CN114239983A - 一种目标区域的人口流量预测方法及相关装置 - Google Patents
一种目标区域的人口流量预测方法及相关装置 Download PDFInfo
- Publication number
- CN114239983A CN114239983A CN202111584298.1A CN202111584298A CN114239983A CN 114239983 A CN114239983 A CN 114239983A CN 202111584298 A CN202111584298 A CN 202111584298A CN 114239983 A CN114239983 A CN 114239983A
- Authority
- CN
- China
- Prior art keywords
- preset
- population
- data set
- target area
- population data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003595 spectral effect Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 15
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Discrete Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种目标区域的人口流量预测方法及相关装置,方法包括:获取目标区域在预置时间段内的人口数据,得到初始人口数据集;基于预设聚类簇数,根据初始人口数据集进行谱聚类分析,得到聚类结果;以聚类结果的各个簇中心点为样本构建区域人口数据集;结合预置调参操作,根据区域人口数据集建立预置VAR模型,预置VAR模型采用预设最小二乘法优化求解;采用预置VAR模型对目标区域在目标时间段的人口流量进行预测操作,得到预测结果。本申请能够解决现有技术稳定性较差,且应用存在局限性,导致预测结果缺乏可靠性的技术问题。
Description
技术领域
本申请涉及人口流量估计技术领域,尤其涉及一种目标区域的人口流量预测方法及相关装置。
背景技术
人口数据,人口流动数据在当今大数据环境下显得尤为重要。许多以用户为核心的产业与需求需要时刻把握区域人口变化的趋势,比如某地区的人口数量往往与用能消耗量息息相关,对地区人口数量,人口流动的准确预测能够大大提高电网对用能高峰的应对能力,节省发电成本,产生更大的经济效益。
目前在区域人口预测方面,已经有许多探索。一部分研究使用了基于ARIMA算法,此类算法根据仅仅对该地区以往时刻人口量建模,预测该地区未来的人口量,在人口流动频繁,有突发事件情况下效果不佳。另一部分研究尝试使用了除人口数据外的其它数据,如手机GPS定位数据等,来帮助预测。此类算法需要收集大量其它相关数据,且预测结果不稳定,有局限性。
发明内容
本申请提供了一种目标区域的人口流量预测方法及相关装置,用于解决现有技术稳定性较差,且应用存在局限性,导致预测结果缺乏可靠性的技术问题。
有鉴于此,本申请第一方面提供了一种目标区域的人口流量预测方法,包括:
获取目标区域在预置时间段内的人口数据,得到初始人口数据集;
基于预设聚类簇数,根据所述初始人口数据集进行谱聚类分析,得到聚类结果;
以所述聚类结果的各个簇中心点为样本构建区域人口数据集;
结合预置调参操作,根据所述区域人口数据集建立预置VAR模型,所述预置VAR模型采用预设最小二乘法优化求解;
采用所述预置VAR模型对所述目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
优选地,所述获取目标区域在预置时间段内的人口数据,得到初始人口数据集,之后还包括:
对所述初始人口数据集中的人口数据的缺损值进行填充处理;
对所述初始人口数据集中的人口数据的异常值进行替换处理。
优选地,所述基于预设聚类簇数,根据所述初始人口数据集进行谱聚类分析,得到聚类结果,包括:
根据所述初始人口数据集构建人口变化量矩阵;
计算所述人口变化量矩阵对应的拉普拉斯矩阵,并进行标准化处理,得到标准拉普拉斯矩阵;
基于预设聚类簇数,根据所述标准拉普拉斯矩阵对应的特征向量矩阵进行K-means聚类,得到聚类结果。
优选地,所述结合预置调参操作,根据所述区域人口数据集建立预置VAR模型,所述预置VAR模型采用预设最小二乘法优化求解,包括:
根据所述区域人口数据集和预置模型阶数构建模型核心矩阵;
采用预设最小二乘法优化求解所述模型核心矩阵,得到模型解;
基于所述模型解对所述目标区域在特定时间段内的人口流量进行预测。
本申请第二方面提供了一种目标区域的人口流量预测装置,包括:
数据获取模块,用于获取目标区域在预置时间段内的人口数据,得到初始人口数据集;
聚类分析模块,用于基于预设聚类簇数,根据所述初始人口数据集进行谱聚类分析,得到聚类结果;
数据集构建模块,用于以所述聚类结果的各个簇中心点为样本构建区域人口数据集;
模型构建模块,用于结合预置调参操作,根据所述区域人口数据集建立预置VAR模型,所述预置VAR模型采用预设最小二乘法优化求解;
人口预测模块,用于采用所述预置VAR模型对所述目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
优选地,还包括:
预处理模块,用于对所述初始人口数据集中的人口数据的缺损值进行填充处理;
对所述初始人口数据集中的人口数据的异常值进行替换处理。
优选地,所述聚类分析模块,具体用于:
根据所述初始人口数据集构建人口变化量矩阵;
计算所述人口变化量矩阵对应的拉普拉斯矩阵,并进行标准化处理,得到标准拉普拉斯矩阵;
基于预设聚类簇数,根据所述标准拉普拉斯矩阵对应的特征向量矩阵进行K-means聚类,得到聚类结果。
优选地,所述模型构建模块,具体用于:
根据所述区域人口数据集和预置模型阶数构建模型核心矩阵;
采用预设最小二乘法优化求解所述模型核心矩阵,得到模型解;
基于所述模型解对所述目标区域在特定时间段内的人口流量进行预测。
本申请第三方面提供了一种目标区域的人口流量预测设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的目标区域的人口流量预测方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的目标区域的人口流量预测方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了一种目标区域的人口流量预测方法,包括:获取目标区域在预置时间段内的人口数据,得到初始人口数据集;基于预设聚类簇数,根据初始人口数据集进行谱聚类分析,得到聚类结果;以聚类结果的各个簇中心点为样本构建区域人口数据集;结合预置调参操作,根据区域人口数据集建立预置VAR模型,预置VAR模型采用预设最小二乘法优化求解;采用预置VAR模型对目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
本申请提供的目标区域的人口流量预测方法,采用构建的VAR模型进行人口流量预测,模型只针对输入的人口数据和输出的预测结果负责,不受外界环境变化的影响,稳定性较强,且能够适应多种不同的人口流量预测的要求,适用性较佳;而且VAR模型是根据处理后的具有表征性的区域人口数据集构建得到的,更加具有针对性,预测结果的准确性也较高。因此,本申请能够解决现有技术稳定性较差,且应用存在局限性,导致预测结果缺乏可靠性的技术问题。
附图说明
图1为本申请实施例提供的一种目标区域的人口流量预测方法的流程示意图;
图2为本申请实施例提供的一种目标区域的人口流量预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。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,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的一种目标区域的人口流量预测方法的实施例,包括:
步骤101、获取目标区域在预置时间段内的人口数据,得到初始人口数据集。
目标区域可以根据实际情况选取,预置时间段一般是过去时间段,或者过去至今的时间段,原理是通过对已经产生的人口流量预测未来时间的人口流量。可以理解,人口数据可以通过数据采集的手段得到,也可以通过其他的计算模拟方式得到,具体的不作限定。可以将此时得到的初始人口数据集记作X。
进一步地,步骤101,之后还包括:
对初始人口数据集中的人口数据的缺损值进行填充处理;
对初始人口数据集中的人口数据的异常值进行替换处理。
对人口数据进行填充和替换的预处理操作是为了减少数据集中的问题数据,提升数据质量,也能从数据根源处确保后续的数据分析处理结果的准确性和可靠性。
步骤102、基于预设聚类簇数,根据初始人口数据集进行谱聚类分析,得到聚类结果。
进一步地,步骤102,包括:
根据初始人口数据集构建人口变化量矩阵;
计算人口变化量矩阵对应的拉普拉斯矩阵,并进行标准化处理,得到标准拉普拉斯矩阵;
基于预设聚类簇数,根据标准拉普拉斯矩阵对应的特征向量矩阵进行K-means聚类分析,得到聚类结果。
步骤103、以聚类结果的各个簇中心点为样本构建区域人口数据集。
将初始人口数据集X进行复制,得到数据集Xcopy,依据相邻数据求差的方式构建人口变化量矩阵D:
其中,n为目标区域总数量,m为人口数据总维数,xnm为第n个目标区域第m维的人口数据。接着计算人口变化量矩阵D的拉普拉斯矩阵L,标准化后得到的标准拉普拉斯矩阵表示为标准拉普拉斯矩阵对应的特征向量矩阵V可以直接计算得到,预设聚类簇数设置为k,聚类结果为多个以簇中心点为中心的簇群,取簇中心作为样本,就可以构建出具有代表性的区域人口数据集
步骤104、结合预置调参操作,根据区域人口数据集建立预置VAR模型,预置VAR模型采用预设最小二乘法优化求解。
VAR模型即为向量自回归模型,VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。本实施例采用VAR模型进行人口流量预测能够获取到区域人口数据内在的关联关系,从而提升预测结果的准确性。
进一步地,步骤104,包括:
根据区域人口数据集和预置模型阶数构建模型核心矩阵;
采用预设最小二乘法优化求解模型核心矩阵,得到模型解;
基于模型解对目标区域在特定时间段内的人口流量进行预测。
对上式中的模型核心矩阵Q采用预设最小二乘法进行优化,优化描述为:
根据上式优化求解可以得到:
步骤105、采用预置VAR模型对目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
目标时间段一般是指未来某个时间段,可以根据实际需要设定,在此不作限定,模型是已经构建完成的,可以便利的用于不同的时间段的人口流量预测,且不受外界环境变化的影响,另外还可以减少计算量。
本申请实施例提供的目标区域的人口流量预测方法,采用构建的VAR模型进行人口流量预测,模型只针对输入的人口数据和输出的预测结果负责,不受外界环境变化的影响,稳定性较强,且能够适应多种不同的人口流量预测的要求,适用性较佳;而且VAR模型是根据处理后的具有表征性的区域人口数据集构建得到的,更加具有针对性,预测结果的准确性也较高。因此,本申请实施例能够解决现有技术稳定性较差,且应用存在局限性,导致预测结果缺乏可靠性的技术问题。
为了便于理解,请参阅图2,本申请提供了一种目标区域的人口流量预测装置的实施例,包括:
数据获取模块201,用于获取目标区域在预置时间段内的人口数据,得到初始人口数据集;
聚类分析模块202,用于基于预设聚类簇数,根据初始人口数据集进行谱聚类分析,得到聚类结果;
数据集构建模块203,用于以聚类结果的各个簇中心点为样本构建区域人口数据集;
模型构建模块204,用于结合预置调参操作,根据区域人口数据集建立预置VAR模型,预置VAR模型采用预设最小二乘法优化求解;
人口预测模块205,用于采用预置VAR模型对目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
进一步地,还包括:
预处理模块206,用于对初始人口数据集中的人口数据的缺损值进行填充处理;
对初始人口数据集中的人口数据的异常值进行替换处理。
进一步地,聚类分析模块202,具体用于:
根据初始人口数据集构建人口变化量矩阵;
计算人口变化量矩阵对应的拉普拉斯矩阵,并进行标准化处理,得到标准拉普拉斯矩阵;
基于预设聚类簇数,根据标准拉普拉斯矩阵对应的特征向量矩阵进行K-means聚类分析,得到聚类结果。
进一步地,模型构建模块204,具体用于:
根据区域人口数据集和预置模型阶数构建模型核心矩阵;
采用预设最小二乘法优化求解模型核心矩阵,得到模型解;
基于模型解对目标区域在特定时间段内的人口流量进行预测。
本申请还提供了一种目标区域的人口流量预测设备,设备包括处理器以及存储器;
存储器用于存储程序代码,并将程序代码传输给处理器;
处理器用于根据程序代码中的指令执行上述方法实施例中的目标区域的人口流量预测方法。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行上述方法实施例中的目标区域的人口流量预测方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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,包括若干指令用以通过一台计算机设备(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(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种目标区域的人口流量预测方法,其特征在于,包括:
获取目标区域在预置时间段内的人口数据,得到初始人口数据集;
基于预设聚类簇数,根据所述初始人口数据集进行谱聚类分析,得到聚类结果;
以所述聚类结果的各个簇中心点为样本构建区域人口数据集;
结合预置调参操作,根据所述区域人口数据集建立预置VAR模型,所述预置VAR模型采用预设最小二乘法优化求解;
采用所述预置VAR模型对所述目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
2.根据权利要求1所述的目标区域的人口流量预测方法,其特征在于,所述获取目标区域在预置时间段内的人口数据,得到初始人口数据集,之后还包括:
对所述初始人口数据集中的人口数据的缺损值进行填充处理;
对所述初始人口数据集中的人口数据的异常值进行替换处理。
3.根据权利要求1所述的目标区域的人口流量预测方法,其特征在于,所述基于预设聚类簇数,根据所述初始人口数据集进行谱聚类分析,得到聚类结果,包括:
根据所述初始人口数据集构建人口变化量矩阵;
计算所述人口变化量矩阵对应的拉普拉斯矩阵,并进行标准化处理,得到标准拉普拉斯矩阵;
基于预设聚类簇数,根据所述标准拉普拉斯矩阵对应的特征向量矩阵进行K-means聚类,得到聚类结果。
4.根据权利要求1所述的目标区域的人口流量预测方法,其特征在于,所述结合预置调参操作,根据所述区域人口数据集建立预置VAR模型,所述预置VAR模型采用预设最小二乘法优化求解,包括:
根据所述区域人口数据集和预置模型阶数构建模型核心矩阵;
采用预设最小二乘法优化求解所述模型核心矩阵,得到模型解;
基于所述模型解对所述目标区域在特定时间段内的人口流量进行预测。
5.一种目标区域的人口流量预测装置,其特征在于,包括:
数据获取模块,用于获取目标区域在预置时间段内的人口数据,得到初始人口数据集;
聚类分析模块,用于基于预设聚类簇数,根据所述初始人口数据集进行谱聚类分析,得到聚类结果;
数据集构建模块,用于以所述聚类结果的各个簇中心点为样本构建区域人口数据集;
模型构建模块,用于结合预置调参操作,根据所述区域人口数据集建立预置VAR模型,所述预置VAR模型采用预设最小二乘法优化求解;
人口预测模块,用于采用所述预置VAR模型对所述目标区域在目标时间段的人口流量进行预测操作,得到预测结果。
6.根据权利要求5所述的目标区域的人口流量预测装置,其特征在于,还包括:
预处理模块,用于对所述初始人口数据集中的人口数据的缺损值进行填充处理;
对所述初始人口数据集中的人口数据的异常值进行替换处理。
7.根据权利要求5所述的目标区域的人口流量预测装置,其特征在于,所述聚类分析模块,具体用于:
根据所述初始人口数据集构建人口变化量矩阵;
计算所述人口变化量矩阵对应的拉普拉斯矩阵,并进行标准化处理,得到标准拉普拉斯矩阵;
基于预设聚类簇数,根据所述标准拉普拉斯矩阵对应的特征向量矩阵进行K-means聚类,得到聚类结果。
8.根据权利要求5所述的目标区域的人口流量预测装置,其特征在于,所述模型构建模块,具体用于:
根据所述区域人口数据集和预置模型阶数构建模型核心矩阵;
采用预设最小二乘法优化求解所述模型核心矩阵,得到模型解;
基于所述模型解对所述目标区域在特定时间段内的人口流量进行预测。
9.一种目标区域的人口流量预测设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的目标区域的人口流量预测方法。
10.一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用于存储程序代码,所述程序代码用于执行权利要求1-4任一项所述的目标区域的人口流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584298.1A CN114239983A (zh) | 2021-12-22 | 2021-12-22 | 一种目标区域的人口流量预测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111584298.1A CN114239983A (zh) | 2021-12-22 | 2021-12-22 | 一种目标区域的人口流量预测方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239983A true CN114239983A (zh) | 2022-03-25 |
Family
ID=80761523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111584298.1A Pending CN114239983A (zh) | 2021-12-22 | 2021-12-22 | 一种目标区域的人口流量预测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239983A (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 |
-
2021
- 2021-12-22 CN CN202111584298.1A patent/CN114239983A/zh active Pending
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023501030A (ja) | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
CN111026570A (zh) | 用于确定业务系统异常原因的方法和装置 | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
CN112907062A (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
Ni et al. | Variable selection for case-cohort studies with failure time outcome | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN114239983A (zh) | 一种目标区域的人口流量预测方法及相关装置 | |
CN112101543A (zh) | 神经网络模型确定方法、装置、电子设备及可读存储介质 | |
CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
CN114581119A (zh) | 流量预测方法以及装置 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN113298120B (zh) | 基于融合模型的用户风险预测方法、系统和计算机设备 | |
Li et al. | Estimation and inference for multikink expectile regression with longitudinal data | |
CN116316537A (zh) | 输电线路运行控制方法、装置、设备、介质和程序产品 | |
CN114201369A (zh) | 一种服务器集群管理方法、装置、电子设备及存储介质 | |
CN112784165A (zh) | 关联关系预估模型的训练方法以及预估文件热度的方法 | |
CN113779335A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
CN113297045B (zh) | 分布式系统的监控方法及装置 | |
CN116541777A (zh) | 用于家电语音流失用户预测的方法及装置、预测设备 | |
CN115310689A (zh) | 时序预测模型的训练方法、预测方法及相关设备 | |
CN116151870A (zh) | 一种基于认知图谱的企业经营分析预测方法、系统及介质 | |
Zihan et al. | Conv-AdaRNN: A Power Load Forecasting Method Based on CNN and AdaRNN |
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 |