CN112101682A - 流量模式预测方法、装置、服务器以及可读介质 - Google Patents
流量模式预测方法、装置、服务器以及可读介质 Download PDFInfo
- Publication number
- CN112101682A CN112101682A CN202011027276.0A CN202011027276A CN112101682A CN 112101682 A CN112101682 A CN 112101682A CN 202011027276 A CN202011027276 A CN 202011027276A CN 112101682 A CN112101682 A CN 112101682A
- Authority
- CN
- China
- Prior art keywords
- traffic
- interest point
- sequence
- data
- target block
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003936 working memory Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000015219 food category Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供一种流量模式预测方法及装置、服务器和可读介质,涉及人工智能领域,具体为大数据、智能交通,可应用于云平台场景。该方法包括:获取目标地理范围内目标街区的历史出行流量数据,以及基于历史出行流量数据,获取目标街区的流量模式变化序列;获取目标街区的多个兴趣点类别的历史兴趣点数据,以及针对多个兴趣点类别中至少一个兴趣点类别,基于历史兴趣点数据,获取目标街区的兴趣点变化序列;针对至少一个兴趣点类别,获取流量模式变化序列与兴趣点变化序列的关联关系;以及利用流量模式预测模型,基于历史出行流量数据、历史兴趣点数据和关联关系,确定目标街区的未来目标时刻的流量模式。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种流量模式预测方法及装置、服务器和计算机可读存储介质。
背景技术
出入流量模式是反应人们出行行为的一种相对粗粒度的知识,现有的出行流量预测方法都只针对未来某一时刻的出行流量值的预测,无法直接应用到对出行流量模式的预测。
发明内容
根据本公开实施例的一个方面,提供了一种流量模式预测方法,包括:获取目标地理范围内目标街区的历史出行流量数据;基于历史出行流量数据,获取目标街区的流量模式变化序列;获取目标街区的多个兴趣点类别的历史兴趣点数据;针对多个兴趣点类别中至少一个兴趣点类别,基于历史兴趣点数据,获取目标街区的兴趣点变化序列;针对至少一个兴趣点类别,获取流量模式变化序列与兴趣点变化序列的关联关系;以及利用流量模式预测模型,基于历史出行流量数据、历史兴趣点数据和关联关系,确定目标街区的未来目标时刻的流量模式。
根据本公开实施例的另一个方面,提供了一种流量模式预测装置,包括:第一获取模块,配置为获取目标地理范围内目标街区的历史出行流量数据,以及基于历史出行流量数据,获取目标街区的流量模式变化序列;第二获取模块,配置为获取目标街区的多个兴趣点类别的历史兴趣点数据,以及针对多个兴趣点类别中至少一个兴趣点类别,基于历史兴趣点数据,获取目标街区的兴趣点变化序列;第三获取模块,配置为针对至少一个兴趣点类别,获取流量模式变化序列与兴趣点变化序列的关联关系;以及确定模块,配置为利用流量模式预测模型,基于历史出行流量数据、历史兴趣点数据和关联关系,确定目标街区的未来目标时刻的流量模式。
根据本公开实施例的另一个方面,提供了一种服务器。该服务器包括:处理器以及存储程序的存储器。所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据本公开一些实施例的流量模式预测方法。
根据本公开实施例的另一个方面,提供了一种存储程序的计算机可读存储介质。所述程序包括指令,所述指令在由服务器的处理器执行时,致使所述服务器执行根据本公开一些实施例的流量模式预测方法。
借助于本公开示例性实施例的方案,将出行流量和兴趣点之间的关联性融入到区域的流量模式的预测过程中,实现了细粒度的区域流量变化与粗粒度的区域功能演化之间的观测尺度的对齐,实现对区域的未来时刻的流量模式的预测。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素:
图1示出了本公开一些示例性实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开一些示例性实施例的流量模式预测方法的流程示意图;
图3示出了根据本公开一些示例性实施例的出行流量模式序列的示意图;
图4示出了根据本公开一些示例性实施例的出行流量模式变化序列的示意图;
图5示出了根据本公开一些示例性实施例的针对一个兴趣点类别的兴趣点变化序列的示意图;
图6示出了根据本公开一些示例性实施例的流量模式预测方法的示意图;
图7示出了根据本公开一些示例性实施例的流量模式预测装置的示意图;以及
图8示出了能够用于实现本公开的实施例的示例性服务器和客户端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本公开方案,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解,这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意在覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本公开示例性实施例提供的技术方案涉及人工智能、尤其智能交通领域的交通流量模式预测技术。
为了便于理解本公开实施例提供的流量模式预测方法,下面先对本公开中涉及的相关技术名词进行解释。
目标地理范围是指需要进行流量模式预测的地区,其可以是某个省,某个市,或某个区等。目标地理范围的大小可以根据需要进行自定义设置,本公开对此不做具体限定。
街区是指由一定等级的道路围合而成的区域,具体可以为交通规划及管理领域中的交通小区,在交通管理、城市规划、城市治理等领域中常被作为研究分析的基本空间单元。目标街区是指需要进行流量模式预测的街区。目标街区可以为例如,一个小区,一个学校,一个工业园区等。
出行流量可以包括在一定时间段内流出某街区的交通流量、在一定时间段内流入该街区的交通流量、或在一定时间段内流出该街区的交通流量和流入该街区的交通流量的加和。此处的交通流量具体可以包括人流量、车流量、移动设备流量等,本公开在此不对出行流量具体对应的对象做任何限定。
兴趣点(Point of Interest,POI)是指电子地图中标注的地理信息点,可以用来查找地标点或者建筑物。现实世界中,可以具有多种不同类别的兴趣点,例如购物、美食、酒店、交通设施等。
图卷积神经网络(Graph Convolutional Network,GCN),是一种深度学习网络,可适用于处理非欧式空间的对象。
在相关技术中,对区域出行流量的预测方法,主要是对未来某个时刻的出行流量值的预测,预测过程也仅用到该区域历史的出行流量数据。城市区域演化会伴随着交通流量的变化,同时交通流量的变化也会反作用于城市区域的发展。目前尚没有一种融合区域的例如功能方面的数据来对该区域的未来时刻的出行流量模式的预测方法。
鉴于此,本公开示例性实施例提供了一种流量模式预测方法,该方法将出行流量和兴趣点之间的关联性融入到区域的流量模式的预测过程中,使得细粒度的区域流量变化与粗粒度的区域功能演化之间的观测尺度实现对齐,从而实现对区域的未来时刻的流量模式的预测。下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以实现将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来实现目标街区的历史出行流量数据和历史兴趣点数据的采集等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算系统,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算设备可以运行各种类型和版本的软件应用程序和操作系统,例如Microsoft Windows、Apple iOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS);或包括各种移动操作系统,例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算系统可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。应理解,图1所示的系统100仅为示例,在此不对本公开实施例提供的流量模式预测方法适用的系统做任何限定。
图2是根据本公开一些示例性实施例的流量模式预测方法200的流程示意图。如图2所示,根据本公开实施例的量模式预测方法可以包括:获取目标地理范围内目标街区的历史出行流量数据,以及基于历史出行流量数据,获取目标街区的流量模式变化序列(步骤201);获取目标街区的多个兴趣点类别的历史兴趣点数据,以及针对多个兴趣点类别中至少一个兴趣点类别,基于历史兴趣点数据,获取目标街区的兴趣点变化序列(步骤202);针对至少一个兴趣点类别,获取流量模式变化序列与兴趣点变化序列的关联关系(步骤203);以及利用流量模式预测模型,基于历史出行流量数据、历史兴趣点数据和关联关系,确定目标街区的未来目标时刻的流量模式(步骤204)。由此,通过将出行流量和兴趣点之间的关联性融入到区域的流量模式的预测过程中,使得细粒度的区域流量变化与粗粒度的区域功能演化之间的观测尺度实现对齐,从而实现对区域的未来时刻的流量模式的预测。
在一些示例中,可以从地图数据库(例如百度地图、高德地图等)中获取目标区域的历史出行流量数据和历史兴趣点数据。对于要进行流量模式预测的目标地理范围例如某城市,可以将该城市依据路网信息划分成多个街区Block。
在一些示例性实施例中,目标街区的历史出行流量数据包括该目标街区在第一目标时段内的历史出行流量数据。第一目标时段可以包括但不限于,例如若干月,一年,两年等。基于历史出行流量数据,获取目标街区的流量模式变化序列可以包括:获取基本出行流量序列,该基本出行流量序列是基于目标街区在第一目标时段内的历史出行流量数据构建得到的,该基本出行流量序列包括多个基本出行流量序列;对该多个基本出行流量序列进行聚类,以获取流量模式序列;以及基于流量模式序列,获取流量模式变化序列。
在一些示例性实施例中,对多个基本出行流量序列进行聚类,以获取流量模式序列可以包括:基于预设的聚类算法,获取每个基本出行流量序列对应的流量模式标签;以及基于流量模式标签,构建流量模式序列。由此,通过构建基本流量序列,并对该基本流量序列进行聚类得到流量模式序列,可以实现对数据的降维处理,提高数据处理效率。
在一些示例性中,流量模式序列包括多个流量模式序列,基于流量模式序列,获取流量模式变化序列可以包括:确定多个流量模式序列中相邻的两个流量模式序列之间的相似度;以及基于该相似度,构建流量模式变化序列。由此,通过构建流量模式变化序列,使得预测的流量模型更真实、贴合实际,从而实现对区域的未来时刻的流量模式的真实预测。
在一个示例中,可以取目标街区一天(24小时)的出行流量数据作为基本出行流量序列,例如Xi=(x1,x2,…,x24),该基本出行流量序列中的每个分量xi(i=1,2,…,24)表示目标街区在一小时内的出行流量。该目标街区n周的出行流量数据则可以包括n×7个基本出行流量序列。每个基本出行流量序列的长度均为24。
在一个示例中,预设的聚类算法可以包括K-谱聚类(K-SC)算法。可以利用K-谱聚类算法对多个基本出行流量序列进行聚类,得到每个基本出行流量序列对应的流量模式标签(label),并由得到的流量模式标签构建流量模式序列。例如,n×7个基本出行流量序列可以对应有n×7个流量模式标签,每7个流量模式标签可以构成一个流量模式序列例如(y1,y2,…,y7),从而得到n个流量模式序列。该流量模式序列的长度为7,且每个分量yi(i=1,2,…,7)表示目标街区一天的出行流量模式。在一些示例中,出行流量模式可以包括但不限于,例如早高峰模式、晚高峰模式、或者早晚高峰模式。如图3所示,其示出了某街区一周(7天)的出行流量序列。
在一个示例中,可以再计算获取的n个流量模式序列中相邻两个流量模式序列的相似度,并由该相似度构建流量模式变化序列。例如,当n=4时,可以计算该4个流量模式序列中相邻两个流量模式序列的相似度,得到3个相似度值,并由该3个相似度值构成一个流量模式变化序列例如(z1,z2,z3)。该流量模式变化序列的长度为3,且每个分量zi(i=1,2,3)表示目标街区的相邻两周的流量模式变化。在一些示例中,相似度可以为距离,包括但不限于欧氏距离或余弦距离。如图4所示,其示出了某街区的流量模式变化序列。
可以使用K-SC算法对多个基本出行流量序列进行聚类的过程可以包括以下步骤:a)将N个基本出行流量序列Xi(i=1,2,…,N)作为该算法的输入;b)将所有基本出行流量序列随机分为K个类别;c)对每个类别,求得矩阵其中I表示单位矩阵,计算矩阵M的特征向量,并将最小特征值对应的特征向量作为该类别的中心;d)更新每个类别的中心,计算每个数据到每个类中心的距离,将数据划分到距离最小的类别中;重复步骤c)和d),直到分类结果不再变化。
在一些示例性实施例中,历史兴趣点数据包括目标街区在第二目标时段内针对多个兴趣点类别的历史兴趣点数据。第二目标时段可以包括但不限于,例如若干月,一年,两年等。第一目标时段可以与第二目标时段相同或不同,本公开对此并不限制。基于历史兴趣点数据,获取目标街区的兴趣点变化序列包括:针对同一兴趣点类别,获取目标街区在预设采样周期的兴趣点数量;以及对相邻预设采样周期的两个兴趣点数量进行差分处理,以获取兴趣点变化序列。由此,通过差分处理,使得处理后的数据更贴合实际,实现对区域的未来时刻的流量模式的真实预测。
在一些示例中,预设采样周期可以包括例如一个月,两个月。针对同一兴趣点类别,可以对相邻两个月的兴趣点的数量进行差分,并由该差分构成兴趣点变化序列。如图5所示,其示出了某街区的美食类别(food)的兴趣点变化序列。
在一些示例性实施例中,获取流量模式变化序列与兴趣点变化序列的关联关系可以包括:通过滑动窗口,抽取流量模式变化序列的子流量模式变化序列;通过滑动窗口,抽取兴趣点变化序列的子兴趣点变化序列,其中子流量模式变化序列的长度与子兴趣点变化序列的长度相同;计算子流量模式变化序列与子兴趣点变化序列之间的互信息熵;以及基于互信息熵,获取流量模式变化序列与兴趣点变化序列的关联关系。通过滑动窗口抽取相同长度的流量模式变化序列和兴趣点变化序列,实现细粒度的区域流量变化与粗粒度的区域功能演化之间的观测尺度的对齐,实现对区域的未来时刻的流量模式的预测。
在一些示例性实施例中,子流量模式变化序列对应有第一时间戳,子兴趣点变化序列对应有第二时间戳,且第一时间戳与第二时间戳之间的时间间隔小于预设时间间隔。预设时间间隔例如可以是3个月,通过对两者的时间间隔进行限定,可以使得子流量模式变化序列与子流量模式变化序列在时间上相互对应,以提高流量模式预测的准确性。
在一些示例性实施例中,本公开实施例的方法还可以包括:针对至少一个兴趣点类别,基于流量模式变化序列与兴趣点变化序列的关联关系,构建用于表征流量模式变化序列与兴趣点变化序列关联关系的至少一个关联矩阵;以及对至少一个关联矩阵进行第一预设处理,以获取用于表征目标街区的出行流量和兴趣点演化的相互作用的第一表征。在一些示例中,第一预设处理可以包括卷积操作处理和门控机制的加权聚合处理。可以将得到的至少一个关联矩阵通过卷积操作,再经过门控机制的加权聚合,得到目标街区的出行流量和兴趣点演化的相互作用的第一表征。
在一些示例性实施例中,本公开实施例的方法还可以包括:基于历史出行流量数据,获取与目标街区相关联的多个街区,其中目标街区与多个街区中的街区构成出行行为的起点和终点;基于目标街区与多个街区的拓扑关系图,构建图卷积神经网络,其中图卷积神经网络包括多个图卷积神经网络,多个图卷积神经网络对应相同的第一时间片段;以及将多个图卷积神经网络进行关联,以获取用于表征目标街区的出行流量的第二表征。通过融合目标区域与其具有关联关系的区域,使得更贴合实际情况,从而实现对区域的未来时刻的流量模式的真实预测。
在一些示例中,街区之间的出行关系可以构成拓扑关系图。例如,对于目标街区A的拓扑关系图,该拓扑关系图的节点为目标街区A以及与目标街区A具有出行关系的街区,边表示街区之间的连接关系(例如,从目标街区A出发到达其中一个街区B,或从其他街区出发到达目标街区A),边的权重表示出行行为的频次(例如,从目标街区A出发到达街区B两次,则连接目标街区A和街区B的边的权重为2)。基于历史出行流量数据,利用街区之间的出行关系(即拓扑关系图),可以构建静态的图卷积神经网络,每个构建的图卷积神经网络可以对应第一时间片段,例如一周,一个月等,本公开对此并不限制。例如,当第一时间片段为一周时,则根据目标街区一个月的出行流量数据,可以构建出4个相应的图卷积神经网络。可以通过注意力机制(Attention)将这些图卷积神经网络进行关联,得到用于表征目标街区的出行流量的第二表征。
在一些示例性实施例中,本公开实施例的方法还可以包括:基于历史兴趣点数据,构建兴趣点序列,兴趣点序列包括多个兴趣点序列,多个兴趣点序列对应相同的第二时间片段;以及对兴趣点序列进行第二预设处理,获取用于表征目标街区的兴趣点演化的第三表征。第二时间片段可以是例如一周,一个月等,本公开对此并不限制。可以基于门控机制的循环神经网络(GRU)和多层感知机(MLP),获取用于表征目标街区的兴趣点演化的第三表征。
在一些示例性实施例中,利用流量模式预测模型,基于历史出行流量数据、历史兴趣点数据和关联关系,确定目标街区的未来目标时刻的流量模式包括:将第二表征和第三表征进行聚合,以获取聚合后的用于表征目标街区的出行流量的第四表征;拼接第四表征和第一表征,以获取融合表征;以及利用流量模式预测模型,基于融合表征,确定目标街区的未来目标时刻的流量模式。在一些示例性实施例中,利用流量模式预测模型,流量模式预测模型包括全连接层,目标街区的未来目标时刻的流量模式通过全连接层输出。
在一些示例中,将第二表征和第三表征分别进行池化(Pooling)操作,再通过注意力机制进行聚合得到聚合后的第四表征。将该第四表征与第一表征进行拼接,并通过流量模式预测模型的全连接层输出目标街区的未来目标时刻(例如未来t+1天)的流量模式。在一些其他的示例中,还可以通过端到端的学习,在预测未来t+1天的流量模式的同时,还可以输出功能演化与流量的关联关系,从而为进一步探索出行流量与功能演化的相互作用规律提供基础。
图6示出了根据本公开一些示例性实施例的流量模式预测方法的示意图。图6示出的流量模式预测方法可以为上述流量模式预测方法的一个示例。
以上对根据本公开示例性实施例的流量模式预测方法进行了说明。虽然各个操作在附图中被描绘为按照特定的顺序,但是这不应理解为要求这些操作必须以所示的特定顺序或者按顺行次序执行,也不应理解为要求必须执行所有示出的操作以获得期望的结果。
下面描述根据本公开示例性实施例的流量模式预测装置。图7示出了根据本公开一些示例性实施例的流量模式预测装置700的示意性框图。如图7所示,装置700包括第一获取模块701,第二获取模块702,第三获取模块703和确定模块704。
第一获取模块701被配置为获取目标地理范围内目标街区的历史出行流量数据,以及基于历史出行流量数据,获取目标街区的流量模式变化序列。
第二获取模块702被配置为获取目标街区的多个兴趣点类别的历史兴趣点数据,以及针对多个兴趣点类别中至少一个兴趣点类别,基于历史兴趣点数据,获取目标街区的兴趣点变化序列。
第三获取模块703被配置为针对至少一个兴趣点类别,获取流量模式变化序列与兴趣点变化序列的关联关系。
确定模块704被配置为利用流量模式预测模型,基于历史出行流量数据、历史兴趣点数据和关联关系,确定目标街区的未来目标时刻的流量模式。
借助于本公开示例性实施例的流量模式预测装置,将出行流量和兴趣点之间的关联性融入到区域的流量模式的预测过程中,实现了细粒度的区域流量变化与粗粒度的区域功能演化之间的观测尺度的对齐,实现对区域的未来时刻的流量模式的预测。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作,或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行该动作)。因此,执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
更一般地,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图7中描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些模块可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些模块可以被实现为硬件逻辑/电路。例如,在一些实施例中,第一获取模块701,第二获取模块702,第三获取模块703和确定模块704中的一个或多个可以一起被实现在片上系统(SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(CPU)、微控制器、微处理器、数字信号处理器(DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的又一方面,还提供一种服务器,可以包括:处理器;以及存储程序的存储器,程序包括在由处理器执行时使处理器执行上述流量模式预测方法的指令。
根据本公开的又一方面,还提供一种存储程序的计算机可读存储介质,程序可以包括在由服务器的处理器执行时使得服务器执行上述流量模式预测方法的指令。
参考图8,现将描述可以作为本公开的服务器或客户端的计算设备2000的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。
计算设备2000可以包括(可能经由一个或多个接口)与总线2002连接或与总线2002通信的元件。例如,计算设备2000可以包括总线2002、一个或多个处理器2004、一个或多个输入设备2006以及一个或多个输出设备2008。一个或多个处理器2004可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。处理器2004可以对在计算设备2000内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器2004为例。
输入设备2006可以是能向计算设备2000输入信息的任何类型的设备,其可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出设备2008可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
计算设备2000还可以包括非暂时性存储设备2010或者与非暂时性存储设备2010连接,非暂时性存储设备可以是非暂时性的并且可以实现数据存储的任何存储设备,并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁介质,光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非暂时性存储设备2010可以从接口拆卸。非暂时性存储设备2010可以具有用于实现上述方法和步骤的数据/程序(包括指令)/代码/模块(第一获取模块701,第二获取模块702,第三获取模块703和确定模块704)。
计算设备2000还可以包括通信设备2012。通信设备2012可以是使得能够与外部设备和/或与网络通信的任何类型的设备或系统,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算设备2000还可以包括工作存储器2014,其可以是可以存储对处理器2004的工作有用的程序(包括指令)和/或数据的任何类型的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素(程序)可以位于工作存储器2014中,包括但不限于操作系统2016、一个或多个应用程序2018、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以包括在一个或多个应用程序2018中,并且上述方法可以通过由处理器2004读取和执行一个或多个应用程序2018的指令来实现。软件要素(程序)的指令的可执行代码或源代码也可以从远程位置下载。
还应该理解,可以根据具体要求而进行各种变型。例如,也可以使用定制硬件,和/或可以用硬件、软件、固件、中间件、微代码,硬件描述语言或其任何组合来实现特定元件。例如,所公开的方法和设备中的一些或全部可以通过使用根据本公开的逻辑和算法,用汇编语言或硬件编程语言(诸如VERILOG,VHDL,C++)对硬件(例如,包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还应该理解,前述方法可以通过服务器-客户端模式来实现。例如,客户端可以接收用户输入的数据并将所述数据发送到服务器。客户端也可以接收用户输入的数据,进行前述方法中的一部分处理,并将处理所得到的数据发送到服务器。服务器可以接收来自客户端的数据,并且执行前述方法或前述方法中的另一部分,并将执行结果返回给客户端。客户端可以从服务器接收到方法的执行结果,并例如可以通过输出设备呈现给用户。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算设备上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。
还应该理解,计算设备2000的组件可以分布在网络上。例如,可以使用一个处理器执行一些处理,而同时可以由远离该一个处理器的另一个处理器执行其他处理。计算设备2000的其他组件也可以类似地分布。这样,计算设备2000可以被解释为在多个位置执行处理的分布式计算系统。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (15)
1.一种流量模式预测方法,包括:
获取目标地理范围内目标街区的历史出行流量数据;
基于所述历史出行流量数据,获取所述目标街区的流量模式变化序列;
获取所述目标街区的多个兴趣点类别的历史兴趣点数据;
针对所述多个兴趣点类别中至少一个兴趣点类别,基于所述历史兴趣点数据,获取所述目标街区的兴趣点变化序列;
针对所述至少一个兴趣点类别,获取所述流量模式变化序列与所述兴趣点变化序列的关联关系;以及
利用流量模式预测模型,基于所述历史出行流量数据、所述历史兴趣点数据和所述关联关系,确定所述目标街区的未来目标时刻的流量模式。
2.根据权利要求1所述的方法,还包括:
针对所述至少一个兴趣点类别,基于所述流量模式变化序列与所述兴趣点变化序列的关联关系,构建用于表征所述流量模式变化序列与所述兴趣点变化序列关联关系的至少一个关联矩阵;以及
对所述至少一个关联矩阵进行第一预设处理,以获取用于表征所述目标街区的出行流量和兴趣点演化的相互作用的第一表征。
3.根据权利要求1所述的方法,还包括:
基于所述历史出行流量数据,获取与所述目标街区相关联的多个街区,其中所述目标街区与所述多个街区中的街区构成出行行为的起点和终点;
基于所述目标街区与所述多个街区的拓扑关系图,构建图卷积神经网络,其中所述图卷积神经网络包括多个图卷积神经网络,所述多个图卷积神经网络对应相同的第一时间片段;以及
将所述多个图卷积神经网络进行关联,以获取用于表征所述目标街区的出行流量的第二表征。
4.根据权利要求1所述的方法,还包括:
基于所述历史兴趣点数据,构建兴趣点序列,所述兴趣点序列包括多个兴趣点序列,所述多个兴趣点序列对应相同的第二时间片段;以及
对所述兴趣点序列进行第二预设处理,获取用于表征所述目标街区的兴趣点演化的第三表征。
5.根据权利要求1-4中任一项所述的方法,其中,利用流量模式预测模型,基于所述历史出行流量数据、所述历史兴趣点数据和所述关联关系,确定所述目标街区的所述未来目标时刻的流量模式包括:
将所述第二表征和所述第三表征进行聚合,以获取聚合后的用于表征所述目标街区的出行流量的第四表征;
拼接所述第四表征和所述第一表征,以获取融合表征;以及
利用所述流量模式预测模型,基于所述融合表征,确定所述目标街区的所述未来目标时刻的流量模式。
6.根据权利要求5所述的方法,其中,所述流量模式预测模型包括全连接层,
其中,所述目标街区的所述未来目标时刻的流量模式通过所述全连接层输出。
7.根据权利要求1-4中任一项所述的方法,其中,所述历史出行流量数据包括所述目标街区在第一目标时段内的历史出行流量数据,
基于所述历史出行流量数据,获取所述目标街区的所述流量模式变化序列包括:
获取基本出行流量序列,其中所述基本出行流量序列是基于所述目标街区在所述第一目标时段内的历史出行流量数据构建得到的,所述基本出行流量序列包括多个基本出行流量序列;
对所述多个基本出行流量序列进行聚类,以获取流量模式序列;以及
基于所述流量模式序列,获取所述流量模式变化序列。
8.根据权利要求7所述的方法,其中,对所述多个基本出行流量序列进行聚类,以获取所述流量模式序列包括:
基于预设的聚类算法,获取每个基本出行流量序列对应的流量模式标签;以及
基于所述流量模式标签,构建所述流量模式序列。
9.根据权利要求7或8所述的方法,其中,所述流量模式序列包括多个流量模式序列,
其中,基于所述流量模式序列,获取所述流量模式变化序列包括:
确定所述多个流量模式序列中相邻的两个流量模式序列之间的相似度;以及
基于所述相似度,构建所述流量模式变化序列。
10.根据权利要求1-4中任一项所述的方法,其中,所述历史兴趣点数据包括所述目标街区在第二目标时段内针对所述多个兴趣点类别的历史兴趣点数据,
基于所述历史兴趣点数据,获取所述目标街区的兴趣点变化序列包括:
针对同一兴趣点类别,获取所述目标街区在预设采样周期的兴趣点数量;以及
对相邻预设采样周期的两个兴趣点数量进行差分处理,以获取所述兴趣点变化序列。
11.根据权利要求1-4中任一项所述的方法,其中,获取所述流量模式变化序列与所述兴趣点变化序列的关联关系包括:
通过滑动窗口,抽取所述流量模式变化序列的子流量模式变化序列;
通过所述滑动窗口,抽取所述兴趣点变化序列的子兴趣点变化序列,其中所述子流量模式变化序列的长度与所述子兴趣点变化序列的长度相同;
计算所述子流量模式变化序列与所述子兴趣点变化序列之间的互信息熵;以及
基于所述互信息熵,获取所述流量模式变化序列与所述兴趣点变化序列的所述关联关系。
12.根据权利要求11所述的方法,其中,所述子流量模式变化序列对应有第一时间戳,所述子兴趣点变化序列对应有第二时间戳,
其中,所述第一时间戳与所述第二时间戳之间的时间间隔小于预设时间间隔。
13.一种流量模式预测装置,包括:
第一获取模块,配置为获取目标地理范围内目标街区的历史出行流量数据,以及基于所述历史出行流量数据,获取所述目标街区的流量模式变化序列;
第二获取模块,配置为获取所述目标街区的多个兴趣点类别的历史兴趣点数据,以及针对所述多个兴趣点类别中至少一个兴趣点类别,基于所述历史兴趣点数据,获取所述目标街区的兴趣点变化序列;
第三获取模块,配置为针对所述至少一个兴趣点类别,获取所述流量模式变化序列与所述兴趣点变化序列的关联关系;以及
确定模块,配置为利用流量模式预测模型,基于所述历史出行流量数据、所述历史兴趣点数据和所述关联关系,确定所述目标街区的未来目标时刻的流量模式。
14.一种服务器,包括:
处理器;以及
存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1至12中任一项所述方法。
15.一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由服务器的处理器执行时,致使所述服务器执行根据权利要求1至12中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027276.0A CN112101682B (zh) | 2020-09-25 | 2020-09-25 | 流量模式预测方法、装置、服务器以及可读介质 |
US17/208,830 US20210209938A1 (en) | 2020-09-25 | 2021-03-22 | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027276.0A CN112101682B (zh) | 2020-09-25 | 2020-09-25 | 流量模式预测方法、装置、服务器以及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101682A true CN112101682A (zh) | 2020-12-18 |
CN112101682B CN112101682B (zh) | 2024-04-09 |
Family
ID=73755577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011027276.0A Active CN112101682B (zh) | 2020-09-25 | 2020-09-25 | 流量模式预测方法、装置、服务器以及可读介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210209938A1 (zh) |
CN (1) | CN112101682B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801377A (zh) * | 2021-01-29 | 2021-05-14 | 腾讯大地通途(北京)科技有限公司 | 一种对象估计方法、装置、设备及存储介质 |
CN112948203A (zh) * | 2021-02-03 | 2021-06-11 | 刘靖宇 | 一种基于大数据的电梯智能检验方法 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN113947250A (zh) * | 2021-10-22 | 2022-01-18 | 山东大学 | 一种基于有限数据资源的城市细粒度流量预测方法及系统 |
CN114611383A (zh) * | 2022-02-25 | 2022-06-10 | 武汉大学 | 一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法 |
CN115222165A (zh) * | 2022-09-20 | 2022-10-21 | 国能大渡河大数据服务有限公司 | 一种基于Transformer模型的排水系统运行状态预测方法及系统 |
CN115618986A (zh) * | 2022-09-29 | 2023-01-17 | 北京骑胜科技有限公司 | 协调资源的方法和装置 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113746696A (zh) * | 2021-08-02 | 2021-12-03 | 中移(杭州)信息技术有限公司 | 网络流量预测方法、设备、存储介质及装置 |
CN113706863B (zh) * | 2021-08-05 | 2022-08-02 | 青岛海信网络科技股份有限公司 | 一种道路交通状态预测方法 |
CN113657934A (zh) * | 2021-08-16 | 2021-11-16 | 京东城市(北京)数字科技有限公司 | 客流量预测模型的训练方法和客流量的预测方法和装置 |
CN113689699B (zh) * | 2021-08-25 | 2023-04-18 | 浙江数智交院科技股份有限公司 | 一种交通流的预测方法、装置、电子设备及存储介质 |
CN113726692B (zh) * | 2021-08-30 | 2023-04-28 | 电子科技大学 | 一种基于生成对抗网络的虚拟网络映射方法及装置 |
CN113705726A (zh) * | 2021-09-15 | 2021-11-26 | 北京沃东天骏信息技术有限公司 | 流量的分类方法、装置、电子设备及计算机可读介质 |
CN113822570B (zh) * | 2021-09-20 | 2023-09-26 | 北京瀚博网络科技有限公司 | 一种基于大数据分析的企业生产数据存储方法及系统 |
CN114257521B (zh) * | 2021-12-17 | 2024-05-17 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
CN114169647B (zh) * | 2022-01-07 | 2024-05-07 | 重庆大学 | 持续记忆的自适应异质时空图卷积的交通预测方法及系统 |
CN114418417A (zh) * | 2022-01-25 | 2022-04-29 | 江苏满运软件科技有限公司 | 车货匹配方法和基于其的运力预测方法、装置、电子设备 |
CN114519610A (zh) * | 2022-02-16 | 2022-05-20 | 支付宝(杭州)信息技术有限公司 | 信息预测方法以及装置 |
CN114862010A (zh) * | 2022-04-28 | 2022-08-05 | 京东城市(北京)数字科技有限公司 | 一种基于时空数据的流量确定方法、装置、设备和介质 |
CN115225543B (zh) * | 2022-07-08 | 2023-10-20 | 北京百度网讯科技有限公司 | 一种流量预测方法、装置、电子设备和存储介质 |
CN115440038B (zh) * | 2022-08-31 | 2023-11-03 | 青岛海信网络科技股份有限公司 | 一种交通信息确定方法以及电子设备 |
CN115309999B (zh) * | 2022-10-11 | 2023-01-31 | 北京高德云信科技有限公司 | 兴趣点状态预测方法、装置、电子设备及计算机存储介质 |
CN115762147B (zh) * | 2022-11-07 | 2023-11-21 | 重庆邮电大学 | 一种基于自适应图注意神经网络的交通流量预测方法 |
CN117235556B (zh) * | 2023-11-13 | 2024-02-27 | 浙江大学城乡规划设计研究院有限公司 | 一种面向交通管理者的多模式交通复合网络构建方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140348390A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic monitoring video |
US20160300150A1 (en) * | 2015-04-08 | 2016-10-13 | Here Global B.V. | Method and apparatus for providing model selection for traffic prediction |
CN106611227A (zh) * | 2015-10-23 | 2017-05-03 | 北斗导航位置服务(北京)有限公司 | 兴趣点流量动态变化曲线预测方法及系统 |
CN107403182A (zh) * | 2017-05-26 | 2017-11-28 | 深圳大学 | 基于3d sift框架的时空兴趣点的检测方法及装置 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
US20190113356A1 (en) * | 2017-10-18 | 2019-04-18 | Here Global B.V. | Automatic discovery of optimal routes for flying cars and drones |
CN109977895A (zh) * | 2019-04-02 | 2019-07-05 | 重庆理工大学 | 一种基于多特征图融合的野生动物视频目标检测方法 |
CN111612206A (zh) * | 2020-03-30 | 2020-09-01 | 清华大学 | 一种基于时空图卷积神经网络的街区人流预测方法及系统 |
US20200292342A1 (en) * | 2018-09-30 | 2020-09-17 | Strong Force Intellectual Capital, Llc | Hybrid neural network system for transportation system optimization |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050096840A1 (en) * | 2003-11-03 | 2005-05-05 | Simske Steven J. | Navigation routing system and method |
US11313950B2 (en) * | 2019-01-15 | 2022-04-26 | Image Sensing Systems, Inc. | Machine learning based highway radar vehicle classification across multiple lanes and speeds |
-
2020
- 2020-09-25 CN CN202011027276.0A patent/CN112101682B/zh active Active
-
2021
- 2021-03-22 US US17/208,830 patent/US20210209938A1/en not_active Abandoned
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140348390A1 (en) * | 2013-05-21 | 2014-11-27 | Peking University Founder Group Co., Ltd. | Method and apparatus for detecting traffic monitoring video |
US20160300150A1 (en) * | 2015-04-08 | 2016-10-13 | Here Global B.V. | Method and apparatus for providing model selection for traffic prediction |
CN106611227A (zh) * | 2015-10-23 | 2017-05-03 | 北斗导航位置服务(北京)有限公司 | 兴趣点流量动态变化曲线预测方法及系统 |
CN107403182A (zh) * | 2017-05-26 | 2017-11-28 | 深圳大学 | 基于3d sift框架的时空兴趣点的检测方法及装置 |
US20190113356A1 (en) * | 2017-10-18 | 2019-04-18 | Here Global B.V. | Automatic discovery of optimal routes for flying cars and drones |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
US20200292342A1 (en) * | 2018-09-30 | 2020-09-17 | Strong Force Intellectual Capital, Llc | Hybrid neural network system for transportation system optimization |
CN109977895A (zh) * | 2019-04-02 | 2019-07-05 | 重庆理工大学 | 一种基于多特征图融合的野生动物视频目标检测方法 |
CN111612206A (zh) * | 2020-03-30 | 2020-09-01 | 清华大学 | 一种基于时空图卷积神经网络的街区人流预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
张伟明;张勇;刘浩;孙艳丰;: "基于图结构的城市出租车交通流量可视化", 太赫兹科学与电子信息学报, no. 01, 25 February 2020 (2020-02-25) * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801377A (zh) * | 2021-01-29 | 2021-05-14 | 腾讯大地通途(北京)科技有限公司 | 一种对象估计方法、装置、设备及存储介质 |
CN112801377B (zh) * | 2021-01-29 | 2023-08-22 | 腾讯大地通途(北京)科技有限公司 | 一种对象估计方法、装置、设备及存储介质 |
CN112948203A (zh) * | 2021-02-03 | 2021-06-11 | 刘靖宇 | 一种基于大数据的电梯智能检验方法 |
CN113657652A (zh) * | 2021-07-31 | 2021-11-16 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN113947250A (zh) * | 2021-10-22 | 2022-01-18 | 山东大学 | 一种基于有限数据资源的城市细粒度流量预测方法及系统 |
CN113947250B (zh) * | 2021-10-22 | 2024-07-26 | 山东大学 | 一种基于有限数据资源的城市细粒度流量预测方法及系统 |
CN114611383A (zh) * | 2022-02-25 | 2022-06-10 | 武汉大学 | 一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法 |
CN114611383B (zh) * | 2022-02-25 | 2024-08-09 | 武汉大学 | 一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法 |
CN115222165A (zh) * | 2022-09-20 | 2022-10-21 | 国能大渡河大数据服务有限公司 | 一种基于Transformer模型的排水系统运行状态预测方法及系统 |
CN115618986A (zh) * | 2022-09-29 | 2023-01-17 | 北京骑胜科技有限公司 | 协调资源的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20210209938A1 (en) | 2021-07-08 |
CN112101682B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101682B (zh) | 流量模式预测方法、装置、服务器以及可读介质 | |
Chen et al. | TrajCompressor: An online map-matching-based trajectory compression framework leveraging vehicle heading direction and change | |
US10831827B2 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
US9904932B2 (en) | Analyzing semantic places and related data from a plurality of location data reports | |
CN112907958B (zh) | 路况信息确定方法、装置、电子设备以及可读介质 | |
US12062288B2 (en) | Determining efficient pickup locations for transportation requests utilizing a pickup location model | |
CN106767835B (zh) | 定位方法和装置 | |
CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
US20230245002A1 (en) | Stationary Classifier for Geographic Route Trace Data | |
WO2021191685A2 (en) | System and method for vehicle event data processing for identifying parking areas | |
CN111597279B (zh) | 基于深度学习的信息预测方法及相关设备 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
WO2019111168A1 (en) | Location calibration based on movement path and map objects | |
CN114741623A (zh) | 兴趣点状态确定方法、模型训练方法及装置 | |
CN114691809A (zh) | 道路轨迹确定方法及装置、电子设备和介质 | |
CN113626731A (zh) | 基于人工智能的位置预测的方法及装置 | |
US20170169025A1 (en) | Estimating Geographic Entity Capacity | |
CN112528625A (zh) | 事件抽取的方法、装置、计算机设备以及可读存储介质 | |
US20150377626A1 (en) | Mobility observation | |
US11153719B2 (en) | Systems and methods for identifying available services at a physical address | |
US20230345205A1 (en) | Home location based normalization | |
US20230376651A1 (en) | Generating weather simulations based on significant events | |
US10896533B2 (en) | Automated identification of geographic site boundaries |
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 |