城市区域人口流量计算及预测研究
发布时间：2020-03-26 09:02
【摘要】：准确地预测城市区域的人口流量,将会为政府和管理部门合理分配城市资源、改善市民出行体验、消除城市安全隐患等提供有效决策支持。城市区域人口流量预测是一个十分具有挑战性的问题。首先,区域人口流量数据属于时空数据,预测模型需要同时在时间和空间维度捕获依赖关系;同时,它还受到诸多外部因素的影响。传统的分析方法以单一区域的人口流动模式作为研究对象,仅仅考虑了区域人口流量变化的局部时空信息,很难对全局状态做出全面准确的估计。因此,本文将充分考虑影响区域人口流量的全局因素,对整个城市区域人口流量进行建模和预测。本文采用网格化方法对城市区域进行划分,对任一时间区间和任一城市区域,利用用户轨迹数据对其人口流量进行表示和计算,从而在时间流上得到整个城市区域人口流量的张量表示。针对网格化城市区域间的人口流量预测研究,本文提出了一种基于深度学习的区域人口流量预测模型—时空循环卷积神经网络(STRCNs),更加合理全面地对影响区域人口流量的各种相关因素进行统一建模,从而更准确地预测一个城市全部区域在多个时间区间的人口流入和流出流量。针对城市区域人口流量预测中的时空依赖问题,STRCNs用Closeness、Daily infuence以及Weekly influence三个模块分别对区域人口流量中的即时、日常和周期性时间依赖关系进行描述,每个模块均由结合CNN和LSTM的网络结构组成,其中用CNN描述空间依赖关系、LSTM刻画时间依赖关系。针对城市区域人口流量预测中的外部因素刻画问题,STRCNs用External infuence模块对外部因素进行特征提取学习,此模块是一个两层的全连接网络。对于STRCNs四个模块的输出,STRCNs自动地学习其权重参数并进行加权融合。最后,本文分别在北京市信令数据集(MobileBJ)和北京市出租车轨迹数据集(TaxiBJ)上对STRCNs模型进行了实验验证分析。实验结果表明,STRCNs的性能要优于传统的时间序列预测方法以及其他同类基于深度学习的预测方法。
【图文】：
维的全连接层最终输出到１０维的分类结果中，完成识别任务，最终用ＢＰ算法学逡逑习训练得到最终的模型参数，完成学习过程。逡逑在这里，我们简单的介绍卷积的过程，如图２－４是一个ｍ邋－邋１层到ｍ层的卷积逡逑过程，ｍ邋－邋１层是包含４个特征映射的卷积，ｍ层是包含２个特征映射的卷积层，逡逑ｍ层中每个特征映射中每个神经元是ｍ－１层的特征映射按照２ｘ２平面区域的特逡逑征提取结果（ｍ层中每个神经元是对ｍ邋－邋１层中４个特征映射的特征提取结果）。逡逑许多基于卷积神经网络的网络结构被发明［５７＿５９］。如ＮｅｔｗｏｒｋＩｎＮｅｔｗｏｒｋ（ＮＩＮ）逡逑［５７］。一般情况下，整流线性单元（Ｒｅｌｕ）或其简单的变形作为隐藏单元的激活函数逡逑是极好的选择，基于此，整流线性单元的扩展ｍａｘｏｕｔ单元用于学习激活函数本身，逡逑降低了过拟合风险［５８］。残差网络（Ｄｅｅｐ邋Ｒｅｓｉｄｕａｌ邋Ｌｅａｒｎｉｎｇ）的设计使yL经网络的深逡逑度理论上能够无限扩展（１０００＋层）［５９］。逡逑Ｃ３邋ｆ．邋ｍａｐｓ邋１６＠１０ｘ１０逡逑ＩＮＰＵＴ逦６＾２Ｓｍｅ邋ｍａＰＳ逦、－逦Ｓ４．ｆ．邋ｍａｐｓ１６＠５ｘ５逡逑Ｉ逦｜邋Ｆｕｌｌ邋ｃｏｎｒｔｅｃｔｉｏｎ邋｜邋Ｇａｕｓｓｉａｎ邋ｃｏｎｎｅｃｔｉｏｎｓ逡逑Ｃｏｎｖｏｌｕｔｉｏｎｓ逦Ｓｕｂｓａｍｐｌｉｎｇ邋Ｃｏｎｖｏｌｕｔｉｏｎｓ邋Ｓｕｂｓａｍｐｌｉｎｇ逦Ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ逡逑图２、３卷积神经网络用于手写体识别（ＬｅＣｕｎ
维的全连接层最终输出到１０维的分类结果中，完成识别任务，最终用ＢＰ算法学逡逑习训练得到最终的模型参数，完成学习过程。逡逑在这里，我们简单的介绍卷积的过程，如图２－４是一个ｍ邋－邋１层到ｍ层的卷积逡逑过程，ｍ邋－邋１层是包含４个特征映射的卷积，ｍ层是包含２个特征映射的卷积层，逡逑ｍ层中每个特征映射中每个神经元是ｍ－１层的特征映射按照２ｘ２平面区域的特逡逑征提取结果（ｍ层中每个神经元是对ｍ邋－邋１层中４个特征映射的特征提取结果）。逡逑许多基于卷积神经网络的网络结构被发明［５７＿５９］。如ＮｅｔｗｏｒｋＩｎＮｅｔｗｏｒｋ（ＮＩＮ）逡逑［５７］。一般情况下，整流线性单元（Ｒｅｌｕ）或其简单的变形作为隐藏单元的激活函数逡逑是极好的选择，基于此，，整流线性单元的扩展ｍａｘｏｕｔ单元用于学习激活函数本身，逡逑降低了过拟合风险［５８］。残差网络（Ｄｅｅｐ邋Ｒｅｓｉｄｕａｌ邋Ｌｅａｒｎｉｎｇ）的设计使yL经网络的深逡逑度理论上能够无限扩展（１０００＋层）［５９］。逡逑Ｃ３邋ｆ．邋ｍａｐｓ邋１６＠１０ｘ１０逡逑ＩＮＰＵＴ逦６＾２Ｓｍｅ邋ｍａＰＳ逦、－逦Ｓ４．ｆ．邋ｍａｐｓ１６＠５ｘ５逡逑Ｉ逦｜邋Ｆｕｌｌ邋ｃｏｎｒｔｅｃｔｉｏｎ邋｜邋Ｇａｕｓｓｉａｎ邋ｃｏｎｎｅｃｔｉｏｎｓ逡逑Ｃｏｎｖｏｌｕｔｉｏｎｓ逦Ｓｕｂｓａｍｐｌｉｎｇ邋Ｃｏｎｖｏｌｕｔｉｏｎｓ邋Ｓｕｂｓａｍｐｌｉｎｇ逦Ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ逡逑图２、３卷积神经网络用于手写体识别（ＬｅＣｕｎ
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：C924.2
本文编号：2601235
【图文】：
维的全连接层最终输出到１０维的分类结果中，完成识别任务，最终用ＢＰ算法学逡逑习训练得到最终的模型参数，完成学习过程。逡逑在这里，我们简单的介绍卷积的过程，如图２－４是一个ｍ邋－邋１层到ｍ层的卷积逡逑过程，ｍ邋－邋１层是包含４个特征映射的卷积，ｍ层是包含２个特征映射的卷积层，逡逑ｍ层中每个特征映射中每个神经元是ｍ－１层的特征映射按照２ｘ２平面区域的特逡逑征提取结果（ｍ层中每个神经元是对ｍ邋－邋１层中４个特征映射的特征提取结果）。逡逑许多基于卷积神经网络的网络结构被发明［５７＿５９］。如ＮｅｔｗｏｒｋＩｎＮｅｔｗｏｒｋ（ＮＩＮ）逡逑［５７］。一般情况下，整流线性单元（Ｒｅｌｕ）或其简单的变形作为隐藏单元的激活函数逡逑是极好的选择，基于此，整流线性单元的扩展ｍａｘｏｕｔ单元用于学习激活函数本身，逡逑降低了过拟合风险［５８］。残差网络（Ｄｅｅｐ邋Ｒｅｓｉｄｕａｌ邋Ｌｅａｒｎｉｎｇ）的设计使yL经网络的深逡逑度理论上能够无限扩展（１０００＋层）［５９］。逡逑Ｃ３邋ｆ．邋ｍａｐｓ邋１６＠１０ｘ１０逡逑ＩＮＰＵＴ逦６＾２Ｓｍｅ邋ｍａＰＳ逦、－逦Ｓ４．ｆ．邋ｍａｐｓ１６＠５ｘ５逡逑Ｉ逦｜邋Ｆｕｌｌ邋ｃｏｎｒｔｅｃｔｉｏｎ邋｜邋Ｇａｕｓｓｉａｎ邋ｃｏｎｎｅｃｔｉｏｎｓ逡逑Ｃｏｎｖｏｌｕｔｉｏｎｓ逦Ｓｕｂｓａｍｐｌｉｎｇ邋Ｃｏｎｖｏｌｕｔｉｏｎｓ邋Ｓｕｂｓａｍｐｌｉｎｇ逦Ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ逡逑图２、３卷积神经网络用于手写体识别（ＬｅＣｕｎ
维的全连接层最终输出到１０维的分类结果中，完成识别任务，最终用ＢＰ算法学逡逑习训练得到最终的模型参数，完成学习过程。逡逑在这里，我们简单的介绍卷积的过程，如图２－４是一个ｍ邋－邋１层到ｍ层的卷积逡逑过程，ｍ邋－邋１层是包含４个特征映射的卷积，ｍ层是包含２个特征映射的卷积层，逡逑ｍ层中每个特征映射中每个神经元是ｍ－１层的特征映射按照２ｘ２平面区域的特逡逑征提取结果（ｍ层中每个神经元是对ｍ邋－邋１层中４个特征映射的特征提取结果）。逡逑许多基于卷积神经网络的网络结构被发明［５７＿５９］。如ＮｅｔｗｏｒｋＩｎＮｅｔｗｏｒｋ（ＮＩＮ）逡逑［５７］。一般情况下，整流线性单元（Ｒｅｌｕ）或其简单的变形作为隐藏单元的激活函数逡逑是极好的选择，基于此，，整流线性单元的扩展ｍａｘｏｕｔ单元用于学习激活函数本身，逡逑降低了过拟合风险［５８］。残差网络（Ｄｅｅｐ邋Ｒｅｓｉｄｕａｌ邋Ｌｅａｒｎｉｎｇ）的设计使yL经网络的深逡逑度理论上能够无限扩展（１０００＋层）［５９］。逡逑Ｃ３邋ｆ．邋ｍａｐｓ邋１６＠１０ｘ１０逡逑ＩＮＰＵＴ逦６＾２Ｓｍｅ邋ｍａＰＳ逦、－逦Ｓ４．ｆ．邋ｍａｐｓ１６＠５ｘ５逡逑Ｉ逦｜邋Ｆｕｌｌ邋ｃｏｎｒｔｅｃｔｉｏｎ邋｜邋Ｇａｕｓｓｉａｎ邋ｃｏｎｎｅｃｔｉｏｎｓ逡逑Ｃｏｎｖｏｌｕｔｉｏｎｓ逦Ｓｕｂｓａｍｐｌｉｎｇ邋Ｃｏｎｖｏｌｕｔｉｏｎｓ邋Ｓｕｂｓａｍｐｌｉｎｇ逦Ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ逡逑图２、３卷积神经网络用于手写体识别（ＬｅＣｕｎ
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：C924.2
【参考文献】
相关硕士学位论文 前1条
1 卢理;时间序列加法模型的分解预测研究[D];西南交通大学;2007年
本文编号：2601235
本文链接：https://www.wllwen.com/shekelunwen/renkou/2601235.html
