【技术实现步骤摘要】
本申请属于人工智能，尤其涉及一种区域人口模型训练方法、区域人口预测方法、装置、电子设备及计算机可读存储介质。
技术介绍
1、城市区域人口规模预测是城市总体规划的首要工作，城市的用地规模、城市布局以及城市基础设施的组成和规模都与城市区域人口规模有着十分密切的关系。
2、目前区域人口总量预测的传统方法主要是平均增长率法，带眷系数法、剩余劳动力转化法等。随着人工智能的发展，使用卷积神经网络（cnn）技术进行人口规模预测也日趋成熟，但是训练一个较优的cnn回归预测模型往往需要较多的数据样本，由于人口相关的数据（户籍人口、常住人口、人均gdp等）统计年份少，样本数量非常有限，使得人口预测模型无法充分的学习到样本数据的特征，导致训练出来的人口预测模型预测的结果准确度差。
技术实现思路
1、本申请实施例提供了一种区域人口模型训练方法、区域人口预测方法、装置、电子设备及计算机可读存储介质，可以提高区域人口预测的准确性。
2、第一方面，本申请实施例提供了一种区域人口模型训练方法，包括：
3、根据不同的人口类别标签对待预测区域的区域信息进行划分，得到多个区域信息子集；所述人口类别标签为与人口数量相关的类别标签；
4、根据灰色预测模型对所述多个区域信息子集进行数据预测，得到区域扩展信息集合；所述灰色预测模型用于学习所述区域信息子集中区域信息的分布规律，并得到与所述分布规律一致的所述区域扩展信息集合；
5、根据所述人口类别标签对所述区域信息子集和
6、根据所述训练样本集合训练预构建的区域人口预测模型，得到训练完成的所述区域人口预测模型。
7、可选地，所述根据不同的人口类别标签对待预测区域的区域信息进行划分，得到多个区域信息子集，包括：
8、根据不同所述人口类别标签将所述待预测区域的区域信息划分为对应数量的多个类别集合，其中，一个所述类别集合与一个所述人口类别标签相对应；
9、针对每个所述类别集合，对所述类别集合中的区域信息进行标准化处理，得到所述区域信息子集。
10、可选地，在所述根据灰色预测模型对所述多个区域信息子集进行数据预测，得到区域扩展信息集合之前，还包括：
11、从每个所述区域信息子集中选取原始数据序列；所述原始数据序列中的区域信息按照时间顺序排列；
12、对所述原始数据序列进行序列验证；所述序列验证用于验证所述原始数据序列是否满足预设的序列分布规律；
13、所述根据灰色预测模型对所述多个区域信息子集进行数据预测，得到区域扩展信息集合，包括：
14、在所述原始数据序列验证通过的情况下，利用所述灰色预测模型对所述原始数据序列进行序列预测，得到扩展数据序列；
15、汇总所有原始数据序列对应的扩展数据序列，得到所述区域扩展信息集合。
16、可选地，所述对所述原始数据序列进行序列验证，包括：
17、计算所述原始数据序列的序列级比；所述序列级比用于表示所述原始数据序列的序列分布规律；
18、若所述序列级比落入预设的级比范围内，则确定所述原始数据序列验证通过；
19、若所述序列级比未落入预设的级比范围内，则确定所述原始数据序列验证不通过。
20、可选地，所述利用所述灰色预测模型对所述原始数据序列进行序列预测，得到扩展数据序列，包括：
21、针对每个所述区域信息子集中选取的原始数据序列，根据上述时间顺序对所述原始数据序列中的区域信息进行数据累加，得到累加数据序列；
22、根据所述累加数据序列构建所述累加数据序列对应的区域信息子集的所述灰色预测模型，其中，一个所述区域信息子集与一个所述灰色预测模型相对应；
23、利用所述灰色预测模型对对应的区域信息子集中选取的原始数据序列进行序列预测，得到所述扩展数据序列。
24、可选地，所述根据所述人口类别标签对所述区域信息子集和所述区域扩展信息集合采样，得到训练样本集合，包括：
25、基于不同所述人口类别标签，从与所述人口类别标签对应的所述区域信息子集和所述区域扩展信息集合中采样预设数量的数据序列，得到所述训练样本集合。
26、可选地，所述预构建的区域人口预测模型包括多个卷积层和多个采样层，其中，所述采样层的数量和所述卷积层的数量相等，所述采样层和所述卷积层通过交错串联的方式拼接，所述根据所述训练样本集合训练预构建的区域人口预测模型，得到训练完成的所述区域人口预测模型，包括：
27、将所述训练样本集合中的数据序列输入所述预构建的区域人口预测模型；
28、利用所述多个卷积层和所述多个采样层对所述数据序列进行特征提取，得到特征序列；
29、根据所述特征序列确定损失函数；
30、基于所述损失函数对所述预构建的区域人口预测模型的模型参数进行调整，直至所述损失函数满足预设的函数要求，得到训练完成的所述区域人口预测模型。
31、第二方面，本申请实施例提供了一种区域人口预测方法，包括：
32、获取目标区域的区域信息；所述目标区域为待进行人口规模预测的区域；
33、利用不同的人口类别标签对所述区域信息进行划分，得到多个区域划分信息；所述人口类别标签为与人口数量相关的类别标签；
34、将所述多个区域划分信息输入预训练的区域人口预测模型，得到所述目标区域的人口规模预测结果；其中，所述区域人口预测模型根据上述第一方面所述的区域人口模型训练方法训练得到。
35、第三方面，本申请实施例提供了一种区域人口模型训练装置，包括：
36、区域信息划分模块，用于根据不同的人口类别标签对待预测区域的区域信息进行划分，得到多个区域信息子集；所述人口类别标签为与人口数量相关的类别标签；
37、区域信息扩展模块，用于根据灰色预测模型对所述多个区域信息子集进行数据预测，得到区域扩展信息集合；所述灰色预测模型用于学习所述区域信息子集中区域信息的分布规律，并得到与所述分布规律一致的所述区域扩展信息集合；
38、训练样本采样模块，用于根据所述人口类别标签对所述区域信息子集和所述区域扩展信息集合采样，得到训练样本集合；
39、区域人口模型训练模块，用于根据所述训练样本集合训练预构建的区域人口预测模型，得到训练完成的所述区域人口预测模型。
40、第四方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的区域人口模型训练方法的步骤。
41、第五方面，本申请实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的区域人口模型训练方法的步骤。
42、本文档来自技高网...
【技术保护点】
1.一种区域人口模型训练方法，其特征在于，包括：
2.如权利要求1所述的区域人口模型训练方法，其特征在于，所述根据不同的人口类别标签对待预测区域的区域信息进行划分，得到多个区域信息子集，包括：
3.如权利要求2所述的区域人口模型训练方法，其特征在于，在所述根据灰色预测模型对所述多个区域信息子集进行数据预测，得到区域扩展信息集合之前，还包括：
4.如权利要求3所述的区域人口模型训练方法，其特征在于，所述对所述原始数据序列进行序列验证，包括：
5.如权利要求3所述的区域人口模型训练方法，其特征在于，所述利用所述灰色预测模型对所述原始数据序列进行序列预测，得到扩展数据序列，包括：
6.如权利要求5所述的区域人口模型训练方法，其特征在于，所述根据所述人口类别标签对所述区域信息子集和所述区域扩展信息集合采样，得到训练样本集合，包括：
7.如权利要求4-6任一项所述的区域人口模型训练方法，其特征在于，所述预构建的区域人口预测模型包括多个卷积层和多个采样层，其中，所述采样层的数量和所述卷积层的数量相等，所述采样层和所述卷积
8.一种区域人口预测方法，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法，或执行如权利要求8所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法，或执行如权利要求8所述的方法。
...【技术特征摘要】
1.一种区域人口模型训练方法，其特征在于，包括：
2.如权利要求1所述的区域人口模型训练方法，其特征在于，所述根据不同的人口类别标签对待预测区域的区域信息进行划分，得到多个区域信息子集，包括：
3.如权利要求2所述的区域人口模型训练方法，其特征在于，在所述根据灰色预测模型对所述多个区域信息子集进行数据预测，得到区域扩展信息集合之前，还包括：
4.如权利要求3所述的区域人口模型训练方法，其特征在于，所述对所述原始数据序列进行序列验证，包括：
5.如权利要求3所述的区域人口模型训练方法，其特征在于，所述利用所述灰色预测模型对所述原始数据序列进行序列预测，得到扩展数据序列，包括：
6.如权利要求5所述的区域人口模型训练方法，其特征在于，所述根据所述人口类别标签对所述区域信息子集和所述区域扩展信息集合采样，得到训练样本集合，包括：...
【专利技术属性】
技术研发人员：曾维亮，李木俊，何良明，曾静，肖林，
申请(专利权)人：中电科新型智慧城市研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。