一种时空图网络的劳动力流动预测方法及系统

本发明涉及数据预测，尤其涉及一种时空图网络的劳动力流动预测方法及系统。

背景技术：

1、按照现有技术中，传统的劳动力流动预测方法主要依赖于单一的统计模型或简化的计量经济学分析，缺乏对劳动力流动过程中空间依赖关系与区域属性特征的有效融合解析。这类方法通常将各区域视为独立个体，难以捕捉区域之间复杂的空间邻接关系以及劳动力流动中的推拉效应、距离衰减机制和多阶历史惯性等非线性动态特征，导致对劳动力流动的空间交互作用刻画不足。此外，现有技术对区域属性数据与历史流动数据的耦合分析较为粗糙，往往采用简单的线性叠加或固定权重组合，难以适应劳动力流动行为随时间和空间动态变化的特点，造成预测结果偏离实际流动模式，模型泛化能力受限。

2、按照现有技术中，基于循环神经网络或传统时间序列分析的劳动力流动预测方法，往往忽略了对流动特征进行有效的时序依赖编码与全局加权融合，难以处理长时间跨度的状态转移和累积效应，导致模型对劳动力流动的周期性、趋势性和突发性变化响应迟缓。同时，现有方法在邻域特征聚合时多采用固定的图结构或预定义的邻接矩阵，缺乏空间自注意力机制驱动的动态特征重组能力，难以实现节点间关联强度的自适应量化，使得劳动力流动特征的表达不够充分，预测精度不足。因此，亟需开发一种能够联合建模时空依赖、动态融合区域属性与流动数据、并具备自适应空间注意力与全局加权融合机制的劳动力流动预测方法，来解决现有技术中空间交互刻画不足、时序依赖建模薄弱、特征表达不充分的问题，提高劳动力流动预测的准确性和可靠性。

技术实现思路

1、本发明提供一种时空图网络的劳动力流动预测方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供的一种时空图网络的劳动力流动预测方法及系统，包括：

3、s1、对目标区域的历史劳动力流动数据和区域属性数据进行融合解析，得到所述目标区域的劳动力流动融合特征；

4、s2、基于所述劳动力流动融合特征，对所述目标区域进行空间邻接关系编码，得到所述目标区域的劳动力流动图；

5、s3、对所述劳动力流动图进行空间自注意力映射，得到所述目标区域中的节点的劳动力流动空间交互特征；

6、s4、对所述劳动力流动空间交互特征进行邻域特征聚合，得到所述目标区域的劳动力流动特征；

7、s5、对所述劳动力流动特征进行时序依赖编码，得到所述目标区域的劳动力流动时序特征；

8、s6、对所述劳动力流动时序特征进行全局特征加权融合，得到所述目标区域的劳动力流动预测数值。

9、在一个优选的实施方式中，所述对目标区域的历史劳动力流动数据和区域属性数据进行融合解析，得到所述目标区域的劳动力流动融合特征，包括：

10、对目标区域的历史劳动力流动数据进行时序对齐，得到所述目标区域的劳动力流动数值序列；

11、对所述目标区域的区域属性进行参数解析，得到所述目标区域的属性特征向量；

12、对所述目标区域的劳动力流动数值序列进行自相关性度量，得到所述目标区域的流动依赖强度值；

13、对所述流动依赖强度值和所述属性特征向量进行强度耦合分析，得到所述劳动力流动融合特征。

14、在一个优选的实施方式中，所述对所述流动依赖强度值和所述属性特征向量进行强度耦合分析，得到所述劳动力流动融合特征，包括：

15、将所述劳动力流动数值序列中的每个时间点映射为嵌入向量，所述嵌入向量由所述时间点的数值以及所述时间点之前时间点的数值组成，对所述嵌入向量进行矩阵堆叠，得到所述劳动力流动数值序列的延迟嵌入矩阵；

16、对所述延迟嵌入矩阵进行低秩分解，得到所述延迟嵌入矩阵的奇异值序列；

17、基于所述奇异值序列的衰减率反演长期依赖性系数，并将所述长期依赖性系数与所述延迟嵌入矩阵的迹范数进行非线性组合，得到所述流动依赖强度值。

18、在一个优选的实施方式中，所述基于所述劳动力流动融合特征，对所述目标区域进行空间邻接关系编码，得到所述目标区域的劳动力流动图，包括：

19、将所述劳动力流动数值序列中的每个时间点映射为嵌入向量，所述嵌入向量由所述时间点的数值以及所述时间点之前时间点的数值组成，对所述嵌入向量进行矩阵堆叠，得到所述劳动力流动数值序列的延迟嵌入矩阵；

20、对所述延迟嵌入矩阵进行低秩分解，得到所述延迟嵌入矩阵的奇异值序列；

21、基于所述奇异值序列的衰减率反演长期依赖性系数，并将所述长期依赖性系数与所述延迟嵌入矩阵的迹范数进行非线性组合，得到所述流动依赖强度值。

22、在一个优选的实施方式中，所述对所述劳动力流动图进行空间自注意力映射，得到所述目标区域中的节点的劳动力流动空间交互特征，包括：

23、对所述劳动力流动图中的任意两个节点进行空间依赖强度量化，得到所述两个节点之间的关联强度值；

24、对所述关联强度值进行注意力分布重整，得到所述两个节点对应的注意力权重；

25、基于所述注意力权重，对所述劳动力流动图中节点的劳动力流动融合特征进行特征重组，得到所述目标区域中的劳动力流动空间交互特征。

26、在一个优选的实施方式中，所述对所述劳动力流动图中的两个节点进行空间依赖强度量化，得到所述两个节点之间的关联强度值，包括：

27、；

28、其中，为劳动力流出源区域，为劳动力流入目标区域，为所述区域和区域的劳动力流动关联强度值，为所述劳动力流出源区域和劳动力流入的目标区域之间的基础吸引系数，和分别为所述劳动力流出源区域的可学习推因子向量和所述劳动力流入目标区域的可学习拉因子向量，为所述劳动力流出源区域与所述劳动力流入目标区域之间的经济或地理距离，为第k个时间步从所述劳动力流出源区域流向所述劳动力流入目标区域的劳动力流动量变化率，为预设的历史窗口长度，为推拉因子强度参数，为距离衰减强度参数，为历史惯性缩放参数，为距离尺度参数，为第k阶历史惯性的权重，t为离散的时间步索引，为sigmoid函数，为双曲正切函数，为自然指数函数。

29、在一个优选的实施方式中，所述对所述劳动力流动空间交互特征进行邻域特征聚合，得到所述目标区域的劳动力流动特征，包括：

30、对所述劳动力流动图进行邻近关系量化，得到所述劳动力流动图中邻近节点之间的邻域影响强度分布；

31、基于所述邻域影响强度分布，对所述劳动力流动图中邻近节点的劳动力流动空间交互特征进行加权融合，得到所述邻近节点的加权聚合邻域特征；

32、将所述节点的劳动力流动空间交互特征与对应的加权聚合邻域特征进行门控自适应耦合，得到所述节点的融合特征，再将所述节点的融合特征按节点顺序拼接，构成所述目标区域的劳动力流动特征。

33、在一个优选的实施方式中，所述对所述劳动力流动特征进行时序依赖编码，得到所述目标区域的劳动力流动时序特征，包括：

34、对所述劳动力流动特征进行时序窗口分割，得到所述目标区域的时序流动特征序列；

35、对所述时序流动特征序列中的相邻两个时间步的特征进行时序依赖映射，得到所述时序流动特征序列的状态转移强度值；

36、基于所述状态转移强度值，对所述时序流动特征序列进行特征递进传播，得到每个时间步对应的累积时序特征；

37、对所述累积时序特征进行时序维度的特征汇聚，得到所述目标区域的劳动力流动时序特征。

38、在一个优选的实施方式中，所述对所述劳动力流动时序特征进行全局特征加权融合，得到所述目标区域的劳动力流动预测数值，包括：

39、对所述劳动力流动时序特征中的各个特征维度进行全局贡献度解耦，得到每个特征维度对应的自适应重要性权重系数；

40、基于所述自适应重要性权重系数，对所述劳动力流动时序特征中的特征维度进行逐维门控缩放，得到所述目标区域的加权校准特征表示；

41、对所述加权校准特征表示进行从特征空间到预测数值空间的非线性响应合成，得到所述目标区域的劳动力流动预测数值。

42、为了解决上述问题，本发明还提供一种时空图网络的劳动力流动预测系统，所述系统包括：

43、数据融合解析模块，用于对目标区域的历史劳动力流动数据和区域属性数据进行协同解译，得到所述目标区域的劳动力流动融合特征；

44、空间编码模块，用于基于所述劳动力流动融合特征，对所述目标区域进行空间邻接关系编码，得到所述目标区域的劳动力流动图；

45、空间自注意力模块，用于对所述劳动力流动图的节点进行空间自注意力映射，得到所述目标区域中节点的劳动力流动空间交互特征；

46、特征聚合模块，用于对所述劳动力流动空间交互特征进行邻域特征融合，得到所述目标区域的劳动力流动特征；

47、时序编码模块，用于对所述劳动力流动特征进行时序依赖编码，得到所述目标区域的劳动力流动时序特征；

48、全局加权融合模块，用于对所述劳动力流动时序特征进行全局加权融合，得到所述目标区域的劳动力流动预测数值。

49、与现有技术相比，本发明具有以下有益效果：

50、1.本发明通过融合解析历史劳动力流动数据与区域属性数据，并基于劳动力流动融合特征进行空间邻接关系编码，构建了能够反映区域间真实依赖关系的劳动力流动图。在此基础上，采用空间自注意力映射机制，利用包含推拉因子、距离衰减参数、多阶历史惯性权重等可学习参数的非线性关联强度量化公式，实现了对任意两个节点之间空间依赖强度的动态自适应计算，有效克服了现有技术中固定邻接矩阵或简单距离度量难以刻画劳动力流动中复杂推拉效应、距离衰减及历史惯性影响的缺陷。同时，通过邻域特征聚合与门控自适应耦合，能够根据邻近节点的影响强度分布动态调整聚合权重，显著提升了对劳动力流动空间交互特征的表达能力，使得模型能够精准捕捉不同区域之间非对称、非线性、时变的空间依赖关系，预测结果的区域匹配度和空间一致性得到明显增强。

51、2.本发明对劳动力流动特征进行时序依赖编码，通过时序窗口分割、状态转移强度映射和特征递进传播，能够有效建模劳动力流动行为在长时间跨度的累积效应和动态演变规律，解决了传统时间序列分析方法对周期性、趋势性和突发性变化响应迟缓的问题。进一步地，采用全局加权融合机制，通过对劳动力流动时序特征中各特征维度进行贡献度解耦与自适应重要性加权，实现了从特征空间到预测数值空间的高质量非线性映射，避免了简单线性叠加或固定权重融合带来的信息损失和偏差。由此，本发明能够综合空间交互特征与时序依赖特征，输出高精度的劳动力流动预测数值，在预测准确性、鲁棒性以及对动态变化的适应性方面均显著优于现有方法，为劳动力资源配置、区域经济政策制定等提供了可靠的技术支持。