游 兰,张涵钰,韩凡宇,金 红,崔海波,何 渡,汪坤钰,郑巧仙

(1.湖北大学 计算机与信息工程学院,湖北 武汉 430062;2.湖北省科技信息研究院,湖北 武汉 430071)

0 引 言

城市人群热点指的是一个相较其他区域具有更多的人类活动、居民出行次数以及交通流量较大的地理区域[1],相关预测研究对于城市感知和公共安全应急决策具有重要的实际意义[2]。

近年来,许多国内外学者围绕基于出租车轨迹的城市热点区域展开研究。这些方法大多使用空间聚类方法进行城市热点区域的空间规律分析,主要预测较短时间范围内的热点趋势[3-4]。城市人群热点区域往往伴随时空环境变化而快速演化,存在典型的空间相关性和时间相关性特点[5]。如何发掘利用热点区域的时空相关性是精准预测城市人群热点变化趋势的关键。

传统时空数据预测研究常常采用单一卷积神经网络(convolution neural networks,CNNs)或循环神经网络(recurrent neural networks,RNNs)进行建模,忽略了时空同时相关性。同时,也未考虑生活作息、天气和环境等因素对城市人群活动可能造成的影响[6]。通过结合卷积网络和循环网络模型,可用于捕捉时空演变规律[7]。

近年来,混合神经网络已经被广泛应用在各个研究领域,如游戏策略、语音识别等[8-10]。如何将城市人群的作息规律用于时空热点预测是研究的难点。因此,该文提出了一种面向城市人群时空热点预测的深度混合神经网络模型(CNN-Seq2Seq-Attention,CSA)结合生活作息规律的时空相关性对人群热点分布进行预测。

贡献包括3个方面：