一种基于深度瓶颈残差网络的城市范围的人流量预测方法与流程
本发明涉及城市人流量预测技术领域，具体是一种基于深度瓶颈残差网络的城市范围的人流量预测方法。
背景技术：
近年来，随着人口的快速增长和社会经济的发展，人口密度一直在增加，交通流量也在迅速增加。由于拥挤引起的人群踩踏事件和一系列安全事故经常发生。因此，提前预知因各类公共事件和突发事件引起的人流快速聚集对城市规划管理和城市公共安全具有重要的作用。随着城市数据的不断丰富，深度学习已经成为一种有效的人流量预测方法。与传统的基于机器学习的预测方法相比，深度学习方法可以从交通流数据中挖掘非线性特征，提高预测精度。目前，一些研究工作利用深度学习技术和交通流数据对人流量进行预测。然而，人群的流动不仅受到时间和空间因素的影响，也受到很多外部因素的影响，如天气、节假日、活动等。因此，基于多源数据(如交通数据、天气数据、假日数据)的预测方法更具竞争力。除此之外，一个城市的交通流数据通常都是高维度的，这使得训练网络模型花费更多的计算资源和时间，而且伴随着大量高维度的输入数据网络模型很难得到最优解。
技术实现要素：
本发明的目的在于克服现有技术的不足，而提供一种基于深度瓶颈残差网络的城市范围的人流量预测方法。
实现本发明目的的技术方案是：
一种基于深度瓶颈残差网络的城市范围的人流量预测方法，包括如下步骤：
1)获取原始的交通流数据；
2)构建brbm数据重构机制，将步骤1)获取的原始交通流数据输入brbm数据重构机制中，对进行降维和数据重构，获得brbm重构后的交通流数据；
3)构建协同预测机制，将步骤2)获得brbm重构后的交通流数据作为协同预测机制的输入数据，经过协同预测机制后，获得预测结果xr；
4)构建辅助预测机制，采用辅助预测机制对影响人流量的外部因素进行处理，获得预测结果xe；
5)将步骤3)获得的预测结果xr与步骤4)获得的xe进行融合，得到最终的人流量预测结果。
步骤1)中，所述的原始的交通流数据，是利用城市出租车gps数据、气象数据和自行车轨迹数据。
步骤2)中，所述的brbm数据重构机制，包括brbm网络可视层和隐藏层；隐藏层的节点作为非线性特征检测器，用于降维和重构输入数据，从原始的交通流数据提取高层次的特征信息，数据重构过程包括如下步骤：
2-1)采用数据归一化方法对输入的原始交通流数据进行归一化处理，将城市每个区域的交通流数据值都映射在[0，1]之间，得到城市区域流入和流出流量数据；
2-2)分别把归一化后的城市区域流入和流出流量数据输入到brbm网络中进行降维和重构；
2-2-1)brbm网络是一种基于能量的概率分布模型，对于给定的状态向量h和v，brbm网络当前的能量函数表示为：
wi,j表示可见层第i个神经元与隐层第j个神经元之间的权值，ai表示可见层中第i个神经元的偏置值，bj表示隐含层中第j个神经元的偏置值；
2-2-2)基于步骤2-2-1)中得到的能量函数，则定义brbm网络的状态为给定的v，h的联合概率分布为：
其中z为归一化因子，表达式为：
2-2-3)根据步骤2-2-2)中的联合概率分布公式，得到可见层的人流量数据的边缘概率分布为：
2-2-4)训练brbm网络的过程就是求解一组参数θ＝{w，a，b}，使得可视层最终的输出与输入的交通流数据有近似的概率分布，为了达到这个目标，基于步骤2-2-3)中的人流量数据的边缘概率分布公式，定义如下损失函数：
通过最小化损失函数，求得一组最优解θ，vi为一个城市第i个区域的人流量数据，s为一个城市被划分的区域个数；
2-2-5)将步骤2-2-4)的损失函数进行最小化，输入的交通流数据在brbm网络中的可视层和隐藏层的条件概率分布分别为：
wi,j表示可见层第i个神经元与隐层第j个神经元之间的权值，ai表示可见层中第i个神经元的偏置值，bj表示隐含层中第j个神经元的偏置值，sigmoid为激活函数，激活函数的表达式如下：
2-2-6)重复步骤2-2-5)k次，表示第k次采样的结果，从而得到与输入数据近似的概率分布
2-2-7)经过训练的brbm网络从输入的交通流数据中提取重要的特征信息，即得到brbm重构后的交通流数据；
步骤3)中，所述的协同预测机制，由面向时空数据的预测组成，协同预测机制的预测方法包括如下步骤：
3-1)根据经度和纬度把一个城市的面积划分为多个p×q网格地图，每个网格代表一个区域，设ri,j是p×q网格中的一个，对于一个网格(p1,q1)∈(p,q)，它表示该网格位于第p1行和第q1列，且
3-2)将3-1)中转换得到的两维的人流矩阵根据人流量数据的时间属性，选择不同的时间戳的数据连接在一起，分别建模三个时间维度：一小时、一日、一周，然后将对应的时间戳数据输入到面向时空数据的预测的三个分离的时间维度中。面向时空数据的预测由一小时、一日、一周三个时间维度组成，这三个时间维度的网络结构都由深度瓶颈残差网络构成，基于被brbm重构后的交通流数据，每个时间维度对应的两维的人流量矩阵被输入到这三个分离的时间维度中来建模人流量数据的三个时间属性，通过深度瓶颈残差网络结构来处理人流量数据之间的空间依赖关系和时间依赖关系；三个时间维度：一小时、一日、一周的输出结果分别被定义为
3-3)采用基于参数矩阵的融合方法，融合三个时间维度网络的输出结果，融合后的结果被定义为xr，具体是采用hadamard乘积来计算三个时间维度的融合结果xr，xr的计算公式如下：
公式中采用可训练参数wc、wd、ww表示不同时间段不同区域人群流动受影响的程度，通过对wc、wd、ww值的调整，得到不同区域受一小时、一日、一周等三个时间维度影响的程度，l表示采用了l个瓶颈残差单元，“o”表示hadamard乘积。
步骤4)中，所述的辅助预测机制是深度瓶颈残差网络人流量预测方法的一个组成部分，其预测方法包括如下步骤：
4-1)手工从外部因素数据(如气象数据、假期、活动事件)中提取数据特征，将提取的外部因素的数据特征转换为二进制的向量，并进行标准化处理，将这些数据映射到[0，1]之间；
4-2)将提取的外部因素数据特征输入至两层的全连接网络中进行训练，第一层全连接网络看作是每个子因素的嵌入层，将嵌入层的输出结果输入到激活函数中做非线性变换，第二层全连接网络用于将第一层的输出结果从低维度映射为与xt相同的高维度；
4-3)经过两层全连接网络的处理，得出辅助预测机制的输出结果xe，xe与xt具有相同的数据维度。
步骤5)中，将基于深度瓶颈残差网络的人流量预测模型的两个组成部分的预测结果融合，即时空预测结果xr与辅助预测结果xe融合，融合方法包括如下步骤：
5-1)将由深度瓶颈残差网络构成的三个时间维度的总的输出xr和辅助预测的输出xe直接合并为xfusion，xfusion的表达式如下：
xfusion＝xr+xe
5-2)通过tanh激活函数将最终的融合结果xfusion映射在[-1，1]，第t个时间间隔的人流量预测值表示为
本发明提供的一种基于深度瓶颈残差网络的城市范围的人流量预测方法，该方构建了一个基于伯努利受限玻尔兹曼机(brbm)的数据重构机制，以对样本数据进行降维和重构。采用基于瓶颈残差网络的时空数据预测和基于全连接网络的辅助预测来协同预测人流量。与现有的其他方法相比，本发明提出的方法不仅大大降低了人流量预测模型的计算复杂性和减少了模型训练的时间，而且也提高了人流量的预测精度。
附图说明
图1为深度时空瓶颈残差网络人流量预测方法架构图；
图2为brbm网络结构示意图；
图3为数据重构过程的流程图；
图4为brbm的数据重构训练算法的流程图；
图5为瓶颈残差块结构图；
图6为一个城市人群的流入/流出元模型示意图；
图7为深度瓶颈残差网络预测方法的训练算法流程图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
实施例：
如图1所示，一种基于深度瓶颈残差网络的城市范围的人流量预测方法，包括如下步骤：
1)获取原始的交通流数据；
2)构建brbm数据重构机制，将步骤1)获取的原始交通流数据输入brbm数据重构机制中，对进行降维和数据重构，获得brbm重构后的交通流数据；
3)构建协同预测机制，将步骤2)获得brbm重构后的交通流数据作为协同预测机制的输入数据，经过协同预测机制后，获得预测结果xr；
4)构建辅助预测机制，采用辅助预测机制对影响人流量的外部因素进行处理，获得预测结果xe；
5)将步骤3)获得的预测结果xr与步骤4)获得的xe进行融合，得到最终的人流量预测结果。
步骤1)中，所述的原始的交通流数据，是利用城市出租车gps数据、气象数据和自行车轨迹数据。
步骤2)中，所述的brbm数据重构机制，包括brbm网络可视层和隐藏层，如图2所示；隐藏层的节点作为非线性特征检测器，用于降维和重构输入数据，从原始的交通流数据提取高层次的特征信息，数据重构过程包括如下步骤，如图3所示：
2-1)采用数据归一化方法对输入的原始交通流数据进行归一化处理，将城市每个区域的交通流数据值都映射在[0，1]之间，得到城市区域流入和流出流量数据；
2-2)分别把归一化后的城市区域流入和流出流量数据输入到brbm网络中进行降维和重构；
2-2-1)brbm网络是一种基于能量的概率分布模型，对于给定的状态向量h和v，brbm网络当前的能量函数表示为：
wi,j表示可见层第i个神经元与隐层第j个神经元之间的权值，ai表示可见层中第i个神经元的偏置值，bj表示隐含层中第j个神经元的偏置值；
2-2-2)基于步骤2-2-1)中得到的能量函数，则定义brbm网络的状态为给定的v，h的联合概率分布为：
其中z为归一化因子，表达式为：
2-2-3)根据步骤2-2-2)中的联合概率分布公式，得到可见层的人流量数据的边缘概率分布为：
2-2-4)训练brbm网络的过程就是求解一组参数θ＝{w，a，b}，使得可视层最终的输出与输入的交通流数据有近似的概率分布，为了达到这个目标，基于步骤2-2-3)中的人流量数据的边缘概率分布公式，定义如下损失函数：
通过最小化损失函数，求得一组最优解θ，vi为一个城市第i个区域的人流量数据，s为一个城市被划分的区域个数；
2-2-5)将步骤2-2-4)的损失函数进行最小化，输入的交通流数据在brbm网络中的可视层和隐藏层的条件概率分布分别为：
wi,j表示可见层第i个神经元与隐层第j个神经元之间的权值，ai表示可见层中第i个神经元的偏置值，bj表示隐含层中第j个神经元的偏置值，sigmoid为激活函数，激活函数的表达式如下：
2-2-6)重复步骤2-2-5)k次，表示第k次采样的结果，从而得到与输入数据近似的概率分布
2-2-7)经过训练的brbm网络从输入的交通流数据中提取重要的特征信息，即得到brbm重构后的交通流数据；
brbm网络的数据重构训练算法的流程图如图4所示，
算法1brbm网络的数据重构训练算法伪代码如下：
步骤3)中，所述的协同预测机制，由面向时空数据的预测组成，协同预测机制的预测方法包括如下步骤：
3-1)根据经度和纬度把一个城市的面积划分为多个p×q网格地图，每个网格代表一个区域，如图6所示，ri,j是p×q网格中的一个，对于一个网格(p1,q1)∈(p,q)，它表示该网格位于第p1行和第q1列，且
3-2)将3-1)中转换得到的两维的人流矩阵根据人流量数据的时间属性，选择不同的时间戳的数据连接在一起，分别建模三个时间维度：一小时、一日、一周，然后将对应的时间戳数据输入到面向时空数据的预测的三个分离的时间维度中。面向时空数据的预测由一小时、一日、一周三个时间维度组成，这三个时间维度的网络结构都由深度瓶颈残差网络构成，基于被brbm重构后的交通流数据，每个时间维度对应的两维的人流量矩阵被输入到这三个分离的时间维度中来建模人流量数据的三个时间属性，通过深度瓶颈残差网络结构来处理人流量数据之间的空间依赖关系和时间依赖关系，瓶颈残差块结构如图5所示；三个时间维度：一小时、一日、一周的输出结果分别被定义为
3-3)采用基于参数矩阵的融合方法，融合三个时间维度网络的输出结果，融合后的结果被定义为xr，具体是采用hadamard乘积来计算三个时间维度的融合结果xr，xr的计算公式如下：
公式中采用可训练参数wc、wd、ww表示不同时间段不同区域人群流动受影响的程度，通过对wc、wd、ww值的调整，得到不同区域受一小时、一日、一周等三个时间维度影响的程度，l表示采用了l个瓶颈残差单元，“o”表示hadamard乘积。
步骤4)中，所述的辅助预测机制是深度瓶颈残差网络人流量预测方法的一个组成部分，其预测方法包括如下步骤：
4-1)手工从外部因素数据(如气象数据、假期、活动事件)中提取数据特征，将提取的外部因素的数据特征转换为二进制的向量，并进行标准化处理，将这些数据映射到[0，1]之间；
4-2)将提取的外部因素数据特征输入至两层的全连接网络中进行训练，第一层全连接网络看作是每个子因素的嵌入层，将嵌入层的输出结果输入到激活函数中做非线性变换，第二层全连接网络用于将第一层的输出结果从低维度映射为与xt相同的高维度；
4-3)经过两层全连接网络的处理，得出辅助预测机制的输出结果xe，xe与xt具有相同的数据维度。
步骤5)中，将基于深度瓶颈残差网络的人流量预测模型的两个组成部分的预测结果融合，即时空预测结果xr与辅助预测结果xe融合，融合方法包括如下步骤：
5-1)将由深度瓶颈残差网络构成的三个时间维度的总的输出xr和辅助预测的输出xe直接合并为xfusion，xfusion的表达式如下：
xfusion＝xr+xe
5-2)通过tanh激活函数将最终的融合结果xfusion映射在[-1，1]，第t个时间间隔的人流量预测值表示为
根据上述步骤(3)至步骤(5)给出的基于深度瓶颈残差网络的人流量预测方法的处理流程如图7所示。
算法2深度时空瓶颈残差网络预测方法的训练算法如下：
- 还没有人留言评论。精彩留言会获得点赞！