[发明专利]基于大数据深度学习的个人联动区域时空预测方法

权利要求书

1.一种人工智能方法，其特征在于，所述方法包括：

个人预测深度学习模型构建步骤：初始化多个深度学习神经网络模型作为多个个人预测深度学习模型，将每一时间每一空间的每一个人的个人数据作为输入，将所述每一时间所述每一空间的所述每一个人预期结果作为输出，对所述每一时间所述每一空间的个人预测深度学习模型进行第一训练，不同的个人预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

个人预测深度学习模型使用步骤：在使用时，将每一时间每一空间的每一个人的数据作为输入，通过所述每一时间所述每一空间的个人预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所述每一个人预测结果；

单时单空预测深度学习模型第一构建步骤：初始化多个深度学习神经网络模型作为单时单空预测深度学习模型，将每一时间每一空间的时间信息和空间信息和所有个人数据作为输入，将所述每一时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第二训练；不同的单时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；

单时单空预测深度学习模型第二构建步骤：针对每一时间每一空间，将所述每一时间所述每一空间的所有个人预测深度学习模型的特征数据联合后作为输入，将所述每一时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每一时间所述每一空间的预期结果作为预期输出，对所述单时单空预测深度学习模型进行第三训练；

单时单空预测深度学习模型使用步骤：在使用时，每一时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述单时单空预测深度学习模型的计算，得到的输出作为所述每一时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每一时间所述每一空间的预测结果；

训练方式第一设置步骤：第二训练和第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第二训练和第三训练得到所述单时单空预测深度学习模型；第一训练、第三训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第三训练得到所述每一时间所述每一空间的个人预测深度学习模型。

2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：

多时单空预测深度学习模型第一构建步骤：初始化深度学习神经网络模型作为多时单空预测深度学习模型，将每K个时间每一空间的时间信息和空间信息和所有个人数据作为输入，将所述每K个时间所述每一空间的所有个人预期结果的统计结果作为预期输出，或将所述每K个时间所述每一空间的预期结果作为预期输出，对所述多时单空预测深度学习模型进行第四训练；不同的多时单空预测深度学习模型的参数根据预设进行共享或部分共享或不共享；所述每K个时间为相邻的每K个时间；

多时单空预测深度学习模型第二构建步骤：针对每K个时间每一空间，将所述每K个时间所述每一空间的所有个人预测深度学习模型的特征数据联合后作为输入，将所述每K个时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每K个时间所述每一空间的预期结果作为预期输出，对所述多时单空预测深度学习模型进行第五训练，得到所述多时单空预测深度学习模型；所述每K个时间为相邻的K个时间；

多时单空预测深度学习模型第三构建步骤：针对每K个时间每一空间，将所述每K个时间所述每一空间的单时单空预测深度学习模型的特征数据联合后作为输入，将所述每K个时间所述每一空间的所有个人的预期结果的统计结果作为预期输出，或将所述每K个时间所述每一空间的预期结果作为预期输出，对所述多时单空预测深度学习模型进行第六训练，得到所述多时单空预测深度学习模型；所述每K个时间为相邻的K个时间；

多时单空预测深度学习模型使用步骤：在使用时，每K个时间每一空间的时间信息、空间信息、所有个人数据作为输入，通过所述多时单空预测深度学习模型的计算，得到的输出作为所述每K个时间所述每一空间的所有个人的预期结果的统计结果，或作为所述每K个时间所述每一空间的预测结果；

训练方式第二设置步骤：第四训练、第五训练、第六训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第四训练、第五训练、第六训练得到所述多时单空预测深度学习模型；第一训练、第五训练、第六训练可以先后进行，也可以交叉进行，或采用预设的方式组合进行，通过第一训练、第五训练、第六训练得到所述每一时间所述每一空间的个人预测深度学习模型。