CN112419729B - 一种根据预测车流量确定决策策略的方法和系统 - Google Patents

Abstract

本申请公开了一种根据预测车流量确定决策策略的方法和系统。方法包括：获取历史车流量数据，历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量；基于历史车流量数据，确定预测时间段的车流量数据，车流量数据表征到达物理区域内的车辆的数量；基于历史车流量数据和预测时间段的车流量数据，得到与预设物理区域内的感兴趣点相关的判断结果，判断结果表征感兴趣点的热度是否满足预设条件；以及，基于感兴趣点的热度，确定与感兴趣点相关的决策策略。本申请提供的决策策略确定方法，可以基于车流量数据为用户提供投资、决策策略。

Description

一种根据预测车流量确定决策策略的方法和系统

技术领域

本申请属于计算机技术领域，尤其涉及一种根据预测车流量确定决策策略的方法和系统。

背景技术

车流量指的是在一定的时间内，某条道路上或某个地点所通过的车辆的数量。车流量可以反映某条道路、地点或区域通过的车辆数随时间的变化。通过预测车流量随着时间的变化，可以便于提前采取相应的策略，对于缓解交通压力、车辆调度、以及判断该道路或地点的热度情况有着非常重要的作用。

因此，需要提出一种根据预测车流量确定决策策略的方法和系统，以便于根据预测的车流量确定相应的决策策略。

发明内容

本说申请的一个方面提供一种根据预测车流量确定决策策略的方法。所述方法包括；获取历史车流量数据，所述历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量；基于所述历史车流量数据，确定预测时间段的车流量数据，所述车流量数据表征到达所述物理区域内的车辆的数量；基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果，所述判断结果表征所述感兴趣点的热度是否满足预设条件；以及，基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略。

本申请的另一个方面提供一种根据预测车流量确定决策策略的系统。所述系统包括：获取模块，用于获取历史车流量数据，所述历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量；第一确定模块，用于基于所述历史车流量数据，确定预测时间段的车流量数据，所述车流量数据表征到达所述物理区域内的车辆的数量；处理模块，用于基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果，所述判断结果表征所述感兴趣点的热度是否满足预设条件；第二确定模块，用于基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略。

本说明书的另一个方面提供一种用户行为预测装置，所述装置包括处理器和存储设备，所述存储设备用于存储指令，当所述处理器执行指令时，实现所述根据预测车流量确定决策策略的方法。

本说明书的另一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，所述计算机指令被处理器执行时，实现所述根据预测车流量确定决策策略的方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的根据预测车流量确定决策策略的系统的应用场景示意图；

图2是根据本申请一些实施例所示的根据预测车流量确定决策策略的方法的示例性流程图；

图3是根据本申请一些实施例所示的确定车流量布林带通道的示意图；

图4是根据本申请一些实施例所示的车流量预测模型训练的示例性流程图；

图5是根据本申请一些实施例所示的根据预测车流量确定决策策略的系统的模块图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本申请一些实施例所示的根据预测车流量确定决策策略的系统的应用场景示意图。

如图1所示，在应用场景中可以包括服务器110、网络120、用户终端130、存储设备140。在一些实施例中，服务器110可包含处理设备112。

在一些实施例中，根据预测车流量确定决策策略的系统100可以通过实施本申请中披露的方法和/或过程来根据预测的车流量决定决策策略。系统100可以应用于多种应用场景，例如，交通管理场景、线上到线下服务场景、金融场景(例如，股票选取、企业投资)等。

在一个典型的应用场景中，服务器110可以获取历史车流量数据；服务器110可以基于所述历史车流量数据，确定预测时间段的车流量数据；服务器110可以基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果；以及，服务器110可以基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略。感兴趣点可以是指与用户所想要做出决策相关的应用场景类型中的感兴趣目标。

在一些实施例中，服务器110可以用于处理与根据预测车流量确定决策策略有关的信息和/或数据，例如，基于历史车流量数据，确定预测时间段的车流量数据。在一些实施例中，服务器110可以是单个的服务器或者服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络120访问存储在存储设备140、用户终端130中的信息和/或数据。再例如，服务器110可以直接连接到存储设备140、用户终端130以访问存储的信息和/或数据。在一些实施例中，服务器110可以在一个云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。

在一些实施例中，服务器110可包含处理设备112。处理设备112可以处理从其他设备或系统组成部分中获得的数据和/或信息。处理器可以基于这些数据、信息和/或处理结果执行程序指令，以执行一个或多个本申请中描述的功能。在一些实施例中，处理设备112可以包含一个或多个子处理设备(例如，单核处理设备或多核多芯处理设备)。仅作为示例，处理设备112可以包括中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。

网络120可以连接系统的各组成部分和/或连接系统与外部资源部分。网络120使得各组成部分之间，以及与系统之外其他部分之间可以进行通讯，促进数据和/或信息的交换。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。例如，网络120可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换点120-1、120-2、…，通过这些进出点系统100的一个或多个组件可连接到网络120上以交换数据和/或信息。例如，服务器110可以通过网络120从用户终端130和/或存储设备140中获取历史车流量数据。

在一些实施例中，用户终端130可以是与请求直接相关的个人、工具或其他实体。用户可以是服务请求者，例如，用户可以通过用户终端130发起打车请求。在本申请中，“用户”、“用户终端”可以互换使用。在一些实施例中，用户终端130可以包括移动设备130-1、平板电脑130-2、车载设备130-3以及笔记本电脑130-4等或其任意组合。在一些实施例中，移动设备120-1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、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、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)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、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlass、OculusRift、HoloLens或GearVR等。在一些实施例中，车载设备130-3可以包括车载计算机、车载电视等。在一些实施例中，用户终端130可以是具有定位技术的设备，用于确定用户终端130的位置。

存储设备140可以存储与服务请求相关的数据和/或指令，以及存储车流量数据、打车订单数据等。服务请求是指用户向线上到线下服务平台发起的打车请求。在一些实施例中，存储设备140可以存储用户终端140获得/获取的数据。在一些实施例中，存储设备140可以存储服务器110用于执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中，存储设备140可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的挥发性只读存储器可以包括随机存取内存(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、闸流体RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电子可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用磁盘ROM等。在一些实施例中，所述存储设备140可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

在一些实施例中，存储设备140可以连接到网络120以与根据预测车流量确定决策策略100中的一个或以上组件(例如，服务器110、用户终端130)通信。根据预测车流量确定决策策略100中的一个或以上组件可以通过网络120访问存储设备140中存储的数据或指令。在一些实施例中，存储设备140可以与根据预测车流量确定决策策略100中的一个或以上组件(例如，服务器110、用户终端130等)直接连接或通信。在一些实施例中，存储设备140可以是服务器110的一部分。

图2是根据本申请一些实施例所示的根据预测车流量确定决策策略的方法的示例性流程图。在一些实施例中，流程200可以由处理设备，例如服务器110执行。例如，流程200可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程200。流程200可以包括以下操作。

步骤210，获取历史车流量数据，所述历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量。在一些实施例中，步骤210可以由获取模块510执行。

历史车流量数据是指在过去的一段或多段时间内，到达了某一段道路或某一地点的车流量的数量。

多个不同历史时间所代表的实际可以是不同的小时、天、星期等，例如，多个历史时间可以是指过去一个星期内的七天，每一天称为一个历史时间；又例如，多个历史时间还可以是过去一个月内的每一天。多个不同历史时间内的每一个历史时间与其他历史时间不重叠。

预设物理区域可以是指真实存在的一段道路或一个地点。例如，XX路、XX商场、XX医院、XX区、XX城市等。

在一些实施例中，所述历史车流量数据可以包括打车流量数据、出租车流量数据以及单车流量数据中的至少一种。打车流量数据可以是指用户向线上到线下服务系统所请求乘车服务的车辆的数量，出租车流量数据可以是指用户乘坐的出租车的数量，单车流量数据可以是指用户骑乘的单车(例如，自行车、电动自行车等)的数量。在一些实施例中，用户可以通过向线上线下服务系统请求打车、乘坐出租车或骑行单车，其服务请求完成以后，即会产生历史车流量数据。

在一些实施例中，处理设备(获取模块510)可以通过从数据库(例如，线上到线下服务平台的数据库)、用户终端、存储设备读取，或调用数据接口的方式获取得到所述历史车流量数据。

步骤220，基于所述历史车流量数据，确定预测时间段的车流量数据，所述车流量数据表征到达所述物理区域内的车辆的数量。在一些实施例中，步骤220可以由第一确定模块执行。

预测时间段是指要预测车流量某一个时间段。例如，预测时间段可以是某一个星期、某一天、某一个小时等。所述预测时间段的车流量数据可以表示在该预测时间段内，到达所述预设物理区域内的车辆的数量。例如，在一天时间内到达该预设物流区域的车辆的数量为2000、3000等。

在一些实施例中，处理设备可以基于数据分析、逻辑回归、机器学习模型等方式，根据历史车流量数据来确定预测时间段的车流量数据。

在一些实施例中，处理设备可以使用预先训练好的车流量预测模型对所述历史车流量数据进行处理，以获取预测时间段的车流量数据。具体地，处理设备可以将对应该多个历史时间的历史车流量数据输入车流量预测模型，车流量预测模型输出预测时间段的车流量数据。例如，可以将从当天开始到过去30天中每一天的历史车流量数据输入车流量预测模型，车流量预测模型输出预测的当天的下一天的车流量数据。

在一些实施例中，所述车流量预测模型可以包括依次连接的卷积神经网络(CNN，Convolutional Neural Networks,)、长短期记忆网络(LSTM，Long Short-Term Memory)和Transformer网络。其中，卷积神经网络可以用于获取所述历史车流量数据的局部特性；长短期记忆网络用于获取所述历史车流量数据的全局特性；所述Transformer网络可以用于解决网络的长期依赖问题。以此，在使用车流量预测摸对历史车流量数据进行处理时，既可以获取到历史车流量数据的局部特征和全局特征，又解决了网络中存在的长期依赖问题，从而使得最终得到的预测结果更加准确。

在一些实施例中，所述车流量预测模型还可以是其他网络结构，例如，可以将上文中的长短期记忆网络可以替换为双向长短期记忆网络。又例如，车流量预测模型还可以包括MTF(Markov Transition Field，马尔可夫转换场)网络，其可以把车流量按照时间顺序的排列转换成矩阵图像，进而对矩阵图像进行处理来进行预测。再例如，车流量预测模型还可以包括Time Le-Net模型等。

关于所述车流量预测模型的训练部分的说明，可以参见图4及其相关说明，此处不再赘述。

由于预设物理区域可能是一个较大的范围，例如，可能是某个片区，因此在获取得到的历史车流量数据中可能包括到达该预设物理区域内多个地点的车流量数据。而在进行车流量预测时，用户可能会需要更加准确的地点的车流量数据，例如，预设物理区域内包括了XX商场、XX医院以及XX企业等。用户需要的可能是到达XX医院的车流量数据。因此，还可以从历史车流量数据中筛选出与做出XX医院相关的车流量数据。而在上述多个地点中，可以通过企业类型进行区分。例如，用户想要预测XX医院在某一天的车流量数据，则可以从历史车流量数据中筛选出车辆在多个历史时间段内，到达了该XX医院的车流量数据。

示例性地，若要预测XX医院在预测时间段的车流量数据，在一些实施例中，则可以采用下文所述的方式从历史车流量数据选择出目标车流量数据来进行预测。

可以确定目标企业类型。目标企业类型指具有线下实体门店的企业所对应的行业类型，例如，医疗行业(例如，XX眼科医院、XX牙科医院、XX整容医院等。)、餐饮行业、零售行业等，或其他具有线下门店的企业。

可以基于所述目标企业类型，从所述历史车流量数据中获取目标车流量数据。目标车流量数据指以目标企业或目标企业的周边预设范围内为目的地的车流量数据。预设范围可以预先指定，例如，半径50m范围内等。在一些实施例中，目标车流量数据包括目标的打车流量数据、出租车流量数据以及单车流量数据中的至少一种。

在一些实施例中，处理设备可以根据用户打车时的行程信息，从历史车流量数据中筛选出目标车流量数据。例如，用户在打车时会输入起始位置和目的地位置，若目的地位置正好为该目标企业的位置，则认为次打车数据属于目标车流量数据。在一些实施例中，处理设备还可以根据用户打车时的目的地位置与目标企业位置之间的距离判断打车数据是否属于目标车流量数据。例如，处理设备可以通过计算用户实际打车时的目的地与目标企业位置之间的距离，若距离小于设定的距离阈值，例如，50m等，则可以认为该次打车数据属于目标车流量数据。

在一些实施例中，处理设备还可以通过文本匹配来判断某个车流量数据是否属于目标车流量数据。文本匹配指对于用户请求打车时的目的地、或骑行的目的地名称的关键词匹配。例如处理设备可以计算关键词与目标企业的名称的相关程度来进行判断，也可以通过文本匹配模型来进行判断。例如，客户选择“XX眼科医院公交站”作为打车目的地，处理设备可以将该文本与XX眼科医院进行匹配计算，计算结果可以表示该目的地与目标企业“XX眼科医院”的相关程度，若相关程度达到预设值，例如，85％、90％等，则可以认为此次打车记录产生的打车流量数据属于目标车流量数据。

可以基于所述目标车流量数据，确定所述预测时间段的车流量数据。在确定目标车流量数据以后，则可以使用上述确定预测时间段的车流量数据的方法中的任意一种进行预测。

步骤230，基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果。在一些实施例中，步骤230可以由处理模块530执行。

感兴趣点可以是指与用户所想要做出决策相关的目标企业。例如，XX企业、XX医院、XX商场等。

判断结果可以表征所述感兴趣点的热度是否满足预设条件。感兴趣点的热度可以用所述预测时间段的车流量数据来表示，预测的车流量数据中，车量的数量越多，感兴趣点的热度越高。预设条件可以是指预测时间段的车辆的数量达到预设阈值或车流量的增长率或下降率达到预设阈值。预设阈值可以由用户自行制定，例如，车辆的数量达到5000辆，到达的车辆的数量的增长率或降低率超过10％、15％等。

感兴趣点的热度可以通过车辆的数量的多少来反映，而车辆的数量又一定程度上可以反映出到达该目标企业的人流量。人流量越多，可能该企业的经营情况越好，那么就可以借助预测的车流量来辅助判断该企业的经营是否会持续增长，进而决定该企业是否值得投资等。

在一些实施例中，处理设备可以将所述预测时间段的车流量数据与所述历史车流量数据进行分析比较，以得到所述判断结果。其具体方式可以有多种，例如，可以利用历史车流量数据构建布林带通道，将预测时间段的车流量数据放入布林带通道进行分析，得到判断结果。车流量布林带通道是指以车流量数据作为信号，在统计学中以标准差原理建立的一类模型。又例如，可以将预测时间段的车流量数据与历史车流量数据的平均值进行比较，得到判断结果等。

优选地，在一些实施例中，可以基于历史车流量数据构建布林带通道，将预测时间段的车流量数据放入布林带通道进行分析的方式来获取判断结果。具体地，处理设备可以基于所述历史车流量数据，确定车流量布林带通道；可以基于所述车流量布林带通道和所述车流量数据，确定与所述预设物理区域内的感兴趣点相关的判断结果。在分析判断时，若该预测时间段的车流量数据穿过了车流量布林带通道的上轨线或下轨线，则可以认为所述感兴趣点的热度满足预设条件。穿过上轨线可以表示车流量增长率可能较高，对应的目标企业的经营状况可能较好，企业发展较好，在股票选取或投资时，可以优先考虑该企业。

步骤240，基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略。在一些实施例中，步骤240可以由第二确定模块240执行。

决策策略是指对某些事件的执行方案。决策策略可以包括车辆调度策略、股票选取策略以及企业投资策略等。例如，是否调度更多的车辆到该预设区域内、选择买进或卖出目标企业的股票等。又例如，可以调度更多的车辆到预设物理区域内，以更好的服务客户的打车出行。再例如，对于交通管理时，可以通过对车辆进行调度，减少路段车流量以避免交通拥堵等。

决策策略的类型与所述感兴趣点相关。例如，在交通管理场景中，决策策略可以是是否要进行交通管制；打车应用场景中，决策策略可以是是否要在增加过减少该物理区域内的运营车辆；金融场景中，股票选取策略可以是买进目标企业的股票或卖出股票等。

在一些实施例中，若所述感兴趣点的热度满足预设条件，则可以相应的根据预设条件确定与所述感兴趣点相关的决策策略。例如，若预设条件为车流量数据增长率超过15％，则可以确定调度更多的车辆、买进股票或对该地的目标企业进行投资的决策策略等；相反，预设条件为车流量数据降低率超过15％，则可以确定减少车辆调度数量，卖出股票或不进行投资的决策策略等。

在本实施例中，通过获取历史车流量数据，然后基于历史车流量数据确定在预测时间段内的车流量数据，利用预测时间段内的车流量数据来辅助做出决策策略。相较于利用少量数据和主观意识进行策略的决定，在本实施例中采用了大数据预测的方法，减少了数据噪声和主观意识的影响，从而使得决策可以带来更多的正向收益。

图3是根据本申请一些实施例所示的确定车流量布林带通道的示例性流程图。在一些实施例中，流程300可以由处理设备，例如服务器110执行。例如，流程300可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程300。流程300可以包括以下操作。

步骤310，以所述历史车流量数据的车辆数量的平均值作为中轨线。

在一些实施例中，处理设备可以将历史车流量数据中的所有车辆的数量除以多个历史时间的时间数量，得到所述历史车流量数据的车辆数量的平均值。例如，若历史车流量数据为过去30天的车流量数据，则将所有车辆的数量除以30，得到所述平均值。然后将平均值的车辆数量作为布林带通道的中轨线。

步骤320，确定所述历史车流量数据在多个不同历史时间内的车辆数量的标准差。

标准差是方差的算术平方根。标准差可以反映一个数据集的离散程度，因此在本实施例中，可以借助标准差来反映历史车辆数据的离散程度。

在一些实施例中，可以使用常见的方式计算得到所述历史车流量数据在多个不同历史时间内的车辆数量的标准差。

步骤330，基于所述中轨线和所述标准差，确定上轨线和下轨线。

在一些实施例中，处理设备可以将所述中轨线与标准差的和值作为布林带通道的上轨线，将中轨线与标准差的差值作为布林带通道的下轨线。

例如，可以将中轨线加上两倍标准差得到上轨线，将中轨线减去两倍标准差得到下轨线。

需要说明的是，根据实际使用需求，也可以将中轨线加上或减去不同倍数的标准差得到上轨线或下轨线。例如，1倍标准差、2倍标准差、3倍标准差均可。

步骤340，基于所述中轨线、所述上轨线和所述下轨线，确定所述车流量布林带通道。

在一些实施例中，处理设备可以直接将所述中轨线、上轨线和下轨线进行组合得到所述车流量布林带通道。

图4是根据本申请一些实施例所示的车流量预测模型训练的示例性流程图。在一些实施例中，流程400可以由处理设备，例如服务器110执行。例如，流程400可以以程序或指令的形式存储在存储装置(如处理设备的自带存储单元或外接存储设备)中，所述程序或指令在被执行时，可以实现流程400。流程400可以包括以下操作。

步骤410，获取多个训练样本。

训练样本是指用于对模型进行训练的数据。

多个训练样本中的每个训练样本包括样本车流量数据和标签车流量数据。样本车流量数据为多个不同历史时间内处于预设物理区域内的车辆的数量，标签车流量数据为所述多个不同历史时间的下一个历史时间内处于预设物理区域内的车辆的数量。

在一些实施例中，处理设备可以通过从数据库中读取、调用数据接口等方式获取到多个历史车流量数据，然后基于所述多个历史车流量数据构建多个训练样本。

在一些实施例中，在获取到多个历史车流量数据之后，可以基于预设滑窗算法，确定多个训练样本。滑窗算法是指以类似于窗口滑动的方式更新数据。例如，在获取到过去连续60天的历史车流量数据之后，可以以每连续的30天的历史车流量数据为一个训练样本，那么具体地，对过去60天的历史车流量数据按照1-60进行编号，第1-30号的历史车流量数据为一个训练样本，然后以类似窗口滑动的方式，将1号滑动出去，31号滑动进来，这样就得到2-31号的历史车流量数据，作为第二个训练样本，以此类推即可得到多个训练样本。

同样地，标签车流量数据可以基于方式确定，例如，1-30号的样本历史车流量数据其对应的标签车流量数据为31号的样本历史车流量数据；2-31号的样本历史车流量数据对应的标签车流量数据为32号的样本历史车流量数据，以此类推，多个训练样本对应的样本标签也可以得到。

步骤420，使用所述多个训练样本对初始模型进行训练，得到所述车流量预测模型。

在一些实施例中，可以将样本历史车流量数据和标签车流量数据输入初始模型，迭代更新模型参数直到训练完成，得到所述车流量预测模型。

在一些实施例中，可以通过常用的方式进行模型训练，更新模型参数。例如，可以基于梯度下降法进行训练。

在一些实施例中，训练的模型的结构可以是卷积神经网络+Transfomer网络的形式，其主要的网络结构包括Embedding层、卷积层、Transformer层、Restnet层、全连接层和输出层。在输入样本历史车流量数据后，输入会首先经过一个Embedding层，将样本历史车流量数据中的每个元素进行非线形变换，Embedding层的输出再经过一个卷积层，卷积层的输出再经过一个Transformer层，Transformer层的输出再通过Restnet层，最后经过全连接层和输出层，得到预测结果。卷积层可以获取样本历史车流量数据的局部特征，Transformer层可以解决网络的长期依赖问题，Resnet层可以使模型更快收敛，加快模型的训练速度。

应当注意的是，上述各流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，对本说明书有关流程步骤的改变，如添加预处理步骤和存储步骤等。

图5根据本申请一些实施例所示的根据预测车流量确定决策策略的系统的模块图。

如图5所示，该测车流量确定决策策略的系统可以包括获取模块510、第一确定模块520、处理模块530和第二确定模块540。

获取模块510可以用于获取历史车流量数据，所述历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量。

历史车流量数据是指在过去的一段或多段时间内，到达了某一段道路或某一地点的车流量的数量。在一些实施例中，获取模块510可以通过从数据库(例如，线上到线下服务平台的数据库)、用户终端、存储设备读取，或调用数据接口的方式获取得到所述历史车流量数据。

第一确定模块520可以用于基于所述历史车流量数据，确定预测时间段的车流量数据，所述车流量数据表征到达所述物理区域内的车辆的数量。

在一些实施例中，第一确定模块520可以基于数据分析、逻辑回归、机器学习模型等方式，根据历史车流量数据来确定预测时间段的车流量数据。在一些实施例中，第一确定模块520可以使用车流量预测模型对所述历史车流量数据进行处理，以获取所述预测时间段的车流量数据。在一些实施例中，所述车流量预测模型包括依次连接的卷积神经网络、长短期记忆网络、和Transformer网络；所述卷积神经网络用于获取所述历史车流量数据的局部特性；所述长短期记忆网络用于获取所述历史车流量数据的全局特性；所述transformer网络用于解决网络的长期依赖问题。在一些实施例中，第一确定模块520还可以用于确定目标企业类型；基于所述目标企业类型，从所述历史车流量数据中获取目标车流量数据；基于所述目标车流量数据，确定所述预测时间段的车流量数据。

处理模块530可以用于基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果，所述判断结果表征所述感兴趣点的热度是否满足预设条件。

在一些实施例中，感兴趣点可以是指与用户所想要做出决策相关的目标企业。处理模块530可以将所述预测时间段的车流量数据与所述历史车流量数据进行分析比较，以得到所述判断结果。在一些实施例中，处理模块530可以基于所述历史车流量数据，确定车流量布林带通道；基于所述车流量布林带通道和所述车流量数据，确定与所述预设物理区域内的感兴趣点相关的判断结果。在一些实施例中，所述预设条件包括：所述预测时间段的车流量数据在所述车流量布林带通道中穿过所述上轨线或所述下轨线。

第二确定模块540可以用于基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略。

在一些实施例中，决策策略是指对某些事件的执行方案。决策策略可以包括车辆调度策略、股票选取策略以及企业投资策略等。例如，是否调度更多的车辆到该预设区域内、选择买进或卖出目标企业的股票等。所述决策策略包括车辆调度策略、股票选取策略以及企业投资策略中的至少一种。例如，车辆调度策略可以是指对该预设物理区域的车辆的数量进行调整。比如，在感兴趣点的热度高时可以调度更多的车辆到预设物理区域内，以更好的服务客户的打车出行。又比如，对于交通管理时，可以通过对车辆进行调度以避免交通拥堵等。

关于图5所示的系统的各模块的更多细节可以参见图2至图4及其描述，此处不再赘述。

应当理解，图5所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要注意的是，以上对于数据传输系统500及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，在一些实施例中，图5中披露的第一确定模块520和第二确定模块540可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形，均在本说明书的保护范围之内。

本说明书实施例可能带来的有益效果包括但不限于：通过获取历史车流量数据，然后基于历史车流量数据确定在预测时间段内的车流量数据，利用预测时间段内的车流量数据来辅助做出决策策略。相较于利用少量数据和主观意识进行策略的决定，在本实施例中采用了大数据预测的方法，减少了数据噪声和主观意识的影响，从而使得决策可以带来更多的正向收益。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (12)

1.一种根据预测车流量确定决策策略的方法，其特征在于，所述方法包括；

获取历史车流量数据，所述历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量；

基于所述历史车流量数据，确定预测时间段的车流量数据，所述预测时间段的车流量数据表征到达所述物理区域内的车辆的数量；

基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果，所述判断结果表征所述感兴趣点的热度是否满足预设条件；

以及，基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略；

其中，所述基于所述历史车流量数据和所述车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果包括：

基于所述历史车流量数据，确定车流量布林带通道；

基于所述车流量布林带通道和所述车流量数据，确定与所述预设物理区域内的感兴趣点相关的判断结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述历史车流量数据，确定车流量布林带通道，包括：

以所述历史车流量数据的车辆数量的平均值作为中轨线；

确定所述历史车流量数据在多个不同历史时间内的车辆数量的标准差；

基于所述中轨线和所述标准差，确定上轨线和下轨线；

基于所述中轨线、所述上轨线和所述下轨线，确定所述车流量布林带通道。

3.根据权利要求2所述的方法，其特征在于，所述预设条件包括：

所述预测时间段的车流量数据在所述车流量布林带通道中穿过所述上轨线或所述下轨线。

4.根据权利要求1所述的方法，其特征在于，所述决策策略包括车辆调度策略、股票选取策略以及企业投资策略中的至少一种。

5.根据权利要求1所述的方法，其特征在于，所述历史车流量数据包括平台打车流量数据、非平台打车流量数据以及单车流量数据中的至少一种。

6.根据权利要求1所述的方法，其特征在于，所述基于所述历史车流量数据，确定预测时间段的车流量数据，包括：

确定目标企业类型；

基于所述目标企业类型，从所述历史车流量数据中获取目标车流量数据；

基于所述目标车流量数据，确定所述预测时间段的车流量数据。

7.根据权利要求1所述的方法，其特征在于，所述基于所述历史车流量数据，确定所述预测时间段的车流量数据，包括：

使用车流量预测模型对所述历史车流量数据进行处理，以获取所述预测时间段的车流量数据。

8.根据权利要求7所述的方法，其特征在于，所述车流量预测模型通过以下模型训练过程生成：

获取多个训练样本，其中，所述多个训练样本中的每个训练样本包括样本车流量数据和标签车流量数据，所述样本车流量数据为多个不同历史时间内处于预设物理区域内的车辆的数量，所述标签车流量数据为所述多个不同历史时间的下一个历史时间内处于预设物理区域内的车辆的数量；

使用所述多个训练样本对初始模型进行训练，得到所述车流量预测模型。

9.根据权利要求8所述的方法，其特征在于，所述获取多个训练样本，包括：

获取多个历史车流量数据；

基于预设的滑窗算法，确定所述多个训练样本。

10.根据权利要求7所述的方法，其特征在于，所述车流量预测模型包括依次连接的卷积神经网络、长短期记忆网络、和Transformer网络；

所述卷积神经网络用于获取所述历史车流量数据的局部特性；所述长短期记忆网络用于获取所述历史车流量数据的全局特性；

所述Transformer网络用于解决网络的长期依赖问题。

11.一种根据预测车流量确定决策策略的系统，其特征在于，所述系统包括；

获取模块，用于获取历史车流量数据，所述历史车流量数据包括多个不同历史时间内处于预设物理区域内的车辆的数量；

第一确定模块，用于基于所述历史车流量数据，确定预测时间段的车流量数据，所述车流量数据表征到达所述物理区域内的车辆的数量；

处理模块，用于基于所述历史车流量数据和所述预测时间段的车流量数据，得到与所述预设物理区域内的感兴趣点相关的判断结果，所述判断结果表征所述感兴趣点的热度是否满足预设条件；

所述处理模块进一步用于，基于所述历史车流量数据，确定车流量布林带通道；基于所述车流量布林带通道和所述车流量数据，确定与所述预设物理区域内的感兴趣点相关的判断结果；

第二确定模块，用于基于所述感兴趣点的热度，确定与所述感兴趣点相关的决策策略。

12.一种根据预测车流量确定决策策略的装置，包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现如权利要求1～10任一项所述的方法。

Images