基于情景感知和深度学习的异常群体流量预测方法及装置

本发明涉及流量预测领域，具体涉及一种基于情景感知和深度学习的异常群体流量预测方法及装置。

背景技术：

1、理解群体行为一直以来都是一个重要的研究课题，群体流量不仅与每个居民都息息相关，而且也是城市管理部门的关注重点。并且异常群体流量更值得关注，因为异常群体流量是超出预期的，可能会造成交通拥堵、人员踩踏、甚至通讯网络瘫痪的严重后果。

2、传统的异常群体流量检测方法往往是基于当前的流量情况以及历史的经验来判断当前群体流量是否属于异常情况。但是，该方法的主要缺陷在于无法及时响应未来可能出现的异常情况，只能解决当下已经存在的流量异常问题。虽然也可以将群体流量预测方法与异常群体流量检测方法进行结合，但是现有的群体流量预测方法通常都是对群体流量的时空模式进行建模，虽然也有部分模型考虑将常见的天气、时间等因素融合进预测模型，但是这类方法都倾向于捕获常规稳定的模式，而将事件所触发的异常流量视为噪声，无法有效预测未来可能出现的异常群体流量，所以也无法解决对未来出现的异常群体流量进行及时响应的问题。

技术实现思路

1、针对上述提到的技术问题。本技术的实施例的目的在于提出了一种基于情景感知和深度学习的异常群体流量预测方法及装置，来解决以上背景技术部分提到的技术问题。

2、第一方面，本发明提供了一种基于情景感知和深度学习的异常群体流量预测方法，包括以下步骤：

3、s1，构建群体流量时空预测模型并进行训练，得到经训练的群体流量时空预测模型，群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支，群体流量预测分支包括第一图卷积神经网络和第一特征融合模块，事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络，群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络，事件时序影响预测分支包括通道间注意力网络和第二全连接网络，群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元；

4、s2，获取历史群体流量和地图区域边界，并筛选位于地图区域边界内的历史群体流量，得到区域群体流量，根据区域群体流量构建群体流量时空图；

5、s3，获取事件信息，根据事件信息及其对应的城市环境数据提取得到事件时序特征，根据事件信息和区域群体流量提取得到事件空间影响矩阵；

6、s4，将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型，群体流量时空图输入第一图卷积神经网络中，得到多个图特征，多个图特征输入第一特征融合模块，得到群体流量特征的隐含表示；事件时序特征输入通道间注意力网络，得到通道间注意力网络的有效表示，群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元，得到拼接结果，事件空间影响矩阵输入空间图构建模块，得到事件空间影响图，事件空间影响图输入第二图卷积神经网络，得到事件空间影响的隐含表示，事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络，得到未来群体流量，拼接结果输入第二全连接网络，得到事件引发的群体流量波动。

7、作为优选，步骤s2中根据区域群体流量构建群体流量时空图，具体包括：

8、将区域群体流量中对应不同历史时间段的群体流量进行抽取，作为区域群体流量的时序特征；

9、通过不同区域间的地理距离计算出地理距离临近程度；

10、通过统计每个区域内各种类型的兴趣点的数量，得到兴趣点向量，并计算不同区域间的兴趣点向量的相似度，得到功能区相似度；

11、将每个区域历史时间段内的群体流量作为区域对应的流量模式向量，采用皮尔逊相关系数计算不同区域间的流量模式向量的相关性，得到群体流量相关度；

12、将区域群体流量的时序特征作为节点，分别以地理距离临近程度、功能区相似度和群体流量相关度作为边，构造群体流量时空图。

13、作为优选，步骤s3中根据事件信息及其对应的城市环境数据提取得到事件时序特征，具体包括：

14、根据事件信息获取与事件相关的各类时序情景特征，时序情景特征包括事件语义化特征、事件时间特征和事件天气特征；

15、对时序情景特征进行预处理，得到事件时序特征。

16、作为优选，事件时序影响预测分支中的通道间注意力网络的计算过程如下：

17、

18、sc＝fex(zc,w)＝σ(g(zc,w))＝σ(w2δ(w1zc))；

19、

20、其中，是在空间维度h×w上挤压事件时序特征uc得到的特征，h表示历史时间窗口，w表示特征维度；fsq表示挤压函数，使用平均方式计算；fex表示激发函数，由两个全连接网络σ和δ组成，σ表示sigmoid函数，δ表示relu函数，和为学习参数；表示事件时序特征的有效表示，fscale(uc,sc)指在事件时序特征与标量sc之间通道级别的乘法操作。

21、作为优选，步骤s3中根据事件信息和区域群体流量提取得到事件空间影响矩阵，具体包括：

22、将事件信息采用结构化语言表示，得到事件信息的结构化表示；

23、根据事件信息的结构化表示和区域群体流量采用刺激响应函数对事件的空间影响进行拟合，得到事件空间影响矩阵。

24、作为优选，事件空间影响预测分支中的空间图构建模块的计算过程如下：

25、将事件空间影响矩阵中的每一列元素对应一个区域的刺激响应序列；

26、通过不同区域间的地理距离计算出地理距离临近程度；

27、通过统计每个区域内各种类型的兴趣点的数量，得到兴趣点向量，并计算不同区域间的兴趣点向量的相似度，得到功能区相似度；

28、采用皮尔逊相关系数计算不同区域间的刺激响应序列的相关性，得到刺激响应相似度；

29、将区域的刺激响应序列作为节点，分别以地理距离临近程度、功能区相似度和刺激响应相似度作为边，构造事件空间影响图。

30、作为优选，群体流量时空预测模型的训练过程中，群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支同时并行训练，群体流量预测分支和事件时序影响预测分支通过第三特征融合模块实现参数共享，群体流量预测分支与事件空间影响预测分支对应第一损失函数，事件时序影响预测分支对应第二损失函数；总损失函数的计算过程如下：

31、

32、

33、

34、

35、

36、

37、

38、l＝μ·loss1+(1-μ)·loss2；

39、其中，n表示区域的数量，d表示事件时序特征的数量，表示群体流量特征的隐含表示，表示事件时序特征的隐含表示，表示拼接结果，o表示群体流量预测任务在融合事件时序影响后的初步输出，gru表示门控循环单元，表示事件空间影响图，gcn表示第二图卷积神经网络，os表示事件空间影响图通过gcn建模空间关联后的隐含表示，表示预测出的未来群体流量，fo表示第一全连接网络，σ表示门控函数，⊙表示矩阵间的按位乘法，loss1表示第一损失函数，loss2表示第二损失函数，μ为自定义参数，l为总损失函数。

40、作为优选，第一特征融合模块中，将多个图特征采用拼接方式进行多图融合，得到群体流量特征的隐含表示；第二特征融合模块中，将事件空间影响的隐含表示与拼接结果采用拼接方式进行融合；第三特征融合模块中，结合门控和相加两种融合方式将群体流量特征的隐含表示与通道间注意力网络的有效表示进行特征融合。

41、第二方面，本发明提供了一种基于情景感知和深度学习的异常群体流量预测装置，包括：

42、模型构建模块，被配置为构建群体流量时空预测模型并进行训练，得到经训练的群体流量时空预测模型，群体流量时空预测模型包括群体流量预测分支、事件时序影响预测分支与事件空间影响预测分支，群体流量预测分支包括第一图卷积神经网络和第一特征融合模块，事件空间影响预测分支包括空间图构建模块和第二图卷积神经网络，群体流量预测分支和事件空间影响预测分支共用第二特征融合模块和第一全连接网络，事件时序影响预测分支包括通道间注意力网络和第二全连接网络，群体流量预测分支和事件时序影响预测分支共用第三特征融合模块和门控循环单元；

43、群体流量特征获取模块，被配置为获取历史群体流量和地图区域边界，并筛选位于地图区域边界内的历史群体流量，得到区域群体流量，根据区域群体流量构建群体流量时空图；

44、时序空间特征获取模块，被配置为获取事件信息，根据事件信息及其对应的城市环境数据提取得到事件时序特征，根据事件信息和区域群体流量提取得到事件空间影响矩阵；

45、预测输出模块，被配置为将群体流量时空图、事件时序特征和事件空间影响矩阵输入经训练的群体流量时空预测模型，群体流量时空图输入第一图卷积神经网络中，得到多个图特征，多个图特征输入第一特征融合模块，得到群体流量特征的隐含表示；事件时序特征输入通道间注意力网络，得到通道间注意力网络的有效表示，群体流量特征的隐含表示与通道间注意力网络的有效表示依次经过第三特征融合模块和门控循环单元，得到拼接结果，事件空间影响矩阵输入空间图构建模块，得到事件空间影响图，事件空间影响图输入第二图卷积神经网络，得到事件空间影响的隐含表示，事件空间影响的隐含表示与拼接结果依次经过第二特征融合模块和第一全连接网络，得到未来群体流量，拼接结果输入第二全连接网络，得到事件引发的群体流量波动。

46、第三方面，本发明提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

47、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

48、相比于现有技术，本发明具有以下有益效果：

49、(1)本发明通过情景感知技术获取城市中的群体流量、城市环境数据以及事件相关数据，再通过深度学习技术高效地构建群体流量时空图，同时为了响应事件触发的异常群体流量，采用注意力机制将事件时序情景对群体流量波动的影响融入群体流量预测时空模型，基于刺激响应的思想将事件空间情景对群体流量的影响建模融入群体流量预测时空模型，从而实现异常群体流量的预测。

50、(2)本发明提出群体流量预测任务与事件时序影响预测任务，通过特征拼接的方式来实现两个任务的参数共享，对两个任务损失函数使用加权和的方式进行统一，并且同时训练，提升模型的预测性能和鲁棒性。

51、(3)本发明提出的群体流量时空预测模型不仅可以准确预测未来一段时间的群体流量，还能够对事件引起的群体流量波动进行准确预测，并对未来出现的异常群体流量及时进行响应。