一种基于时空势能场的城市人群流动预测系统及其方法技术方案

本发明专利技术公开了一种基于时空势能场的城市人群流动预测系统及其方法，该系统包括：PEF提取模块和数据驱动模块；该方法包括：S1.将基于网格的历史城市人群流图分解为多个基于多叉树的历史势能场；S2.捕获历史势能场的短期相关性，引入门控机制来捕获历史势能场的长期相关性，并将短期相关性和长期相关性进行叠加形成时间相关性；S3.将加权定向注意机制以及多头注意力机制引入图注意力机制GAT来捕捉空间相关性，并与时间相关性进行融合，融合后的结果输入到MLP中用于输出势能场预测值；S4.根据势能场预测值推导相应的城市人群流图，从而完成城市人群流动预测。本发明专利技术能够更加精确有效地对城市人群流动进行预测。地对城市人群流动进行预测。地对城市人群流动进行预测。

【技术实现步骤摘要】
一种基于时空势能场的城市人群流动预测系统及其方法


[0001]本专利技术涉及智慧城市
，更具体的说是涉及一种基于时空势能场的城市人群流动预测系统及其方法。

技术介绍

[0002]城市人群流动预测问题一直是时空数据挖掘领域中的广受研究者们关注的重点问题，随着城市化水平的推进，大量人口涌入城市人口数量激增，给城市的运营管理问题产生了巨大的影响，而城市人群流动预测作为智慧城市的核心技术之一，在真实世界里有至关重要的帮助。例如城市范围内人流量预测能够支持政府部门更好的了解和管理城市人群流动情况，促进多项工作的开展如交通管制等，特定区域的例如景区、市中心等的人流量的预测能够让组织者更好地保证大规模聚会时的人员安全问题。
[0003]早期的城市人群流动预测方法主要是关注于较为浅层的统计模型，该类模型将城市人群流动视为时间序列并运用以差分整合移动平均自回归模型(ARIMA)为代表的统计模型来解决问题。而近些年，以深度学习为基础的城市人群预测模型开始在工业界和学术界大放光彩，这类模型通常使用循环神经网络(RNN)和卷积神经网络(CNN)，前者能够捕捉城市人群流的时间依赖性，而后者则可以提取到城市人群数据的空间依赖性。而如果城市人群数据是由非欧氏空间的结构所组成的，例如路网结构，图神经网络则更为擅长处理该类数据类型。
[0004]然而，大部分这些统计学习模型遵守的是数据驱动的方针，这样的模型缺乏对城市人群流动原理机制的理解，从而导致预测模型的泛化性能被限制和模型可解释性欠佳的问题，因此尽管这些模型在许多实际运用中表现出类拔萃，但是依然无法得到人们的完全信任，尤其是在重要的应用领域上例如公共安全和应急管理。
[0005]因此，如何提供一种准确可靠的城市人群流动预测系统及其方法是本领域技术人员亟需解决的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于时空势能场的城市人群流动预测系统及其方法，能够更加精确有效地对城市人群流动进行预测。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]一种基于时空势能场的城市人群流动预测系统，包括：PEF提取模块和数据驱动模块；
[0009]所述PEF提取模块，用于将基于网格的历史城市人群流图分解为多个基于多叉树的历史势能场；
[0010]所述数据驱动模块包括时空深度学习模型和城市人群流图重建单元；
[0011]其中所述时空深度学习模型包括时间建模组件和空间建模组件；
[0012]所述时间建模组件包括短期相关性建模单元和长期相关性建模单元，所述短期相
关性建模单元用于捕获所述历史势能场的短期相关性，所述长期相关性建模单元用于引入门控机制来捕获所述历史势能场的长期相关性，并将所述短期相关性和所述长期相关性进行叠加形成时间相关性输入至所述空间建模组件；
[0013]所述空间建模组件，用于将加权定向注意机制以及多头注意力机制引入图注意力机制GAT来捕捉空间相关性，并与所述时间相关性进行融合，融合后的结果输入到MLP中用于输出势能场预测值；
[0014]所述城市人群流图重建单元，用于根据所述势能场预测值推导相应的城市人群流图，从而完成城市人群流动预测。
[0015]优选的，所述PEF提取模块包括社区划分单元、方向分解单元、多叉树分解单元和势能场产生单元；
[0016]所述社区划分单元，用于将待预测区域进行区域划分，获得若干个社区，使得社区内部流量最大化和社区间人群流动最小化；
[0017]所述方向分解单元，用于将具有双向流动的社区分解为两个子图，每个子图内的相邻结点之间仅为单向流动；
[0018]所述多叉树分解单元，用于将分解后的每个子图对应的流量图分别分解为一组多叉树，其中每个多叉树均为有向无环图；
[0019]所述势能场产生单元，用于针对分解后的每个多叉树获取基于多叉树的势能场。
[0020]优选的，所述多叉树分解单元的具体内容包括：
[0021](1)每个时空流量图均可以被分解为两个梳子状的流量多叉树T1和T2，而每个多叉树都有互相垂直的梳子主干方向和梳齿方向，将一个流量图中最大的流量对应的方向设定为T1的梳子主干方向，对应的垂直方向即为T2的梳齿方向，而T2的梳子主干方向则为T1的梳齿方向，T2的梳齿方向为T1的梳子主干方向，之后为每棵多树选择对应的骨干节点，骨干节点的选择方式为该多叉树主干方向的最大流量边的初始结点；
[0022](2)按照(1)中初始化所述建模时空流量图的流量多叉树T1和T2，并为每棵多树选择对应的骨干节点b1和b2；
[0023](3)先对于T1多叉树，沿梳子主干方向扩展骨干节点b1得到骨干子图Gb，并加入所述流量多树T1；
[0024](4)沿着梳齿方向扩展所述骨干子图Gb中的每个节点得到齿边子图Gt，并加入所述流量多树T1；
[0025](5)判断所述齿边子图T1中所有节点是否均被扩展选择过，如果是，则生成所述流量多树T1；否则，选择一个未选择过的节点vt沿梳子主干方向选择不会成环的边扩展节点m，并加入所述骨干子图Gb和所述多树T1中，将m设置成b1并返回(3)和(4)；
[0026](6)对于T2多叉树同理，重复以上(3)、(4)和(5)；
[0027](7)获得多树T1和多树T2，若一条边同时出现在T1和T2中，则将该边在两棵多树中的流量均减半。
[0028]优选的，所述多叉树分解单元还用于对表示跨社区的人群流的宏流量图进行分解，具体内容包括：
[0029]将宏流量图通过主次划分算法根据流量的大小划分为主子图和次子图，所述主子图和次子图均包含宏流量图的所有结点和单向边，而对于没有双向流的主子图和次子图，
通过泛多叉树算法来将其分解为多个边互不相交的多叉树，所述泛多叉树算法的具体内容为：
[0030]①
对于输入的宏流量图MG，设置MG的每一条边的访问数t
uv
＝0，初始化每一条边的权重为w
uv
＝1/e
uv
，同时将输出的边不互交的流量多叉树集MT设置为空集；
[0031]②
计算扩展系数φ＝w
max
/w
min
+1；
[0032]③
考虑将MG的每个结点作为一个独立的树；
[0033]④
从边集中取出权重最小边e
uv
，如果u和v属于两个不同的树，就将两棵树合并，重复步骤4直到所有的结点属于一棵树T，并将树T加入到多叉树集合MT中；
[0034]⑤
对
①
中的参数进行更新，对于
④
生成的树T的每条边，均进行如下更新
[0035]t
uv
←
t
uv
+1
[0036][0037]⑥
重复
②
、
③
、
④...

【技术保护点】

【技术特征摘要】
1.一种基于时空势能场的城市人群流动预测系统，其特征在于，包括：PEF提取模块和数据驱动模块；所述PEF提取模块，用于将基于网格的历史城市人群流图分解为多个基于多叉树的历史势能场；所述数据驱动模块包括时空深度学习模型和城市人群流图重建单元；其中所述时空深度学习模型包括时间建模组件和空间建模组件；所述时间建模组件包括短期相关性建模单元和长期相关性建模单元，所述短期相关性建模单元用于捕获所述历史势能场的短期相关性，所述长期相关性建模单元用于引入门控机制来捕获所述历史势能场的长期相关性，并将所述短期相关性和所述长期相关性进行叠加形成时间相关性输入至所述空间建模组件；所述空间建模组件，用于将加权定向注意机制以及多头注意力机制引入图注意力机制GAT来捕捉空间相关性，并与所述时间相关性进行融合，融合后的结果输入到MLP中用于输出势能场预测值；所述城市人群流图重建单元，用于根据所述势能场预测值推导相应的城市人群流图，从而完成城市人群流动预测。2.根据权利要求1所述的一种基于时空势能场的城市人群流动预测系统，其特征在于，所述PEF提取模块包括社区划分单元、方向分解单元、多叉树分解单元和势能场产生单元；所述社区划分单元，用于将待预测区域进行区域划分，获得若干个社区，使得社区内部流量最大化和社区间人群流动最小化；所述方向分解单元，用于将具有双向流动的社区分解为两个子图，每个子图内的相邻结点之间仅为单向流动；所述多叉树分解单元，用于将分解后的每个子图对应的流量图分别分解为一组多叉树，其中每个多叉树均为有向无环图；所述势能场产生单元，用于针对分解后的每个多叉树获取基于多叉树的势能场。3.根据权利要求2所述的一种基于时空势能场的城市人群流动预测系统，其特征在于，所述多叉树分解单元的具体内容包括：(1)每个时空流量图均可以被分解为两个梳子状的流量多叉树T1和T2，而每个多叉树都有互相垂直的梳子主干方向和梳齿方向，将一个流量图中最大的流量对应的方向设定为T1的梳子主干方向，对应的垂直方向即为T2的梳齿方向，而T2的梳子主干方向则为T1的梳齿方向，T2的梳齿方向为T1的梳子主干方向，之后为每棵多树选择对应的骨干节点，骨干节点的选择方式为该多叉树主干方向的最大流量边的初始结点；(2)按照(1)中初始化所述建模时空流量图的流量多叉树T1和T2，并为每棵多树选择对应的骨干节点b1和b2；(3)先对于T1多叉树，沿梳子主干方向扩展骨干节点b1得到骨干子图Gb，并加入所述流量多树T1；(4)沿着梳齿方向扩展所述骨干子图Gb中的每个节点得到齿边子图Gt，并加入所述流量多树T1；(5)判断所述齿边子图T1中所有节点是否均被扩展选择过，如果是，则生成所述流量多树T1；否则，选择一个未选择过的节点vt沿梳子主干方向选择不会成环的边扩展节点m，并
加入所述骨干子图Gb和所述多树T1中，将m设置成b1并返回(3)和(4)；(6)对于T2多叉树同理，重复以上(3)、(4)和(5)；(7)获得多树T1和多树T2，若一条边同时出现在T1和T2中，则将该边在两棵多树中的流量均减半。4.根据权利要求2所述的一种基于时空势能场的城市人群流动预测系统，其特征在于，所述多叉树分解单元还用于对表示跨社区的人群流的宏流量图进行分解，具体内容包括：将宏流量图通过主次划分算法根据流量的大小划分为主子图和次子图，所述主子图和次子图均包含宏流量图的所有结点和单向边，而对于没有双向流的主子图和次子图，通过泛多叉树算法来将其分解为多个边互不相交的多叉树，所述泛多叉树算法的具体内容为：
①
对于输入的宏流量图MG，设置MG的每一条边的访问数t
uv
＝0，初始化每一条边的权重为w
uv
＝1/e
uv
，同时将输出的边不互交的流量多叉树集MT设置为空集；
②
计算扩展系数φ＝w
max
/w
min
+1；
③
考虑将MG的每个结点作为一个独立的树；
④
从边集中取出权重最小边e
uv
，如果u和v属于两个不同的树，就将两棵树合并，重复步骤4直到所有的结点属于一棵树T，并将树T加入到多叉树集合MT中；
⑤
对
①
中的参数进行更新，对于
④

【专利技术属性】
技术研发人员：寄家豪，王静远，程佳伟，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：