CN111476588B - 订单需求预测方法、装置、电子设备及可读存储介质 - Google Patents
订单需求预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111476588B CN111476588B CN201910071671.XA CN201910071671A CN111476588B CN 111476588 B CN111476588 B CN 111476588B CN 201910071671 A CN201910071671 A CN 201910071671A CN 111476588 B CN111476588 B CN 111476588B
- Authority
- CN
- China
- Prior art keywords
- measured
- order
- data
- current time
- model
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种订单需求预测方法、装置、电子设备及可读存储介质,属于计算机技术领域。该方法包括:获取输入特征数据;基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测。该方法可以根据地图数据和网约车在待测区域的历史位置数据可以更好的预测未来在待测区域的网约车的供给情况,以及根据历史订单数据可以预测未来在待测区域的订单情况,从而可知待测区域在未来的供需情况,由此可在供需不平衡时,可以对网约车进行合理调度,以满足待测区域的供需平衡,使得能够最大化司机的使用效率,且减少乘客的等待时间,提高服务质量。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种订单需求预测方法、装置、电子设备及可读存储介质。
背景技术
随着智慧交通的快速发展,给人们的出行带来了极大的便利。近几年,网约车已经成为了居民出行的重要方式之一,其在线叫车的模式和随叫随到的服务深受用户喜爱。对于网约车提供商来说,准确的预测用户需求不仅能够最大化司机的使用效率,而且能够减少乘客的等待时间,提高服务质量。
而现有技术中,预测用户需求的方法一般是采集历史订单数据随着时间的变化趋势,从而预测未来订单的变化趋势,这种方式只能单一地预测某个区域未来的订单可能会增加还是减少,而无法预测该区域实际的供需情况。
发明内容
有鉴于此,本发明实施例的目的在于提供一种订单需求预测方法、装置、电子设备及可读存储介质。
第一方面,本发明实施例提供了一种订单需求预测方法,所述方法包括:获取输入特征数据,所述输入特征数据包括待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据;基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测。
在上述实现过程中,通过基于待测区域的地图数据,网约车在待测区域的历史位置数据和历史订单数据来共同待测区域在当前时间之后的订单需求进行预测,根据地图数据和网约车在待测区域的历史位置数据可以更好的预测未来在待测区域的网约车的供给情况,以及根据历史订单数据可以预测未来在待测区域的订单情况,从而可知待测区域在未来的供需情况。相比于现有技术中只能对某个区域的订单情况进行预测,而无法预测该区域内网约车的供给情况,而本方案中,即可对订单情况进行预测,也可对网约车的供给情况进行预测,从而可预测待测区域在未来的网约车和乘客之间的供需情况,由此可在供需不平衡时,可以对网约车进行合理调度,以满足待测区域的供需平衡,使得能够最大化司机的使用效率,且减少乘客的等待时间,提高服务质量。
可选地,基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测,包括:将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测。
在上述实现过程中,通过将输入特征数据输入至预测模型,通过预测模型对待测区域在未来时间的订单需求进行预测,由于预测模型为经过训练的模型,在训练过程中,可以采用大量的输入特征数据对预测模型进行训练,从而可以通过训练不断优化预测模型内部的参数,所以通过预测模型进行预测可以获得较为准确的预测结果。
可选地,所述预测模型为编码-解码Encoder-Decoder模型,将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测,包括:将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
在上述实现过程中,通过Encoder-Decoder模型实现订单需求的预测,由于在Encoder-Decoder模型中,在解码时,在产生每一个输出的时候,都能过做到充分利用输入数据中携带的信息,由此可以更好的考虑输入特征数据与输出的预测结果之间的密切关系,所以其具有较好的预测精度,所以,可以提高预测结果的准确性。
可选地,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果,包括:将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态;利用所述Attention模型为所述预设时间段对应的当前状态和隐含状态添加对应的权重,获得注意力向量;利用解码模型对所述注意力向量进行解码,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
可选地,将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态,包括:将所述待测区域划分为预设大小的多个网格,每个网格均携带有对应的特定值,所述特定值为所述预设时间段内所述网约车的订单数据;将所述多个网格对应的订单数据进行卷积,获得卷积结果;利用LSTM模型对所述卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。
可选地,所述输入特征数据还包括所述待测区域在当前时间之后预测会发生变化的特征数据。
在上述实现过程中,将输入特征数据中加入待测区域未来会发送变化的特征数据,再结合待测区域的地图数据,网约车在待测区域的历史位置数据以及历史订单数据,来共同对待测区域在未来时间的订单需求进行预测,由于考虑到待测区域未来会发生变化的数据,如待测区域未来由于大面积拆迁导致人口减少而带来的订单变化,所以,可以对待测区域在未来时间的订单需求进行更为准确的预测。
可选地,基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测,包括:若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递减趋势,则预测所述待测区域在所述当前时间之后的订单需求为降低。
可选地,基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测,包括:若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递增趋势,则预测所述待测区域在所述当前时间之后的订单需求为增加。
第二方面,本发明实施例提供了一种订单需求预测装置,所述装置包括:数据获取模块,用于获取输入特征数据,所述输入特征数据包括待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据;预测模块,用于基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测。
可选地,所述预测模块,具体用于将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测。
可选地,所述预测模型为编码-解码Encoder-Decoder模型,所述预测模块,具体用于将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
可选地,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,所述预测模块,具体用于将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态;利用所述Attention模型为所述预设时间段对应的当前状态和隐含状态添加对应的权重,获得注意力向量;利用解码模型对所述注意力向量进行解码,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
可选地,所述预测模块,用于将所述待测区域划分为预设大小的多个网格,每个网格均携带有对应的特定值,所述特定值为所述预设时间段内所述网约车的订单数据;将所述多个网格对应的订单数据进行卷积,获得卷积结果;利用LSTM模型对所述卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。
可选地,所述输入特征数据还包括所述待测区域在当前时间之后预测会发生变化的特征数据。
可选地,所述预测模块,用于若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递减趋势,则预测所述待测区域在所述当前时间之后的订单需求为降低。
可选地,所述预测模块,用于若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递增趋势,则预测所述待测区域在所述当前时间之后的订单需求为增加。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如第一方面提供的订单需求预测方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面提供的订单需求预测方法的步骤。
本发明实施例提供一种订单需求预测方法、装置、电子设备及可读存储介质,该方法通过基于待测区域的地图数据,网约车在待测区域的历史位置数据和历史订单数据来共同待测区域在当前时间之后的订单需求进行预测,根据地图数据和网约车在待测区域的历史位置数据可以更好的预测未来在待测区域的网约车的供给情况,以及根据历史订单数据可以预测未来在待测区域的订单情况,从而可知待测区域在未来的供需情况。相比于现有技术中只能对某个区域的订单情况进行预测,而无法预测该区域内网约车的供给情况,而本方案中,即可对订单情况进行预测,也可对网约车的供给情况进行预测,从而可预测待测区域在未来的网约车和乘客之间的供需情况,由此可在供需不平衡时,可以对网约车进行合理调度,以满足待测区域的供需平衡,使得能够最大化司机的使用效率,且减少乘客的等待时间,提高服务质量。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明一些实施例的网约车系统的框图;
图2示出根据本发明的一些实施例的可以实现本发明思想的电子设备的示意图;
图3为本发明实施例提供的一种订单需求预测方法的流程图;
图4为本发明实施例提供的一种Encoder-Decoder模型的架构示意图;
图5为本发明实施例提供的一种订单需求预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了使得本领域技术人员能够使用本发明内容,结合特定应用场景“对特定区域的订单需求进行预测,即预测该特定区域在某个未来时间段内司机供给量和乘客请求量是否匹配,避免司机供给量大于乘客请求量,造成司机资源的浪费,以及乘客请求量大于司机供给量,造成乘客很难打到车的情况发生”,给出以下实施方式。对于本领域技术人员来说,在不脱离本发明的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本发明主要围绕网约车进行描述,但是应该理解,这仅是一个示例性实施例。本发明可以应用于任何其他交通运输类型。例如,本发明可以应用于不同的运输系统环境,包括陆地,海洋,或航空等,或其任意组合。运输系统的交通工具可以包括出租车、私家车、顺风车、公共汽车、火车、子弹头列车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、或无人驾驶车辆等,或其任意组合。
需要说明的是,本发明实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本发明中的术语“乘客”、“请求方”、“服务人员”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。本发明中的术语“司机”、“提供方”、“服务提供方”和“供应商”可互换使用,以指代可以提供服务的个人、实体或工具。本发明中的术语“用户”可以指代请求服务、订购服务、提供服务或促成服务的提供的个人、实体或工具。例如,用户可以是乘客、驾驶员、操作员等,或其任意组合。在本发明中,“乘客”和“乘客终端”可以互换使用,“司机”和“司机终端”可以互换使用。
本发明中的术语“服务请求”和“订单”可互换使用,以指代由乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合发起的请求。接受该“服务请求”或“订单”的可以是乘客、服务请求方、司机、服务提供方、或供应商等、或其任意组合。服务请求可以是收费的或免费的。
图1为本发明一些实施例的网约车系统100的框图。例如,网约车系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。网约车系统100可以包括服务器110、网络120、服务请求方终端130、服务提供方终端140和数据库150中的一种或多种,服务器110中可以包括执行指令操作的处理器。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110相对于终端,可以是本地的、也可以是远程的。例如,服务器110可以经由网络120访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例,服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个,以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实现;仅作为示例,云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等,或者它们的任意组合。在一些实施例中,服务器110可以在具有本发明中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中,服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据,以执行本发明中描述的一个或多个功能。例如,处理器可以基于从服务请求方终端130获得的服务请求来确定目标车辆。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing,RISC)、或微处理器等,或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中,网约车系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如,服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中,网络120可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched TelephoneNetwork,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换节点,网约车系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中,服务请求方终端130的用户可以是除服务实际需求者之外的其他人。例如,服务请求方终端130的用户A可以使用服务请求方终端130来为服务实际需求者B发起服务请求(比如,用户A可以为自己的朋友B叫车),或者从服务器110接收服务信息或指令等。在一些实施例中,服务提供方终端140的用户可以是服务实际提供者,也可以是除服务实际提供者之外的其他人。例如,服务提供方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单),和/或来自服务器110的信息或指令。在一些实施例中,“服务请求方”和“服务请求方终端”可以互换使用,“服务提供方”和“服务提供方终端”可以互换使用。
在一些实施例中,服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等,或其任意组合。在一些实施例中,移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等,或其任意组合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中,智能移动设备可以包括智能手机、个人数字助理(PersonalDigital Assistant,PDA)、游戏设备、导航设备、或销售点(point of sale,POS)设备等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。在一些实施例中,机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中,服务请求方终端130可以是具有用于定位服务请求方和/或服务请求方终端的位置的定位技术的设备。
在一些实施例中,服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中,服务提供方终端140可以是具有定位技术的设备,用于定位服务提供方和/或服务提供方终端的位置。在一些实施例中,服务请求方终端130和/或服务提供方终端140可以与其他定位设备通信以确定服务请求方、服务请求方终端130、服务提供方、或服务提供方终端140、或其任意组合的位置。在一些实施例中,服务请求方终端130和/或服务提供方终端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中,数据库150可以存储在本发明中描述的示例性方法的数据和/或指令。在一些实施例中,数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory,ROM)等,或其任意组合。作为举例,大容量存储器可以包括磁盘、光盘、固态驱动器等;可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等;易失性读写存储器可以包括随机存取存储器(Random Access Memory,RAM);RAM可以包括动态RAM(Dynamic RandomAccess Memory,DRAM),双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM,DDR SDRAM);静态RAM(Static Random-Access Memory,SRAM),晶闸管RAM(Thyristor-Based Random Access Memory,T-RAM)和零电容器RAM(Zero-RAM)等。作为举例,ROM可以包括掩模ROM(Mask Read-Only Memory,MROM)、可编程ROM(Programmable Read-OnlyMemory,PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory,PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory,EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中,数据库150可以在云平台上实现。仅作为示例,云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等,或其任意组合。
在一些实施例中,数据库150可以连接到网络120以与网约车系统100(例如,服务器110,服务请求方终端130,服务提供方终端140等)中的一个或多个组件通信。网约车系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接连接到网约车系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等);或者,在一些实施例中,数据库150也可以是服务器110的一部分。
在一些实施例中,网约车系统100中的一个或多个组件(例如,服务器110,服务请求方终端130,服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中,当满足一定条件时,网约车系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如,服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。作为另一示例,服务提供方终端140可以在从服务请求方终端130接收服务请求时访问与服务请求方有关的信息,但是服务提供方终端140可以不修改服务请求方的相关信息。
在一些实施例中,可以通过请求服务来实现网约车系统100中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中,产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等,或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、或互联网产品等,或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等,或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等,或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(Personal Digital Assistant,PDA)、智能手表、销售点(Point of sales,POS)设备、车载电脑、车载电视、或可穿戴设备等,或其任意组合。例如,互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等,或其任意组合。在一些实施例中,与运输有关的软件和/或应用程序可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、绘图软件和/或应用程序等。在车辆调度软件和/或应用程序中,车辆可包括马、马车、人力车(例如,独轮车、自行车、三轮车等)、汽车(例如,出租车、公共汽车、私家车等)、火车、地铁、船只、飞机(例如,飞机、直升机、航天飞机、火箭、热气球等)等,或其任意组合。
图2示出根据本发明的一些实施例的可以实现本发明思想的服务器110、服务请求方终端130、服务提供方终端140的电子设备200的示例性硬件和软件组件的示意图。例如,处理器可以用于电子设备200上,并且用于执行本发明中的功能。
电子设备200可以是通用计算机或特殊用途的计算机,两者都可以用于实现本发明的订单需求预测方法。本发明尽管仅示出了一个计算机,但是为了方便起见,可以在多个类似平台上以分布式方式实现本发明描述的功能,以均衡处理负载。
例如,电子设备200可以包括连接到网络的网络端口210、用于执行程序指令的一个或多个处理器220、通信总线230、和不同形式的存储介质240,例如,磁盘、ROM、或RAM,或其任意组合。示例性地,计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本发明的方法。电子设备200还包括计算机与其他输入输出设备(例如键盘、显示屏)之间的输入/输出(Input/Output,I/O)接口250。
为了便于说明,在电子设备200中仅描述了一个处理器。然而,应当注意,本发明中的电子设备200还可以包括多个处理器,因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若电子设备200的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,第一处理器执行步骤A,第二处理器执行步骤B,或者第一处理器和第二处理器共同执行步骤A和B。
请参照图3,图3为本发明实施例提供的一种订单需求预测方法的流程图,该方法可应用于上述的服务器,所述方法包括如下步骤:
步骤S110:获取输入特征数据。
在本实施例中,输入特征数据包括待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据。
其中,待测区域当前的地图数据可以是直接从地图数据库中获取的,也可以是当前对待测区域进行实时采集获得的,例如可通过激光点云采集车采集待测区域的激光点云数据,由激光点云数据生成待测区域的地图数据。地图数据可以包括路网信息以及POI(Point of interesting,兴趣点)数据,路网信息是指待测区域的道路信息等。
其中,历史位置数据是指在当前时间以前的预设时间段内行驶在待测区域内的多个网约车中每个网约车的历史位置数据(如GPS数据),其包括网约车在待测区域内的GPS经纬度,以及每个行驶轨迹点(GPS点)的精度等信息。历史位置数据可以通过网约车上装载的定位系统实时获取后上传到服务器存储的,其可以使用的定位技术可以基于全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation SatelliteSystem,GLONASS),罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等,或其任意组合。一个或多个上述定位系统可以在本发明中互换使用。也就是说,可以通过上述定位系统获取网约车在待测区域内的历史位置数据,该历史位置数据可以存储在服务器中。所以,在订单需求预测时,可以直接获取存储的历史位置数据。
获取的历史位置数据可以包括GPS经纬度,对应的时间戳和网约车的车牌号等信息。
历史订单数据指网约车在当前时间以前的预设时间段内在待测区域的接单数据,可以理解地,一般网约车司机是从安装在司机终端上的网约车平台上进行接单,乘客也可以通过安装在乘客终端上的网约车平台进行打车,所以,网约车平台可记录在该网约车司机在某个区域内在某个时间段内的订单数据,订单数据可以包括在该区域内订单数量,以及接单的网约车信息,或下单的乘客的信息等等。网约车平台可将这些数据传输至服务器的数据库进行存储,所以在订单需求预测时,可以直接获取存储的历史订单数据。
步骤S120:基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测。
在获得上述的输入特征数据后,可以根据输入特征数据预测得到待测区域在当前时间之后的订单需求。具体地,地图数据和历史位置数据可以用于判断网约车在该待测区域内的行驶轨迹及时间,例如,根据地图数据以及历史位置数据,可以预测哪些司机在哪个时间点在待测区域的概率,从而可以预测未来这个时间点该司机来待测区域的概率,再结合历史订单数据,从而可以预测待测区域在当前时间之后的订单需求。
其中,概率的计算可以通过获取多个相同的时间段内该司机来待测区域的次数的比例,例如,以十天为例,若十天内的下午五点到六点,某个司机有八天均到该待测区域进行接单,则该司机到该待测区域的概率为百分之八十,当然,这个概率的获取还可以通过更多的数据进行预测获得,例如,可以统计该司机在这十天内去的各个区域的数据信息,统计该司机去待测区域的频次,从而可获得该司机去待测区域的概率。
订单需求可以是待测区域在未来某个时间段内乘客请求量和司机供给量之间的关系,或者指待测区域在未来某个时间段内的订单数量。
例如,若在当前时间以前的下午五点到六点这个时间段,有50个司机到该待测区域接单的概率均大于百分之八十,则表明这50个司机在未来的下午五点到六点也会到该待测区域进行接单,而这个时间段内该待测区域的历史订单数据中的订单数量大约为80单,则很可能在未来这个时间段内在该待测区域的网约车司机也为50个,待测区域的订单数量也大约在80单左右,表明此时供不应求,即乘客请求量大于司机供给量,则在未来这个时间段内可以调度别的区域的网约车来该待测区域,从而能够最大化司机的使用效率,且能够更好地满足乘客的需求,减少乘客的等待时间,提供服务质量。
当然,若发现历史订单数量随时间的趋势逐渐增长,则预测未来待测区域的订单数量会继续增加,而网约车司机的数量却没有逐渐增长,此时也表明在未来该待测区域会供不应求,甚至出现乘客请求量远远大于司机供给量的情况,所以,对待测区域在当前时间之后的订单需求进行预测,可以有效预测待测区域在未来时间的供需情况。相比于现有技术中只能对某个区域的订单情况进行预测,而无法预测该区域内网约车的供给情况,而本方案中,即可对订单情况进行预测,也可对网约车的供给情况进行预测,从而可预测待测区域在未来的网约车和乘客之间的供需情况,从而可以在供需不平衡时,可以采取相应的措施以保证供需平衡,使得能够最大化司机的使用效率,且能够更好地满足乘客的需求,减少乘客的等待时间,提供服务质量。
另外,作为一种实施方式,对订单需求进行预测时,还可以将输入特征数据输入预测模型中,通过预测模型对所述待测区域在所述当前时间之后的订单需求进行预测。可以理解地,预测模型可以是机器学习模型,例如,神经网络模型或深度神经网络模型等等,预先对机器学习模型进行训练,使得机器学习模型可以输出对应的订单需求的预测结果。在对模型进行训练过程中,可以先获得大量的上述输入特征数据,即历史位置数据及历史订单数据可以是当前时间以前的多个预设时间段内的数据,然后将这些大量的数据输入至机器学习模型中,以乘客请求量和司机供给量之间的关系(如乘客请求量大于/小于司机供给量)作为预测结果输出,以此对机器学习模型进行训练,从而可在实际预测时,直接输入上述的输入特征数据至训练好的机器学习模型中,获得待测区域在当前时间之后的订单需求的相关信息,从而可根据订单需求的相关信息为待测区域合理调度司机,实现司机资源的最大化利用。
由于预测模型为经过训练的模型,在训练过程中,可以采用大量的输入特征数据对预测模型进行训练,所以通过预测模型进行预测可以获得较为准确的预测结果。
在上述实施例基础上,所述预测模型还可以为编码-解码Encoder-Decoder模型,Encoder-Decoder模型就是根据一个输入序列X,来生成另一个输出序列Y,所以,在对订单需求进行预测时,可以将输入特征数据输入至Encoder-Decoder模型中,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。例如,在将上述输入特征数据输入至Encoder-Decoder模型中后,Encoder-Decoder模型可输出对应的未来时间该待测区域的订单数量,Encoder-Decoder模型可以准确预测出待测区域在未来时间内的订单数量,从而可以掌握待测区域的订单需求,合理进行司机调度,尽量达到供需平衡。
通过Encoder-Decoder模型实现订单需求的预测,由于在Encoder-Decoder模型中,在解码时,在产生每一个输出的时候,都能过做到充分利用输入数据中携带信息,由此可以更好的考虑输入特征数据与输出的预测结果之间的密切关系,所以其具有较好的预测精度,所以,可以提高预测结果的准确性。
另外,为了使得预测更为准确,可在Encoder-Decoder模型中加入注意力Attention机制,即所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,其模型的架构示意图如图4所示。其中,编码模型可以采用Conv和长短期记忆网络模型(Long Short-Term Memory,简称LSTM),编码模型可以将输入特征数据编码成固定维度的状态,注意力模型主要计算出各状态特征的注意力权重,从而得到注意力向量,解码模型以编码模型对称的形式将注意力向量解码,获得表征订单需求的预测结果。
具体地,在对待测区域的订单需求进行预测时,首先将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态,然后利用所述Attention模型为所述预设时间段对应的当前状态和隐含状态添加对应的权重,获得注意力向量,再利用解码模型对所述注意力向量进行解码,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
其中,编码模型对输入特征数据进行编码的过程为:将所述待测区域划分为预设大小的多个网格,每个网格均携带有对应的特定值,所述特定值为所述预设时间段你所述网约车的订单数据,然后将多个网格对应的订单数据进行卷积,获得卷积结果,再利用LSTM模型对所述卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。
可以理解地,可基于待测区域的地图数据将待测区域划分为预设大小的多个网格,如每个网格的大小为3*3,当然,对于网格的划分方式还可以为其他的,如按用地的属性划分,比如住宅区,商业区之类的,也有按行政区划分的方式等等。本实施例中计算的简便,将待测区域划分为多个3*3大小的网格,划分网格后,待测区域就变成了一个网格矩阵M,网格矩阵M中的每个值就是待测区域在预设时间段内的订单数量。
例如,若在预设时间段内,待测区域内的订单数量为100,则每个网格对应的值则为100,若有50个网格,则在网格矩阵M中,有50个为100的值组成网格矩阵M。
然后将网格矩阵中的各个值进行卷积,获得卷积结果,然后在利用LSTM模型对卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。然后在对每个状态添加对应的权重,即该对预设时间段对应的订单数量添加对应的权重,从而得到注意力向量,然后利用解码模型对注意力向量进行解码,获得表征待测区域的订单需求的订单数量,该订单数量为与预设时间段对应的在未来该预设时间段内的订单数量,从而可对待测区域在未来时间的订单需求进行预测。
当然为了对多个时间段的订单需求进行预测,输入特征数据可以是当前时间以前多个预设时间段内的数据,然后利用Encoder-Decoder模型进行预测时,先将待测区域以上述方式划分为多个预设大小的网格,然后获得多个网格矩阵,每个网格矩阵中对应的值为一个时间段内待测区域的订单数量,如对于时间段1对应的网格矩阵1中的各个值为100,对于时间段2对应的网格矩阵2的各个值为80,对于时间段3对应的网格矩阵3的各个值为50,若为N个时间段,则获得N个时间段的网格矩阵{M1,...,MN},然后将各个网格矩阵分别进行卷积,获得N个时间段的卷积结果{I1,...,IN}=CNN(M1,...,MN),由于不同的时间段的订单数量是不同的,例如,住宅区在上班高峰期的需求大,而在夜晚时的需求小,所以,为了预测各个时间段不同的需求,利用Attention模型为各个卷积结果添加对应的权重,首先获得对于的权重向量W=Softmax(F(C,H)),通过F函数来获得最后的预测结果与每个输入的卷积结果对应的重要性,然后经过Softmax进行归一化得到注意力概率分布数值W,最后对卷积结果进行加权求和得到注意力向量:再利用解码模型对注意力向量进行解码得到预测结果,解码模型的结构和过程和编码模型相对称,即解码模型也是利用LSTM模型对注意力向量进行解码得到预测结果即可,从而可获得待测区域在未来N个时间段对应的预测结果。
所以,可以将上述输入特征数据输入至上述的预测模型中进行预测,可以获得表征待测区域在未来时间的订单需求的预测结果(如订单数量),从而可获得更为准确的预测结果,从而可以知晓待测区域在未来时间的订单需求,合理对司机进行调度,保证司机供给量满足乘客请求量的同时又可以尽量减少司机资源的浪费。
另外,作为一种实时方式,更加合理的对待测区域的未来时间的订单需求进行预测,所述输入数据还可包括所述待测区域在当前时间之后预测会发生变化的特征数据。例如,这些特征数据可以包括待测区域在未来某个时间因各种因素导致的人口递增或递减,如新修小区会导致该待测区域的人口递增,若拆迁小区则会导致该待测区域的人口递减。
所以,若按照上述方式,可以基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之前的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递减趋势,则预测所述待测区域在所述当前时间之后的订单需求为降低。
可以理解地,如若待测区域在所述当前时间之后的订单需求成递增趋势,则表明该待测区域在当前时间之后的订单需求也会成递增趋势,也就是表示该待测区域在当前时间之后的订单量会增加,但是若该待测区域在未来某个时间人口会递减,则表明在未来某个时间该待测区域在未来某个时间订单量会减少。或者,若待测区域在当前时间之后的订单需求成递减趋势,也就是表示该待测区域在当前时间之后的订单量会减少,若预测该待测区域在未来某个时间人口会递减,则表明在未来某个时间该待测区域在未来某个时间订单量会减少。
或者,若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递增趋势,则预测所述待测区域在所述当前时间之后的订单需求为增加或降低。
可以理解地,如若待测区域在所述当前时间之后的订单需求成递增趋势,则表明该待测区域在当前时间之后的订单需求也会成递增趋势,也就是表示该待测区域在当前时间之后的订单量会增加,但是若该待测区域在未来某个时间人口会递增,则表明在未来某个时间该待测区域在未来某个时间订单量会增加。或者,若待测区域在当前时间之后的订单需求成递减趋势,也就是表示该待测区域在当前时间之后的订单量会减少,若预测该待测区域在未来某个时间人口会递增,则表明在未来某个时间该待测区域在未来某个时间订单量会增加。
所以,在输入特征数据中增加待测区域未来预测会发生变化的特征数据,可以对待测区域在未来时间的订单需求进行更为准确的预测,实现对待测区域的订单需求进行有效预测,从而保证待测区域在未来时间内的供需平衡。
请参照图5,图5为本发明实施例提供的一种订单需求预测装置300的结构示意图,所述装置包括:
数据获取模块310,用于获取输入特征数据,所述输入特征数据包括待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据;
预测模块320,用于基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测。
可选地,所述预测模块320,具体用于将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测。
可选地,所述预测模型为编码-解码Encoder-Decoder模型,所述预测模块320,具体用于将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
可选地,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,所述预测模块320,具体用于将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态;利用所述Attention模型为所述预设时间段对应的当前状态和隐含状态添加对应的权重,获得注意力向量;利用解码模型对所述注意力向量进行解码,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
可选地,所述预测模块320,用于将所述待测区域划分为预设大小的多个网格,每个网格均携带有对应的特定值,所述特定值为所述预设时间段内所述网约车的订单数据;将所述多个网格对应的订单数据进行卷积,获得卷积结果;利用LSTM模型对所述卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。
可选地,所述输入特征数据还包括所述待测区域在当前时间之后预测会发生变化的特征数据。
可选地,所述预测模块320,用于若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递减趋势,则预测所述待测区域在所述当前时间之后的订单需求为降低。
可选地,所述预测模块320,用于若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递增趋势,则预测所述待测区域在所述当前时间之后的订单需求为增加。
本发明实施例提供一种可读取存储介质,所述计算机程序被处理器执行时,执行如图3所示方法实施例中电子设备所执行的方法过程。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
综上所述,本发明实施例提供一种订单需求预测方法、装置、电子设备及可读存储介质,该方法通过基于待测区域的地图数据,网约车在待测区域的历史位置数据和历史订单数据来共同待测区域在当前时间之后的订单需求进行预测,根据地图数据和网约车在待测区域的历史位置数据可以更好的预测未来在待测区域的网约车的供给情况,以及根据历史订单数据可以预测未来在待测区域的订单情况,从而可知待测区域在未来的供需情况。相比于现有技术中只能对某个区域的订单情况进行预测,而无法预测该区域内网约车的供给情况,而本方案中,即可对订单情况进行预测,也可对网约车的供给情况进行预测,从而可预测待测区域在未来的网约车和乘客之间的供需情况,由此可在供需不平衡时,可以对网约车进行合理调度,以满足待测区域的供需平衡,使得能够最大化司机的使用效率,且减少乘客的等待时间,提高服务质量。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
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、物品或者设备中还存在另外的相同要素。
Claims (14)
1.一种订单需求预测方法,其特征在于,所述方法包括:
获取输入特征数据,所述输入特征数据包括待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据;
基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测;
其中,所述基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测,包括:
将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测;
其中,所述预测模型为编码-解码Encoder-Decoder模型,将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测,包括:
将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果,包括:
将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态;
利用所述Attention模型为所述预设时间段对应的当前状态和隐含状态添加对应的权重,获得注意力向量;
利用解码模型对所述注意力向量进行解码,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
3.根据权利要求2所述的方法,其特征在于,将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态,包括:
将所述待测区域划分为预设大小的多个网格,每个网格均携带有对应的特定值,所述特定值为所述预设时间段内所述网约车的订单数据;
将所述多个网格对应的订单数据进行卷积,获得卷积结果;
利用LSTM模型对所述卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。
4.根据权利要求1所述的方法,其特征在于,所述输入特征数据还包括所述待测区域在当前时间之后预测会发生变化的特征数据。
5.根据权利要求4所述的方法,其特征在于,基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测,包括:
若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且
若所述待测区域在当前时间之后预测所述待测区域的人口成递减趋势,则预测所述待测区域在所述当前时间之后的订单需求为降低。
6.根据权利要求4所述的方法,其特征在于,基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测,包括:
若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且
若所述待测区域在当前时间之后预测所述待测区域的人口成递增趋势,则预测所述待测区域在所述当前时间之后的订单需求为增加。
7.一种订单需求预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取输入特征数据,所述输入特征数据包括待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据;
预测模块,用于基于所述输入特征数据,对所述待测区域在所述当前时间之后的订单需求进行预测;
其中,所述预测模块,具体用于将所述输入特征数据输入预测模型,通过所述预测模型对所述待测区域在所述当前时间之后的订单需求进行预测;
其中,所述预测模型为编码-解码Encoder-Decoder模型,所述预测模块,具体用于将所述输入特征数据输入至所述Encoder-Decoder模型,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
8.根据权利要求7所述的装置,其特征在于,所述Encoder-Decoder模型包括编码模型、注意力Attention模型以及解码模型,所述预测模块,具体用于将所述输入特征数据输入至所述编码模型,利用所述编码模型对所述输入特征数据进行编码,获得所述预设时间段对应的当前状态和隐含状态;利用所述Attention模型为所述预设时间段对应的当前状态和隐含状态添加对应的权重,获得注意力向量;利用解码模型对所述注意力向量进行解码,获得用于表征所述待测区域在所述当前时间之后的订单需求的预测结果。
9.根据权利要求7所述的装置,其特征在于,所述预测模块,用于将所述待测区域划分为预设大小的多个网格,每个网格均携带有对应的特定值,所述特定值为所述预设时间段内所述网约车的订单数据;将所述多个网格对应的订单数据进行卷积,获得卷积结果;利用LSTM模型对所述卷积结果进行编码,获得所述预设时间段对应的当前状态和隐含状态。
10.根据权利要求7所述的装置,其特征在于,所述输入特征数据还包括所述待测区域在当前时间之后预测会发生变化的特征数据。
11.根据权利要求10所述的装置,其特征在于,所述预测模块,用于若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递减趋势,则预测所述待测区域在所述当前时间之后的订单需求为降低。
12.根据权利要求10所述的装置,其特征在于,所述预测模块,用于若基于所述待测区域当前的地图数据、在当前时间以前的预设时间段内的网约车在所述待测区域的历史位置数据及历史订单数据,确定所述待测区域在所述当前时间之后的订单需求成递增或递减趋势;并且若所述待测区域在当前时间之后预测所述待测区域的人口成递增趋势,则预测所述待测区域在所述当前时间之后的订单需求为增加。
13.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求1-6任一所述的订单需求预测方法的步骤。
14.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1-6任一所述的订单需求预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071671.XA CN111476588B (zh) | 2019-01-24 | 2019-01-24 | 订单需求预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910071671.XA CN111476588B (zh) | 2019-01-24 | 2019-01-24 | 订单需求预测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476588A CN111476588A (zh) | 2020-07-31 |
CN111476588B true CN111476588B (zh) | 2023-10-24 |
Family
ID=71743962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910071671.XA Active CN111476588B (zh) | 2019-01-24 | 2019-01-24 | 订单需求预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476588B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183791A (zh) * | 2020-08-25 | 2021-01-05 | 汉海信息技术(上海)有限公司 | 网约车调度方法、装置、电子设备及存储介质 |
CN112101804B (zh) * | 2020-09-21 | 2021-11-02 | 北京嘀嘀无限科技发展有限公司 | 车辆调度方法、装置、可读存储介质和电子设备 |
CN112101671B (zh) * | 2020-09-21 | 2022-03-25 | 北京嘀嘀无限科技发展有限公司 | 区域属性预测方法、装置、可读存储介质和电子设备 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
CN112529279A (zh) * | 2020-12-02 | 2021-03-19 | 北京嘀嘀无限科技发展有限公司 | 一种生成接单指导信息的方法、装置、计算机设备和介质 |
CN112669603B (zh) * | 2020-12-17 | 2023-04-07 | 广东南方通信建设有限公司 | 基于大数据的城市交通协同方法及装置 |
CN112561187B (zh) * | 2020-12-22 | 2022-06-03 | 武汉理工大学 | 一种基于cnn-lstm的网约车目标订单预测方法 |
CN112650949B (zh) * | 2020-12-31 | 2023-12-29 | 东北大学 | 基于多源特征融合协同过滤的区域poi需求识别方法 |
CN112767030A (zh) * | 2021-01-21 | 2021-05-07 | 上海钧正网络科技有限公司 | 网约车定价方法、装置及计算机可读存储介质 |
CN113011672B (zh) * | 2021-03-29 | 2024-04-19 | 上海寻梦信息技术有限公司 | 物流时效预测方法、装置、电子设备及存储介质 |
CN113269340A (zh) * | 2021-05-12 | 2021-08-17 | 广州宸祺出行科技有限公司 | 一种网约车区域热度值的计算及展示的方法及系统 |
CN114066079B (zh) * | 2021-11-22 | 2022-11-25 | 北京白龙马云行科技有限公司 | 一种基于多租户的网约车供需差预测方法及装置 |
CN114386880B (zh) * | 2022-03-22 | 2022-07-08 | 北京骑胜科技有限公司 | 确定订单数量的模型训练方法、订单数量确定方法及装置 |
CN114819414B (zh) * | 2022-06-24 | 2022-10-28 | 北京阿帕科蓝科技有限公司 | 一种区块需求预测方法、系统及计算机存储介质 |
CN116402323B (zh) * | 2023-06-09 | 2023-09-01 | 华东交通大学 | 一种出租车调度方法 |
CN117593045B (zh) * | 2024-01-19 | 2024-04-09 | 华侨大学 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
CN117649164B (zh) * | 2024-01-30 | 2024-04-16 | 四川宽窄智慧物流有限责任公司 | 一种货物统筹管理的梯度分配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016081626A1 (en) * | 2014-11-20 | 2016-05-26 | Atom Tickets, LLC | Collaborative ticketing system |
WO2017063356A1 (zh) * | 2015-10-14 | 2017-04-20 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201706602RA (en) * | 2015-02-13 | 2017-09-28 | Beijing Didi Infinity Tech And Dev Co Ltd | Methods and systems for transport capacity scheduling |
-
2019
- 2019-01-24 CN CN201910071671.XA patent/CN111476588B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016081626A1 (en) * | 2014-11-20 | 2016-05-26 | Atom Tickets, LLC | Collaborative ticketing system |
WO2017063356A1 (zh) * | 2015-10-14 | 2017-04-20 | 深圳市天行家科技有限公司 | 代驾订单预测方法和代驾运力调度方法 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
Non-Patent Citations (3)
Title |
---|
贾兴无 ; .基于网约车数据的居民出行需求特征分析及需求预测.交通工程.2018,(第05期), * |
贾兴无.基于网约车数据的居民出行需求特征分析及需求预测.《交通工程》.2018,(第05期),全文. * |
陈伦."基于微波数据的连续交通流预测方法研究".《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》.2018,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111476588A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476588B (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
US10254119B2 (en) | Systems and methods for recommending an estimated time of arrival | |
TWI670677B (zh) | 用於推薦預估到達時間的系統和方法 | |
US10922778B2 (en) | Systems and methods for determining an estimated time of arrival | |
JP6737805B2 (ja) | 将来の輸送サービス時点の予測分布を求めるシステム及び方法 | |
EP3320420B1 (en) | Systems and methods for recommending recommended service location | |
JP6538196B2 (ja) | サービスの要求を分配するシステム及び方法 | |
US20200050938A1 (en) | Systems and methods for improvement of index prediction and model building | |
AU2016102423A4 (en) | System and method for determining vehicle load status | |
JP6687772B2 (ja) | サービス時点を予測するシステム及び方法 | |
EP3330917A1 (en) | Method and system for determining traffic service fees | |
AU2017417171A1 (en) | Systems and methods for determining estimated time of arrival | |
CA3028479A1 (en) | System and method for determining safety score of driver | |
CN109313742A (zh) | 确定预估到达时间的方法及系统 | |
JP2020057409A (ja) | サービスの順序列を更新するためのシステム及び方法 | |
CN111367575B (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
CN111260164A (zh) | 一种运力调度方法以及装置 | |
CN111489214B (zh) | 订单分配方法、条件设置方法、装置及电子设备 | |
CN111199440A (zh) | 事件预估方法、装置以及电子设备 | |
WO2019128477A1 (en) | Systems and methods for assigning service requests | |
CN111275232A (zh) | 生成未来价值预测模型的方法和系统 | |
CN113924460B (zh) | 确定服务请求的推荐信息的系统和方法 | |
CN111192071B (zh) | 发单量预估方法及装置、训练发单概率模型的方法及装置 | |
CN111831763A (zh) | 地图处理方法、装置、设备及计算机可读存储介质 |
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 |