的静态关联系数以及动态关联系数，通过空间关联网络对静态关联系数以及动态关联系数进行处理，获得第一关联系数。
即本实施例中，多个区域之间的关联关系包括静态关联关系以及动态关联关系；而静态关联关系表示多个区域之间的空间距离关系，动态关联关系多个区域之间的人口流动关系。
为例便于本领域技术人员实施本方案，下面结合图3对静态关联关系以及动态关联关系进行示例性说明。假定上述多个区域分别为图3中的区域A、区域B、区域C、区域D，并且，区域A与区域B、区域C在地域上相邻；区域B与区域C、区域D在地域上相邻，区域D与区域B、区域C在地域上相邻。本实施例中，将地域相邻的两区域用1进行标识，反之用0进行标识，得到上述4个区域之间的静态关联关系，具体详情可以参见表1：
表1
考虑到虽然地域相邻的两区域具有较大的概率存在较大的人流量，但不能反应两个区域之间的人口流动方向，并且，地域不相邻的两区域之间，同样可能存在较大的人流量。因此，本实施例在静态关联关系的基础上引入动态关联关系作为补充。
又由于本实施例是基于当前周期，预测下一周期多个区域之间的人流量，因此，该数据处理设备获取当前周期下，多个区域之间的实际人流数据；并将其进行归一化处理后，获得该动态关联关系。
继续以上述区域A、区域B、区域C、区域D为例，相应的动态关联关系可以参见表2：
表2
数据处理设备将表1与表2作为向量拼接在一起，输入到空间关联网络进行处理，其输出则为多个区域之间的第一关联系数。示例性，上述区域A、区域B、区域C、区域D之间的第一关联系数可以参见表3：
表3
其中，区域A与区域B之间的第一关联系数为1.3，区域A与区域D之间的第一关联系数为0.3。因此，通过该表格，可以看出“区域A->区域B”的人口流动趋势高于“区域A->区域D”的人口流动趋势。
S102，获取多个区域之间的第一预测流量。
发明人研究发现，城市区域间人群流动受不同区域发展及功能性差异的影响，同时受到季节性城市间人口流动(例如，大学生寒暑假、农民工务农返乡等)、气象因素等影响。因此，作为一种可选的实施方式，流动预测模型还包括人口流动网络，用于基于人口流动因素计算第一预测量。
相应的实施方式中，该数据处理设备获取多个区域各自的人口流动因素；通过人口流动网络对人口流动因素进行处理，获得第一预测流量。其中，人口流动因素包括区域经济因素、区域气候因素、区域环境因素。
由于该第一关联系数表示多个区域之间的人口流动趋势，并且，多个区域之间的第一关联系数与多个区域之间的第一预测流量一一对应，因此，该数据处理设备可以通过执行步骤S103对第一预测流量进行校正，获得更为准确的第二预测流量。
S103，根据多个区域之间的第一关联系数校正多个区域之间的第一预测流量，获得多个区域之间的第二预测流量。
示例性的，继续以上述区域A、区域B、区域C、区域D为例。假定区域A与区域B第一预测流量为100人，而表3显示区域A与区域B之间的第一关联系数为1.3，则显示区域A与区域B之间的第二预测量为100*1.3＝130。
基于上述设计，该数据处理设备获取多个区域之间的第一关联系数以及多个区域之间的第一预测流量；由于多个区域之间的第一关联系数与多个区域之间的第一预测流量一一对应，因此，使用该第一关联系数对第一预测量进行校正，获得第二预测流量，由此，通过引入表示多个区域之间的流动趋势的第一关联系数，以达到提高人流预测精度的目的。
该流动预测模型通过样本数据对神经网络进行训练获得，因此，为了便于本领域技术人员实施本方案，还提供有相应的训练方式。
在相应的实施方式中，该数据处理设备获取待训练的神经网络模型，然后，该数据处理设备获取样本数据，执行至少一次模型训练流程，直到满足预设收敛条件时，获得流动预测模型。
其中，样本数据包括多个区域的静态关联样本、动态关联样本以及流动因素样本，待训练的神经网络模型包括第一网络以及第二网络，而第一网络经上述样本数据进行训练后，获得空间关联网络；第二网络经上述样本数据进行训练后，获得人口流动网络。相应的模型训练流程，包括：
S201，通过第一网络处理静态关联样本以及动态关联样本，获得第二关联系数。
而应该理解的是，为了便于区分流动预测模型的使用阶段以及训练阶段，将样本数据中的静态关联关系称为静态关联样本，将其中的动态关联关系称为动态关联样本；将第一网络在训练期间输出的关联系数称为第二关联系数。其中，在一些实施方式中，第一网络可以选取卷积神经网络。例如，该卷积神经网络可以是动态图卷局网络(Dynamic GraphConvolutional)。
并且，动态关联样本通过对多个区域之间的历史人流量进行计算获得。在一些可选的实施方式中，该数据处理设备可以统计用户终端与基站之间的信令信息，获得该历史人流量。
其中，该用户终端可以是，但不限于，移动终端、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动终端可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(PersonalDigitalAssistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。
S202，通过第二网络处理流动因素样本，获得多个区域之间的第三预测流量。
同样值得说明的是，为了便于区分流动预测模型的使用阶段以及训练阶段，将样本数据中的人口流动因数称为流动因素样本；将第二网络在训练期间输出的预测流量，称为第三预测流量。
而作为可选的实施方式，第二网络可以选取LSTM(Long Short-Term Memory，长短期记忆网络)网络。考虑到训练LSTM网络需要样本序列，则流动因素样本可以是将历史人口流动因素按照预设周期划分成的多个样本序列。例如，以一个月为周期，将一年的历史人口流动因素划分成12个样本序列。
此外，本实施例为了衡量预测流量与实际流量之间的差异，还将实际流量进行了归一化处理，将其压缩到[0，1]的取值范围，同理，第三预测流量随归一化处理后的结果，其取值范围位于[0，1]。
S203，根据第二关联系数校正第三预测流量，获得第四预测流量。
S204，根据第四预测流量与实际流量之间的差异，调整神经网络模型的模型参数。
作为可选的实施方式，可以选取MSE函数作为本实施例中的损失函数，并以反向梯度传播算法的方式，调整神经网络模型，直到满足预设收敛条件时，将训练后的神经网络模型作为流动预测模型。
基于与人口流动预测方法相同的发明构思，本实施例还提供有该方法的相关装置，包括：
本实施例还提供一种人口流动预测装置，应用于数据处理设备。其中，该人口流动预测装置包括至少一个可以软件形式存储于存储器中的功能模块。如图4所示，从功能上划分，人口流动预测装置包括：
获取模块301，用于获取多个区域之间的第一关联系数。
获取模块301，还用于获取多个区域之间的第一预测流量，其中，多个区域之间的第一关联系数与多个区域之间的第一预测流量一一对应。
本实施例中，该获取模块301用于实现图2中的步骤S101-S102，关于该获取模块301的详细描述，可以参见步骤S101-S102的详细描述。
预测模块302，用于根据多个区域之间的第一关联系数校正多个区域之间的第一预测流量，获得多个区域之间的第二预测流量。
本实施例中，该预测模块302用于实现图2中的步骤S103，关于该预测模块302的详细描述，可以参见步骤S103的详细描述。
作为可选的实施方式，数据处理设备配置有预先训练的流动预测模型，流动预测模型包括空间关联网络，获取模块301获取第一关联系数的方式，包括：
获取多个区域之间的静态关联系数以及动态关联系数，其中，静态关联系数表示多个区域之间的空间距离关系，动态关联系数具有表示多个区域之间的人口流动关系；
通过空间关联网络对静态关联系数以及动态关联系数进行处理，获得第一关联系数。
需要说明的是，该人口流动预测装置还可以包括其他软件功能模块，用于实现人口流动预测方法的其他步骤或者子步骤；当然，上述获取模块301以及预测模块302，同样可以用于实现该方法的其他步骤或者子步骤。本领域技术人员可以依据不同的模块划分标准进行适当调整，本实施例不做具体的限定。
本实施例还提供一种数据处理设备，数据处理设备包括处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时，实现该人口流动预测方法。
本实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，实现该人口流动预测方法。
本实施例还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，实现所述的人口流动预测方法。
综上所述，本申请实施例提供的人口流动预测方法及相关装置中，该数据处理设备获取多个区域之间的第一关联系数以及多个区域之间的第一预测流量；由于多个区域之间的第一关联系数与多个区域之间的第一预测流量一一对应，因此，使用该第一关联系数对第一预测量进行校正，获得第二预测流量，由此，通过引入表示多个区域之间的流动趋势的第一关联系数，以达到提高人流预测精度的目的。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请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)执行本申请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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种人口流动预测方法，其特征在于，应用于数据处理设备，所述方法包括：
获取多个区域之间的第一关联系数；
获取所述多个区域之间的第一预测流量，其中，所述多个区域之间的第一关联系数与所述多个区域之间的第一预测流量一一对应；
根据所述多个区域之间的第一关联系数校正所述多个区域之间的第一预测流量，获得所述多个区域之间的第二预测流量。
2.根据权利要求1所述的人口流动预测方法，其特征在于，所述数据处理设备配置有预先训练的流动预测模型，所述流动预测模型包括空间关联网络，所述获取多个区域之间的第一关联系数，包括：
获取所述多个区域之间的静态关联系数以及动态关联系数，其中，所述静态关联系数表示所述多个区域之间的空间距离关系，所述动态关联系数具有表示多个区域之间的人口流动关系；
通过所述空间关联网络对所述静态关联系数以及所述动态关联系数进行处理，获得所述第一关联系数。
3.根据权利要求2所述的人口流动预测方法，其特征在于，所述流动预测模型还包括人口流动网络，所述获取所述多个区域之间的第一预测流量，包括：
获取所述多个区域各自的人口流动因素；
通过所述人口流动网络对所述人口流动因素进行处理，获得所述第一预测流量。
4.根据权利要求3所述的人口流动预测方法，其特征在于，所述人口流动因素包括区域经济因素、区域气候因素、区域环境因素。
5.根据权利要求3所述的人口流动预测方法，其特征在于，所述方法还包括：
获取待训练的神经网络模型，其中，所述待训练的神经网络模型包括第一网络以及第二网络；
获取样本数据，其中，所述样本数据包括所述多个区域的静态关联样本、动态关联样本以及流动因素样本；
执行至少一次模型训练流程，直到满足预设收敛条件时，获得所述流动预测模型；其中，所述模型训练流程，包括：
通过所述第一网络处理所述静态关联样本以及所述动态关联样本，获得第二关联系数；
通过所述第二网络处理所述流动因素样本，获得所述多个区域之间的第三预测流量；
根据所述第二关联系数校正所述第三预测流量，获得第四预测流量；
根据所述第四预测流量与实际流量之间的差异，调整所述神经网络模型的模型参数。
6.一种人口流动预测装置，其特征在于，应用于数据处理设备，所述人口流动预测装置包括：
获取模块，用于获取多个区域之间的第一关联系数；
所述获取模块，还用于获取所述多个区域之间的第一预测流量，其中，所述多个区域之间的第一关联系数与所述多个区域之间的第一预测流量一一对应；
预测模块，用于根据所述多个区域之间的第一关联系数校正所述多个区域之间的第一预测流量，获得所述多个区域之间的第二预测流量。
7.根据权利要求6所述的人口流动预测装置，其特征在于，所述数据处理设备配置有预先训练的流动预测模型，所述流动预测模型包括空间关联网络，所述获取模块获取所述第一关联系数的方式，包括：
获取所述多个区域之间的静态关联系数以及动态关联系数，其中，所述静态关联系数表示所述多个区域之间的空间距离关系，所述动态关联系数具有表示多个区域之间的人口流动关系；
通过所述空间关联网络对所述静态关联系数以及所述动态关联系数进行处理，获得所述第一关联系数。
8.一种数据处理设备，其特征在于，所述数据处理设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，实现权利要求1-5任意一项所述的人口流动预测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-5任意一项所述的人口流动预测方法。
10.一种计算机程序产品，其特征在于，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，实现权利要求1-5任意一项所述的人口流动预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111018383.1A CN113642807B (zh) | 2021-09-01 | 2021-09-01 | 人口流动预测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111018383.1A CN113642807B (zh) | 2021-09-01 | 2021-09-01 | 人口流动预测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642807A true CN113642807A (zh) | 2021-11-12 |
| CN113642807B CN113642807B (zh) | 2022-04-12 |
Family
ID=78424749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111018383.1A Active CN113642807B (zh) | 2021-09-01 | 2021-09-01 | 人口流动预测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642807B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759350A (zh) * | 2022-10-25 | 2023-03-07 | 清华大学 | 一种数据稀疏区域的人口流动预测方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379388A1 (en) * | 2014-07-16 | 2016-12-29 | Digitalglobe, Inc. | System and method for combining geographical and economic data extracted from satellite imagery for use in predictive modeling |
| CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告（上海）有限公司 | 一种流量预测方法及装置、存储介质、终端 |
| 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 |
| CN110110025A (zh) * | 2019-04-30 | 2019-08-09 | 武汉大学 | 基于特征向量空间滤值的区域人口密度模拟方法 |
| CN110472771A (zh) * | 2019-07-09 | 2019-11-19 | 浙江墨煌信息科技有限公司 | 区域人口走向预测方法及其系统 |
| CN110704789A (zh) * | 2019-08-16 | 2020-01-17 | 重庆特斯联智慧科技股份有限公司 | 一种依托“城市超脑”计算平台的人口动态测算方法和系统 |
| CN110826786A (zh) * | 2019-10-28 | 2020-02-21 | 广州杰赛科技股份有限公司 | 目的地点人口数量的预测方法、装置及存储介质 |
| CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
| CN112465197A (zh) * | 2020-11-16 | 2021-03-09 | 浙江云合数据科技有限责任公司 | 区域人口数量的预测方法、装置、计算机设备及存储介质 |
| CN112639828A (zh) * | 2019-08-07 | 2021-04-09 | 华为技术有限公司 | 数据处理的方法、训练神经网络模型的方法及设备 |
| CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
-
2021
- 2021-09-01 CN CN202111018383.1A patent/CN113642807B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379388A1 (en) * | 2014-07-16 | 2016-12-29 | Digitalglobe, Inc. | System and method for combining geographical and economic data extracted from satellite imagery for use in predictive modeling |
| CN107832866A (zh) * | 2017-09-26 | 2018-03-23 | 晶赞广告（上海）有限公司 | 一种流量预测方法及装置、存储介质、终端 |
| 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 |
| CN110110025A (zh) * | 2019-04-30 | 2019-08-09 | 武汉大学 | 基于特征向量空间滤值的区域人口密度模拟方法 |
| CN110472771A (zh) * | 2019-07-09 | 2019-11-19 | 浙江墨煌信息科技有限公司 | 区域人口走向预测方法及其系统 |
| CN112639828A (zh) * | 2019-08-07 | 2021-04-09 | 华为技术有限公司 | 数据处理的方法、训练神经网络模型的方法及设备 |
| CN110704789A (zh) * | 2019-08-16 | 2020-01-17 | 重庆特斯联智慧科技股份有限公司 | 一种依托“城市超脑”计算平台的人口动态测算方法和系统 |
| CN110826786A (zh) * | 2019-10-28 | 2020-02-21 | 广州杰赛科技股份有限公司 | 目的地点人口数量的预测方法、装置及存储介质 |
| CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
| CN112465197A (zh) * | 2020-11-16 | 2021-03-09 | 浙江云合数据科技有限责任公司 | 区域人口数量的预测方法、装置、计算机设备及存储介质 |
| CN113240179A (zh) * | 2021-05-18 | 2021-08-10 | 重庆邮电大学 | 融合时空信息的轨道人流量预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| MILANESI, P.等: "Different habitat suitability models yield different least-cost path distances for landscape genetic analysis", 《BASIC AND APPLIED ECOLOGY》 * |
| 赵梓渝: "基于大数据的中国人口迁徙空间格局及其对城镇化影响研究", 《中国博士学位论文全文数据库 社会科学Ⅰ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759350A (zh) * | 2022-10-25 | 2023-03-07 | 清华大学 | 一种数据稀疏区域的人口流动预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642807B (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102840864B (zh) | 一种通过二维码实现定位导航的方法和装置 | |
| CN110008414B (zh) | 地理信息点的确定方法和装置 | |
| JP7175783B2 (ja) | 所定圏における滞在圏人口を推定するプログラム、装置及び方法 | |
| CN111651685A (zh) | 一种兴趣点获取方法、装置、电子设备及存储介质 | |
| CN102957997B (zh) | 一种基于地理位置的资源获取方法、装置及系统 | |
| CN109359170A (zh) | 用于生成信息的方法和装置 | |
| CN104821956B (zh) | 基于电子设备或应用的定位方法和装置 | |
| CN104599002B (zh) | 预测订单价值的方法及设备 | |
| CN109688532A (zh) | 一种划分城市功能区域的方法及装置 | |
| CN112069235A (zh) | 用于呈现目标区域人口数据的方法、设备和存储介质 | |
| CN113642807B (zh) | 人口流动预测方法及相关装置 | |
| CN112528169A (zh) | 用于导航的方法、装置、设备和计算机可读存储介质 | |
| JP6396686B2 (ja) | 行動判定装置、行動判定方法及びプログラム | |
| CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
| CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
| CN115988421A (zh) | 一种基于时间权重聚类的职住地估计方法及装置 | |
| CN112700073B (zh) | 公交线路规划方法和装置 | |
| CN114265912A (zh) | 驻留点生成方法及相关装置 | |
| EP3073460A1 (en) | Predicting the trajectory of mobile users | |
| Uno et al. | An evolutionary multi-agent based search method for stackelberg solutions of bilevel facility location problems | |
| CN115396819B (zh) | 驻留区域的尺寸确定方法及相关装置 | |
| WO2021022487A1 (en) | Systems and methods for determining an estimated time of arrival | |
| CN113127594B (zh) | 确定地理区域的组团数据的方法、计算设备和存储介质 | |
| CN115330069A (zh) | 信息处理方法及装置 | |
| CN110378502A (zh) | 辅助无人车确定路径的方法和装置 |
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 |