CN111612489B - 订单量的预测方法、装置及电子设备 - Google Patents
订单量的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111612489B CN111612489B CN201910138840.7A CN201910138840A CN111612489B CN 111612489 B CN111612489 B CN 111612489B CN 201910138840 A CN201910138840 A CN 201910138840A CN 111612489 B CN111612489 B CN 111612489B
- Authority
- CN
- China
- Prior art keywords
- node
- order quantity
- representing
- graph
- generation 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000010586 diagram Methods 0.000 claims abstract description 53
- 230000002776 aggregation Effects 0.000 claims abstract description 35
- 238000004220 aggregation Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 74
- 239000013598 vector Substances 0.000 claims description 67
- 230000004927 fusion Effects 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000005755 formation reaction Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 241000801118 Lepidium Species 0.000 claims 2
- 238000011946 reduction process Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种订单量的预测方法、装置及电子设备。该方法包括：获取订单量时空数据，该订单量时空数据包括与区域对应的不同历史时间段内的订单量；将订单量时空数据输入预先构建的图生成模型，得到节点图，节点图的一个节点表征一个区域，每个节点的数据包含其表征区域的历史时间段对应的订单量；通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征，该时间信息特征包括每个节点对应历史时间段下的订单聚合量；通过图卷积神经网络GCN对时间信息特征进行局部空间特征抽取，基于抽取得到的局部空间特征，预测指定时段下每个节点的订单量。本申请能够提高订单量的预测准确度及稳定性。
Description
技术领域
本申请涉及神经网络技术领域，尤其涉及一种订单量的预测方法、装置及电子设备。
背景技术
需求量预测是一个典型的时空预测问题，在时间上，该问题有明显的渐进性和周期性；在空间上，订单量的分布有明显的区域相似特征。传统深度学习的方法采用卷积神经网络CNN+循环神经网络RNN的方法进行时空建模，如深度时空网络使用堆叠的CNN进行空间特征抽取；深度多视图时空网络(DMVST)同时引入RNN和CNN进行多视图学习。这种方式在时间建模上，RNN对于时间序列的建模过于平滑；在空间建模上，CNN无法处理非欧式结构，无法引入城市多模态数据进行更精准的建模，这些问题导致预测的准确性和稳定性偏低。
发明内容
有鉴于此，本申请实施例提供一种订单量的预测方法、装置及电子设备，能够提高订单量的预测准确度及稳定性。
根据本申请的一个方面，提供一种订单量的预测方法，包括：获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。
在一些实施例中，所述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型。
在一些实施例中，所述地理位置邻近图生成模型包括：
GN＝(V，AN i，j)；其中，
V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；AN i，j表示节点i和节点j在地理位置邻近图中的连接方式；
所述POI相似图生成模型包括：
GS＝(V，AS i，j)；其中，
AS i，j表示节点i和节点j在POI相似图中的连接方式；/>和/>分别代表区域vi和区域vj对应的POI向量，sim()为相似度函数；
所述路网连通图生成模型包括：
GC＝(V，AC i，j)；其中，AC i，j＝max(0，conn(vi，vj)-AN i，j)，
其中，AC i，j表示表示节点i和节点j在路网连通图中的连接方式，conn(vi，vj)表示节点i和节点j在一条道路上的连接方式。
在一些实施例中，通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征的步骤，包括：将所述节点图输入所述CGRNN进行图卷积运算，得到所述订单量时空数据在所述节点图上的初步的空间信息特征；基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号；通过循环神经网络RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征。
在一些实施例中，基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号的步骤，包括：对所述订单量时空数据和所述空间信息特征分别进行全局池化，得到两个维度一致的向量；将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，所述环境门控权重向量包括与每个所述历史时间段对应的权重值；求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号。
在一些实施例中，通过下式进行图卷积运算：
其中，FGC(X)表示图卷积神经网络，其输入为其输出为/>|V|表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p＝1，L是拉普拉斯矩阵，K′表示图卷积核感知区域的大小，K′＝1，W是可训练参数，X表示订单量时空数据，σ()为relu激活函数。
在一些实施例中，通过RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征的步骤，包括：通过下式对经过加权的输入信号在时间维度上进行聚合：
H(X)＝RNN(X，W)；
其中，H(X)表示聚合函数，其输入为其输出为/>RNN()表示循环卷积神经网络函数，W为可训练参数。
在一些实施例中，对所述订单量时空数据进行全局池化的步骤，包括：
通过下式对所述订单量时空数据进行全局池化：
其中，Fpool()表示全局池化函数，其输入为其输出为/>Xi表示第i个区域T个时间段内的订单数。
在一些实施例中，将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量的步骤，包括：通过下式，计算得到环境门控权重向量：
Fattn(X)＝σ(W2δ(W1X))；
其中，Fattn()表示注意力机制函数，其输入为其输出为/>σ()、δ()分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。
在一些实施例中，求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号的步骤，包括：通过下式计算所述订单量时空数据与所述环境门控权重向量的哈达玛积：
其中，为哈达玛积，FCG(X)表示加权函数，其输入为/>其输出为/>Fattn(X)表示环境门控权重向量。
在一些实施例中，通过GCN对所述时间信息特征进行局部空间特征抽取的步骤，包括：通过以下所述GCN的向前传播算法，进行局部空间特征抽取：
FGC(X)＝σ(f(A；θi)XW)；
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/>f(A；θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。
在一些实施例中，基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量的步骤，包括：当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，将所述抽取得到的局部空间特征，作为指定时段下每个所述节点的订单量；当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，利用多图卷积融合算法，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量。
在一些实施例中，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量的步骤，包括：利用下述多图卷积融合算法进行特征融合及降维处理：
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/> 代表所述节点图构成的集合，/> 代表加权聚合函数，其输入为/>其输出为/>p’为FGC输出的空间信息特征的维度。
根据本申请的另一个方面，提供一种订单量的预测装置，包括：数据获取模块，用于获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；节点图生成模块，用于将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；时间信息特征提取模块，用于通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；空间特征提取模块，用于通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；订单量预测模块，用于基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。
在一些实施例中，所述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型。
在一些实施例中，所述地理位置邻近图生成模型包括：
GN＝(V，AN i，j)；其中，
V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；AN i，j表示节点i和节点j在地理位置邻近图中的连接方式；
所述POI相似图生成模型包括：
GS＝(V，AS i，j)；其中，
AS i，j表示节点i和节点j在POI相似图中的连接方式；/>和/>分别代表区域vi和区域vj对应的POI向量，sim()为相似度函数；
所述路网连通图生成模型包括：
GC＝(V，AC i，j)；其中，AC i，j＝max(0，conn(vi，vj)-AN i，j)，
其中，AC i，j表示表示节点i和节点j在路网连通图中的连接方式，conn(vi，vj)表示节点i和节点j在一条道路上的连接方式。
在一些实施例中，所述时间信息特征提取模块包括：图卷积运算模块，用于将所述节点图输入所述CGRNN进行图卷积运算，得到所述订单量时空数据在所述节点图上的初步的空间信息特征；时间维度加权模块，用于基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号；时间聚合模块，用于通过循环神经网络RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征。
在一些实施例中，所述时间维度加权模块还用于：对所述订单量时空数据和所述空间信息特征分别进行全局池化，得到两个维度一致的向量；将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，所述环境门控权重向量包括与每个所述历史时间段对应的权重值；求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号。
在一些实施例中，通过下式进行图卷积运算：
其中，FGC(X)表示图卷积神经网络，其输入为其输出为/>|V|表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p＝1，L是拉普拉斯矩阵，K′表示图卷积核感知区域的大小，K′＝1，W是可训练参数，X表示订单量时空数据，σ()为relu激活函数。
在一些实施例中，通过下式对经过加权的输入信号在时间维度上进行聚合：
H(X)＝RNN(X，W)；
其中，H(X)表示聚合函数，其输入为其输出为/>RNN()表示循环卷积神经网络函数，W为可训练参数。
在一些实施例中，通过下式对所述订单量时空数据进行全局池化：
其中，Fpool()表示全局池化函数，其输入为其输出为/>Xi表示第i个区域T个时间段内的订单数。
在一些实施例中，通过下式，计算得到环境门控权重向量：
Fattn(X)＝σ(W2δ(W1X))；
其中，Fattn()表示注意力机制函数，其输入为其输出为/>σ()、δ()分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。
在一些实施例中，通过下式计算所述订单量时空数据与所述环境门控权重向量的哈达玛积：
其中，为哈达玛积，FCG(X)表示加权函数，其输入为/>其输出为/>Fattn(X)表示环境门控权重向量。
在一些实施例中，通过以下所述GCN的向前传播算法，进行局部空间特征抽取：
FGC(X)＝σ(f(A；θi)XW)；
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/>f(A；θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。
在一些实施例中，所述订单量预测模块还用于：当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，将所述抽取得到的局部空间特征，作为指定时段下每个所述节点的订单量；当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，利用多图卷积融合算法，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量。
在一些实施例中，利用下述多图卷积融合算法进行特征融合及降维处理：
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/> 代表所述节点图构成的集合，/> 代表加权聚合函数，其输入为/>其输出为/>p’为FGC输出的空间信息特征的维度。
根据本申请的另一个方面，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，以执行时执行如上述订单量的预测方法中的一个或多个方法的步骤。
根据本申请的另一个方面，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上述订单量的预测方法中的一个或多个方法的步骤。
上述任一方面所述的订单量的预测方法和装置中，首先获取订单量时空数据，该订单量时空数据包括与区域对应的不同历史时间段内的订单量；然后将订单量时空数据输入预先构建的图生成模型，得到节点图，在每个节点图中，一个节点表征一个区域，每个节点的数据包含其表征区域的历史时间段对应的订单量；然后通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征，该时间信息特征包括每个节点对应历史时间段下的订单聚合量；最后通过图卷积神经网络GCN对时间信息特征进行局部空间特征抽取，并基于抽取得到的局部空间特征，预测指定时段下每个节点的订单量。本申请能够通过图生成模型生成节点图，考虑了空间位置关系对预测的影响，通过环境门控循环神经网络，能够对历史数据根据重要性进行加权过滤，并采用图卷积神经网络进行空间特征提取，从而提高订单量的预测准确度及稳定性。
为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的某些实施例，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示出了本申请实施例所提供的一种订单量的预测方法的流程图；
图2示出了本申请实施例所提供的一种图片特征提取的网络结构示意图；
图3示出了本申请实施例所提供的一种注意力向量形成过程的示意图；
图4示出了本申请实施例所提供的一种订单量的预测方法中步骤S206的详细流程图；
图5示出了本申请实施例所提供的一种订单量的预测装置的结构示意图；
图6示出了本申请实施例所提供的一种订单量的预测装置中的局部结构示意图；
图7示出了本申请实施例所提供的一种电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，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，都属于本申请保护的范围。
需要说明的是，本申请可以应用于在网约车服务场景中，也可以应用于其它需求量预测的场景。例如，外卖点餐服务场景、共享经济服务场景(如共享单车、共享充电桩、共享汽车)等。本申请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。
图1提供了一种订单量的预测方法的流程图，该方法可以应用于诸如网约车服务平台系统中的服务器，参见图1，该订单量的预测方法具体包括以下步骤：
步骤S102，获取订单量时空数据。
其中，订单量时空数据包括与区域对应的不同历史时间段内的订单量。在具体实施时，如果想预测下一时段某些区域的订单量，需要首先获取其对应的历史时段内的订单量，比如：想要对11月6日8:00-9:00的各个区域的订单量进行预测，那么其对应的历史数据可以是10月6日(上月)8:00-9:00、11月4日(前天)8:00-9:00、11月6日5:00-6:00、6:00-7:00总共四个历史时间段内的各个区域的订单量。
需要说明的是，历史时段的选取可以根据实际情况进行不同的设定，不限于本申请提供的四个时间段。
步骤S104，将订单量时空数据输入预先构建的图生成模型，得到节点图。
上述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型。这三种图生成模型均为预先构建好的模型，分别可以表达区域之间的连接关系，如：两个区域是否相临、两个区域是否相似或者两个区域是否在同一条道路上。通过上述三种图生成模型，可以得到三个节点图，在每个节点图中，一个节点表征一个区域，每个节点的数据包含其表征区域的历史时间段对应的订单量。
具体实施中，将获取的订单量时空数据，即与区域对应的不同历史时间段内的订单量数据输入上述图生成模型后，可以生成地理位置邻近节点图、POI相似节点图及路网连通节点图中的一个或多个，由于这些节点图中包含有更加全面的区域之间的位置关系信息，从而可以使后续的订单量预测更加准确。
步骤S106，通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征。
上述环境门控循环神经网络不仅可以对节点图中的信息进行图卷积运算，还可以进行时间维度上的加权及聚合，通过图卷积运算可以提取初步的空间信息特征，而时间维度上的加权及聚合可以提取大量的时间特征，因此，上述得到的时间信息特征中包括有每个节点对应历史时间段下的订单聚合量，该订单聚合量中除了包含大量的时间特征外，还包含少量的初步的空间信息特征，以便后续提取更多的空间信息特征。另外，上述时间维度上的加权及聚合过程，可以对历史数据根据重要性进行加权过滤，使得输入RNN的时间序列不再平滑，经过RNN聚合后的预测结果将变得对突变值更加敏感。
步骤S108，通过图卷积神经网络GCN对时间信息特征进行局部空间特征抽取。
由于上述节点图中包含有更加全面的区域之间的位置关系信息，即上述节点图的数据结构形式为非欧式结构，而传统的卷积神经网络CNN无法处理非欧式结构，无法引入城市多模态数据进行准确地建模及预测，因此，在提取出上述时间信息特征后，进一步通过图卷积神经网络GCN进行局部空间特征抽取，从而提取出大量的空间信息特征。
步骤S110，基于抽取得到的局部空间特征，预测指定时段下每个节点的订单量。
当上述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，也就是生成一个节点图时，将抽取得到的局部空间特征，作为指定时段下每个节点的订单量；当上述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，可以采取特征融合的方式得到最终的预测结果，比如，利用多图卷积融合算法，对抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个节点的订单量。
本申请实施例所提供的订单量的预测方法中，首先获取订单量时空数据，该订单量时空数据包括与区域对应的不同历史时间段内的订单量；然后将订单量时空数据输入预先构建的图生成模型，得到节点图，在每个节点图中，一个节点表征一个区域，每个节点的数据包含其表征区域的历史时间段对应的订单量；然后通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征，该时间信息特征包括每个节点对应历史时间段下的订单聚合量；最后通过图卷积神经网络GCN对时间信息特征进行局部空间特征抽取，并基于抽取得到的局部空间特征，预测指定时段下每个节点的订单量。本申请能够通过图生成模型生成节点图，考虑了空间位置关系对预测的影响，通过环境门控循环神经网络，能够对历史数据根据重要性进行加权过滤，并采用图卷积神经网络进行空间特征提取，从而提高订单量的预测准确度及稳定性。
为了更加清楚地阐述本申请的订单量预测过程，下面提供一种优选的实施例，该实施例中，图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型三种。图2示出了本申请实施例的一种模型架构图，具体包括：图生成(地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型)、CGRNN(Contextual GatedRNN)、MGCN(三个GCN)和模型融合四大模块，下面分别阐述四大模块的详细内容：
(1)图生成
A：地理位置邻近图生成模型
地理学第一定律：任何事物都是与其他事物相关，只不过越近的事物关联越紧密。根据如上定律，可以为区域间的地理位置邻近性建立了一个稀疏的图，其表达式如下：
GN＝(V，AN i，j)；其中，
V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；AN i，j表示节点i和节点j在地理位置邻近图中的连接方式。
B：POI相似图生成模型
区域间POI的相似度可能反应需求量的相似度。如早高峰时段，同是住宅区的两个区域可能均有较高的订单需求。因此，可以为POI相似度建立了一个图，表达式如下：
GS＝(V，AS i，j)；其中，
AS i，j表示节点i和节点j在POI相似图中的连接方式；/>和/>分别代表区域vi和区域vj对应的POI向量，sim()为相似度函数。
在本申请中，上述相似度使用余弦相似度。余弦相似度，又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。POI向量可以反映某个城市区域的功能性。比如：POI向量定义为：[a1，a2，a3，...，an]，a1代表区域内商场的数量，a2代表区域内住宅的数量，...an代表区域内(其他某类POI)的数量。这里，用两个区域POI向量的余弦相似度代表区域功能性的相似度。所以只要POI向量的每个维度所代表的意思在每个区域是相同的就可以，没有必要关注每个维度的具体意义。
C：路网连通图生成模型
由于司乘服务订单需求是建立在交通路网系统上的，被路网所直接连通的地区可能有相似的需求量特征，在空间建模中融入城市高速运输干道的连通关系有助于空间特征的提取。因此，本申请提取城市主干道信息，如高速公路，高架桥，地铁，建立了一个路网连通图，表达式如下：
GC＝(V，AC i，j)；其中，AC i，j＝max(0，conn(vi，vj)-AN i，j)，
其中，AC i，j表示表示节点i和节点j在路网连通图中的连接方式，conn(vi，vj)表示节点i和节点j在一条道路上的连接方式。
需要说明的是，GC中移除了GN中已有的邻近区域，其表示的是由于便利交通而拥有相似订单量分布的两个相隔较远的区域。
(2)CGRNN
图3示出了本申请实施例所提供的一种环境门控循环神经网络CGRNN的工作示意图，通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征的过程，可以包括以下步骤，参见图4所示：
步骤S402，将节点图输入CGRNN进行图卷积运算，得到订单量时空数据在节点图上的初步的空间信息特征。
具体的，通过下式进行图卷积运算：
其中，FGC(X)表示图卷积神经网络，其输入为其输出为/>|V|表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p＝1，L是拉普拉斯矩阵，K′表示图卷积核感知区域的大小，K′＝1，W是可训练参数，X表示订单量时空数据，σ()为relu激活函数。
步骤S404，对订单量时空数据和空间信息特征分别进行全局池化，得到两个维度一致的向量。
具体的，通过下式对订单量时空数据进行全局池化：
其中，Fpool()表示全局池化函数，其输入为其输出为/>Xi表示第i个区域T个时间段内的订单数。
同理，对空间信息特征进行全局池化后，得到空间信息特征池化函数和Fpool(X)为两个维度一致的向量，其维度均为T。
步骤S406，将两个维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量。
具体的，通过下式，计算得到环境门控权重向量：
Fattn(X)＝σ(W2δ(W1X))；
其中，Fattn()表示注意力机制函数，其输入为其输出为/>σ()、δ()分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。其中，环境门控权重向量包括与每个历史时间段对应的权重值。
步骤S408，求取订单量时空数据与环境门控权重向量的哈达玛积，得到经过加权的输入信号。
具体的，通过下式计算订单量时空数据与环境门控权重向量的哈达玛积：
其中，为哈达玛积，FCG(X)表示加权函数，其输入为/>其输出为/>Fattn(X)表示环境门控权重向量。
步骤S410，通过循环神经网络RNN对经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征。
具体的，通过下式对经过加权的输入信号在时间维度上进行聚合，如图3中所示的T reweighted observations are aggregated with RNN：
H(X)＝RNN(X，W)；
其中，H(X)表示聚合函数，其输入为其输出为/>RNN()表示循环卷积神经网络函数，W为可训练参数。
(3)MGCN
在抽取出上述三种节点图分别对应的时间信息特征后，进一步通过三个GCN分别对时间信息特征进行局部空间特征抽取，具体的，通过以下GCN的向前传播算法，进行局部空间特征抽取：
FGC(X)＝σ(f(A；θi)XW)；
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/>f(A；θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。
(4)模型融合
利用多图卷积融合算法，对上述抽取得到的三个局部空间特征进行特征融合及降维处理，输出指定时段下每个节点的订单量。
具体的，利用下述多图卷积融合算法进行特征融合及降维处理：
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/> 代表节点图构成的集合，/> 代表加权聚合函数，其输入为/>其输出为/>p’为FGC输出的空间信息特征的维度。
作为一种优选方式，本申请实施例中的FGC(X)可以采用ChebyNet图卷积神经网络。
对应于上述方法实施例，图5示出了本申请实施例所提供一种订单量的预测装置的框图，该订单量的预测装置实现的功能对应上述订单量的预测方法执行的步骤。该订单量的预测装置可以理解为上述服务器，或服务器的处理器，也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件，如图5所示，该订单量的预测装置包括：数据获取模块502、节点图生成模块504、时间信息特征提取模块506、空间特征提取模块508和订单量预测模块510。
其中，数据获取模块502，用于获取订单量时空数据；其中，订单量时空数据包括与区域对应的不同历史时间段内的订单量；节点图生成模块504，用于将订单量时空数据输入预先构建的图生成模型，得到节点图；节点图的一个节点表征一个区域，每个节点的数据包含其表征区域的历史时间段对应的订单量；时间信息特征提取模块506，用于通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征；其中，时间信息特征包括每个节点对应历史时间段下的订单聚合量；空间特征提取模块508，用于通过图卷积神经网络GCN对时间信息特征进行局部空间特征抽取；订单量预测模块510，用于基于抽取得到的局部空间特征，预测指定时段下每个节点的订单量。
本申请实施例所提供的订单量的预测装置中，能够通过图生成模型生成节点图，考虑了空间位置关系对预测的影响，通过环境门控循环神经网络，能够对历史数据根据重要性进行加权过滤，并采用图卷积神经网络进行空间特征提取，从而提高订单量的预测准确度及稳定性。
在一些实施例中，图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型。
在一些实施例中，地理位置邻近图生成模型包括：
GN＝(V，AN i，j)；其中，
V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；AN i，j表示节点i和节点j在地理位置邻近图中的连接方式；
POI相似图生成模型包括：
GS＝(V，AS i，j)；其中，
AS i，j表示节点i和节点j在POI相似图中的连接方式；/>和/>分别代表区域vi和区域vj对应的POI向量，sim()为相似度函数；
路网连通图生成模型包括：
GC＝(V，AC i，j)；其中，AC i，j＝max(0，conn(vi，vj)-AN i，j)，
其中，AC i，j表示表示节点i和节点j在路网连通图中的连接方式，conn(vi，vj)表示节点i和节点j在一条道路上的连接方式。
参见图6所示，在一些实施例中，上述时间信息特征提取模块506包括：图卷积运算模块5062，用于将节点图输入CGRNN进行图卷积运算，得到订单量时空数据在节点图上的初步的空间信息特征；时间维度加权模块5064，用于基于订单量时空数据和空间信息特征在时间维度上进行加权，得到经过加权的输入信号；时间聚合模块5066，用于通过循环神经网络RNN对经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征。
在一些实施例中，时间维度加权模块5064还用于：对订单量时空数据和空间信息特征分别进行全局池化，得到两个维度一致的向量；将两个维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，环境门控权重向量包括与每个历史时间段对应的权重值；求取订单量时空数据与环境门控权重向量的哈达玛积，得到经过加权的输入信号。
在一些实施例中，通过下式进行图卷积运算：
其中，FGC(X)表示图卷积神经网络，其输入为其输出为/>|V|表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p＝1，L是拉普拉斯矩阵，K′表示图卷积核感知区域的大小，K′＝1，W是可训练参数，X表示订单量时空数据，σ()为relu激活函数。
在一些实施例中，通过下式对经过加权的输入信号在时间维度上进行聚合：
H(X)＝RNN(X，W)；
其中，H(X)表示聚合函数，其输入为其输出为/>RNN()表示循环卷积神经网络函数，W为可训练参数。
在一些实施例中，通过下式对订单量时空数据进行全局池化：
其中，Fpool()表示全局池化函数，其输入为其输出为/>Xi表示第i个区域T个时间段内的订单数。
在一些实施例中，通过下式，计算得到环境门控权重向量：
Fattn(X)＝σ(W2δ(W1X))；
其中，Fattn()表示注意力机制函数，其输入为其输出为/>σ()、δ()分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。
在一些实施例中，通过下式计算订单量时空数据与环境门控权重向量的哈达玛积：
其中，为哈达玛积，FCG(X)表示加权函数，其输入为/>其输出为/>Fattn(X)表示环境门控权重向量。
在一些实施例中，通过以下GCN的向前传播算法，进行局部空间特征抽取：
FGC(X)＝σ(f(A；θi)XW)；
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/>f(A；θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。
在一些实施例中，订单量预测模块610还用于：当图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，将抽取得到的局部空间特征，作为指定时段下每个节点的订单量；当图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，利用多图卷积融合算法，对抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个节点的订单量。
在一些实施例中，利用下述多图卷积融合算法进行特征融合及降维处理：
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为/> 代表节点图构成的集合，/> 代表加权聚合函数，其输入为/>其输出为/>p’为FGC输出的空间信息特征的维度。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
为便于理解，图7示出根据本申请的一些实施例的可以实现本申请思想的电子设备700的示例性硬件和软件组件的示意图。例如，处理器720可以用于电子设备700上，并且用于执行本申请中的功能。
电子设备700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申请的订单量的预测方法。本申请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申请描述的功能，以均衡处理负载。
例如，电子设备700可以包括连接到网络的网络端口710、用于执行程序指令的一个或多个处理器720、通信总线730和不同形式的存储介质740，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申请的方法。电子设备700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750。
为了便于说明，在电子设备700中仅描述了一个处理器。然而，应当注意，本申请中的电子设备700还可以包括多个处理器，因此本申请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700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。
本申请实施例还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上述任一所述订单量的预测方法的步骤。
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，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
另外，在本申请实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (22)
1.一种订单量的预测方法，其特征在于，包括：
获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；
将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；所述图生成模型用于表达区域之间的连接关系；所述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型；
将所述节点图输入环境门控循环神经网络CGRNN进行图卷积运算，得到所述订单量时空数据在所述节点图上的初步的空间信息特征；对所述订单量时空数据和所述空间信息特征分别进行全局池化，得到两个维度一致的向量；将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，所述环境门控权重向量包括与每个所述历史时间段对应的权重值；求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号；通过循环神经网络RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；
通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；
基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。
2.根据权利要求1所述的方法，其特征在于，所述地理位置邻近图生成模型包括：
；其中，/>；
V表示节点对应的区域的集合，分别表示节点i和节点j对应的区域；/>表示节点i和节点j在地理位置邻近图中的连接方式；
所述POI相似图生成模型包括：
；其中，
，/>表示节点i和节点j在POI相似图中的连接方式；/>和/>分别代表区域/>和/>对应的POI向量，/>为相似度函数；
所述路网连通图生成模型包括：
；其中，/>，
；
其中，表示节点i和节点j在路网连通图中的连接方式，/>表示节点i和节点j在一条道路上的连接方式。
3.根据权利要求1所述的方法，其特征在于，通过下式进行图卷积运算：
；
其中，表示图卷积神经网络，其输入为/>，其输出为/>，/>表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p=1，L是拉普拉斯矩阵，/>表示图卷积核感知区域的大小，/>，/>是可训练参数，X表示订单量时空数据，/>。
4.根据权利要求3所述的方法，其特征在于，通过RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征的步骤，包括：
通过下式对经过加权的输入信号在时间维度上进行聚合：
；
其中，，其输入为/>，其输出为/>，/>表示循环卷积神经网络函数，W为可训练参数。
5.根据权利要求3所述的方法，其特征在于，对所述订单量时空数据进行全局池化的步骤，包括：
通过下式对所述订单量时空数据进行全局池化：
；
其中，表示全局池化函数，其输入为/>，其输出为/>，/>表示第i个区域T个时间段内的订单数。
6.根据权利要求3所述的方法，其特征在于，将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量的步骤，包括：
通过下式，计算得到环境门控权重向量：
；
其中，表示注意力机制函数，其输入为/>，其输出为/>，/>分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。
7.根据权利要求3所述的方法，其特征在于，求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号的步骤，包括：
通过下式计算所述订单量时空数据与所述环境门控权重向量的哈达玛积：
其中，为哈达玛积，/>表示加权函数，其输入为/>，其输出为/>，表示环境门控权重向量。
8.根据权利要求3所述的方法，其特征在于，通过GCN对所述时间信息特征进行局部空间特征抽取的步骤，包括：
通过以下所述GCN的向前传播算法，进行局部空间特征抽取：
；
其中，表示图卷积神经网络函数，其输入为/>，其输出为/>，/>表示节点图A的参数化函数，/>是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。
9.根据权利要求8所述的方法，其特征在于，基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量的步骤，包括：
当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，将所述抽取得到的局部空间特征，作为指定时段下每个所述节点的订单量；
当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，利用多图卷积融合算法，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量。
10.根据权利要求9所述的方法，其特征在于，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量的步骤，包括：
利用下述多图卷积融合算法进行特征融合及降维处理：
；
其中，表示图卷积神经网络函数，其输入为/>，其输出为/>，/>代表所述节点图构成的集合，/>；/>代表加权聚合函数，其输入为/>，其输出为/>，/>为/>输出的空间信息特征的维度。
11.一种订单量的预测装置，其特征在于，包括：
数据获取模块，用于获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；
节点图生成模块，用于将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；所述图生成模型用于表达区域之间的连接关系；所述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型；
时间信息特征提取模块，用于将所述节点图输入环境门控循环神经网络CGRNN进行图卷积运算，得到所述订单量时空数据在所述节点图上的初步的空间信息特征；对所述订单量时空数据和所述空间信息特征分别进行全局池化，得到两个维度一致的向量；将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，所述环境门控权重向量包括与每个所述历史时间段对应的权重值；求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号；通过循环神经网络RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；
空间特征提取模块，用于通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；
订单量预测模块，用于基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。
12.根据权利要求11所述的装置，其特征在于，所述地理位置邻近图生成模型包括：
；其中，/>；
V表示节点对应的区域的集合，分别表示节点i和节点j对应的区域；/>表示节点i和节点j在地理位置邻近图中的连接方式；
所述POI相似图生成模型包括：
；其中，
，/>表示节点i和节点j在POI相似图中的连接方式；/>和/>分别代表区域/>和/>对应的POI向量，/>为相似度函数；
所述路网连通图生成模型包括：
；其中，/>，
；
其中，表示节点i和节点j在路网连通图中的连接方式，/>表示节点i和节点j在一条道路上的连接方式。
13.根据权利要求11所述的装置，其特征在于，通过下式进行图卷积运算：
；
其中，表示图卷积神经网络，其输入为/>，其输出为/>，/>表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p=1，L是拉普拉斯矩阵，/>表示图卷积核感知区域的大小，/>，/>是可训练参数，X表示订单量时空数据，/>。
14.根据权利要求13所述的装置，其特征在于，通过下式对经过加权的输入信号在时间维度上进行聚合：
；
其中，，其输入为/>，其输出为/>，/>表示循环卷积神经网络函数，W为可训练参数。
15.根据权利要求13所述的装置，其特征在于，通过下式对所述订单量时空数据进行全局池化：
；
其中，表示全局池化函数，其输入为/>，其输出为/>，/>表示第i个区域T个时间段内的订单数。
16.根据权利要求13所述的装置，其特征在于，通过下式，计算得到环境门控权重向量：
；
其中，表示注意力机制函数，其输入为/>，其输出为/>，/>分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。
17.根据权利要求13所述的装置，其特征在于，通过下式计算所述订单量时空数据与所述环境门控权重向量的哈达玛积：
其中，为哈达玛积，/>表示加权函数，其输入为/>，其输出为/>，表示环境门控权重向量。
18.根据权利要求13所述的装置，其特征在于，通过以下所述GCN的向前传播算法，进行局部空间特征抽取：
；
其中，表示图卷积神经网络函数，其输入为/>，其输出为/>，/>表示节点图A的参数化函数，/>是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。
19.根据权利要求18所述的装置，其特征在于，所述订单量预测模块还用于：
当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，将所述抽取得到的局部空间特征，作为指定时段下每个所述节点的订单量；
当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，利用多图卷积融合算法，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量。
20.根据权利要求19所述的装置，其特征在于，利用下述多图卷积融合算法进行特征融合及降维处理：
；
其中，表示图卷积神经网络函数，其输入为/>，其输出为/>，/>代表所述节点图构成的集合，/>；/>代表加权聚合函数，其输入为/>，其输出为/>，/>为/>输出的空间信息特征的维度。
21.一种电子设备，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至10任一所述的订单量的预测方法的步骤。
22.一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至10任一所述的订单量的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138840.7A CN111612489B (zh) | 2019-02-25 | 2019-02-25 | 订单量的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138840.7A CN111612489B (zh) | 2019-02-25 | 2019-02-25 | 订单量的预测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111612489A CN111612489A (zh) | 2020-09-01 |
| CN111612489B true CN111612489B (zh) | 2024-03-29 |
Family
ID=72200133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910138840.7A Active CN111612489B (zh) | 2019-02-25 | 2019-02-25 | 订单量的预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612489B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365708B (zh) * | 2020-09-29 | 2022-04-19 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
| CN112559904B (zh) * | 2020-12-16 | 2021-10-22 | 中国计量大学 | 一种基于门机制和多模态图网络的会话社交推荐方法 |
| CN113283936A (zh) * | 2021-05-28 | 2021-08-20 | 深圳千岸科技股份有限公司 | 一种销量预测方法、销量预测装置及电子设备 |
| CN113379455B (zh) * | 2021-06-10 | 2024-02-09 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 订单量预测方法和设备 |
| CN114327840B (zh) * | 2022-03-11 | 2022-06-10 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
| CN114780870B (zh) * | 2022-04-15 | 2023-03-24 | 北京骑胜科技有限公司 | 订单量预测方法、系统、装置、服务器、终端和存储介质 |
| CN116757300B (zh) * | 2023-07-03 | 2024-04-19 | 深圳市捷信达电子有限公司 | 基于循环卷积网络的智能预订数据处理方法及系统 |
| CN117829375B (zh) * | 2024-02-29 | 2024-05-28 | 华侨大学 | 城际往返客运的多区域需求预测方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 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 |
| CN108351982A (zh) * | 2015-11-12 | 2018-07-31 | 谷歌有限责任公司 | 卷积门控递归神经网络 |
| CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
| CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
| CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10817775B2 (en) * | 2017-01-12 | 2020-10-27 | International Business Machines Corporation | Neural network computing systems for predicting vehicle requests |
-
2019
- 2019-02-25 CN CN201910138840.7A patent/CN111612489B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373840A (zh) * | 2015-10-14 | 2016-03-02 | 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 |
| CN108351982A (zh) * | 2015-11-12 | 2018-07-31 | 谷歌有限责任公司 | 卷积门控递归神经网络 |
| CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
| CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
| CN109166309A (zh) * | 2018-08-06 | 2019-01-08 | 重庆邮电大学 | 一种面向复杂城市交通网络的缺失流量数据恢复方法 |
Non-Patent Citations (1)
| Title |
|---|
| Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting;Xu Geng等;Proceedings of the AAAI Conference on Artificial Intelligence;第33卷(第1期);3656-3663 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111612489A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612489B (zh) | 订单量的预测方法、装置及电子设备 | |
| KR102635987B1 (ko) | 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체 | |
| CN110188705B (zh) | 一种适用于车载系统的远距离交通标志检测识别方法 | |
| CN111598030B (zh) | 一种航拍图像中车辆检测和分割的方法及系统 | |
| CN108345875B (zh) | 可行驶区域检测模型训练方法、检测方法和装置 | |
| CN111126399B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| EP3186662B1 (en) | Measuring traffic speed in a road network | |
| CN112069868A (zh) | 一种基于卷积神经网络的无人机实时车辆检测方法 | |
| CN110378483A (zh) | 部署在模拟平台上的用于训练机器学习模型的系统和方法 | |
| CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
| CN107506792B (zh) | 一种半监督的显著对象检测方法 | |
| CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
| CN111401517A (zh) | 一种感知网络结构搜索方法及其装置 | |
| CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
| US20230289572A1 (en) | Neural network structure determining method and apparatus | |
| TWI713922B (zh) | 用於新道路確定的系統和方法 | |
| CN111415024A (zh) | 一种到达时间预估方法以及预估装置 | |
| Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
| CN116740422A (zh) | 基于多模态注意力融合技术的遥感图像分类方法及装置 | |
| CN111950702A (zh) | 一种神经网络结构确定方法及其装置 | |
| CN114140758A (zh) | 一种目标检测方法、装置及计算机设备 | |
| CN116310219A (zh) | 一种基于条件扩散模型的三维脚型生成方法 | |
| US11651191B2 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
| CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
| CN112668675A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 |
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 |