【技术实现步骤摘要】
本专利技术属于人群密度预测领域，具体涉及一种基于大数据的重点区域人群密度预测方法。
技术介绍
1、随着信息技术的快速发展，大数据技术已经成为从大规模数据中提取洞察力的重要工具，同时随着移动设备的普及和定位系统的愈加准确，人们的位置数据更加容易获取，因此如何处理海量的人群移动数据，从而确定人群密度的变化和趋势愈发重要。
2、精准的人群密度预测可帮助优化多个方面问题，提高人们的生活质量，例如，在城市规划方面有助于规划城市基础设施、住房布局和公共服务设施的位置，在安全监控方面有助于更好布置监控摄像头，及时发现并应对安全隐患，在交通管理方面有助于更好规划道路交通提高城市交通运输效率，在商业决策方面帮助商家选择更优的店铺位置，提高销售额和客户满意度等。现有的人群密度预测存在数据来源单一、数据维度低等缺陷，而如何利用海量复杂多维的人群移动数据，结合先进的机器学习和深度学习技术，建立准确预测人群密度的模型，从而准确预测人群密度，成为了当下一个重点问题。
技术实现思路
1、针对现有技术存在的不足，本专利技术提出了一种基于大数据的重点区域人群密度预测方法，该方法包括：采集人群行为数据并将其输入到训练好的人群密度预测模型中进行处理，得到人群密度预测结果；
2、人群密度预测模型的训练过程包括：
3、s1：获取训练人群行为数据，采用自适应图注意力网络对人群行为数据进行对齐与融合，得到融合人群行为特征；
4、s2：对融合人群行为特征进行数据增强，得到增强数据；
5、s3：对增强数据进行多尺度卷积、融合和映射处理，得到多尺度特征表示；
6、s4：采用异构图卷积神经网络对多尺度特征表示进行特征表示学习，得到多维度特征表示；
7、s5：将多维度特征表示输入到密度预测模块中进行处理，得到人群密度预测结果；
8、s6：计算模型总损失并根据模型总损失调整模型参数，得到训练好的人群密度预测模型。
9、优选的，步骤s1中，对人群行为数据进行对齐与融合的过程包括：
10、s11：将人群行为数据表示为动态图，获取动态图的节点特征和邻接矩阵；
11、s12：根据节点特征对邻接矩阵进行迭代规范化；
12、s13：采用自适应特征学习网络从邻接矩阵中提取行为特征；将行为特征映射为高维特征向量；
13、s14：使用非线性变换函数和映射矩阵对高维特征向量进行语义空间映射，得到初始语义特征；
14、s15：采用多层感知机对初始语义特征进行转换操作，得到扩展语义特征；
15、s16：计算不同扩展语义特征间的相似度分数，将相似度分数大于阈值的特征划分为同类特征，并将同类特征整合生成特征矩阵y；
16、s17：计算特征矩阵y的注意力权重序列，根据注意力权重序列对特征矩阵y进行融合处理，得到融合特征向量；
17、s18：根据当前融合特征向量计算门控机制向量，使用门控机制向量对当前融合特征向量进行递归融合，得到融合人群行为特征。
18、进一步的，计算相似度分数的公式为：
19、
20、其中，match表示相似度分数，l表示注意力矩阵层数，wl是第l层学习权重矩阵，bl是第l层偏置向量，表示异构模式相似计算，sim(·)是相似度函数，σ(·)是激活函数；分别表示第i个扩展语义特征和第j个扩展语义特征。
21、优选的，步骤s2中，对融合人群行为特征进行数据增强的过程包括：采用交替对抗训练的生成器和判别器对融合人群行为特征进行处理，得到增强数据。
22、优选的，步骤s3中，得到多尺度特征表示的过程包括：
23、s31：将增强数据与不同尺度的卷积核进行卷积操作，得到多尺度的特征图；
24、s32：对多尺度的特征图进行平均池化操作，得到池化后的特征图；
25、s33：使用多个通道将池化后的特征图进行处理，得到多张特征张量；
26、s34：使用线性映射将多张特征张量映射到新空间，根据映射后多张特征张量计算注意力权重；
27、s35：根据注意力权重对多尺度的特征图进行融合，得到多尺度特征表示。
28、优选的，步骤s4中，得到多维度特征表示的过程包括：
29、s41：将多尺度特征表示表示为异构图；
30、s42：对异构图中的节点进行信息聚合，得到各节点的第一聚合特征；对节点的邻居节点的第一聚合特征进行加权和卷积操作，得到节点的第二聚合特征；
31、s43：采用特征提取器对第二聚合特征进行处理，得到节点的提取特征；
32、s44：采用自适应注意力机制对节点的提取特征进行处理，得到多维特征表示。
33、优选的，步骤s5中，得到人群密度预测结果的过程包括：
34、s51：对多维特征表示进行卷积操作，得到多维特征图；
35、s52：对多维特征图进行最大池化操作，得到池化后的多维特征图；
36、s53：将池化后的多维特征图输入到全连接层进行处理，得到人群密度预测结果。
37、优选的，计算模型总损失的公式为：
38、
39、其中，l表示模型总损失，n表示样本总数，yi表示第i个真实结果，θt表示预测参数，ign(·)表示符号函数，表示第i个预测结果，∈表示一个较小常数，β表示调节参数，lalign表示异构图卷积损失，myloss表示数据增强损失。
40、本专利技术的有益效果为：
41、1.本专利技术对部分数据量较小的数据采用了生成器和判别器双器网络进行交替对抗训练以增加数据量，使得预测效果更好；
42、2.本专利技术采用自适应图注意力网络和异构图卷积神经网络等一系列模型，可以更好的实现异构数据的对齐和融合；
43、3.本专利技术将多维特征表示作为预测模型的输入可以为预测提供更加丰富的特征，更好地捕捉数据之间的复杂关系和模式，从而降低单一数据特征带来的误差，增强模型的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于大数据的重点区域人群密度预测方法，其特征在于，包括：采集人群行为数据并将其输入到训练好的人群密度预测模型中进行处理，得到人群密度预测结果；
2.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，所述步骤S1中，对人群行为数据进行对齐与融合的过程包括：
3.根据权利要求2所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，计算相似度分数的公式为：
4.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，所述步骤S2中，对融合人群行为特征进行数据增强的过程包括：采用交替对抗训练的生成器和判别器对融合人群行为特征进行处理，得到增强数据。
5.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，所述步骤S3中，得到多尺度特征表示的过程包括：
6.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，所述步骤S4中，得到多维度特征表示的过程包括：
7.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，
8.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，计算模型总损失的公式为：
...【技术特征摘要】
1.一种基于大数据的重点区域人群密度预测方法，其特征在于，包括：采集人群行为数据并将其输入到训练好的人群密度预测模型中进行处理，得到人群密度预测结果；
2.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，所述步骤s1中，对人群行为数据进行对齐与融合的过程包括：
3.根据权利要求2所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，计算相似度分数的公式为：
4.根据权利要求1所述的一种基于大数据的重点区域人群密度预测方法，其特征在于，所述步骤s2中，对融合人群行为特征进行数据增强的过程包括：采用交替对抗训练的生成...
【专利技术属性】
技术研发人员：魏子翔，陈青青，王利蕾，王进，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。