一种基于手机数据的共享时空注意力卷积网络人口数量预测方法与流程

技术特征：
1.一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，包括：构建路网结构图；获取道路交通数据，对道路交通数据进行预处理，得到手机数据和路网数据；将路网数据和手机数据进行匹配映射，得到路网人口数据，根据路网人口数据构建路网人口图；将路网人口图输入到人口数量预测模型中，得到人口数量预测结果；人口数量预测模型为共享时空注意力卷积网络，该网络包括至少由两层共享时空卷积层组成，每层共享时空卷积层包括优化图模块和多个共享时空卷积块；共享时空卷积层之间进行残差连接，共享时空卷积块之间进行残差连接。2.根据权利要求1所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，道路交通数据包括：道路信息、道路相交的节点信息、道路交通数据、周围环境信息以及手机数据信息，其中手机数据包括用户的基础信息、用户的驻留地点以及用户的运行轨迹。3.根据权利要求1所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，采用人口数量预测模型对路网人口图进行处理的过程包括：s1：设置模型的训练迭代次数；s2：采用nodevec算法提取路网人口图中每个节点的初始特征；s3：构建路网人口图的邻接矩阵；s4：将构建的邻接矩阵和节点的初始特征输入到第一共享时空卷积层中进行时空特征提取，得到路网人口图的第一时空特征图；s5：将第一时空特征图与邻接矩阵卷积后作为下一层共享时空卷积层的输入，得到第n个时空特征图；直到所有的共享时空卷积层均处理完数据；s6：计算最后一层时空特征图中各个节点的相似度，构建相似度矩阵；s7：对相似度矩阵进行归一化处理，将归一化后的相似度矩阵与初始特征进行聚合，得到新的初始特征，并返回步骤s4；s8：当模型达到迭代次数后，将所有的时空特征图进行融合，得到人口数量预测结果。4.根据权利要求3所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，共享时空卷积层对输入数据进行处理的过程包括：s41：将邻接矩阵和初始特征输入到第一共享时空卷积块中进行初始时空特征提取，得到第一初始时空特征图；s42：将第一初始时空特征图与初始特征进行残差卷积，将残差卷积结果作为下一个共享时空卷积块的输入，直到所有的共享时空卷积块处理完数据；s43：将所有的初始时空特征图进行融合，得到时空特征图。5.根据权利要求4所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，共享时空卷积块对输入数据进行处理的过程包括：s411：对输入的数据进行膨胀卷积处理；s412：将经过膨胀卷积处理后的邻接矩阵输入到优化图卷积网络中进行优化处理；s413：采用共享空间注意力机制提取经过优化的邻接矩阵的空间特征；s414：采用时间扩张卷积对经过膨胀卷积处理后的数据进行时间扩张卷积处理；s415：采用共享时间注意力机制对经过扩张卷积处理后的数据进行时间特征提取，得到时间特征；
s416：采用共享注意力机制对时间特征和空间特征进行融合，得到初始时空特征。6.根据权利要求5所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，对图结构的邻接矩阵进行优化的公式包括：t
k
(a
o
)＝2a
o
t
k-1
(a
o
)-t
k-2
(a
o
)t1＝softmax(e)其中，g
θ
(.)表示关于l特征值的函数，l表示归一化的图拉普拉斯矩阵，k表示阶数，θ
k
表示可学习的参数，t
k
(.)表示切比雪夫多项式，根据l的最大特征值和单位矩阵进行重新缩放，x表示输入数据，a
o
表示优化后的图邻接矩阵，e表示计算t1的中间状态，relu表示激活函数，是a0的转置矩阵，t0表示单位矩阵，t1表示对e进行归一化，softmax表示归一化函数。7.根据权利要求5所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，共享空间注意力机制采用多头注意力机制，其表达包括：征在于，共享空间注意力机制采用多头注意力机制，其表达包括：征在于，共享空间注意力机制采用多头注意力机制，其表达包括：征在于，共享空间注意力机制采用多头注意力机制，其表达包括：其中，表示优化图卷积和时间扩张卷积的输出和，b表示当前经过第几块，l表示当前在神经网络的第几层，gcn表示优化图卷积神经网络，x表示输入数据，tdc表示时间扩张卷积，query表示查询矩阵，cat表示连接多个矩阵的操作，split会将输入分开为多个矩阵，q表示可学习参数，b
q
表示可学习参数，key表示被查询信息与其它信息的相关性矩阵，k表示可学习参数，b
h
表示可学习参数，value表示被查询信息的矩阵，v表示可学习参数，bv表示可学习参数。8.根据权利要求5所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，时间注意力和空间注意力融合的公式为：其中，output
att
表示初始时空特征，gelu表示激活函数，表示空间特征，表示时间特征。9.根据权利要求5所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，采用膨胀卷积对输入数据进行处理的过程包括：采用四个二维卷积来提取不同尺度的时间特征，并采用膨胀因子对输入数据进行采样；确定膨胀因子的公式为：dilation factor＝number of layers％2
其中，dilation factor表示膨胀因子，number of layer表示网络层数，％表示取余。10.根据权利要求3所述的一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，其特征在于，时空特征图中各个节点的相似度计算公式为：征在于，时空特征图中各个节点的相似度计算公式为：其中，表示节点i和节点j之间第p个相似度向量，cossimilarity表示两个向量的余弦相似度，w
p
表示加权参数向量，
⊙
表示hadamard乘积，vec
i
表示节点i的特征向量，vec
j
表示节点j的特征向量，s
i,j
表示节点i和节点j之间的相似度矩阵，m表示加权参数向量的个数，p表示当前是第几个相似度向量。

技术总结
本发明属于人口数据信息分析技术领域，具体涉及一种基于手机数据的共享时空注意力卷积网络人口数量预测方法，包括构建路网结构图；获取路网数据和手机数据，并对该数据进行匹配映射，得到路网人口图；将路网人口图输入到人口数量预测模型中，得到人口数量预测结果；人口数量预测模型为共享时空注意力卷积网络，该网络至少由两层共享时空卷积层组成，每层共享时空卷积层包括优化图模块和多个共享时空卷积块；共享时空卷积层之间进行残差连接，共享时空卷积块之间进行残差连接；本发明通过将多个时空卷积模块进行残差连接，构成时空卷积层，在将多个时空卷积层残差连接，构成了共享时空注意力卷积网络，能够更好的捕获数据的时空特征。据的时空特征。据的时空特征。


技术研发人员：李定晓 刘庆岩 皮屹峰 唐京津 程映山 方德敏 李鹏程 张旭
受保护的技术使用者：中国烟草总公司重庆市公司
技术研发日：2022.10.20
技术公布日：2023/1/13