【技术实现步骤摘要】
一种线上线下关联的城市客流量预测方法
本专利技术涉及智慧城市应用相关的客流量预测技术、以及大数据分析、深度神经网络
，具体涉及一种线上线下关联的城市客流量预测方法。
技术介绍
随着物联网技术的快速发展，物联网技术使得城市向更加智能的方向发展。基于物联网的智慧城市涉及大量城市中密布的传感器，异构网络基础设施，智能信息处理和城市计算等技术。城市客流量预测是面向智慧城市应用的重要组成部分之一。当前，广泛的智能物联网设备和服务为我们提供了更多获取城市人群流量数据的便利。我们可以通过授权的智能设备从互连的数据网络中获得多种用于城市人群检测的安全数据，包括用户轨迹数据和在线浏览数据等。这些异构人群信息的集成网络系统有助于城市安全规划和管理。随着社会的进步和城市化进程的加快，城市人口快速增长。大规模的城市人群移动给城市公共安全带来了巨大挑战，城市客流量预测，特别是即时客流量预测，对于城市公共安全至关重要。本申请专利技术人在实施本专利技术的过程中，发现现有技术的方法，至少存在如下技术问题：现有的技术方法依赖历史...
【技术保护点】
1.一种线上线下关联的城市客流量预测方法，其特征在于，包括：/nS1：构建基于扩张因果卷积的线下客流量分布特征提取模块，用于根据捕获时间依赖关系的特征以及外部特征，得到线下客流量分布特征；/nS2：构建线上访问注意点分布特征提取模块，用于根据用户在线下进入、离开、停留不同区域的三种情况下的线上访问内容分类的情况获得线上访问注意点分布特征；/nS3：构建线上线下交互模块，用于融合线下客流量分布特征和线上访问注意点分布特征，并预测出下一时刻的客流量；/nS4：线下客流量分布特征提取模块、线上访问注意点分布特征提取模块以及线上线下交互模块构成城市客流量预测模型，并对预测模型进行训...
【技术特征摘要】
1.一种线上线下关联的城市客流量预测方法，其特征在于，包括：
S1：构建基于扩张因果卷积的线下客流量分布特征提取模块，用于根据捕获时间依赖关系的特征以及外部特征，得到线下客流量分布特征；
S2：构建线上访问注意点分布特征提取模块，用于根据用户在线下进入、离开、停留不同区域的三种情况下的线上访问内容分类的情况获得线上访问注意点分布特征；
S3：构建线上线下交互模块，用于融合线下客流量分布特征和线上访问注意点分布特征，并预测出下一时刻的客流量；
S4：线下客流量分布特征提取模块、线上访问注意点分布特征提取模块以及线上线下交互模块构成城市客流量预测模型，并对预测模型进行训练；
S5：利用训练好的城市客流量预测模型对城市客流量进行预测。
2.如权利要求1所述的城市客流量预测方法，其特征在于，S1中捕获时间依赖关系的特征为张量形式，通过下述方式得到：
根据功能类型对空间区域网络进行划分，统计每个时刻下各个空间区域的漫入数和漫出数，构建二维客流量矩阵，连续多个时刻上的矩阵构成时间序列；
将构成的连续时刻上的二维矩阵按照不同的时间间隔进行分片，分片后构成三个张量，分别用于捕获长期依赖、周期性依赖和短期依赖关系。
3.如权利要求2所述的城市客流量预测方法，其特征在于，基于扩张因果卷积的线下客流量分布特征提取模块为多层DCNN网络，S1具体包括：
将用于捕获时间依赖关系的三个张量作为输入，通过多层DCNN网络学习输出特征矩阵，再通过哈德玛积将三种特征以及外部特征进行融合，输出表征时间依赖关系的客流量特征Xflow，作为线下客流量分布特征。
4.如权利要2所述的城市客流量预测方法，其特征在于，空间网络区域某一时刻漫入数和漫出数的计算方式为：
其中，是t时刻用户移动轨迹的集合，Tr：l1→l2→...→l|Tr|是用户轨迹，k为轨迹的所经过的区域总数，lk表示最终到达的区域，lk-1表示轨迹中前一个经过的区域，(i,j)表示第i类区域中的第j个区域。
5.如权利要求3所述的城市客流量预测方法，其特征在于，基于扩张因果卷积的线下客流量分布特征提取模块通过历史的时间序列来预测下一时刻的客流量矩阵，该过程抽象为计算极大似然函数的过程，具体如下：
其中，w是模型中训练得到的参数，扩张因果卷积网络由多层扩张卷积构成，每一层扩张卷积后输出一个特征图，特征图可以由下式得到：
其中d是扩张因子，M...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。