[发明专利]同时建模时空依赖性和每日流量相关性的人流量预测系统

说明书

一种同时建模时空依赖性和每日流量相关性的人流量预测系统，包括：ST编码器模块、FR编码器模块和解码器模块，本发明使用卷积长短期记忆网络同时空间上相邻区域的依赖性和时间依赖性，通过叠加卷积神经网络来分层次地捕获地理空间上不同范围的空间依赖性，同时基于区域的每日流量变化模式生成反映全市范围内每个区域之间流量相关性的完全图，通过图嵌入法为每个区域生成固定维向量表示，通过一层长短期记忆网络和两层反卷积神经网络，生成人流量的预测结果。

技术领域

本发明涉及的是一种人工智能应用领域的技术，具体是一种同时建模时空依赖性和每日流量相关性的人流量预测系统。

背景技术

人流量预测问题是复杂的受多种因素影响的时空序列预测问题，现有的研究大致可以分为三类。第一类研究使用循环神经网络(Recurrent Neural Network,RNN)来捕获复杂的时域相关性，但是在这类研究中，区域之间是彼此独立的，因此忽视了区域间的关联。第二类研究考虑空域的关联性性，采用卷积神经网络(Convolutional Neural Network,CNN)解决人流量预测问题，然而，CNN却不能捕获时域中的变化信息。第三类研究尝试同时建模时空相关性，并且提出了卷积长短期记忆网络(ConvLSTM)等结构来同时捕获这种相关性。

发明内容

为了能够提高全市范围人流量多步预测问题的预测精度，具体地说，预测一个城市未来若干时间段内车辆/人群进入或离开城市每个区域的数量，需要解决的技术问题包括：1)如何设计合理的结构同时建模时域和空域依赖性；2)在城市快速交通工具(如地铁、高速公路)建设成熟的情况下，一个区域的人流量将受更大空间范围内区域流量的影响，如何设计有效的结构建模这种不同大小范围的空间依赖性；3)区域每日的流量变化规律相对固定，并且全市范围内存在变化规律十分相关的区域，如何有效地建模这种基于每日流量变化的相关性。本发明针对以上问题，提出一种同时建模时空依赖性和每日流量相关性的人流量预测系统，并基于观察提出，对于地理空间中的每一个区域，其每日的流量变化模式都相对固定，并且即使是空间中相距很远的两个区域也会有着十分相似的流量变化模式，这种相似反映出两个区域之间存在着较强的相关性。

本发明是通过以下技术方案实现的：

由于一个区域的人流量不仅受其周围区域人流量情况的影响，也受其之前一段时间流量情况的影响，因此采用ConvLSTM来同时捕获时空相关性。

由于城市快速交通工具的建设使得一个区域的人流量受更大空间范围内区域流量的影响，而受卷积核大小的影响，单层ConvLSTM网络只能捕获空间中较近区域间的相互影响，因此，本发明通过叠加CNN来分层次地捕获地理空间上不同范围的空间依赖性。

为了捕获区域每日流量变化规律以及区域间流量变化规律的相似性，同时建模该变化规律和相似性，本发明首先基于区域的每日流量变化模式生成反映全市范围内每个区域之间流量相关性的完全图，通过图嵌入法为每个区域生成固定维向量表示，使得具有相似流量变化规律的区域在生成的向量空间中距离更近。

本发明涉及一种同时建模时空依赖性和每日流量相关性的人流量预测系统，包括：时域空域(ST)编码器模块、区域特征(FR)编码器模块和解码器模块，其中：ST编码器模块通过两层卷积神经网络分层次地建模不同大小空间范围的依赖性、通过一层卷积长短期记忆网络建模时域的依赖性，并将得到的同时捕获时空依赖性的固定维向量表示输出至解码器模块；FR编码器模块基于历史流量数据序列计算每个区域之间的流量变化相似度并生成完全图输出至解码器模块；解码器模块通过一层长短期记忆网络和两层反卷积神经网络，生成人流量的预测结果。

所述的历史流量数据序列是指：每个区域每天24小时流量状况。

所述的完全图中通过图嵌入方法为每个区域生成表示向量，使得流量变化相似的区域具有更接近的表示向量。

所述的完全图中每个节点表示一个区域，每条边表示两个对应区域的流量变化相关性。