CN119416947A 一种基于时空特征注意力机制的人口热力数据预测方法 （上海市地震局）

一种基于时空特征注意力机制的人口热力基于时空特征注意力机制的人口热力数据预测行计算，以获取各节点时间序列特征和空间特间特征向量和空间特征向量生成预测人口热力数据信息解决了传统模型对时空特征捕捉能力2步骤S04，根据所述时间序列特征和空间特征生成各节点的时间特征向量和空间特征2.根据权利要求1所述的一种基于时空特征注意力机制的人口热力数据预测方法，其将所述各节点人口数据信息输入神经网络，以基于时空特征注意力根据所述时空特征注意力权重对各节点对应特征进对经数据处理后的各节点对应特征进行卷积操作，以获取各节点的空间3.根据权利要求1所述的一种基于时空特征注意力机制的人口热力数据预测方法，其将各节点对应的所述时间序列特征和空间特征输入神经网络，4.根据权利要求1所述的一种基于时空特征注意力机制的人口热力数据预测方法，其空间域特征压缩及时空注意力特征融合后进入Encoder_Decoder模型通过时空特征融合注5.根据权利要求4所述的一种基于时空特征注意力机制的人口热力数据预测方法，其将所述时间特征向量和空间特征向量分别与人口热力特征时空向量先后进行特征权6.根据权利要求4所述的一种基于时空特征注意力机制的人口热力数据预测方法，其7.根据权利要求4所述的一种基于时空特征注意力机制的人口热力数据预测方法，其8.根据权利要求1所述的一种基于时空特征注意力机制的人口热力数据预测方法，其39.根据权利要求4所述的一种基于时空特征注意力机制的人口热力数据预测方法，其其中，上式自上而下分别依次对应时域均值压缩、时其中，上式自上而下分别依次对应空间域均值压缩、空间域4[0003]采用正态分布的最大似然估计的结构方程建模是人口估算研究中最广泛使用的多模型选择的自回归移动平均模型(ARMA)用来调控人口长周期的特征收益率及平稳分布平均自回归模型(SARIMA)在预测精度和效率方面大大[0004]以人口空间密度函数为核心的众包地理模型为环境变化和技术更新驱动的城市来解决人口网络如何嵌入分布空间的问题。人口稠密的沿海城市人口密度往往会被高估，[0005]热力图是一个近些年受到广泛关注的时空数据特征分布5[0012]步骤S04，根据所述时间序列特征和空间特征生成各节点的时间特征向量和空间6填充、空间域特征压缩及时空注意力特征融合后进入Encoder_Decoder模型通过时空特征[0025]将所述时间特征向量和空间特征向量分别与人口热力特征时空向量先后进行特进行回归，从而得到下一个时刻的起始/结束流量值，以完成时空注意力融合人口热力预7种模型框架适用于各种时空热力数据或者能够转化成热力数据性质的数据时特别是空间网格化数据，比其他全连接的网络更有可能发现时空特征的规8[0063]步骤S04，根据所述时间序列特征和空间特征生成各节点的时间特征向量和空间所述时间特征向量和空间特征向量分别与人口热力特征时空向量先后进行特征权重融合，空序列的关系如基于马尔科夫链的模型、Akaike和贝叶斯信息准则,通过构造扩展的三维9[0077]所述空间域特征压缩包括通过对T维度进行空间域均值压缩、空间域最大值压缩(ConvolutionalBlockAttentionModule)的通道域进行改进在maxpool和avgpool的基行压缩变成1×1×C的向量，通过Softmax激活函数将向量转化为多尺度通道之间的权重，对各卷积核的空间特征权重进行学习，然后将权重向量与4个空间域特征通道相乘后相加