CN113762578A - 流量预测模型的训练方法、装置和电子设备 - Google Patents
流量预测模型的训练方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113762578A CN113762578A CN202011584094.3A CN202011584094A CN113762578A CN 113762578 A CN113762578 A CN 113762578A CN 202011584094 A CN202011584094 A CN 202011584094A CN 113762578 A CN113762578 A CN 113762578A
- Authority
- CN
- China
- Prior art keywords
- flow
- prediction model
- region
- characteristic data
- training
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000012512 characterization method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种流量预测模型的训练方法、装置和电子设备,其中训练方法包括:获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到流量预测模型中;在流量预测模型中,针对每个区域,对各个区域的历史流量特征和特征数据进行特征融合,以获取每个区域对应的预测流量;根据每个区域对应的预测流量和标签流量,对流量预测模型进行调整,以得到目标流量预测模型。由此,该方法可从模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,可准确反映特征数据对预测流量的影响,有利于提高模型的性能。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种流量预测模型的训练方法、装置、电子设备和存储介质。
背景技术
目前,流量预测技术被广泛应用于交通规划、数据统计等领域中,例如,可采用流量预测技术对城市的多个区域进行人流量预测,在人流量较多的区域设置公共交通设施,例如公交站、地铁站、公共自行车等。相关技术中的流量预测方法,大多采用模型来进行流量预测,然而相关技术中的流量预测模型,无法准确反映影响因素的特征数据对预测流量的影响,不利于流量预测模型的性能。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请第一方面实施例提出一种流量预测模型的训练方法,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
本申请第二方面实施例提出一种流量预测模型的训练装置。
本申请第三方面实施例提出一种电子设备。
本申请第四方面实施例提出一种计算机可读存储介质。
本申请第一方面实施例提出了一种流量预测模型的训练方法,包括:获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到所述流量预测模型中;在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,以获取每个区域对应的所述流量预测模型的预测流量;根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,以得到目标流量预测模型。
根据本申请实施例的流量预测模型的训练方法,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
另外,根据本申请上述实施例的流量预测模型的训练方法还可以具有如下附加的技术特征:
在本申请的一个实施例中,所述流量预测模型包括N个特征提取层,第N层输出每个区域的所述预测流量,则所述在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,包括:针对每个区域在第i层,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,其中,N≥i≥1。
在本申请的一个实施例中,所述对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,包括:获取所述流量预测模型中上一次训练后输出的所述第i层的权重集合,其中,所述权重集合中包括所述第i层上各个区域和所述影响因素对应的权重;基于所述权重集合,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行加权融合,以得到每个区域在所述第i层的流量特征。
在本申请的一个实施例中,所述在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合之前,还包括:分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征。
在本申请的一个实施例中,所述分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征,包括:基于所述流量预测模型中非线性函数,以及所述流量预测模型上一次训练后输出的前一层的非线性变化参数,对所述历史流量特征和所述影响因素的特征数据进行非线性转换处理,以生成所述向量表征。
在本申请的一个实施例中,所述根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,包括:获取每个区域对应的所述预测流量和所述标签流量之间的误差,基于所述误差,获取所述流量预测模型的损失函数;基于所述损失函数,获取所述预测流量模型的模型参数的梯度信息;基于所述梯度信息更新所述预测流量模型的模型参数,其中,所述模型参数包括所述N个特征提取层中每层的权重集合以及所述非线性变化参数。
在本申请的一个实施例中,所述根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整之前,还包括:基于每个区域对应的历史流量确定各自的所述标签流量。
在本申请的一个实施例中,所述影响因素的特征数据为所述影响因数的历史特征数据或者所述影响因数的预测特征数据。
本申请第二方面实施例提出了一种流量预测模型的训练装置,包括:获取模块,用于获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到所述流量预测模型中;预测模块,用于在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,以获取每个区域对应的所述流量预测模型的预测流量;调整模块,用于根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,以得到目标流量预测模型。
本申请实施例的流量预测模型的训练装置,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
另外,根据本申请上述实施例的流量预测模型的训练装置还可以具有如下附加的技术特征:
在本申请的一个实施例中,所述流量预测模型包括N个特征提取层,第N层输出每个区域的所述预测流量,则所述预测模块,包括:融合单元,用于针对每个区域在第i层,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,其中,N≥i≥1。
在本申请的一个实施例中,所述融合单元,具体用于:获取所述流量预测模型中上一次训练后输出的所述第i层的权重集合,其中,所述权重集合中包括所述第i层上各个区域和所述影响因素对应的权重;基于所述权重集合,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行加权融合,以得到每个区域在所述第i层的流量特征。
在本申请的一个实施例中,所述预测模块,包括:第一获取单元,用于分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征。
在本申请的一个实施例中,所述第一获取单元,具体用于:基于所述流量预测模型中非线性函数,以及所述流量预测模型上一次训练后输出的前一层的非线性变化参数,对所述历史流量特征和所述影响因素的特征数据进行非线性转换处理,以生成所述向量表征。
在本申请的一个实施例中,所述调整模块,包括:第二获取单元,用于获取每个区域对应的所述预测流量和所述标签流量之间的误差,基于所述误差,获取所述流量预测模型的损失函数;第三获取单元,用于基于所述损失函数,获取所述预测流量模型的模型参数的梯度信息;更新单元,用于基于所述梯度信息更新所述预测流量模型的模型参数,其中,所述模型参数包括所述N个特征提取层中每层的权重集合以及所述非线性变化参数。
在本申请的一个实施例中,所述调整模块,还用于:基于每个区域对应的历史流量确定各自的所述标签流量。
在本申请的一个实施例中,所述影响因素的特征数据为所述影响因数的历史特征数据或者所述影响因数的预测特征数据。
本申请第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如前述第一方面实施例所述的流量预测模型的训练方法。
本申请实施例的电子设备,通过处理器执行存储在存储器上的计算机程序,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如前述第一方面实施例所述的流量预测模型的训练方法。
本申请实施例的计算机可读存储介质,通过存储计算机程序并被处理器执行,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例的流量预测模型的训练方法的流程示意图;
图2为根据本申请一个实施例的流量预测模型的训练方法中得到每个区域在第i层的流量特征的流程示意图;
图3为根据本申请一个实施例的流量预测模型的训练方法中对流量预测模型进行调整的流程示意图;
图4为根据本申请一个实施例的流量预测模型的训练方法中流量预测模型的结构示意图;
图5为根据本申请一个实施例的流量预测模型的训练装置的结构示意图;
图6为根据本申请另一个实施例的流量预测模型的训练装置的结构示意图;
图7为根据本申请一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参照附图描述本申请实施例的流量预测模型的训练方法、装置、电子设备和存储介质。
图1为根据本申请一个实施例的流量预测模型的训练方法的流程示意图。
如图1所示,本申请实施例的流量预测模型的训练方法,包括:
S101,获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到流量预测模型中。
需要说明的是,本申请实施例的流量预测模型的训练方法的执行主体可为流量预测模型的训练装置,本申请实施例的流量预测模型的训练装置可以配置在任意电子设备中,以使该电子设备可以执行本申请实施例的流量预测模型的训练方法。其中,电子设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
本申请的实施例中,可根据实际情况进行区域划分。例如,可根据城市功能区域进行划分,比如,可划分为行政区域、娱乐区域、购物区域、居住区域等。或者,还可根据各级行政区域、交通路线信息进行区域划分,其中,交通路线信息包括但不限于城市主干道、交通路口等。
本申请的实施例中,对每个区域的历史流量特征的类型不做限定,例如,历史流量特征包括但不限于人流量特征、车流量特征等。
可以理解的是,不同区域可对应不同的历史流量特征。例如,假设划分的区域包括公司A、公园B,历史流量特征为人流量特征,则公司A在工作日的上班时间段内(例如早上8点至早上9点)的人流量特征为聚集特征,公司A在工作日的下班时间段内(例如下午6点至下午7点)的人流量特征为分散特征,而公园B在工作日的上班时间段和下班时间段内不具备聚集特征和分散特征,可知公司A与公园B可对应不同的历史流量特征。
本申请的实施例中,对影响区域流量的影响因素的类型不做限定,对影响因素的特征数据的类型也不做限定。可选的,影响因素包括但不限于天气、日期、位置、交通设施等,比如,影响因素为天气时,对应的特征数据可包括温度、风向、风力、湿度等,影响因素为日期时,对应的特征数据可包括工作日、节假日,影响因素为交通设施时,对应的特征数据可包括公交线路、地铁线路、高速线路等。
可选的,影响因素的特征数据可为影响因数的历史特征数据或者影响因数的预测特征数据。例如,影响因素为天气时,对应的特征数据可为天气的历史特征数据,比如,历史温度、历史风向、历史湿度等,或者,对应的特征数据还可为天气的预测特征数据,比如,预测温度、预测风向、预测湿度等。
本申请的实施例中,不同的区域可对应不同的影响因素,以及对应不同的影响因素的特征数据,相较于相关技术中不同区域之间采用相同的影响因素的特征数据进行模型训练,可以针对不同的区域采用不同的影响因素的特征数据进行模型训练,有助于提高模型的精准性。
本申请的实施例中,可将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,输入到流量预测模型中。其中,流量预测模型可根据实际情况进行设置,例如,可为深度学习模型,可基于TensorFlow平台进行流量预测模型的构建,还可为STMP(Spatio-Temporal Multiple Points)预测模型。
S102,在流量预测模型中,针对每个区域,对各个区域的历史流量特征和特征数据进行特征融合,以获取每个区域对应的流量预测模型的预测流量。
相关技术中的流量预测模型,大多仅在模型的最后阶段才引入影响因素的特征数据,影响因素的特征数据与历史流量特征的融合较为滞后,从而无法准确反映影响因素的特征数据对预测流量的影响,不利于流量预测模型的性能。
为了解决这一问题,本申请的实施例中,可将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,输入到流量预测模型中,且流量预测模型可针对每个区域,对各个区域的历史流量特征和特征数据进行特征融合,以获取每个区域对应的流量预测模型的预测流量。也就是说,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
S103,根据每个区域对应的预测流量和标签流量,对流量预测模型进行调整,以得到目标流量预测模型。
本申请的实施例中,每个区域对应的标签流量为预测流量的实际参考流量。可选的,可基于每个区域对应的历史流量确定各自的标签流量。例如,可获取每个区域对应的最近N次的历史流量,将最近N次的历史流量中出现次数最多的历史流量或者最近N次的历史流量的平均值,作为每个区域对应的标签流量。或者,可获取每个区域对应的最近1次的历史流量,将其作为每个区域对应的标签流量。其中,N为正整数,可根据实际情况进行设置,例如,N可为3。
可以理解的是,每个区域对应的预测流量和标签流量之间可能存在误差,则可根据上述误差对流量预测模型的模型参数进行调整,直至模型的迭代次数达到预设次数阈值,或者达到预设的停止条件,或者达到预设的模型评价指标时,可停止模型的训练,将最后一次调整结束时获取的模型作为目标流量预测模型。
综上,根据本申请实施例的流量预测模型的训练方法,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
在上述任一实施例的基础上,步骤S101中获取每个区域的历史流量特征,可包括基于每个区域对应的历史流量确定各自的历史流量特征。
例如,可按照先验规则对每个区域对应的历史流量进行特征提取,将提取出的特征作为每个区域对应的历史流量特征。比如,可提取出每个区域对应的最近一天的历史流量特征,或者提取出每个区域最近三周中周一的历史流量特征,或者提取出每个区域最近三年中7月的历史流量特征。
可选的,基于每个区域对应的历史流量确定各自的历史流量特征,可包括按照预设频率对每个区域对应的历史流量进行近邻性特征和周期性特征提取,将提取出的近邻性特征和周期性特征作为每个区域对应的历史流量特征。
其中,近邻性特征指的是距离当前时刻的历史流量时间最近的历史流量特征,周期性特征指的是多个周期内相同时刻对应的历史流量特征。例如,假设预设频率为1,当前时刻为t,近邻性特征可包括t-1、t-2、t-3、t-4、t-5、t-6、t-7时刻对应的历史流量特征,预设频率为7,时间片的数量为2的周期性特征可包括t-7、t-14时刻对应的历史流量特征。
在上述任一实施例的基础上,流量预测模型可包括N个特征提取层,第N层输出每个区域的预测流量。可以理解的是,流量预测模型可通过N个特征提取层实现不同层次的流量特征提取,第i层输出每个区域在第i层的流量特征和影响因素在第i层的特征数据,其中,N≥i≥1,N为正整数,可根据实际情况进行设置。
可选的,N个特征提取层可采用全连接神经网络(Fully Connected NeuralNetwork,FCNN)结构。
进一步地,步骤S102中在流量预测模型中,针对每个区域,对各个区域的历史流量特征和特征数据进行特征融合,可包括针对每个区域在第i层,对各个区域在前一层的流量特征,以及影响因素在前一层的特征数据进行融合,得到每个区域在第i层的流量特征,其中,N≥i≥1。
由此,可对各个区域在前一层的流量特征,以及影响因素在前一层的特征数据进行融合,以得到每个区域在第i层的流量特征。
可选的,如图2所示,对各个区域在前一层的流量特征,以及影响因素在前一层的特征数据进行融合,得到每个区域在第i层的流量特征,可包括:
S201,获取流量预测模型中上一次训练后输出的第i层的权重集合,其中,权重集合中包括第i层上各个区域和影响因素对应的权重。
本申请的实施例中,流量预测模型在上一次训练后可输出第i层的权重集合,权重集合中包括第i层上各个区域和影响因素对应的权重。
可以理解的是,第i层上各个区域和影响因素可能分别对应不同的权重。
S202,基于权重集合,对各个区域在前一层的流量特征,以及影响因素在前一层的特征数据进行加权融合,以得到每个区域在第i层的流量特征。
可以理解的是,基于权重集合,对各个区域在前一层的流量特征,以及影响因素在前一层的特征数据进行加权融合,以得到每个区域在第i层的流量特征,可包括获取各个区域在前一层的流量特征与对应的权重的第一乘积和,以及影响因素在前一层的特征数据与对应的权重的第二乘积和,将第一乘积和与第二乘积和的和值,作为每个区域在第i层的流量特征。
例如,若共有3个区域,分别为区域A、区域B、区域C,区域A的流量等于区域B的流量和区域C的流量之和。则区域A在第i层的流量特征可通过下述公式计算得到:
其中,为区域A在第i层的流量特征,为区域A在第i-1层的流量特征,为区域B在第i-1层的流量特征,为区域C在第i-1层的流量特征,Yi-1为影响因素在第i-1层的特征数据,k0、k1、k2、k3分别为第i层上区域A、区域B、区域C、影响因素对应的权重。
由此,该方法可根据第i层上各个区域和影响因素对应的权重组成的权重集合,对各个区域在前一层的流量特征,以及影响因素在前一层的特征数据进行加权融合,以得到每个区域在第i层的流量特征,能够考虑到不同区域之间对流量特征的影响。
在上述任一实施例的基础上,步骤S102中在流量预测模型中,针对每个区域,对各个区域的历史流量特征和特征数据进行特征融合之前,还包括分别获取每个区域的历史流量特征和影响因素的特征数据的向量表征。
可以理解的是,每个区域的历史流量特征和影响因素的特征数据可为向量形式,可分别获取每个区域的历史流量特征和影响因素的特征数据的向量表征。
可选的,分别获取每个区域的历史流量特征和影响因素的特征数据的向量表征,可包括基于流量预测模型中非线性函数,以及流量预测模型上一次训练后输出的前一层的非线性变化参数,对历史流量特征和影响因素的特征数据进行非线性转换处理,以生成向量表征。
本申请的实施例中,流量预测模型在上一次训练后可输出第i层的非线性变化参数,其中,N≥i≥1。
可选的,非线性函数可根据实际情况进行设置,例如,可设置为σ(x)=max(0,x)。
本申请的实施例中,不同区域之间可共享相同的非线性变化参数,以减少模型参数数据,降低模型优化的复杂度。
由此,该方法可对历史流量特征和影响因素的特征数据进行非线性转换处理,以生成向量表征,从而可提高模型的非线性能力。
在上述任一实施例的基础上,如图3所示,步骤S103中根据每个区域对应的预测流量和标签流量,对流量预测模型进行调整,可包括:
S301,获取每个区域对应的预测流量和标签流量之间的误差,基于误差,获取流量预测模型的损失函数。
可选的,可采用前向传播(Forward Propagation)算法以及上述误差,计算机流量预测模型的损失函数。
S302,基于损失函数,获取预测流量模型的模型参数的梯度信息。
可以理解的是,模型参数的数量为至少一个,可基于损失函数,获取预测流量模型的每个模型参数的梯度信息。
可选的,可预先构建至少一个模型参数优化器,基于损失函数,获取每个模型参数优化器对应的每个模型参数的梯度信息。
例如,假设预先设置两个模型参数优化器,分别为模型参数优化器A、B,模型参数优化器A用于优化非线性变化参数,模型参数优化器B用于优化模型结构参数,则可基于损失函数,获取模型参数优化器A、B对应的每个模型参数的梯度信息。
S303,基于梯度信息更新预测流量模型的模型参数,其中,模型参数包括N个特征提取层中每层的权重集合以及非线性变化参数。
本申请的实施例中,模型参数可包括N个特征提取层中每层的权重集合以及非线性变化参数,还可包括模型结构参数等,这里不做过多限定。其中,模型结构参数用于确定不同特征对流量预测的影响。
由此,该方法可获取每个区域对应的预测流量和标签流量之间的误差,基于误差,获取流量预测模型的损失函数,基于损失函数,获取预测流量模型的模型参数的梯度信息,并基于梯度信息更新预测流量模型的模型参数。
如图4所示,流量预测模型包括表征学习层、特征提取层1至3。可将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到表征学习层,通过表征学习层分别获取每个区域的历史流量特征和影响因素的特征数据的向量表征,通过每个特征提取层针对每个区域,对各个区域的历史流量特征和特征数据进行特征融合,得到每个区域在每个特征提取层的流量特征,特征提取层3输出每个区域的预测流量。
与上述图1至图4实施例提供的流量预测模型的训练方法相对应,本公开还提供一种流量预测模型的训练装置,由于本公开实施例提供的流量预测模型的训练装置与上述图1至图4实施例提供的流量预测模型的训练方法相对应,因此流量预测模型的训练方法的实施方式也适用于本公开实施例提供的流量预测模型的训练装置,在本公开实施例中不再详细描述。
图5为根据本申请一个实施例的流量预测模型的训练装置的结构示意图。
如图5所示,本申请实施例的流量预测模型的训练装置100可以包括:获取模块110、预测模块120和调整模块130。
获取模块110用于获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到所述流量预测模型中;
预测模块120用于在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,以获取每个区域对应的所述流量预测模型的预测流量;
调整模块130用于根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,以得到目标流量预测模型。
在本申请的一个实施例中,所述流量预测模型包括N个特征提取层,第N层输出每个区域的所述预测流量,则如图6所示,所述预测模块120,包括:融合单元1201,用于针对每个区域在第i层,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,其中,N≥i≥1。
在本申请的一个实施例中,所述融合单元1201,具体用于:获取所述流量预测模型中上一次训练后输出的所述第i层的权重集合,其中,所述权重集合中包括所述第i层上各个区域和所述影响因素对应的权重;基于所述权重集合,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行加权融合,以得到每个区域在所述第i层的流量特征。
在本申请的一个实施例中,如图6所示,所述预测模块120,包括:第一获取单元1202,用于分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征。
在本申请的一个实施例中,所述第一获取单元1202,具体用于:基于所述流量预测模型中非线性函数,以及所述流量预测模型上一次训练后输出的前一层的非线性变化参数,对所述历史流量特征和所述影响因素的特征数据进行非线性转换处理,以生成所述向量表征。
在本申请的一个实施例中,如图6所示,所述调整模块130,包括:第二获取单元1301,用于获取每个区域对应的所述预测流量和所述标签流量之间的误差,基于所述误差,获取所述流量预测模型的损失函数;第三获取单元1302,用于基于所述损失函数,获取所述预测流量模型的模型参数的梯度信息;更新单元1303,用于基于所述梯度信息更新所述预测流量模型的模型参数,其中,所述模型参数包括所述N个特征提取层中每层的权重集合以及所述非线性变化参数。
在本申请的一个实施例中,所述调整模块130,还用于:基于每个区域对应的历史流量确定各自的所述标签流量。
在本申请的一个实施例中,所述影响因素的特征数据为所述影响因数的历史特征数据或者所述影响因数的预测特征数据。
本申请实施例的流量预测模型的训练装置,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
为了实现上述实施例,如图7所示,本申请还提出一种电子设备200,包括:存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序,处理器220执行程序时,实现如本申请前述实施例提出的流量预测模型的训练方法。
本申请实施例的电子设备,通过处理器执行存储在存储器上的计算机程序,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
为了实现上述实施例,本申请还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如本申请前述实施例提出的流量预测模型的训练方法。
本申请实施例的计算机可读存储介质,通过存储计算机程序并被处理器执行,将每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据输入到流量预测模型中,可从流量预测模型的输入层开始引入影响因素的特征数据对每个区域的预测流量的影响,从而在流量预测模型的整个过程中引入影响因素的特征数据,并将各个区域的历史流量特征和特征数据进行融合,以获取每个区域对应的流量预测模型的预测流量,能够有效解决相关技术中影响因素的特征数据与历史流量特征的融合较为滞后的问题,能够准确反映影响因素的特征数据对预测流量的影响,有利于提高流量预测模型的性能。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (18)
1.一种流量预测模型的训练方法,其特征在于,包括:
获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到所述流量预测模型中;
在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,以获取每个区域对应的所述流量预测模型的预测流量;
根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,以得到目标流量预测模型。
2.根据权利要求1所述的流量预测模型的训练方法,其特征在于,所述流量预测模型包括N个特征提取层,第N层输出每个区域的所述预测流量,则所述在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,包括:
针对每个区域在第i层,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,其中,N≥i≥1。
3.根据权利要求2所述的流量预测模型的训练方法,其特征在于,所述对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,包括:
获取所述流量预测模型中上一次训练后输出的所述第i层的权重集合,其中,所述权重集合中包括所述第i层上各个区域和所述影响因素对应的权重;
基于所述权重集合,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行加权融合,以得到每个区域在所述第i层的流量特征。
4.根据权利要求1-3任一项所述的流量预测模型的训练方法,其特征在于,所述在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合之前,还包括:
分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征。
5.根据权利要求4所述的流量预测模型的训练方法,其特征在于,所述分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征,包括:
基于所述流量预测模型中非线性函数,以及所述流量预测模型上一次训练后输出的前一层的非线性变化参数,对所述历史流量特征和所述影响因素的特征数据进行非线性转换处理,以生成所述向量表征。
6.根据权利要求5所述的流量预测模型的训练方法,其特征在于,所述根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,包括:
获取每个区域对应的所述预测流量和所述标签流量之间的误差,基于所述误差,获取所述流量预测模型的损失函数;
基于所述损失函数,获取所述预测流量模型的模型参数的梯度信息;
基于所述梯度信息更新所述预测流量模型的模型参数,其中,所述模型参数包括所述N个特征提取层中每层的权重集合以及所述非线性变化参数。
7.根据权利要求1所述的流量预测模型的训练方法,其特征在于,所述根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整之前,还包括:
基于每个区域对应的历史流量确定各自的所述标签流量。
8.根据权利要求1所述的流量预测模型的训练方法,其特征在于,所述影响因素的特征数据为所述影响因数的历史特征数据或者所述影响因数的预测特征数据。
9.一种流量预测模型的训练装置,其特征在于,包括:
获取模块,用于获取每个区域的历史流量特征,以及影响区域流量的影响因素的特征数据,并输入到所述流量预测模型中;
预测模块,用于在所述流量预测模型中,针对每个区域,对各个区域的所述历史流量特征和所述特征数据进行特征融合,以获取每个区域对应的所述流量预测模型的预测流量;
调整模块,用于根据每个区域对应的所述预测流量和标签流量,对所述流量预测模型进行调整,以得到目标流量预测模型。
10.根据权利要求9所述的流量预测模型的训练装置,其特征在于,所述流量预测模型包括N个特征提取层,第N层输出每个区域的所述预测流量,则所述预测模块,包括:
融合单元,用于针对每个区域在第i层,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行融合,得到每个区域在所述第i层的流量特征,其中,N≥i≥1。
11.根据权利要求10所述的流量预测模型的训练装置,其特征在于,所述融合单元,具体用于:
获取所述流量预测模型中上一次训练后输出的所述第i层的权重集合,其中,所述权重集合中包括所述第i层上各个区域和所述影响因素对应的权重;
基于所述权重集合,对各个区域在前一层的流量特征,以及所述影响因素在前一层的特征数据进行加权融合,以得到每个区域在所述第i层的流量特征。
12.根据权利要求9-11任一项所述的流量预测模型的训练装置,其特征在于,所述预测模块,包括:
第一获取单元,用于分别获取每个区域的所述历史流量特征和所述影响因素的特征数据的向量表征。
13.根据权利要求12所述的流量预测模型的训练装置,其特征在于,所述第一获取单元,具体用于:
基于所述流量预测模型中非线性函数,以及所述流量预测模型上一次训练后输出的前一层的非线性变化参数,对所述历史流量特征和所述影响因素的特征数据进行非线性转换处理,以生成所述向量表征。
14.根据权利要求13所述的流量预测模型的训练装置,其特征在于,所述调整模块,包括:
第二获取单元,用于获取每个区域对应的所述预测流量和所述标签流量之间的误差,基于所述误差,获取所述流量预测模型的损失函数;
第三获取单元,用于基于所述损失函数,获取所述预测流量模型的模型参数的梯度信息;
更新单元,用于基于所述梯度信息更新所述预测流量模型的模型参数,其中,所述模型参数包括所述N个特征提取层中每层的权重集合以及所述非线性变化参数。
15.根据权利要求9所述的流量预测模型的训练装置,其特征在于,所述调整模块,还用于:
基于每个区域对应的历史流量确定各自的所述标签流量。
16.根据权利要求9所述的流量预测模型的训练装置,其特征在于,所述影响因素的特征数据为所述影响因数的历史特征数据或者所述影响因数的预测特征数据。
17.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-8中任一项所述的流量预测模型的训练方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一项所述的流量预测模型的训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584094.3A CN113762578A (zh) | 2020-12-28 | 2020-12-28 | 流量预测模型的训练方法、装置和电子设备 |
PCT/CN2021/123025 WO2022142574A1 (zh) | 2020-12-28 | 2021-10-11 | 流量预测模型的训练方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011584094.3A CN113762578A (zh) | 2020-12-28 | 2020-12-28 | 流量预测模型的训练方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762578A true CN113762578A (zh) | 2021-12-07 |
Family
ID=78786221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011584094.3A Pending CN113762578A (zh) | 2020-12-28 | 2020-12-28 | 流量预测模型的训练方法、装置和电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113762578A (zh) |
WO (1) | WO2022142574A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390079A (zh) * | 2022-03-24 | 2022-04-22 | 成都秦川物联网科技股份有限公司 | 一种智慧城市公共场所管理方法和物联网系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115936264A (zh) * | 2023-02-22 | 2023-04-07 | 北京师范大学 | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
CN116370819B (zh) * | 2023-04-18 | 2024-03-12 | 安徽通灵仿生科技有限公司 | 一种心室辅助装置的泵血流量估测方法及装置 |
CN117273199B (zh) * | 2023-08-29 | 2024-04-02 | 长江水上交通监测与应急处置中心 | 一种航运信息动态监测及超前预报方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN109409587A (zh) * | 2018-10-09 | 2019-03-01 | 南京航空航天大学 | 一种基于天气数据挖掘的机场进离场交通流量预测方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN110991762A (zh) * | 2019-12-13 | 2020-04-10 | 新奥数能科技有限公司 | 预测方法、装置、计算机可读存储介质及电子设备 |
CN111461384A (zh) * | 2019-12-10 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 对象流量预测方法、装置及设备 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111695722A (zh) * | 2020-05-13 | 2020-09-22 | 南京理工大学 | 一种城市轨道交通车站节假日短时客流预测方法 |
CN111915073A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11423325B2 (en) * | 2017-10-25 | 2022-08-23 | International Business Machines Corporation | Regression for metric dataset |
CN110969285B (zh) * | 2019-10-29 | 2023-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN111091196B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-28 CN CN202011584094.3A patent/CN113762578A/zh active Pending
-
2021
- 2021-10-11 WO PCT/CN2021/123025 patent/WO2022142574A1/zh active Application Filing
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN109409587A (zh) * | 2018-10-09 | 2019-03-01 | 南京航空航天大学 | 一种基于天气数据挖掘的机场进离场交通流量预测方法 |
CN109886444A (zh) * | 2018-12-03 | 2019-06-14 | 深圳市北斗智能科技有限公司 | 一种交通短时客流预测方法、装置、设备和存储介质 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109800483A (zh) * | 2018-12-29 | 2019-05-24 | 北京城市网邻信息技术有限公司 | 一种预测方法、装置、电子设备和计算机可读存储介质 |
CN111461384A (zh) * | 2019-12-10 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 对象流量预测方法、装置及设备 |
CN110991762A (zh) * | 2019-12-13 | 2020-04-10 | 新奥数能科技有限公司 | 预测方法、装置、计算机可读存储介质及电子设备 |
CN111524348A (zh) * | 2020-04-14 | 2020-08-11 | 长安大学 | 一种长短期交通流预测模型及方法 |
CN111915073A (zh) * | 2020-04-28 | 2020-11-10 | 同济大学 | 一种考虑日期属性和天气因素的铁路城际客流短期预测方法 |
CN111695722A (zh) * | 2020-05-13 | 2020-09-22 | 南京理工大学 | 一种城市轨道交通车站节假日短时客流预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114390079A (zh) * | 2022-03-24 | 2022-04-22 | 成都秦川物联网科技股份有限公司 | 一种智慧城市公共场所管理方法和物联网系统 |
US11868926B2 (en) | 2022-03-24 | 2024-01-09 | Chengdu Qinchuan Iot Technology Co., Ltd. | Systems and methods for managing public place in smart city |
Also Published As
Publication number | Publication date |
---|---|
WO2022142574A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113762578A (zh) | 流量预测模型的训练方法、装置和电子设备 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
Yu et al. | k-Nearest neighbor model for multiple-time-step prediction of short-term traffic condition | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN110637213B (zh) | 用于数字路径规划的系统和方法 | |
Gu et al. | On the impacts of bus stops near signalized intersections: Models of car and bus delays | |
CN103250031B (zh) | 路线选择系统、路线选择方法和路线选择程序 | |
CN110415516A (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN111415048A (zh) | 一种基于强化学习的车辆路径规划方法 | |
CN110766942A (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
US11077758B2 (en) | Vehicle control unit (VCU) and operating method thereof | |
Egea et al. | Assessment of reward functions for reinforcement learning traffic signal control under real-world limitations | |
CN115311860B (zh) | 一种交通流量预测模型的在线联邦学习方法 | |
CN110322054A (zh) | 一种公路路段交通监测器的优化布设方法 | |
CN115708343A (zh) | 从一组载具收集数据的方法 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
Schmaranzer et al. | Multi-objective simulation optimization for complex urban mass rapid transit systems | |
US9412267B2 (en) | Auto-calibration for road traffic prediction | |
Wang et al. | Implementation of variable speed limits: Preliminary test on Whitemud Drive, Edmonton, Canada | |
JP2020135231A (ja) | 交通需要予測装置及び交通需要予測システム | |
JPH08171694A (ja) | 交通信号制御方法及び制御装置 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
CN116259175A (zh) | 一种面向多样化动态信号灯模式的车速推荐方法及装置 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 |
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 |