基于深度学习的城市活动预测方法技术

本发明专利技术提供了一种基于深度学习的城市活动预测方法，具有这样的特征，包括以下步骤：步骤S1，根据选择模型效用函数构建深度学习模型，并根据现有的活动数据构建训练集，再通过训练集对深度学习模型进行训练，直至达成训练完成条件，则将训练好的深度学习模型作为城市活动模型；步骤S2，采集居民在特定活动中的居住地与各个待选目的地之间的居民活动变量数据；步骤S3，根据居民活动变量数据构建与目的地吸引力无关张量和与目的地吸引力有关张量；步骤S4，将与目的地吸引力无关张量和与目的地吸引力有关张量输入城市活动模型，得到对应的待选目的地作为城市活动目的地预测结果。总之，本方法能够提高城市活动预测的准确性。本方法能够提高城市活动预测的准确性。本方法能够提高城市活动预测的准确性。

【技术实现步骤摘要】
基于深度学习的城市活动预测方法


[0001]本专利技术涉及城市活动建模领域，具体涉及一种基于深度学习的城市活动预测方法。

技术介绍

[0002]选择模型(Choice Model)广泛用于居民的居住地、通勤目的地即就业地、游憩活动地、洄游活动等城市活动建模。传统城市活动模型受到空间单元大小的强烈影响，无法保证活动目的地选择概率能够等效的进行空间聚合，会导致不符合实际情况的模拟结果。
[0003]例如申请号为CN202310240074.1的“一种出行方式选择预测与分析方法和系统”采用了机器学习和多项logit模型，用于预测出行方式的选择，申请号为CN202310019969.2的“一种出行轨迹生成、深度学习网络模型及训练方法”在已知出发地、目的地的前提下采用深度学习网络模型进行出行轨迹生成。
[0004]但是上述现有技术均涉及出行目的地的选择建模，现有技术中对于出行目的地的选择建模还存在选择概率与吸引力不成比例、选择概率空间上无法聚合的问题，进而影响出行目的地的预测效果。

技术实现思路

[0005]本专利技术是为了解决上述问题而进行的，目的在于提供一种基于深度学习的城市活动预测方法。
[0006]本专利技术提供了一种基于深度学习的城市活动预测方法，具有这样的特征，包括以下步骤：步骤S1，根据选择模型效用函数构建深度学习模型，并根据现有的活动数据构建训练集，再通过训练集对深度学习模型进行训练，直至达成训练完成条件，则将训练好的深度学习模型作为城市活动模型；步骤S2，采集居民在特定活动中的居住地与各个待选目的地之间的居民活动变量数据；步骤S3，根据居民活动变量数据构建与目的地吸引力无关张量和与目的地吸引力有关张量；步骤S4，将与目的地吸引力无关张量和与目的地吸引力有关张量输入城市活动模型，得到对应的待选目的地作为城市活动目的地预测结果，其中，选择模型效用函数的表达式为：模型效用函数的表达式为：式中P
ij
为居民i选择第j个待选目的地作为城市活动目的地预测结果的概率，Vij为居民i选择第j个待选目的地的效用函数，Vit为居民i在所有待选目的地中选择第t个待选目的地的效用函数，x
ij,m
为第j个待选目的地的与目的地吸引力无关的自变量，x
jn
为第j个待选目的地的与目的地吸引力有关的自变量，α
m
和β
n
为各自变量对应的待标定参数。
[0007]在本专利技术提供的基于深度学习的城市活动预测方法中，还可以具有这样的特征：其中，在步骤S1中，训练集包括居民在特定活动中的居住地和多个可选目的地、居住地与各个可选目的地之间的居民活动变量数据以及对应的最终目的地选择结果，深度学习模型的具体训练过程为：步骤R1，从训练集中选取居民活动变量数据输入深度学习模型得到一个
可选目的地作为预测结果；步骤R2，根据预测结果与居民活动变量数据对应的最终目的地选择结果计算损失函数，得到损失函数计算结果；步骤R3，根据损失函数计算结果通过反向传播算法标定深度学习模型的模型参数；步骤R4，重复步骤R1至步骤R3，直至达成训练完成条件，则得到训练好的深度学习模型。
[0008]在本专利技术提供的基于深度学习的城市活动预测方法中，还可以具有这样的特征：其中，损失函数的表达式为：loss＝
‑
∑y
ij
*ln P
ij
，式中y
ij
为训练集的数据中居民i的特定活动选择第j个可选目的地为目的地的次数。
[0009]在本专利技术提供的基于深度学习的城市活动预测方法中，还可以具有这样的特征：其中，居民活动变量数据包括交通阻抗变量和目的地吸引力变量。
[0010]在本专利技术提供的基于深度学习的城市活动预测方法中，还可以具有这样的特征：其中，城市活动模型包括第一输入层、第二输入层、第一卷积层、第二卷积层、对数运算层、加法层和Softmax计算层，步骤S4包括以下子步骤：步骤S4
‑
1，将与目的地吸引力无关张量依次经由第一输入层和第一卷积层处理，得到第一处理结果；步骤S4
‑
2，将与目的地吸引力有关张量依次经由第二输入层、第二卷积层和对数运算层处理，得到第二处理结果；步骤S4
‑
3，将第一处理结果和第二处理结果输入加法层，再经由Softmax计算层得到对应的待选目的地。
[0011]专利技术的作用与效果
[0012]根据本专利技术所涉及的基于深度学习的城市活动预测方法，因为通过构建选择模型效用函数使得概率能够等效的进行空间聚合，再按照该非线性的选择模型效用函数构建城市活动模型，避免了常见的模型软件包如NLOGIT、Biogeme、mlogit等无法实现模型的估计和应用，从而实现城市活动预测。所以，本专利技术的基于深度学习的城市活动预测方法能够提高城市活动预测的准确性。
附图说明
[0013]图1是本专利技术的实施例中城市活动中空间单元的示意图；
[0014]图2是本专利技术的实施例中基于深度学习的城市活动预测方法的流程示意图；
[0015]图3是本专利技术的实施例中深度学习模型的训练流程示意图；
[0016]图4是本专利技术的实施例中城市活动模型的框架示意图。
具体实施方式
[0017]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本专利技术基于深度学习的城市活动预测方法作具体阐述。
[0018]图1是本专利技术的实施例中城市活动中空间单元的示意图。
[0019]如图1所示，将城市划分为1～11号空间单元，居民居住在4号空间单元时，存在1～11号空间单元作为开展特定活动的待选目的地，4号空间单元为该居民的居住地，特定活动包括工作、消费、游憩等。
[0020]城市活动预测即根据考虑因素从11个单元空间中评估计算得到一个空间单元作为该居民在特定活动中的预测目的地，预测过程中的考虑因素包括目的地到居住地的交通距离以及目的地的吸引力，目的地吸引力包括就业机会、商店数量、公共服务设施数量等。
[0021]1号空间单元和2号空间单元到达4号空间单元的交通距离完全一致时，则该居民选择1号空间单元开展该特定活动的概率P
i1
和选择2号空间单元开展该特定活动的概率P
i2
的比，应当与1号空间单元的吸引力效用V
i1
和2号单元空间的吸引力效用V
i2
的比一致，即：
[0022]然而在使用传统的离散选择模型进行城市活动预测时，1号空间单元的吸引力是2号空间单元吸引力的两倍时，P
i1
并不等于P
i2
的两倍，即在其他因素相同时选择概率与吸引力不成比例。同样的，如果建模采用的空间单元发生变化，例如将1号空间单元和2号空间单元合并为新单元时，传统的离散选择模型无法保证概率的等效空间聚合，即该居民选择新单元的概率不等于P
i1
+P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活动预测方法，用于根据居民活动变量数据得到该居民的城市活动目的地预测结果，其特征在于，包括以下步骤：步骤S1，根据选择模型效用函数构建深度学习模型，并根据现有的活动数据构建训练集，再通过所述训练集对所述深度学习模型进行训练，直至达成训练完成条件，则将训练好的所述深度学习模型作为城市活动模型；步骤S2，采集所述居民在特定活动中的居住地与各个待选目的地之间的所述居民活动变量数据；步骤S3，根据所述居民活动变量数据构建与目的地吸引力无关张量和与目的地吸引力有关张量；步骤S4，将所述与目的地吸引力无关张量和所述与目的地吸引力有关张量输入所述城市活动模型，得到对应的待选目的地作为所述城市活动目的地预测结果，其中，所述选择模型的表达式为：式中P
ij
为居民i选择第j个所述待选目的地作为所述城市活动目的地的概率，Vij为居民i选择第j个所述待选目的地的效用函数，Vit为居民i在所有所述待选目的地中选择第t个所述待选目的地的效用函数，x
ij,m
为第j个所述待选目的地的与目的地吸引力无关的自变量，x
jn
为第j个所述待选目的地的与目的地吸引力有关的自变量，α
m
和β
n
为各自变量对应的待标定参数。2.根据权利要求1所述的基于深度学习的城市活动预测方法，其特征在于：其中，在所述步骤S1中，所述训练集包括所述居民在所述特定活动中的居住地和多个可选目的地、所述居住地与各个所述可选目的地之间的所述居民活动变量数据以及对应的最终目的地选择结果，所述深度学习模型的具体训练过程为：步骤R1，从所述训练集中选取所述居民活动...

【专利技术属性】
技术研发人员：晏龙旭，
申请(专利权)人：同济大学，
类型：发明
国别省市：