一种城市人口密度动态预测方法及系统技术方案

本发明专利技术公开了一种城市人口密度动态预测方法及系统，基于每一人口小区在每一时间窗内的人口密度，通过挖掘历史数据，结合机器学习中的递归特征消除算法，得到每一人口小区的时空关联特征，并建立相应的回归预测模型；最后，利用当前实时感知的人口密度预测下一时间窗的人口密度。有效地解决人口分布动态变化难以捕捉的问题，并对未来的变化趋势进行预测。

A dynamic prediction method and system for urban population density

The invention discloses a dynamic city population density prediction method and system, in each time window within each cell population based on population density, through historical data, combined with recursive feature elimination algorithm in machine learning, each cell population space-time characteristics, and establish the corresponding regression model; finally, using the current real-time perception of population density to predict the next time window of population density. It is effective to solve the problem that the dynamic changes in population distribution are difficult to capture and predict the trend of future change.

【技术实现步骤摘要】
一种城市人口密度动态预测方法及系统
本专利技术属于交通
，具体涉及一种城市人口密度动态预测方法及系统。
技术介绍
城市人口空间分布对于城市规划、交通管理与控制与突发应急响应等方面有着十分重要意义。从1990年至今，人口分布研究受到越来越多的关注，从人口普查到新兴技术，诸如卫星遥感影像分析、地理信息系统建模等，人口感知精度的不断提高。但是这些研究往往在时间粒度上较为宽泛，往往以年为单位进行统计，无法体现城市内部每天高强度的人口流动模式。而且实施难度较高，高精度的遥感影像较难获得，测量与统计技术相对复杂。不过随着“人手一机”时代的到来，手机数据以其处理速度快、采集成本低、覆盖面广等优点，为感知人口分布提供的新机会。因此一些研究提出了使用手机数据(如通讯详单数据或手机信令数据等)对人口分布进行感知，并将时间粒度进一步缩小，适合研究以天为单位的人口动态分布，为进一步对人口密度动态预测提供数据基础。但是仅通过人口密度感知在面对人口密度激增时，不能提供充分的预警时间，例如一些城市大型活动中的大规模人群聚集，当人口密度到达一定程度时，经常会引发严重的交通拥堵，甚至交通瘫痪，在某些情况还可能引本文档来自技高网...

【技术保护点】
一种城市人口密度动态预测方法，其特征在于，包括以下步骤：步骤1：获取历史时间段内各人口小区的人口密度数据，并构建人口密度矩阵M(N,T,D)；所述人口密度矩阵三个维度分别为人口小区总数N、时间窗总数T、训练集内的总天数D，时间窗总数T是由24小时除以时间窗长度确定，时间窗长度为Z，取值为1‑2小时；步骤2：构建时空关联的初始训练集；所述时空关联的初始训练集包括从人口密度矩阵M(N,T,D)中提取每一天人口小区i在时间窗t之前的人口密度子矩阵

【技术特征摘要】
1.一种城市人口密度动态预测方法，其特征在于，包括以下步骤：步骤1：获取历史时间段内各人口小区的人口密度数据，并构建人口密度矩阵M(N,T,D)；所述人口密度矩阵三个维度分别为人口小区总数N、时间窗总数T、训练集内的总天数D，时间窗总数T是由24小时除以时间窗长度确定，时间窗长度为Z，取值为1-2小时；步骤2：构建时空关联的初始训练集；所述时空关联的初始训练集包括从人口密度矩阵M(N,T,D)中提取每一天人口小区i在时间窗t之前的人口密度子矩阵以及人口小区i在时间窗t时的人口密度值；Δ表示位于时间窗t之前的时间窗数量；步骤3：提取所有一小区在每一时间窗t对应的时空关联集合每个小区i在时间窗t的时空关联集的提取过程为：基于递归特征消除，从人口密度子矩阵中选取与预测目标小区i在时间窗t的人口密度均值最为相关的前p列元素作为p个特征，并以p个特征构建时空关联集合(j′,t′)表示小区j′在时间窗t′的人口密度均值集合的索引号，其中，t＝1,2,…,T，i＝1,2,…,N，p的取值范围为5-35；步骤4：基于时空关联集合，采用回归算法对p个特征权重系数进行参数估计，得到每个小区人口密度动态预测模型步骤5：将获得的Δ个时间窗内各小区的人口密度代入各小区人口密度动态预测模型获得人口小区i在时间窗t的人口密度。2.根据权利要求1所述的方法，其特征在于，所述每个小区在时间窗t的人口密度动态预测模型采用多元线性回归模型进行构建，具体过程如下：首先，基于步骤3获得的时空关联集对应的p个特征，构建小区i在时间窗t的X矩阵，令p个特征权重系数矩阵为ω，小区在时间窗t的预测值矩阵为Y：Xω＝Y；其中，和分别表示提取出的p列人口密度均值中的第1列和第p列；ωp为第p个特征的权重系数；和分别表示提出的p列特征中第1和第p个特征向量中的第m个元素，m表示在第m天采集的数据；y1和ym分别表示小区i在第1天和第m天中的时间窗t中的人口密度均值；然后，从步骤1获得的人口密度均值中，提取与X对应的Y值，对预测模型进行训练，得到ω值，获得每个小区人口密度动态预测模型3.根据权利要求2所述的方法，其特征在于，所述基于递归特征消除，从人口密度子矩阵中选取与预测目标小区i在时间窗t的人口密度均值最为相关的前p列元素作为p个特征，具体过程如下：步骤3.1：构建初始相关特征集合S，与无关特征序列集并获取初始相关特征集合对应的训练样本；初始相关特征集合S包含从对应的人口密度子矩阵中提取的所有二元组，依次为{(1,t-1),(2,t-1),…,(N,t-1),…,(1,t-Δ),…,(N,t-Δ)}，共有|S|＝Δ×N个元素；所述初始相关特征集合对应的训练样本是初始相关特征集合S中每个二元组对应的小区i在所有采集日期中对应时间窗下的人口密度均值；步骤3.2：判断S中元素数量|S|是否为p，如果大于p则进入步骤3.3，否则，则结束循环，以当前集合S中获得的p列元素作为p个特征；步骤3.3：利用回归算法对S中所有二元组对应的人口密度均值的进行拟合，得到每个二元组的权重系数；利用集合S中所有二元组对应的所有人口密度均值，构建小区i在时间窗t的X1矩阵，令所有二元组的权重系数矩阵为ω0，小区在时间窗t的预测值矩阵为Y：X1ω0＝Y；其中，和分别表示集合S中第1个二元组和第k个二元组对应在人口密度子矩阵中一列人口密度均值；ωk为第k个特征的系数；和分别表示集合S中第1个二元组和第k个二元组对应在人口密度子矩阵中一列人口密度均值第m个元素，m表示在第m天采集的数据；y1和ym分别表示小区i在第1天和第m天中的时间窗t中的人口密度均值；步骤3.4：对步骤3.3求解出的所有二元组的权重系数按照绝对值大小进行排序，将权重系数绝对值最小的s个二元组从集合S中删除，并放入无关特征集合R中，返回步骤3.2；s表示消除步长，取值范围为1-10。4.根据权利要求1-3所述的方法，其特征在...

【专利技术属性】
技术研发人员：王璞，黄智仁，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43