社区居民人口微观数据合成方法、装置、终端及存储介质

1.本发明涉及社会仿真技术领域，尤其涉及的是一种社区居民人口微观数据合成方法、装置、终端及存储介质。


背景技术：

2.随着城市数字化与精细化治理的不断推进，包括公共服务设施需求预测、养老教育设施布局选址、防灾疏散精准模拟、交通网络设计在内的诸多领域对于带有空间信息和居民属性的人口微观数据的需求日益增长。
3.而现有的住区人口信息预测方法多采用地理信息数据或空间遥感信息生成不带有居民属性的人口空间分布信息，或采用人口合成技术生成带有居民属性却没有空间信息的人口微观数据。
4.因此，现有技术还没有办法获得带有空间信息和居民属性的人口微观数据。


技术实现要素：

5.本发明的主要目的在于提供一种社区居民人口微观数据合成方法、装置、智能终端及存储介质，能够生成带有空间信息与居民属性的社区居民人口微观数据。
6.为了实现上述目的，本发明第一方面提供一种社区居民人口微观数据合成方法，所述方法包括：
7.基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，所述社区人口微观数据集中包括住栋信息和家庭信息；
8.将所述社区人口微观数据集输入神经网络模型，获得用于预测家庭与住栋之间关系的预测模型；
9.基于所述预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据。
10.可选的，所述神经网络模型的输入层提取家庭特征和住栋特征，所述家庭特征包括：家庭人口数量、最高受教育程度、最大年龄、代际结构；所述住栋特征包括：住栋户型、住栋租金、产权属性。
11.可选的，所述基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，包括：
12.根据微观人口抽样数据中家庭分类与人口特征之间的关系，获得频率矩阵；
13.基于所述频率矩阵，根据迭代比例更新算法获得各人口特征对应的联合分布值；
14.循环迭代并根据所述频率矩阵和所述联合分布值计算每一次迭代的拟合度，直至所述拟合度小于设定阈值，获得各家庭分类的概率分布；
15.基于所述概率分布，采用蒙特卡洛方法随机抽取家庭样本至所述社区人口微观数据集。
16.可选的，计算拟合度的表达式为：
[0017][0018]
其中，σ为拟合度，d
ij
为频率矩阵，cj为联合分布值，m为人口特征的数量，w为权重向量。
[0019]
可选的，所述神经网络模型的误差函数模型为：
[0020][0021]
其中，tn为期望输出，un为实际输出，n为家庭样本的个数。
[0022]
可选的，所述基于所述预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据，包括：
[0023]
基于各类住栋的真实容量的约束条件，以效用损失最小化为目标，构建动态优化模型的目标函数，所述动态优化模型用于对各住栋居民进行优化分配；
[0024]
获得各类住栋的特征并将该特征、所述预测模型的预测结果输入动态优化模型，获得所述社区居民人口微观数据。
[0025]
可选的，所述目标函数的表达式为：
[0026][0027]
其中，a
ik
为预测的第i类家庭选择k类住栋的概率，i＝1,2,3...m，m为家庭类别的数量；b
ik
为第i类家庭对应的4个属性，k＝1,2,3,4；d
ij
为第i类家庭被分配到第j类住栋的数量，i＝1,2,3...m,j＝1,2,3...n，n为住栋类型的数量；pi＝0或1表示在分配过程中该住栋是否被选中，i＝1，2，...n；wk为第k种住栋属性的权重，为pi的均值。
[0028]
本发明第二方面提供一种社区居民人口微观数据合成装置，其中，上述装置包括：
[0029]
社区人口微观数据集获取模块，用于基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，所述社区人口微观数据集中包括住栋信息和家庭信息；
[0030]
预测模块，用于将所述社区人口微观数据集输入神经网络模型，获得用于预测家庭与住栋之间关系的预测模型；
[0031]
分配模块，用于基于所述预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据。
[0032]
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的社区居民人口微观数据合成程序，上述社区居民人口微观数据合成程序被上述处理器执行时实现任意一项上述社区居民人口微观数据合成方法的步骤。
[0033]
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有社区居民人口微观数据合成程序，上述社区居民人口微观数据合成程序被处理器执行时
实现任意一项上述社区居民人口微观数据合成方法的步骤。
[0034]
由上可见，本发明首先在行政区域宏观人口统计数据与社区的微观人口抽样数据的基础上通过迭代比例更新算法获得社区人口微观数据集，再根据神经网络模型学习家庭与住栋之间的关系，然后以效用损失最小为目标将各家庭样本优化分配至各住栋，从而获得带有空间信息与居民属性的社区居民人口微观数据。
附图说明
[0035]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0036]
图1是本发明实施例提供的社区居民人口微观数据合成方法流程示意图；
[0037]
图2是图1实施例的步骤s300具体流程示意图；
[0038]
图3是图1实施例的步骤s100具体流程示意图；
[0039]
图4是本发明实施例提供的社区居民人口微观数据合成装置的结构示意图；
[0040]
图5是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
[0041]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0042]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0043]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0044]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0045]
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当
…
时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0046]
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0047]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以
采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0048]
通常情况下，人口微观信息获取费时费力且涉及到居民隐私保护的问题，大多数相关研究与实践只有以行政区域为单位的人口普查数据汇总可以使用，其空间分辨率与时间分辨率均难以满足实际需求。
[0049]
现有的住区人口信息预测方法多采用地理信息数据或空间遥感信息生成不带有居民属性信息的人口空间分布信息，或采用人口合成技术生成带有居民属性却没有空间信息的人口微观数据。因此，目前还没有生成带有空间信息与居民属性的人口微观数据的方法。
[0050]
本发明将社区居民人口微观数据合成与空间信息相结合，融合神经网络模型与动态规划算法，在考虑住栋容量限制下，将微观家庭样本与居住空间信息相匹配，生成带有空间信息与居民属性的人口微观数据，以适应城市数字化与精细化治理。
[0051]
示例性方法
[0052]
如图1所示，本发明实施例提供一种社区居民人口微观数据合成方法，可以运行在各种终端上，如电脑终端、平板电脑、智能手机等。具体地，上述方法包括如下步骤：
[0053]
步骤s100：基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，所述社区人口微观数据集中包括住栋信息和家庭信息；
[0054]
具体地，人工人口的构建一般是指对个体社会特征的重构，根据真实社会的人口特征如个体的年龄、性别、家庭、受教育程度、职业以及其他社会经济关系等，自动生成与真实人口特征一致的人工人口数据集。人口合成方法是在人口特征联合概率分布的基础上，采用蒙特卡洛模拟等方法进行人口合成，生成的数据集中包含了总体人口规模以及所有可能的属性组合等信息。
[0055]
具体过程为：采用迭代比例更新算法，对行政区域宏观人口统计数据与微观人口抽样数据进行迭代，迭代完成后获得社区人口微观数据集。迭代比例更新算法将家庭和人口的特征变量作为整体，将两个层面的宏观总体数据共同作为约束条件，优化生成家庭实体集合，然后再根据每个家庭的特征生成其成员，从而得到人口个体。
[0056]
其中，行政区域宏观人口统计数据可从国家统计局以及各省市的统计局公布人口普查数据以及经济普查数据中获取。社区的微观人口抽样数据能够提供多维度的人口特征属性，用于根据小规模高精度的个体以及家庭结构数据还原出社会中的家庭构成。
[0057]
行政区域宏观人口统计数据包括：年龄、性别、受教育程度、家庭人口、户籍类型等；微观人口抽样数据包括：年龄、性别、受教育程度、家庭人口、户籍类型以及所居住小区名称等；住栋信息包括：户型、建成年限、挂牌售价、产权类型等；家庭信息包括：家庭人口数量、家庭代际数量等。
[0058]
获得上述数据后，首先需要对年龄、性别、受教育程度、家庭人口、户籍类型以及住栋户型、挂牌售价与产权类型等要素指标进行量化处理。如：性别量化结果为：男为1、女为2；年龄量化结果为：0-15岁为1、15-30岁为2、30-45岁为3、45-60岁为4、60-75岁为5、75以上为6；其他要素指标同样进行量化，在此不再赘述。
[0059]
需要说明的是，上述要素指标的具体项目和数量不做限制，可以依据具体计算需
求而作相应变化。
[0060]
步骤s200：将社区人口微观数据集输入神经网络模型，获得用于预测家庭与住栋之间关系的预测模型；
[0061]
具体地，神经网络模型基于社区人口微观数据集，预测各分类下的微观家庭样本的住栋选择概率并求得各分类对应的权重。通过神经网络模型在微观家庭样本与居住空间信息之间建立较为准确的联系。
[0062]
本实施例将社区人口微观数据集输入神经网络模型后，神经网络模型的输入层提取家庭特征和住栋特征，所述家庭特征包括：家庭人口数量、最高受教育程度、最大年龄、代际结构；所述住栋特征包括：住栋户型、住栋租金、产权属性。神经网络模型中对家庭特征进行量化处理，如：家庭人口数量：1-3人为1、4-6人为2、7人以上为3；代际结构：1代户为1、2代户为2、3代及以上为3；依次类推，对家庭特征中的其他特征以及住栋特征也进行类似的量化处理。
[0063]
本实施例中神经网络模型模型为：输入层神经元数量s为4，即：家庭人口数量、最大年龄、最高受教育程度、代际结构，权重设定分别为w
1s w
2s w
3s w
4s
；输出层神经元数量o为3，即：住栋挂牌售价、住栋户型、住栋产权类型；隐含层神经元数量为4，由经验计算方法得到。神经网络模型的误差函数为其中，tn为期望输出，un为实际输出，n为家庭样本的个数。根据输出进行反馈处理，调整输入层、输出层及隐含层神经元权重，重复训练，直至预测准确率大于设定精度。
[0064]
步骤s300：基于预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据；
[0065]
具体地，采用动态规划算法，考虑各类住栋的真实容量，以效用损失最小为目标将各家庭样本分配至楼栋，生成带有空间信息与居民属性的社区居民人口微观数据。
[0066]
在一个实施例中，如图2所示，具体包括如下步骤：
[0067]
步骤s310：基于各类住栋的真实容量的约束条件，以效用损失最小化为目标，构建动态优化模型的目标函数，所述动态优化模型用于对各住栋居民进行优化分配；
[0068]
步骤s320：获得各类住栋的特征并将该特征、所述预测模型的预测结果输入动态优化模型，获得所述社区居民人口微观数据。
[0069]
具体地，首先建立目标函数，基于预测模型中各分类家庭样本的住栋选择概率，以分配过程中效用损失最小化为目标，构建人口微观数据分配的目标函数，将各住栋特征、人口微观样本、预测模型的住栋选择概率输入到由目标函数和约束条件共同构成的优化模型中，并运行模型。
[0070]
其中，约束条件为即所有住区含有的某类家庭数之和≤该类家庭数总数；即分配到每个住区家庭数之和≤该住区总容量。目标函数的表达式为：
[0071]
[0072]
上述式子中，ci表示第i类家庭的数量,i＝1,2,3,...m，m表示共m类家庭；a
ik
为预测的第i类家庭选择k类住栋的概率，i＝1,2,3...m，m为家庭类别的数量；tj表示第j类住栋的户数容量,j＝1,2,3,...n,共n类住栋；b
ik
为第i类家庭对应的4个属性，k＝1,2,3,4；d
ij
为第i类家庭被分配到第j类住栋的数量，i＝1,2,3...m,j＝1,2,3...n，n为住栋类型的数量；pi＝0或1表示在分配过程中该住栋是否被选中，i＝1，2，...n；wk为第k种住栋属性的权重，为pi的均值。
[0073]
由上所述，本发明将社区居民人口微观数据合成技术与神经网络模型、动态规划算法相结合，实现住栋人口微观数据生成并预测住栋居民各层面属性，获得带有空间信息与居民属性的社区居民人口微观数据，实现了城市社区区人口属性信息的预测，为公配设施选址、交通仿真模拟、防灾资源配置等应用场景提供数据信息支持，促进城市精细化治理的推进。
[0074]
在一个实施例中，如图3所示，上述步骤s100中获得社区人口微观数据集，具体包括如下步骤：
[0075]
步骤s110：根据微观人口抽样数据中家庭分类与人口特征之间的关系，获得频率矩阵；
[0076]
具体地，根据微观人口抽样数据计算各类家庭的占比，作为家庭信息迭代拟合的边际约束，定义为λ，其中λ表示含有第i种特征的家庭数量占总数的比例。生成频率矩阵d，维度为n
×
m，其中n为全体家庭样本个数，m为人口特征约束(包含家庭特征与人口特征)。
[0077][0078]dij
是第i类家庭样本对第j类人口特征出现的贡献值。
[0079]
步骤s120：基于频率矩阵，根据迭代比例更新算法获得各人口特征对应的联合分布值；
[0080]
步骤s130：循环迭代并根据频率矩阵和联合分布值计算每一次迭代的拟合度，直至所述拟合度小于设定阈值，获得各家庭分类的概率分布；
[0081]
具体地，首先采用迭代比例更新算法计算每个人口特征的联合分布值。假定目标表其中，代表家庭样本i的联合分布值，代表个体j的联合分布值。初始设定容差阈值为0.0001，及初始化j＝1,2,
…
m；初始化权重列向量wi＝1，i＝1,2,
…
n，初始化拟合度标量σ
min
＝σ，初始化标量k＝1作为约束计数器。
[0082]
计算每一次循环中的临时误差：
[0083]
当临时误差大于容差阈值时继续循环迭代：
[0084]
有
[0085]
获得各人口特征对应的联合分布值cj，其中ci＝bi，i＝1,2,3,
…
m。
[0086]
根据频率矩阵和联合分布值计算每一次迭代的拟合度：其中，σ为拟合度，d
ij
为频率矩阵，cj为联合分布值，m为人口特征的数量，w为权重向量。
[0087]
生成用于记录索引的m个列向量sj＝index(d
ij
≠0)，i＝1,2,
…
n，j＝1,2,
…
m，sj表示频率矩阵中第j列中非零元素的索引列向量，s
qj
表示频率矩阵中第j列的第q个非零元素的索引。
[0088]
计算适应度值：根据适应度值更新权重向量w，其中并重新计算拟合度
[0089]
根据当前迭代的拟合度值与上次迭代的拟合度值，计算拟合度改善情况δ＝|σ-σ
prev
|，如果σ《σ
min
，σ
min
＝σ，swi＝wi，i＝1,2,3
…
n。
[0090]
如果δ》ε，即拟合度改善情况太大，重新计算临时误差进行循环迭代；当最终σ全部小于阈值便停止运行，得到每个带有住宅类型属性的家庭权重，并将权重值转化为各家庭分类的概率分布。
[0091]
步骤s140：基于概率分布，采用蒙特卡洛方法随机抽取家庭样本至所述社区人口微观数据集。
[0092]
具体地，按照获得的概率分布使用蒙特卡洛方法随机抽取家庭样本选入最终的数据集，得到与编辑分布没有显著差异且带有住宅信息的社区人口微观数据集。
[0093]
本实施例中，根据人口微观数据中年龄、性别、职业类型等个体属性的概率分布，通过蒙特卡洛模拟为每个合成社区人口的个体分配相应的个体属性。接着根据人口普查数据中家庭类别、家庭规模、家庭年龄成分等家庭属性的概率构建合成家庭，并将合成社区人口的个体填充进合成家庭。
[0094]
人工人口的优势在于以较低的成本模拟人的出行及其他社会行为，检验交通控制、社会管理等政策的可行性和有效性。同时，个体行为的计算模型能够仿真得到定量的评价结果，为管理部门的量化决策提供参考。当人工人口能够准确反映现实人口的属性、结构和分布特点时，得到的出行模拟、经济活动、城市演化等仿真结果才具有较高可信度。
[0095]
由上所述，以人口微观抽样数据和人口普查数据为基础，采用迭代比例更新算法，
生成社区人口微观数据集，这种方法计算时间短、拟合精度高，是一种对人口普查数据进行深度开发、构建高精度微观人口数据集以及去除人口隐私信息的有效方法。
[0096]
需要说明的是，虽然本实施例以社区人口数据为例进行说明，但是本发明也可以构建超大城市家庭和个人微观数据库。
[0097]
示例性设备
[0098]
如图4所示，对应于上述社区居民人口微观数据合成方法，本发明实施例还提供一种社区居民人口微观数据合成装置，上述社区居民人口微观数据合成装置包括：
[0099]
社区人口微观数据集获取模块600，用于基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，所述社区人口微观数据集中包括住栋信息和家庭信息；
[0100]
预测模块610，用于将所述社区人口微观数据集输入神经网络模型，获得用于预测家庭与住栋之间关系的预测模型；
[0101]
分配模块620，用于基于所述预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据。
[0102]
具体的，本实施例中，上述社区居民人口微观数据合成装置的各模块的具体功能可以参照上述社区居民人口微观数据合成方法中的对应描述，在此不再赘述。
[0103]
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图5所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和社区居民人口微观数据合成程序。该内存储器为非易失性存储介质中的操作系统和社区居民人口微观数据合成程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该社区居民人口微观数据合成程序被处理器执行时实现上述任意一种社区居民人口微观数据合成方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
[0104]
本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0105]
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的社区居民人口微观数据合成程序，上述社区居民人口微观数据合成程序被上述处理器执行时进行以下操作指令：
[0106]
基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，所述社区人口微观数据集中包括住栋信息和家庭信息；
[0107]
将所述社区人口微观数据集输入神经网络模型，获得用于预测家庭与住栋之间关系的预测模型；
[0108]
基于所述预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据。
[0109]
可选的，所述神经网络模型的输入层提取家庭特征和住栋特征，所述家庭特征包
括：家庭人口数量、最高受教育程度、最大年龄、代际结构；所述住栋特征包括：住栋户型、住栋租金、产权属性。
[0110]
可选的，所述基于行政区域宏观人口统计数据与社区的微观人口抽样数据，根据迭代比例更新算法获得社区人口微观数据集，包括：
[0111]
根据微观人口抽样数据中家庭分类与人口特征之间的关系，获得频率矩阵；
[0112]
基于所述频率矩阵，根据迭代比例更新算法获得各人口特征对应的联合分布值；
[0113]
循环迭代并根据所述频率矩阵和所述联合分布值计算每一次迭代的拟合度，直至所述拟合度小于设定阈值，获得各家庭分类的概率分布；
[0114]
基于所述概率分布，采用蒙特卡洛方法随机抽取家庭样本至所述社区人口微观数据集。
[0115]
可选的，计算拟合度的表达式为：
[0116][0117]
其中，σ为拟合度，d
ij
为频率矩阵，cj为联合分布值，m为人口特征的数量，w为权重向量。
[0118]
可选的，所述神经网络模型的误差函数模型为：
[0119][0120]
其中，tn为期望输出，un为实际输出，n为家庭样本的个数。
[0121]
可选的，所述基于所述预测模型、各类住栋的真实容量形成的约束条件，以效用损失最小为目标将所述社区人口微观数据集中各家庭样本分配至各类住栋，获得带有空间信息与居民属性的社区居民人口微观数据，包括：
[0122]
基于各类住栋的真实容量的约束条件，以效用损失最小化为目标，构建动态优化模型的目标函数，所述动态优化模型用于对各住栋居民进行优化分配；
[0123]
获得各类住栋的特征并将该特征、所述预测模型的预测结果输入动态优化模型，获得所述社区居民人口微观数据。
[0124]
可选的，所述目标函数的表达式为：
[0125][0126]
其中，a
ik
为预测的第i类家庭选择k类住栋的概率，i＝1,2,3...m，m为家庭类别的数量；b
ik
为第i类家庭对应的4个属性，k＝1,2,3,4；d
ij
为第i类家庭被分配到第j类住栋的数量，i＝1,2,3...m,j＝1,2,3...n，n为住栋类型的数量；pi＝0或1表示在分配过程中该住栋是否被选中，i＝1，2，...n；wk为第k种住栋属性的权重，为pi的均值。
[0127]
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有社区居民人口微观数据合成程序，上述社区居民人口微观数据合成程序被处理器执行时实现本发明实施例提供的任意一种社区居民人口微观数据合成方法的步骤。
[0128]
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0129]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0130]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0131]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0132]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0133]
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
[0134]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。