CN116523104A - 基于情景感知和深度学习的异常群体流量预测方法及装置 - Google Patents
基于情景感知和深度学习的异常群体流量预测方法及装置 Download PDFInfo
- Publication number
- CN116523104A CN116523104A CN202310261342.8A CN202310261342A CN116523104A CN 116523104 A CN116523104 A CN 116523104A CN 202310261342 A CN202310261342 A CN 202310261342A CN 116523104 A CN116523104 A CN 116523104A
- Authority
- CN
- China
- Prior art keywords
- event
- group flow
- space
- group
- flow
- 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 65
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000010586 diagram Methods 0.000 claims abstract description 112
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000004044 response Effects 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 230000004087 circulation Effects 0.000 claims description 17
- 238000005316 response function Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000004 hemodynamic effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G06F16/20—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
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于情景感知和深度学习的异常群体流量预测方法及装置,通过构建群体流量时空预测模型并进行训练,得到经训练的群体流量时空预测模型,获取历史群体流量和地图区域边界,并筛选位于地图区域边界内的历史群体流量,得到区域群体流量,根据区域群体流量构建群体流量时空图;获取事件信息,根据事件信息及其对应的城市环境数据提取得到事件时序特征,根据事件信息和区域群体流量提取得到事件空间影响矩阵;将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型,能够预测得到未来群体流量和事件引发的群体流量波动,并能对未来出现的异常群体流量进行及时响应。
Description
技术领域
本发明涉及流量预测领域,具体涉及一种基于情景感知和深度学习的异常群体流量预测方法及装置。
背景技术
理解群体行为一直以来都是一个重要的研究课题,群体流量不仅与每个居民都息息相关,而且也是城市管理部门的关注重点。并且异常群体流量更值得关注,因为异常群体流量是超出预期的,可能会造成交通拥堵、人员踩踏、甚至通讯网络瘫痪的严重后果。
传统的异常群体流量检测方法往往是基于当前的流量情况以及历史的经验来判断当前群体流量是否属于异常情况。但是,该方法的主要缺陷在于无法及时响应未来可能出现的异常情况,只能解决当下已经存在的流量异常问题。虽然也可以将群体流量预测方法与异常群体流量检测方法进行结合,但是现有的群体流量预测方法通常都是对群体流量的时空模式进行建模,虽然也有部分模型考虑将常见的天气、时间等因素融合进预测模型,但是这类方法都倾向于捕获常规稳定的模式,而将事件所触发的异常流量视为噪声,无法有效预测未来可能出现的异常群体流量,所以也无法解决对未来出现的异常群体流量进行及时响应的问题。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于情景感知和深度学习的异常群体流量预测方法及装置,来解决以上背景技术部分提到的技术问题。
第一方面,本发明提供了一种基于情景感知和深度学习的异常群体流量预测方法,包括以下步骤:
S1,构建群体流量时空预测模型并进行训练,得到经训练的群体流量时空预测模型,群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络,事件时序影响预测分支包括通道间注意力网络和第二全连接网络,群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元;
S2,获取历史群体流量和地图区域边界,并筛选位于地图区域边界内的历史群体流量,得到区域群体流量,根据区域群体流量构建群体流量时空图;
S3,获取事件信息,根据事件信息及其对应的城市环境数据提取得到事件时序特征,根据事件信息和区域群体流量提取得到事件空间影响矩阵;
S4,将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型,群体流量时空图输入第一图卷积神经网络中,得到多个图特征,多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;事件时序特征输入通道间注意力网络,得到通道间注意力网络的有效表示,群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元,得到拼接结果,事件空间影响矩阵输入空间图构建模块,得到事件空间影响图,事件空间影响图输入第二图卷积神经网络,得到事件空间影响的隐含表示,事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络,得到未来群体流量,拼接结果输入第二全连接网络,得到事件引发的群体流量波动。
作为优选,步骤S2中根据区域群体流量构建群体流量时空图,具体包括:
将区域群体流量中对应不同历史时间段的群体流量进行抽取,作为区域群体流量的时序特征;
通过不同区域间的地理距离计算出地理距离临近程度;
通过统计每个区域内各种类型的兴趣点的数量,得到兴趣点向量,并计算不同区域间的兴趣点向量的相似度,得到功能区相似度;
将每个区域历史时间段内的群体流量作为区域对应的流量模式向量,采用皮尔逊相关系数计算不同区域间的流量模式向量的相关性,得到群体流量相关度;
将区域群体流量的时序特征作为节点,分别以地理距离临近程度、功能区相似度和群体流量相关度作为边,构造群体流量时空图。
作为优选,步骤S3中根据事件信息及其对应的城市环境数据提取得到事件时序特征,具体包括:
根据事件信息获取与事件相关的各类时序情景特征,时序情景特征包括事件语义化特征、事件时间特征和事件天气特征;
对时序情景特征进行预处理,得到事件时序特征。
作为优选,事件时序影响预测分支中的通道间注意力网络的计算过程如下:
sc=Fex(zc,w)=σ(g(zc,w))=σ(w2δ(w1zc));
其中,是在空间维度H×W上挤压事件时序特征uc得到的特征,H表示历史时间窗口,W表示特征维度;Fsq表示挤压函数,使用平均方式计算;Fex表示激发函数,由两个全连接网络σ和δ组成,σ表示Sigmoid函数,δ表示Relu函数,/>和/>为学习参数;/>表示事件时序特征的有效表示,Fscale(uc,sc)指在事件时序特征与标量sc之间通道级别的乘法操作。
作为优选,步骤S3中根据事件信息和区域群体流量提取得到事件空间影响矩阵,具体包括:
将事件信息采用结构化语言表示,得到事件信息的结构化表示;
根据事件信息的结构化表示和区域群体流量采用刺激响应函数对事件的空间影响进行拟合,得到事件空间影响矩阵。
作为优选,事件空间影响预测分支中的空间图构建模块的计算过程如下:
将事件空间影响矩阵中的每一列元素对应一个区域的刺激响应序列;
通过不同区域间的地理距离计算出地理距离临近程度;
通过统计每个区域内各种类型的兴趣点的数量,得到兴趣点向量,并计算不同区域间的兴趣点向量的相似度,得到功能区相似度;
采用皮尔逊相关系数计算不同区域间的刺激响应序列的相关性,得到刺激响应相似度;
将区域的刺激响应序列作为节点,分别以地理距离临近程度、功能区相似度和刺激响应相似度作为边,构造事件空间影响图。
作为优选,群体流量时空预测模型的训练过程中,群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支同时并行训练,群体流量预测分支和事件时序影响预测分支通过第三特征融合模块实现参数共享,群体流量预测分支与事件空间影响预测分支对应第一损失函数,事件时序影响预测分支对应第二损失函数;总损失函数的计算过程如下:
L=μ·Loss1+(1-μ)·Loss2;
其中,N表示区域的数量,D表示事件时序特征的数量,表示群体流量特征的隐含表示,/>表示事件时序特征的隐含表示,/>表示拼接结果,O表示群体流量预测任务在融合事件时序影响后的初步输出,GRU表示门控循环单元,/>表示事件空间影响图,GCN表示第二图卷积神经网络,OS表示事件空间影响图通过GCN建模空间关联后的隐含表示,/>表示预测出的未来群体流量,fo表示第一全连接网络,σ表示门控函数,⊙表示矩阵间的按位乘法,Loss1表示第一损失函数,Loss2表示第二损失函数,μ为自定义参数,L为总损失函数。
作为优选,第一特征融合模块中,将多个图特征采用拼接方式进行多图融合,得到群体流量特征的隐含表示;第二特征融合模块中,将事件空间影响的隐含表示与拼接结果采用拼接方式进行融合;第三特征融合模块中,结合门控和相加两种融合方式将群体流量特征的隐含表示与通道间注意力网络的有效表示进行特征融合。
第二方面,本发明提供了一种基于情景感知和深度学习的异常群体流量预测装置,包括:
模型构建模块,被配置为构建群体流量时空预测模型并进行训练,得到经训练的群体流量时空预测模型,群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络,事件时序影响预测分支包括通道间注意力网络和第二全连接网络,群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元;
群体流量特征获取模块,被配置为获取历史群体流量和地图区域边界,并筛选位于地图区域边界内的历史群体流量,得到区域群体流量,根据区域群体流量构建群体流量时空图;
时序空间特征获取模块,被配置为获取事件信息,根据事件信息及其对应的城市环境数据提取得到事件时序特征,根据事件信息和区域群体流量提取得到事件空间影响矩阵;
预测输出模块,被配置为将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型,群体流量时空图输入第一图卷积神经网络中,得到多个图特征,多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;事件时序特征输入通道间注意力网络,得到通道间注意力网络的有效表示,群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元,得到拼接结果,事件空间影响矩阵输入空间图构建模块,得到事件空间影响图,事件空间影响图输入第二图卷积神经网络,得到事件空间影响的隐含表示,事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络,得到未来群体流量,拼接结果输入第二全连接网络,得到事件引发的群体流量波动。
第三方面,本发明提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明通过情景感知技术获取城市中的群体流量、城市环境数据以及事件相关数据,再通过深度学习技术高效地构建群体流量时空图,同时为了响应事件触发的异常群体流量,采用注意力机制将事件时序情景对群体流量波动的影响融入群体流量预测时空模型,基于刺激响应的思想将事件空间情景对群体流量的影响建模融入群体流量预测时空模型,从而实现异常群体流量的预测。
(2)本发明提出群体流量预测任务与事件时序影响预测任务,通过特征拼接的方式来实现两个任务的参数共享,对两个任务损失函数使用加权和的方式进行统一,并且同时训练,提升模型的预测性能和鲁棒性。
(3)本发明提出的群体流量时空预测模型不仅可以准确预测未来一段时间的群体流量,还能够对事件引起的群体流量波动进行准确预测,并对未来出现的异常群体流量及时进行响应。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的流程示意图;
图3为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的整体流程框架图;
图4为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的区域群体流量提取示意图;
图5为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的异常群体流量时空示意图;
图6为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的群体流量预测基础模型的示意图;
图7为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的通道间注意力网络的示意图;
图8为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的事件时序影响融合的群体流量预测模型的示意图;
图9为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的群体流量时空预测模型的示意图;
图10为本申请的实施例的基于情景感知和深度学习的异常群体流量预测方法的台风影响下的群体流量预测结果的示意图;
图11为本申请的实施例的基于情景感知和深度学习的异常群体流量预测装置的示意图;
图12是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于情景感知和深度学习的异常群体流量预测方法或基于情景感知和深度学习的异常群体流量预测装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的基于情景感知和深度学习的异常群体流量预测方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,基于情景感知和深度学习的异常群体流量预测装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于情景感知和深度学习的异常群体流量预测方法,包括以下步骤:
S1,构建群体流量时空预测模型并进行训练,得到经训练的群体流量时空预测模型,群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络,事件时序影响预测分支包括通道间注意力网络和第二全连接网络,群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元。
具体的,群体流量时空预测模型的构建过程主要分为三个阶段框架,三个阶段层层递进,第一阶段是对异常群体流量进行提取并构建群体流量预测基础模型;第二阶段是在第一阶段的基础上,为群体流量预测基础模型增加事件对群体流量时序影响的建模,得到事件时序影响融合的群体流量预测模型;第三阶段是在第二阶段的基础上,为事件时序影响融合的群体流量预测模型增加事件对群体流量空间影响的建模,得到群体流量时空预测模型。在第一阶段,采用基于预测的方法对异常群体流量进行检测,通过结合历史群体流量和区域空间信息来构造群体流量时空图,然后使用深度学习的第一图神经网络和门控循环单元对群体流量时空图进行时空建模。在第二阶段,从时间维度抽取与事件相关的时序情景特征,采用通道间注意力机制充分利用多源的事件时序特征,为应对事件时序上的偶发性显示建立事件时序影响预测任务,基于多任务学习来将事件时序影响预测任务与群体流量时空预测任务进行协同训练,充分利用事件时序影响来预测群体流量。在第三阶段,采用结构化语言对多种事件进行统一表示,基于刺激响应机制来拟合事件对群体流量产生的空间影响,结合空间信息构建事件空间影响图,使用深度学习的第二图卷积神经网络来建模事件空间影响的区域关联,基于多视图学习采用多种融合方式将事件空间影响的隐含表示融入群体流量预测模型,最终得到情景感知事件驱动的群体流量时空预测模型,如图3所示。
第一阶段
首先,基于群智感知数据获取历史群体流量,基于地图开放平台获取区域边界信息。具体的,参考图4,从地图开放平台获取了城市十余类重要区域(比如学校、医院、商圈、宾馆、工业产业园、交通枢纽等)的经纬度边界数据,得到区域边界信息;基于群智感知获取城市中的出租车数据以及客流数据,得到历史群体流量。然后,为了对历史群体流量进行更好地分析,由于群体的行动通常都会围绕着某一区域进行,因此可按区域对历史群体流量进行筛选,基于PNPoly算法筛选落于区域内部的历史群体流量得到区域群体流量。具体的,基于PNPoly算法从出租车或行人位置引一条水平射线,通过判断该射线与区域边界的交点来判断该点是否位于区域内,若交点为偶数个,则该点在区域外,若交点为奇数个,则该点在区域内,从而可以提取位于区域内部的群体流量,即区域群体流量。
为了检测异常群体流量,本申请的实施例提出了一种基于预测方法的异常群体流量检测。ARIMA模型作为一种平稳序列的预测模型在早期被广泛使用。因此,本申请使用ARIMA模型对之前提取的区域群体流量进行建模,得到的预测结果可以视为常规下预期的群体流量结果。通过比较预测的群体流量结果与真实的群体流量情况,就可以判断对应时空下群体流量是否符合预期,如果不符合预期就认为是异常群体流量。在这里可结合了3-sigma准则,通过判断预测值与真实值之间的差异是否符合3-sigma准则来进行异常群体流量抽取。图5为异常群体流量抽取的示例,可以有效标记不符合预期的群体流量。基于ARIMA模型预测得到异常群体流量将会用于后续分析群体流量时空预测模型在异常群体流量上的预测性能,即标注出每个时间段每个区域的异常流量状态,后续在评估群体流量时空预测模型的性能时既可以从整个测试集上进行评估,也可以从测试集中属于异常流量状态的部分进行评估。
而后,对群体流量进行时空建模,以对未来群体流量进行预测。首先,在时序上,从邻近性(如最近6个小时的流量)、周期性(如最近4周对应时间的流量)和趋势性(如最近3个月对应时间的流量)分别对区域群体流量进行考虑,将对应时间的区域群体流量进行抽取作为区域群体流量的时序特征。在空间上,分别从地理距离邻近程度(通过区域的地理距离来计算)、功能区相似度(通过区域内各类型感兴趣点的统计数量之间的相似度来计算)、群体流量相关度(通过不同区域的群体流量模式的相关度来计算)三个角度来抽取区域群体流量的空间特征。综上,将区域群体流量的时序特征作为结点,区域群体流量的空间特征作为边,从而构造得到群体流量时空图。
基于上一步获取的群体流量时空图,接下来将对群体流量进行时空建模。由于某一区域的群体流量通常会受到周边群体流量的影响,首先使用第一图卷积神经网络来捕获群体流量的空间关联,由于使用了多种空间关联,因此在本申请中使用第一特征融合模块,该第一特征融合模块采用基于拼接的方式进行多图融合,得到区域群体流量的隐含表示。此外,某一时刻的群体流量往往受到先前群体流量的影响,因此使用了门控循环单元来对第一图卷积网络的输出进行时序建模。最后,通过第一全连接网络来将区域群体流量的隐含表示映射为群体流量的预测结果。至此,可得到群体流量预测基础模型(MG模型),该模型中的激活函数使用tanh,优化器使用Adam进行模型训练。MG模型结构如图6所示,输入为群体流量时空图,输出为各区域的未来群体流量。MG模型能够对常规群体流量进行准确预测,后续将在该模型的基础上从时间和空间两方面建模事件对群体流量的影响,从而进一步提升模型性能,使之能够对事件引发的异常群体流量进行更加准确的预测。
第二阶段
由于异常群体流量通常是由事件触发的,比如台风、会议、演唱会、节日等。因此需要在时间维度分别对事件情景进行抽取,并对事件影响进行建模。
首先,基于群智感知技术搜索与事件相关的各类时序情景特征,包括事件类型、事件规模、事件的网络话题讨论热度、事件对应的时间信息、事件对应的天气信息等;具体的,抽取与事件相关的时序情景的结构化表示作为时序情景特征。时序情景特征主要可以分为三类:事件语义化特征、事件时间特征、事件天气特征。事件语义化特征包括事件类型(台风、演唱会、运动会等)、事件影响类别(正面或负面)、事件规模(参与事件的大概人数)、事件的网络话题讨论热度(比如在百度的搜索指数、微博的讨论热度等),这些信息可以通过微指数、百度指数等平台进行获取。事件时间特征对应的是事件所发生的时间,可以基于时间戳信息使用python包pandas进行解析,最终保留一天中的第几小时、一周中的第几天、一月中的第几天、属于第几季度、是否为早晚高峰等信息来作为事件时间特征。事件天气特征对应的是事件发生时的天气情况,这些数据可以通过天气API进行获取,天气特征一方面可以细粒度刻画天气相关事件的变化情况,另一方面会影响道路可见度及驾驶人出行心情,本申请的实施例中以小时为粒度提取了温度、湿度、风速、天气状况等特征作为天气相关特征。对于搜索的事件时序特征进行数据预处理,对于标称型数据(如天气类别、事件类型)使用独热编码进行处理,对于少数缺失数据使用插值方法进行处理。在数据预处理方面,对缺失的值使用了插值进行填充,对于温度、湿度等定量数据进行归一化处理,对于天气状况等定性数据进行独热编码处理。
在上一步得到了事件时序情景的结构化表示是一个由事件、天气、时间组成的时序情景特征。由于事件时序情境中存在大量的特征,需要一种方法来从中提取有效的信息。例如,事件类型特征相比于缓慢发生变化的季度特征,可能会更显著地影响群体的行为。为充分利用多源的事件时序特征的优势,本申请的实施例使用通道间注意力网络来为多源的事件时序特征进行加权,提取事件时序特征的有效表示。通过挤压激发事件时序特征并自动分配合适的权重,如图7所示,其输入为上一步抽取的事件时序特征,输出为通过注意力机制赋予的权重缩放后的事件时序特征的有效表示。此处的事件时序特征的有效表示将用于后续建模事件对群体流量的时序影响,这将使得模型能够充分利用多源的事件时序特征的优势。
在具体的实施例中,事件时序影响预测分支中的通道间注意力网络的计算过程如下:
sc=Fex(zc,w)=σ(g(zc,w))=σ(w2δ(w1zc));
其中,是在空间维度H×W上挤压事件时序特征uc得到的特征,H表示历史时间窗口,W表示特征维度;Fsq表示挤压函数,使用平均方式计算;Fex表示激发函数,由两个全连接网络σ和δ组成,σ表示Sigmoid函数,δ表示Relu函数,/>和/>为学习参数;/>表示事件时序特征的有效表示,Fscale(uc,sc)指在事件时序特征与标量sc之间通道级别的乘法操作。
在提取事件时序特征的有效表示后,为解决事件的偶发性问题,本申请建立了除群体流量预测外的第二个任务——事件时序影响预测任务,该任务定义如下方公式所示:
其中,符号:表示取对应特征第一个维度的所有值,Y(:,t+1)表示所有区域在t+1时刻的群体流量波动,X(:,t+1)表示所有区域在t+1时刻的群体流量真实值,表示所有区域在t+1时刻使用群体流量预测基础模型(MG模型)得到的预测值,E(:,t-M:t)表示所有事件相关时序特征从t时刻起过去M个时段的值,Attention表示通道间注意力网络,GRU表示门控循环单元,FNN表示第二全连接网络。
将事件时序特征E(:,t-M:t)作为输入,输出为事件引发的群体流量波动,首先通过上述提到的通道间注意力网络Attention提取事件时序特征的有效表示,再使用门控循环单元GRU建模依赖,最后通过第二全连接网络FNN映射到输出。此处的事件引起的群体流量波动表示群体流量预测模型的预测结果与真实群体流量之间的差异,可以将常规群体流量预测结果视为在没有事件的情况下群体流量的预期,而与真实值之间的差异就是事件引起的群体流量波动。
为应对事件在时序上的偶发性,在事件时序影响预测分支中,通过将事件时序特征作为输入,经过通道间注意力网络、门控循环单元和第二全连接网络,映射到事件时序特征对应的流量波动,显示建模事件时序影响预测任务。为融合事件的时序影响,通过多任务学习机制,将事件时序影响预测任务与群体流量时空预测任务进行同时并行训练,充分利用两项任务的知识,使得事件的时序影响融入群体流量预测任务中。群体流量预测模型的框架如图8所示,输入为群体流量时空图和事件时序特征,输出为未来群体流量与事件引发的群体流量波动/>第三特征融合模块通过特征拼接的方式来实现两个任务的参数共享,对两个任务损失函数使用加权和的方式进行统一,从而同时训练,提升模型的预测性能和鲁棒性。
第三阶段
由于事件对于不同区域所产生的流量影响不同,且这些流量影响间存在一定的空间关联,因此需要空间维度考虑去抽取事件的空间情景,并进行影响建模。首先,对多种事件信息使用结构化语言进行统一表示,比如事件名称、发生时间、发生地点经纬度等。由于事件中可能存在长期事件(如国庆长假、疫情管控等)和短期事件(如音乐会、运动会等),而长期事件中只有事件开始和事件结束会带来流量突然地影响,其余的事件持续时间内都会维持一个较为稳定的状态,因此将长期事件根据先验知识拆解成事件开始日和事件结束日分开进行表示。
然后,在空间图构建模块中,基于事件信息的结构化表示和群体流量数据可以使用刺激响应函数对事件的空间影响进行拟合。一种被广泛使用的刺激响应描述函数是血流动力学响应函数,用于描述在刺激出现后血流量随时间变化的情况,如下方公式所示:
其中,y(t)表示实际t时刻的血流量,η0表示在未发生刺激时正常情况下的血流量,求和符号以及积分符号表示对i个刺激响应的叠加,ui表示第i个刺激,ηi表示第i个刺激对应的响应函数。
受到血流动力学响应函数的启发,将实际t时刻的群体流量作为y(t),由于不同时间步对应未发生事件的正常流量不同,因此未发生事件的正常流量表示为η0(t),由于群体流量在同一时间和地点只会受到一个事件的影响,因此可以用单个事件刺激函数u(t)和对应响应函数η(t)进行表示,由于群体可以通过官网预告、天气预报等方式对事件发生进行预先感知,因此将事件刺激的积分作用域由[0,T]改为[-T/2,T/2],修改后的群体流量响应函数如下所示:
由于事件会在t=0时刻由未发生状态转为发生状态,因此事件刺激函数可以使用δ(t)函数表示,当假设事件影响在区间[-T/2,T/2]之外为0时,可以忽略积分运算和刺激函数,从而将群体流量响应函数简化为如下公式所示:
η(t)=y(t)-η0(t)
通过获取事件影响下的群体流量y(t)与未发生事件下正常流量η0(t),就可以得到群体流量的刺激响应函数,为了更方便地对群体流量的刺激响应函数进行表示,可以使用指定函数对其进行平滑拟合,在本申请的实施例中经过实验使用二次函数进行拟合,如下公式所示:
其中,表示拟合得到的刺激响应函数表达式,a、b、c为拟合的参数,t为时间信息。
在本申请的实施例中,抽取了事件发生前后12个小时的区域流量与没有事件发生时对应小时的平均流量。如果事件有多次发生,可以对多次发生时的流量值进行平均,以降低其他未知情况对群体流量的影响。基于刺激响应函数,将事件发生时的群体流量减去无事件发生时的群体流量作为事件引发的群体流量变化,然后使用二次函数进行拟合。基于上述的处理流程可以得到各个事件所对应各个区域的空间影响,当没有事件时就对将事件空间影响置为0,进而可以得到一个形状为区域n乘以时间t的事件空间影响矩阵,该矩阵每一行对应一个时间,每一列对应一个区域。
在具体的实施例中,事件空间影响预测分支中的空间图构建模块的计算过程如下:
将事件空间影响矩阵中的每一列元素对应一个区域的刺激响应序列;
通过不同区域间的地理距离计算出地理距离临近程度;
通过统计每个区域内各种类型的兴趣点的数量,得到兴趣点向量,并计算不同区域间的兴趣点向量的相似度,得到功能区相似度;
采用皮尔逊相关系数计算不同区域间的刺激响应序列的相关性,得到刺激响应相似度;
将区域的刺激响应序列作为节点,分别以地理距离临近程度、功能区相似度和刺激响应相似度作为边,构造事件空间影响图。
具体的,由于事件触发的流量波动在空间上会进行传递,因此需要提取事件在各区域的刺激响应之间的空间关联。为此首先使用区域对应的刺激响应序列作为节点特征,将地理距离临近程度、功能区相似度和刺激响应相似度作为节点之间的边,以此构造一个事件对区域产生的事件空间影响图。接下来使用第二图卷积神经网络捕获区域刺激响应之间的空间关联,得到事件空间影响图的隐含表示。最后基于多视图学习的思想,将事件触发的群体流量响应作为看待群体流量的另一个视图,第二特征融合模块采用基于门控和相加的融合机制将事件空间影响的隐含表示融入群体流量预测模型中,至此得到了完整地情景感知、事件驱动的群体流量时空预测模型,如图9所示。该群体流量时空预测模型将群体流量时空图、事件时序特征、事件空间特征作为输入,将未来群体流量和事件引发的群体流量波动作为输出,通过多图卷积、多任务学习、多视图学习等机制,从时间和空间两个角度建模事件对群体流量的影响,以进一步提升群体流量预测模型的准确度,使得模型拥有响应事件引发的异常群体流量的能力。为了判断未来流量是否属于异常群体流量,可以结合模型预测结果和ARIMA预测结果,通过3-sigma准则进行判断。
在具体的实施例中,群体流量时空预测模型的训练过程中,群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支同时并行训练,群体流量预测分支和事件时序影响预测分支通过第三特征融合模块实现参数共享,群体流量预测分支与事件空间影响预测分支对应第一损失函数,事件时序影响预测分支对应第二损失函数;总损失函数的计算过程如下:
L=μ·Loss1+(1-μ)·Loss2;
其中,N表示区域的数量,D表示事件时序特征的数量,表示群体流量特征的隐含表示,/>表示事件时序特征的隐含表示,/>表示拼接结果,通过在特征维度上进行拼接从而使得后续训练将共享参数,O表示群体流量预测任务在融合事件时序影响后的初步输出,GRU表示门控循环单元,/>表示事件空间影响图,GCN表示第二图卷积神经网络,OS表示事件空间影响图通过GCN建模空间关联后的隐含表示,/>表示群体流量预测任务在融合事件对群体流量的时空影响后的最终输出,fo表示第一全连接网络,用于将融合特征映射到最终的群体流量预测输出,σ表示门控函数,可选择sigmoid函数,⊙表示矩阵间的按位乘法,Loss1表示第一损失函数,Loss2表示第二损失函数,μ为自定义参数,L为总损失函数。
具体的,μ用于分配两个任务的权重,在本申请的实施例中经过实验设置为0.7。
S2,获取历史群体流量和地图区域边界,并筛选位于地图区域边界内的历史群体流量,得到区域群体流量,根据区域群体流量构建群体流量时空图。
在具体的实施例中,步骤S2中根据区域群体流量构建群体流量时空图,具体包括:
将区域群体流量中对应不同历史时间段的群体流量进行抽取,作为区域群体流量的时序特征;
通过不同区域间的地理距离计算出地理距离临近程度;
通过统计每个区域内各种类型的兴趣点的数量,得到兴趣点向量,并计算不同区域间的兴趣点向量的相似度,得到功能区相似度;
将每个区域历史时间段内的群体流量作为区域对应的流量模式向量,采用皮尔逊相关系数计算不同区域间的流量模式向量的相关性,得到群体流量相关度;
将区域群体流量的时序特征作为节点,分别以地理距离临近程度、功能区相似度和群体流量相关度作为边,构造群体流量时空图。
具体的,在得到经训练的群体流量时空预测模型后,将待预测区域的历史群体流量和地图区域边界采用上述步骤获得群体流量时空图。
S3,获取事件信息,根据事件信息及其对应的城市环境数据提取得到事件时序特征,根据事件信息和区域群体流量提取得到事件空间影响矩阵。
在具体的实施例中,步骤S3中根据事件信息及其对应的城市环境数据提取得到事件时序特征,具体包括:
根据事件信息获取与事件相关的各类时序情景特征,时序情景特征包括事件语义化特征、事件时间特征和事件天气特征;
对时序情景特征进行预处理,得到事件时序特征。
在具体的实施例中,步骤S3中根据事件信息和区域群体流量提取得到事件空间影响矩阵,具体包括:
将事件信息采用结构化语言表示,得到事件信息的结构化表示;
根据事件信息的结构化表示和区域群体流量采用刺激响应函数对事件的空间影响进行拟合,得到事件空间影响矩阵。
具体的,同样采用上述步骤获取得到事件时序特征和事件空间影响矩阵。
S4,将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型,群体流量时空图输入第一图卷积神经网络中,得到多个图特征,多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;事件时序特征输入通道间注意力网络,得到通道间注意力网络的有效表示,群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元,得到拼接结果,事件空间影响矩阵输入空间图构建模块,得到事件空间影响图,事件空间影响图输入第二图卷积神经网络,得到事件空间影响的隐含表示,事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络,得到未来群体流量,拼接结果输入第二全连接网络,得到事件引发的群体流量波动。
在具体的实施例中,第一特征融合模块中,将多个图特征采用拼接方式进行多图融合,得到群体流量特征的隐含表示;第二特征融合模块中,将事件空间影响的隐含表示与拼接结果采用拼接方式进行融合;第三特征融合模块中,结合门控和相加两种融合方式将群体流量特征的隐含表示与通道间注意力网络的有效表示进行特征融合。
具体的,该经训练的群体流量时空预测模型不仅能够对正常的群体流量进行准确预测,且对事件引发的异常群体流量也能准确响应,预测效果相比传统时空群体流量建模方法有了明显提升,结果示意图如图10所示,图10(a)表示事件发生时城市内区域流量的异常情况,10(b)为两个典型区域的群体流量预测情况对比,10(c)为事件相关的时序特征。
进一步参考图11,作为对上述各图所示方法的实现,本申请提供了一种基于情景感知和深度学习的异常群体流量预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于情景感知和深度学习的异常群体流量预测装置,包括:
模型构建模块1,被配置为构建群体流量时空预测模型并进行训练,得到经训练的群体流量时空预测模型,群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络,事件时序影响预测分支包括通道间注意力网络和第二全连接网络,群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元;
群体流量特征获取模块2,被配置为获取历史群体流量和地图区域边界,并筛选位于地图区域边界内的历史群体流量,得到区域群体流量,根据区域群体流量构建群体流量时空图;
时序空间特征获取模块3,被配置为获取事件信息,根据事件信息及其对应的城市环境数据提取得到事件时序特征,根据事件信息和区域群体流量提取得到事件空间影响矩阵;
预测输出模块4,被配置为将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型,群体流量时空图输入第一图卷积神经网络中,得到多个图特征,多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;事件时序特征输入通道间注意力网络,得到通道间注意力网络的有效表示,群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元,得到拼接结果,事件空间影响矩阵输入空间图构建模块,得到事件空间影响图,事件空间影响图输入第二图卷积神经网络,得到事件空间影响的隐含表示,事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络,得到未来群体流量,拼接结果输入第二全连接网络,得到事件引发的群体流量波动。
下面参考图12,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置1200的结构示意图。图12示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示,计算机装置1200包括中央处理单元(CPU)1201和图形处理器(GPU)1202,其可以根据存储在只读存储器(ROM)1203中的程序或者从存储部分1209加载到随机访问存储器(RAM)1204中的程序而执行各种适当的动作和处理。在RAM 1204中,还存储有装置1200操作所需的各种程序和数据。CPU 1201、GPU1202、ROM 1203以及RAM 1204通过总线1205彼此相连。输入/输出(I/O)接口1206也连接至总线1205。
以下部件连接至I/O接口1206:包括键盘、鼠标等的输入部分1207;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分1208;包括硬盘等的存储部分1209;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1210。通信部分1210经由诸如因特网的网络执行通信处理。驱动器1211也可以根据需要连接至I/O接口1206。可拆卸介质1212,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1211上,以便于从其上读出的计算机程序根据需要被安装入存储部分1209。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1210从网络上被下载和安装,和/或从可拆卸介质1212被安装。在该计算机程序被中央处理单元(CPU)1201和图形处理器(GPU)1202执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、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,该模块、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,两个接连地表示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操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:构建群体流量时空预测模型并进行训练,得到经训练的群体流量时空预测模型,群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络,事件时序影响预测分支包括通道间注意力网络和第二全连接网络,群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元;获取历史群体流量和地图区域边界,并筛选位于地图区域边界内的历史群体流量,得到区域群体流量,根据区域群体流量构建群体流量时空图;获取事件信息,根据事件信息及其对应的城市环境数据提取得到事件时序特征,根据事件信息和区域群体流量提取得到事件空间影响矩阵;将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型,群体流量时空图输入第一图卷积神经网络中,得到多个图特征,多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;事件时序特征输入通道间注意力网络,得到通道间注意力网络的有效表示,群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元,得到拼接结果,事件空间影响矩阵输入空间图构建模块,得到事件空间影响图,事件空间影响图输入第二图卷积神经网络,得到事件空间影响的隐含表示,事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络,得到未来群体流量,拼接结果输入第二全连接网络,得到事件引发的群体流量波动。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种基于情景感知和深度学习的异常群体流量预测方法,其特征在于,包括以下步骤:
S1,构建群体流量时空预测模型并进行训练,得到经训练的所述群体流量时空预测模型,所述群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,所述群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,所述事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,所述群体流量预测分支和所述事件空间影响预测分支共用第二特征融合模块和第一全连接网络,所述事件时序影响预测分支包括通道间注意力网络和第二全连接网络,所述群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元;
S2,获取历史群体流量和地图区域边界,并筛选位于所述地图区域边界内的历史群体流量,得到区域群体流量,根据所述区域群体流量构建群体流量时空图;
S3,获取事件信息,根据所述事件信息及其对应的城市环境数据提取得到事件时序特征,根据所述事件信息和区域群体流量提取得到事件空间影响矩阵;
S4,将所述群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的所述群体流量时空预测模型,所述群体流量时空图输入所述第一图卷积神经网络中,得到多个图特征,所述多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;所述事件时序特征输入所述通道间注意力网络,得到通道间注意力网络的有效表示,所述群体流量特征的隐含表示与所述通道间注意力网络的有效表示依次经过所述第三特征融合模块和门控循环单元,得到拼接结果,所述事件空间影响矩阵输入所述空间图构建模块,得到事件空间影响图,所述事件空间影响图输入所述第二图卷积神经网络,得到事件空间影响的隐含表示,所述事件空间影响的隐含表示与所述拼接结果依次经过所述第二特征融合模块和第一全连接网络,得到未来群体流量,所述拼接结果输入所述第二全连接网络,得到事件引发的群体流量波动。
2.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述步骤S2中根据所述区域群体流量构建群体流量时空图,具体包括:
将所述区域群体流量中对应不同历史时间段的群体流量进行抽取,作为所述区域群体流量的时序特征;
通过不同区域间的地理距离计算出地理距离临近程度;
通过统计每个区域内各种类型的兴趣点的数量,得到兴趣点向量,并计算不同区域间的兴趣点向量的相似度,得到功能区相似度;
将每个区域历史时间段内的群体流量作为区域对应的流量模式向量,采用皮尔逊相关系数计算不同区域间的流量模式向量的相关性,得到群体流量相关度;
将所述区域群体流量的时序特征作为节点,分别以地理距离临近程度、功能区相似度和群体流量相关度作为边,构造所述群体流量时空图。
3.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述步骤S3中根据所述事件信息及其对应的城市环境数据提取得到事件时序特征,具体包括:
根据所述事件信息获取与事件相关的各类时序情景特征,所述时序情景特征包括事件语义化特征、事件时间特征和事件天气特征;
对所述时序情景特征进行预处理,得到事件时序特征。
4.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述事件时序影响预测分支中的所述通道间注意力网络的计算过程如下:
sc=Fex(zc,w)=σ(g(zc,w))=σ(w2δ(w1zc));
其中,是在空间维度H×W上挤压事件时序特征uc得到的特征,H表示历史时间窗口,W表示特征维度;Fsq表示挤压函数,使用平均方式计算;Fex表示激发函数,由两个全连接网络σ和δ组成,σ表示Sigmoid函数,δ表示Relu函数,/>和/>为学习参数;表示事件时序特征的有效表示,Fscale(uc,sc)指在事件时序特征与标量sc之间通道级别的乘法操作。
5.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述步骤S3中根据所述事件信息和区域群体流量提取得到事件空间影响矩阵,具体包括:
将所述事件信息采用结构化语言表示,得到事件信息的结构化表示;
根据所述事件信息的结构化表示和区域群体流量采用刺激响应函数对事件的空间影响进行拟合,得到所述事件空间影响矩阵。
6.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述事件空间影响预测分支中的所述空间图构建模块的计算过程如下:
将所述事件空间影响矩阵中的每一列元素对应一个区域的刺激响应序列;
通过不同区域间的地理距离计算出地理距离临近程度;
通过统计每个区域内各种类型的兴趣点的数量,得到兴趣点向量,并计算不同区域间的兴趣点向量的相似度,得到功能区相似度;
采用皮尔逊相关系数计算不同区域间的刺激响应序列的相关性,得到刺激响应相似度;
将所述区域的刺激响应序列作为节点,分别以地理距离临近程度、功能区相似度和刺激响应相似度作为边,构造所述事件空间影响图。
7.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述群体流量时空预测模型的训练过程中,所述群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支同时并行训练,所述群体流量预测分支和所述事件时序影响预测分支通过所述第三特征融合模块实现参数共享,所述群体流量预测分支与事件空间影响预测分支对应第一损失函数,所述事件时序影响预测分支对应第二损失函数;总损失函数的计算过程如下:
L=μ·Loss1+(1-μ)·Loss2;
其中,N表示区域的数量,D表示事件时序特征的数量,表示群体流量特征的隐含表示,表示事件时序特征的隐含表示,/>表示拼接结果,O表示群体流量预测任务在融合事件时序影响后的初步输出,GRU表示门控循环单元,/>表示事件空间影响图,GCN表示第二图卷积神经网络,OS表示事件空间影响图通过GCN建模空间关联后的隐含表示,/>表示预测出的未来群体流量,fo表示第一全连接网络,σ表示门控函数,⊙表示矩阵间的按位乘法,Loss1表示第一损失函数,Loss2表示第二损失函数,μ为自定义参数,L为总损失函数。
8.根据权利要求1所述的基于情景感知和深度学习的异常群体流量预测方法,其特征在于,所述第一特征融合模块中,将多个图特征采用拼接方式进行多图融合,得到群体流量特征的隐含表示;所述第二特征融合模块中,将所述事件空间影响的隐含表示与所述拼接结果采用拼接方式进行融合;所述第三特征融合模块中,结合门控和相加两种融合方式将所述群体流量特征的隐含表示与所述通道间注意力网络的有效表示进行特征融合。
9.一种基于情景感知和深度学习的异常群体流量预测装置,其特征在于,包括:
模型构建模块,被配置为构建群体流量时空预测模型并进行训练,得到经训练的所述群体流量时空预测模型,所述群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支,所述群体流量预测分支包括第一图卷积神经网络和第一特征融合模块,所述事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络,所述群体流量预测分支和所述事件空间影响预测分支共用第二特征融合模块和第一全连接网络,所述事件时序影响预测分支包括通道间注意力网络和第二全连接网络,所述群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元;
群体流量特征获取模块,被配置为获取历史群体流量和地图区域边界,并筛选位于所述地图区域边界内的历史群体流量,得到区域群体流量,根据所述区域群体流量构建群体流量时空图;
时序空间特征获取模块,被配置为获取事件信息,根据所述事件信息及其对应的城市环境数据提取得到事件时序特征,根据所述事件信息和区域群体流量提取得到事件空间影响矩阵;
预测输出模块,被配置为将所述群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的所述群体流量时空预测模型,所述群体流量时空图输入所述第一图卷积神经网络中,得到多个图特征,所述多个图特征输入第一特征融合模块,得到群体流量特征的隐含表示;所述事件时序特征输入所述通道间注意力网络,得到通道间注意力网络的有效表示,所述群体流量特征的隐含表示与所述通道间注意力网络的有效表示依次经过所述第三特征融合模块和门控循环单元,得到拼接结果,所述事件空间影响矩阵输入所述空间图构建模块,得到事件空间影响图,所述事件空间影响图输入所述第二图卷积神经网络,得到事件空间影响的隐含表示,所述事件空间影响的隐含表示与所述拼接结果依次经过所述第二特征融合模块和第一全连接网络,得到未来群体流量,所述拼接结果输入所述第二全连接网络,得到事件引发的群体流量波动。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,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中任一所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261342.8A CN116523104A (zh) | 2023-03-17 | 2023-03-17 | 基于情景感知和深度学习的异常群体流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261342.8A CN116523104A (zh) | 2023-03-17 | 2023-03-17 | 基于情景感知和深度学习的异常群体流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523104A true CN116523104A (zh) | 2023-08-01 |
Family
ID=87407176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310261342.8A Pending CN116523104A (zh) | 2023-03-17 | 2023-03-17 | 基于情景感知和深度学习的异常群体流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523104A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150407A (zh) * | 2023-09-04 | 2023-12-01 | 国网上海市电力公司 | 一种工业碳排放数据的异常检测方法 |
CN117951648A (zh) * | 2024-03-26 | 2024-04-30 | 成都正扬博创电子技术有限公司 | 一种机载多源信息融合方法及系统 |
-
2023
- 2023-03-17 CN CN202310261342.8A patent/CN116523104A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150407A (zh) * | 2023-09-04 | 2023-12-01 | 国网上海市电力公司 | 一种工业碳排放数据的异常检测方法 |
CN117951648A (zh) * | 2024-03-26 | 2024-04-30 | 成都正扬博创电子技术有限公司 | 一种机载多源信息融合方法及系统 |
CN117951648B (zh) * | 2024-03-26 | 2024-06-07 | 成都正扬博创电子技术有限公司 | 一种机载多源信息融合方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Al-Sharif et al. | A novel approach for predicting the spatial patterns of urban expansion by combining the chi-squared automatic integration detection decision tree, Markov chain and cellular automata models in GIS | |
Zhou et al. | A spatio-temporal point process model for ambulance demand | |
CN111145541B (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
Provoost et al. | Predicting parking occupancy via machine learning in the web of things | |
Esquivel et al. | Spatio-temporal prediction of Baltimore crime events using CLSTM neural networks | |
WO2022129421A1 (en) | Traffic prediction | |
Zou et al. | Air quality prediction based on a spatiotemporal attention mechanism | |
CN114971748B (zh) | 预测数据生成、模型训练方法、计算机设备以及存储介质 | |
CN112508265A (zh) | 面向业务流程管理的时间与活动多任务预测方法及系统 | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
CN110210656A (zh) | 基于站点行为分析的共享单车流量预测方法及系统 | |
CN116523104A (zh) | 基于情景感知和深度学习的异常群体流量预测方法及装置 | |
CN117829375B (zh) | 城际往返客运的多区域需求预测方法、装置、设备和介质 | |
CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
Nicoletta et al. | Bayesian spatio-temporal modelling and prediction of areal demands for ambulance services | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及系统 | |
US20180365351A1 (en) | Employing natural language processing to facilitate geospatial analysis | |
Guo et al. | A new anomalous travel demand prediction method combining Markov model and complex network model | |
Wu et al. | CACRNN: a context-aware attention-based convolutional recurrent neural network for fine-grained taxi demand prediction | |
CN112183824B (zh) | 一种线上线下关联的城市客流量预测方法 | |
Wang et al. | Predicting urban signal-controlled intersection congestion events using spatio-temporal neural point process | |
Zhu et al. | Network Modeling of Hurricane Evacuation Using Data‐Driven Demand and Incident‐Induced Capacity Loss Models | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 |
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 |