CN114327840B

CN114327840B - 数据处理方法和数据处理装置

Info

Publication number: CN114327840B
Application number: CN202210239325.XA
Authority: CN
Inventors: 曹绍升
Original assignee: Beijing Qisheng Technology Co Ltd
Current assignee: Guangzhou Qian Technology Co ltd; Hangzhou Qingqi Science and Technology Co Ltd
Priority date: 2022-03-11
Filing date: 2022-03-11
Publication date: 2022-06-10
Anticipated expiration: 2042-03-11
Also published as: CN114327840A

Abstract

本发明实施例公开了一种数据处理方法和数据处理装置。本发明实施例获取预定地理区域中各子区域间的兴趣点分布数据的相似度矩阵和由各子区域在第一时间段的各子时间段内任务的转移量构成的任务转移量序列，并以任务转移量序列为第一编码模块的输入，获取预定地理区域对应的第一编码特征，以第一编码特征和相似度矩阵为第二编码模块的输入，获取预定地理区域对应的第二编码特征，然后将第二编码特征输入解码模块中，得到预定地理区域在第二时间段内的任务的转移量作为用户群体对任务的需求数量数据。本发明实施例可以通过相似度矩阵缓解任务转移量序列的稀疏性，并准确预测不同区域间任务的转移情况以估计用户对物品的需求情况。

Description

数据处理方法和数据处理装置

技术领域

本发明涉及计算机技术领域，具体涉及一种数据处理方法和数据处理装置。

背景技术

随着互联网技术领域的不断发展，在日常生活中，用户可以通过网络购买心仪的商品、预约网约车、解锁使用共享单车等。现有的网络购物、预约网约车、使用共享单车等过程均以任务的形式实现，而任务的执行过程通常涉及商品、车辆等物品的位置转移，因此任务的位置转移也即物品的位置转移。而不同区域间物品的转移频率通常较高，因此现有技术很难准确估计任务的转移规律。

发明内容

有鉴于此,本发明实施例的目的在于提供一种数据处理方法和数据处理装置，用于预测不同区域间任务的转移情况以估计用户对物品的需求情况。

根据本发明实施例的第一方面，提供一种数据处理方法，所述方法包括：

获取目标区域在第一时间段内的任务转移量序列，所述任务转移量序列包括所述目标区域中各子区域在所述第一时间段的多个子时间段内产生的任务转移量数据，所述任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的任务的数量，所述目标区域为预定的地理区域；

基于第一编码模块，根据所述任务转移量序列获取所述目标区域对应的第一编码特征；

获取所述目标区域对应的第一相似度矩阵，所述第一相似度矩阵包括各子区域的第一相似度数据，所述第一相似度数据表征所述目标子区域的第一兴趣点分布数据与所述非目标子区域的第二兴趣点分布数据的相似度；

基于第二编码模块，根据所述第一编码特征以及所述第一相似度矩阵确定所述目标区域对应的第二编码特征；

基于解码模块，根据所述第二编码特征确定所述目标区域在第二时间段内的任务转移量矩阵，所述任务转移量矩阵包括各子区域在所述第二时间段内的任务转移量数据。

优选地，所述方法还包括：

根据所述任务转移量矩阵确定所述目标区域中各子区域在所述第二时间段内的对象转移数据，所述对象转移数据表征起始位置位于目标子区域且终止位置位于非目标子区域的任务对应的对象的数量。

优选地，所述第一兴趣点分布数据表征所述目标子区域内各兴趣点的分布数量或分布情况，所述第二兴趣点分布数据表征所述非目标子区域内各兴趣点的分布数量或分布情况，所述分布情况用于表征对应兴趣点是否存在。

优选地，所述第一编码模块、第二编码模块和所述解码模块基于训练样本集合同时训练获得，所述训练样本集合中的至少部分训练样本包括所述目标区域在第一历史时间段内的第一历史任务转移量序列、所述第一相似度矩阵以及所述目标区域在所述第二历史时间段内的第一历史任务转移量矩阵，所述第一历史任务转移量序列包括各子区域在所述第一历史时间段的多个子历史时间段内产生的第一历史任务转移量数据，所述第一历史任务转移量矩阵包括各子区域在所述第二历史时间段内的第一历史任务转移量数据，所述第一历史任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的历史任务的数量。

优选地，所述训练样本集合中的至少部分训练样本包括非目标区域在所述第一历史时间段内的第二历史任务转移量序列、第二相似度矩阵以及所述目标区域在所述第二历史时间段内的第二历史任务转移量矩阵，所述第二历史任务转移量序列包括非目标区域内各子区域在所述第一历史时间段的多个子历史时间段内产生的第二历史任务转移量数据，所述第二历史任务转移量矩阵包括所述非目标区域内各子区域在所述第二历史时间段内的第二历史任务转移量数据，所述第二历史任务转移量数据表征起始位置位于预定子区域且终止位置位于非预定子区域的历史任务的数量，所述第二相似度矩阵包括所述非目标区域内各子区域的第二相似度数据，所述第二相似度数据表征所述预定子区域的第三兴趣点分布数据与所述非预定子区域的第四兴趣点分布数据的相似度。

优选地，所述第三兴趣点分布数据表征所述预定子区域内各兴趣点的分布数量或分布情况，所述第四兴趣点分布数据表征所述非预定子区域内各兴趣点的分布数量或分布情况，所述分布情况用于表征对应兴趣点是否存在。

优选地，所述第一编码模块为循环神经网络模块，所述第二编码模块为图神经网络模块，所述解码模块为全连接层。

根据本发明实施例的第二方面，提供一种数据处理装置，所述装置包括：

第一获取单元，用于获取目标区域在第一时间段内的任务转移量序列，所述任务转移量序列包括所述目标区域中各子区域在所述第一时间段的多个子时间段内产生的任务转移量数据，所述任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的任务的数量，所述目标区域为预定的地理区域；

第一编码单元，用于基于第一编码模块，根据所述任务转移量序列获取所述目标区域对应的第一编码特征；

第二获取单元，用于获取所述目标区域对应的第一相似度矩阵，所述第一相似度矩阵包括各子区域的第一相似度数据，所述第一相似度数据表征所述目标子区域的第一兴趣点分布数据与所述非目标子区域的第二兴趣点分布数据的相似度；

第二编码单元，用于基于第二编码模块，根据所述第一编码特征以及所述第一相似度矩阵确定所述目标区域对应的第二编码特征；

解码单元，用于基于解码模块，根据所述第二编码特征确定所述目标区域在第二时间段内的任务转移量矩阵，所述任务转移量矩阵包括各子区域在所述第二时间段内的任务转移量数据。

根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的方法。

根据本发明实施例的第四方面，提供一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面中任一项所述的方法。

根据本发明实施例的第五方面，提供一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行以实现如第一方面中任一项所述的方法。

本发明实施例获取预定地理区域中各子区域间的兴趣点分布数据的相似度矩阵和由各子区域在第一时间段的各子时间段内任务的转移量构成的任务转移量序列，并以任务转移量序列为第一编码模块的输入，获取预定地理区域对应的第一编码特征，以第一编码特征和相似度矩阵为第二编码模块的输入，获取预定地理区域对应的第二编码特征，然后将第二编码特征输入解码模块中，得到预定地理区域在第二时间段内的任务的转移量作为用户群体对任务的需求数量数据。本发明实施例可以通过相似度矩阵缓解任务转移量序列的稀疏性，并准确预测不同区域间任务的转移情况以估计用户对物品的需求情况。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是本发明实施例的硬件系统架构的示意图；

图2是本发明第一实施例的数据处理方法的流程图；

图3是本发明实施例的目标区域在子时间段T1的子序列的示意图；

图4是本发明实施例的目标区域的第一相似度矩阵的示意图；

图5是本发明实施例的目标区域中各子区域的地理位置的示意图；

图6是本发明第一实施例的数据处理方法的数据流程图；

图7是本发明第二实施例的数据处理装置的示意图；

图8是本发明第三实施例的电子设备的示意图。

具体实施方式

以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明实施例中，以任务为共享单车的租赁订单为例进行说明。但是本领域技术人员容易理解，在任务为其他任务，例如网约车订单、车辆代驾订单、货运任务等时，本实施例的方法同样适用。

在日常生活中，用户可以通过网络购买心仪的商品、预约网约车、解锁使用共享单车等。以共享单车技术领域为例，共享单车平台是一种在校园、地铁站点、公交站点、居民区等公共服务区为用户提供自行车共享服务的线上租赁平台。随着共享单车使用用户的不断增长，共享单车的使用频率变得越加频繁。用户可以通过解锁共享单车的方式在共享单车平台发布共享单车的租赁订单。用户骑乘同一辆共享单车后往往不会回到原先出发的位置，例如从住宅骑行到地铁站，因此与租赁订单的开始时刻相比，共享单车在租赁订单结算时有较大可能会发生位置的转移。共享单车的位置转移也即租赁订单的位置转移，而使用频率的加快使得不同区域间共享单车的转移频率较高，因此现有技术很难准确估计租赁订单的转移规律。

图1是本发明实施例的硬件系统架构的示意图。图1所示的硬件系统架构包括至少一个用户终端11、至少一个共享单车12和至少一个平台侧服务器（下述也即服务器）13，图1以一个用户终端11、一个共享单车12和一个服务器13为例进行说明。用户终端11、共享单车12和服务器13可以通过网络进行通信连接。在共享单车租赁的应用场景中，用户可以通过用户终端11上配置的共享单车租赁客户端（如APP、小程序等）扫描共享单车12上设置的二维码以解锁并使用共享单车12。用户在扫描共享单车12的二维码的同时，用户终端11可以向共享单车平台发送共享单车12的租赁订单生成请求，以使得服务器13可以获取到租赁订单生成请求并生成共享单车12的租赁订单。共享单车12配置有定位装置，因此在用户的整个骑乘过程中，可以获取自身的位置信息并上报给服务器12，以使得服务器12至少可以记录共享单车12在解锁时和关锁时的位置信息。

在本发明实施例中，服务器12可以获取预定的地理区域（也即，目标区域）在第一时间段内的任务转移量序列，并基于第一编码模块，根据任务转移量序列获取目标区域对应的第一编码特征。服务器12也可以获取目标区域对应的第一相似度矩阵，并基于第二编码模块，根据第一编码特征以及第一相似度矩阵确定目标区域对应的第二编码特征。从而，服务器12可以基于解码模块，根据第二编码特征确定目标区域在第二时间段内的任务转移量矩阵。

其中，任务转移量序列包括目标区域内各子区域在第一时间段的多个子时间段内产生的任务转移量数据，任务转移量数据表征起始位置位于目标区域的子目标区域且终止位置位于非目标子区域的任务的数量。第一相似度矩阵包括各子区域的第一相似度数据，且第一相似度数据表征目标子区域的第一兴趣点分布数据与非目标子区域的第二兴趣点分布数据的相似度。任务转移量矩阵包括各子区域在第二时间段内的任务转移量数据。

在本发明实施例的一种可选的实现方式中，服务器12还可以根据任务转移量矩阵确定目标区域中各子区域在第二时间段内的对象转移数据。其中，对象转移数据表征起始位置位于目标子区域且终止位置位于非目标子区域的任务对应的对象的数量。

下面通过方法实施例对本发明实施例的数据处理方法进行说明。图2是本发明第一实施例的数据处理方法的流程图。如图2所示，本实施例的方法包括如下步骤：

步骤S100，获取目标区域在第一时间段内的任务转移量序列。

在本步骤中，服务器可以将预定的地理区域确定为目标区域，并在地图平面对目标区域进行等间距划分并编号，确定目标区域对应的多个子区域。在确定多个子区域后，服务器可以分别获取各子区域在各第一时间段内的各子时间段产生的任务转移量数据，并分别将各子区域在同一子时间段产生的任务转移量数据转化为一个子序列，从而根据第一时间段对应的各子序列确定目标区域对应的任务转移量序列。具体地，在本实施例中，第一时间段中各子时间段的时间段长度相同，例如，均可以为1小时、2小时、1天、1周等。

容易理解，在本实施例中，各子时间段可以为连续的时间段，也可以为不连续的时间段。例如，第一时间段可以为2022年2月20日的0点-24点，第一时间段可以包括0:00-1:00、1:00-2:00、2:00-3:00等24个子时间段；或者第一时间段可以为2022年2月21日-2022年2月27日中每日的15:00-16:00，第一时间段可以包括2022年2月21日的15:00-16:00、2022年2月22日的15:00-16:00等7个子时间段。

在本实施例中，目标区域可以被划分成M×N（其中，M和N均为大于1的预定整数）个大小相同且互不重叠的子区域，因此目标区域通常为方形区域，但是可选地，目标区域也可以为其他形状的区域，例如多边形区域，子区域之间的大小可以不同，且子区域也可以为其他形状的区域。间距可以根据实际需求设定，例如可以根据目标区域的长度以及宽度、预定的划分精度（例如，划分精度为将子区域划分成3km×3km大小的矩形）等来确定。

任务转移量数据表征起始位置位于目标区域的子目标区域且终止位置位于非目标子区域的任务的数量。目标区域内的各子区域均可以被确定为目标子区域，也均可以被确定为非目标子区域。容易理解，本实施例的目标子区域和非目标子区域可以同时为同一子区域。

例如，目标区域包括区域a1、区域a2、区域a3、区域a和区域a5，在目标子区域为目标子区域内的区域a1时，区域a1对应的任务转移量数据包括起始位置在区域a1且终止区域分别在区域a1、区域a2、区域a3、区域a和区域a5的任务的数量。

图3是本发明实施例的目标区域在子时间段T1的子序列的示意图。图3以将目标区域划分为6个子区域，也即区域a1、区域a2、区域a3、区域a4、区域a5和区域a6为例进行说明。如图3所示，m(i,j)为在子时间段T1内，起始位置在区域ai且终止位置在区域aj的任务的数量，其中i和j分别为大于等于1且小于等于6的整数。

例如，目标区域为区域A1，第一时间段为2022年2月20日的0点-24点，第一时间段内的每1小时为一个子时间段，也就是说，第一时间段可以包括0:00-1:00、1:00-2:00、2:00-3:00等24个子时间段。服务器可以在地图平面对区域A1进行等间距划分，得到区域A1对应的四个子区域，分别为子区域a1、子区域a2、子区域a3和子区域a4。然后，以子时间段为9:00-10:00为例，服务器可以分别获取子区域a1、子区域a2、子区域a3和子区域a4在9:00-10:00内产生的任务转移量数据，并将子区域a1、子区域a2、子区域a3和子区域a4在同一子时间段内产生的原始业务数据确定为一个子序列，并按照24个子序列对应的子时间段顺序，也即0:00-1:00->23:00-24:00的顺序确定区域A1在2022年2月20日的0点-24点内的任务转移量序列。

步骤S200，基于第一编码模块，根据任务转移量序列获取目标区域对应的第一编码特征。

在得到目标区域在第一时间段内的任务转移量序列后，服务器可以以任务转移量序列为第一编码模块的输入，获取目标区域的第一编码特征。

任务转移量序列是一个时间序列，因此在本实施例中，为了保证对时间序列的编码能力，第一编码模块可以为循环神经网络模块。RNN是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。RNN具有记忆性，参数共享且图灵完备（在计算性理论里，如果一系列操作数据的规则，如指令集、编程语言、细胞自动机可以用来模拟单带图灵机，则该规则是图灵完备的），因此在对序列的非线性特征进行学习时具有一定优势。进一步地，本实施例的第一编码模块可以为现有的循环神经网络模块，如长短期记忆网络（STTM，Long Short-Term Memory）模块、双向循环神经网络（Bi-RNN，Bidirectional RNN）模块等。

步骤S300，获取目标区域对应的第一相似度矩阵。

任务转移量序列通常较为稀疏（也即，序列中值为0的元素较多），因此为了缓解任务转移量系列的稀疏性，本实施例还可以获取目标区域对应的相似度矩阵。

在本实施例中，目标区域对应的第一相似度矩阵中包括各子区域的第一相似度数据，第一相似度数据表征目标子区域的第一兴趣点分布数据与非目标子区域的第二兴趣点分布数据的相似度。

兴趣点（POI，Point Of Interest）在地理信息系统中可以用来表征一个建筑或者设施，例如，兴趣点可以为居民楼、商铺、邮局、公交站等。可选地，可以将相同类型的兴趣点通过同一兴趣点标识来表示，例如公交站P1和公交站P2均可以用“公交站”的兴趣点标识来表示。

本实施例的第一兴趣点分布数据可以表征目标子区域内各兴趣点的分布数量或分布情况，第二兴趣点分布数据可以保证非目标子区域内各兴趣点的分布数量或分布情况。可选地，第一兴趣点分布数据和第二兴趣点分布数据均可以通过向量表征，用于表征第一兴趣点分布数据和第二兴趣点分布数据的兴趣点分布向量中的各元素表征对应兴趣点在目标子区域或在非目标子区域内的分布数量或分布情况。

分布情况表征对应兴趣点是否存在。具体地，在兴趣点分布向量中的各元素表征对应兴趣点在目标子区域或在非目标子区域内的分布情况时，可以用0来表示对应兴趣点在目标子区域或在非目标子区域内中不存在，并用1来表示对应兴趣点在目标子区域或在非目标子区域内中存在。

在本步骤中，服务器可以预先统计目标区域内各兴趣点的类型，并统计各子区域的兴趣点分布数据，从而根据兴趣点分布数据确定各子区域对应的兴趣点分布向量。

例如，区域A2（也即，兴趣区域内）分布的兴趣点类型包括兴趣点p1、兴趣点p2、兴趣点p3、兴趣点p4、兴趣点p5、兴趣点p6、兴趣点p7、兴趣点p8、兴趣点p9和兴趣点p10。区域a1（也即，子区域）中分布有2个兴趣点p1、5个兴趣点p2、3个兴趣点p5、2个兴趣点p8和6个兴趣点p10，其余兴趣点类型的数量均为0，服务器可以确定区域a1对应的兴趣点分布向量为(2,5,0,0,3,0,0,2,0,6)。

再例如，区域A2分布的兴趣点类型包括兴趣点p1、兴趣点p2、兴趣点p3、兴趣点p4、兴趣点p5、兴趣点p6、兴趣点p7、兴趣点p8、兴趣点p9和兴趣点p10。区域a1中分布有兴趣点p1、兴趣点p2、兴趣点p5、兴趣点p8和兴趣点p10，其余兴趣点类型均无分布，服务器可以确定区域a1对应的兴趣点分布向量为(1,1,0,0,1,0,0,1,0,1)。

在得到各子区域的兴趣点分布向量后，服务器可以确定各子区域对应的第一相似度数据。可选地，服务器可以通过各种现有的方式计算各目标子区域与非目标子区域间的相似度，例如欧几里得距离（也即，欧式距离）、皮尔逊相关系数、余弦相似度、杰卡德相似系数等。

各子区域间的相似度越高，表明子区域间任务的数量转移情况相似的可能性越高，因此即使部分子区域在第一时间段的某一个或多个子时间段内的任务转移量数据是稀疏的，也可以根据与这部分子区域相似的子区域的任务转移量数据来预测这部分子区域在未来的第二时间段内的任务转移量数据，有效缓解了任务转移量序列的稀疏性给任务转移量数据的预测带来的负面影响。

容易理解，本实施例的目标子区域和非目标子区域可以同时为同一子区域，因此各目标子区域对应的第一相似度数据同样可以包括各目标子区域的第一兴趣点分布数据与自身的相似度。例如，目标区域包括区域a1、区域a2、区域a3、区域a和区域a5，在目标子区域为目标子区域内的区域a1时，区域a1对应的第一相似度数据包括区域a1与区域a1、区域a2、区域a3、区域a和区域a5的第一兴趣点分布数据的相似度。

图4是本发明实施例的目标区域的第一相似度矩阵的示意图。图4以将目标区域划分为6个子区域，也即区域a1、区域a2、区域a3、区域a4、区域a5和区域a6为例进行说明。如图4所示，S(i,j)为区域ai的第一兴趣点分布数据与区域aj的第二兴趣点分布数据的相似度，其中i和j分别为大于等于1且小于等于6的整数。

容易理解，各区域的各子区域内兴趣点的数量和类型的变化频率通常较低，因此为了降低服务器的计算负担，可以间隔较长的时间（如一个月）获取一次各区域的各子区域的兴趣点分布数据，并根据各子区域的兴趣点分布数据确定对应区域的第一相似度矩阵。可选地，服务器还可以将各区域的第一相似度矩阵存入数据库，以根据目标区域的区域标识直接从数据库获取目标区域的第一相似度矩阵。

同时容易理解，在本实施例中，步骤S100和步骤S300可以同时执行，也可以先后执行，本实施例不做限制。

步骤S400，基于第二编码模块，根据第一编码特征以及第一相似度矩阵确定目标区域对应的第二编码特征。

在本步骤中，服务器可以以第一编码特征和第一相似度矩阵为第二编码模块的输入，获取目标区域的第二编码特征。

第一编码特征和第一相似度矩阵包含区域间各子区域（也即，节点）间的拓扑结构和节点信息，因此为了保留节点间的拓扑结构和节点信息，第二编码模块可以为图神经网络（GNN，Graph Neural Network）模块。图神经网络旨在通过保留图的网络拓扑结构和节点信息，将网络节点表示到低维向量空间中，以使得后续的分析任务（在本实施例中，也即预测各子区域的任务转移量数据）可以通过简单的线程学习机算法（例如支持向量机）实现。图神经网络分别在每个节点上传播，忽略的节点之间输入的顺序，且能够依赖各节点周围的状态来更新节点的状态。进一步地，本实施例的第二编码模块可以为现有的图神经网络模块，如基本图神经网络（BGNN，Basic Graph Neural Network）模块、图卷积网络（GCN，Graph Convolutional Network）模块、图注意力网络（GAN，Graph Attention Network）模块等。

可选地，本实施例的第二编码模块为图卷积网络模块，且图卷积网络模块为三层结构。第二编码模块的第l层的输出

可以通过如下公式表示：

；

其中，

为图卷积网络模块的激活函数，具体可以为sigmoid函数；

为空间子区域相邻矩阵的度矩阵；

为目标区域的第一相似度矩阵；

为第二编码模块的第(l-1)层的输出，在l为1时，

为第一编码模块的输出，也即第一编码特征；

为图卷积模块第l层的权重；

为图卷积网络模块的偏置项。

其中，空间子区域相邻矩阵用于表征目标区域内各子区域在地理位置上的相邻关系。在本实施例中，相邻关系可以表征各子区域在地理位置上是1阶临近，也就是说，如果第p个子区域与第q子区域之间没有间隔其他的子区域，则目标子区域与非目标子区域是相邻的，空间子区域相邻矩阵中第p行第q列和第q行第p列的元素均可以用1来表示，反之则不相邻，空间子区域相邻矩阵中第p行第q列和第q行第p列的元素可以用0来表示。

图5是本发明实施例的目标区域中各子区域的地理位置的示意图。如图5所示，目标区域包括子区域51、子区域52、子区域53、子区域54、子区域55和子区域56，且子区域51与子区域52和子区域54具有相邻关系，子区域52与子区域51、子区域53和子区域55具有相邻关系，子区域53与子区域52和子区域56具有相邻关系，子区域54与子区域51和子区域55具有相邻关系，子区域55与子区域52、子区域54和子区域56具有相邻关系，子区域56与子区域 53和子区域55具有相邻关系。则目标区域对应的空间子区域相邻矩阵

具体可以为：

。

步骤S500，基于解码模块，根据第二编码特征确定目标区域在第二时间段内的任务转移量矩阵。

在得到第二编码特征后，服务器可以以第二编码特征为解码模块的输入，从而得到目标区域在未来的第二时间段内的任务转移量矩阵。在本实施例中，第二时间段可以与第一时间段中的子时间段的时间长度相同，也可以不同，本实施例不做限制。

与目标区域在第一时间段内的任务转移量序列相似，目标区域在第二时间段内的任务转移量矩阵同样包括目标区域中各子区域在第二时间段内产生的任务转移量数据，且任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的任务的数量，也即用户群体在第二时间段内对起始位置位于目标子区域且终止位置位于非目标子区域的任务的需求数量。

在本实施例中，编码模块可以为各种现有的模块，如神经网络模块、支持向量机模块、全连接层模块等，在本实施例选择全连接层模块作为编码模块。

图6是本发明第一实施例的数据处理方法的数据流程图。如图6所示，服务器可以获取目标区域在第一时间段内的任务转移量序列61以及目标区域的第一相似度矩阵62，其中任务转移量序列61中的第k个子序列对应于第一时间段的第k个子时间段Tk，且k为大于等于1且小于等于n的整数。服务器可以以任务转移量序列61为第一编码模块63的输入，得到目标区域的第一编码特征，也即编码特征64，并以编码特征64和第一相似度矩阵62为第二编码模块65的输入，得到目标区域对应的第二编码特征，也即编码特征66。然后将编码特征66输入解码模块67中，得到目标区域在第二时间段内的任务转移量矩阵68。

在本实施例中，第一编码模块、第二编码模块和解码模块采用端到端的方式训练，也就是说，第一编码模块、第二编码模块和解码模块采用端到端的方式训练基于训练样本集合同时训练获得。

本实施例的训练样本集合可以包括多个训练样本，且至少部分训练样本包括目标区域在第一历史时间段内的第一历史任务转移量序列、第一相似度矩阵和目标区域在第二时间段内的第一历史任务转移量矩阵。

第一历史任务转移量序列与任务转移量序列相似，包括目标区域在第一历史时间段的多个子历史时间段内产生的第一历史任务转移量数据。为了保证各子区域在第二时间段内的任务转移量的预测的准确性，第一时间段内各子时间段的时间长度可以与各第一历史时间段内各历史子时间段的时间长度相同。第一历史任务转移量矩阵与任务转移量矩阵相似，包括目标区域在第二历史时间段内的第一历史任务转移量数据。且第一历史任务转移量数据与任务转移量数据相似，表示起始位置位于目标子区域且终止位置位于非目标子区域的历史任务的数量。

可选地，训练样本集合中的至少部分训练样本也可以包括非目标区域在第一历史时间段内的第二历史任务转移量序列、第二相似度矩阵以及目标区域在第二历史时间段内的第二历史任务转移量矩阵。

第二历史任务转移量序列与任务转移量序列相似，包括非目标区域在第一历史时间段的多个子历史时间段内产生的第二历史任务转移量数据。第二历史任务转移量矩阵与任务转移量矩阵相似，包括目标区域在第二历史时间段内的第二历史任务转移量数据。且第二历史任务转移量数据与任务转移量数据相似，表示起始位置位于预定子区域且终止位置位于非预定子区域的历史任务的数量。第二相似度矩阵与第一相似度矩阵相似，包括非目标区域内各子区域的第二相似度数据，且第二相似度数据表征预定子区域的第三兴趣点分布数据与非预定子区域的第四兴趣点分布数据的相似度。进一步地，第三兴趣点分布数据和第四兴趣点分布数据的确定方式与第一兴趣点分布数据和第二分兴趣点分布数据的确定方式相似，在此不再赘述。

容易理解，各训练样本所对应的第一历史时间段并不是同一历史时间段，但各第一历史时间段可以有部分子历史时间段时间重合。类似地，各训练样本所对应的第二历史时间段也并不是同一历史时间段，但各第二历史时间段可以有部分时间重合。

在训练阶段，第一编码模块、第二编码模块和解码模块是按照端到端的方式训练的，第一编码模块的输入为第一历史任务转移量序列或第二历史任务转移量序列，解码模块的输出（也即训练目标）为第一历史任务转移量矩阵或第二历史任务转移量矩阵，直至第一编码模块、第二编码模块和解码模块的损失函数达到收敛。可选地，损失函数可以为Cross Entropy（交叉熵）函数、均方误差损失函数、平均绝对误差损失函数等，且可以通过计算梯度反向传播的方式加快由第一编码模块、第二编码模块和解码模块组成的模型整体的迭代效率，快速确定各模块的参数。

可选地，在确定各子区域的任务转移量数据后，本实施例的方法还可以包括如下步骤：

步骤S600，根据任务转移量矩阵确定目标区域中各子区域在第二时间段内的对象转移数据。

在本实施例中，对象转移数据表征起始位置属于目标子区域且终止位置属于非目标子区域的任务对应的对象的数量，也即用户群体在第二时间段内对起始位置位于目标子区域且终止位置位于非目标子区域的对象的需求数量。

根据实际应用领域的不同，对象可以为共享单车、网约车、商品等物品，且不同任务所对应的对象的数量也不同。根据应用场景的不同，不同任务可能对应于不同数量的对象（也即，物品），例如，在共享单车租赁的应用场景中，一个租赁订单通常对应于一辆共享单车，而在货物运输的应用场景中，一个货运任务可以对应于至少一个物品，例如车辆运输的应用场景中，一个货运任务可以对应于6台车辆。因此在确定目标区域在第二时间段内的任务转移矩阵后，服务器可以根据任务数量与对象数量的对应关系确定各子区域在第二时间段内的对象转移数据。

在确定对象转移数据后，服务器可以获取各子区域内对象的实际数量，并根据预测得到的用户群体在第二时间段内对起始位置位于目标子区域且终止位置位于非目标子区域的对象的需求数量对各子区域内的对象的数量进行补充或减少，以满足用户需求。

本实施例获取预定地理区域中各子区域间的兴趣点分布数据的相似度矩阵和由各子区域在第一时间段的各子时间段内任务的转移量构成的任务转移量序列，并以任务转移量序列为第一编码模块的输入，获取预定地理区域对应的第一编码特征，以第一编码特征和相似度矩阵为第二编码模块的输入，获取预定地理区域对应的第二编码特征，然后将第二编码特征输入解码模块中，得到预定地理区域在第二时间段内的任务的转移量作为用户群体对任务的需求数量数据。本实施例可以通过相似度矩阵缓解任务转移量序列的稀疏性，并准确预测不同区域间任务的转移情况以估计用户对物品的需求情况。

图7是本发明第二实施例的数据处理装置的示意图。如图7所示，本实施例的数据处理装置包括第一获取单元701、第一编码单元702、第二获取单元703、第二编码单元704和解码单元705。

其中，第一获取单元701用于获取目标区域在第一时间段内的任务转移量序列，所述任务转移量序列包括所述目标区域中各子区域在所述第一时间段的多个子时间段内产生的任务转移量数据，所述任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的任务的数量，所述目标区域为预定的地理区域。第一编码单元702用于基于第一编码模块，根据所述任务转移量序列获取所述目标区域对应的第一编码特征。第二获取单元703用于获取所述目标区域对应的第一相似度矩阵，所述第一相似度矩阵包括各子区域的第一相似度数据，所述第一相似度数据表征所述目标子区域的第一兴趣点分布数据与所述非目标子区域的第二兴趣点分布数据的相似度。第二编码单元704用于基于第二编码模块，根据所述第一编码特征以及所述第一相似度矩阵确定所述目标区域对应的第二编码特征。解码单元705用于基于解码模块，根据所述第二编码特征确定所述目标区域在第二时间段内的任务转移量矩阵，所述任务转移量矩阵包括各子区域在所述第二时间段内的任务转移量数据。

进一步地，所述装置还包括确定单元706。

其中，确定单元706用于根据所述任务转移量矩阵确定所述目标区域中各子区域在所述第二时间段内的对象转移数据，所述对象转移数据表征起始位置位于所述目标子区域且终止位置位于所述非目标子区域的任务对应的对象的数量。

进一步地，所述第一兴趣点分布数据表征所述目标子区域内各兴趣点的分布数量或分布情况，所述第二兴趣点分布数据表征所述非目标子区域内各兴趣点的分布数量或分布情况，所述分布情况用于表征对应兴趣点是否存在。

进一步地，所述第一编码模块、第二编码模块和所述解码模块基于训练样本集合同时训练获得，所述训练样本集合中的至少部分训练样本包括所述目标区域在第一历史时间段内的第一历史任务转移量序列、所述第一相似度矩阵以及所述目标区域在所述第二历史时间段内的第一历史任务转移量矩阵，所述第一历史任务转移量序列包括各子区域在所述第一历史时间段的多个子历史时间段内产生的第一历史任务转移量数据，所述第一历史任务转移量矩阵包括各子区域在所述第二历史时间段内的第一历史任务转移量数据，所述第一历史任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的历史任务的数量。

进一步地，所述训练样本集合中的至少部分训练样本包括非目标区域在所述第一历史时间段内的第二历史任务转移量序列、第二相似度矩阵以及所述目标区域在所述第二历史时间段内的第二历史任务转移量矩阵，所述第二历史任务转移量序列包括非目标区域内各子区域在所述第一历史时间段的多个子历史时间段内产生的第二历史任务转移量数据，所述第二历史任务转移量矩阵包括所述非目标区域内各子区域在所述第二历史时间段内的第二历史任务转移量数据，所述第二历史任务转移量数据表征起始位置位于预定子区域且终止位置位于非预定子区域的历史任务的数量，所述第二相似度矩阵包括所述非目标区域内各子区域的第二相似度数据，所述第二相似度数据表征所述预定子区域的第三兴趣点分布数据与所述非预定子区域的第四兴趣点分布数据的相似度。

进一步地，所述第三兴趣点分布数据表征所述预定子区域内各兴趣点的分布数量或分布情况，所述第四兴趣点分布数据表征所述非预定子区域内各兴趣点的分布数量或分布情况，所述分布情况用于表征对应兴趣点是否存在。

进一步地，所述第一编码模块为循环神经网络模块，所述第二编码模块为图神经网络模块，所述解码模块为全连接层。

图8是本发明第三实施例的电子设备的示意图。图8所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器801和存储器802。处理器801和存储器802通过总线803连接。存储器802适于存储处理器801可执行的指令或程序。处理器801可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器801通过执行存储器802所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线803将上述多个组件连接在一起，同时将上述组件连接到显示控制器804和显示装置以及输入/输出（I/O）装置805。输入/输出（I/O）装置805可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出（I/O）装置805通过输入/输出（I/O）控制器806与系统相连。

其中，存储器802可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。

上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解，流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。

同时，如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外，本发明的方面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可读介质具有在其上实现的计算机可读程序代码。

可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。

计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。

用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种数据处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述任务转移量矩阵确定所述目标区域中各子区域在所述第二时间段内的对象转移数据，所述对象转移数据表征起始位置位于所述目标子区域且终止位置位于所述非目标子区域的任务对应的对象的数量。

3.根据权利要求1所述的方法，其特征在于，所述第一兴趣点分布数据表征所述目标子区域内各兴趣点的分布数量或分布情况，所述第二兴趣点分布数据表征所述非目标子区域内各兴趣点的分布数量或分布情况，所述分布情况用于表征对应兴趣点是否存在。

4.根据权利要求1所述的方法，其特征在于，所述第一编码模块、第二编码模块和所述解码模块基于训练样本集合同时训练获得，所述训练样本集合中的至少部分训练样本包括所述目标区域在第一历史时间段内的第一历史任务转移量序列、所述第一相似度矩阵以及所述目标区域在第二历史时间段内的第一历史任务转移量矩阵，所述第一历史任务转移量序列包括各子区域在所述第一历史时间段的多个子历史时间段内产生的第一历史任务转移量数据，所述第一历史任务转移量矩阵包括各子区域在所述第二历史时间段内的第一历史任务转移量数据，所述第一历史任务转移量数据表征起始位置位于目标子区域且终止位置位于非目标子区域的历史任务的数量。

5.根据权利要求4所述的方法，其特征在于，所述训练样本集合中的至少部分训练样本包括非目标区域在所述第一历史时间段内的第二历史任务转移量序列、第二相似度矩阵以及所述非目标区域在所述第二历史时间段内的第二历史任务转移量矩阵，所述第二历史任务转移量序列包括非目标区域内各子区域在所述第一历史时间段的多个子历史时间段内产生的第二历史任务转移量数据，所述第二历史任务转移量矩阵包括所述非目标区域内各子区域在所述第二历史时间段内的第二历史任务转移量数据，所述第二历史任务转移量数据表征起始位置位于预定子区域且终止位置位于非预定子区域的历史任务的数量，所述第二相似度矩阵包括所述非目标区域内各子区域的第二相似度数据，所述第二相似度数据表征所述预定子区域的第三兴趣点分布数据与所述非预定子区域的第四兴趣点分布数据的相似度。

6.根据权利要求5所述的方法，其特征在于，所述第三兴趣点分布数据表征所述预定子区域内各兴趣点的分布数量或分布情况，所述第四兴趣点分布数据表征所述非预定子区域内各兴趣点的分布数量或分布情况，所述分布情况用于表征对应兴趣点是否存在。

7.根据权利要求1所述的方法，其特征在于，所述第一编码模块为循环神经网络模块，所述第二编码模块为图神经网络模块，所述解码模块为全连接层。

8.一种数据处理装置，其特征在于，所述装置包括：

9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。

10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。

11.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行以实现如权利要求1-7中任一项所述的方法。