[发明专利]一种基于区域功能增强特征的城市人群流量预测方法及系统

说明书

一种基于区域功能增强特征的城市人群流量预测方法及系统，涉及城市智能计算技术领域，用以解决现有技术对于城市人群流量预测准确性不高的问题。本发明的技术要点包括：根据人群移动轨迹数据和城市兴趣点位置数据提取时空轨迹特征集和区域功能增强特征集，并将时空轨迹特征集和区域功能增强特征集结合输入预训练的机器学习预测模型中预测人群流量，其中，区域功能增强特征集包括基于兴趣点的区域功能增强特征集和基于轨迹的区域功能增强特征集。本发明中模型输入特征不仅考虑了轨迹特征，还考虑了兴趣点特征，即包含了基于城市各个区域功能影响的特征提取，可以有效地提高城市动态时空轨迹的流量预测结果的准确性。

技术领域

本发明涉及城市智能计算技术领域，具体涉及一种基于区域功能增强特征的城市人群流量预测方法及系统。

背景技术

对城市区域内人群流量进行预测，可以为智慧城市的基础设施建设、突发情况和应急时间的管理，道路交通系统的规划等很多方面提供有力支撑。在城市的公共设施建设中，根据城市和各个区域的流量预测及分析，可以为城市规划者提供更加优化的设施分配和建设选址；在智能交通系统的服务管理中，预测公共交通站点的出入口流量，可以解决早高峰流量的分流问题，还可以改善城市的交通服务质量，提高对城市人群流量预测的准确性，提出相应措施，对城市出行的运营调度决策做出精准调整和限流，对城市的区域进行精准定位管控等。

已有研究已经在区域人群流量预测领域取得了很多有效成果，例如：2020年Yongshun Gong等人^[1]考虑了各种趋势模式和气候影响，以及不同站点之间的固有相似性，提出了三种时空模型，能够精确地解决基于在线潜在空间策略的全网流量分布预测问题；2020年 JunboZhang等人^[2]将不规则区域中的人群流量预测建模为时空图预测问题，通过扩展图卷积来处理空间信息，使用空间图卷积来构建用于人群流量预测模型；2017年Runxing Zhong等人^[3]基于全市客流多种类型的异构数据提取不同类型的特征，提出了一种基于时空多任务学习的回归预测方法。

但是，以上研究由于多种潜在影响因素和现实世界的不确定性等，对城市人群流量的建模和预测仍存在一些关键的限制：首先，研究中主要根据移动轨迹的自身移动特性，进行轨迹特征的提取，却忽略了在动态世界中的周围环境因素的的影响；其次，在对整个城市的人群流量进行建模预测时，会因为各个区域不同功能分布的影响，导致不同区域的人群流量的存在不同的规律性变化；第三，在细粒度城市数据中观察到的区域间动态流量转移使预测变得更加复杂，需要在全局范围内捕获不同区域之间的空间依赖性和功能关联性对与人群流量的影响。

发明内容

鉴于以上问题，本发明提出一种基于区域功能增强特征的城市人群流量预测方法及系统，用以解决现有技术对于城市人群流量预测准确性不高的问题。

根据本发明的一方面，提供一种基于区域功能增强特征的城市人群流量预测方法，该方法包括以下步骤：

步骤一、根据人群移动轨迹数据和城市兴趣点位置数据获取时空轨迹特征集和区域功能增强特征集；所述区域功能增强特征集包括基于兴趣点的区域功能增强特征集和基于轨迹的区域功能增强特征集；

步骤二、将时空轨迹特征集和区域功能增强特征集结合输入预训练的基于机器学习的预测模型中预测人群流量，获得预测结果。

进一步地，步骤一中所述基于兴趣点的区域功能增强特征集的获取过程包括：

步骤一一、根据城市地图数据获取城市兴趣点位置数据；

步骤一二、爬取城市道路交通网数据和城市地图数据，根据城市道路分布将城市地图上的城市划分为细粒度分布区域，并与兴趣点位置数据关联映射；

步骤一三、统计城市各个细粒度分布区域内部的不同功能类别的兴趣点的数量与分布情况，获取基于兴趣点的区域功能增强特征集，其中，兴趣点的功能类别有12个；具体获取过程包括：