基于自注意的多步人体密度预测编解码器

多步人类密度预测（MHDP）是城市流动性中的一个新兴挑战，在智能城市、边缘计算和流行病学建模等领域有着广泛的应用。基本目标是在不同粒度的预测范围内估计聚集在一组城市兴趣区域（ROI）或兴趣点（POI）中的人口密度。因此，本文旨在通过提出一种创新的时间序列深度学习（DL）模型和地理空间特征预处理技术，对现有的人类密度预测文献做出贡献，并超越现有文献。具体而言，我们的研究目标是开发一个高度准确的MHDP模型，联合利用移动数据的时间和空间分量。一开始，我们将29种基线和最先进的方法分为六类进行了比较，发现我们提出的统计时间序列和深度学习编码器-解码器（ED）的准确性高于基于真实和合成移动数据集的其他模型。我们的模型在30分钟的时间窗口内，在不同粒度下，每天有200000名行人分布在多个感兴趣的区域，平均实现了28.88的中绝对误差（MAE）和87.58的均方根误差（RMSE）。此外，与现有技术的解决方案相比，地理空间特征变换使所提出的模型的RMSE进一步增加了4%。因此，这项工作提供了一个高效的同时通用的MHDP模型，可以为许多主要城市交通应用的规划和决策带来好处。