CN114819253A - 城市人群聚集热点区域预测方法、系统、介质及终端 - Google Patents

城市人群聚集热点区域预测方法、系统、介质及终端 Download PDF

Info

Publication number
CN114819253A
CN114819253A CN202210204944.5A CN202210204944A CN114819253A CN 114819253 A CN114819253 A CN 114819253A CN 202210204944 A CN202210204944 A CN 202210204944A CN 114819253 A CN114819253 A CN 114819253A
Authority
CN
China
Prior art keywords
time
urban
crowd
hot spot
extracting
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
Application number
CN202210204944.5A
Other languages
English (en)
Inventor
游兰
崔海波
金红
张明达
朱荣钊
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.)
Hubei University
Original Assignee
Hubei University
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 Hubei University filed Critical Hubei University
Priority to CN202210204944.5A priority Critical patent/CN114819253A/zh
Publication of CN114819253A publication Critical patent/CN114819253A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于城市热点区域预测技术领域，公开了一种城市人群聚集热点区域预测方法、系统、介质及终端，构建深度混合神经网络模型即CSA模型，利用CNN提取不同区域网格间的空间相关性特征，结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模，基于对人群热点的时空属进行多维建模，预测城市人群聚集热点区域。本发明的基于深度混合神经网络的面向城市人群热点预测方法效果更好，预测更加准确。本发明通过在数据中区分不同作息时间片段中人群热点的空间分布差异，帮助预测模型更准确的捕获不同作息片段间的人群流动规律，提高城市热点预测的准确性。

Description

城市人群聚集热点区域预测方法、系统、介质及终端
技术领域
本发明属于城市热点区域预测技术领域，尤其涉及一种城市人群聚集热点区域预测方法、系统、介质及终端。
背景技术
目前，城市人群热点指的是一个相较其他区域具有更多的人类活动、居民出行次数以及交通流量较大的地理区域，相关预测研究对于城市感知和公共安全应急决策具有重要的实际意义。
近年来，许多国内外学者围绕基于出租车轨迹的城市热点区域展开研究。这些方法大多使用空间聚类方法进行城市热点区域的空间规律分析，仅少数研究针对城市热点的时空变化进行预测，而且主要预测较短时间范围内的热点趋势。城市人群热点区域往往伴随时空环境变化而快速演化，存在典型的空间相关性和时间相关性特点，因此，如何发掘利用热点区域的时空相关性是精准预测城市人群热点变化趋势的关键。
传统时空数据预测研究常常采用单一卷积神经网络或循环神经网络进行建模，忽略了时空同时相关性。同时，也未考虑生活作息、天气和环境等因素对城市人群活动可能造成的影响。
近年来，混合神经网络设计已经被广泛应用在各个研究领域，如游戏策略、语音识别等。如今，多数模型采用机器学习或者深度学习的方法对人群热点进行预测，取得了较大进展。然而多数模型均为单一模型，由于单一模型具有随机性，只能在某一方面表现较好，但泛化能力不足。城市人群热区的产生和变化具有一定时空规律，也会受到天气、环境等复杂因素的影响，而传统线性模型对数据平稳性要求较高，不适合高维时空数据。
通过上述分析，现有技术存在的问题及缺陷为：
(1)传统时空数据预测技术，忽略了时空同时相关性。同时，也未考虑生活作息、天气和环境等因素对城市人群活动可能造成的影响。
(2)现有采用传统机器学习的方法对人群热点进行预测的模型泛化能力不足。
(3)传统线性模型对数据平稳性要求较高，不适合高维时空数据。
解决以上问题及缺陷的难度为：如何发掘利用热区的时空相关性是精准预测城市热区的关键，以及如何采用流行的深度学习技术，提高模型的泛化能力
解决以上问题及缺陷的意义为：将时空相关性融入到城市人群热点的预测中去，并用流行的深度学习技术，提高模型的泛化能力。
发明内容
针对现有技术存在的问题，本发明提供了一种城市人群聚集热点区域预测方法、系统、介质及终端，具体涉及一种基于深度学习的城市人群聚集热点区域预测方法。
本发明是这样实现的，一种基于深度学习的城市人群聚集热点区域预测方法，所述基于深度学习的城市人群聚集热点区域预测方法包括：构建深度混合神经网络模型即CSA模型，利用CNN提取不同区域网格间的空间相关性特征，结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模；基于对人群热点的时空属性进行多维建模，通过前一段时间的内的相同时间段内相同区域的人群数量，预测下一时间段的这个区域的人群数量，预测城市人群聚集热点区域。
进一步，所述CSA模型包括：
CNN神经网络，用于对输入的城市区域人群数量，提取城市热点区域空间特征；
特征融合模块，用于将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
Seq2Seq，将时间考虑进去，用于对未来一段时间的热点区域分布进行预测。
进一步，所述CNN网络包括：
滤波器，用于滤波器提取热点区域的局部区域信息；
迭代卷积层与池化层，用于提取较远区域的空间相关特征。
进一步，所述Seq2Seq包括：
编码器，用于通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相应时间段的最近趋势特征；
注意力机制，用于获取Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；
解码器，用于使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
进一步，所述CSA模型采用混合时序模型，如下：
P(yt|{y1,y2,…,yi-1},X)＝g(yi-1,si,ci)
si＝f(si-1,yi-1,ci)
Figure BDA0003528790340000031
其中，yi表示每个目标输出；g函数表示非线性激活函数，si表示解码器i时刻的隐藏状态；ci是由编码时的隐藏向量序列
Figure BDA0003528790340000032
按权重相加得到的。将隐藏向量序列按权重相加，表示在生成第j个输出时的注意力分配是不同的.aij的值越高，表示第i个输出在第j个输入上分配的注意力越多，在生成第i个输出的时候受第j个输入的影响也就越大.
进一步，所述基于深度学习的城市人群聚集热点区域预测方法包括以下步骤：
步骤一，将一天内的24小时划分成不等长的时间片段；在数据中区分不同作息时间片段中人群热点的空间分布差异；
步骤二，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
步骤三，将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
步骤四，利用Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相关时间段的最近趋势特征；
步骤五，利用解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
进一步，所述基于深度学习的城市人群聚集热点区域预测方法还包括：
将一周7天标识为不同的特征日，利用注意机制自适应地获取特征日之间的关系。
本发明的另一目的在于提供一种基于深度学习的城市人群聚集热点区域预测方法的基于深度学习的城市人群聚集热点区域预测系统，所述基于深度学习的城市人群聚集热点区域预测系统包括：
时间片段划分模块，用于利用基于城市人群生活作息的不等长时间片段划分方法在数据中区分不同作息时间片段中人群热点的空间分布差异；
空间特征提取模块，用于利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
特征融合模块，用于将时间片段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间片段进行拼接标记；
时间特征提取模块，用于利用Seq2Seq提取用于反映人群时空热点区域的最近一段时间的趋势变化的长期时间特征；
程度获取模块，用于利用Attention机制得到Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；
预测模块，用于预测城市人群聚集热点区域。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述基于深度学习的城市人群聚集热点区域预测方法，包括下列步骤：
步骤一，将一天内的24小时划分成不等长的时间片段；在数据中区分不同作息时间片段中人群热点的空间分布差异；
步骤二，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
步骤三，将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
步骤四，利用Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相关时间段的最近趋势特征；
步骤五，利用解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述基于深度学习的城市人群聚集热点区域预测方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明的基于深度混合神经网络的面向城市人群热点预测方法效果更好，预测更加准确。
本发明提出了一种面向城市人群时空热点预测的深度混合神经网络模型 CSA。CSA模型结合了Seq2Seq神经网络以动态呈现轨迹数据的长时时间特征，通过Seq2Seq提取的长期时间特征反映热点区域的近段时间的趋势变化。根据 Attention机制能够有效得到Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度，将其融入进模型中。
本发明提出了一种基于城市人群生活作息的不等长时间片段划分方法。通过在数据中区分不同作息时间片段中人群热点的空间分布差异，帮助预测模型更准确的捕获不同作息片段间的人群流动规律，从而提高城市热点预测的准确性。
本发明提出了一种深度混合神经网络模型(CSA)用于城市人群热点预测。本专利模型通过CNN提取不同区域网格间的空间相关性特征，并结合Seq2Seq 和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模。通过对人群热点的时空属进行多维建模，从而有效避免神经网络模型在预测时考虑因素不全的问题。
本发明设计采用了大规模真实的出租车轨迹数据进行实验，与传统模型及其他预测神经网络模型进行了对比实验，验证了CSA模型的有效性和优越性，并对城市人群热点变化规律进行相关分析。
附图说明
图1是本发明实施例提供的基于深度学习的城市人群聚集热点区域预测方法原理图。
图2是本发明实施例提供的基于深度学习的城市人群聚集热点区域预测方法流程图。
图3是本发明实施例提供的CNN结构图。
图4是本发明实施例提供的基于神经网络模型的制糖原材料预测方法的预测验证结果图。
图5是本发明实施例提供的基于深度混合神经网络模型的城市人群热点预测方法的LSTM结构图。
图6是本发明实施例提供的特征日关系权重图。
图7是本发明实施例提供的分时段城市人群热点的时空热力分析图。其中，图7(a)2014年3月4日7:00-8:59；图7(b)2014年3月4日18:00-20:59；图 7(c)2014年2月25日7:00-8:59；图7(d)2014年2月25日18:00-20:59；图 7(e)2014年3月8日7:00-8:59；图7(f)2014年3月8日18:00-20:59；图7(g)2014 年3月1日7:00-8:59；图7(h)2014年3月1日18:00-20:59。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于深度学习的城市人群聚集热点区域预测方法，下面结合附图对本发明作详细的描述。
本发明实施例提供的基于深度学习的城市人群聚集热点区域预测方法包括：
构建深度混合神经网络模型即CSA模型，利用CNN提取不同区域网格间的空间相关性特征，结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模，基于对人群热点的时空属进行多维建模，预测城市人群聚集热点区域。
本发明实施例提供的CSA模型包括：
CNN网络，用于提取城市热点区域空间特征；
特征融合模块，用于将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
Seq2Seq，用于对未来一段时间的热点区域分布进行预测。
本发明实施例提供的CNN网络包括：
滤波器，用于滤波器提取热点区域的局部区域信息；
迭代迭代卷积层与池化层，用于提取较远区域的空间相关特征。
本发明实施例提供的Seq2Seq包括：
编码器，用于通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相应时间段的最近趋势特征；
注意力机制，用于获取Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；
解码器，用于使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
本发明实施例提供的CSA模型采用混合时序模型，如下：
P(yt|{y1,y2,…,yi-1},X)＝g(yi-1,si,ci)
si＝f(si-1,yi-1,ci)
Figure BDA0003528790340000081
其中，yi表示每个目标输出；g函数表示非线性激活函数，si表示解码器i时刻的隐藏状态；ci是由编码时的隐藏向量序列
Figure BDA0003528790340000082
按权重相加得到的。
如图2所示，本发明实施例提供的基于深度学习的城市人群聚集热点区域预测方法包括以下步骤：
S101，将一天内的24小时划分成不等长的时间片段；在数据中区分不同作息时间片段中人群热点的空间分布差异；
S102，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
S103，将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
S104，利用Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相关时间段的最近趋势特征；
S105，利用解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
本发明实施例提供的基于深度学习的城市人群聚集热点区域预测方法还包括：
将一周7天标识为不同的特征日，利用注意机制自适应地获取特征日之间的关系。
本发明实施例提供的基于深度学习的城市人群聚集热点区域预测系统包括：
时间片段划分模块，用于利用基于城市人群生活作息的不等长时间片段划分方法在数据中区分不同作息时间片段中人群热点的空间分布差异；
空间特征提取模块，用于利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
特征融合模块，用于将时间片段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间片段进行拼接标记；
时间特征提取模块，用于利用Seq2Seq提取用于反映人群时空热点区域的最近一段时间的趋势变化的长期时间特征；
程度获取模块，用于利用Attention机制得到Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；
预测模块，用于预测城市人群聚集热点区域。
下面结合具体实施例对本发明的技术方案做进一步说明。
实施例1：
本发明的贡献包括3个方面：
1)提出一种基于城市人群生活作息的不等长时间片段划分方法。通过在数据中区分不同作息时间片段中人群热点的空间分布差异，帮助预测模型更准确的捕获不同作息片段间的人群流动规律，从而提高城市热点预测的准确性；
2)针对城市人群活动中存在的高度时空相关性现象，提出了一种深度混合神经网络模型(CSA)用于城市人群热点预测。本发明模型通过CNN提取不同区域网格间的空间相关性特征，并结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模。通过对人群热点的时空属进行多维建模，从而有效避免神经网络模型在预测时考虑因素不全的问题；
3)本发明设计采用了大规模真实的出租车轨迹数据进行实验，与传统模型及其他预测神经网络模型进行了对比实验，验证了CSA模型的有效性和优越性，并对城市人群热点变化规律进行相关分析。
本发明利用城市热点分布的近期历史数据预测后续连续多天的城市热点变化趋势，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征。本发明将时间段特征分开划分，在CNN 提取特征向量后，将时间段特征作为特征向量的一个维度，对每个特征向量所处的时间段进行缝合和标记。Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取该时间段的最近趋势特征。解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。将一周7天标识为不同的特征日，并在模型中引入注意机制，以自适应地获取特征日之间的关系。
根据权利要求2所述的基于神经网络模型的制糖原材料预测方法，其特征在于：
本发明提出的CSA模型结合了RNN中的Seq2Seq神经网络，动态的呈现出轨迹数据的长期时间特征。通过Seq2Seq提取的长期时间特征，反映人群时空热点区域的最近一段时间的趋势变化。由于Attention能够得到Seq2Seq中编码器序列各时间点的不同重要程度，然后输入到解码器，将其融入进模型中来学习连续多天之间的城市热点变化关系。为了将生活作息知识引入到预测中，采用基于城市人群生活作息的时间片段划分方法，将一天内的24小时划分成不等长的时间片段。并利用特征融合，即在CNN提取特征向量后，将时间片段特征作为特征向量的一个维度，对每个特征向量所处的时间片段进行拼接标记，用此来提高模型的准确性，得到更符合城市居民活动规律的预测结果。
实施例2：
一种基于深度混合神经网络的模型准确预测城市人群热点区域的方法，过城市历史出租车轨迹数据，对城市热点区域进行预测；具体包括：
图1是本发明的实施例中基于深度混合神经网络模型的结构框架图。
CSA模型包括四个部分，模型结构框架如图1所示。模型利用城市热点分布的近期历史数据预测后续连续多天的城市热点变化趋势。图1显示了CSA模型的CNN部分，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征。
在图1中，②是时间划分的语义特征部分.本发明将时间段特征分开划分，在CNN提取特征向量后，将时间段特征作为特征向量的一个维度，对每个特征向量所处的时间段进行缝合和标记.
时间建模部分如图1③所示，Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取该时间段的最近趋势特征.解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测.
在图1中，④为注意力机制部分.本文将一周7天标识为不同的特征日，并在模型中引入注意机制，以自适应地获取特征日之间的关系。
图3是本发明的实施例中卷积神经网络模型结构图。
城市不同区域之间可能存在某种空间模式下的联系，这种模式可能是并发关系，也可能是前后关系.比如，某个繁华的商圈附近的区域会由于紧邻该商圈而出现人流量、交通量较多的情况，因此不同的热点区域之间可能存在空间模式下的并发关系.上下班高峰期时，由于人们是从工作区域回到生活区域，因此在高峰期前半段时间，工作区域及其附近的区域人流量大、交通密度高，后半段时间则是生活区域以及附近的区域人流量大、交通密度高，因此热点区域之间可能存在空间模式下的先后关系。所以城市热点区域的分布具有空间相关性。
当CNN被应用在图像处理上时，能够通过滤波器来最大利用图片的局部信息对事物进行特征提取，然后根据提取出来的特征对该事物进行分类或者预测.因此，如果将整个城市的人群热点分布视为一个图像，并将CNN应用在该图像上，就可以提取出城市人群热点在空间上的特征。
CNN通常由N层组成，如图3所示，假设在CNN第l层的输入为M*N*K 的矩阵，那么第l层用来提取空间特征的滤波器可以被描述为M*N*K的矩阵，故第l层的输入可以由以下式子表示
Figure BDA0003528790340000111
其中，l∈{1,2,…,N}，W为l-1层滤波器中的权重值。
图1中①为本发明模型的CNN部分，利用CNN提取城市热点区域空间特征。利用CNN中的滤波器提取热点区域的局部区域信息，并通过反复的卷积和池化操作，提取出较远地区的空间相关特征。
图3是本发明的实施例中基于神经网络模型的制糖原材料预测方法的预测验证结果图。
RNN作为一种具有时间记忆功能的神经网络，它能够较好地处理时间序列的问题。RNN目前使用较多的是LSTM、GRU和Seq2Seq三种变种循环神经网络.其中，Seq2Seq作为RNN中最重要的一种变种，是一种序列到序列的模型，由编码器和解码器两部分组成，它不仅能够提取事物的时间特征，还能对未来较长一段时间进行预测.由于本发明建立模型的目的是预测未来一段时间的热点区域分布，因此使用Seq2Seq神经网络算法建立模型.通过使用热点区域的历史序列数据，从而对未来一段时间的热点区域分布进行预测.
Seq2Seq模型也被称为编码器-解码器模型，其基本思想是利用两个RNN，其中一个RNN作为encoder，即编码器，负责将输入序列压缩成中间状态向量C，生成的状态向量C称作是这个输入序列的语义.另一个RNN作为decoder，即解码器，负责将中间状态向量C进行解码，Seq2Seq模型流程如图4所示.
图5是本发明的实施例中基于深度混合神经网络模型的城市人群热点预测方法的LSTM结构图。
通常情况下，Seq2Seq只会产生一个语义向量，图4中的A为一般Seq2Seq 模型的结构图.本发明使用的Seq2Seq模型中的RNN单元为LSTM，LSTM模型框架如图5所示。
LSTM包含两个内部状态，一个用来记录长时信息，另一个用来记录短时信息，因此叫做长短时记忆网络.LSTM的内部计算如公式(2)-(7)所示，其中c是长时记忆状态，h是短时记忆状态，f,i,o是三个sigmoid门函数，分别用来控制当前时间步信息的输入、当前时间步信息的输出以及历史信息的遗忘，*是矩阵元素级别的乘法.可以看出c的更新过程只包含加法，并且在每一时间步时，采用两个sigmoid门函数来选择性的记录或遗忘历史信息和输入信息
ft＝σ(Wf·[ht-1,xt]+bf) (2)
it＝σ(Wi·[ht-1,xt]+bi) (3)
Ct′＝tanh(WC·[ht-1,xt]+bC) (4)
Ct＝ft*Ct-1+it*C′t (5)
Ot＝σ(WO·[ht-1,xt]+bO) (6)
ht＝Ot*Ct (7)
图6是本发明的实施例中的特征日关系权重图
结合Attetion机制的Seq2Seq模型将隐藏向量序列按权重相加，表示在生成第i个输出时的注意力分配不同，当aij的值越高，则表示第i个输出在第j个输入上分配的注意力越多，即在生成第i个输出的时候受第j个输入的影响也就越大。如图6所示，颜色越深代表联系程度更大。因此使用结合Attention机制的Seq2Seq 模型则能更好地处理特征日之间的相关性。
CSA采用了一种混合时序模型，即结合了Attention机制的Seq2Seq模型.该模型可捕捉并增强连续特征日下相同时间片段间的时间相关性，模型结构公式如下：
P(yt|{y1,y2,…,yi-1},X)＝g(yi-1,si,ci) (11)
si＝f(si-1,yi-1,ci) (12)
Figure BDA0003528790340000131
式11中g函数代表的是非线性激活函数，si表示解码器i时刻的隐藏状态，这里的条件概率与每个目标输出yi相对应的内容向量ci有关。在Seq2Seq模型中，只有一个语义向量c。s为隐藏层输出，相当于上文式8中的h。式13中ci是由编码时的隐藏向量序列
Figure BDA0003528790340000132
按权重相加得到的。
将隐藏向量序列按权重相加，表示在生成第j个输出时的注意力分配是不同的。aij的值越高，表示第i个输出在第j个输入上分配的注意力越多，在生成第i个输出的时候受第j个输入的影响也就越大.
aij的权重值由第i-1个输出隐藏状态si-1和输入中各个隐藏状态共同决定，即：
eij＝b(si-1,hj) (14)
Figure BDA0003528790340000141
si-1先与每个h分别计算得到一个数值eij，然后使用softmax函数得到i时刻的输出在Tx个输入隐藏状态中的注意力分配向量.这个分配向量也就是计算式13中ci的权重.
图7是本发明的实施例中的分时段城市人群热点的时空热力分析图
图7中的(a～d)是2014年3月4日周二7:00-8:59、18:00—20:59以及前一周周二2月25日相应时间段的时空热力分布。图7(e～h)是2014年3月8日周六7:00-8:59，18:00—20:59以及前一周周六3月1日相应时间片段的时空热力分布。从图7中的abcd四张图可以看出，序号①区域即汉口火车站附近在大多数时间片段下人流量远远高于其它区域。序号②对应的是武汉市洪山区光谷广场及周围住宅区。对比图7中的(a)与图7中的(c),可以看出它们的人流量热点分布具有很大相似性，同理图7中的(b)与图7中的(d)的热点分布也大致相同，由此证明工作日具有周期性规律。CSA模型加入attention机制考虑了不同的特征日对预测结果影响的权重.从图7中的图7(e)～图7(h)可以看出②地区周末人流量高于工作日人流量且在下午6点到8点人流量高于上午7点到9点时人流量。这非常符合城市人群的作息规律。
下面结合仿真实验对本发明的技术效果做进一步说明。
本发明通过四个对比实验以及五种基线模型进行对比，以此来体现本发明的能够更好的对城市人群热点进行预测。
本发明的模型和对比方法如下：
1)PreHA：由于本发明建立的模型是利用历史某个时间片段下的城市热点区域分布图作为输入值，因此不能使用传统的PreHA算法.本发明将上一周某个时间片段该区域的轨迹点个数，作为下一周该时间段该区域下的轨迹点个数。
2)HA：如前面的PreHA算法一样，本发明将前几周该时间片段下该区域的轨迹点个数平均值，作为下一周该时间片段该区域下的轨迹点个数。
3)ARIMA模型：自回归滑动平均求和模型，是一种广泛的时间序列预测方法。
4)Seq2Seq：不考虑空间相关性，训练Seq2Seq模型利用前两周数据对下一周的区域轨迹点个数进行预测。
5)CNN_Seq2Seq：考虑空间相关性和时间相关性，使用CNN和Seq2Seq 联合预测。
6)CSA：即本发明模型.考虑空间相关性，时间相关性，时间片段特征，通过CNN、Seq2Seq和Attention机制对下一周的区域轨迹点进行预测。
本发明使用均方误差RMSE(Root Mean Square Error)作为模型预测效果的评价指标：
Figure BDA0003528790340000151
其中，M*N为区域的网格数量，T为预测的时间片段总数，xi是真实值，
Figure BDA0003528790340000152
是预测值。
表4PreHA、HA和ARIMA模型的实验结果
模型 周数 RMSE
PreHA 1 139.6899
HA 2 151.6044
ARIMA 2 90.5482
本发明使用了真实的武汉市的出租车轨迹点数据来训练CSA模型，利用 2013年12月30日至2014年3月3日的出租车轨迹点通过时空网格化后的热点区域分布图，预测2014年3月4日—2014年4月7日的各时间片段的武汉市纬度30.515224—30.630852，经度114.254328—114.379643区域下的热点区域分布.本发明对每个模型中的超参数进行了对比试验，选取了其最优参数后，再对各个模型进行实验结果对比。
对比实验一，时间特征维度对模型参数影响。时间特征维度是指输入到 Seq2Seq编码器的特征日天数。由于时间特征是在热点区域被CNN进行特征提取后再加入的，所以在将时间特征进行特征融合时，融合的时间特征维度不能过小，否则时间特征无法起到作用；时间特征维度也不能过大，否则会放大时间特征的作用，实验效果也不会很理想。基于此，本发明在进行神经网络模型训练时取10到40天时间特征维度参数作为Seq2Seq的输入。如表5所示，从误差结果看，三种神经网络均在时间特征维度为20时取得最佳结果。
表5时间维度参数的对模型实验结果(LSTM_num:250)
模型 时间维度 RMSE
Seq2Seq 10 85.325746
Seq2Seq 20 78.220731
Seq2Seq 30 85.489440
Seq2Seq 40 87.425745
CNN_Seq2Seq 10 82.606433
CNN_Seq2Seq 20 74.201726
CNN_Seq2Seq 30 82.471352
CNN_Seq2Seq 40 85.533807
CSA 10 80.904910
CSA 20 73.047540
CSA 30 81.784096
CSA 40 84.152641
对比实验二，LSTM_num对模型参数影响.LSTM_num是Seq2Seq实验中的超参数。代表LSTM输出结果的维度.如LSTM_num＝500则输出一个500维的向量。本发明对Seq2Seq，CNN_Seq2Seq和CSA神经网络进行对比实验。如表6误差结果所示，三种模型均在LSTM_num为250时取得最佳结果。
表6LSTM_num参数对模型实验结果影响(时间维度:20)
模型 LSTM_num RMSE
Seq2Seq 125 81.423882
Seq2Seq 250 78.220731
Seq2Seq 500 87.150920
CNN_Seq2Seq 125 79.427985
CNN_Seq2Seq 250 74.201726
CNN_Seq2Seq 500 82.480391
CSA 125 78.989681
CSA 250 73.047540
CSA 500 82.480391
对比实验三，滤波器个数(kernal_num)对模型参数影响。滤波器数量是 CNN进行图像处理时的超参数。滤波器的大小和数量决定CNN输出深度，本发明从num＝16到64进行实验。由于滤波器是CNN神经网络中的参数，本发明仅对CNN_Seq2Seq和CSA神经网络进行对比实验。从误差结果看，三种神经网络均在滤波器个数为32时取得最佳结果。
表7滤波器个数参数对模型实验结果影响(时间维度:20；滤波器大小:[3,3]；LSTM_num:250；卷积层数:2)
模型 滤波器个数 RMSE
CNN_Seq2Seq 16 75.634970
CNN_Seq2Seq 32 74.201726
CNN_Seq2Seq 64 84..888620
CSA 16 74.858550
CSA 32 73.047540
CSA 64 83.585051
对比实验四.卷积层数(layer)对模型参数影响。卷积层数是CNN中的一个超参数指的是图像通道数。本发明卷积核大小选用3*3，选取1到4层通道对 CNN_Seq2Seq和CSA分别进行参数实验.误差结果表明卷积层数为2时，模型取得最佳结果。
表8卷积层数参数对模型实验结果影响(时间维度:20；滤波器大小:[3,3]；滤波器个数:32；LSTM_num:250)
模型 卷积层数 RMSE
CNN_Seq2Seq 1 77.671164
CNN_Seq2Seq 2 75.201726
CNN_Seq2Seq 3 80.214798
CNN_Seq2Seq 4 80.224399
CSA 1 74.553893
CSA 2 73.047540
CSA 3 78.234884
CSA 4 79.069518
对比5种模型的实验结果可知，较为传统的PreHA、HA和ARIMA时序模型没有神经网络算法(CNN、CNN-Seq2seq)的实验效果好，且CSA模型效果最佳.而在对比实验的3个神经模型中，CSA模型较Seq2Seq而言，不仅能够利用CNN提取空间特征，还能够在Attention机制的作用下，较CNN_Seq2Seq 模型而言，又提高了准确率。因此可得在5个模型中，CSA模型效果最好.同时相较模型Seq2Seq，CNN_Seq2Seq，CSA模型预测误差最大分别降低6.4％和3.8％.对比5种模型的实验结果可知，较传统的PreHA、HA和ARIMA方法显然没有神经网络模型(CNN、CNN-Seq2seq)的实验效果好.同时，在对比实验的 3个神经网络模型中，由于CSA模型较Seq2Seq而言不仅能够利用CNN提取空间特征，还在Attention机制的作用加持下，较CNN-Seq2Seq模型而言，又提高了准确率.因此在5个模型中，CSA模型效果最好，并在时间特征维度为20，滤波器数目为32，LSTM_num为250和卷积层数为2时，模型训练出的效果达到最佳状态，RMSE＝73.2655425，如表9所示。
表9模型最佳实验结果
模型 RMSE
PreHA 139.6899
HA 151.6044
ARIMA 90.5482
Seq2Seq 78.22073
CNN-Seq2Seq 74.20173
CSA 73.04754
为了验证生活作息规律能够被CSA模型学习并产生作用，本发明随机采用了一组预测数据和结果进行了城市热点的时空热力分析及可视化对比。根据上述实验以及对比实验分析得出结果，本发明提出的基于深度混合神经网络的面向城市人群热点预测方法效果更好，预测能更加准确。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述基于深度学习的城市人群聚集热点区域预测方法包括：构建深度混合神经网络模型即CSA模型，利用CNN提取不同区域网格间的空间相关性特征，结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模；基于对人群热点的时空属性进行多维建模，通过前一段时间的内的相同时间段内相同区域的人群数量，预测下一时间段的这个区域的人群数量，预测城市人群聚集热点区域。
2.如权利要求1所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述CSA模型包括：CNN网络，用于提取城市热点区域空间特征；
特征融合模块，用于将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
Seq2Seq，用于对未来一段时间的热点区域分布进行预测。
3.如权利要求2所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述CNN网络包括：滤波器，用于滤波器提取热点区域的局部区域信息；
迭代卷积层与池化层，用于提取较远区域的空间相关特征。
4.如权利要求2所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述Seq2Seq包括：编码器，用于通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相应时间段的最近趋势特征；
注意力机制，用于获取Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；
解码器，用于使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
5.如权利要求2所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述CSA模型采用混合时序模型为：
P(yt|{y1,y2,…,yi-1+,X)＝g(yi-1,si,ci)
si＝f(si-1,yi-1,ci)
Figure FDA0003528790330000021
其中，yi表示每个目标输出；g函数表示非线性激活函数，si表示解码器i时刻的隐藏状态；ci是由编码时的隐藏向量序列
Figure FDA0003528790330000022
按权重相加得到的。
6.如权利要求1所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述基于深度学习的城市人群聚集热点区域预测方法包括以下步骤：
步骤一，将一天内的24小时划分成不等长的时间片段；在数据中区分不同作息时间片段中人群热点的空间分布差异；
步骤二，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
步骤三，将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
步骤四，利用Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相关时间段的最近趋势特征；
步骤五，利用解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
7.如权利要求6所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述基于深度学习的城市人群聚集热点区域预测方法还包括：
将一周7天标识为不同的特征日，利用注意机制自适应地获取特征日之间的关系。
8.一种实施如权利要求1-7任意一项所述基于深度学习的城市人群聚集热点区域预测方法的基于深度学习的城市人群聚集热点区域预测系统，其特征在于，所述基于深度学习的城市人群聚集热点区域预测系统包括：
时间片段划分模块，用于利用基于城市人群生活作息的不等长时间片段划分方法在数据中区分不同作息时间片段中人群热点的空间分布差异；
空间特征提取模块，用于利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
特征融合模块，用于将时间片段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间片段进行拼接标记；
时间特征提取模块，用于利用Seq2Seq提取用于反映人群时空热点区域的最近一段时间的趋势变化的长期时间特征；
程度获取模块，用于利用Attention机制得到Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；
预测模块，用于预测城市人群聚集热点区域。
9.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行如权利要求1-7任意一项所述基于深度学习的城市人群聚集热点区域预测方法，包括下列步骤：
步骤一，将一天内的24小时划分成不等长的时间片段；在数据中区分不同作息时间片段中人群热点的空间分布差异；
步骤二，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代卷积和池运算提取较远区域的空间相关特征；
步骤三，将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；
步骤四，利用Seq2Seq编码器通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相关时间段的最近趋势特征；
步骤五，利用解码器使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。
10.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1-7任意一项所述基于深度学习的城市人群聚集热点区域预测方法。
CN202210204944.5A 2022-03-02 2022-03-02 城市人群聚集热点区域预测方法、系统、介质及终端 Pending CN114819253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210204944.5A CN114819253A (zh) 2022-03-02 2022-03-02 城市人群聚集热点区域预测方法、系统、介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210204944.5A CN114819253A (zh) 2022-03-02 2022-03-02 城市人群聚集热点区域预测方法、系统、介质及终端

Publications (1)

Publication Number Publication Date
CN114819253A true CN114819253A (zh) 2022-07-29

Family

ID=82529755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210204944.5A Pending CN114819253A (zh) 2022-03-02 2022-03-02 城市人群聚集热点区域预测方法、系统、介质及终端

Country Status (1)

Country Link
CN (1) CN114819253A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115333957A (zh) * 2022-08-05 2022-11-11 国家电网有限公司信息通信分公司 基于用户行为和企业业务特征的业务流量预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902880A (zh) * 2019-03-13 2019-06-18 南京航空航天大学 一种基于Seq2Seq生成对抗网络的城市人流预测方法
CN111160628A (zh) * 2019-12-13 2020-05-15 重庆邮电大学 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法
CN112257934A (zh) * 2020-10-26 2021-01-22 辽宁工程技术大学 一种基于时空动态神经网络的城市人流预测方法
CN112307284A (zh) * 2019-11-27 2021-02-02 海南发控智慧环境建设集团有限公司 一种智慧运维的大数据处理方法
CN113362367A (zh) * 2021-07-26 2021-09-07 北京邮电大学 一种基于多精度交互的人群轨迹预测方法
CN113962472A (zh) * 2021-10-31 2022-01-21 东南大学 一种基于GAT-Seq2seq模型的时空双注意力地铁客流短时预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902880A (zh) * 2019-03-13 2019-06-18 南京航空航天大学 一种基于Seq2Seq生成对抗网络的城市人流预测方法
CN112307284A (zh) * 2019-11-27 2021-02-02 海南发控智慧环境建设集团有限公司 一种智慧运维的大数据处理方法
CN111160628A (zh) * 2019-12-13 2020-05-15 重庆邮电大学 一种基于CNN和双注意力seq2seq的空气污染物浓度预测方法
CN112257934A (zh) * 2020-10-26 2021-01-22 辽宁工程技术大学 一种基于时空动态神经网络的城市人流预测方法
CN113362367A (zh) * 2021-07-26 2021-09-07 北京邮电大学 一种基于多精度交互的人群轨迹预测方法
CN113962472A (zh) * 2021-10-31 2022-01-21 东南大学 一种基于GAT-Seq2seq模型的时空双注意力地铁客流短时预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. WANG ET AL.: ""SeqST-GAN: Seq2Seq Generative Adversarial Nets for Multi-step Urban Crowd Flow Prediction"", 《ACM TRANSACTIONS ON SPATIAL ALGORITHMS AND SYSTEMS》, vol. 6, no. 4, 30 June 2020 (2020-06-30), pages 1 - 24 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115333957A (zh) * 2022-08-05 2022-11-11 国家电网有限公司信息通信分公司 基于用户行为和企业业务特征的业务流量预测方法及系统
CN115333957B (zh) * 2022-08-05 2023-09-05 国家电网有限公司信息通信分公司 基于用户行为和企业业务特征的业务流量预测方法及系统

Similar Documents

Publication Publication Date Title
CN110928993B (zh) 基于深度循环神经网络的用户位置预测方法及系统
Shi et al. A spatial–temporal attention approach for traffic prediction
He et al. STCNN: A spatio-temporal convolutional neural network for long-term traffic prediction
Chen et al. A graph convolutional stacked bidirectional unidirectional-LSTM neural network for metro ridership prediction
CN112071065A (zh) 一种基于全局扩散卷积残差网络的交通流预测方法
Zhang et al. Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed forecasting
CN115578852B (zh) 一种基于dstgcn的交通预测方法
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN111639791A (zh) 交通流预测方法、系统、存储介质及终端
CN116894384B (zh) 一种多风机风速时空预测方法及系统
CN111461455B (zh) 一种基于关联周期注意力机制的行为预测方法
Liu et al. Pristi: A conditional diffusion framework for spatiotemporal imputation
CN112862177B (zh) 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
Zhuang et al. Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network
CN114461931A (zh) 一种基于多关系融合分析的用户轨迹预测方法和系统
CN116844041A (zh) 一种基于双向卷积时间自注意力机制的耕地提取方法
Zhao et al. Mastgn: Multi-attention spatio-temporal graph networks for air pollution prediction
CN114819253A (zh) 城市人群聚集热点区域预测方法、系统、介质及终端
CN113780679A (zh) 一种基于泛在电力物联网的负荷预测方法及装置
CN114004152A (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN116579468A (zh) 基于云系记忆的台风生成预测方法、装置、设备及介质
CN115841753A (zh) 一种考虑动态空间关系的交通流预测方法
Yang et al. An improved deep network with fusion of physical and residual information for radar echo extrapolation
CN116821673B (zh) Enso预测方法、装置、电子设备和存储介质

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