本發明提供一種基于位置大數據的精細時空尺度動態人口預測方法及系統，包括對多源數據進行預處理，獲得格網和區縣尺度各空間協變量的統計量；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變量，判斷該區域是否存在人類活動；構建動態人口預測模型，包括在區縣尺度上基于空間協變量和人口統計數據構建人口空間降尺度模型，利用自編碼深度殘差網絡模型，對格網尺度動態人口密度初始預測值進行精細調整；優化超參數及評估模型精度，并在不同尺度上對動態人口預測精度進行評估。本發明首次為省級范圍動態人口預測提供了全新技術方案，并提升了精細尺度動態人口預測精度，為臺風等大尺度自然災害的影響評估等領域提供了新的數據源。

技術領域

本發明屬于互聯網檢測領域，特別涉及一種基于位置大數據的精細時空尺度動態人口預測方法及系統。

背景技術

近年來，位置感知大數據的普及使得大范圍感知精細尺度個體時空活動成為可能，這為動態人口預測奠定了堅實的數據基礎。現有動態人口預測方法主要是利用手機數據或包含地理位置的社交媒體數據，通過構建與真實地面人口之間的加權模型或統計關系，實現城市范圍內高時空精度動態人口預測，時間分辨率可達到天乃至小時尺度。從方法上看，可大致分為三類：加權插值法、統計建模法、人工智能建模法。加權插值法基于數據自身或輔助變量，構建簡單加權模型來獲取人口分布權重[1-4]。統計建模法采用對數線性模型等統計模型，對位置感知大數據與普查人口數據之間的穩健函數關系進行建模[5-8]。人工智能建模法基于機器學習或深度學習模型，對人口分布的時空模式或影響因素進行智能學習，并據此預測動態人口[9-10]。

但是，現有動態人口預測方法還存在如下問題：

（1）模型尺度下推的適用性問題?，F有模型大多是通過在街道或縣級尺度上，構建位置感知大數據與統計人口之間穩健的函數關系，推算精細格網尺度的人口分布，但是在格網尺度上兩者的關系往往更為復雜多變，使得尺度下推時的預測結果會存在明顯錯誤。

（2）缺乏省級乃至全國尺度的動態人口預測研究。受制于數據難以大范圍獲取的原因，現有研究范圍主要局限于城市尺度，但是臺風等自然災害的影響范圍往往覆蓋多個省市，區域尺度動態人口分布數據的缺乏將導致無法大范圍評估災害過程對人口的同步影響。

（3）人類活動區域提取問題。人類活動往往只分布在少量適宜居住的地區，因而進行大范圍人口預測時需要首先剔除不存在人類活動的區域，將模型變量的計算和人口預測的范圍約束在人類活動區域，這樣才能更為客觀地反映人口和空間協變量的分布密度，從而提升模型變量的準確性。

（4）單一模型的學習能力問題。由于位置感知大數據在不同地區的代表性存在差異，且不同區域之間的人口分布特征及其影響因素可能非常大的差異，這對區域尺度動態人口預測模型的自適應性提出了新的挑戰。而現有方法大多僅采用單一模型（如隨機森林模型）進行建模，但是單一模型無法全面學習到不同區域的空間協變量與年末常住人口之間的復雜關系，這會導致人口預測誤差出現明顯的區域差異。

目前，動態人口密度預測的相關專利有：一種城市人口密度動態預測方法及系統（CN 107515842B,公告/公開日20171226），該專利主要利用手機數據根據當前實時感知的人口密度預測下一時間窗的人口密度，但仍然無法預測省級乃至全國尺度的動態人口，且城市尺度的預測結果降尺度到格網尺度上，模型預測能力往往會受到較大影響。

因此，在這樣的技術背景下，本發明公開了一種基于社會感知大數據和多機器學習模型的區域精細時空尺度動態人口預測方法，實現了省級層面精細時空尺度的動態人口預測，并據此生成區域精細時空尺度動態人口數據集TLRpop。

相關文獻：