一种依托“城市超脑”计算平台的人口动态测算方法和系统技术方案

本发明专利技术提出了一种自动依托“城市超脑”计算平台的人口动态测算方法和系统，该方法的步骤如下：S1、预先设定人口类型；S2、建立城市空间区域的空间环境和空间关系相对于不同人口类型的动态分布的影响度模型；S3、采集一定数量的真实城市空间区域的样本；S4、利用S3中采集的样本分别对S2中建立的影响度模型进行训练；S5、将任意真实城市空间区域的空间环境和空间关系参数带入S4中训练好的影响度模型，获取所述城市空间区域中各种类型的人口动态分布。有利于科学的具有针对性的分析判断出不同类型人口的动态分布情况，预测城市空间区域的人口数量，挖掘人口密集点。

A population dynamic calculation method and system based on \urban Super Brain\ calculation platform

【技术实现步骤摘要】
一种依托“城市超脑”计算平台的人口动态测算方法和系统
本专利技术涉及智慧人口管理领域，更具体的说是涉及一种依托“城市超脑”计算平台的人口动态测算方法和系统。
技术介绍
人口在城市空间中呈现高流动性的动态分布，针对城市的一个空间区域，测算未来一段时间的人口数量，进而发掘人口密集点，有利于对交通工具、警力、通信信号车等资源的调配，以避免人口密集点出现拥挤、踩踏、通信中断等意外状况。但是，目前针对区域人口高流动性的动态分布的预测，缺少科学量化的分析方法，只能依靠经验进行评估预测。目前，“城市超脑”作为一种智慧型大数据计算系统，能够基于互联网、物联网的基础设施，在统一的时空坐标体系上汇聚城市现实和历史、时间和空间数据，利用人工智能学习不同行业知识，挖掘数据关联关系，对城市发展与运行有系统的理解，并能进行全局性的即时分析和模拟仿真，进而促进物理现实城市的公共资源优化配置、社会管理精细有序、居民时间质量提升、城市高效运行和可持续发展。因此，如何利用“城市超脑”系统确定城市空间区域自身的空间环境及其空间关系参数给不同类型的人口带来的动态分布的影响度，进而根据影响度测算不同类型人口在该城市空间区域的流入和流出的预计量，实现人口动态测算是本领域技术人员亟待解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种依托“城市超脑”计算平台的人口动态测算方法和系统，以物联网架构的实时大数据采集为基础聚合真实城市空间区域的空间环境和空间关系参数，通过“城市超脑”系统的优越性能，实时运行面向各类人口类型的人口分布影响度模型，测算不同类型的人口在任意城市空间区域的流入和流出的预计量，实现人口动态测算，获知未来一段时间城市空间区域的人口数量，用于发掘人口密集点，有利于对交通工具、警力、通信信号车等资源的调配。为了实现上述目的，本专利技术采用如下技术方案：一种依托“城市超脑”计算平台的人口动态测算方法，包括如下步骤：S1、预先设定人口类型；S2、建立城市空间区域的空间环境和空间关系相对于不同人口类型的动态分布的影响度模型；S3、采集一定数量的真实城市空间区域的样本；S4、利用S3中采集的样本分别对S2中建立的影响度模型进行训练；S5、将任意真实城市空间区域的空间环境和空间关系参数带入S4中训练好的影响度模型，获取所述城市空间区域中各种类型的人口动态分布。优选的，所述S1中根据个体的内因差异如收入水平、职业、年龄、出行方式、职业等因素，预设第1种、第2种…第n种共n种人口类型。优选的，所述S2中动态分布的影响度模型是适用于各种城市空间区域的BP多层神经网络模型，并且针对不同人口类型，分别建立城市空间区域的环境关系和空间关系相对于第1种、第2种…第n种人口类型中每一种人口类型的动态分布的影响度模型，每个所述影响度模型对应一种人口类型。因为城市空间区域自身的空间环境，以及该城市空间区域与周边一定距离内的主要空间目标之间的空间关系，对每种类型的人口所产生的的动态分布的影响度是完全不同的。举例说明：不同类型的人口出行方式分为公交地铁出行、驾车出行、自行车出行、步行出行等，当一个城市空间区域内具有一座地铁或者公交站点，会对出行方式为公交或地铁出行的人口产生比较大的动态分布影响，而对通过其他方式出行的人口无显著影响；不同类型的人口收入水平不同，当某个城市空间区域距离高档商业区较近时，对具有高档商品消费能力的人口的动态分布产生较大影响，对其他类型人口的动态分布则没有显著影响。因此，预设n种人口类型，并针对n种类型的人口共建立n种影响度模型，每个影响度模型对应一种人口类型，有利于有针对性的对具体的人口类型的人员的动态分布进行精准预测。另外，本专利技术的影响度模型采用的是BP多层神经网络模型，针对每种人口类型的BP神经网络都是由信息的正向传播和误差的反向传播两个过程组成，输入层各神经元负责接收来自外界的输入的真实城市空间区域的空间环境和空间关系的多维度特征量，并将该输入信息传递给中间层各神经元，中间层是内部信息处理层，负责信息变换根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出针对每种人口类型的动态分布的影响度。当输出的针对每种人口类型的动态分布的影响度与样本中对应类型的人口在该城市空间区域的动态分布数据不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度。因此影响度模型采用BP多层神经网络模型，训练后能够精准输出城市空间区域的空间环境和空间关系对不同人口类型的影响度。优选的，所述S3中采集的城市空间区域样本包括所述城市空间区域的空间环境特征量、空间关系特征量以及各种类型的人口在该城市空间区域的动态分布数据；所述城市区域空间环境的特征量包括但不限于该城市空间区域的自然面积、绿化面积、公路总里程、公共交通站点数量、商圈数量、学校或医疗等公共服务机构的数量；所述城市区域空间关系的特征量反映该城市区域周边一定距离范围内存在的主要空间目标——包括但不限于重要的公交和地铁枢纽、大型商业中心、产业园区——对于该城市空间区域的辐射影响程度，可以表示为：α1(d1)*β1，α2(d2)*β2，...，αi(di)*βi其中，“1，2，…，i”代表城市空间区域周边一定范围内存在的第1，2，…直至第i个类型的主要空间目标；βi表示第i个类型的主要空间目标自身具有的影响程度数值，例如：第i个主要空间目标为公交和地铁枢纽，则该公交和地铁枢纽停靠车次越多，对应的βi数值越大，表明该主要空间目标对所述城市空间区域的辐射影响程度越大；第i个主要空间目标为购物中心，则该购物中心修建的规模越大，对应的βi数值越大，表明该主要空间目标对所述城市空间区域的辐射影响程度越大；αi(di)表示第i个主要空间目标对所述城市空间区域的影响辐射系数，该系数为关于di的反比例函数，其中di表示主要空间目标与所述城市空间区域的距离，即第i个主要空间目标与所述城市空间区域的距离di越大，则该第i个主要空间目标对所述城市空间区域的辐射影响程度越小。优选的，所述S4的具体步骤如下：S41、将S3中采集的城市空间区域样本中包含的空间环境特征量、空间关系特征量，作为城市空间区域的空间环境和空间关系的多维度特征量，带入所述S2建立的影响度模型，由影响度模型输出针对每种人口类型的动态分布的影响度；S42、判断输出的每种人口类型的动态分布的影响度与样本中对应人口类型的实际动态分布数据是否匹配；S43、若输出的每种人口类型的动态分布的影响度与样本中对应人口类型的实际动态分布数据不匹配，根据判断结果调整影响度模型的神经元参数，然后再次输入样本中包含的城市空间区域的空间环境和空间关本文档来自技高网...

【技术保护点】
1.一种依托“城市超脑”计算平台的人口动态测算方法，其特征在于，包括如下步骤：/nS1、预先设定人口类型；/nS2、建立城市空间区域的空间环境和空间关系相对于不同人口类型的动态分布的影响度模型；/nS3、采集一定数量的真实城市空间区域的样本；/nS4、利用S3中采集的样本分别对S2中建立的影响度模型进行训练；/nS5、将任意真实城市空间区域的空间环境和空间关系参数带入S4中训练好的影响度模型，获取所述城市空间区域中各种类型的人口动态分布。/n

【技术特征摘要】
1.一种依托“城市超脑”计算平台的人口动态测算方法，其特征在于，包括如下步骤：
S1、预先设定人口类型；
S2、建立城市空间区域的空间环境和空间关系相对于不同人口类型的动态分布的影响度模型；
S3、采集一定数量的真实城市空间区域的样本；
S4、利用S3中采集的样本分别对S2中建立的影响度模型进行训练；
S5、将任意真实城市空间区域的空间环境和空间关系参数带入S4中训练好的影响度模型，获取所述城市空间区域中各种类型的人口动态分布。


2.根据权利要求1所述的一种依托“城市超脑”计算平台的人口动态测算方法，其特征在于，所述S1中根据个体的内因差异预设第1种、第2种…第n种，共n种人口类型。


3.根据权利要求1所述的一种依托“城市超脑”计算平台的人口动态测算方法，其特征在于，所述S2中动态分布的影响度模型采用的是适用于各种城市空间区域的BP多层神经网络模型，并且针对不同人口类型，分别建立城市空间区域的环境关系和空间关系相对于第1种、第2种…第n种人口类型的n个动态分布的影响度模型，每个影响度模型对应一种人口类型。


4.根据权利要求1所述的一种依托“城市超脑”计算平台的人口动态测算方法，其特征在于，所述S3中采集的城市空间区域样本包括所述城市空间区域的空间环境特征量、空间关系特征量以及各种类型的人口在该城市空间区域的动态分布数据。


5.根据权利要求1所述的一种依托“城市超脑”计算平台的人口动态测算方法，其特征在于，所述S4的具体步骤如下：
S41、将S3中采集的城市空间区域样本中包含的空间环境特征量、空间关系特征量，作为城市空间区域的空间环境和空间关系的多维度特征量，带入所述S2建立的影响度模型，由影响度模型输出针对每种人口类型的动态分布的影响度；
S42、判断输出的每种人口类型的动态分布的影响度与样本中对应人口类型的实际动态分布数据是否匹配；
S43、若输出的每种人口类型的动态分布的影响度与样本中对应人口类型的实际动态分布数据不匹配，根据判断结果调整影响度模型的神经元参数，然后再次输入样本中包含的城市空间区域的空间环境和空间关系的多维度特征量，由影响度模型输出针对每种人口类型的动态分布的影响度并与样本中对应的实际动态分布数据比较，直至二者匹配，完成对影响度模型的训练。


6.一种依托“城市超脑”计算平台的人口动态测算系统，其特征在于，包括：人口类型预设模型(1)、影响度模型建立模块(2)、样本采集模块(3)、训练模块(4)、人口动态分布获取模块(5)；其中，
所述人口类型预设模型(1)用于预先设定...

【专利技术属性】
技术研发人员：李杨，王琪，
申请(专利权)人：重庆特斯联智慧科技股份有限公司，
类型：发明
国别省市：重庆;50