基于深度学习的人口分布补全方法及系统技术方案

本发明专利技术提供了一种基于深度学习的人口分布补全方法及系统。本发明专利技术获取各个采样点采集到的人口数量的时间序列，根据各个采集点根据空间距离与时间序列相似度建模为两张图，并通过GCN来捕捉各个采集点之间的空间联系，将不同时刻的GCN输出连接起来，得到各个采样点下的时间序列，并将此时间序列利用GRU模块来捕捉时间上的联系，然后通过补全模块获得未来一段时间全局人口分布的预测结果。本发明专利技术能够提高全局人口分布的预测结果的准确性，并为后续的分析处理任务提供数据支撑。的分析处理任务提供数据支撑。的分析处理任务提供数据支撑。

【技术实现步骤摘要】
基于深度学习的人口分布补全方法及系统


[0001]本专利技术涉及神经网络模型
，具体而言，本专利技术涉及一种基于深度学习的人口分布补全方法及系统。

技术介绍

[0002]深度神经网络是深度学习的基础。神经网络是基于感知机的扩展，而深度神经网络可以理解为包括有多个隐藏层的神经网络。按不同层的位置划分，深度神经网络内部的神经网络层可以分为三类，输入层、隐藏层和输出层，一般来说第一层是输入层，最后一层是输出层，而中间的层都是隐藏层。
[0003]在一些实际应用场景中，有时候希望能够获得某个区域(如机场、火车站、医院等)的人口分布数据。现有技术通常是通过采样的方式，如通过摄像头、无线接入点(如Wi
‑
Fi接入点)获取局部区域的人群分布样本，而实际应用中通常希望能够获得全局人口分布的数据，该方案难以满足全局人口分布的需求。
[0004]另外，现有技术也出现了一些群体时空分布建模的解决方案，例如，ConvLSTM的编码器
‑
解码器结构，利用循环卷积神经网络来对未来时间段的人口密度进行预测。该方案的卷积模型的输入要求为细粒度的人口密度分布图，对于数据有较严格的限制，因此，难以用于处理全局数据缺失的室内情况。
[0005]另外，现有技术中针对数据补全的问题，目前并没有提出端到端的解决方案，主要的方法是通过传统方式直接对数据进行平滑处理，例如利用高斯分布直接模拟一个信号接入点附近的人口空间分布、使用三次立方插值的图像处理方法等。而这样的方法难以建模空间联系与时间相关，很难准确地模拟真实的人口分布，因此会对后续的分析处理带来不利影响。
[0006]因此，亟需一种人口分布补全方案，能够提高全局人口分布的预测结果的准确性，为后续的分析处理提供数据支撑。

技术实现思路

[0007]本专利技术实施例要解决的技术问题是提供一种基于深度学习的人口分布补全方法及装置，能够提高全局人口分布的预测结果的准确性。
[0008]为解决上述技术问题，本专利技术实施例提供的一种基于深度学习的人口分布补全方法，包括：
[0009]获取目标区域内的多个采样点的位置坐标以及各采样点的第一人口分布时间序列；
[0010]将每个采样点分别与物理距离最近的k个采样点相连得到第一连接边，生成包括所述多个采样点和第一连接边的第一图网络；将每个采样点分别与第一人口分布时间序列的相似度最高的k个采样点相连得到第二连接边，生成包括所述多个采样点和第二连接边的第二图网络；
[0011]将所述第一图网络、第二图网络以及所述第一人口分布时间序列输入至图卷积神经网络GCN，获得GCN输出的各采样点的第二人口分布时间序列；
[0012]将所述第二人口分布时间序列输入至门控循环单元GRU，获得GRU预测得到的各采样点的第三人口分布时间序列；
[0013]将所述第三人口分布时间序列输入至一补全模块，获得所述补全模块预测得到的所述目标区域的全局人口分布的第四人口分布时间序列。
[0014]本专利技术实施例还提供了一种基于深度学习的人口分布补全系统，包括：
[0015]信息获取模块，用于获取目标区域内的多个采样点的位置坐标以及各采样点的第一人口分布时间序列；
[0016]图构建模块，用于将每个采样点分别与物理距离最近的k个采样点相连得到第一连接边，生成包括所述多个采样点和第一连接边的第一图网络；将每个采样点分别与第一人口分布时间序列的相似度最高的k个采样点相连得到第二连接边，生成包括所述多个采样点和第二连接边的第二图网络；
[0017]人口分布补全模型，用于根据所述第一图网络、第二图网络以及所述第一人口分布时间序列，预测得到所述目标区域的全局人口分布的第四人口分布时间序列，其中，所述人口分布补全模型包括：
[0018]图卷积神经网络GCN，用于根据所述第一图网络、第二图网络以及所述第一人口分布时间序列，获得各采样点的第二人口分布时间序列；
[0019]门控循环单元GRU，用于根据所述第二人口分布时间序列，预测得到各采样点的第三人口分布时间序列；
[0020]补全模块，用于根据所述第三人口分布时间序列，预测得到所述目标区域的全局人口分布的第四人口分布时间序列。
[0021]根据本专利技术的另一方面，至少一个实施例提供了一种基于深度学习的人口分布补全系统，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的方法的步骤。
[0022]根据本专利技术的另一方面，至少一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被处理器执行时，实现如上所述的方法的步骤。
[0023]与现有技术相比，本专利技术实施例提供的基于深度学习的人口分布补全方法及装置，能够提高全局人口分布的预测结果的准确性，并为后续的分析处理任务提供数据支撑。
附图说明
[0024]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1为本专利技术实施例提供的人口分布补全模型的一种结构示意图；
[0026]图2为本专利技术实施例提供的人口分布补全模型的另一种结构示意图；
[0027]图3为本专利技术实施例提供的人口分布补全方法的一种流程示意图；
[0028]图4为图网络的一种示例图；
[0029]图5为本专利技术实施例的GRU的原理示意图；
[0030]图6为本专利技术实施例的人口分布补全系统的一种结构示意图；
[0031]图7为本专利技术实施例的人口分布补全系统的另一种结构示意图；
[0032]图8为本专利技术实施例的人口分布补全系统的又一种结构示意图。
具体实施方式
[0033]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本专利技术的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本专利技术的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
[0034]应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本专利技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
[0035]在本专利技术的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本专利技术实施例的实施过程构成任何限定。
[0036]如
技术介绍
所述的，现有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人口分布补全方法，其特征在于，包括：获取目标区域内的多个采样点的位置坐标以及各采样点的第一人口分布时间序列；将每个采样点分别与物理距离最近的k个采样点相连得到第一连接边，生成包括所述多个采样点和第一连接边的第一图网络；将每个采样点分别与第一人口分布时间序列的相似度最高的k个采样点相连得到第二连接边，生成包括所述多个采样点和第二连接边的第二图网络；将所述第一图网络、第二图网络以及所述第一人口分布时间序列输入至图卷积神经网络GCN，获得GCN输出的各采样点的第二人口分布时间序列；将所述第二人口分布时间序列输入至门控循环单元GRU，获得GRU预测得到的各采样点的第三人口分布时间序列；将所述第三人口分布时间序列输入至一补全模块，获得所述补全模块预测得到的所述目标区域的全局人口分布的第四人口分布时间序列。2.如权利要求1所述的方法，其特征在于，所述将每个采样点分别与第一人口分布时间序列的相似度最高的k个采样点相连得到第二连接边，包括：根据动态时间规整DTW算法，计算采样点之间的所述第一人口分布时间序列的相似度；针对每个采样点，确定与该采样点的所述第一人口分布时间序列的相似度最高的k个采样点，并将该采样点与该k个采样点相连，得到第二连接边。3.如权利要求1所述的方法，其特征在于，所述GCN用于根据所述第一图网络和第一人口分布时间序列，生成各采样点的第五人口分布时间序列；根据第二图网络和第一人口分布时间序列，生成各采样点的第六人口分布时间序列；以及，根据所述第五人口分布时间序列和第六人口分布时间序列，生成各采样点的所述第二人口分布时间序列。4.如权利要求1所述的方法，其特征在于，所述补全模块包括卷积编码器和反卷积解码器，其中，所述卷积编码器用于对稀疏热力图进行稠密化处理，得到稠密热力图，所述稀疏热力图是基于所述第三人口分布时间序列构建的所述目标区域的热力图；所述反卷积解码器用于对所述稠密热力图进行反卷积处理，得到所述目标区域的全局人口分布的第四人口分布时间序列。5.如权利要求1所述的方法，其特征在于，在获取所述第一人口分布时间序列之前，所述方法还包括：利用预先获得的所述目标区域的各个采样点的人口分布历史数据以及所述目标区域的全局人口分布历史数据，对包括所述GCN、GRU和补全模块的人口分布补全模型进行训练，得到训练好的所述人口分布补全模型。6.一种基于深度学习的人口分布补全系统，其特征在于，包括：信息...

【专利技术属性】
技术研发人员：李勇，韩振宇，李煜泽，张杨，谢雨来，耿璐，
申请(专利权)人：清华大学，
类型：发明
国别省市：