一种城市聚集事件预测与定位方法及装置制造方法及图纸

本发明专利技术涉及交通监控领域，具体涉及一种城市聚集事件预测与定位方法及装置。本方法及装置对多帧图片利用深度神经网络进行特征提取，提取出多帧图片的时序特征和空间特征，利用多帧图片的时序特征和空间特征进行概率预测和类激活映射，判断出发生城市聚集事件的概率和位置，不仅能检测聚集事件，还可以提前预测城市聚集事件，并对聚集地点定位。其在解决特征提取及分类判断过程中，根据现实情况选取了巧妙的网络结构。本发明专利技术是在复杂物联网移动数据下基于深度神经网络的城市聚集事件提前预测与定位，能够对发生过或模拟过聚集事件的重点区域进行长时间跨度的预测与定位。

A Method and Device for Predicting and Locating Urban Agglomeration Events

【技术实现步骤摘要】
一种城市聚集事件预测与定位方法及装置
本专利技术涉及交通监控领域，具体而言，涉及一种城市聚集事件预测与定位方法及装置。
技术介绍
城市聚集事件是在一段时间内，大量移动物体(出租车、行人等)向小范围区域内汇聚现象。典型的城市聚集事件有交通拥堵、演唱会人群聚集等。大规模的城市聚集事件对城市交通、城市安全有重要影响。提前预测聚集事件的发生与位置可以帮助有关部门规划调整警力等资源，保障城市健康运行，提高人们生活满意度。随着物联网传感器技术的飞速发展，我们已经可以采集到大量的交通、手机等移动数据。但是人类活动非常复杂，目前很多研究只能检测到城市聚集事件，而从杂乱的海量数据中分析出城市聚集事件发生趋势，预测城市聚集事件可能发生地点仍然是一个非常大的挑战。目前针对城市聚集事件问题，利用深度学习网络系统解决该问题仍为空白，复杂海量数据在建模与特征提取较为困难。现有技术多为启发式算法，定义一两项特征量间接体现聚集程度，前期进行大量数据预处理求得特征量，随后筛选出可能发生聚集的候选区域，然后利用启发式迭代算法进行区域扩展。同时可以结合历史数据中挖掘出来的模式进行检测，形成反馈系统。大部分系统用来检测已经发生的聚集事件，少数系统根据观察到的聚集事件推移演化特征，可以进行算法上加速或短时间内的预测。现有技术基于观察寻找一两项特征，以此作为后继算法检测城市聚集事件的依据，这个过程可能造成原始信息的大量丢失。另外目前技术在候选位置的判断上只能利用临近有限区域内的数据信息，数据信息较少。且现有技术很难预测聚集事件，因为地理上聚集事件模式挖掘已经很复杂，能够再进行联合时间维度的模式挖掘的系统较少。
技术实现思路
本专利技术实施例提供了一种城市聚集事件预测与定位方法及装置，以至少避免现有无法对重点区域进行长时间跨度的预测与定位的技术问题。根据本专利技术的一实施例，提供了一种城市聚集事件预测与定位方法，包括：将一段时间内城市车辆的实际轨迹以预设时间为间隔转换为多帧图片；对多帧图片利用深度神经网络进行特征提取，提取出多帧图片的时序特征和空间特征；利用多帧图片的时序特征和空间特征进行概率预测，计算出发生城市聚集事件的概率；对多帧图片的时序特征和空间特征进行类激活映射，判断出发生城市聚集事件的位置。进一步地，将一段时间内城市车辆的实际轨迹以预设时间为间隔转换为多帧图片包括：将城市按经纬度均匀划分为若干小方格，以预设时间为间隔统计一次城市车辆的实际轨迹，每次生成对应若干小方格的多幅图片，每次生成的多幅图片组成一帧图片，在一段时间内生成多帧图片；其中每幅图片表征对应每个小方格前一时间段从邻接方向的车辆转入数目。进一步地，城市聚集事件预测与定位方法还包括：对一段时间内城市车辆的实际轨迹进行事件模拟，将模拟的车流加在实际的车流上变为模拟事件样本与多帧图片一起作为深度神经网络的输入数据。进一步地，深度神经网络包括依次设置的：卷积层，用于保留局部的空间信息，提取更全面的空间特征；卷积长短期记忆层，用于对多帧图片进行视觉上的时间序列预测和从多帧图片的图像序列中生成描述性文本，提取更全面的时序特征；退出层，用于避免深度神经网络过拟合；扩张卷积层，用于在不做池化的情况下扩张深度神经网络中神经元的视野范围。进一步地，卷积层中每层卷积在t时刻的运算公式表示为：Ht＝f(W*X+b)；Ht代表卷积层的输出，Xt代表卷积层的输入，*代表了卷积操作，W和b是训练参数，f是修正激活函数Relu。进一步地，卷积长短期记忆层包括：卷积神经网络层，用于从多帧图片的图像序列中生成描述性文本；长短时记忆层，用于对多帧图片进行视觉上的时间序列预测；卷积神经网络层与长短时记忆层相结合进行时序特征提取。进一步地，利用多帧图片的时序特征和空间特征进行概率预测包括：将聚集事件发生时的概率设为1，假设整个聚集事件会在n个连续帧图像内发生，n为≥1的整数，训练时候聚集事件发生的第r帧概率设为r/n，r为≤n的整数。进一步地，类激活映射的层结构由卷积层、平均池化层、全连接层依次连接形成；类激活映射在分类判别中采用二元交叉熵损失函数，具体公式表示为：其中，yi是分类判别中的预测结果，是分类判别中的预期结果，i代表输入序列第i帧，k为输入的总序列数；概率预测中采用最小均方误差作为损失函数：其中，yi′是概率预测中的预测结果，是概率预测中的预期结果；整个深度神经网络的损失为两部分之和：Loss＝loss1+loss2。根据本专利技术的另一实施例，提供了一种城市聚集事件预测与定位装置，包括：图片生成单元，用于将一段时间内城市车辆的实际轨迹以预设时间为间隔转换为多帧图片；特征提取单元，用于对多帧图片利用深度神经网络进行特征提取，提取出多帧图片的时序特征和空间特征；概率预测单元，用于利用多帧图片的时序特征和空间特征进行概率预测，计算出发生城市聚集事件的概率；类激活映射单元，用于对多帧图片的时序特征和空间特征进行类激活映射，判断出发生城市聚集事件的位置。进一步地，城市聚集事件预测与定位装置还包括：事件模拟单元，用于对一段时间内城市车辆的实际轨迹进行事件模拟，将模拟的车流加在实际的车流上变为模拟事件样本与多帧图片一起作为深度神经网络的输入数据。本专利技术实施例中的城市聚集事件预测与定位方法及装置，对多帧图片利用深度神经网络进行特征提取，提取出多帧图片的时序特征和空间特征，利用多帧图片的时序特征和空间特征进行概率预测和类激活映射，判断出发生城市聚集事件的概率和位置，不仅能检测聚集事件，还可以提前预测城市聚集事件，并对聚集地点定位。其在解决特征提取及分类判断过程中，根据现实情况选取了巧妙的网络结构。本专利技术是在复杂物联网移动数据下基于深度神经网络的城市聚集事件提前预测与定位，能够对发生过或模拟过聚集事件的重点区域进行长时间跨度的预测与定位。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术城市聚集事件预测与定位方法的流程图；图2为本专利技术城市聚集事件预测与定位方法的具体流程图；图3为本专利技术城市聚集事件预测与定位方法的示意图；图4为本专利技术交通流预测装置的连接框图；图5为本专利技术城市聚集事件预测与定位方法的具体连接框图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步本文档来自技高网...

【技术保护点】
1.一种城市聚集事件预测与定位方法，其特征在于，包括：将一段时间内城市车辆的实际轨迹以预设时间为间隔转换为多帧图片；对多帧图片利用深度神经网络进行特征提取，提取出多帧图片的时序特征和空间特征；利用多帧图片的时序特征和空间特征进行概率预测，计算出发生城市聚集事件的概率；对多帧图片的时序特征和空间特征进行类激活映射，判断出发生城市聚集事件的位置。

【技术特征摘要】
1.一种城市聚集事件预测与定位方法，其特征在于，包括：将一段时间内城市车辆的实际轨迹以预设时间为间隔转换为多帧图片；对多帧图片利用深度神经网络进行特征提取，提取出多帧图片的时序特征和空间特征；利用多帧图片的时序特征和空间特征进行概率预测，计算出发生城市聚集事件的概率；对多帧图片的时序特征和空间特征进行类激活映射，判断出发生城市聚集事件的位置。2.根据权利要求1所述的城市聚集事件预测与定位方法，其特征在于，所述将一段时间内城市车辆的实际轨迹以预设时间为间隔转换为多帧图片包括：将城市按经纬度均匀划分为若干小方格，以预设时间为间隔统计一次城市车辆的实际轨迹，每次生成对应若干小方格的多幅图片，每次生成的多幅图片组成一帧图片，在一段时间内生成多帧图片；其中每幅图片表征对应每个小方格前一时间段从邻接方向的车辆转入数目。3.根据权利要求1所述的城市聚集事件预测与定位方法，其特征在于，所述城市聚集事件预测与定位方法还包括：对一段时间内城市车辆的实际轨迹进行事件模拟，将模拟的车流加在实际的车流上变为模拟事件样本与多帧图片一起作为深度神经网络的输入数据。4.根据权利要求1所述的城市聚集事件预测与定位方法，其特征在于，所述深度神经网络包括依次设置的：卷积层，用于保留局部的空间信息，提取更全面的空间特征；卷积长短期记忆层，用于对多帧图片进行视觉上的时间序列预测和从多帧图片的图像序列中生成描述性文本，提取更全面的时序特征；退出层，用于避免深度神经网络过拟合；扩张卷积层，用于在不做池化的情况下扩张深度神经网络中神经元的视野范围。5.根据权利要求4所述的城市聚集事件预测与定位方法，其特征在于，所述卷积层中每层卷积在t时刻的运算公式表示为：Ht＝f(W*Xt+b)Ht代表卷积层的输出，Xt代表卷积层的输入，*代表了卷积操作，W和b是训练参数，f是修正激活函数Relu。6.根据权利要求4所述的城市聚集事件预测与定位方法，...

【专利技术属性】
技术研发人员：石婧文，须成忠，叶可江，王洋，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44