一种基于地理相似性和联邦学习的人群流动预测方法

本发明涉及人群流动预测，具体是涉及一种基于地理相似性和联邦学习的人群流动预测方法。

背景技术：

1、随着移动设备的普及和互联网的快速发展，人类的流动变得更加复杂和多样化。准确预测人群流动的位置信息和流量信息有助于城市规划、交通管理、公共卫生等领域。由于数据收集的不完全、设备覆盖范围有限或数据存储系统的缺陷，许多城市无法获取完整的人群流动数据。现有的人群流动预测方法主要基于统计学模型，利用历史出行数据来预测未来的出行模式，也就是预测未来的人群流动数据，由于需要收集和共享大量的个人出行数据，导致个人隐私信息的泄露。

2、综上所述，现有技术中的人群流动分布数据预测方法易导致个人信息的泄露。

3、因此，现有技术还有待改进和提高。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于地理相似性和联邦学习的人群流动预测方法，解决了现有技术中的人群流动分布数据预测方法易导致个人信息泄露的问题。

2、为实现上述目的，本发明采用了以下技术方案：

3、第一方面，本发明提供一种基于地理相似性和联邦学习的人群流动预测方法，其中，包括：

4、获取目标城市的目标原始地理空间数据，并对所述目标原始地理空间数据进行预处理，得到标准化地理空间数据；

5、对所述标准化地理空间数据应用已训练的神经网络模型，得到所述目标城市的人群流动分布预测数据，所述人群流动分布预测数据用于表征人群在所述目标城市内的各个网格空间上的流动数据。

6、在一种实现方式中，所述对所述目标原始地理空间数据进行预处理，得到标准化地理空间数据，包括：

7、对所述目标原始地理空间数据按照时间进行划分，得到每个时间步内的局部数据信息；

8、对每个时间步内的所述局部数据信息按照地理空间进行网格化划分，得到每个所述时间步内的局部地理空间数据信息，所述局部地理空间数据信息与所述网格空间相对应；

9、对每个所述时间步内的所述局部地理空间数据信息进行归一化处理，得到标准化局部空间数据；

10、依据所有所述时间步内的所述标准化局部空间数据，得到标准化地理空间数据。

11、在一种实现方式中，所述对所述标准化地理空间数据应用已训练的神经网络模型，得到所述目标城市的人群流动分布预测数据，包括：

12、对所述标准化地理空间数据应用已训练的神经网络模型，得到所述神经网络模型输出的在每个所述时间步内的各个所述网格空间上的人群流动空间时间分布预测数据，并将所述人群流动空间时间分布预测数据作为所述目标城市的人群流动分布预测数据。

13、在一种实现方式中，已训练的神经网络模型的训练方式，包括：

14、获取各个预训神经网络模型的本地模型参数，其中，每个所述预训神经网络模型为每个源城市终端基于训练数据集对神经网络进行训练得到的，所述训练数据集包括源城市的地理空间数据和与地理空间数据相对应的实际人口流动分布数据；

15、依据各个所述本地模型参数，得到模型全局最终参数；

16、确定各个所述源城市与所述目标城市的相似性，并依据各个所述相似性，从各个所述源城市终端中筛选出相似源城市终端；

17、将所述模型全局最终参数发送至所述相似源城市终端，并获取所述相似源城市终端发送的个性化神经网络模型的个性化模型参数，所述个性化神经网络模型为所述相似源城市终端基于所述模型全局最终参数继续训练神经网络模型所得到的模型；

18、依据所述个性化模型参数，得到已训练的神经网络模型。

19、在一种实现方式中，所述确定各个所述源城市与所述目标城市的相似性，并依据各个所述相似性，从各个所述源城市终端中筛选出相似源城市终端，包括：

20、对各个所述源城市的地理空间数据依次按照时间划分和按照地理空间进行网格化划分，得到各个标准化源地理空间数据；

21、计算计算各个所述标准化源地理空间数据与所述标准化地理空间数据的各个余弦相似度，并将各个所述余弦相似度作为各个所述源城市与所述目标城市的相似性；

22、依据各个所述相似性，从各个所述源城市中筛选出若干个相似源城市，以从各个所述源城市终端中筛选出相似源城市终端，每个所述相似源城市的相似性均大于其余源城市的相似性，所述其余源城市为各个所述源城市除所述相似源城市之外的城市。

23、在一种实现方式中，所述依据各个所述本地模型参数，得到模型全局最终参数，包括：

24、计算各个所述本地模型参数的均值，得到模型全局最终参数。

25、在一种实现方式中，所述相似源城市终端训练神经网络时对所述个性化模型参数进行更新，更新的方式为根据损失函数和相似源城市的全局特征向量进行更新，所述损失函数为所述相似城市的所述实际人口流动分布数据和所述相似城市的预测人口流动分布数据所构成的损失函数，所述预测人口流动分布数据为神经网络基于所述相似城市的地理空间数据输出的预测数据，所述全局特征向量为所述相似城市的地理空间数据的向量形式。

26、第二方面，本发明实施例还提供一种基于地理相似性和联邦学习的人群流动预测装置，其中，所述装置包括如下组成部分：

27、数据预处理模块，用于获取目标城市的目标原始地理空间数据，并对所述目标原始地理空间数据进行预处理，得到标准化地理空间数据；

28、预测模块，用于对所述标准化地理空间数据应用已训练的神经网络模型，得到所述目标城市的人群流动分布预测数据，所述人群流动分布预测数据用于表征人群在所述目标城市内的各个网格空间上的流动数据。

29、第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于地理相似性和联邦学习的人群流动预测程序，所述处理器执行所述基于地理相似性和联邦学习的人群流动预测程序时，实现上述所述的基于地理相似性和联邦学习的人群流动预测方法的步骤。

30、第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于地理相似性和联邦学习的人群流动预测程序，所述基于地理相似性和联邦学习的人群流动预测程序被处理器执行时，实现上述所述的基于地理相似性和联邦学习的人群流动预测方法的步骤。

31、有益效果：本发明首先获取目标城市的目标原始地理空间数据，之后对目标原始地理空间数据进行预处理，得到标准化地理空间数据。最后对标准化地理空间数据应用已训练的神经网络模型，得到目标城市的人群流动分布预测数据。从上述分析可知，由于目标城市的地理空间数据与人群流动息息相关，因此使用地理空间数据可以预测出人群流动分布数据，而地理空间数据又不涉及人群的个人信息，因此本发明既能预测出人群流动分布数据，又不会泄露个人隐私数据。

技术特征：

1.一种基于地理相似性和联邦学习的人群流动预测方法，其特征在于，包括：

2.如权利要求1所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述对所述目标原始地理空间数据进行预处理，得到标准化地理空间数据，包括：

3.如权利要求2所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述对所述标准化地理空间数据应用已训练的神经网络模型，得到所述目标城市的人群流动分布预测数据，包括：

4.如权利要求1所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，已训练的神经网络模型的训练方式，包括：

5.如权利要求4所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述确定各个所述源城市与所述目标城市的相似性，并依据各个所述相似性，从各个所述源城市终端中筛选出相似源城市终端，包括：

6.如权利要求4所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述依据各个所述本地模型参数，得到模型全局最终参数，包括：

7.如权利要求4所述的基于地理相似性和联邦学习的人群流动预测方法，其特征在于，所述相似源城市终端训练神经网络时对所述个性化模型参数进行更新，更新的方式为根据损失函数和相似源城市的全局特征向量进行更新，所述损失函数为所述相似城市的所述实际人口流动分布数据和所述相似城市的预测人口流动分布数据所构成的损失函数，所述预测人口流动分布数据为神经网络基于所述相似城市的地理空间数据输出的预测数据，所述全局特征向量为所述相似城市的地理空间数据的向量形式。

8.一种基于地理相似性和联邦学习的人群流动预测装置，其特征在于，所述装置包括如下组成部分：

9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于地理相似性和联邦学习的人群流动预测程序，所述处理器执行所述基于地理相似性和联邦学习的人群流动预测程序时，实现如权利要求1-7任一项所述的基于地理相似性和联邦学习的人群流动预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于地理相似性和联邦学习的人群流动预测程序，所述基于地理相似性和联邦学习的人群流动预测程序被处理器执行时，实现如权利要求1-7任一项所述的基于地理相似性和联邦学习的人群流动预测方法的步骤。

技术总结本发明涉及人群流动预测技术领域，具体是涉及一种基于地理相似性和联邦学习的人群流动预测方法。本发明首先在多个源城市终端上利用地理空间数据和人群流动数据，进行深度学习模型下的联邦学习。源城市终端将模型参数上传至中央服务器，以更新全局神经网络模型。然后，对所有源城市和目标城市的地理空间数据进行地理相似性度量，确定相似度最高的源城市集合。最后，对这些地理相似性高的源城市集合进行个性化定制的联邦学习，并将最终模型应用于缺失人群流动数据的目标城市，完成其人群流动预测。本发明不仅解决了因目标城市数据缺失带来的预测困难，防止个人隐私数据泄露，同时通过地理相似性提高了个性化联邦学习中人群流动预测的精度。技术研发人员：涂伟,方碧宸,余俊娴,李明晓,李清泉受保护的技术使用者：深圳大学技术研发日：技术公布日：2024/10/10