一种人口移动性OD矩阵预测方法

本发明涉及人口移动预测领域，尤其是涉及一种人口移动性od矩阵预测方法。

背景技术：

1、人口移动，即一定时间内人口在一定的城市空间范围的子空间之间的短期、具有周期性的位移行为。人口移动性预测在出行流量预测、交通事故预测、交通路径规划、城市应急管理、城市模拟仿真等问题中的应用价值，更使其在交通管理、传染病控制和城市仿真等领域中有着重要的应用意义。

2、起始点-终点(origin-destination，od)流动，是将抽象的人口移动性具象化的一项关键指标。od流动的定义是：对于一个确定的被划分为多个区域的城市空间，从零散的od轨迹数据中聚合而来的每两个区域之间整体流动的个体数量。所有区域一段时间之内的od流动常常以一个整体的od矩阵表示，如图1所示。

3、随着移动设备和数字技术的发展，智能手机、车辆导航系统、交通传感器等终端生成了大量城市人口移动性数据，特别是通过智能手机的移动应用程序收集到的用户的手机信令数据，可以便捷获得大规模、细粒度、无偏差的od轨迹数据。这样细粒度数据的增加对于人口移动性预测的精度和效率提出了更高的要求。

4、首先，传统的人口移动性预测工作主要研究某区域的整体人口流入、流出，而实际的应用中，对于具体区域与区域之间的人口流动的od矩阵预测往往更具有应用价值。其次，传统的人口移动性序列预测只预测输入序列的下一时间步信息，但是在实际的应用场景中，仅仅预测单一时间步的应用价值有限，需要模型有预测长时间未来序列的能力。随着移动设备收集的数据不断增加，以及对于细粒度人口移动性预测需求的不断提升，使得对于od矩阵的长时间序列预测成为亟待解决的问题。

5、近年来，深度学习方法在人口移动性预测领域取得了长足的发展和进步。目前最常见的od矩阵预测的深度学习方法是将提取时间特征的循环神经网络(rnn)和提取空间特征的卷积神经网络(cnn)结合的模型。但基于rnn的模型由于其网络结构的固有原因，存在着在步进式预测中的误差积累问题、内存限制使得较远时间的数据难以被学习的问题以及并行性差的问题。同时，基于cnn的模型只适合用于规则的网格空间划分，难以适用于许多现实应用场景。而简单地将两种模型结合的方式难以较好地提取复杂的时空间关系。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种准确性高的人口移动性od矩阵预测方法。

2、本发明的目的可以通过以下技术方案来实现：

3、一种人口移动性od矩阵预测方法，该方法包括：

4、根据历史od流动信息和区域信息，构建具有不同邻接矩阵的多个时空图；

5、对于每个时空图，分别构建三维图卷积网络进行特征提取，将所有时空图的特征提取结果融合后得到时空间提取结果；

6、对所述时空间提取结果进行分块嵌入，对分块嵌入处理后的结果进行位置编码与时间编码，融合后得到输入数据；

7、采用基于编码器和解码器架构的transformer模块从所述输入数据中提取长期时间特征，由解码器输出最终预测结果。

8、优选地，所述时空图包括基于历史od流动的时空图、以及基于区域间地理邻近关系的时空图。

9、优选地，所述构建多个具有不同邻接矩阵的时空图之后，还包括：

10、如果原始时空图的邻接矩阵中没有自环则添加一个自环，并对添加自环后的邻接矩阵进行拉普拉斯正则化处理；如果原始时空图的邻接矩阵中存在自环，则直接进行拉普拉斯正则化处理；

11、对于基于历史od流动的时空图，通过拉普拉斯正则化处理，捕捉到具有相同出发地的区域相关性矩阵、以及具有相同目的地的区域相关性矩阵。

12、优选地，所述对于每个时空图，分别构建三维图卷积网络进行特征提取，具体包括：

13、采用基于分层规则的空间域方法对所述时空图进行特征传播，从基于历史od流动的时空图中提取出邻近节点信息；

14、根据特征传播后的输出，采用三维图卷积网络同时捕捉空间和时间上的依赖关系，计算表达式为：

15、

16、式中：h(l+1)为第l+1个三维图卷积层的输出；σ是激活函数；z(l+1)为特征传播后的输出，作为第l+1个三维图卷积层的输入；是第l+1层的三维卷积核，c(l)是每层的通道数量，2kt+1为第l+1层的三维卷积核在时间维度上的大小；上标t对应所属时间段。

17、优选地，所述采用基于分层规则的空间域方法对所述时空图进行特征传播，计算表达式为：

18、

19、式中：是第l+1个图卷积层的输入；分别为从基于历史od流动的时空图捕获到的具有相同出发地的区域相关性矩阵、以及具有相同目的地的区域相关性矩阵；为从其他时空图中捕获的相关性矩阵。

20、优选地，所述对所述时空间提取结果进行分块嵌入，具体为：

21、将时空间提取结果展平处理为将的大小映射为pnp，将大小映射处理后的结果分解为np个维度为p的非重叠碎块，将非重叠碎块组成的集合p＝1,…,np通过一维卷积滤波器处理投影为第一向量dmodel为向量维度。

22、优选地，所述对分块嵌入处理后的结果进行位置编码与时间编码，融合后得到输入数据，具体为：

23、对分块嵌入处理后的结果进行位置编码以捕捉时间序列的局部位置信息，所述位置编码通过正弦和余弦函数学习上下文信息；

24、对位置编码后的数据进行时间编码以捕捉全局时间特征中的信息，所述时间编码通过可学习的嵌入函数；

25、将第一向量、位置编码结果和时间编码结果结合后得到transformer模块的输入数据。

26、优选地，所述transformer模块包括编码器和解码器，所述编码器包括依次设置一个多头自注意力层以及一个前反馈层，所述解码器包括依次设置的一个掩码多头自注意力层、一个多头交叉注意力层以及一个前反馈层，所述多头交叉注意力层的输入为解码器中多头自注意力层的输出、以及编码器中的前反馈层的输出；所述解码器通过一次前向传播预测输出最终预测结果；

27、多头注意力层将从输入序列导出的查询向量键向量和值向量注意力分数，其中np是输入序列中的非重叠碎块数量，tx和ty是输入序列的长度，dmodel是向量维度；

28、在多头交叉注意力层中，将编码器中的前反馈层的输出作为输入序列x，将解码器中多头自注意力层的输出作为输入序列y。

29、优选地，前馈层包括两个线性映射层、relu激活函数和一个dropout层。

30、优选地，从最接近输出序列的输入序列的最后一部分提取长度为tlabel的片段作为解码器的输入，表示为：

31、

32、式中：是从输入序列中采样的起始标记片段；是输出序列中设置为0的占位符；r,c为输入序列维度。

33、与现有技术相比，本发明具有以下有益效果：

34、1)应用场景广泛：传统人口移动数据多基于栅格数据，但是实际中的应用场景多是不规则划分的物理区域，如社区、路网、poi划分、用地功能划分等。本发明使用图卷积网络建模地理区域之间的空间特征，这不仅支持对于不规则划分的区域进行建模，同时也可以兼容规则划分的栅格数据，通过结合多时空图的输出结果提升了模型的泛用性，在多种应用场景中的时空相关性建模方面都取得了显著进步。

35、2)预测效率高：针对传统步进式结构解码器使用上一次解码过程输出作为下一预测时间步输入而导致的误差累计问题，本发明对解码器进行改进，通过一个前向过程来预测全部预测时间步的输出序列，可有效防止错误累积，并且减少了时间消耗。

36、3)预测结果真实：本发明对于人口移动性的od矩阵进行预测，在传统的区域人流量预测的基础上细化了具体区域与区域之间的人口移动，能够更真实地反映出人口移动的规律和模式。

37、4)时空间关系提取能力强：使用三维图卷积网络建模人口移动区域之间的地理关系和拓扑关系，三维图卷积计算可以同时聚合空间上相邻的区域以及相邻的时间步的人口移动信息，从而准确地对时空相关性进行建模。

38、5)长序列预测能力强：不同于传统的基于rnn的网络结构以及步进式的预测输出过程，本发明采用transformer网络结构作为主干并采用一次性输出的预测过程，能够从输入的整个序列中获得全面的感受野，并有效防止了误差积累和高时间消耗，从而减小了长时间序列预测中预测长度增加导致的结果偏差，具有更强的长序列预测能力。

39、6)模型并行性高：本技术采用自注意力机制，使得每个时间步都能直接关注输入序列的所有时间信息，无需按照顺序进行计算，从而可以高度并行化，这种并行计算方式提高了处理效率，使得模型训练和推理速度大幅提升。此外，本发明对计算资源的消耗集中于张量计算，因此很好适配了gpu等硬件加速器，这更进一步提高了算法并行度。

技术特征：

1.一种人口移动性od矩阵预测方法，其特征在于，该方法包括：

2.根据权利要求1所述的一种人口移动性od矩阵预测方法，其特征在于，所述时空图包括基于历史od流动的时空图、以及基于区域间地理邻近关系的时空图。

3.根据权利要求2所述的一种人口移动性od矩阵预测方法，其特征在于，所述构建多个具有不同邻接矩阵的时空图之后，还包括：

4.根据权利要求3所述的一种人口移动性od矩阵预测方法，其特征在于，所述对于每个时空图，分别构建三维图卷积网络进行特征提取，具体包括：

5.根据权利要求4所述的一种人口移动性od矩阵预测方法，其特征在于，所述采用基于分层规则的空间域方法对所述时空图进行特征传播，计算表达式为：

6.根据权利要求1所述的一种人口移动性od矩阵预测方法，其特征在于，所述对所述时空间提取结果进行分块嵌入，具体为：

7.根据权利要求1所述的一种人口移动性od矩阵预测方法，其特征在于，所述对分块嵌入处理后的结果进行位置编码与时间编码，融合后得到输入数据，具体为：

8.根据权利要求6所述的一种人口移动性od矩阵预测方法，其特征在于，所述transformer模块包括编码器和解码器，所述编码器包括依次设置一个多头自注意力层以及一个前反馈层，所述解码器包括依次设置的一个掩码多头自注意力层、一个多头交叉注意力层以及一个前反馈层，所述多头交叉注意力层的输入为解码器中多头自注意力层的输出、以及编码器中的前反馈层的输出；所述解码器通过一次前向传播预测输出最终预测结果；

9.根据权利要求8所述的一种人口移动性od矩阵预测方法，其特征在于，前馈层包括两个线性映射层、relu激活函数和一个dropout层。

10.根据权利要求8所述的一种人口移动性od矩阵预测方法，其特征在于，从最接近输出序列的输入序列的最后一部分提取长度为tlabel的片段作为解码器的输入，表示为：

技术总结
本发明涉及一种人口移动性OD矩阵预测方法，该方法包括：根据历史OD流动信息和城市区域信息，构建具有不同邻接矩阵的多个时空图；采用三维图卷积网络对每个时空图进行特征提取，对特征提取结果进行特征融合后得到时空间提取结果；对所述时空间提取结果进行分块嵌入，对分块嵌入处理后的结果进行位置编码与时间编码，融合得到输入数据；采用Transformer模块从输入数据中提取出长期时间特征，由解码器输出最终预测结果。与现有技术相比，本发明具有预测准确性高的优点。

技术研发人员：赵生捷,邓浩,黄弋鸥
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/12/5