一种基于聚焦机制的群体流量预测模型及方法技术

本发明专利技术公开了一种基于聚焦机制的群体流量预测模型及方法，所述模型包括：连续性特征学习模块，用于利用聚焦群体流机(Attentive Crowd Flow Machines，ACFM)对依时间排序的特征图序列学习连续性特征表达，得到连续性特征图；周期性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习周期性特征表达，得到周期性特征图；具有时间变化的融合模块，用于引入外部信息引导所述连续性特征图和周期性特征图融合，本发明专利技术通过学习数据在时域上变化的动态表示，从而推断出群体流量未来的走向。

【技术实现步骤摘要】
一种基于聚焦机制的群体流量预测模型及方法
本专利技术涉及安全监控、城市交通管理、计算机视觉等领域，特别是涉及一种基于聚焦机制的群体流量预测模型及方法。
技术介绍
群体流量分析是一项重要的任务。由于它在许多智能应用程序中具有巨大的潜力，因此吸引了大量的研究兴趣。如图1a所示，在城市管理中，全市群体流量分析的目标是根据当前时间段的GPS信号预测城市地区的未来流入和流出，而在安全监视中，如图1b所示，人群流量分析的目的是通过在视频中使用他们当前的位置来预测他们的数量和位置。尽管不同领域的群体流量分析的区域规模差异很大，但他们的核心问题都在于如何挖掘显著的空间信息，并构建时间相关性以获得更准确的预测。在学术研究中，学者针对空间-时间建模提出了大量的工作，但在复杂场景中仍然存在一些限制群体流分析性能的挑战。首先，在时间序列中，群体流数据会有很大的变化，捕捉这种动态变化是非常重要的；其次，一些周期性的规律(例如，交通流由于高峰时间或假期前的影响突然发生变化)会极大地影响群体流动的变化，这增加了从数据中学习群体流动特征的难度。此外，在不同的环境下(例如，在一个特定的监控场景下预测人数或者使用GPS数据对全市的出租车流量预测)，群体流的预测通常需要构建差异化的神经网络。
技术实现思路
为克服上述现有技术存在的不足，本专利技术之目的在于提供一种基于聚焦机制的群体流量预测模型及方法，以通过学习数据在时域上变化的动态表示，从而推断出群体流量未来的走向。为达上述及其它目的，本专利技术提出一种基于聚焦机制的群体流量预测模型，包括：连续性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习连续性特征表达，得到连续性特征图；周期性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习周期性特征表达，得到周期性特征图；具有时间变化的融合模块，用于引入外部信息引导所述连续性特征图和周期性特征图融合。优选地，所述连续性特征学习模块为时间跨度小于所述周期性特征学习模块的子网络，包括n个聚焦群体流机ACFM子模块，并将其最后一个ACFM子模块输出的隐藏状态作为一个卷积层的输入，得到最终的连续性特征图。优选地，所述周期性特征学习模块包括m个聚焦群体流机ACFM子模块，并将其最后一个ACFM子模块输出的隐藏状态作为一个卷积层的输入，得到最终的周期性特征图。优选地，提取连续性特征的所述连续性特征学习模块输入序列长度长于提取周期性特征的所述周期性特征学习模块输入序列长度。优选地，所述聚焦群体流机ACFM包括两个长短期记忆网络以及用于聚焦权重预测的卷积层，所述长短期记忆网络与用于聚焦权重预测的卷积层相连，第一个长短期记忆网络通过原始的群体流特征嵌入来模拟时间依赖，输出隐藏状态与当前的流特征连接在一起，并将其输入到用于权重映射推断的该卷积层，第二个长短期记忆网络与第一个长短期记忆网络结构相同，在每一个时间步骤中都采用重新加权的群体流特征作为输入，并循环学习空间-时间特征，以便进一步的群体流预测。优选地，所述长短期记忆网络为卷积长短期记忆网络，其每一步生成的隐藏状态的维度与输入维度保持一致。优选地，所述用于聚焦权重预测的卷积层不改变输入特征的维度，输出对应原特征图每一像素点的注意力图，原特征图与卷积层生成的注意力图做矩阵哈达玛积，输出维度不变，作为第二个长短期记忆网络的输入。为达到上述目的，本专利技术还提供一种基于聚焦机制的群体流量预测方法，包括如下步骤：步骤S1构建基于时序信息与空间信息特征抽取的群体流量预测模型，该模型以历史多个时段群体流量转换得到的灰度图序列以及外部信息作为输入，对应序列下一时段的实际群体流量对应的灰度图作为目标输出步骤S2，学习所述群体流量预测模型的参数，更新所述群体流量预测模型每一层的参数；步骤S3，将步骤S1中构建的群体流量预测模型框架与步骤S2中训练得到的模型参数作为群体流量的预测器，输入连续时段的群体流量灰度图序列，预测下一时段的群体流量灰度图。优选地，步骤S1进一步包括：步骤S100，构建连续性特征学习模块与周期性特征学习模块作为该群体流量预测模型的两个子网络，分别输出连续性特征图和周期性特征图；步骤S101，构建具有时间变化的融合模块，引入外部信息，对每一个子网络的输出分配合理权重并将其融合。优选地，步骤S101进一步包括：步骤S101a，将连续性特征图、周期性特征图及外部信息特征图在通道数维度连接；步骤S101b，将步骤S100a得到的连接特征图输入由两层全连接层组成的模块；步骤S101c，将步骤S101b得到的输出标量激活得到各特征在融合时所占的权重，根据权重比例融合两种特征表达并用线性变化将融合结果降维得到最终的预测结果。与现有技术相比，本专利技术一种基于聚焦机制的群体流量预测模型及方法通过构建基于时序信息与空间信息特征抽取的群体流量预测模型，并利用反向传播算法更新所述群体流量预测模型每一层的参数，将构建的群体流量预测模型框架以及训练得到的模型参数作为群体流量的预测器，输入连续时段的群体流量灰度图序列，预测得到下一时段的群体流量灰度图，从而推断群体流量未来的走向。附图说明图1a与图1b为本专利技术原始数据的图例；图2为本专利技术一种基于聚焦机制的群体流量预测模型的系统架构图；图3为本专利技术具体实施例中聚焦群体流机ACFM的结构示意图；图4为本专利技术具体实施例中特征提取模块的残差单元的结构示意图；图5为本专利技术一种基于聚焦机制的群体流量预测方法的步骤流程图。具体实施方式以下通过特定的具体实例并结合附图说明本专利技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其它优点与功效。本专利技术亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本专利技术的精神下进行各种修饰与变更。图2为本专利技术一种基于聚焦机制的群体流量预测模型的系统架构图。如图2所示，本专利技术一种基于聚焦机制的群体流量预测模型包括两个子网络和一个权重融合层，该两个子网络分别为连续性特征学习模块201、周期性特征学习模块202，权重融合层为具有时间变化的融合模块203。其中，连续性特征学习模块201，用于利用聚焦群体流机(AttentiveCrowdFlowMachines,ACFM)对依时间排序的特征图序列学习连续性特征表达，得到连续性特征图；周期性特征学习模块202，用于利用聚焦群体流机(ACFM)对依时间排序的特征图序列学习周期性特征表达，得到周期性特征图；具有时间变化的融合模块203，用于引入外部信息引导连续性特征图和周期性特征图的融合，即具有时间变化的融合模块203连接外部信息和各自的特征表达学习权重r，自适应地融合各模块的不同特征，并将合并的特征图馈送至一个额外的卷积层，用于群体流预测。也就是说，连续性特征学习模块201与周期性特征学习模块202两个子网络的输入数据都是依时间排序的特征图序列，两个子网络输入序列的时间跨度不同，较小时间跨度的子网络(连续性特征学习模块201)学习连续性特征表达，其时间跨度小于一天(如一小时或半小时等)；较大时间跨度的子网络(周期性特征学习模块202)负责学习周期性特征表达，其时间跨度大于等于一天(如一天、一周或一个月等)。在本专利技术具体实施例中，连续性特征学本文档来自技高网...

【技术保护点】
1.一种基于聚焦机制的群体流量预测模型，包括：连续性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习连续性特征表达，得到连续性特征图；周期性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习周期性特征表达，得到周期性特征图；具有时间变化的融合模块，用于引入外部信息引导所述连续性特征图和周期性特征图融合。

【技术特征摘要】
1.一种基于聚焦机制的群体流量预测模型，包括：连续性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习连续性特征表达，得到连续性特征图；周期性特征学习模块，用于利用聚焦群体流机ACFM对依时间排序的特征图序列学习周期性特征表达，得到周期性特征图；具有时间变化的融合模块，用于引入外部信息引导所述连续性特征图和周期性特征图融合。2.如权利要求1所述的一种基于聚焦机制的群体流量预测模型，其特征在于：所述连续性特征学习模块为时间跨度小于所述周期性特征学习模块的子网络，包括n个聚焦群体流机ACFM子模块，并将其最后一个ACFM子模块输出的隐藏状态作为一个卷积层的输入，得到最终的连续性特征图。3.如权利要求2所述的一种基于聚焦机制的群体流量预测模型，其特征在于：所述周期性特征学习模块包括m个聚焦群体流机ACFM子模块，并将其最后一个ACFM子模块输出的隐藏状态作为一个卷积层的输入，得到最终的周期性特征图。4.如权利要求3所述的一种基于聚焦机制的群体流量预测模型，其特征在于：提取连续性特征的所述连续性特征学习模块输入序列长度长于提取周期性特征的所述周期性特征学习模块输入序列长度。5.如权利要求1所述的一种基于聚焦机制的群体流量预测模型，其特征在于：所述聚焦群体流机ACFM包括两个长短期记忆网络以及用于聚焦权重预测的卷积层，所述长短期记忆网络与用于聚焦权重预测的卷积层相连，第一个长短期记忆网络通过原始的群体流特征嵌入来模拟时间依赖，输出隐藏状态与当前的流特征连接在一起，并将其输入到用于权重映射推断的该卷积层，第二个长短期记忆网络与第一个长短期记忆网络结构相同，在每一个时间步骤中都采用重新加权的群体流特征作为输入，并循环学习空间-时间特征，以便进一步的群体流预测。6.如权利要求5所述的一种基于聚焦机制的群体流量预测模型，其特...

【专利技术属性】
技术研发人员：林倞，江宸瀚，彭杰锋，刘凌波，王青，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44