CN108108844A - 一种城市人流量预测方法及系统 - Google Patents
一种城市人流量预测方法及系统 Download PDFInfo
- Publication number
- CN108108844A CN108108844A CN201711423866.3A CN201711423866A CN108108844A CN 108108844 A CN108108844 A CN 108108844A CN 201711423866 A CN201711423866 A CN 201711423866A CN 108108844 A CN108108844 A CN 108108844A
- Authority
- CN
- China
- Prior art keywords
- flow
- pedestrian flow
- pedestrian
- people
- urban
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 13
- 230000001413 cellular effect Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002123 temporal effect Effects 0.000 abstract 2
- 238000005311 autocorrelation function Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及移动计算技术领域，具体公开了一种城市人流量预测方法，其中，包括：根据城市道路网络图对城市进行区域划分得到多个初步划分区域；根据每个初步划分区域的人流量移动特征进行聚类得到多个聚类后的区域；分别以人流量时间特征、人流量空间特征和人流量速度特征为特征提取标准对所述多个聚类后的区域进行特征提取；将人流量时间特征提取数据、人流量空间特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输入到图卷积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果。本发明还公开了一种城市人流量预测系统。本发明提供的人流量预测方法能够有效预测人流量，且具有预测精度高的优势。
Description
技术领域
本发明涉及移动计算技术领域，尤其涉及一种城市人流量预测方法及城市 人流量预测系统。
背景技术
城市人流预测在城市规划、交通管理、公共安全等领域都有着重要的意义： 城市人流移动的规律可以帮助城市管理者进行合理的交通管制和能量供应，避 免环境污染和资源浪费；可以帮助客运公司规划公交路线和在交通热点区域提 供迷你公交，提升服务质量和效率；城市人流预测可以及时发现大规模人群聚 集的活动，避免踩踏事件的发生。
在传统的方法，人们通过用户打车的GPS数据分析城市人群流动，但是这 种方法所能覆盖到的用户十分的有限，很难全面和细粒度地分析城市人流的规 律。随着移动互联网的发展，手机在广大用户的生活中扮演着越来越重要的角 色。细粒度地用户手机上网记录为高精度的城市人流分析提供了功能，在我们 的技术中，我们使用移动运营商提供的用户上网记录信息完成人群流动的分析 和预测。
尽管如此，对人流数据进行精确预测仍然面临着很大的挑战：首先，人群 的移动有着复杂的空间时间关联，简单的时间序列模型和机器学习模型很难实 现较高精度的预测；其次，对人流的预测需要考虑不同的区域划分方法，如按 照行政区域划分、按照功能区域划分等，人们往往关注具有语义信息的区域人 流信息，比如体育馆、广场等，这些具有语义的区域往往是不规则，这使得传 统以卷积神经网络(CNN)为代表的深度方法不能直接使用。
因此，如何提供一种能够精确预测人流数据的方法成为本领域技术人员亟 待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种城市人流 量预测方法及城市人流量预测系统，以解决现有技术中的问题。
作为本发明的第一个方面，提供一种城市人流量预测方法，其中，所述城 市人流量预测方法包括：
根据城市道路网络图对城市进行区域划分得到多个初步划分区域；
根据每个所述初步划分区域的人流量移动特征进行聚类得到多个聚类后的 区域；
分别以人流量时间特征、人流量空间特征和人流量速度特征为特征提取标 准对所述多个聚类后的区域进行特征提取，并得到人流量时间特征提取数据、 人流量空间特征提取数据和人流量速度特征提取数据；
将所述人流量时间特征提取数据、人流量空间特征提取数据和人流量速度 特征提取数据进行融合后作为输入数据输入到图卷积神经网络结构中进行训 练，得到训练结果即为城市人流量预测结果。
优选地，所述根据城市道路网络图对城市进行区域划分得到多个初步划分 区域包括：
用1表示所述城市道路网络图中的非道路位置，用0表示所述城市道路网 络图中内的道路位置；
将同为1的位置非道路位置进行区域联通得到多个联通区域；
通过所述道路位置和多个所述联通区域得到多个初步划分区域。
优选地，所述根据每个所述初步划分区域的人流量移动特征进行聚类得到 多个聚类后的区域包括：
对待聚类的空间上相邻的两个区域进行相似度计算，得到两个区域的相似 度Wi,j为：
其中，i表示待聚类的两个区域中的一个区域，j表示待聚类的两个区域中 的另一个区域，F(ri)表示i区域的人流量移动特征，F(rj)表示j区域的人流量 移动特征，Wi,j表示i区域和j区域的相似度；
根据所述两个区域的相似度计算结果进行聚类得到多个聚类后的区域。
优选地，所述人流量移动特征选取的是周中和周末在某一小时的人流量的 平均值，每一个所述人流量移动特征包括24维向量。
优选地，所述人流量时间特征提取数据包括人流量时间特征向量，所述人 流量空间特征提取数据包括人流量空间特征向量，所述人流量速度特征提取数 据包括人流量速度特征向量。
优选地，所述人流量时间特征、人流量空间特征和人流量速度特征的数据 均来源于蜂窝网络监测系统，所述蜂窝网络监测系统能够记录连接蜂窝网络的 设备发送到基站的数据包。
优选地，所述将所述人流量时间特征提取数据、人流量空间特征提取数据 和人流量速度特征提取数据进行融合后作为输入数据输入到图卷积神经网络结 构中进行训练，得到训练结果即为城市人流量预测结果包括：
将每个基站的人流量按照人流量速度特征进行分解；
分别按照人流量时间特征和人流量空间特征提取出人流量特征的张量；
将所述人流量特征的张量作为图卷积神经网络结构的输入数据；
获得所述图卷积神经网络结果的训练结果。
优选地，所述图卷积神经网络结构包括残差网络。
作为本发明的第二个方面，提供一种城市人流量预测系统，其中，所述城 市人流量预测系统包括：
区域划分模块，所述区域划分模块用于根据城市道路网络图对城市进行区 域划分得到多个初步划分区域；
聚类模块，所述聚类模块用于根据每个所述初步划分区域的人流量移动特 征进行聚类得到多个聚类后的区域；
特征提取模块，所述特征提取模块用于分别以人流量时间特征、人流量空 间特征和人流量速度特征为特征提取标准对所述多个聚类后的区域进行特征提 取，并得到人流量时间特征提取数据、人流量空间特征提取数据和人流量速度 特征提取数据；
训练模块，所述训练模块用于将所述人流量时间特征提取数据、人流量空 间特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输入到图 卷积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果。
本发明提供的城市人流量预测方法，基于蜂窝网络运营商产生的用户流级 别的数据记录，根据用户的移动性特征和城市道路网的设计，对城市覆盖的区 域进行划分，并提取每一个区域的人流特征，并以此为输入，利用深度图卷积 神经网络(GCNN)学习不同区域的人流变化的时间依赖和空间依赖，从而实现 对城市人流量的预测。本发明提供的城市人流量预测方法能够有效预测人流量， 且具有预测精度高的优势。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下 面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图 中：
图1为本发明提供的城市人流量预测方法的流程图。
图2a为本发明提供的道路网的地图信息。
图2b为本发明提供的从地图数据中提取主要道路网的结果。
图2c为本发明提供的从道路网中提取区域的结果。
图2d为本发明提供的区域聚类的结果。
图3a为本发明提供的典型区域的入人流量(Inflow)和出人流量(Outflow) 在一天时间内的分布图。
图3b为本发明提供的入人流量(Inflow)和出人流量(Outflow)在周中和 周末的差异图。
图3c为本发明提供的某个区域的in-A、out-A、in-B和out-B四个特征的差 异图。
图4a为本发明提供的基站的样本自相关函数sample ACF随lag h的变化图。
图4b为本发明提供的基站之间的不同时间的Moran’I指数图。
图4c为本发明提供的两个典型基站在速度分布的差异图。
图5为本发明提供的图卷积神经网络的残差单元示意图。
图6a为本发明提供的城市人流量预测方法与现有技术的预测方法的一种类 型的预测对比图。
图6b为本发明提供的城市人流量预测方法与现有技术的预测方法的另一种 类型的预测对比图。
图7为本发明提供的城市人流量预测系统的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此 处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
作为本发明的第一个方面，提供一种城市人流量预测方法，其中，如图1 所示，所述城市人流量预测方法包括：
S110、根据城市道路网络图对城市进行区域划分得到多个初步划分区域；
S120、根据每个所述初步划分区域的人流量移动特征进行聚类得到多个聚 类后的区域；
S130、分别以人流量时间特征、人流量空间特征和人流量速度特征为特征 提取标准对所述多个聚类后的区域进行特征提取，并得到人流量时间特征提取 数据、人流量空间特征提取数据和人流量速度特征提取数据；
S140、将所述人流量时间特征提取数据、人流量空间特征提取数据和人流 量速度特征提取数据进行融合后作为输入数据输入到图卷积神经网络结构中进 行训练，得到训练结果即为城市人流量预测结果。
本发明提供的城市人流量预测方法，基于蜂窝网络运营商产生的用户流级 别的数据记录，根据用户的移动性特征和城市道路网的设计，对城市覆盖的区 域进行划分，并提取每一个区域的人流特征，并以此为输入，利用深度图卷积 神经网络(GCNN)学习不同区域的人流变化的时间依赖和空间依赖，从而实现 对城市人流量的预测。本发明提供的人流量预测方法能够有效预测人流量，且 具有预测精度高的优势。
作为一种具体地实施方式，所述根据城市道路网络图对城市进行区域划分 得到多个初步划分区域包括：
用1表示所述城市道路网络图中的非道路位置，用0表示所述城市道路网 络图中内的道路位置；
将同为1的位置非道路位置进行区域联通得到多个联通区域；
通过所述道路位置和多个所述联通区域得到多个初步划分区域。
可以理解的是，城市的道路网络将城市划分为一个个不同的街区，并逐渐 在各个街区发展出自己的城市功能。首先利用城市道路网络获得对区域的初步 划分：用1表示图像中非道路的位置，用0表示图像中道路的位置，对得到的 图像计算联通区域。由于城市的语义区域往往是多个街区聚合而成，一个商业 区往往包含多条街道，过于破碎的区域会加大学习的复杂度，很难获得精度较 高的预测的结果，因此考虑到城市的语义区域相似的区域具有相近的人流移动 特征，使用人流移动特征作为区域的特征，并对获得的区域碎片进行聚类操作。
具体地，所述根据每个所述初步划分区域的人流量移动特征进行聚类得到 多个聚类后的区域包括：
对待聚类的空间上相邻的两个区域进行相似度计算，得到两个区域的相似 度Wij为：
其中，i表示待聚类的两个区域中的一个区域，j表示待聚类的两个区域中 的另一个区域，F(ri)表示i区域的人流量移动特征，F(rj)表示j区域的人流量 移动特征，Wi,j表示i区域和j区域的相似度；
根据所述两个区域的相似度计算结果进行聚类得到多个聚类后的区域。
需要说明的是，在进行聚类时采用谱聚类的方法进行聚类，能够确保相邻 的相似度较高的聚为一类。图2显示了聚类的过程，其中图2a为地图信息，图 2b为从地图数据中提取的主要道路网络的结果，图2c为从道路网络中提取区域 的结果，图2d为图2c中的区域进行聚类后的结果。
优选地，所述人流量移动特征选取的是周中和周末在某一小时的人流量的 平均值，每一个所述人流量移动特征包括24维向量。
选择城市区域的周中和周末的入人流量(Inflow)和出人流量(Outflow) 特征作为区域的人流特征F(r)，每一个特征为24维向量，即周中或周末的Inflow 或Outflow在某小时的平均值。图3a显示了一个典型区域的Inflow和Outflow 在一天时间内的分布，可以看出Inflow和Outflow呈现出不同的时序特征。图 3b则表明Inflow或者Outflow在周中和周末展现出较大的差异。图3c某个区域 的四个特征的差异。
优选地，所述人流量时间特征提取数据包括人流量时间特征向量，所述人 流量空间特征提取数据包括人流量空间特征向量，所述人流量速度特征提取数 据包括人流量速度特征向量。
可以理解的是，通过样本自相关函数考量人流的时间相关性，以入人流量(Inflow)为例，其样本自相关函数定义为：
其中，表示r区域在h时间的延迟下入人流量的自相关值，T表示总 时间，表示t时刻r区域的入人流量，表示t时刻r区域的入人流量的 平均值，由上述自相关函数结合图4a可以看出，人流量存在显著的周期性，因 此，可以选择人流量数据中的时间特征作为考量。
其中，所述入人流量可以定位为：
而出人流量可以定义为：
其中，Pt(r)＝UcisinsiderPt(c)，Pt(c)表示在t时刻停留在基站c的用户集合， Pt(r)表示对于任意区域r，r区域在t时刻的人流量，Ucisinsider表示所有在r区域 的基站c的定集。
需要说明的是，定义在已知t时刻之前的人流量数据 {x1,…,xt-1}时，可以预测t时刻的人流数据xt。
还可以理解的是，利用Moran’I指标研究人流的空间关联，Moran’s I定 义为：
其中，I(t)表示t时刻的空间相关值，n表示区域的数量，Wi,j表示两个区域 的相似度，并定义为如果两个区域相邻则为1，否则为0，xt(ri)和xt(rj)表示r区 域在t时刻的人流量，表示t时刻的不同区域的人流量的平均值。
需要说明的是，所述人流量时间特征、人流量空间特征和人流量速度特征 的数据均来源于蜂窝网络监测系统，所述蜂窝网络监测系统能够记录连接蜂窝 网络的设备发送到基站的数据包。
还需要说明的是，最终提取的特征是一个三维的张量，第一维为区域，第 二维为时间，第三维为速度，其中的值为某区域在某时间内，速度为某一范围 的出(入)人流的值。
图4b显示了基站之间不同时间的Moran’I指数，表明基站之间存在较强 的空间关系。将人流按照速度进行统计，图4c显示了两个典型基站在速度分布 的差异。基于上面的观察，将基站的流量按照速度进行分解，并分别按照时间 和空间的维度提取出人流特征的张量，作为学习模型的输入。
作为具体地实施方式，所述将所述人流量时间特征提取数据、人流量空间 特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输入到图卷 积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果包括：
将每个基站的人流量按照人流量速度特征进行分解；
分别按照人流量时间特征和人流量空间特征提取出人流量特征的张量；
将所述人流量特征的张量作为图卷积神经网络结构的输入数据；
获得所述图卷积神经网络结果的训练结果。
优选地，所述图卷积神经网络结构包括残差网络。
具体地，使用图卷积神经网络进行模型的训练，图卷积神经网络(GCNN)是 在传统的卷积神经网络在图结构上的扩展。为了能够学习全都市范围的空间依 赖，利用残差网络来加深网络结构，图5为图卷积神经网络的残差单元，即在 两层GCNN网络中加入shotcutconnection。在进行网络训练时，用x(0)表示系统 的输入，x(0)被输入一层GCNN单元获得固定维度的张量x(1)，将x(1)输入到L层 的残差单元，每一层残差单元输出为x2,…,xL+1，最后将xL+1输入一层GCNN网 络获得预测结果，在每一层网络中使用RELU作为激活函数。
可以理解的是，通常将人流量数据分为训练集和测试集两个部分，采用交 叉验证的方法进行训练。将本发明提供的人流量预测方法与现有技术的人流量 预测方法进行对比，其中现有的人流量预测方法主要包括ARIMA、VAR、FCCF， 图6显示了对比结果，图中x轴为预测结果的真实值，纵轴为RMSE指标，从 图6a和图6b的两种类型的区域的对比结果中可以看到本发明在两种类型的区 域都取得了比传统的方法更优的结果。
作为本发明的第二个方面，提供一种城市人流量预测系统，其中，如图7 所示，所述城市人流量预测系统10包括：
区域划分模块110，所述区域划分模块110用于根据城市道路网络图对城市 进行区域划分得到多个初步划分区域；
聚类模块120，所述聚类模块120用于根据每个所述初步划分区域的人流量 移动特征进行聚类得到多个聚类后的区域；
特征提取模块130，所述特征提取模块130用于分别以人流量时间特征、人 流量空间特征和人流量速度特征为特征提取标准对所述多个聚类后的区域进行 特征提取，并得到人流量时间特征提取数据、人流量空间特征提取数据和人流 量速度特征提取数据；
训练模块140，所述训练模块140用于将所述人流量时间特征提取数据、人 流量空间特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输 入到图卷积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果。
本发明提供的城市人流量预测系统，基于蜂窝网络运营商产生的用户流级 别的数据记录，根据用户的移动性特征和城市道路网的设计，对城市覆盖的区 域进行划分，并提取每一个区域的人流特征，并以此为输入，利用深度图卷积 神经网络(GCNN)学习不同区域的人流变化的时间依赖和空间依赖，从而实现 对城市人流量的预测。本发明提供的人流量预测系统能够有效预测人流量，且 具有预测精度高的优势。
关于本发明提供的城市人流量预测系统的工作原理及其工作过程可以参照 前文的城市人流量预测方法的描述，此处不再赘述。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例 性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言， 在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型 和改进也视为本发明的保护范围。
Claims (9)
1.一种城市人流量预测方法，其特征在于，所述城市人流量预测方法包括：
根据城市道路网络图对城市进行区域划分得到多个初步划分区域；
根据每个所述初步划分区域的人流量移动特征进行聚类得到多个聚类后的区域；
分别以人流量时间特征、人流量空间特征和人流量速度特征为特征提取标准对所述多个聚类后的区域进行特征提取，并得到人流量时间特征提取数据、人流量空间特征提取数据和人流量速度特征提取数据；
将所述人流量时间特征提取数据、人流量空间特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输入到图卷积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果。
2.根据权利要求1所述的城市人流量预测方法，其特征在于，所述根据城市道路网络图对城市进行区域划分得到多个初步划分区域包括：
用1表示所述城市道路网络图中的非道路位置，用0表示所述城市道路网络图中内的道路位置；
将同为1的位置非道路位置进行区域联通得到多个联通区域；
通过所述道路位置和多个所述联通区域得到多个初步划分区域。
3.根据权利要求2所述的城市人流量预测方法，其特征在于，所述根据每个所述初步划分区域的人流量移动特征进行聚类得到多个聚类后的区域包括：
对待聚类的空间上相邻的两个区域进行相似度计算，得到两个区域的相似度Wi,j为：
<mrow>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>&CenterDot;</mo>
<mo>|</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，i表示待聚类的两个区域中的一个区域，j表示待聚类的两个区域中的另一个区域，F(ri)表示i区域的人流量移动特征，F(rj)表示j区域的人流量移动特征，Wi,j表示i区域和j区域的相似度；
根据所述两个区域的相似度计算结果进行聚类得到多个聚类后的区域。
4.根据权利要求3所述的城市人流量预测方法，其特征在于，所述人流量移动特征选取的是周中和周末在某一小时的人流量的平均值，每一个所述人流量移动特征包括24维向量。
5.根据权利要求1至4中任意一项所述的城市人流量预测方法，其特征在于，所述人流量时间特征提取数据包括人流量时间特征向量，所述人流量空间特征提取数据包括人流量空间特征向量，所述人流量速度特征提取数据包括人流量速度特征向量。
6.根据权利要求5所述的城市人流量预测方法，其特征在于，所述人流量时间特征、人流量空间特征和人流量速度特征的数据均来源于蜂窝网络监测系统，所述蜂窝网络监测系统能够记录连接蜂窝网络的设备发送到基站的数据包。
7.根据权利要求6所述的城市人流量预测方法，其特征在于，所述将所述人流量时间特征提取数据、人流量空间特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输入到图卷积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果包括：
将每个基站的人流量按照人流量速度特征进行分解；
分别按照人流量时间特征和人流量空间特征提取出人流量特征的张量；
将所述人流量特征的张量作为图卷积神经网络结构的输入数据；
获得所述图卷积神经网络结果的训练结果。
8.根据权利要求7所述的城市人流量预测方法，其特征在于，所述图卷积神经网络结构包括残差网络。
9.一种城市人流量预测系统，其特征在于，所述城市人流量预测系统包括：
区域划分模块，所述区域划分模块用于根据城市道路网络图对城市进行区域划分得到多个初步划分区域；
聚类模块，所述聚类模块用于根据每个所述初步划分区域的人流量移动特征进行聚类得到多个聚类后的区域；
特征提取模块，所述特征提取模块用于分别以人流量时间特征、人流量空间特征和人流量速度特征为特征提取标准对所述多个聚类后的区域进行特征提取，并得到人流量时间特征提取数据、人流量空间特征提取数据和人流量速度特征提取数据；
训练模块，所述训练模块用于将所述人流量时间特征提取数据、人流量空间特征提取数据和人流量速度特征提取数据进行融合后作为输入数据输入到图卷积神经网络结构中进行训练，得到训练结果即为城市人流量预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711423866.3A CN108108844A (zh) | 2017-12-25 | 2017-12-25 | 一种城市人流量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711423866.3A CN108108844A (zh) | 2017-12-25 | 2017-12-25 | 一种城市人流量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108108844A true CN108108844A (zh) | 2018-06-01 |
Family
ID=62212958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711423866.3A Withdrawn CN108108844A (zh) | 2017-12-25 | 2017-12-25 | 一种城市人流量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108108844A (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460784A (zh) * | 2018-10-22 | 2019-03-12 | 武汉极意网络科技有限公司 | 访问行为特征模型建立方法、设备、存储介质及装置 |
| CN109740663A (zh) * | 2018-12-28 | 2019-05-10 | 广东新源信息技术有限公司 | 一种基于深度ai算法的疏通人流系统及方法 |
| CN109961060A (zh) * | 2019-04-11 | 2019-07-02 | 北京百度网讯科技有限公司 | 用于生成人群密度信息的方法和装置 |
| CN110322064A (zh) * | 2019-06-27 | 2019-10-11 | 清华大学 | 城市出行需求预测方法 |
| CN110337063A (zh) * | 2019-05-31 | 2019-10-15 | 口碑(上海)信息技术有限公司 | 目标用户终端识别方法、装置、存储介质及计算机设备 |
| CN110442662A (zh) * | 2019-07-08 | 2019-11-12 | 清华大学 | 一种确定用户属性信息的方法以及信息推送方法 |
| CN110705819A (zh) * | 2019-08-20 | 2020-01-17 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区资源匹配方法和系统 |
| CN110728390A (zh) * | 2018-07-16 | 2020-01-24 | 杭州海康威视数字技术股份有限公司 | 一种事件预测的方法及装置 |
| CN110866649A (zh) * | 2019-11-19 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
| CN110991394A (zh) * | 2019-12-17 | 2020-04-10 | 中国建设银行股份有限公司 | 一种基于多特征融合的人流分布确定方法及系统 |
| CN111027202A (zh) * | 2019-12-04 | 2020-04-17 | 北京软通智城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
| CN111291989A (zh) * | 2020-02-03 | 2020-06-16 | 重庆特斯联智慧科技股份有限公司 | 一种大型建筑人流深度学习调配系统及其方法 |
| CN111612183A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
| CN111695679A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 出入量的预测方法、装置、电子设备及存储介质 |
| CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
| CN112215390A (zh) * | 2019-07-12 | 2021-01-12 | 国际商业机器公司 | 使用三维变换执行多元时间序列预测 |
| CN112217834A (zh) * | 2020-10-21 | 2021-01-12 | 北京理工大学 | 一种基于图结构的互联网加密流量交互特征提取方法 |
| CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
| WO2021056770A1 (zh) * | 2019-09-27 | 2021-04-01 | 深圳市商汤科技有限公司 | 图像重建方法及装置、电子设备和存储介质 |
| CN112990613A (zh) * | 2021-05-19 | 2021-06-18 | 北京大学 | 人口流动模拟预测方法、装置、设备及介质 |
| CN116307277A (zh) * | 2023-05-18 | 2023-06-23 | 一站发展(北京)云计算科技有限公司 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
| CN117854008A (zh) * | 2024-01-16 | 2024-04-09 | 浙江威星电子系统软件股份有限公司 | 基于数字孪生的智慧运动场馆管理系统 |
-
2017
- 2017-12-25 CN CN201711423866.3A patent/CN108108844A/zh not_active Withdrawn
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728390B (zh) * | 2018-07-16 | 2024-04-23 | 杭州海康威视数字技术股份有限公司 | 一种事件预测的方法及装置 |
| CN110728390A (zh) * | 2018-07-16 | 2020-01-24 | 杭州海康威视数字技术股份有限公司 | 一种事件预测的方法及装置 |
| CN109460784A (zh) * | 2018-10-22 | 2019-03-12 | 武汉极意网络科技有限公司 | 访问行为特征模型建立方法、设备、存储介质及装置 |
| CN109740663A (zh) * | 2018-12-28 | 2019-05-10 | 广东新源信息技术有限公司 | 一种基于深度ai算法的疏通人流系统及方法 |
| CN111612183A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
| CN109961060A (zh) * | 2019-04-11 | 2019-07-02 | 北京百度网讯科技有限公司 | 用于生成人群密度信息的方法和装置 |
| CN109961060B (zh) * | 2019-04-11 | 2021-04-30 | 北京百度网讯科技有限公司 | 用于生成人群密度信息的方法和装置 |
| CN110337063A (zh) * | 2019-05-31 | 2019-10-15 | 口碑(上海)信息技术有限公司 | 目标用户终端识别方法、装置、存储介质及计算机设备 |
| CN110322064A (zh) * | 2019-06-27 | 2019-10-11 | 清华大学 | 城市出行需求预测方法 |
| CN110442662B (zh) * | 2019-07-08 | 2022-05-20 | 清华大学 | 一种确定用户属性信息的方法以及信息推送方法 |
| CN110442662A (zh) * | 2019-07-08 | 2019-11-12 | 清华大学 | 一种确定用户属性信息的方法以及信息推送方法 |
| CN112215390A (zh) * | 2019-07-12 | 2021-01-12 | 国际商业机器公司 | 使用三维变换执行多元时间序列预测 |
| CN110705819A (zh) * | 2019-08-20 | 2020-01-17 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区资源匹配方法和系统 |
| CN110705819B (zh) * | 2019-08-20 | 2021-06-15 | 重庆特斯联智慧科技股份有限公司 | 一种基于大数据的社区资源匹配方法和系统 |
| WO2021056770A1 (zh) * | 2019-09-27 | 2021-04-01 | 深圳市商汤科技有限公司 | 图像重建方法及装置、电子设备和存储介质 |
| CN110866649B (zh) * | 2019-11-19 | 2022-09-20 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
| CN110866649A (zh) * | 2019-11-19 | 2020-03-06 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
| CN111027202A (zh) * | 2019-12-04 | 2020-04-17 | 北京软通智城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
| CN111027202B (zh) * | 2019-12-04 | 2023-12-15 | 北京软通绿城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
| CN110991394A (zh) * | 2019-12-17 | 2020-04-10 | 中国建设银行股份有限公司 | 一种基于多特征融合的人流分布确定方法及系统 |
| CN111291989A (zh) * | 2020-02-03 | 2020-06-16 | 重庆特斯联智慧科技股份有限公司 | 一种大型建筑人流深度学习调配系统及其方法 |
| CN111695679A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 出入量的预测方法、装置、电子设备及存储介质 |
| CN111695679B (zh) * | 2020-06-09 | 2023-12-29 | 北京百度网讯科技有限公司 | 出入量的预测方法、装置、电子设备及存储介质 |
| CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
| CN112217834B (zh) * | 2020-10-21 | 2021-06-18 | 北京理工大学 | 一种基于图结构的互联网加密流量交互特征提取方法 |
| CN112217834A (zh) * | 2020-10-21 | 2021-01-12 | 北京理工大学 | 一种基于图结构的互联网加密流量交互特征提取方法 |
| CN112418521B (zh) * | 2020-11-23 | 2023-02-24 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
| CN112418521A (zh) * | 2020-11-23 | 2021-02-26 | 青岛科技大学 | 一种短时海洋鱼群和鱼量的预测方法 |
| CN112990613A (zh) * | 2021-05-19 | 2021-06-18 | 北京大学 | 人口流动模拟预测方法、装置、设备及介质 |
| CN116307277A (zh) * | 2023-05-18 | 2023-06-23 | 一站发展(北京)云计算科技有限公司 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
| CN116307277B (zh) * | 2023-05-18 | 2023-08-01 | 一站发展(北京)云计算科技有限公司 | 基于深度学习的人员流量与消费量的预测方法及其系统 |
| CN117854008A (zh) * | 2024-01-16 | 2024-04-09 | 浙江威星电子系统软件股份有限公司 | 基于数字孪生的智慧运动场馆管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108844A (zh) | 一种城市人流量预测方法及系统 | |
| Pase et al. | Bike sharing and urban mobility in a post-pandemic world | |
| Ghahramani et al. | Urban sensing based on mobile phone data: Approaches, applications, and challenges | |
| Zheng et al. | Big data for social transportation | |
| Guo et al. | The integration of CPS, CPSS, and ITS: A focus on data | |
| Poonawala et al. | Singapore in motion: Insights on public transport service level through farecard and mobile data analytics | |
| Zhang et al. | Daily OD matrix estimation using cellular probe data | |
| Li et al. | A Markov jump process model for urban vehicular mobility: Modeling and applications | |
| CN105702041A (zh) | 基于神经网络的高速公路多源数据融合状态估计系统及方法 | |
| Horn et al. | QZTool—automatically generated origin-destination matrices from cell phone trajectories | |
| Du et al. | SmartTransfer: Modeling the spatiotemporal dynamics of passenger transfers for crowdedness-aware route recommendations | |
| Li et al. | Potential predictability of vehicular staying time for large-scale urban environment | |
| Li et al. | Estimating crowd flow and crowd density from cellular data for mass rapid transit | |
| Li et al. | Public transportation mode detection from cellular data | |
| Luo et al. | Spatiotemporal hashing multigraph convolutional network for service-level passenger flow forecasting in bus transit systems | |
| CN106384022A (zh) | 出行行为预测方法及装置 | |
| Silva et al. | A novel macroscopic mobility model for vehicular networks | |
| Zhao et al. | Urban crowd flow forecasting based on cellular network | |
| Osaba et al. | Data-driven optimization for transportation logistics and smart mobility applications [guest editorial] | |
| Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
| Raghothama et al. | Analytics on public transport delays with spatial big data | |
| Ueda et al. | Spatio-temporal multidimensional collective data analysis for providing comfortable living anytime and anywhere | |
| Li et al. | A simulation approach to detect arterial traffic congestion using cellular data | |
| Huang et al. | State of the art on road traffic sensing and learning based on mobile user network log data | |
| Padrón et al. | Realistic traffic model for urban environments based on induction loop data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180601 |