(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211069287.4 (22)申请日 2022.08.31 (71)申请人 上海合本 字节数字科技有限公司 地址 200233 上海市徐汇区虹漕 路25-1号2 楼 (72)发明人 王中岳　 (74)专利代理 机构 上海点威知识产权代理有限 公司 31326 专利代理师 胡志强 (51)Int.Cl. G08G 1/01(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/08(2006.01) (54)发明名称 基于人工神经网络的城市出行活动预测方 法及装置 (57)摘要 本发明涉及城市建设规划技术领域， 具体涉 及基于人工神经网络的城市出行活动预测方法 及装置， 包括： 基于城市基础要素与城市出行活 动数据之间的特征关系， 结合拓扑模 型构建初始 城市出行 活动预测模型； 根据反推拟合算法计算 城市出行 活动的全量数据， 得到城市活动出行概 率； 根据城市活动出行概率、 城市出行活动数据、 城市建设与更新方案数据对初始城市出行活动 预测模型进行训练， 得到城市出行活动预测模 型； 本发明通过城市出行活动预测模 型能够更准 确的预测未来城市活动出行概率。 能够根据所述 未来城市活动出行概率观测出城市未来规划与 设计方案对城市出行活动所带来的影 响， 从而辅 助对城市未来规划与设计方案进行辅助调整， 优 化城市发展决策。 权利要求书3页 说明书12页 附图3页 CN 115527365 A 2022.12.27 CN 115527365 A 1.基于人工神经网络的城市出 行活动预测方法， 其特 征在于， 包括： 采集城市出 行活动数据； 建立城市基础要素的拓扑模型， 将交通要素、 地块要素、 服务要素作为附加属性关联到 所述拓扑模型 上， 赋值所述城市出 行活动数据到所述拓扑模型对应的断面上； 基于城市基础要素与 所述城市出行活动数据之间的特征关系， 结合所述拓扑模型构建 初始城市出 行活动预测模型； 基于所述城市出行活动数据， 结合反推拟合算法计算城市出行活动的全量数据， 对所 述城市出 行活动的全量数据进行处 理， 得到城市活动出 行概率； 获取城市建设与更新方案数据， 根据 所述城市活动出行概率、 所述城市出行活动数据、 所述城市建设与更新方案数据对所述初始城市出行活动预测模型进行训练， 得到城市出行 活动预测模型； 获取当前城市出行活动数据、 城市未来规划与设计方案数据， 将所述当前城市出行活 动数据、 所述城市未来规划与设计方案数据输入到所述城市出行活动预测模型， 得到未来 城市活动出 行概率； 根据所述未来城市活动出 行概率对所述城市未来 规划与设计方案进行辅助调整。 2.如权利要求1所述的基于人工神经网络的城市出行活动预测方法， 其特征在于， 所述 采集城市出 行活动数据， 包括： 设定无人机的巡航时间、 巡航 点位； 通过设定好的无人机对采集城市区域内的城市出行活动数据， 所述城市出行活动数据 包括但不限于小区出入口、 主要道路断面、 交叉口、 交通路网、 人流运行数据、 车流运行数 据、 断面标定数据。 3.如权利要求2所述的基于人工神经网络的城市出行活动预测方法， 其特征在于， 所述 建立城市基础要素的拓扑模型， 包括： 基于各节点和各节点之间连接构 成的线建立城市基础要素的拓补模型， 所述节点包括 第一类节点、 第二类节点， 所述线包括第一类线、 第二类线。 4.如权利要求3所述的基于人工神经网络的城市出行活动预测方法， 其特征在于， 所述 基于城市基础要 素与所述城市出行活动数据之 间的特征关系， 结合所述拓扑模型构建初始 城市出行活动预测模型， 包括： 将所述城市基础要素抽象成所述拓扑模型上第 一类节点和第 一类线的特征属性， 所述 第一类节点为出行起点到出行终点的位置， 所述第一类线为所述出行起点到所述出行终点 的连接； 提取所述基于所述城市出 行活动数据中的出 行起终点特 征和空间特 征； 根据所述出行起终点特征、 所述空间特征与城市活动出行概率的关联关系， 构建初始 城市出行活动预测模型。 5.如权利要求3所述的基于人工神经网络的城市出行活动预测方法， 其特征在于， 所述 基于所述城市出 行活动数据， 结合反推拟合 算法计算城市出 行活动的全量数据， 包括： 将所述小区出入口、 所述交叉口作为第二类节点， 交通路网作为连接第二类节点的第 二类线， 结合所述拓扑模型构建数据反推模型； 基于所述断面标定数据对所述数据反推模型中关键连接的第二类线赋予第一出行量权　利　要　求　书 1/3 页 2 CN 115527365 A 2的目标值和目标 范围； 随机初始化所述数据反推模型中各小区与小区之间的第一出 行量； 将所述第一出行量按照出行习惯分配到所述数据反推模型中， 得到所述城市出行活动 的全量数据。 6.如权利要求5所述的基于人工神经网络的城市出行活动预测方法， 其特征在于， 所述 将所述第一出 行量按照出 行习惯分配到所述数据反推模型中， 包括： 将所述第一出行量按照出行习惯分配到所述数据反推模型中最优路径上， 所述最优路 径包括所述第二类节点与所述第二类线的最优组合； 计算当前分配到关键路径上的第二出 行量； 基于所述第一出行量的目标值和目标范围选取第三出行量， 根据所述第二出行量、 所 述第三出行量、 出行量修正算法对所述最优路径中第四出行量进行修正， 并对所述第四出 行量中的第五出行量进 行修正， 得到修正后的第四出行量、 修正后的第五出行量， 所述第四 出行量为包含关键路径的小区之间的出 行量， 所述第五出 行量为涉及关键路径的出 行量； 根据修正后的第四出 行量、 修正后的第五出 行量计算第六 出行量； 根据所述第六出行量， 结合最优熵算法计算最小最优熵， 得到最优熵最小时所述第三 出行量和与所述第六 出行量； 将所述第六出行量按照出行习惯进行新一轮的分配， 循环上述步骤， 直至各小区之间 的修正后的第五出 行量与修 正后的第四出 行量比值小于预设值。 7.如权利要求4所述的基于人工神经网络的城市出行活动预测方法， 其特征在于， 所述 根据所述城市活动出行概率、 所述城市出行活动数据、 所述城市建设与更新方案数据对所 述初始城市出 行活动预测模型进行训练， 包括： 对所述城市 建设与更新方案数据进行 特征提取， 得到城市 建设与更新特 征； 根据所述出行起终点特征、 所述出行空间特征、 所述城市建设与更新特征、 所述城市活 动出行概率对所述初始城市出 行活动预测模型进行训练。 8.基于人工神经网络的城市出 行活动预测装置， 其特 征在于， 包括： 信息采集模块， 用于采集城市出 行活动数据； 拓扑模型构建模块， 用于建立城市基础要素的拓扑模型， 将交通要素、 地块要素、 服务 要素作为附加属性关联到所述拓扑模型上， 赋值所述城市出行活动数据到所述拓扑模型对 应的断面上； 预测模型构建模块， 用于基于城市基础要素与所述城市出行活动数据之间的特征关 系， 结合所述拓扑模型构建初始城市出 行活动预测模型； 反推拟合模块， 用于基于所述城市出行活动数据， 结合反推拟合算法计算城市出行活 动的全量数据， 对所述城市出 行活动的全量数据进行处 理， 得到城市活动出 行概率； 预测模型训练模块， 用于获取城市建设与更新方案数据， 根据 所述城市活动出行概率、 所述城市出行活动数据、 所述城市建设与更新方案数据对所述初始城市出行活动预测模型 进行训练， 得到城市出 行活动预测模型； 活动出行预测模块， 用于获取当前城市出行活动数据、 城市未来规划与设计方案数据， 将所述当前城市出行活动数据、 所述城市未来规划与设计方案数据输入到所述城市出行活 动预测模型， 得到未来城市活动出 行概率；权　利　要　求　书 2/3 页 3 CN 115527365 A 3