【技術實現步驟摘要】
本專利技術涉及區域人流量預測，具體而言，涉及一種基于深度學習的街道空間活力預測方法。
技術介紹
1、隨著城市化進程的加速，街道空間活力的研究逐漸成為城市規劃、公共管理和社會經濟領域的研究熱點。
2、然而，街道空間活力預測面臨著許多技術挑戰。例如，傳統的預測方法通常依賴于擬合技術來建立預測模型，這種方法雖然在小規模數據下能夠提供一定的預測效果，但隨著數據量的增大，需要處理大量的歷史數據、地理數據和社會經濟數據，計算復雜度和模型復雜度急劇上升，模型的類型和參數都較難確定，導致模型的適應性差且精度較低。利用神經網絡可以解決適應性問題，但是數據預處理復雜，切模型訓練周期長，還要求強大的計算資源，尤其是在面對大規模的城市數據時，算力消耗非常高，可能導致計算效率低下或資源不足，進而影響預測的實時性和準確性。
3、因此，需要對街道空間活力的預測方法進行優化，將擬合和深度學習進行有效結合實現缺點互補進而獲得適應性強、算力消耗較低且精度高的空間活力預測。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的街道空間活力預測方法，其將擬合和深度學習進行有效結合實現缺點互補進而獲得適應性強、算力消耗較低且精度高的空間活力預測。
2、本專利技術通過以下技術方案實現：
3、一種基于深度學習的街道空間活力預測方法，包括以下步驟：
4、將一年劃分為個周期子模塊，對每個所述周期子模塊分別建立對街道的人流量進行預估的擬合模型，構建最小化擬合誤差的目
5、采集多種實時影響數據并結合所述第一人流量預估結果，通過訓練的誤差修正模型進行預測修正進而輸出第二人流量預估結果，所述實時影響數據包括自然變化影響數據和人為變化影響數據。
6、優選地，所述建立對街道的人流量進行預估的擬合模型的方法為：
7、對一年的時間進行等量劃分，得到多個所述周期子模塊，并按時間順序依次對所述周期子模塊編號；
8、基于所述等量劃分建立用于預估周期子模塊下總人流量的擬合模型。
9、優選地，根據一年的總天數獲取周期值：
10、；
11、其中，為向下取整；
12、獲取殘余天數：
13、；
14、其中，為求余函數；
15、為每個所述周期子模塊的天數的初始值設定為，在個所述周期子模塊中隨機選取個且將其天數分別增加一天。
16、優選地，基于所述等量劃分建立用于預估周期子模塊下總人流量的擬合模型的方法為：
17、；
18、；
19、；
20、；
21、；
22、；
23、；
24、；
25、其中，為一年內第個所述周期子模塊的人流量預估結果，、和分別為一年內第個所述周期子模塊的一次系數、二次系數和指數系數，為一年內第個所述周期子模塊的人流量觀測值,為前一年內第個所述周期子模塊的人流量觀測值，為第個所述周期子模塊的天數，為代表參與擬合時間長度的常數，為自然常數，u、v、c、d和e分別為中間參數。
26、優選地，獲取所述擬合模型的參數的方法為：
27、從歷史數據獲取連續y年的每日人流量數據；
28、建立所述目標函數：
29、；
30、其中，和分別為連續y年的歷史數據里第年內第個所述周期子模塊的人流量預估結果和觀測值；
31、建立周期子模塊數量約束：
32、；
33、建立擬合項數約束：
34、；
35、基于所述目標函數和多個所述約束求解、和，。
36、優選地，所述誤差修正模型通過輸入層接收所述實時影響數據和所述第一人流量預估結果，基于所述實時影響數據通過特征提取層提取特征參數，再通過隱藏層將所述特征參數非線性化，最后根據所述特征參數和所述第一人流量預估結果通過輸出層輸出所述第二人流量預估結果。
37、優選地，所述特征提取層提取特征參數的方法為：
38、采集的所述自然變化影響數據包括基于氣象預報獲取的目標日的溫度范圍、最大風力等級和最大降雨量；
39、根據所述自然變化影響數據提取自然特征，代表目標日在一年內的天數序號，代表目標日的自然特征；
40、采集的所述人為變化影響數據包括閾值時間和閾值范圍內街道外的新增商業設施的位置和在目標日舉辦的商業娛樂活動的位置，以及閾值時間內街道內的新增商業設施的數量和在目標日舉辦的商業娛樂活動的數量；
41、根據所述人為變化影響數據提取人為特征，為目標日的人為特征；
42、融合目標日的所述自然特征和所述人為特征形成目標日的所述特征參數：
43、。
44、優選地，根據所述自然變化影響數據提取所述自然特征的方法為：
45、；
46、；
47、；
48、；
49、；
50、；
51、其中，代表周期子模塊的序號，為真值函數，、和分別為所述目標日的預告溫度上限、所在第個所述周期子模塊的平均溫度上限和預設的溫度上限閾值，、和分別為所述目標日的預告溫度下限、所在第個所述周期子模塊的平均溫度下限和預設的溫度下限閾值，、和分別為所述目標日的預告最大風力等級、所在第個所述周期子模塊的平均最大風力等級和預設的最大風力等級閾值，、和分別為所述目標日的預告最大降雨量、所在第個所述周期子模塊的平均最大降雨量和預設的最大降雨量，分別為中間參數；
52、根據所述人為變化影響數據提取所述人為特征的方法為：
53、；
54、；
55、；
56、；
57、其中，為街道外新增的第個商業設施的位置到所述街道中心的距離，為從街道外第個閾值商業設施的位置到所述街道范圍的作的兩條外切線的夾角，為街道外的第個商業娛樂活動的位置到所述街道中心的距離，為從街道外的第個商業娛樂活動的位置到所述街道范圍的作的兩條外切線的夾角，和分別為街道外新增商業設施的總數和舉辦商業娛樂活動的總數，和分別為經驗權重，為街道面積，為街道內的新增商業設施的數量和在目標日舉辦的商業娛樂活動的總數量，分別為中間參數。
58、優選地，所述輸出層融合多個sigmoid函數進行輸出：
59、;
60、其中，和為分別為所述目標日的所述第一人流量預估結果和所述第二人流量預估結果，和分別為所述隱藏層處理后的所述自然特征和所述人為特征，、和分別為待訓練權重，、和分別為待訓練偏置。
61、本專利技術的技術方案至少具有如下優點和有益效果：
62、本專利技術將人流量的預測劃分為全局趨勢預測和突發狀況影響的變化預測兩部分，通過擬合來進行全局趨勢預測并通過神經網絡來進本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的街道空間活力預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的街道空間活力預測方法，其特征在于，所述建立對街道的人流量進行預估的擬合模型的方法為：
3.根據權利要求2述的一種基于深度學習的街道空間活力預測方法，其特征在于，所述進行等量劃分的方法為：
4.根據權利要求3述的一種基于深度學習的街道空間活力預測方法，其特征在于，基于所述等量劃分建立用于預估周期子模塊下總人流量的擬合模型的方法為：
5.根據權利要求4述的一種基于深度學習的街道空間活力預測方法，其特征在于，獲取所述擬合模型的參數的方法為：
6.根據權利要求1述的一種基于深度學習的街道空間活力預測方法，其特征在于，所述誤差修正模型通過輸入層接收所述實時影響數據和所述第一人流量預估結果，基于所述實時影響數據通過特征提取層提取特征參數，再通過隱藏層將所述特征參數非線性化，最后根據所述特征參數和所述第一人流量預估結果通過輸出層輸出所述第二人流量預估結果。
7.根據權利要求6述的一種基于深度學習的街道空間活力預
8.根據權利要求7述的一種基于深度學習的街道空間活力預測方法，其特征在于，根據所述自然變化影響數據提取所述自然特征的方法為：
9.根據權利要求8述的一種基于深度學習的街道空間活力預測方法，其特征在于，所述輸出層融合多個sigmoid函數進行輸出：
...【技術特征摘要】
1.一種基于深度學習的街道空間活力預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的街道空間活力預測方法，其特征在于，所述建立對街道的人流量進行預估的擬合模型的方法為：
3.根據權利要求2述的一種基于深度學習的街道空間活力預測方法，其特征在于，所述進行等量劃分的方法為：
4.根據權利要求3述的一種基于深度學習的街道空間活力預測方法，其特征在于，基于所述等量劃分建立用于預估周期子模塊下總人流量的擬合模型的方法為：
5.根據權利要求4述的一種基于深度學習的街道空間活力預測方法，其特征在于，獲取所述擬合模型的參數的方法為：
6.根據權利要求1述的一種基于深度學習的街道空間...
【專利技術屬性】
技術研發人員：邱寒，何茂維，李浩，陳濤，楊峰，鄭爽，白靜，雷蘇文，葉瑾，王匯明，張芳，姚凱，何明娟，付麗童，蔡佳，楊瑞東，楊帥，趙小宇，
申請(專利權)人：中國市政工程西南設計研究總院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。