1.一種基于位置大數據的精細時空尺度動態人口預測方法，其特征在于：包括以下步驟，

步驟1，對多源數據進行預處理，所述多源數據包括社會感知大數據、遙感影像和GIS數據，獲得格網和區縣尺度各空間協變量的統計量，所述空間協變量是來自社會感知大數據、GIS數據和遙感影像的空間位置信息相關變量，所述格網的大小采用預設的距離尺度；

步驟2，識別人類活動格網，包括根據格網尺度指示人類活動存在跡象的相關空間協變量，判斷相應區域是否存在人類活動；

步驟3，構建動態人口密度預測模型，包括在區縣尺度上，基于空間協變量和人口統計數據對隨機森林和XGBoost兩個基模型分別進行訓練，然后利用地理加權模型，對隨機森林和XGBoost的預測結果進行局部加權綜合，從而構建25個人口空間降尺度模型，包括1個日尺度人口空間降尺度模型和24個小時尺度人口空間降尺度模型；利用自編碼深度殘差網絡模型，訓練得到動態人口密度預測模型，對省級范圍內格網尺度動態人口密度初始預測值進行精校正，得到精校正后的省級范圍格網尺度動態人口密度；

實現過程包括以下子步驟，

步驟3.1，在區縣尺度上，利用各空間協變量和年末常住人口數據，對隨機森林和XGBoost兩個基模型分別進行訓練，然后利用地理加權回歸模型，對隨機森林和XGBoost的預測結果進行局部加權綜合，得到人口空間降尺度模型；

步驟3.2，在格網尺度上，利用步驟3.1訓練的人口空間降尺度模型，計算動態人口密度的初始預測值；

步驟3.3，在區縣尺度上，利用地理加權回歸模型，構建地圖服務定位請求量校正年平均密度值與年末常住人口密度之間的穩健回歸關系，并據此預測區縣尺度動態人口總量；

步驟3.4，以步驟3.3獲得的區縣尺度動態人口總量作為約束條件，在省級范圍格網尺度上，利用自編碼深度殘差網絡模型，訓練各空間協變量與步驟3.2獲得的動態人口密度的初始預測值之間的函數關系；

步驟3.5，利用訓練好的自編碼深度殘差網絡模型，對省級范圍格網尺度動態人口密度進行預測，生成區域精細時空尺度動態人口數據集TLRpop；

步驟4，優化超參數及評估模型精度，包括采用機器學習網格搜索技術和經驗知識，實現隨機森林和XGBoost基模型、地理加權回歸模型及自編碼深度殘差網絡模型的超參數優化，并在不同尺度上對動態人口密度預測精度進行評估。