CN115983142B - 基于深度生成对抗式网络的区域人口演化模型构造方法 - Google Patents
基于深度生成对抗式网络的区域人口演化模型构造方法 Download PDFInfo
- Publication number
- CN115983142B CN115983142B CN202310275471.2A CN202310275471A CN115983142B CN 115983142 B CN115983142 B CN 115983142B CN 202310275471 A CN202310275471 A CN 202310275471A CN 115983142 B CN115983142 B CN 115983142B
- Authority
- CN
- China
- Prior art keywords
- population
- model
- network
- evolution
- 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.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000008485 antagonism Effects 0.000 claims description 15
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度生成对抗式网络的区域人口演化模型构造方法。该方法是根据人口迁移流动、出生与死亡等本身的自然规律，构造描述区域人口变化的动力学方程；使用行政区域内各个子区域人口的时空演化数据预测下一时刻区域人口数；构造生成对抗式神经网络模型确定人口动力学演化模型参数，并预测下一时刻内的区域人口数；以各个时间点模型预测与真实人口数据的偏差作为生成对抗式神经网络模型判别器的损失函数，以不同时刻的人口数据作为样本训练模型，得到最优化模型参数，获得一个适用于不同行政区域的人口演化模型。
Description
技术领域
本发明涉及大数据分析预测与深度学习领域，尤其涉及一种基于深度生成对抗式网络的区域人口演化模型构造方法。
背景技术
大数据时代，数据分析是必修课。随着信息时代的到来，各种数据量都在以指数级的速度增长，传统的处理方法已经无法满足这个时代的需求。将大量数据转换成有用的信息和知识已经是当前非常迫切的需求之一，在这之中，数据挖掘可以发挥相当大的作用。
深度学习是数据挖掘中非常重要的方法之一。人口流动作为一种社会性行为而言，影响其变化的因素过多，一般的机器学习很难寻找其特征与变化规律。深度学习网络能够根据输入的数据挖掘其背后的特征与规律，在人口变化预测的任务中可以充分发挥其优势。
本发明提出的人口演化模型是一种挖掘人口流动变化规律的系统动力学模型。已有的人口模型大多都是研究长时间尺度下与人口总体有关的统计量，例如人口总量、年龄结构等。本发明提出的人口演化模型则更加注重短时间尺度下的人口分布情况，预测较短的一段时间内区域人口的流动与变化。
人口的分布与流动是影响社会发展的一个重要因素。人口决定了生产力，同时人口集中的地区也需要完善公共设施，如住房、道路、医院等，以提高居民幸福度。因此，需建立一个人口变化预测模型来预测将来一段时间的人口变化趋势解决上述技术问题。
发明内容
针对现有技术的不足，本发明提供一种基于深度生成对抗式网络的区域人口演化模型构造方法，本发明为完成基于人口分布状况大数据进行未来一段时间的人口变化预测，提出了根据区域人口变化的自然规律，构造包含人口自然净增长、区域内人口流入、区域间人口流出等因素的人口变化动力学方程构成的人口演化模型，并使用生成对抗网络模型（GAN）为人口演化模型生成合适的参数矩阵，最终获得一个可靠的人口变化预测模型。
本发明是通过以下具体方案来实现的：
一种基于深度生成对抗式网络的区域人口演化模型构造方法，包括以下步骤：
（1）获取人口的变化数据：获取所划分区域内大于三个月的连续时段内各个子区域人口的变化数据，获得各时间点行政区域内的真实人口分布数据/>，其中各子区域点的人口分布为/>；
（2）构建动力学模型：根据区域人口变化的自然规律，构造包含人口自然变化率、区域间人口流动率与省际人口流动率的人口变化动力学方程，进而基于该方程构建人口演化动力学模型；
（3）构建生成器网络：输入随机种子，令生成对抗网络的生成器输出步骤（2）中人口变化动力学方程中需要的四组参数；所述生成器后连接人口演化动力学模型，将四组参数代入人口变化动力学方程对人口分布数据进行演化模拟；
（4）获得人口分布：根据步骤（3）得到的参数构建人口演化动力学模型，将人口演化动力学模型作用于人口分布数据，预测生成/>时刻点的预测人口数据/>，得到各时间点划分区域内的预测人口分布数据/>，其中/>；
（5）模型训练：构造判别器网络，将人口演化动力学模型的输出的不同时刻不同区域的预测人口分布数据和真实人口分布/>一同作为输入，构造与预测人口分布数据/>和真实人口分布/>有关的损失函数，即获得了完整的区域人口演化训练模型；区域人口演化训练模型通过迭代和训练，可进而获得最优区域人口演化训练模型；
（6）得到基于深度生成对抗式网络的区域人口演化模型：由步骤（5）得到的最优区域人口演化训练模型中获得训练好的生成器网络，使用生成器网络输出的参数结合人口演化动力学模型，构造得到基于深度生成对抗式网络的区域人口演化模型。
进一步地，所述步骤（1）中获得各时间点行政区域内的真实人口分布数据，是将所述变化数据按一定的时间间隔划分成M个时间点/>而获得；所述/>。
进一步地，所述步骤（2）构造的人口变化动力学方程（1）如下：
；
其中，表示/>时段区域/>内的人口数量，/>为在区域/>中的人口数量，/>为时间戳；/>为区域个数总和；/>为/>时段区域/>内的人口数量；/>为区域标签；/>为区域/>内人口增长率,其包括出生人口和省际迁入人口两个因素；/>为区域/>内人口降低率，包括死亡人口和省际迁出人口两个因素；/>为区域/>间人口流入率；/>为区域/>间人口流出率；
进一步地，所述步骤（5）中的迭代和训练，具体为，所述区域人口演化训练模型为生成对抗网络的变体，拥有生成对抗网络的自我迭代特性，通过生成器与判别器的循环迭代训练，可以获得最优的生成器与判别器，生成对抗网络与人口动力学方程融合得到的整个区域人口演化训练模型，最终获得最优区域人口演化模型。
进一步地，所述步骤（5）是利用生成对抗式网络优化人口演化动力学模型的参数，令生成器网络与人口演化动力学模型结合，共同构成生成对抗网络中的生成模型，将人口变化动力学方程融入到深度神经网络模型中，其使最终能够利用本区域内某一时刻内的人口数来预测未来一段时间内的人口数，所述
，具体包括：
（5.1）将随机参数作为生成对抗网络生成器的输入，输出一系列的人口演化模型参数；
（5.2）将人口演化动力学模型融入生成对抗网络，使用该模型与生成器的输出参数构造用于输入判别器的“模拟数据”；
（5.3）使用真实数据与模拟数据/>作为生成对抗网络判别器的输入，对判别器进行训练；
（5.4）使用训练好的判别器，结合人口演化动力学模型对生成对抗网络生成器进行训练；由判别器的判别结果构造生成对抗网络的损失函数；
（5.5）重复步骤（5.1）到步骤（5.4），直到生成对抗网络的损失函数下降至稳定，完成生成对抗网络的迭代，即可使用生成对抗网络的生成器得到人口演化动力学模型的参数。
进一步地，所述步骤（5）中构造生成对抗网络的总损失函数的数学表达式如下：
其中，G为生成器，D为判别器，为分布函数的期望值，/>代表真实数据分布/>，/>代表虚模拟数据分布/>；
一种基于深度生成对抗式网络的区域人口演化模型，包括以下模块：
（7.1）获取人口的变化数据模块：获取所划分区域内一个大于三个月的连续时段内各个子区域人口的变化数据，获得各时间点行政区域内的真实人口分布数据/>，其中各子区域点的人口分布为/>；
（7.2）人口演化动力学模型模块：所述人口演化动力学模型是利用人口变化动力学方程对人口分布数据进行预测得到的模型，若向该模型输入一时刻t的人口分布数据，则可输出下一时刻t+1的预测人口数据/>；其中，人口变化动力学方程包含的四组参数由下述生成器网络模块确定；
（7.3）生成对抗网络模块：生成式对抗网络是一种深度学习模型，该模型通过框架中生成模型和判别模型两个模块的互相博弈学习产生的输出；
（7.4）生成器网络模块：生成器网络模块与人口演化动力学模型模块共同构成生成对抗网络中的生成模型；所述生成器网络的任务是输入随机种子，输出人口变化动力学方程与人口演化动力学模型所需的四组参数；
（7.5）判别器网络模块：判别器网络为生成对抗网络中的判别模型；所述判别器网络模块的任务是输入真实人口分布数据与人口演化动力学模型产生的预测人口数据/>，输出判别结果，以辅助训练与优化生成器网络；其中人口演化动力学模型使用了生成器网络输出的参数；
（7.6）区域人口演化模型模块：指利用步骤（4）训练好的生成器网络输出的参数，模拟出人口流动变化的人口演化动力学模型；
（7.7）区域人口演化训练模型模块：将人口演化动力学模型与生成对抗网络融合的模型；即区域人口演化训练模型，其为生成对抗网络的变体，具有生成对抗网络的自我迭代特性，通过生成器与判别器的循环迭代训练，可以获得最优的生成器网络与判别器网络，即最优的区域人口演化训练模型；通过区域人口演化训练模型中训练好的生成器网络输出的参数，结合人口演化动力学模型，可进而构造得到基于深度生成对抗式网络的区域人口演化模型。
进一步地，所述步骤（7.3）中生成模型的任务是生成使判别器无法与真实人口分布数据区分的模拟实例；所述判别模型的任务为判断给定的实例是自然真实的实例还是人为模拟实例，且真实实例来源于数据集，模拟实例来源于生成模型，该模型为生成器网络与人口演化动力学模型的结合。
进一步地，所述步骤（7.5）中判别结果指对一份真实人口分布数据和人口演化动力学模型产生的预测人口数据/>进行真/假二分类，以判别结果的准确率确定生成器是否优秀，判别器的准确率越低，生成器越好。
一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如所述基于深度生成对抗式网络的区域人口演化模型构造方法。
本发明的有益效果如下：
本发明通过构造人口演化动力学模型，并结合生成对抗网络获取动力学模型参数的技术方案，解决了传统人口演化模型需要人为分析确定的参数较多、难以确定的缺点，让研究人员能够利用人口分布大数据与本发明中的区域人口演化训练模型，高效可靠地获得区域人口演化模型，并将其产生的数据用于进一步研究、分析、预测。
附图说明
图1是本发明的流程图；
图2是本发明构建的生成对抗网络（GAN）模型结构图；
图3是本发明的一种电子设备的示意图。
具体实施方式
下面结合附图，进一步说明本发明的技术方案。
如图1所示，
本发明第一方面：一种基于深度生成对抗式网络的区域人口演化模型；如图2所示，包括以下模块：
获取人口的变化数据模块：获取所划分区域内一个大于三个月的连续时段内各个子区域人口的变化数据，获得各时间点行政区域内的真实人口分布数据/>，其中各子区域点的人口分布为/>；
人口演化动力学模型模块：所述人口演化动力学模型是利用人口变化动力学方程对人口分布数据进行预测得到的模型，若向该模型输入一时刻t的人口分布数据，则可输出下一时刻t+1的预测人口数据/>；其中，人口变化动力学方程包含的四组参数由下述生成器网络模块确定；
生成对抗网络模块：生成式对抗网络是一种深度学习模型，该模型通过框架中生成模型和判别模型两个模块的互相博弈学习产生的输出；
生成器网络模块：生成器网络模块与人口演化动力学模型模块共同构成生成对抗网络中的生成模型；所述生成器网络的任务是输入随机种子，输出人口变化动力学方程与人口演化动力学模型所需的四组参数，在图2中以“生成器G”表示；
判别器网络模块：判别器网络为生成对抗网络中的判别模型；所述判别器网络模块的任务是输入真实人口分布数据与人口演化动力学模型产生的预测人口数据/>，输出判别结果，以辅助训练与优化生成器网络；其中人口演化动力学模型使用了生成器网络输出的参数， 在图2中以“判别器D”表示；
区域人口演化模型模块：指利用步骤（4）训练好的生成器网络输出的参数，模拟出人口流动变化的人口演化动力学模型；
区域人口演化训练模型模块：将人口演化动力学模型与生成对抗网络融合的模型；即区域人口演化训练模型，其为生成对抗网络的变体，具有生成对抗网络的自我迭代特性，通过生成器与判别器的循环迭代训练，可以获得最优的生成器网络与判别器网络，即最优的区域人口演化训练模型；通过区域人口演化训练模型中训练好的生成器网络输出的参数，结合人口演化动力学模型，可进而构造得到基于深度生成对抗式网络的区域人口演化模型。
进一步地，该模型中生成对抗网络模块的总损失函数Loss(图2中以“模型损失Loss”表示)的数学表达式如下：
进一步地，所述步骤（7.3）中生成模型的任务是生成自然真实的实例和原始数据相似的实例，即使判别器无法与真实人口分布数据区分的模拟实例；所述判别模型的任务为判断给定的实例是自然真实的实例还是人为模拟的实例，且真实实例来源于数据集，模拟实例来源于生成模型，该模型为生成器网络与人口演化动力学模型的结合。
进一步地，所述步骤（7.5）中判别结果指对一份真实人口分布数据和人口演化动力学模型产生的预测人口数据/>进行真/假二分类，以判别结果的准确率确定生成器是否优秀，判别器的准确率越低，生成器越好。
本发明第二个方面：一种基于深度生成对抗式网络的区域人口演化模型构造方法，包括以下步骤：一种基于深度生成对抗式网络的区域人口演化模型构造方法，包括以下步骤：
（1）获取人口的变化数据：获取所划分区域内一个大于三个月的连续时段内各个子区域人口的变化数据，获得各时间点行政区域内的真实人口分布数据/>，其中各子区域点的人口分布为/>；
（2）构建动力学模型：根据区域人口变化的自然规律，构造包含人口自然变化率、区域间人口流动率与省际人口流动率的人口变化动力学方程，进而基于该方程构建人口演化动力学模型；
（3）构建生成器网络：输入随机种子，令生成对抗网络的生成器输出步骤（2）中人口变化动力学方程中需要的四组参数；所述生成器后连接人口演化动力学模型，将四组参数代入人口变化动力学方程对人口分布数据进行演化模拟；
（4）获得人口分布：根据步骤（3）得到的参数构建人口演化动力学模型，将人口演化动力学模型作用于人口分布数据，预测生成/>时刻点的预测人口数据/>，得到各时间点划分区域内的预测人口分布数据/>，其中/>；
（5）模型训练：构造判别器网络，将人口演化动力学模型的输出的不同时刻不同区域的预测人口分布数据和真实人口分布/>一同作为输入，构造与预测人口分布数据和真实人口分布/>有关的损失函数，即获得了完整的区域人口演化训练模型；区域人口演化训练模型通过迭代和训练，可进而获得最优区域人口演化训练模型；
（6）得到基于深度生成对抗式网络的区域人口演化模型：由步骤（5）得到的最优区域人口演化训练模型中获得训练好的生成器网络，使用生成器网络输出的参数结合人口演化动力学模型，构造得到基于深度生成对抗式网络的区域人口演化模型。
进一步地，所述步骤（1）中获得各时间点行政区域内的真实人口分布数据，是将所述变化数据按一定的时间间隔划分成M个时间点/>而获得；所述/>。
进一步地，所述步骤（5）中的迭代和训练，具体为，所述区域人口演化训练模型为生成对抗网络的变体，拥有生成对抗网络的自我迭代特性，通过生成器与判别器的循环迭代训练，可以获得最优的生成器与判别器，生成对抗网络与人口动力学方程融合得到的整个区域人口演化训练模型，最终获得最优区域人口演化模型。
进一步地，所述步骤（5）是利用生成对抗式网络优化人口演化动力学模型的参数，令生成器网络与人口演化动力学模型结合，共同构成生成对抗网络中的生成模型，将人口变化动力学方程融入到深度神经网络模型中，其使最终能够利用本区域内某一时刻内的人口数来预测未来一段时间内的人口数，具体包括：
（5.1）将随机参数作为生成对抗网络生成器的输入，输出一系列的人口演化模型参数；
（5.2）将人口演化动力学模型融入生成对抗网络，使用该模型与生成器的输出参数构造用于输入判别器的“模拟数据”；
（5.3）使用真实数据与模拟数据/>作为生成对抗网络判别器的输入，对判别器进行训练；
（5.4）使用训练好的判别器，结合人口演化动力学模型对生成对抗网络生成器进行训练；由判别器的判别结果构造生成对抗网络的损失函数；
（5.5）重复步骤（5.1）到步骤（5.4），直到生成对抗网络的损失函数下降至稳定，完成生成对抗网络的迭代，即可使用生成对抗网络的生成器得到人口演化动力学模型的参数。
实施例：
步骤S1、获取所划分区域内一个大于三个月的连续时段内各个子区域人口的变化数据，按一定的时间间隔划分成M个时间点/>，获得各时间点行政区域内的真实人口分布数据/>，其中各子区域点的人口分布为/>。使用上述方法获得的原始数据可能存在数据重复、数据值缺失或异常等情况，在对数据进行使用之前，首先需要进行数据清洗操作。具体操作如下：首先判断各字段缺失情况，若关键字段缺失，即人口数量，数据位置，获取时间的缺失，则剔除；然后分别进行各关键字段的异常处理，对异常数据进行修正或删除；最后进行去重操作；
步骤S2、根据区域人口变化的自然规律，构造包含人口自然变化率、区域间人口流动率与省际人口流动率的人口变化动力学方程（1），如下所示：
；
其中，表示/>时段区域/>内的人口数量，/>为在区域/>中的人口数量，/>为时间戳；/>为区域个数总和；/>为/>时段区域/>内的人口数量；/>为区域标签；/>为区域/>内人口增长率,其包括出生人口和省际迁入人口两个因素；/>为区域/>内人口降低率，包括死亡人口和省际迁出人口两个因素；/>为区域/>间人口流入率；/>为区域/>间人口流出率；
步骤S3、输入随机种子，令生成对抗网络（GAN）的生成器输出步骤S2中人口变化动力学方程中需要的四组参数；
步骤S4、根据步骤S2中的人口变化动力学方程（1）与步骤S3中获得的四组参数，构建人口变化动力学模型，将人口动力学模型作用于人口分布数据，预测生成/>时刻点的预测人口数据/>，得到各时间划分区域内的预测人口分布数据/>，其中；
步骤S5、构造生成对抗网络（GAN）中的判别器网络，将人口演化动力学模型的输出的不同时刻不同区域的预测人口分布数据和真实人口分布/>一同作为输入，并构造与预测人口分布数据/>和真实人口分布/>有关的损失函数，使其完成判别数据真伪的任务；
步骤S6、构造生成对抗网络（GAN）的损失函数如下：
其中，G为生成器，D为判别器，为分布函数的期望值，/>代表真实数据分布/>，/>代表虚模拟数据分布/>；
步骤S7、根据步骤S6中的生成对抗网络损失函数，对步骤S3-S5所述的生成对抗网络模型进行迭代，获取优质的参数生成器，具体过程如下：
步骤S71、将随机种子作为生成对抗网络生成器的输入，输出一系列的人口演化模型参数；
步骤S72、将人口演化动力学模型融入生成对抗网络，使用该模型与生成器的输出参数构造用于输入判别器的“模拟数据”；
步骤S73、使用真实数据与模拟数据/>作为生成对抗网络判别器的输入，对判别器进行训练；
步骤S74、使用训练好的判别器，结合人口演化动力学模型对生成对抗网络生成器进行训练；
步骤S75、重复步骤S71到步骤S74，直到生成对抗网络的损失函数下降至稳定，完成生成对抗网络的迭代，即可使用生成对抗网络的生成器得到人口动力学模型参数。
步骤S8、根据步骤S7得到的参数生成器，使用生成器输出的可靠参数结合人口演化动力学模型，构造得到基于深度生成对抗式网络的区域人口演化模型。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于深度生成对抗式网络的区域人口演化模型构造方法。如图3所示，为本发明实施例提供的一种基于深度生成对抗式网络的区域人口演化模型构造方法所在任意具备数据处理能力的设备的一种硬件结构图，除了图3所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的基于深度生成对抗式网络的区域人口演化模型构造方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（FlashCard）等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (9)
1.一种基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，包括以下步骤：
(1)获取人口的变化数据：获取所划分区域内大于三个月的连续时段Tdata内各个子区域人口的变化数据，获得各时间点行政区域内的真实人口分布数据Pt，其中各子区域点的人口分布为Pi t；
(2)构建动力学模型：根据区域人口变化的自然规律，构造包含人口自然变化率、区域间人口流动率与省际人口流动率的人口变化动力学方程，进而基于该方程构建人口演化动力学模型；所述构造的人口变化动力学方程(1)如下：
其中，表示t+1时段区域i内的人口数量，Pi为在区域i中的人口数量，t为时间戳；N为区域个数总和；/>为t时段区域i内的人口数量；i，j为区域标签；αi为区域i内人口增长率，其包括出生人口和省际迁入人口两个因素；βi为区域i内人口降低率，包括死亡人口和省际迁出人口两个因素；γij为区域i，j间人口流入率；δij为区域i，j间人口流出率；
(3)构建生成器网络：输入随机种子，令生成对抗网络的生成器输出步骤(2)中人口变化动力学方程中需要的四组参数；所述生成器后连接人口演化动力学模型，将四组参数代入人口变化动力学方程对人口分布数据Pt进行演化模拟；
(4)获得人口分布：根据步骤(3)得到的参数构建人口演化动力学模型，将人口演化动力学模型作用于人口分布数据Pt，预测生成t+1时刻点的预测人口数据Kt+1，得到各时间点划分区域内的预测人口分布数据Kt，其中t＝2，3，...，M+1；
(5)模型训练：构造判别器网络，将人口演化动力学模型的输出的不同时刻不同区域的预测人口分布数据Kt和真实人口分布Pt一同作为输入，构造与预测人口分布数据Kt和真实人口分布Pt有关的损失函数，即获得了完整的区域人口演化训练模型；区域人口演化训练模型通过迭代和训练，进而获得最优区域人口演化训练模型；
(6)得到基于深度生成对抗式网络的区域人口演化模型：由步骤(5)得到的最优区域人口演化训练模型中获得训练好的生成器网络，使用生成器网络输出的参数结合人口演化动力学模型，构造得到基于深度生成对抗式网络的区域人口演化模型。
2.根据权利要求1所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述步骤(1)中获得各时间点行政区域内的真实人口分布数据Pt，是将所述变化数据按固定的时间间隔s划分成M个时间点t而获得；所述t＝1，2，...，M。
3.根据权利要求1所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述步骤(5)中的迭代和训练，具体为，所述区域人口演化训练模型为生成对抗网络的变体，拥有生成对抗网络的自我迭代特性，通过生成器与判别器的循环迭代训练，获得最优的生成器与判别器，生成对抗网络与人口动力学方程融合得到的整个区域人口演化训练模型，最终获得最优区域人口演化模型。
4.根据权利要求1所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述步骤(5)是利用生成对抗式网络优化人口演化动力学模型的参数，令生成器网络与人口演化动力学模型结合，共同构成生成对抗网络中的生成模型，将人口变化动力学方程融入到深度神经网络模型中，其使最终能够利用本区域内某一时刻内的人口数来预测未来一段时间Tpredict内的人口数，所述Tpredict＜Tdata/3，具体包括：
(5.1)将随机参数作为生成对抗网络生成器的输入，输出一系列的人口演化模型参数；
(5.2)将人口演化动力学模型融入生成对抗网络，使用该模型与生成器的输出参数构造用于输入判别器的“模拟数据”Kt；
(5.3)使用真实数据Pt与模拟数据Kt作为生成对抗网络判别器的输入，对判别器进行训练；
(5.4)使用训练好的判别器，结合人口演化动力学模型对生成对抗网络生成器进行训练；由判别器的判别结果构造生成对抗网络的总损失函数；
(5.5)重复步骤(5.1)到步骤(5.4)，直到生成对抗网络的损失函数下降至稳定，完成生成对抗网络的迭代，即使用生成对抗网络的生成器得到人口演化动力学模型的参数。
5.根据权利要求4所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述步骤(5)中构造生成对抗网络的总损失函数的数学表达式如下：
其中，G为生成器，D为判别器，为分布函数的期望值，pdata(x)代表真实数据分布Pt，pz(z)代表虚模拟数据分布Kt。
6.根据权利要求1所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述基于深度生成对抗式网络的区域人口演化模型，具体包括以下模块：
(7.1)获取人口的变化数据模块：获取所划分区域内大于三个月的连续时段Tdata内各个子区域人口的变化数据，获得各时间点行政区域内的真实人口分布数据Pt，其中各子区域点的人口分布为
(7.2)人口演化动力学模型模块：所述人口演化动力学模型是利用人口变化动力学方程对人口分布数据进行预测得到的模型，若向该模型输入一时刻t的人口分布数据Pt，则输出下一时刻t+1的预测人口数据Kt+1；其中，人口变化动力学方程包含的四组参数(α，β，γ，δ)由下述生成器网络模块确定；
(7.3)生成对抗网络模块：生成式对抗网络是一种深度学习模型，该模型通过框架中生成模型和判别模型两个模块的互相博弈学习产生的输出；
(7.4)生成器网络模块：生成器网络模块与人口演化动力学模型模块共同构成生成对抗网络中的生成模型；所述生成器网络的任务是输入随机种子，输出人口变化动力学方程与人口演化动力学模型所需的四组参数(α，β，γ，δ)；
(7.5)判别器网络模块：判别器网络为生成对抗网络中的判别模型；所述判别器网络模块的任务是输入真实人口分布数据Pt与人口演化动力学模型产生的预测人口数据Kt，输出判别结果，以辅助训练与优化生成器网络；其中人口演化动力学模型使用了生成器网络输出的参数；
(7.6)区域人口演化模型模块：指利用步骤(4)训练好的生成器网络输出的参数，模拟出人口流动变化的人口演化动力学模型；
(7.7)区域人口演化训练模型模块：将人口演化动力学模型与生成对抗网络融合的模型；即区域人口演化训练模型，其为生成对抗网络的变体，具有生成对抗网络的自我迭代特性，通过生成器与判别器的循环迭代训练，获得最优的生成器网络与判别器网络，即最优的区域人口演化训练模型；通过区域人口演化训练模型中训练好的生成器网络输出的参数，结合人口演化动力学模型，进而构造得到基于深度生成对抗式网络的区域人口演化模型。
7.根据权利要求6所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述步骤(7.3)中生成模型的任务是生成使判别器无法与真实人口分布数据Pt区分的模拟实例；所述判别模型的任务为判断给定的实例是自然真实的实例还是人为模拟实例，且真实实例来源于数据集，模拟实例来源于生成模型，该模型为生成器网络与人口演化动力学模型的结合。
8.根据权利要求6所述的基于深度生成对抗式网络的区域人口演化模型构造方法，其特征在于，所述步骤(7.5)中判别结果指对一份真实人口分布数据Pt和人口演化动力学模型产生的预测人口数据Kt进行真/假二分类，以判别结果的准确率确定生成器是否优秀，判别器的准确率越低，生成器越好。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一项所述的基于深度生成对抗式网络的区域人口演化模型构造方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310275471.2A CN115983142B (zh) | 2023-03-21 | 2023-03-21 | 基于深度生成对抗式网络的区域人口演化模型构造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310275471.2A CN115983142B (zh) | 2023-03-21 | 2023-03-21 | 基于深度生成对抗式网络的区域人口演化模型构造方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115983142A CN115983142A (zh) | 2023-04-18 |
| CN115983142B true CN115983142B (zh) | 2023-08-29 |
Family
ID=85974522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310275471.2A Active CN115983142B (zh) | 2023-03-21 | 2023-03-21 | 基于深度生成对抗式网络的区域人口演化模型构造方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983142B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451195A (zh) * | 2017-07-03 | 2017-12-08 | 三峡大学 | 一种基于大数据可视化的兵棋推演系统 |
| CN108334497A (zh) * | 2018-02-06 | 2018-07-27 | 北京航空航天大学 | 自动生成文本的方法和装置 |
| EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
| CN111191667A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 基于多尺度生成对抗网络的人群计数方法 |
| CN112070263A (zh) * | 2020-07-13 | 2020-12-11 | 西安交通大学 | 基于长短期记忆网络模型的城市人群流动预测方法 |
| CN112508300A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 建立风险预测模型的方法、区域风险预测方法及对应装置 |
| CN113392779A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 基于生成对抗网络的人群监控方法、装置、设备及介质 |
| CN114973112A (zh) * | 2021-02-19 | 2022-08-30 | 四川大学 | 一种基于对抗学习网络的尺度自适应密集人群计数方法 |
| CN115238589A (zh) * | 2022-08-09 | 2022-10-25 | 浙江大学 | 一种基于生成对抗网络的人群移动预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230051955A1 (en) * | 2021-07-30 | 2023-02-16 | Cognizant Technology Solutions U.S. Corporation | System and Method For Regularized Evolutionary Population-Based Training |
-
2023
- 2023-03-21 CN CN202310275471.2A patent/CN115983142B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107451195A (zh) * | 2017-07-03 | 2017-12-08 | 三峡大学 | 一种基于大数据可视化的兵棋推演系统 |
| CN108334497A (zh) * | 2018-02-06 | 2018-07-27 | 北京航空航天大学 | 自动生成文本的方法和装置 |
| EP3591586A1 (en) * | 2018-07-06 | 2020-01-08 | Capital One Services, LLC | Data model generation using generative adversarial networks and fully automated machine learning system which generates and optimizes solutions given a dataset and a desired outcome |
| CN111191667A (zh) * | 2018-11-15 | 2020-05-22 | 天津大学青岛海洋技术研究院 | 基于多尺度生成对抗网络的人群计数方法 |
| CN112070263A (zh) * | 2020-07-13 | 2020-12-11 | 西安交通大学 | 基于长短期记忆网络模型的城市人群流动预测方法 |
| CN112508300A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 建立风险预测模型的方法、区域风险预测方法及对应装置 |
| CN114973112A (zh) * | 2021-02-19 | 2022-08-30 | 四川大学 | 一种基于对抗学习网络的尺度自适应密集人群计数方法 |
| CN113392779A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 基于生成对抗网络的人群监控方法、装置、设备及介质 |
| CN115238589A (zh) * | 2022-08-09 | 2022-10-25 | 浙江大学 | 一种基于生成对抗网络的人群移动预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 全球留学生流动的空间演化、机理、效应与中国响应;侯纯光;《中国博士学位论文全文数据库 哲学与人文科学辑》;第F089-1页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115983142A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104798043B (zh) | 一种数据处理方法和计算机系统 | |
| Sukhija et al. | The recent state of educational data mining: A survey and future visions | |
| CN105446988B (zh) | 预测类别的方法和装置 | |
| Lin et al. | Machine learning templates for QCD factorization in the search for physics beyond the standard model | |
| CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
| CN110889450B (zh) | 超参数调优、模型构建方法和装置 | |
| Sun et al. | A distributionally robust joint chance constrained optimization model for the dynamic network design problem under demand uncertainty | |
| CN104933428A (zh) | 一种基于张量描述的人脸识别方法及装置 | |
| CN105005711A (zh) | 获取统计线损的方法及装置 | |
| CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
| CN106373057A (zh) | 一种面向网络教育的成绩不良学习者识别方法 | |
| Wang et al. | Application and improvement of a system dynamics model to forecast the volume of containers | |
| CN114913923A (zh) | 针对单细胞染色质开放性测序数据的细胞类型识别方法 | |
| CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
| Zhu et al. | A bootstrap based virtual sample generation method for improving the accuracy of modeling complex chemical processes using small datasets | |
| Sun | Sports performance prediction based on chaos theory and machine learning | |
| Hazenfratz et al. | Neural networks (SOM) applied to INAA data of chemical elements in archaeological ceramics from Central Amazon | |
| Wang et al. | Optimising the distribution of multi-cycle emergency supplies after a disaster | |
| Li et al. | Combining physical approaches with deep learning techniques for urban building energy modeling: A comprehensive review and future research prospects | |
| CN115983142B (zh) | 基于深度生成对抗式网络的区域人口演化模型构造方法 | |
| CN109978211A (zh) | 航班进离港率的预测方法和装置 | |
| Wang et al. | An empirical classification-based framework for the safety criticality assessment of energy production systems, in presence of inconsistent data | |
| Chen | Hotel management evaluation index system based on data mining and deep neural network | |
| Pooyandeh et al. | Smart Lithium-Ion Battery Monitoring in Electric Vehicles: An AI-Empowered Digital Twin Approach | |
| CN108074240A (zh) | 识别方法、识别装置、计算机可读存储介质及程序产品 |
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 | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |