本发明专利技术涉及人群流动预测技术领域，具体是涉及一种基于地理相似性和联邦学习的人群流动预测方法。本发明专利技术首先在多个源城市终端上利用地理空间数据和人群流动数据，进行深度学习模型下的联邦学习。源城市终端将模型参数上传至中央服务器，以更新全局神经网络模型。然后，对所有源城市和目标城市的地理空间数据进行地理相似性度量，确定相似度最高的源城市集合。最后，对这些地理相似性高的源城市集合进行个性化定制的联邦学习，并将最终模型应用于缺失人群流动数据的目标城市，完成其人群流动预测。本发明专利技术不仅解决了因目标城市数据缺失带来的预测困难，防止个人隐私数据泄露，同时通过地理相似性提高了个性化联邦学习中人群流动预测的精度。
【技术实现步骤摘要】
本专利技术涉及人群流动预测，具体是涉及一种基于地理相似性和联邦学习的人群流动预测方法。
技术介绍
1、随着移动设备的普及和互联网的快速发展，人类的流动变得更加复杂和多样化。准确预测人群流动的位置信息和流量信息有助于城市规划、交通管理、公共卫生等领域。由于数据收集的不完全、设备覆盖范围有限或数据存储系统的缺陷，许多城市无法获取完整的人群流动数据。现有的人群流动预测方法主要基于统计学模型，利用历史出行数据来预测未来的出行模式，也就是预测未来的人群流动数据，由于需要收集和共享大量的个人出行数据，导致个人隐私信息的泄露。
2、综上所述，现有技术中的人群流动分布数据预测方法易导致个人信息的泄露。
3、因此，现有技术还有待改进和提高。
技术实现思路
1、为解决上述技术问题，本专利技术提供了一种基于地理相似性和联邦学习的人群流动预测方法，解决了现有技术中的人群流动分布数据预测方法易导致个人信息泄露的问题。
2、为实现上述目的，本专利技术采用了以下技术方案：
>3、第一方面，本专本文档来自技高网...
【技术保护点】
1.一种基于地理相似性和联邦学习的人群流动预测方法，其特征在于，包括：
2.如权利要求1所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述对所述目标原始地理空间数据进行预处理，得到标准化地理空间数据，包括：
3.如权利要求2所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述对所述标准化地理空间数据应用已训练的神经网络模型，得到所述目标城市的人群流动分布预测数据，包括：
4.如权利要求1所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，已训练的神经网络模型的训练方式，包括：
5.如权利要求4所述的基...
【技术特征摘要】
1.一种基于地理相似性和联邦学习的人群流动预测方法，其特征在于，包括：
2.如权利要求1所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述对所述目标原始地理空间数据进行预处理，得到标准化地理空间数据，包括：
3.如权利要求2所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述对所述标准化地理空间数据应用已训练的神经网络模型，得到所述目标城市的人群流动分布预测数据，包括：
4.如权利要求1所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，已训练的神经网络模型的训练方式，包括：
5.如权利要求4所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述确定各个所述源城市与所述目标城市的相似性，并依据各个所述相似性，从各个所述源城市终端中筛选出相似源城市终端，包括：
6.如权利要求4所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述依据各个所述本地模型参数，得到模型全局最终参数，包括：
7.如权利要求4所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述相似源城市终端训练...
【专利技术属性】
技术研发人员：涂伟，方碧宸，余俊娴，李明晓，李清泉，
申请(专利权)人：深圳大学，
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。