一种基于手机数据的共享时空注意力卷积网络人口数量预测方法技术

本发明专利技术属于人口数据信息分析技术领域，具体涉及一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，包括构建路网结构图；获取路网数据和手机数据，并对该数据进行匹配映射，得到路网人口图；将路网人口图输入到人口数量预测模型中，得到人口数量预测结果；人口数量预测模型为共享时空注意力卷积网络，该网络至少由两层共享时空卷积层组成，每层共享时空卷积层包括优化图模块和多个共享时空卷积块；共享时空卷积层之间进行残差连接，共享时空卷积块之间进行残差连接；本发明专利技术通过将多个时空卷积模块进行残差连接，构成时空卷积层，在将多个时空卷积层残差连接，构成了共享时空注意力卷积网络，能够更好的捕获数据的时空特征。据的时空特征。据的时空特征。

【技术实现步骤摘要】
一种基于手机数据的共享时空注意力卷积网络人口数量预测方法


[0001]本专利技术属于人口数据信息分析
，具体涉及一种基于手机数据的共享时空注意力卷积网络人口数量预测方法。

技术介绍

[0002]随着社会的不断发展，镇化进程的加快，人口活动的空间范围增大，人口流动的数量与速度均在迅速扩张，人口的迅速集聚、无序蔓延同时带来了交通拥堵、城市安全等一系列问题，为城市管理增加了难度。掌握区域活跃人口数据，动态监测人流分布能够实现问题区域的提前预警，同时为城市设施供给提供量化依据，有效的辅助城市精细化管理。
[0003]手机数据是用户在使用手机过程中所产生的数据，该数据具有很强的周期性，可以反映出用于的活动规律以及相应的信息，因此基于手机数据的人口数量预测在对时空数据挖掘、常住人口分析、智慧交通系统等领域具有重要作用。传统人口数据预测方法有很多，例如使用如差分整合移动平均自回归(ARIMA)和支持向量机(SVM)等模型提取人流的时序特征；使用LSTM预测时序数据；在卷积神经网络的基础上提出了ST
‑
ResNet残差结构，通过该网络结构提取网格间的局部空间关联信息；使用3D卷积在时间维、空间维和特征维上同时提取局部关联；将长短期记忆网络中的矩阵乘法改为卷积运算，在学习局部空间关联的同时捕捉长期和短期时间关联等等；上述提到的方法中可以清楚明白的表示出区域间的关系；但是不能处理复杂的拓扑结构。
[0004]基于上述问题，提出了一种基于谱域的图卷积计算方法，用图的拉普拉斯矩阵实现图上的傅里叶变换，再通过样条插值的方法近似求解，实现基于谱域的图卷积；但是上述方法中的由于谱域图卷积运算复杂度较高，因此又有学者提出了使用基于邻接矩阵或转移矩阵的空间域图卷积方法简化图神经网络中的传播、聚集过程，并使用门控机制调整时间、空间模块，提取复杂的时空关联。例如Wu等人提出的Graph WaveNet网络结构，该网络结构引入图编码模块改进了图邻接矩阵的空间关联表示能力。但是上述方法中均存在一下问题：
[0005]1、由于人的活动是基于道路网络，而现有方法中的通过预定义道路网络图，并基于预定义道路网络图来求取人的活动时空特征；但是道路网络会随着道路交通、限行等变化而不断变化的，使得人的活动也会随之变化，从而导致现有方法中提取到的时空特征不准确，造成预测结果的精确度低的问题。
[0006]2、图结构是需要路网属性、结点自相关性、自适应图学习多种方式产生，其中，路网属性缺乏对长距离关联的捕捉，结点自相关性需要更多的时间开销；而现有的方法中对于图结构的学习中只涉及到图的全局关联性，而造成不能充分挖掘数据中存在的空间和时间特征，导致不能长期预测人口数量。

技术实现思路

[0007]针对以上现有技术存在的问题，本专利技术提出了一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，该方法包括：构建路网结构图；获取道路交通数据，对道路交通数据进行预处理，得到手机数据和路网数据；将路网数据和手机数据进行匹配映射，得到路网人口数据，根据路网人口数据构建路网人口图；将路网人口图输入到人口数量预测模型中，得到人口数量预测结果；人口数量预测模型为共享时空注意力卷积网络，该网络包括至少由两层共享时空卷积层组成，每层共享时空卷积层包括优化图模块和多个共享时空卷积块；共享时空卷积层之间进行残差连接，共享时空卷积块之间进行残差连接。
[0008]优选的，采用人口数量预测模型对路网人口图进行处理的过程包括：
[0009]S1：设置模型的训练迭代次数；
[0010]S2：采用nodevec算法提取路网人口图中每个节点的初始特征；
[0011]S3：构建路网人口图的邻接矩阵；
[0012]S4：将构建的邻接矩阵和节点的初始特征输入到第一共享时空卷积层中进行时空特征提取，得到路网人口图的第一时空特征图；
[0013]S5：将第一时空特征图与邻接矩阵卷积后作为下一层共享时空卷积层的输入，得到第n个时空特征图；直到所有的共享时空卷积层均处理完数据；
[0014]S6：计算最后一层时空特征图中各个节点的相似度，构建相似度矩阵；
[0015]S7：对相似度矩阵进行归一化处理，将归一化后的相似度矩阵与初始特征进行聚合，得到新的初始特征，并返回步骤S4；
[0016]S8：当模型达到迭代次数后，将所有的时空特征图进行融合，得到人口数量预测结果。
[0017]进一步的，共享时空卷积层对输入数据进行处理的过程包括：
[0018]S41：将邻接矩阵和初始特征输入到第一共享时空卷积块中进行初始时空特征提取，得到第一初始时空特征图；
[0019]S42：将第一初始时空特征图与初始特征进行残差卷积，将残差卷积结果作为下一个共享时空卷积块的输入，直到所有的共享时空卷积块处理完数据；
[0020]S43：将所有的初始时空特征图进行融合，得到时空特征图。
[0021]进一步的，共享时空卷积块对输入数据进行处理的过程包括：
[0022]S411：将邻接矩阵输入到优化图卷积网络中进行优化处理；
[0023]S412：采用共享空间注意力机制提取优化后的邻接矩阵的空间特征；
[0024]S413：采用时间扩张卷积对输入数据进行时间扩张卷积处理；
[0025]S414：采用共享时间注意力机制对经过扩张卷积处理后的数据进行时间特征提取，得到时间特征；
[0026]S415：采用共享注意力机制对时间特征和空间特征进行融合，得到初始时空特征。
[0027]进一步的，对图结构的邻接矩阵进行优化的公式包括：
[0028][0029]T
k
(A
o
)＝2A
o
T
k
‑1(A
o
)
‑
T
k
‑2(A
o
)
[0030][0031]T1＝Softmax(E)
[0032]其中，g
θ
(.)表示关于L特征值的函数，L表示归一化的图拉普拉斯矩阵，K表示阶数，θ
k
表示可学习的参数，T
k
(.)表示切比雪夫多项式，根据L的最大特征值和单位矩阵进行重新缩放，X表示输入数据，A
o
表示优化后的图邻接矩阵，E表示计算T1的中间状态，Relu表示激活函数，是A0的转置矩阵，T0表示单位矩阵，T1表示对E进行归一化，Softmax表示归一化函数。
[0033]进一步的，共享空间注意力机制采用多头注意力机制，其表达包括：
[0034][0035][0036][0037][0038]其中，表示优化图卷积和时间扩张卷积的输出和，b表示当前经过第几块，l表示当前在神经网络的第几层，GCN表示优化图卷积神经网络，X表示输入数据，TDC表示时间扩张卷积，query表示查询矩阵，cat表示连接多个矩阵的操作，split会将输入分开为多个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，包括：构建路网结构图；获取道路交通数据，对道路交通数据进行预处理，得到手机数据和路网数据；将路网数据和手机数据进行匹配映射，得到路网人口数据，根据路网人口数据构建路网人口图；将路网人口图输入到人口数量预测模型中，得到人口数量预测结果；人口数量预测模型为共享时空注意力卷积网络，该网络包括至少由两层共享时空卷积层组成，每层共享时空卷积层包括优化图模块和多个共享时空卷积块；共享时空卷积层之间进行残差连接，共享时空卷积块之间进行残差连接。2.根据权利要求1所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，道路交通数据包括：道路信息、道路相交的节点信息、道路交通数据、周围环境信息以及手机数据信息，其中手机数据包括用户的基础信息、用户的驻留地点以及用户的运行轨迹。3.根据权利要求1所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，采用人口数量预测模型对路网人口图进行处理的过程包括：S1：设置模型的训练迭代次数；S2：采用nodevec算法提取路网人口图中每个节点的初始特征；S3：构建路网人口图的邻接矩阵；S4：将构建的邻接矩阵和节点的初始特征输入到第一共享时空卷积层中进行时空特征提取，得到路网人口图的第一时空特征图；S5：将第一时空特征图与邻接矩阵卷积后作为下一层共享时空卷积层的输入，得到第n个时空特征图；直到所有的共享时空卷积层均处理完数据；S6：计算最后一层时空特征图中各个节点的相似度，构建相似度矩阵；S7：对相似度矩阵进行归一化处理，将归一化后的相似度矩阵与初始特征进行聚合，得到新的初始特征，并返回步骤S4；S8：当模型达到迭代次数后，将所有的时空特征图进行融合，得到人口数量预测结果。4.根据权利要求3所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，共享时空卷积层对输入数据进行处理的过程包括：S41：将邻接矩阵和初始特征输入到第一共享时空卷积块中进行初始时空特征提取，得到第一初始时空特征图；S42：将第一初始时空特征图与初始特征进行残差卷积，将残差卷积结果作为下一个共享时空卷积块的输入，直到所有的共享时空卷积块处理完数据；S43：将所有的初始时空特征图进行融合，得到时空特征图。5.根据权利要求4所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，共享时空卷积块对输入数据进行处理的过程包括：S411：对输入的数据进行膨胀卷积处理；S412：将经过膨胀卷积处理后的邻接矩阵输入到优化图卷积网络中进行优化处理；S413：采用共享空间注意力机制提取经过优化的邻接矩阵的空间特征；S414：采用时间扩张卷积对经过膨胀卷积处理后的数据进行时间扩张卷积处理；S415：采用共享时间注意力机制对经过扩张卷积处理后的数据进行时间特征提取，得到时间特征；
S416：采用共享注意力机制对时间特征和空间特征进行融合，得到初始时空特征。6.根据权利要求5所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，对图结构的邻接矩阵进行优化的公式包括：T
k
(A
o
)＝2A
o
T
k
‑...

【专利技术属性】
技术研发人员：李定晓，刘庆岩，皮屹峰，唐京津，程映山，方德敏，李鹏程，张旭，
申请(专利权)人：中国烟草总公司重庆市公司，
类型：发明
国别省市：