【摘要】：準(zhǔn)確地預(yù)測(cè)城市區(qū)域的人口流量,將會(huì)為政府和管理部門合理分配城市資源、改善市民出行體驗(yàn)、消除城市安全隱患等提供有效決策支持。城市區(qū)域人口流量預(yù)測(cè)是一個(gè)十分具有挑戰(zhàn)性的問題。首先,區(qū)域人口流量數(shù)據(jù)屬于時(shí)空數(shù)據(jù),預(yù)測(cè)模型需要同時(shí)在時(shí)間和空間維度捕獲依賴關(guān)系;同時(shí),它還受到諸多外部因素的影響。傳統(tǒng)的分析方法以單一區(qū)域的人口流動(dòng)模式作為研究對(duì)象,僅僅考慮了區(qū)域人口流量變化的局部時(shí)空信息,很難對(duì)全局狀態(tài)做出全面準(zhǔn)確的估計(jì)。因此,本文將充分考慮影響區(qū)域人口流量的全局因素,對(duì)整個(gè)城市區(qū)域人口流量進(jìn)行建模和預(yù)測(cè)。本文采用網(wǎng)格化方法對(duì)城市區(qū)域進(jìn)行劃分,對(duì)任一時(shí)間區(qū)間和任一城市區(qū)域,利用用戶軌跡數(shù)據(jù)對(duì)其人口流量進(jìn)行表示和計(jì)算,從而在時(shí)間流上得到整個(gè)城市區(qū)域人口流量的張量表示。針對(duì)網(wǎng)格化城市區(qū)域間的人口流量預(yù)測(cè)研究,本文提出了一種基于深度學(xué)習(xí)的區(qū)域人口流量預(yù)測(cè)模型—時(shí)空循環(huán)卷積神經(jīng)網(wǎng)絡(luò)(STRCNs),更加合理全面地對(duì)影響區(qū)域人口流量的各種相關(guān)因素進(jìn)行統(tǒng)一建模,從而更準(zhǔn)確地預(yù)測(cè)一個(gè)城市全部區(qū)域在多個(gè)時(shí)間區(qū)間的人口流入和流出流量。針對(duì)城市區(qū)域人口流量預(yù)測(cè)中的時(shí)空依賴問題,STRCNs用Closeness、Daily infuence以及Weekly influence三個(gè)模塊分別對(duì)區(qū)域人口流量中的即時(shí)、日常和周期性時(shí)間依賴關(guān)系進(jìn)行描述,每個(gè)模塊均由結(jié)合CNN和LSTM的網(wǎng)絡(luò)結(jié)構(gòu)組成,其中用CNN描述空間依賴關(guān)系、LSTM刻畫時(shí)間依賴關(guān)系。針對(duì)城市區(qū)域人口流量預(yù)測(cè)中的外部因素刻畫問題,STRCNs用External infuence模塊對(duì)外部因素進(jìn)行特征提取學(xué)習(xí),此模塊是一個(gè)兩層的全連接網(wǎng)絡(luò)。對(duì)于STRCNs四個(gè)模塊的輸出,STRCNs自動(dòng)地學(xué)習(xí)其權(quán)重參數(shù)并進(jìn)行加權(quán)融合。最后,本文分別在北京市信令數(shù)據(jù)集(MobileBJ)和北京市出租車軌跡數(shù)據(jù)集(TaxiBJ)上對(duì)STRCNs模型進(jìn)行了實(shí)驗(yàn)驗(yàn)證分析。實(shí)驗(yàn)結(jié)果表明,STRCNs的性能要優(yōu)于傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法以及其他同類基于深度學(xué)習(xí)的預(yù)測(cè)方法。
【圖文】：

維的全連接層最終輸出到１０維的分類結(jié)果中，完成識(shí)別任務(wù)，最終用ＢＰ算法學(xué)逡逑習(xí)訓(xùn)練得到最終的模型參數(shù)，完成學(xué)習(xí)過程。逡逑在這里，我們簡單的介紹卷積的過程，如圖２－４是一個(gè)ｍ邋－邋１層到ｍ層的卷積逡逑過程，ｍ邋－邋１層是包含４個(gè)特征映射的卷積，ｍ層是包含２個(gè)特征映射的卷積層，逡逑ｍ層中每個(gè)特征映射中每個(gè)神經(jīng)元是ｍ－１層的特征映射按照２ｘ２平面區(qū)域的特逡逑征提取結(jié)果（ｍ層中每個(gè)神經(jīng)元是對(duì)ｍ邋－邋１層中４個(gè)特征映射的特征提取結(jié)果）。逡逑許多基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)被發(fā)明［５７＿５９］。如ＮｅｔｗｏｒｋＩｎＮｅｔｗｏｒｋ（ＮＩＮ）逡逑［５７］。一般情況下，整流線性單元（Ｒｅｌｕ）或其簡單的變形作為隱藏單元的激活函數(shù)逡逑是極好的選擇，基于此，整流線性單元的擴(kuò)展ｍａｘｏｕｔ單元用于學(xué)習(xí)激活函數(shù)本身，逡逑降低了過擬合風(fēng)險(xiǎn)［５８］。殘差網(wǎng)絡(luò)（Ｄｅｅｐ邋Ｒｅｓｉｄｕａｌ邋Ｌｅａｒｎｉｎｇ）的設(shè)計(jì)使yL經(jīng)網(wǎng)絡(luò)的深逡逑度理論上能夠無限擴(kuò)展（１０００＋層）［５９］。逡逑Ｃ３邋ｆ．邋ｍａｐｓ邋１６＠１０ｘ１０逡逑ＩＮＰＵＴ邐６＾２Ｓｍｅ邋ｍａＰＳ邐、－邐Ｓ４．ｆ．邋ｍａｐｓ１６＠５ｘ５逡逑Ｉ邐｜邋Ｆｕｌｌ邋ｃｏｎｒｔｅｃｔｉｏｎ邋｜邋Ｇａｕｓｓｉａｎ邋ｃｏｎｎｅｃｔｉｏｎｓ逡逑Ｃｏｎｖｏｌｕｔｉｏｎｓ邐Ｓｕｂｓａｍｐｌｉｎｇ邋Ｃｏｎｖｏｌｕｔｉｏｎｓ邋Ｓｕｂｓａｍｐｌｉｎｇ邐Ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ逡逑圖２、３卷積神經(jīng)網(wǎng)絡(luò)用于手寫體識(shí)別（ＬｅＣｕｎ

維的全連接層最終輸出到１０維的分類結(jié)果中，完成識(shí)別任務(wù)，最終用ＢＰ算法學(xué)逡逑習(xí)訓(xùn)練得到最終的模型參數(shù)，完成學(xué)習(xí)過程。逡逑在這里，我們簡單的介紹卷積的過程，如圖２－４是一個(gè)ｍ邋－邋１層到ｍ層的卷積逡逑過程，ｍ邋－邋１層是包含４個(gè)特征映射的卷積，ｍ層是包含２個(gè)特征映射的卷積層，逡逑ｍ層中每個(gè)特征映射中每個(gè)神經(jīng)元是ｍ－１層的特征映射按照２ｘ２平面區(qū)域的特逡逑征提取結(jié)果（ｍ層中每個(gè)神經(jīng)元是對(duì)ｍ邋－邋１層中４個(gè)特征映射的特征提取結(jié)果）。逡逑許多基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)被發(fā)明［５７＿５９］。如ＮｅｔｗｏｒｋＩｎＮｅｔｗｏｒｋ（ＮＩＮ）逡逑［５７］。一般情況下，整流線性單元（Ｒｅｌｕ）或其簡單的變形作為隱藏單元的激活函數(shù)逡逑是極好的選擇，基于此，，整流線性單元的擴(kuò)展ｍａｘｏｕｔ單元用于學(xué)習(xí)激活函數(shù)本身，逡逑降低了過擬合風(fēng)險(xiǎn)［５８］。殘差網(wǎng)絡(luò)（Ｄｅｅｐ邋Ｒｅｓｉｄｕａｌ邋Ｌｅａｒｎｉｎｇ）的設(shè)計(jì)使yL經(jīng)網(wǎng)絡(luò)的深逡逑度理論上能夠無限擴(kuò)展（１０００＋層）［５９］。逡逑Ｃ３邋ｆ．邋ｍａｐｓ邋１６＠１０ｘ１０逡逑ＩＮＰＵＴ邐６＾２Ｓｍｅ邋ｍａＰＳ邐、－邐Ｓ４．ｆ．邋ｍａｐｓ１６＠５ｘ５逡逑Ｉ邐｜邋Ｆｕｌｌ邋ｃｏｎｒｔｅｃｔｉｏｎ邋｜邋Ｇａｕｓｓｉａｎ邋ｃｏｎｎｅｃｔｉｏｎｓ逡逑Ｃｏｎｖｏｌｕｔｉｏｎｓ邐Ｓｕｂｓａｍｐｌｉｎｇ邋Ｃｏｎｖｏｌｕｔｉｏｎｓ邋Ｓｕｂｓａｍｐｌｉｎｇ邐Ｆｕｌｌ邋ｃｏｎｎｅｃｔｉｏｎ逡逑圖２、３卷積神經(jīng)網(wǎng)絡(luò)用于手寫體識(shí)別（ＬｅＣｕｎ
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：C924.2

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 盧理;時(shí)間序列加法模型的分解預(yù)測(cè)研究[D];西南交通大學(xué);2007年

本文編號(hào)：2601235