张 敏，卿粼波，王 巧，才虹丽，陈 杨

（1 四川大学 电子信息学院，成都 610065；2 四川通信科研规划设计有限责任公司，成都 610065）

0 引言

城市区域人流量预测在智慧交通系统中具有重大现实意义。例如，当区域人流量过大、人群聚集程度较高时，如果不能及时察觉潜在的风险，进行科学的疏导和控制，很容易发生踩踏等事件［1－2］。城市区域人流量预测在智慧交通系统中具有重大现实意义，人群流动建模为日益严峻的交通状况、公共卫生安全、资源配置、风险评估等问题提供有效的决策支持［3］。

在城市区域人流量预测问题中，传统的建模思路难以同时有效的处理时序的两级周期性和空间依赖性问题。2017 年，Zhang 等人［4］建立了基于深度残差网络的城市人流量预测模型ST－ResNet。其后，研究人员在此基础上陆续提出了ConvGRU［5］等一系列模型，将每个网格区域的人流量用规则矩阵表征卷积输入，表征人流量预测中的空间依赖关系。文献［6］中提出了DeepSTN＋模型，结合区域的功能特性，能够捕捉更大范围空间的依赖关系。文献［7］中使用空间卷积，来构建预测不规则区域的人流量模型MVGCN 等等。然而，上述传统的区域人流量预测模型，没有充分挖掘人流量数据的时间特征，虽利用深度学习进行预测，但在数据量不足时，训练数据的性能会显著下降。

本文数据来源于CCF 2020 重点区域人群密度预测［8］，在Top1［9］模型基础上，针对以上问题，考虑时序特征的两级周期性，一方面利用图神经网络（GNN）［10］提取空间特征，另一方面将空间区域特性因素纳入其中，构建模型预测城市区域未来一周分小时的人流量分布。……