[发明专利]基于混合深度学习模型LSTM-ResNet的城域时空流预测方法

说明书

本发明涉及一种基于混合深度学习模型LSTM‑ResNet的城域时空流预测方法。准确预测城市时空数据流的变化可为城市管理提供重要参考，这其中的关键是有效提取数据中的时空依赖特征。当前，已被应用到时空流预测的卷积神经网络侧重空间关联特征的提取，忽略了时间维度的依赖关系和时空关联特征。深度学习模型中，长短记忆网络(LSTM)适用于时间序列的动态建模，残差卷积网络(ResNet)适用于大范围空间关联特征提取。因此，我们融合LSTM和ResNet，构建时空流预测混合深度学习模型：利用LSTM考虑前后时间依赖，滤掉无效时间特征；将LSTM的输出输入到ResNet中，提取时空关联特征。该模型能够自动、准确地捕获时空关联特征，特别是考虑前后依赖的情况下保留有效时间特征。

技术领域

本发明属于地理信息技术领域，具体涉及一种对城市规模的时空数据流预测方法。

背景技术

在我们的日常生活中，人们通过多种行为活动(如驾驶、骑车、步行等)与城市空间进行时空交互。近年来，由于传感器技术和互联网的快速进步，这些活动所产生的大量移动数据都可以被记录下来。通常情况下,一个典型的移动数据集由一组对象(如人、私家车或公交车)和他们在空间和时间上的轨迹构成,蕴含了丰富的时空信息。通过对这些移动数据集按时间和空间维度进行汇总统计，可以得到时空流数据，通常包括两种基本类型：输入流和输出流。对于给定空间单元，一定时间间隔内，从其他空间单元进入该空间单元的对象数量称为该空间单元的输入流。类似，从该空间单元出发进入其他空间单元的对象数量称为输出流。以输入流和输出流为基础，可计算得到其他类型时空流如总流量和净流量等。

显然，时空流数据定量地反映了移动对象的时空分布特征，可为城市管理提供重要的参考：如果能够对城市中的时空流分布做出准确地预测，就可以对交通拥堵、人流拥挤等城市问题做出针对性预案，从而改善城市安全、提升管理水平。因此，时空数据流预测是近几十年来的研究热点，具有重要意义。

目前，时空流预测模型总体可分为三类：统计学方法、机器学习方法和深度学习方法。统计模型和机器学习模型属于传统方法，人们需要从原始数据中提取有效的特征输入预测模型，称为特征工程。大数据时代，数据量的爆炸性增长使得传统预测算法的特征工程变得异常复杂，严重制约了大数据优势的发挥。深度学习的出现使得构建可接受原始数据输入的“端到端”模型成为可能，大大减少了特征工程的复杂度。因此，有学者将深度学习方法引入到时空流预测中，主要包括基于长短记忆网络(LSTM)和卷积神经网络(CNN)的预测方法。

(1)长短时记忆网络(LSTM)：LSTM是一种特殊的循环神经网络。对于序列中的每一个元素，它将当前步骤的输出输入到下一个步骤的输入层并循环进行这个过程。当前步骤的输出依赖于当前的输入和之前层提取到的特征，使得序列的依赖关系可以被捕获到。给定一个数据序列作为输入和一个输出目标，序列中与输出目标存在依赖关系的信息会被LSTM记住。

(2)卷积神经网络(CNN)：CNN专门设计用来提取网格数据的空间依赖关系。卷积单元通过卷积核与上一层和卷积核对应的输入进行局部连接。设X_i,j是输入数组第i列和第j行上的值，假设卷积核是以X_i,j为中心、有2M+1列和2N+1行的一个2维张量，那么相应的输出Y_i,j可通过(1)式计算，其中“*”为卷积算子，空间邻域(2M+1列，2N+1行)与中心单元的空开依赖关系可以被捕获。通过叠加多个CNN层可以检测到从近到远的空间特征。

残差网络(ResNet)能有效增加CNN的深度，从而扩大空间特征的提取范围。因此，ResNet也被应用到城市范围的时空流预测中，并取得了比传统CNN更好的效果。