面向城市人群时空热点预测的混合神经网络

城市人群时空热点预测对公共安全应急决策有重要的意义。城市人群热点区域往往伴随时间空间的推移而快速演化,如何发掘利用热区的时空相关性是精准预测城市人群热点变化趋势的关键。该文提出了一种基于深度学习的混合神经网络模型,即CNN-Seq2Seq-Attention(CSA),用来预测连续一周城市人群热点的时空变化分布。为了较好捕捉热点区域的空间信息,CSA模型采用卷积神经网络提取城市热点区域的特征向量,同时,考虑到长时时序数据的周期性,CSA结合Seq2Seq与Attention注意力机制建模人群热点在连续特征日下相同时间片段的时间周期规律。其中,针对人群热点随时间变化的不均匀特性,CSA采用了一种改进的时间片段划分方法,即,基于生活作息的不等长时间段作为数据划分依据。实验使用了连续3个月的城市出租车轨迹数据集,将每周7天标识成7个特征日,每个特征日被划分为7个时间片段,采用预测结果的均方根误差(RMSE)为评估指标。实验结果表明,较传统的PreHA、HA和ARIMA方法,CSA模型效果更好,同时,相较Seq2Seq和CNN-Seq2Seq模型,CSA模型预测误差最大分别降低6.4%和3.8%。