[发明专利]基于城市区域多模态融合的人群流量预测方法

说明书

本发明公开了一种基于城市区域多模态融合的人群流量预测方法，包括：获取城市数据并进行预处理；将城市划分成等大小的网格区域，并构建相应大小结构的城市数据矩阵；计算每个网格区域的流行度、兴趣点差异性矩阵、热度值；基于热度值，对人类活动数据进行OPTICS聚类，将城市划分成多种类的功能区域；计算每个网格区域的欧几里得距离、流量相似度、兴趣点相似度，并基于划分好的功能区域构建多模态相关性图；基于多模态相关性图，使用基于图卷积神经网络结构的多模态融合模型，对区域人群流量进行预测。本发明方法能够划分更加真实、多元的热点区域，并充分利用城市区域之间潜在的多种相关性。在基于海量的城市时空数据计算中，具有更良好的预测效果。

技术领域

本发明属于模式分析领域，特别涉及一种基于城市区域多模态融合的人群流量预测方法。

背景技术

随着经济的飞速发展，人民的生活水平不断提高，人们的出行方式日益多样化，出行次数也大幅上升。但与此同时，城市的交通拥堵问题也日益严重。随着位置技术服务Location Based Services(LBS)的普及和计算机计算能力的提高，城市居民的出行信息被采集，生成了大量的人类活动行为数据集。大数据的应用使得我们有机会发现一些现代城市中的各种出行行为的规律，以帮助解决快速的城市化带来的一系列问题。

如果能够及时准确的预测和分析人群活动的规律，许多城市化问题，比如交通拥堵、交通资源调度等问题就会迎刃而解。但由于不同年龄段、不同工作、不同文化背景的人们对兴趣点的偏好不同，城市中的人们流向是多种多样的以及城市环境的高度动态性，精确的城市人群流量预测一直是个难点。

通常情况下，对于城市的流量预测主要通过采集历史数据并使用某种数学模型来预测未来的流量情况，一般分为基于统计与机器学习方法、基于概率图模型的方法以及基于深度学习的方法。例如，A.Abadi等人提出了一种自回归综合移动平均(AutoregressiveIntegrated Moving Average，ARIMA)模型进行数据驱动的方法来预测城市交通流量。Longbiao Chen等提出了一种基于动态集群的过度预测框架来预测站点式共享自行车的流量。C.Thirumalai等人提出了一个深度神经网络模型，使用历史自行车数据来预测共享自行车的未来使用情况，并使用基于门控循环单元的循环神经网络(Recurrent NeuralNetwork,RNN)进行城市交通流量预测。

虽然现有研究工作中有大量关于城市人群活动数据的流量预测的工作，但是现有的工作主要是通过解决问题中的众多约束或图形模型来执行带有一些环境变量的交通量预测。然而，环境方面的变量很多，用户无法考虑所有这些变量。另外，这也会使优化变得极其复杂且难以解决。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于城市区域多模态融合的人群流量预测方法，利用多模态融合，结合图卷积神经网络以及城市数据的时空相关性，挖掘城市区域多重相关性，更好地预测人群流量。

实现本发明目的的技术解决方案为：一种基于城市区域多模态融合的人群流量预测方法，所述方法包括以下步骤：

步骤1，获取城市数据，并对数据进行预处理以消除噪声数据；

步骤2，将城市划分成等大小(H×W)的网格区域g_i，并构建相应大小结构的城市数据矩阵：人类活动数据矩阵M_flow、城市兴趣点数据矩阵M_poi和天气温度数据矩阵M_ext；

步骤3，计算每个网格区域的流行度PR_i、兴趣点差异性矩阵f，并进一步计算网格区域的热度值H_i；

步骤4，基于网格区域的热度值H_i，对人类活动数据进行OPTICS聚类，将城市划分成多种类的功能区域C；