城市人群聚集热点区域预测方法、系统、介质及终端技术方案

本发明专利技术属于城市热点区域预测技术领域，公开了一种城市人群聚集热点区域预测方法、系统、介质及终端，构建深度混合神经网络模型即CSA模型，利用CNN提取不同区域网格间的空间相关性特征，结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模，基于对人群热点的时空属进行多维建模，预测城市人群聚集热点区域。本发明专利技术的基于深度混合神经网络的面向城市人群热点预测方法效果更好，预测更加准确。本发明专利技术通过在数据中区分不同作息时间片段中人群热点的空间分布差异，帮助预测模型更准确的捕获不同作息片段间的人群流动规律，提高城市热点预测的准确性。预测的准确性。预测的准确性。

Prediction methods, systems, media and terminals of urban crowd aggregation hot spots

【技术实现步骤摘要】
城市人群聚集热点区域预测方法、系统、介质及终端


[0001]本专利技术属于城市热点区域预测
，尤其涉及一种城市人群聚集热点区域预测方法、系统、介质及终端。

技术介绍

[0002]目前，城市人群热点指的是一个相较其他区域具有更多的人类活动、居民出行次数以及交通流量较大的地理区域，相关预测研究对于城市感知和公共安全应急决策具有重要的实际意义。
[0003]近年来，许多国内外学者围绕基于出租车轨迹的城市热点区域展开研究。这些方法大多使用空间聚类方法进行城市热点区域的空间规律分析，仅少数研究针对城市热点的时空变化进行预测，而且主要预测较短时间范围内的热点趋势。城市人群热点区域往往伴随时空环境变化而快速演化，存在典型的空间相关性和时间相关性特点，因此，如何发掘利用热点区域的时空相关性是精准预测城市人群热点变化趋势的关键。
[0004]传统时空数据预测研究常常采用单一卷积神经网络或循环神经网络进行建模，忽略了时空同时相关性。同时，也未考虑生活作息、天气和环境等因素对城市人群活动可能造成的影响。
[0005]近年来，混合神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述基于深度学习的城市人群聚集热点区域预测方法包括：构建深度混合神经网络模型即CSA模型，利用CNN提取不同区域网格间的空间相关性特征，结合Seq2Seq和Attention注意力机制，对人群热点在连续特征日中同等时间片段的时间相关性进行建模；基于对人群热点的时空属性进行多维建模，通过前一段时间的内的相同时间段内相同区域的人群数量，预测下一时间段的这个区域的人群数量，预测城市人群聚集热点区域。2.如权利要求1所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述CSA模型包括：CNN网络，用于提取城市热点区域空间特征；特征融合模块，用于将时间段特征分开划分，将时间段特征作为特征向量的一个维度，对提取的每个空间特征向量所处的时间段进行缝合和标记；Seq2Seq，用于对未来一段时间的热点区域分布进行预测。3.如权利要求2所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述CNN网络包括：滤波器，用于滤波器提取热点区域的局部区域信息；迭代卷积层与池化层，用于提取较远区域的空间相关特征。4.如权利要求2所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述Seq2Seq包括：编码器，用于通过对卷积网络提取的城市空间特征进行时间序列特征提取，通过LSTM的可记忆性提取相应时间段的最近趋势特征；注意力机制，用于获取Seq2Seq中编码器序列各时间点对解码器序列各时间点的不同重要程度；解码器，用于使用LSTM对下一时期的城市热点区域进行明确的时间序列预测。5.如权利要求2所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述CSA模型采用混合时序模型为：P(y
t
|{y1,y2,
…
,y
i
‑1+,X)＝g(y
i
‑1,s
i
,c
i
)s
i
＝f(s
i
‑1,y
i
‑1,c
i
)其中，y
i
表示每个目标输出；g函数表示非线性激活函数，s
i
表示解码器i时刻的隐藏状态；c
i
是由编码时的隐藏向量序列按权重相加得到的。6.如权利要求1所述基于深度学习的城市人群聚集热点区域预测方法，其特征在于，所述基于深度学习的城市人群聚集热点区域预测方法包括以下步骤：步骤一，将一天内的24小时划分成不等长的时间片段；在数据中区分不同作息时间片段中人群热点的空间分布差异；步骤二，利用CNN中的滤波器提取热点区域的局部区域信息，并通过迭代...

【专利技术属性】
技术研发人员：游兰，崔海波，金红，张明达，朱荣钊，
申请(专利权)人：湖北大学，
类型：发明
国别省市：