云计算环境下基于深度学习的人群流量预测框架

随着云计算技术的深入应用,人群流量预测已然成为智慧城市建设中亟待解决的问题,大部分基于深度学习的模型未考虑偏远区域的空间相关性,或未将空间相关性以及时间依赖性综合考虑。针对上述问题,提出一种云计算环境下基于深度学习的人群流量预测框架(Deep Learning-based Crowd Flow Prediction Framework in Cloud Computing,DL-CFP)。DL-CFP模型借助邻近单元和扩张单元分别计算相邻区域和偏远区域的空间相关性,通过卷积长短期记忆(Convolutional Long Short-Term Memory,ConvLSTM)模型计算不同区域的时间依赖性。引入区域增强注意力机制,使模型能够捕获更完备的空间相关性。在滴滴出行和纽约出行真实数据集上进行大量对比实验,结果表明,DL-CFP模型预测准确性和稳定性均优于主流算法,平均预测准确率达到75.6%,相比其他算法平均提升27.1%。