【技术实现步骤摘要】
本申请涉及城市智能计算，尤其涉及一种人群流量预测方法、装置、终端及存储介质。
技术介绍
1、随着城市化进程加快，城市居民数量剧增，人们对于出行、购物、旅游的需求也在不断增长，受益于公共交通设施的完善，人们可以快速到达目的地。但是出行人次和频率的增加，造成了道路交通拥挤以及公共交通站点人群密集，容易存在安全隐患。许多研究集中于探索这些居民流动的数字足迹，期望以人工智能的力量，改善居民的生活品质。其中，预测乘客出行需求吸引了相当大的关注，因为预测结果有助于许多智能交通应用程序的决策，如公共交通管理、共享自行车再分配、道路交通疏导等。众所周知，通过分析乘客的出行需求，可以进一步发展进行全市地铁、公交、自行车共享系统的站点流量管理，减少城市交通拥挤状况。因此，面向站点的人群流量预测逐渐成为智慧交通领域的研究热点。
2、通常，在基于深度学习的城市人群流量预测中，卷积网络和循环网络是基于深度学习的模型中使用最广的网络单元。前者擅长学习空间相关性，而后者擅长学习时间或序列相关性。然而，除非网络足够深，否则cnn的学习范围很小，无法捕获远程空间相关性，而且由于梯度消失和爆炸问题，rnn很难训练学习长期的相关性。但是大多数模型只是利用给定的空间邻接矩阵进行图网络建模。此外，当前的人群流量预测研究捕捉时空中的局部和全局相关性之间的依存关系存在明显不足。且由于流动的人群在站点之间形成了复杂的时空相关性，尽管在目标区域层面上有明显的规律性，但单个站点的拥挤流量波动很大。
技术实现思路
1、本申
2、第一方面，本申请提供了一种人群流量预测模型的构建方法，所述构建方法包括：
3、构建人群流量预测模型，所述预测模型包括残差网络模块、时空图卷积网络模块、融合模块和反馈模块；
4、获取目标区域在历史时间段内的人群流量数据和预测时间段的外部环境数据，所述目标区域被划分为多个网格，所述网格包括公共交通网格和非公共交通网格；所述人群流量数据包括各个公共交通网格的位置数据及各公共交通网格对应的人群流量数据；
5、按照预设时间对所述历史时间段内的人群流量数据划分为临近性数据、周期性数据和趋势性数据；将所述临近性数据、所述周期性数据和所述趋势性数据分别作为输入，将所述临近性数据对应的临近性矩阵、所述周期性数据对应的周期性矩阵和所述趋势性数据对应的趋势性矩阵作为输出，训练所述残差网络模块；
6、利用层次聚类方法对所述目标区域内的公共交通网格进行聚类，得到聚类后的网格和对应的人群流量数据，并将所述公共交通网格和对应的人群流量数据作为输入，将聚类后的网格对应的时空关联矩阵作为输出，训练所述时空图卷积网络模块；
7、将所述临近性矩阵、所述周期性矩阵、所述趋势性矩阵、所述时空关联矩阵、所述外部环境数据输入融合模块进行融合，得到目标融合矩阵；
8、将所述目标融合矩阵输入反馈模块，计算预测时间段内的预测流量矩阵，并计算所述预测流量矩阵和所述预测时间段内的真实流量矩阵之间的误差，基于所述误差调节所述融合模块内的参数，对所述人群流量预测模型进行迭代，直至所述误差满足预设条件，得到训练完成的人群流量预测模型。
9、第二方面，本申请提供了一种人群流量预测模型的构建装置，所述构建装置包括：
10、构建单元，用于构建人群流量预测模型，所述预测模型包括残差网络模块、时空图卷积网络模块、融合模块和反馈模块；
11、获取单元，用于获取目标区域在历史时间段内的人群流量数据和预测时间段的外部环境数据，所述目标区域被划分为多个网格，所述网格包括公共交通网格和非公共交通网格；所述人群流量数据包括各个公共交通网格的位置数据及各公共交通网格对应的人群流量数据；
12、时空残差训练单元，用于按照预设时间对所述历史时间段内的人群流量数据划分为临近性数据、周期性数据和趋势性数据；将所述临近性数据、所述周期性数据和所述趋势性数据分别作为输入，将所述临近性数据对应的临近性矩阵、所述周期性数据对应的周期性矩阵和所述趋势性数据对应的趋势性矩阵作为输出，训练所述残差网络模块；
13、时空图卷积训练单元，用于利用层次聚类方法对所述目标区域内的公共交通网格进行聚类，得到聚类后的网格和对应的人群流量数据，并将所述公共交通网格和对应的人群流量数据作为输入，将聚类后的网格对应的时空关联矩阵作为输出，训练所述时空图卷积网络模块；
14、融合单元，用于将所述临近性矩阵、所述周期性矩阵、所述趋势性矩阵、所述时空关联矩阵、所述外部环境数据输入融合模块进行融合，得到目标融合矩阵；
15、确定单元，用于将所述目标融合矩阵输入反馈模块，计算预测时间段内的预测流量矩阵，并计算所述预测流量矩阵和所述预测时间段内的真实流量矩阵之间的误差，基于所述误差调节所述融合模块内的参数，对所述人群流量预测模型进行迭代，直至所述误差满足预设条件，得到训练完成的人群流量预测模型。
16、第三方面，本申请提供了一种终端，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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
17、第四方面，本申请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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
18、本申请提供一种人群流量预测模型的构建方法、装置、终端及存储介质，通过残差网络和时空图卷积网络构建人群流量预测模型，根据对获取人群流量数据的目标区域划分多个网格，把公共交通网格和目标区域以及人群流量数据相结合，提高了预测模型的预测精度；根据人群流量预测模型中的残差网络模块将目标区域内的人群流量数据按时间划分为三个时间层次的矩阵，并根据人群流量预测模型中的时空图卷积网络模型对公共交通网格进行聚类，将聚类后的网格和人群流量数据经过图卷积网络，得到时空关联矩阵，再将三个时间层次的矩阵和时空关联矩阵进行融合，实现了时间与空间的结合，提高了预测模型的预测精准度；由于公共交通网格对应的人群流量数据的变化较大，通过时空图卷积网络模块结合公共交通网格和对应的人群流量数据得到时空关联矩阵，解决了由于人群流量数据波动大造成的预测结果误差大的问题；在融合模块加入外部环境数据，可以更好地处理更细粒度的时间与空间关系，提升了流量预测模型的预测结果的准确度；最后通过对预测模型的预测流量矩阵与真实流量矩阵计算误差，可以对预测模型进行优化训练，有利于提升城市人群流量预测模型的精准度。
本文档来自技高网...【技术保护点】
1.一种人群流量预测模型的构建方法，其特征在于，所述构建方法包括：
2.根据权利要求1所述的人群流量预测模型的构建方法，其特征在于，所述融合模块包括基于参数矩阵的融合模块和基于拼接方法的融合模块；所述将所述临近性矩阵、所述周期性矩阵、所述趋势性矩阵、所述时空关联矩阵、所述外部环境数据输入融合模块进行融合，得到目标融合矩阵，包括：
3.根据权利要求2所述的人群流量预测模型的构建方法，其特征在于，所述将所述临近性矩阵、所述周期性矩阵和所述趋势性矩阵输入所述基于参数矩阵的融合模块进行加权融合，得到加权后的融合矩阵，包括：
4.根据权利要求2所述的人群流量预测模型的构建方法，其特征在于，所述将所述加权后的融合矩阵和所述时空关联矩阵进行拼接融合，得到拼接后的融合矩阵，并将所述拼接后的融合矩阵和所述外部环境数据输入所述基于拼接方法的融合模块进行融合，得到目标融合矩阵，包括：
5.根据权利要求2所述的人群流量预测模型的构建方法，其特征在于，所述人群流量预测模型还包括卷积神经网络和全连接网络；
6.根据权利要求1所述的人群流量预测模型的
7.一种人群流量预测模型的构建装置，其特征在于，所述构建装置包括：
8.根据权利要求7所述的人群流量预测模型的构建装置，其特征在于，所述融合模块包括基于参数矩阵的融合模块和基于拼接方法的融合模块；所述融合单元用于：
9.一种终端，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上的权利要求1至6中任一项所述人群流量预测模型的构建方法的步骤。
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上的权利要求1至6中任一项所述人群流量预测模型的构建方法的步骤。
...【技术特征摘要】
1.一种人群流量预测模型的构建方法，其特征在于，所述构建方法包括：
2.根据权利要求1所述的人群流量预测模型的构建方法，其特征在于，所述融合模块包括基于参数矩阵的融合模块和基于拼接方法的融合模块；所述将所述临近性矩阵、所述周期性矩阵、所述趋势性矩阵、所述时空关联矩阵、所述外部环境数据输入融合模块进行融合，得到目标融合矩阵，包括：
3.根据权利要求2所述的人群流量预测模型的构建方法，其特征在于，所述将所述临近性矩阵、所述周期性矩阵和所述趋势性矩阵输入所述基于参数矩阵的融合模块进行加权融合，得到加权后的融合矩阵，包括：
4.根据权利要求2所述的人群流量预测模型的构建方法，其特征在于，所述将所述加权后的融合矩阵和所述时空关联矩阵进行拼接融合，得到拼接后的融合矩阵，并将所述拼接后的融合矩阵和所述外部环境数据输入所述基于拼接方法的融合模块进行融合，得到目标融合矩阵，包括：
5.根据权利要求2所述的人群流量预测模型的构建方法，其特征在于，所述人群流量预测模型还包括卷...
【专利技术属性】
技术研发人员：赵继军，冯春芳，魏忠诚，生龙，陈湘国，
申请(专利权)人：河北工程大学，
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。