李 静，刘海砚，郭文月，陈 欣

1. 信息工程大学数据与目标工程学院，河南 郑州 450052； 2. 信息工程大学地理空间信息学院，河南 郑州 450052

人群活动流量预测是探索人类移动规律的重要环节，也是时空预测的核心问题之一[1]。对人群活动流量的预测研究能够用来分析城市的交通状况，帮助理解城市的功能区域及人口活动分布等，在交通运维[2]、灾难响应[3]、旅游推荐[4]、城市规划[5]等方面均具有重要应用价值。当前对于该问题的研究主要是在对地理区域进行基本单元划分的基础上，通过建立区域间人群流量的时空关联来实现对人群活动流量的预测。然而，这种时空关联包含了人群活动的时间依赖性和空间依赖性，是相对复杂的非线性数学模型。因此，如何对这种复杂的时空关联进行构建是该研究领域的主要挑战之一。

早期研究侧重关注时间依赖性，即区域内人群活动流量随时间的动态变化，包括周期性和趋势性，常用的方法有时间序列模型[6]、线性回归模型[7]和卡尔曼滤波模型[8]等。文献[9]使用历史平均模型(historical average,HA)，将历史时期交通量的平均值作为预测值，该方法不需要任何假设，计算简单快速，但没有顾及时间特征，且预测精度相对较低。文献[10]使用非参数化的自回归移动平均模型(autoregressive integrated moving average model,ARIMA)对兴趣点的人流量进行时序建模，但不能够很好地拟合非平稳性历史时序数据。以上方法均只考虑了时间依赖性，忽略了空间特征对于人群活动规律的影响。空间依赖性是指人群活动与空间之间的相互影响，例如上游道路交通状态通过传递效应影响下游道路交通状态，下游道路交通状态通过反馈效应影响上游道路交通状态[11]。……