CN117649028A - 基于城市功能区域匹配的跨城市人群流量趋势预测方法 - Google Patents
基于城市功能区域匹配的跨城市人群流量趋势预测方法 Download PDFInfo
- Publication number
- CN117649028A CN117649028A CN202410107445.3A CN202410107445A CN117649028A CN 117649028 A CN117649028 A CN 117649028A CN 202410107445 A CN202410107445 A CN 202410107445A CN 117649028 A CN117649028 A CN 117649028A
- Authority
- CN
- China
- Prior art keywords
- crowd
- city
- urban
- track
- crowd 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000037351 starvation 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人群流量趋势预测技术领域,公开了一种基于城市功能区域匹配的跨城市人群流量趋势预测方法,其包括如下步骤:获取源城市人群流动轨迹;将源城市人群流动轨迹进行网格时序化处理;构建源城市人群流量趋势预测任务训练数据集;以多分类形式训练ConvLSTM神经网络;将目标城市人群流动轨迹进行网格时序化处理;匹配源城市相似功能区域,重建目标城市人群流动轨迹;预测目标城市人群流动趋势,得到目标城市人群下一时间段流向的预测结果。本发明通过跨城市功能区域匹配,将数据丰富的源城市人群流动模式迁移到数据稀疏的目标城市,最终以概率分布的形式预测未来时间段城市人群的流向分布。
Description
技术领域
本发明属于人群流量趋势预测技术领域,具体涉及一种基于城市功能区域匹配的跨城市人群流量趋势预测方法。
背景技术
城市中的人群流量趋势预测在交通规划、风险评估等城市管理实践中具有重要作用,能够为城市应急管理、特别是研判特定区域人群聚集态势提供依据。现有技术中曾提出一些数据驱动的方法,通过挖掘城市内部海量的人群移动轨迹,发现城市人群的时序移动模式,进而预测城市不同区域的人群流入与流出数量。然而,上述方法应用的前提条件是目标城市需要积累大规模时空数据,对于数据匮乏的目标城市而言,这些方法显然并不适用。
鉴于不同城市往往具有迥异的地理条件、交通设施和人文特色,由人群移动产生的时空数据存在较大的分布差异,因而基于单个城市时空数据的人群流量趋势预测方法难以直接应用于目标城市人群流量趋势预测。对于仅能观测到少量人群移动轨迹的目标城市而言,基于有限数据准确预测人群未来流动趋势仍然充满挑战。
不同城市的地理人文环境使得人群流动模式呈现城市相关的特性(例如海滨城市人们围绕海岸线的移动行为),而城市道路网和功能区的同质化又使得依附于区域空间结构的人群流动模式具备城市无关的共性(如人们往返居住区和商业区的通勤行为)。共性模式体现为与时间、空间紧密相关的人群规律性流动现象,比如城市道路网上的交通早晚高峰,这种超越地域的时空关联是联系不同城市人群流动趋势的媒介。
综上,已有针对城市人群流量趋势预测的方案需要建立在积累大量人群移动时空数据的基础上,然而对于一些处于城市化起步阶段的新兴城市,其积累的时空数据极为有限,现有实现方案难以实施。此外现有实现方案往往通过估计城市特定区域的瞬时人群流入与流出数量来预测人群流动趋势,无法实现下一时间段不同区域间的人群流动概率分布预测。
发明内容
本发明针对人群流动数据稀疏的目标城市,提出一种基于城市功能区域匹配的跨城市人群流量趋势预测方法,通过跨城市功能区域匹配能够将数据丰富的源城市人群流动模式迁移到数据稀疏的目标城市,最终以概率分布的形式预测未来时间段目标城市人群的流向趋势。
本发明为了实现上述目的,采用如下技术方案:
基于城市功能区域匹配的跨城市人群流量趋势预测方法,包括如下步骤:
步骤1. 获取源城市人群流动轨迹;
步骤2. 将步骤1获取的源城市人群流动轨迹进行网格时序化处理;
步骤3. 构建源城市人群流量趋势预测任务训练数据集;
步骤4. 基于ConvLSTM神经网络搭建人群流量趋势预测模型,并利用步骤3得到的训练数据集以多分类形式训练人群流量趋势预测模型;
步骤5. 将目标城市人群流动轨迹进行网格时序化处理;
步骤6. 将步骤5得到的目标城市人群流动轨迹的网格时序化处理结果基于余弦相似度计算,匹配源城市相似功能区域,重建目标城市人群流动轨迹;
步骤7. 将步骤6重建的目标城市人群流动轨迹输入训练好的人群流量趋势预测模型,预测目标城市人群流动趋势,得到目标城市人群下一时间段流向的预测结果。
本发明具有如下优点:
如上所述,本发明述及了一种基于城市功能区域匹配的跨城市人群流量趋势预测方法,该方法利用其他城市丰富多源的人群流动数据,基于城市间的空间关联性质自适应地迁移群体层面的移动知识,通过匹配数据丰富城市与数据稀疏城市之间的人群流动模式(即通过跨城市功能区域匹配将数据丰富的源城市人群流动模式迁移到数据稀疏的目标城市),最终以概率分布的形式预测目标城市人群在下一时间段不同区域间的流动趋势,从而为城市应急管理、特别是研判特定区域人群聚集态势提供依据。
附图说明
图1为本发明实施例中基于城市功能区域匹配的跨城市人群流量趋势预测方法流程图;
图2为本发明实施例中跨城市人群流量趋势预测问题示意图;
图3为本发明实施例中ConvLSTM神经网络框架结构图;
图4为本发明实施例中基于城市功能区域匹配的跨城市人群流量趋势预测方法示意图。
具体实施方式
名词解释:
源城市:人群流动轨迹数据丰富的城市;
目标城市:人群流动轨迹数据稀疏甚至稀缺的城市。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明考虑不同城市不同区域间的时空关联特性,设计一种基于城市功能区域匹配的跨城市人群流量趋势预测方法,其过程如图1所示。其中,人群在城市中不同区域间的连续流动轨迹可视作时间序列,对于仅能观测到少量人群流动时间序列的目标城市而言,预测下一时间段人群的流向分布因数据稀缺性而极具挑战。本发明基于源城市丰富的人群流动轨迹数据,提取源城市人群在不同区域间的流动模式,随后通过比较目标城市与源城市的城市功能区地点分布,将目标城市可观测的人群流动轨迹匹配到源城市已有的人群流动轨迹,实现跨城市人群流动知识迁移,最终基于源城市人群流动模式预测目标城市人群流动趋势。如图2示出了本发明需要解决的跨城市人群流动趋势预测问题示意。假设城市1、城市2、城市3位源城市,城市4为目标城市,通过跨城市功能区域匹配,能够将数据丰富的源城市(即城市1、2、3)人群流动模式迁移到数据稀疏的目标城市(即城市4),已观测到约1000名乘客搭乘地铁,且移动轨迹为,通过本发明预测方法能够预测出下一时间段约50%的乘客去往站点F,约20%的乘客去往站点G,约30%的乘客去往站点H。
如图1所示,基于城市功能区域匹配的跨城市人群流量趋势预测方法,包括如下步骤:
步骤1. 获取源城市人群流动轨迹。
城市中容易获取且能够反映人类群体流动轨迹的数据一般为公共交通乘客刷卡数据,因此,本发明以运行线路固定的城市轨道交通为例,叙述城市人群流动轨迹提取方法。
首先获取乘客在乘坐城市轨道交通时进出站的刷卡信息判断乘客个体的移动轨迹。
其次由于轨道交通是城市居民出行的主要途径,必然存在大量乘客共享某一段轨迹,从而能够获取乘客群体的流动轨迹。假设每一条人群流动轨迹si表示为:
。
其中,表示源城市轨道交通的第j个停靠站(例如地铁站、公交站等),n表示该条轨迹的长度,即停靠站的数目。
按照该步骤1中的方式,将源城市获取的人群流动轨迹集合S表示为:
;
其中,m表示源城市人群流动轨迹的数目,i∈[1,m]。
步骤2. 将步骤1获取的源城市人群流动轨迹进行网格时序化处理。
首先将源城市进行网格化处理划分为等边长的网格,例如边长取100米,则源城市的网格集合G表示为:
。
其中,表示划分源城市得到的网格,L表示划分源城市得到的网格总数。
其次将步骤1获取的源城市人群流动轨迹按照网格进行映射,对于源城市获取的每一条人群流动轨迹si,将si中的每一个停靠站均映射到其所在的网格。
此时人群流动轨迹si表示为:
。
其中,表示源城市轨道交通的第j个停靠站所处的网格。
然后由于网格中的每个地点均具有类别描述(例如酒店、餐厅、电影院、超市、地铁站5个类别),可在一定程度上代表该网格的功能用途,因此根据网格内不同类别地点的个数w对网格进行向量化描述,其中每个网格用1×1×w三维张量进行表示。
在本实施例中w例如取值为5,当然,w的取值只是示例性的,还可取其他数值。
例如,网格的第三维数据可表示为/>,即该网格内有3家酒店、8家餐厅、1家电影院、2家超市以及2座地铁站。
最后由于城市的相邻网格可能拥有相似的功能用途和交通站点分布,因此,本实施例对单一网格进行扩张处理,扩张范围为该网格的上、下、左、右相邻网格。
此时,每个网格的描述信息用w×w×w三维张量表示。
对于人群流动轨迹,将每一个网格映射至对应的w×w×w三维张量,那么人群流动轨迹si最终用n×w×w×w四维张量来表示。
如果将每一个网格对应的w×w×w三维张量看作像素数为w×w且通道数为w的图片,则人群流动轨迹si则是由n个连续图片帧构成的视频流。
本发明通过将源城市进行网格化处理划分为等边长的网格,能够将站点级别的人群流动轨迹转换为区域级别的人群流动轨迹,缓解了人群流动轨迹的数据稀疏性并引入区域的功能属性,从而丰富了人群流动轨迹的语义特征,随后按照轨迹时间序列进行训练数据集抽取,通过这种方式可获得大量有标签的训练样本集合,每一个标签对应一个网格区域,每个网格区域等价于一个类别,因此有利于借助ConvLSTM神经网络以分类方式预测人群下一时间段流向不同网格区域的概率分布。
步骤3. 构建源城市人群流量趋势预测任务训练数据集。
对于步骤1中源城市获取的人群流动轨迹集合S中任意一条人群流动轨迹si,从头开始截取长度为a的轨迹片段,则获得n-a条轨迹片段,其中,a<n。
每一条轨迹片段为n-a个图片帧构成的视频流;同时,获取每一条轨迹片段对应的下一步图片帧/>所对应的中心网格。
由于步骤2对单一网格进行了扩展,由1×1单一网络扩展为w×w的网格,此时,w×w网格的中心网格即为原始的1×1单一网格。
因此,每一个w×w×w图片帧实际能够直接对应到唯一的中心网格。
通过该步骤3中的方式构建源城市人群流量趋势预测任务训练数据集。
其中,表示抽取到的轨迹片段集合,/>表示轨迹片段集合/>对应的下一步图片帧集合,N表示训练数据集的样本数目。
将任意一组()构成一个训练样本,j∈[1,N]。
其中,为样本/>的标签,即人群下一步流向的单一网格。
步骤4. 基于ConvLSTM神经网络搭建人群流量趋势预测模型,并利用步骤3得到的训练数据集以多分类形式训练人群流量趋势预测模型。
首先基于步骤3获得的源城市人群流量趋势预测任务训练数据集,对于训练数据集/>中任意一个训练样本(/>),通过ConvLSTM神经网络搭建的人群流量趋势预测模型提取样本/>的隐含特征/>,如图3所示。
ConvLSTM神经网络是一种双层神经网络架构。其中,低层是卷积神经网络层CNN(Convolutional Neural Networks),用于提取人群流动轨迹片段中每一个图片帧的空间特征;高层是长短期记忆网络层LSTM(Long Short-Term Memory),其作用于低层CNN抽取出的空间特征所构成的时间序列,最终提取得到代表人群流动轨迹片段的隐含特征/>。
然后将提取到的隐含特征输入 Softmax层进行多分类,每一个类别为一个单一网格,共有L个类别。如图3所示,本发明以多分类形式训练人群流量趋势预测模型,训练过程通过最小化交叉熵损失函数来实现。
对于任意一个训练样本(),若ConvLSTM神经网络预测其所属类别为/>,则该样本的损失/>记为:
。
因此,基于训练数据集获得ConvLSTM神经网络的总体损失函数/>:
。
其中,表示ConvLSTM神经网络预测到的样本类别集合,/>表示第k个样本的真实类别,/>表示ConvLSTM神经网络预测到的第k个样本的类别,k∈[1,L]。
通过求解交叉熵损失函数的最小值,获得人群流量趋势预测模型的最优参数组合。
步骤5. 将目标城市人群流动轨迹进行网格时序化处理。
对于从目标城市观测到的人群流动轨迹,假设其长度为t,按照步骤2中的网格时序化处理方法将人群流动轨迹/>进行网格时序化处理,获得t个连续图片帧。
步骤6. 将步骤5得到的目标城市人群流动轨迹的网格时序化处理结果基于余弦相似度计算,匹配源城市相似功能区域,重建目标城市人群流动轨迹。
本发明通过匹配目标城市与源城市的相似功能区域,来重建目标城市可供观测的少量人群流动轨迹,从而缓解目标城市的数据稀疏性问题。
具体地,对于步骤5获取的t个连续图片帧,逐一计算每个图片帧与源城市所有图片帧的余弦相似度,并选取余弦相似度最大的图片帧作为该图片帧在源城市的相似图片帧。选取余弦相似度最大的图片帧,即实现源城市中寻找与目标城市网格区域最相似的网格区域。由于城市人群流动模式依赖于城市功能区分布并且不同城市的功能区域分布存在相似性,通过这种跨城市网格区域匹配,能够发现与目标城市人群流动模式最接近的源城市人群流动模式。
按照步骤6中的方式获得目标城市每个图片帧在源城市中的相似图片帧,从而重建目标城市人群流动轨迹。
其中,pc表示步骤2中源城市存在的图片帧,c∈[1,t]。
步骤7. 将步骤6重建的目标城市人群流动轨迹输入训练好的人群流量趋势预测模型,预测目标城市人群流动趋势,得到目标城市人群下一时间段流向的预测结果。
对于步骤6重建的目标城市人群流动轨迹,将其输入到步骤4训练得到的人群流量趋势预测模型,获得代表目标城市人群流动轨迹/>的隐含特征/>,随后将隐含特征/>输入Softmax层,由于本发明旨在以概率分布的形式预测目标城市人群在下一时间段的流动趋势,因此对于训练得到的人群流量趋势预测模型的Softmax层,选取每一个类别对应的概率值作为预测结果。需要指出,此时预测的每一个类别仍为源城市划分得到的单一网格,需要依据步骤6中的跨城市相似功能区域匹配结果,将源城市单一网格反向映射回目标城市单一网格。最终,通过人群流量趋势预测模型的Softmax层的计算和跨城市相似功能区域反向映射,得到目标城市人群下一时间段流向的预测结果。
由于本发明将目标城市人群流动轨迹重建为源城市人群流动轨迹,因而人群流量趋势预测模型所预测的结果是在源城市每个网格上的概率分布。对于源城市所预测的每个单一网格,依据步骤6的余弦相似度计算结果能够找到目标城市中最相似的单一网格,因此源城市的单一网格能反向映射回目标城市。
图2的示例中,通过Softmax层的计算和跨城市功能区域反向映射,得到目标城市人群下一时间段流向站点F、G、H所在网格区域的概率值依次为50%、20%、30%。
本发明将城市人群流动轨迹建模为连续的图片帧,通过跨城市功能区域匹配实现人群流动模式从数据丰富的源城市到数据稀缺的目标城市迁移,能够预测下一时间段城市人群流向不同区域的概率分布,解决了移动数据稀缺的目标城市中人群实时流动趋势预测问题。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (10)
1.基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,包括如下步骤:
步骤1. 获取源城市人群流动轨迹;
步骤2. 将步骤1获取的源城市人群流动轨迹进行网格时序化处理;
步骤3. 构建源城市人群流量趋势预测任务训练数据集;
步骤4. 基于ConvLSTM神经网络搭建人群流量趋势预测模型,并利用步骤3得到的训练数据集以多分类形式训练人群流量趋势预测模型;
步骤5. 将目标城市人群流动轨迹进行网格时序化处理;
步骤6. 将步骤5得到的目标城市人群流动轨迹的网格时序化处理结果,匹配源城市相似功能区域,重建目标城市人群流动轨迹;
步骤7. 将步骤6重建的目标城市人群流动轨迹输入训练好的人群流量趋势预测模型,预测目标城市人群流动趋势,得到目标城市人群下一时间段流向的预测结果。
2.根据权利要求1所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤1具体为:
首先获取乘客在乘坐城市轨道交通时进出站的刷卡信息判断乘客个体的移动轨迹,其次获取乘客群体的流动轨迹;假设每一条人群流动轨迹si表示为:
;
其中,表示源城市轨道交通的第j个停靠站,n表示该条轨迹的长度,即停靠站的数目;将源城市获取的人群流动轨迹集合S表示为:
;
其中,m表示源城市人群流动轨迹的数目,i∈[1,m]。
3.根据权利要求1所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤2具体为:
首先将源城市进行网格化处理划分为等边长的网格,则源城市的网格集合G表示为:
;
其中,表示划分源城市得到的网格,L表示划分源城市得到的网格总数;
其次将步骤1获取的源城市人群流动轨迹按照网格进行映射,对于源城市获取的每一条人群流动轨迹si,将si中的每一个停靠站均映射到其所在的网格;
此时人群流动轨迹si表示为:
;
其中,表示源城市轨道交通的第j个停靠站所处的网格;
然后根据网格内不同类别地点的个数w对网格进行向量化描述,其中每个网格用1×1×w三维张量进行表示;
最后对单一网格进行扩张处理,扩张范围为该网格的上、下、左、右相邻网格,此时,每个网格的描述信息用w×w×w三维张量表示;
对于人群流动轨迹,将每一个网格映射至对应的w×w×w三维张量,那么人群流动轨迹si最终用n×w×w×w四维张量来表示;
如果将每一个网格对应的w×w×w三维张量看作像素数为w×w且通道数为w的图片,则人群流动轨迹si则是由n个连续图片帧构成的视频流。
4.根据权利要求1所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤3具体为:
对于步骤1中源城市获取的人群流动轨迹集合S中任意一条人群流动轨迹si,从头开始截取长度为a的轨迹片段,则获得n-a条轨迹片段,其中,a<n;
每一条轨迹片段均为n-a个图片帧构成的视频流;同时,获取每一条轨迹片段对应的下一步图片帧/>所对应的中心网格;
构建源城市人群流量趋势预测任务训练数据集;
其中,表示抽取到的轨迹片段集合,/>表示轨迹片段集合/>对应的下一步图片帧集合,N表示训练数据集的样本数目;
将任意一组()构成一个训练样本,j∈[1,N];
其中,为样本/>的标签,即人群下一步流向的单一网格。
5.根据权利要求1所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤4具体为:
首先基于步骤3获得的源城市人群流量趋势预测任务训练数据集,对于训练数据集/>中任意一个训练样本(/>),通过ConvLSTM神经网络搭建的人群流量趋势预测模型提取样本/>的隐含特征/>;然后将提取到的隐含特征/>输入 Softmax层进行多分类,每一个类别为一个单一网格,共有L个类别;以多分类形式训练人群流量趋势预测模型,训练过程通过最小化交叉熵损失函数来实现。
6.根据权利要求5所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,ConvLSTM神经网络是一种双层神经网络架构;
其中,低层是卷积神经网络层CNN,用于提取人群流动轨迹片段中每一个图片帧的空间特征;高层是长短期记忆网络层LSTM,其作用于低层CNN抽取出的空间特征所构成的时间序列,最终提取得到代表人群流动轨迹片段的隐含特征/>。
7.根据权利要求5所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,对于任意一个训练样本(),若ConvLSTM神经网络预测其所属类别为/>,则该样本的损失/>记为:
;
因此,基于训练数据集获得ConvLSTM神经网络的总体损失函数/>:
;
其中,表示ConvLSTM神经网络预测到的样本类别集合,/>表示第k个样本的真实类别,/>表示ConvLSTM神经网络预测到的第k个样本的类别,k∈[1,L];
通过求解交叉熵损失函数的最小值,获得人群流量趋势预测模型的最优参数组合。
8.根据权利要求1所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤5具体为:
对于从目标城市观测到的人群流动轨迹,假设其长度为t,按照步骤2中的网格时序化处理方法将人群流动轨迹/>进行网格时序化处理,获得t个连续图片帧。
9.根据权利要求8所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤6具体为:
对于步骤5获取的t个连续图片帧,逐一计算每个图片帧与源城市所有图片帧的余弦相似度,并选取余弦相似度最大的图片帧作为该图片帧在源城市的相似图片帧;
按照步骤6中的方式获得目标城市每个图片帧在源城市中的相似图片帧,从而重建目标城市人群流动轨迹;
其中,pc表示步骤2中源城市存在的图片帧,c∈[1,t]。
10.根据权利要求9所述的基于城市功能区域匹配的跨城市人群流量趋势预测方法,其特征在于,所述步骤7具体为:
对于步骤6重建的目标城市人群流动轨迹,将其输入到步骤4训练得到的人群流量趋势预测模型,获得代表目标城市人群流动轨迹/>的隐含特征/>,随后将隐含特征/>输入Softmax层;对于训练得到的人群流量趋势预测模型的Softmax层,选取每一个类别对应的概率值作为预测结果;依据步骤6中的跨城市相似功能区域匹配结果,将源城市单一网格反向映射回目标城市单一网格;最终,通过人群流量趋势预测模型的Softmax层的计算和跨城市相似功能区域反向映射,得到目标城市人群下一时间段流向的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107445.3A CN117649028B (zh) | 2024-01-26 | 2024-01-26 | 基于城市功能区域匹配的跨城市人群流量趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410107445.3A CN117649028B (zh) | 2024-01-26 | 2024-01-26 | 基于城市功能区域匹配的跨城市人群流量趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117649028A true CN117649028A (zh) | 2024-03-05 |
CN117649028B CN117649028B (zh) | 2024-04-02 |
Family
ID=90048005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107445.3A Active CN117649028B (zh) | 2024-01-26 | 2024-01-26 | 基于城市功能区域匹配的跨城市人群流量趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649028B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215793A1 (zh) * | 2019-04-23 | 2020-10-29 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
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 |
CN112396218A (zh) * | 2020-11-06 | 2021-02-23 | 南京航空航天大学 | 基于城市区域多模态融合的人群流量预测方法 |
CN112766600A (zh) * | 2021-01-29 | 2021-05-07 | 武汉大学 | 一种城市区域人群流量预测方法及系统 |
WO2023123625A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国科学院深圳先进技术研究院 | 一种城市疫情时空预测方法、系统、终端以及存储介质 |
-
2024
- 2024-01-26 CN CN202410107445.3A patent/CN117649028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020215793A1 (zh) * | 2019-04-23 | 2020-10-29 | 深圳先进技术研究院 | 一种城市聚集事件预测与定位方法及装置 |
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 |
CN112396218A (zh) * | 2020-11-06 | 2021-02-23 | 南京航空航天大学 | 基于城市区域多模态融合的人群流量预测方法 |
CN112766600A (zh) * | 2021-01-29 | 2021-05-07 | 武汉大学 | 一种城市区域人群流量预测方法及系统 |
WO2023123625A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国科学院深圳先进技术研究院 | 一种城市疫情时空预测方法、系统、终端以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117649028B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612206B (zh) | 一种基于时空图卷积神经网络的街区人流预测方法及系统 | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
WO2022126669A1 (zh) | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 | |
CN114897444B (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
CN112257934A (zh) | 一种基于时空动态神经网络的城市人流预测方法 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN112801340B (zh) | 一种基于多层级城市信息单元画像的人群密度预测方法 | |
CN111242395A (zh) | 用于od数据的预测模型构建方法及装置 | |
Huang et al. | A multi-mode traffic flow prediction method with clustering based attention convolution LSTM | |
Bapaume et al. | Forecasting passenger flows and headway at train level for a public transport line: Focus on atypical situations | |
CN109254984B (zh) | 基于od数据感知城市动态结构演化规律的可视分析方法 | |
CN113159371B (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Lv et al. | An origin–destination passenger flow prediction system based on convolutional neural network and passenger source-based attention mechanism | |
Bao et al. | Forecasting network-wide multi-step metro ridership with an attention-weighted multi-view graph to sequence learning approach | |
CN117649028B (zh) | 基于城市功能区域匹配的跨城市人群流量趋势预测方法 | |
Zhong et al. | Spatiotemporal multi-task learning for citywide passenger flow prediction | |
Wang et al. | MetroEye: A weather-aware system for real-time metro passenger flow prediction | |
CN114781696B (zh) | 一种面向城市路网的无模型事故影响范围预测方法 | |
Yu et al. | Combining travel behavior in metro passenger flow prediction: A smart explainable Stacking-Catboost algorithm | |
Li et al. | Graph neural networks in urban intelligence | |
CN114266316A (zh) | 一种基于层次图卷积网络的碳足迹-用户分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |