基于深度学习的人群活动流量时空预测模型

摘要：

传统的时空预测方法缺乏对复杂时空非线性关系的描述,且难以顾及空间多尺度特征对于预测结果的影响.针对这一问题,本文提出了一种融合空间多尺度特征的时空网络模型(MST-Net),将流量预测的回归问题转换为具有时空特性的判别模型.首先,通过并联卷积提取空间多尺度特征;然后,通过引入注意力机制的门控循环单元提取时间特征;最后,利用全连接层得到预测结果.本文将该模型用于人群活动流量的预测,分别在两组真实的社交媒体签到数据集上进行试验.试验结果表明:本文采用的卷积层连接方式和特征融合方法,相比于单层卷积层提取空间特征、其他连接方式和融合方法以及传统的时空预测模型,在均方根误差(RMSE)和平均绝对百分比误差(MAPE)两个预测结果评价指标上均有不同程度的提高,说明本文方法具有较高的预测精度,能够较好地拟合时空问题的非线性关系,实现人群活动流量的预测.

关键词：空间多尺度、时空网络、时空预测、并联卷积、门控循环单元

所属期刊栏目：50

分类号：P208(一般性问题)

资助基金：国家自然科学基金;河南省自然基金项目

在线出版日期：2021-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：522-531