CN111008729B - 一种迁移预测的方法和装置 - Google Patents
一种迁移预测的方法和装置 Download PDFInfo
- Publication number
- CN111008729B CN111008729B CN201911078487.4A CN201911078487A CN111008729B CN 111008729 B CN111008729 B CN 111008729B CN 201911078487 A CN201911078487 A CN 201911078487A CN 111008729 B CN111008729 B CN 111008729B
- Authority
- CN
- China
- Prior art keywords
- prediction
- predicted value
- value
- predicted
- migration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005012 migration Effects 0.000 title claims abstract description 120
- 238000013508 migration Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 12
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000000379 polymerizing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种迁移预测的方法和装置，所述方法包括：在待预测的目标区域中，划分多个出发地区域和目的地区域；对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值。通过本申请实施例，实现了区域中迁移数量的预测，且能够进行预测校正，提升了预测的准确性。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种迁移预测的方法和装置。
背景技术
为了充分发现车流、客流与物流的深度规律，可以对迁移数据进行分析，如OD分析(Origin-DestinationAnalysis，发地-目的地分析)，进而对提升运输与生产效率、减少交通与物流资源浪费有着积极的作用。
在现有技术中，通常借鉴于统计，如用近几天的统计平均作为未来一日的预测，但这种方式不能有效抵御噪声干扰，准确性也不甚理想。
发明内容
鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种迁移预测的方法和装置，包括：
一种迁移预测的方法，所述方法包括：
在待预测的目标区域中，划分多个出发地区域和目的地区域；
对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
可选地，所述对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值的步骤包括：
确定所述第一预测值对应的第一预测误差；
以及，确定所述第二预测值对应的第二预测误差；
采用所述第一预测误差和所述第二预测误差，计算卡尔曼增益；
结合所述第一预测值、所述第二预测值，以及所述卡尔曼增益进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
可选地，所述第一预测误差为预置的环比预测模型的预测误差，所述第二预测误差为预置的同比预测模型的预测误差，所述确定针对所述区域对中迁移数量的第一预测值和第二预测值的步骤包括：
采用预置的环比预测模型，计算针对所述区域对中迁移数量的环比预测值，作为第一预测值；
采用预置的同比预测模型，计算针对所述区域对中迁移数量的同比预测值，作为第二预测值。
可选地，待预测的目标时间段被划分为多个时间片，所述最优预测值为在第N个时间片时针对所述区域对中迁移数量的预测值，N为大于1的正整数，所述方法还包括：
迭代第一预测误差，以计算在第N+1个时间片时针对所述区域对中迁移数量的预测值。
可选地，所述第一预测误差为结合迭代的在第N-1个时间片时的第一预测误差和所述第一预测值对应的预测标准差得到，所述第二预测误差为所述第二预测值对应的预测标准差。
可选地，所述在待预测的目标区域中，划分多个出发地区域和目的地区域的步骤包括：
将位于待预测的目标区域的多个出发点进行聚合，得到出发地区域；
将位于待预测的目标区域的多个目的点进行聚合，得到目的地区域。
可选地，所述方法还包括：
基于所述最优预测值，生成交通出行信息或货物运输信息。
一种迁移预测的装置，所述装置包括：
区域划分模块，用于在待预测的目标区域中，划分多个出发地区域和目的地区域；
预测值确定模块，用于对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
预测校正模块，用于对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
可选地，所述预测校正模块包括：
第一预测误差确定子模块，用于确定所述第一预测值对应的第一预测误差；
第二预测误差确定子模块，用于确定所述第二预测值对应的第二预测误差；
卡尔曼增益计算子模块，用于采用所述第一预测误差和所述第二预测误差，计算卡尔曼增益；
最优预测值得到子模块，用于结合所述第一预测值、所述第二预测值，以及所述卡尔曼增益进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
可选地，所述第一预测误差为预置的环比预测模型的预测误差，所述第二预测误差为预置的同比预测模型的预测误差，所述预测值确定模块包括：
环比预测子模块，用于采用预置的环比预测模型，计算针对所述区域对中迁移数量的环比预测值，作为第一预测值；
同比预测子模块，用于采用预置的同比预测模型，计算针对所述区域对中迁移数量的同比预测值，作为第二预测值。
可选地，待预测的目标时间段被划分为多个时间片，所述最优预测值为在第N个时间片时针对所述区域对中迁移数量的预测值，N为大于1的正整数，所述装置还包括：
误差迭代模块，用于迭代第一预测误差，以计算在第N+1个时间片时针对所述区域对中迁移数量的预测值。
可选地，所述第一预测误差为结合迭代的在第N-1个时间片时的第一预测误差和所述第一预测值对应的预测标准差得到，所述第二预测误差为所述第二预测值对应的预测标准差。
可选地，所述区域划分模块包括：
出发地区域得到子模块，用于将位于待预测的目标区域的多个出发点进行聚合，得到出发地区域；
目的地区域得到子模块，用于将位于待预测的目标区域的多个目的点进行聚合，得到目的地区域。
可选地，所述装置还包括：
信息生成模块，用于基于所述最优预测值，生成交通出行信息或货物运输信息。
一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的迁移预测的方法的步骤。
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计算机程序，所述计算机程序被处理器执行时实现如上所述的迁移预测的方法的步骤。
本申请实施例具有以下优点：
在本申请实施例中，通过在待预测的目标区域中，划分多个出发地区域和目的地区域，对于由出发地区域和目的地区域组成的任一区域对，确定针对区域对中迁移数量的第一预测值和第二预测，然后对第一预测值和第二预测值进行预测校正，得到针对区域对中迁移数量的最优预测值，实现了区域中迁移数量的预测，且能够进行预测校正，提升了预测的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种迁移预测的方法的步骤流程图；
图2是本申请一实施例提供的一种迁移场景的示意图；
图3是本申请一实施例提供的一种迁移预测的方法的步骤流程图；
图4是本申请一实施例提供的一种迁移预测的装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种迁移预测的方法的步骤流程图，该方法可以应用于服务器侧，具体可以包括如下步骤：
步骤101，在待预测的目标区域中，划分多个出发地区域和目的地区域；
在实际应用中，可以预先设置一地图信息并存储在数据库中，用户可以通过前端系统调用该地图信息，响应于用户在前端系统中的输入，如在前端展示的地图中选定某一区域，并选择对该区域进行迁移预测，则前端系统可以生成一迁移预测请求并发送至服务器。
当然，也可以不对地图信息进行展示，而由用户直接通过前端系统输入一位置信息，如北京市等行政区域、经纬度信息等，前端系统进而可以生成一迁移预测请求并发送至服务器。
在接收到到该迁移预测请求后，服务器可以根据迁移预测请求确定待进行迁移预测的目标区域，如北京市作为目标区域，进而可以在对目标区域进行OD分析。
在地理位置上，将目标区域划分为多个出发地区域(O区域)和目的地区域(D区域)，如图2中出发地区域O1、出发地区域O2、目的地区域D1、目的地区域D2，在出发地区域和目的地区域之间发生迁移。
在本申请一实施例中，步骤101可以包括如下子步骤：
将位于待预测的目标区域的多个出发点进行聚合，得到出发地区域；将位于待预测的目标区域的多个目的点进行聚合，得到目的地区域。
对于每一条迁移，存在出发点(O点)和目的点(D点)，具体可以为坐标点，后台工作人员可以将出发点和目的点对应的坐标点信息输入服务器中，服务器进而可以采用该坐标点信息在预置的地图中进行标记。
由于连续坐标点的直观性与反映规律的能力都较弱，则可以将每个迁移的出发点与目的点划分到一个小区域中，然后将同一个区域的出发点或目的点进行聚合，得到出发地区域和目的地区域，并将其存储在数据库中。
具体的，可以采用如下方式进行区域划分：
1、基于卡口的蓄水池模型划分，是基于活跃卡口围成的区域。
2、基于AOI(Area ofInterest，信息面)划分，其是在地图中按用户兴趣进行划分，可以反映很多区域的社会属性，如小区、商场、写字楼等。
3、基于Geohash框划分，其是一种纯地理划分，将O和D坐标点计算其Geohash作为O点与D点的区域标识，如采用6位Geohash长度。
步骤102，对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
对于未进行预测的区域对(OD区域对)，其由目标区域中任一出发地区域和任一目的地区域进行组合而成，如图2中，出发地区域O1与目的地区域D1可以作为一区域对，出发地区域O1与目的地区域D2可以作为一区域对，出发地区域O2与目的地区域D1可以作为一区域对，出发地区域O2与目的地区域D2可以作为一区域对。
对于任一区域对，由于预先建立了多个不同的预测模型，并可以提供接口供服务器调用，进而服务器可以采用不同的预测模型对该区域对中迁移数量进行预测，如环比预测、同比预测，得到第一预测值和第二预测值，存储在数据库，并在数据库中建立可以预测值与区域对的关联关系。
在一示例中，在对该区域对中迁移数量进行预测时，可以区分不同的运输工具进行预测，如可以针对运输工具为货车时的迁移数量进行预测、可以针对运输工具为客车时的迁移数量进行预测，当然还可以针对运输工具为私家车、公交车等不同情况下进行预测，进而可以得到针对不同运输工具的第一预测值和第二预测值，以便于后续区分不同的运输工具进行调度。
在本申请一实施例中，第一预测值可以为环比预测的值，第二预测值可以为同比预测的值，则步骤102可以包括如下子步骤：
采用预置的环比预测模型，计算针对所述区域对中迁移数量的环比预测值，作为第一预测值；采用预置的同比预测模型，计算针对所述区域对中迁移数量的同比预测值，作为第二预测值。
在具体实现中，可以预先采集待预测的目标区域对应的历史数据，并存储在数据库中，每个历史数据均存在出发点坐标和目的点坐标，在确定区域对后，服务端可以从数据库中进行查询，确定出发点坐标包含于该区域对中出发地区域且目的点坐标包含于该区域对中目的地区域，进而可以获得该区域对对应的历史数据，即出发点处于该区域对中出发区域，目的点处于该区域对中目的区域的迁移数据，进而可以采用所述历史数据，建立环比预测模型和同比预测模型。
对于环比预测模型，其可以以周为单位建立，建立7个环比预测模型，如对于周三，可以建立周三与周二的迁移数量的环比预测模型，环比预测模型具体可以采用线性模型或逻辑回归。
以线性回归为例，设待预测OD区域在第w周的周d(w表示第w周，d表示第w周的第d天)，对Tp时间片出发的从O到D的迁移数量为
则可以建立环比预测模型：
其中，k与b为线性模型参数。
对于同比预测模型，其可以以月为单位建立，若数据量不足以支持，也可以不分月份建立，同比预测模型可以为与上周同期的OD迁移数量关系，如对于周三，可以建立本周三与上周三OD迁移的同比预测模型。
具体的，同比预测模型也可以采用线性模型或逻辑回归，参考上文环比预测模型的线性回归，建立的同比预测模型可以为：
在建立环比预测模型和同比预测模型后，可以采用环比预测模型计算针对该区域对中迁移数量的环比预测值，作为第一预测值，并可以采用同比预测模型计算针对该区域对中迁移数量的同比预测值，作为第二预测值。
步骤103，对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
在获得第一预测值和第二预测值后，可以将第一预测值和第二预测值中任一个假设为观测值，另一个假设为预测值，进而可以采用观测值和预测值进行预测校正，得到针对区域对中迁移数量的最优预测值。
在获得最优预测值后，可以将该最优预测值存储在数据库中，并可以在数据库中建立最优预测值与区域对的关联关系。
在本申请一实施例中，该方法还可以包括如下步骤：
基于所述最优预测值，生成交通出行信息或货物运输信息。
在完成目标区域中所有区域对所有时间片的预测后，当接收到业务系统的迁移业务请求时，服务端可以在数据库中查找该迁移业务请求对应的最优预测值，进而可以根据最优预测值，对交通出行、货物运输进行规划，生成交通出行信息、货物运输信息，如生成最佳的交通路径规划、选择最为恰当的物流枢纽等，并可以返回至业务系统，以进行前端展示。
在一示例中，在对目标区域中区域对进行了预测后，可以根据针对该目标区域的区域对中迁移数量的最优预测值，确定在目标区域中最优预测值大于预设迁移数量的目标区域对，进而可以设置针对目标区域对的交通出行线路，如可以规划包含与目标区域对中出发地区域(O点)和目的地区域(D点)对应的公交站点的公交线路。
又如，针对已设置的交通出行线路，可以根据迁移数量的最优预测值，来规划该交通出行线路在不同时间段的发车数量，如在早晚高峰时设置较多的公交发车数量，且由于公交线路中包含多个公交站点，则可以根据各个公交站点的迁移数量，在该公交线路中设置区间短线，如在早晚高峰时在该公交线路中迁移数量较多的公交站点之间设置区间短线。
在一示例中，在存在指定事件时，如演唱会、灯光秀等，则可以确定指定事件所在的位置、举办的时间、事件类型等事件信息，然后可以结合该事件信息进行迁移数量的预测，得到针对指定事件的最优预测值，进而可以根据针对指定事件的最优预测值，对交通出行线路进行规划，如包含对指定事件所在的位置的部分交通出行线路进行拥堵预警、避让提醒等。
在本申请实施例中，通过在待预测的目标区域中，划分多个出发地区域和目的地区域，对于由出发地区域和目的地区域组成的任一区域对，确定针对区域对中迁移数量的第一预测值和第二预测，然后对第一预测值和第二预测值进行预测校正，得到针对区域对中迁移数量的最优预测值，实现了区域中迁移数量的预测，且能够进行预测校正，提升了预测的准确性。
参照图3，示出了本申请一实施例提供的另一种迁移预测的方法的步骤流程图，该方法可以应用于服务器侧，具体可以包括如下步骤：
步骤301，在待预测的目标区域中，划分多个出发地区域和目的地区域；
在实际应用中，可以预先设置一地图信息并存储在数据库中，用户可以通过前端系统调用该地图信息，响应于用户在前端系统中的输出，如在前端展示的地图中选定某一区域，并选择对该区域进行迁移预测，则前端系统可以生成一迁移预测请求并发送至服务器。
当然，也可以不对地图信息进行展示，而由用户直接通过前端系统输入一位置信息，如北京市等行政区域、经纬度信息等，前端系统进而可以生成一迁移预测请求并发送至服务器。
在接收到到该迁移预测请求后，服务器可以根据迁移预测请求确定待进行迁移预测的目标区域，如北京市作为目标区域，进而可以在对目标区域进行OD分析。
步骤302，对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
对于未进行预测的区域对(OD区域对)，其由目标区域中任一出发地区域和任一目的地区域进行组合而成，如图2中，出发地区域O1与目的地区域D1可以作为一区域对，出发地区域O1与目的地区域D2可以作为一区域对，出发地区域O2与目的地区域D1可以作为一区域对，出发地区域O2与目的地区域D2可以作为一区域对。
对于任一区域对，由于预先建立了多个不同的预测模型，并可以提供接口供服务器调用，进而服务器可以采用不同的预测模型对该区域对中迁移数量进行预测，如环比预测、同比预测，得到第一预测值和第二预测值，存储在数据库，并在数据库中建立可以预测值与区域对的关联关系。
步骤303，确定所述第一预测值对应的第一预测误差；
在具体实现中，第一预测值可以为采用预置的环比预测模型进行环比预测的值，第一预测误差可以为该环比预测模型的预测误差，则可以确定环比预测模型进行第一预测值的环比预测过程中的第一预测误差。
在本申请一实施例中，由于迁移时间也存在连续性的问题，则可以将待预测的目标时间段进行离散处理，将其被划分为多个时间片，如以全天每10分钟作为时间片，一天存在144个时间片。
在当前为第N个时间片时，N为大于1的正整数，第一预测误差可以为结合迭代的在第N-1个时间片时的第一预测误差和第一预测值对应的预测标准差得到。
具体的，在第一预测值为环比预测模型进行环比预测的值时，可以计算环比预测模型对应的预测标准差
并可以结合迭代的环比预测误差
(下文提供了具体计算方式)和环比预测模型对应的预测标准差得到第一预测误差，具体可以采用如下公式：
步骤304，确定所述第二预测值对应的第二预测误差；
在具体实现中，第二预测值可以为采用预置的同比预测模型进行同比预测的值，第二预测误差可以为预该同比预测模型的预测误差，则可以确定同比预测模型进行第二预测值的同比预测过程中的第二预测误差。
具体的，第二预测误差可以为第二预测值对应的预测标准差，则在第二预测值为同比预测模型进行同比预测的值时，可以计算同比预测模型对应的预测标准差
确定第二预测误差为同比预测模型对应的预测标准差：
步骤305，采用所述第一预测误差和所述第二预测误差，计算卡尔曼增益；
其中，卡尔曼滤波(Kalman filtering)是通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，最优估计也可看作是滤波过程。
在获得第一预测误差和第二预测误差后，可以采用第一预测误差和第二预测误差计算卡尔曼增益kn，具体可以采用如下公式：
步骤306，结合所述第一预测值、所述第二预测值，以及所述卡尔曼增益进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
在获得卡尔曼增益后，可以结合第一预测值、第二预测值，以及卡尔曼增益，对该区域对进行预测校正，得到区域对对应的最新的迁移数量预测值，具体可以采用如下公式：
在获得最优预测值后，可以将该最优预测值存储在数据库中，并可以在数据库中建立最优预测值与区域对的关联关系。
在本申请一实施例中，由于待预测的目标时间段被划分为多个时间片，在当前为第N个时间片时，生成的最优预测值可以为在第N个时间片时针对该区域对中迁移数量的预测值，则该方法还可以包括如下步骤：
迭代第一预测误差，以计算在第N+1个时间片时针对所述区域对中迁移数量的预测值。
在对第N个时间片预测后，可以迭代计算第一预测误差，并可以采用迭代的第一预测误差，计算在第N+1个时间片时针对该区域对中迁移数量的预测值，具体可以如下公式：
在本申请实施例中，通过在待预测的目标区域中，划分多个出发地区域和目的地区域，对于由出发地区域和目的地区域组成的任一区域对，确定针对区域对中迁移数量的第一预测值和第二预测值，然后可以确定第一预测值对应的第一预测误差，并确定第二预测值对应的第二预测误差，进而采用第一预测误差和第二预测误差，计算卡尔曼增益，结合第一预测值、第二预测值，以及卡尔曼增益进行预测校正，得到针对区域对中迁移数量的最优预测值，实现了基于卡尔曼滤波的迁移数量预测，有效抵御噪声干扰，提升了预测的准确性。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图4，示出了本申请一实施例提供的一种迁移预测的装置的结构示意图，具体可以包括如下模块：
区域划分模块401，用于在待预测的目标区域中，划分多个出发地区域和目的地区域；
预测值确定模块402，用于对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
预测校正模块403，用于对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
在本申请一实施例中，所述预测校正模块403包括：
第一预测误差确定子模块，用于确定所述第一预测值对应的第一预测误差；
第二预测误差确定子模块，用于确定所述第二预测值对应的第二预测误差；
卡尔曼增益计算子模块，用于采用所述第一预测误差和所述第二预测误差，计算卡尔曼增益；
最优预测值得到子模块，用于结合所述第一预测值、所述第二预测值，以及所述卡尔曼增益进行预测校正，得到针对所述区域对中迁移数量的最优预测值。
在本申请一实施例中，所述第一预测误差为预置的环比预测模型的预测误差，所述第二预测误差为预置的同比预测模型的预测误差，所述预测值确定模块402包括：
环比预测子模块，用于采用预置的环比预测模型，计算针对所述区域对中迁移数量的环比预测值，作为第一预测值；
同比预测子模块，用于采用预置的同比预测模型，计算针对所述区域对中迁移数量的同比预测值，作为第二预测值。
在本申请一实施例中，待预测的目标时间段被划分为多个时间片，所述最优预测值为在第N个时间片时针对所述区域对中迁移数量的预测值，N为大于1的正整数，所述装置还包括：
误差迭代模块，用于迭代第一预测误差，以计算在第N+1个时间片时针对所述区域对中迁移数量的预测值。
在本申请一实施例中，所述第一预测误差为结合迭代的在第N-1个时间片时的第一预测误差和所述第一预测值对应的预测标准差得到，所述第二预测误差为所述第二预测值对应的预测标准差。
在本申请一实施例中，所述区域划分模块401包括：
出发地区域得到子模块，用于将位于待预测的目标区域的多个出发点进行聚合，得到出发地区域；
目的地区域得到子模块，用于将位于待预测的目标区域的多个目的点进行聚合，得到目的地区域。
在本申请一实施例中，所述装置还包括：
信息生成模块，用于基于所述最优预测值，生成交通出行信息或货物运输信息。
在本申请实施例中，通过在待预测的目标区域中，划分多个出发地区域和目的地区域，对于由出发地区域和目的地区域组成的任一区域对，确定针对区域对中迁移数量的第一预测值和第二预测，然后对第一预测值和第二预测值进行预测校正，得到针对区域对中迁移数量的最优预测值，实现了区域中迁移数量的预测，且能够进行预测校正，提升了预测的准确性。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请一实施例还提供了一种电子设备，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上迁移预测的方法的步骤。
本申请一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上迁移预测的方法的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种迁移预测的方法和装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种迁移预测的方法，其特征在于，所述方法包括：
在待预测的目标区域中，划分多个出发地区域和目的地区域；
对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值；
其中，所述对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值的步骤包括：
确定所述第一预测值对应的第一预测误差；
以及，确定所述第二预测值对应的第二预测误差；
采用所述第一预测误差和所述第二预测误差，通过以下公式计算卡尔曼增益：
其中，为第一预测误差，为第二预测误差；
结合所述第一预测值、所述第二预测值，以及所述卡尔曼增益通过以下公式进行预测校正，得到针对所述区域对中迁移数量的最优预测值：
；
其中，w表示第w周，d表示第w周的第d天，表示Tp时间片出发的从O到D的迁移数量；
其中，所述第一预测误差为预置的环比预测模型的预测误差，所述第二预测误差为预置的同比预测模型的预测误差，所述确定针对所述区域对中迁移数量的第一预测值和第二预测值的步骤包括：
采用预置的环比预测模型，计算针对所述区域对中迁移数量的环比预测值，作为第一预测值，所述第一预测值为；
采用预置的同比预测模型，计算针对所述区域对中迁移数量的同比预测值，作为第二预测值，所述第二预测值为。
2.根据权利要求1所述的方法，其特征在于，待预测的目标时间段被划分为多个时间片，所述最优预测值为在第N个时间片时针对所述区域对中迁移数量的预测值，N为大于1的正整数，所述方法还包括：
迭代第一预测误差，以计算在第N+1个时间片时针对所述区域对中迁移数量的预测值。
3.根据权利要求2所述的方法，其特征在于，所述第一预测误差为结合迭代的在第N-1个时间片时的第一预测误差和所述第一预测值对应的预测标准差得到，所述第二预测误差为所述第二预测值对应的预测标准差。
4.根据权利要求1所述的方法，其特征在于，所述在待预测的目标区域中，划分多个出发地区域和目的地区域的步骤包括：
将位于待预测的目标区域的多个出发点进行聚合，得到出发地区域；
将位于待预测的目标区域的多个目的点进行聚合，得到目的地区域。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述最优预测值，生成交通出行信息或货物运输信息。
6.一种迁移预测的装置，其特征在于，所述装置包括：
区域划分模块，用于在待预测的目标区域中，划分多个出发地区域和目的地区域；
预测值确定模块，用于对于由出发地区域和目的地区域组成的任一区域对，确定针对所述区域对中迁移数量的第一预测值和第二预测值；
预测校正模块，用于对所述第一预测值和所述第二预测值进行预测校正，得到针对所述区域对中迁移数量的最优预测值；
其中，所述预测校正模块包括：
第一预测误差确定子模块，用于确定所述第一预测值对应的第一预测误差；
第二预测误差确定子模块，用于确定所述第二预测值对应的第二预测误差；
卡尔曼增益计算子模块，用于采用所述第一预测误差和所述第二预测误差，通过以下公式计算卡尔曼增益；
其中，为第一预测误差，为第二预测误差；
最优预测值得到子模块，用于结合所述第一预测值、所述第二预测值，以及所述卡尔曼增益通过以下公式进行预测校正，得到针对所述区域对中迁移数量的最优预测值；
；
其中，w表示第w周，d表示第w周的第d天，表示Tp时间片出发的从O到D的迁移数量；
其中，所述第一预测误差为预置的环比预测模型的预测误差，所述第二预测误差为预置的同比预测模型的预测误差，所述预测值确定模块包括：
环比预测子模块，用于采用预置的环比预测模型，计算针对所述区域对中迁移数量的环比预测值，作为第一预测值，所述第一预测值为；
同比预测子模块，用于采用预置的同比预测模型，计算针对所述区域对中迁移数量的同比预测值，作为第二预测值，所述第二预测值为。
7.根据权利要求6所述的装置，其特征在于，待预测的目标时间段被划分为多个时间片，所述最优预测值为在第N个时间片时针对所述区域对中迁移数量的预测值，N为大于1的正整数，所述装置还包括：
误差迭代模块，用于迭代第一预测误差，以计算在第N+1个时间片时针对所述区域对中迁移数量的预测值。
8.根据权利要求7所述的装置，其特征在于，所述第一预测误差为结合迭代的在第N-1个时间片时的第一预测误差和所述第一预测值对应的预测标准差得到，所述第二预测误差为所述第二预测值对应的预测标准差。
9.根据权利要求6所述的装置，其特征在于，所述区域划分模块包括：
出发地区域得到子模块，用于将位于待预测的目标区域的多个出发点进行聚合，得到出发地区域；
目的地区域得到子模块，用于将位于待预测的目标区域的多个目的点进行聚合，得到目的地区域。
10.根据权利要求6所述的装置，其特征在于，所述装置还包括：
信息生成模块，用于基于所述最优预测值，生成交通出行信息或货物运输信息。
11.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的迁移预测的方法的步骤。
12.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的迁移预测的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911078487.4A CN111008729B (zh) | 2019-11-06 | 2019-11-06 | 一种迁移预测的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911078487.4A CN111008729B (zh) | 2019-11-06 | 2019-11-06 | 一种迁移预测的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111008729A CN111008729A (zh) | 2020-04-14 |
| CN111008729B true CN111008729B (zh) | 2023-04-28 |
Family
ID=70111357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911078487.4A Active CN111008729B (zh) | 2019-11-06 | 2019-11-06 | 一种迁移预测的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008729B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754757B (zh) * | 2020-06-24 | 2022-08-30 | 广州公交集团第三公共汽车有限公司 | 一种公交竞争线路排班方法 |
| CN113807260B (zh) * | 2021-09-17 | 2022-07-12 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908270A (zh) * | 2009-03-27 | 2010-12-08 | 电装It研究所 | 事件判断装置 |
| EP2369299A1 (en) * | 2010-03-24 | 2011-09-28 | Sap Ag | Navigation device and method for predicting the destination of a trip |
| CN106969777A (zh) * | 2016-01-13 | 2017-07-21 | 丰田自动车株式会社 | 路径预测装置以及路径预测方法 |
| CN109345296A (zh) * | 2018-09-20 | 2019-02-15 | 深圳市东部公共交通有限公司 | 民众出行需求预测方法、装置及计算机终端 |
| CN110008528A (zh) * | 2019-03-14 | 2019-07-12 | 北京建筑大学 | 一种数据处理方法、装置及电子设备 |
| CN110098875A (zh) * | 2019-05-07 | 2019-08-06 | 北京邮电大学 | 光纤通信系统中自适应均衡方法、装置、电子设备及介质 |
| CN110210661A (zh) * | 2019-05-28 | 2019-09-06 | 新奥数能科技有限公司 | 一种基于用户用能特性的中长期负荷预测方法及装置 |
-
2019
- 2019-11-06 CN CN201911078487.4A patent/CN111008729B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908270A (zh) * | 2009-03-27 | 2010-12-08 | 电装It研究所 | 事件判断装置 |
| EP2369299A1 (en) * | 2010-03-24 | 2011-09-28 | Sap Ag | Navigation device and method for predicting the destination of a trip |
| CN106969777A (zh) * | 2016-01-13 | 2017-07-21 | 丰田自动车株式会社 | 路径预测装置以及路径预测方法 |
| CN109345296A (zh) * | 2018-09-20 | 2019-02-15 | 深圳市东部公共交通有限公司 | 民众出行需求预测方法、装置及计算机终端 |
| CN110008528A (zh) * | 2019-03-14 | 2019-07-12 | 北京建筑大学 | 一种数据处理方法、装置及电子设备 |
| CN110098875A (zh) * | 2019-05-07 | 2019-08-06 | 北京邮电大学 | 光纤通信系统中自适应均衡方法、装置、电子设备及介质 |
| CN110210661A (zh) * | 2019-05-28 | 2019-09-06 | 新奥数能科技有限公司 | 一种基于用户用能特性的中长期负荷预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张军.基于BP神经网络的福泉高速公路车流量预测.交通工程.2018,294-297. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111008729A (zh) | 2020-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10102748B2 (en) | Dynamic ETA and STA transportation system | |
| US9122982B2 (en) | Device and method for destination prediction | |
| US11150095B2 (en) | Methods and apparatuses for predicting a destination of a user's current travel path | |
| US9726502B2 (en) | Route planner for transportation systems | |
| US8738289B2 (en) | Advanced routing of vehicle fleets | |
| US20180314998A1 (en) | Resource Allocation in a Network System | |
| Zheng et al. | Optimization of control parameters for adaptive traffic-actuated signal control | |
| US9217647B2 (en) | Guidebook transit routing | |
| US9959339B2 (en) | Journey time estimation | |
| KR20210052499A (ko) | e-헤일링(e-hailing) 서비스 | |
| US20210293555A1 (en) | Systems and methods for generating trip plan | |
| CN111008729B (zh) | 一种迁移预测的方法和装置 | |
| JP2010039833A (ja) | 需要発生予測システム、需要発生予測装置、および需要発生予測方法 | |
| US20240046164A1 (en) | Active notification using transportation service prediction | |
| JP6396686B2 (ja) | 行動判定装置、行動判定方法及びプログラム | |
| AU2018217973A1 (en) | Dynamic selection of geo-based service options in a network system | |
| WO2014186247A1 (en) | Selecting a subset of transit trips based on time and duration | |
| Hyland et al. | Integrating demand forecasts into the operational strategies of shared automated vehicle mobility services: spatial resolution impacts | |
| US9671232B2 (en) | Grid-based arrival time prediction | |
| Chen et al. | A multistate-based travel time schedule model for fixed transit route | |
| US20210304604A1 (en) | Systems and methods for parking suggestions | |
| Deeshma et al. | Travel time modeling for bus transport system in Bangalore city | |
| Rahman et al. | The effect of time interval of bus location data on real-time bus arrival estimations | |
| CN112287503A (zh) | 用于交通需求预测的动态空间网络构建方法 | |
| CN111832768A (zh) | 一种poi特征的生成方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |