将时空人口动态融入深度学习模型用于小区域人口预测

《Computers, Environment and Urban Systems》：Incorporating spatio-temporal population dynamics into deep learning models for small-area population forecasting

　　

• •
  时空动态被整合用于小区域人口预测。
• •
  CNN-LSTM通过一维卷积层从相邻区域捕捉空间特征。
• •
  CNN-LSTM在整体准确率上优于标准LSTM。
• •
  CNN-LSTM在高空间关联和低时间关联的区域表现突出。

引言

韩国目前总人口呈下降趋势，且首尔都市圈（SMA）与首尔都市圈以外地区之间存在空间差异。具体而言，首尔都市圈以外地区，尤其是农村地区，因人口老龄化和育龄妇女数量减少而面临人口下降（Cho, 2020; Park, Yoon, and Ko, 2024）。相比之下，尽管首尔都市圈面临低生育率，但由于就业机会和基础设施集中带来的正净迁移，该区域人口仍在持续增长（Koo, 2021）。因此，这两个区域之间人口失衡的加速促使各地制定本地化政策战略，以应对这些地区间的人口差异（Ju, 2023）。

队列要素法（Smith, Tayman, and Swanson, 2013）是人口预测的标准方法之一；然而，估算作为制定区域人口变化战略基础的小区域人口（Lee, Jang, Jung, Hong, and Kim, 2022）面临两大主要局限性的挑战。首先，获取所需数据往往不可行（Lee and Cho, 2020）。具体而言，虽然该方法要求每个年龄性别组的详细人口变动要素数据（即出生、死亡和迁移），但小空间单位通常仅提供基本汇总数据（Bergs and Budde, 2022），如总人口，使得纳入通常稀缺且波动较大的社会经济变量变得不切实际。其次，该方法在小区域人口估计中涉及方法学复杂性。例如，它要求为每个人口变动要素采用不同的预测方法，而这方面存在多种建模策略（Booth, 2006）。此外，小区域人口要素比率往往表现出高度波动性，这导致预测人口方差增大（Bryant and Zhang, 2016）。

趋势外推法因其方法学简单且数据需求较低而成为小区域人口预测的可行替代方案，同时避免了预测外生变量的叠加不确定性；此外，随着机器学习领域的最新进展，其应用范围已进一步拓展。传统方法通常分为简单外推、复杂外推和比例外推法（Smith et al., 2013），当人口变化表现出相对稳定的时间动态时，这些方法表现良好，因为它们依赖于预设的模型结构和统计假设。然而，相关研究（Grossman, Wilson, and Temple, 2023）表明，传统方法由于无法准确捕捉人口变化的非线性与复杂模式，往往难以进行准确的人口预测，这促使人们将机器学习方法引入人口预测模型中。特别是，机器学习在数据建模方面具有灵活性（Gu, Kelly, and Xiu, 2020），使其在预测非线性和复杂模式方面具有优势；因此，越来越多的研究证明了其在人口预测中的适用性（Wang and Lee, 2021）。例如，Grossman等人（2023）提出，长短期记忆网络（LSTM）模型适用于捕捉各种领域（包括人口预测）中序列数据的长期依赖关系。

尽管LSTM模型能够有效捕捉时间模式，但其通常被设计为学习单一目标时间序列内的变化；然而，人口变化往往源于区域间的互动，而非在孤立区域内独立发生。这一特点凸显了将邻近区域数据纳入基于LSTM的人口预测模型的必要性。虽然低生育率和人口老龄化在国家层面驱动人口下降，但在区域尺度上，内部迁移对人口动态的影响更为显著（Lee, 2024），且更频繁地发生在相邻区域之间（You and Ma, 2024）。特别是，在人口预测中考虑迁移模式至关重要，因为高流动性年龄组（如青年群体）作为人口再生产的关键群体，会显著影响区域人口变化（Kim, Lee, and Cho, 2024）。

本研究评估了将邻近区域的人口动态纳入深度学习模型对小区域人口预测的影响。具体而言，将所提出的卷积神经网络（CNN）-LSTM模型（该模型采用一维卷积滤波器整合相邻区域的时空变化）与标准LSTM模型的性能进行比较。比较分析分为两个主要评估部分。首先，本研究评估整体预测性能，以量化整体准确率的提升并探讨预测误差的空间分布。其次，阐明影响模型优越性的具体条件。具体而言，该分析确定了局部时空特征（即时序关联和空间关联）对模型相对性能的影响，从而识别出纳入邻近区域动态更为有利的场景。

各章节摘要

方法

本研究采用了一种全面的方法学框架，通过整合时序和空间动态来预测小区域人口（图1）。本节分为两个主要部分。第一部分阐述了所采用模型的理论基础。首先介绍用于建模时间依赖关系的RNN和LSTM，然后介绍用于实现空间依赖关系的CNN。接着详述所提出的CNN-LSTM架构，并说明实现参数设置

结果

本节呈现了标准LSTM与所提出CNN-LSTM模型在小区域人口预测中的比较分析结果。研究发现分为两个主要部分。首先，提供了整体预测性能的评估，考察整体准确率和预测误差的空间分布。随后，探讨了导致两种模型性能差异的潜在因素，重点关注

结论

本研究分析了在深度学习框架下将邻近区域的人口动态纳入小区域人口预测的影响。通过比较所提出的CNN-LSTM模型（该模型通过一维卷积层整合相邻区域的时空信息）与标准LSTM模型，分析得出若干关键见解。整体评估结果表明，CNN-LSTM模型始终比LSTM模型

CRediT作者贡献声明

康惠允：可视化、验证、软件、方法学、调查研究、形式化分析、数据管理、概念化、写作–审阅与编辑、写作–初稿。具亨模：验证、监督、软件、项目管理、方法学、调查研究、形式化分析、概念化、写作–审阅与编辑、写作–初稿。赵大炫：验证、方法学、调查研究、写作–审阅与编辑。李相一：验证、方法学，

利益冲突声明

作者声明，他们不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

本研究作为气候变化研究生院专项课题的一部分开展，由气候、能源与环境部（MCEE）资助。

康惠允|具亨模|赵大炫|李相一