DeepDPM：基于深度神经网络的动态人口分布制图
计算机视觉与模式识别
2018-11-29 v2
摘要
人类人口分布的动态高分辨率数据对广泛的活动和实际应用极为重要，但直接获取过于困难且昂贵。因此，从粗粒度人口数据生成精细尺度的人口分布具有重要意义。然而，存在三大挑战：1）高、低分辨率人口之间空间关系的复杂性；2）人口分布对其他外部信息的依赖性；3）时间分布模式提取的困难。在本文中，我们首先提出生成全时间序列动态人口分布的思想，随后设计了基于深度神经网络的动态人口制图（DeepDPM），该模型利用粗粒度数据和兴趣点信息来描述空间与时间模式。在 DeepDPM 中，我们利用基于超分辨率卷积神经网络（SRCNN）的模型将粗粒度数据直接映射为更高分辨率数据，并利用时间嵌入的长短期记忆模型有效捕捉周期性特征，以平滑先前静态 SRCNN 模型得到的精细尺度结果。我们在从上海收集的真实移动数据集上进行了大量实验。结果表明，DeepDPM 优于先前最先进的方法和一系列常用的数据挖掘方法。此外，DeepDPM 突破了先前工作在时间维度上的限制，从而可获得全天所有时段的动态预测。
引用
@article{arxiv.1811.02644,
title = {DeepDPM: Dynamic Population Mapping via Deep Neural Network},
author = {Zefang Zong and Jie Feng and Kechun Liu and Hongzhi Shi and Yong Li},
journal= {arXiv preprint arXiv:1811.02644},
year = {2018}
}
备注
AAAI2019