[发明专利]基于时空关系的残差多图卷积人群分布预测方法及系统

说明书

本发明涉及一种基于时空关系的残差多图卷积人群分布预测方法及系统。该方法包括：包括：提取各区域各时段人群数量；进行多种空间关系构建并建模；进行时间关系构建并建模；融合时空关系预测人群分布。本发明同时考虑区域之间的邻近性、连通性和功能相似性三种空间关系以及时间关系，从而有效地提高人群分布预测的精度。

技术领域

本发明属于空间信息技术领域，特别是涉及一种基于时空关系的残差多图卷积(Spatio-temporal Residual Multi-Graph Convolution Network，STRMGCN)人群分布预测模型，具体为一种基于时空关系的残差多图卷积人群分布预测方法及系统。

背景技术

目前，我国正在经历快速城镇化过程，人口在城市中的大量聚集对城市资源配置提出了更高的要求，而相对滞后的城市发展水平带来了一系列的城市问题(如交通拥堵、人群踩踏等公共安全事件)。研究城市人群移动的时空特征，实现人群分布预测，为优化公共资源、指导商业设施选址、公共安全预警等提供决策支持。

目前人群分布预测主要是基于特定的地理分析单元(如基于道路网络、基于规则格网)，根据历史的各个地理分析单元的人群数量，预测未来时刻的各个地理分析单元的人群数量。本发明基于规则地理网格为分析单元实现人群分布预测，与之相近的方法可以分为两类：参数化的方法和非参数化的方法。参数化方法基于历史数据，拟合回归函数最优参数，进而对人群分布进行预测。这类模型主要有时间序列模型^[1]，线性回归模型^[2]和卡尔曼滤波器^[3]等。非参数模型一般基于机器学习的方法进行构建，将人群分布的总体作为随机变量，认为其分布是存在的，但是无法知道其分布的形式以及相关参数，只需要足够的历史数据就可以自动地从区域人群数量数据中学习统计规律。非参数模型常用的方法有决策树模型^[4]、朴素贝叶斯模型^[5]、支持向量机(SVM)模型^[6]、神经网络^[7,8]等。

现有技术存在的主要缺点是(1)很少同时考虑时空关系对于人群分布预测的影响。人的流动是同时受时间和空间资源约束的，然而现有的算法如SVR、LSTM模型等大多只考虑时间关系对于人群分布预测影响，很少研究同时顾及时空关系对人群分布进行预测。(2)对空间关系的考虑主要局限于邻近区域之间关系，忽略了其他对人群分布的空间关联。现有的算法大多仅考虑相邻区域的影响，然而城市内各区域人群分布具有网络特性，即区域人群分布除了受空间距离本身影响之外，还显著受道路、地铁等骨干交通资源连接的影响。例如虽然两个区域相隔较远，但是有地铁相连，两者的关联性更为密切。

[1]Ding QY,Wang X F,Zhang XY,et al.ForecastingTraffic Volume withSpace-TimeARIMA Model[J].AdvancedMaterialsResearch,2011,156-157:979-983.

[2]Sun H,Zhang C,Ran B.Interval prediction for traffic time seriesusing local linear predictor[C]//Intelligent Transportation Systems,2004.Proceedings.The 7th International IEEE Conference on.IEEE,WA,USA,2004:410-415.

[3]Bossanyi E.Short-term wind prediction using Kalman filters[J].WindEngineering,1985,9(1):1-8.

[4]程娟,陈先华.基于梯度提升决策树的高速公路行程时间预测模型(英文)[J].Journal of Southeast University(English Edition),2019,35(03):393-398.