CN114780870B - 订单量预测方法、系统、装置、服务器、终端和存储介质 - Google Patents

订单量预测方法、系统、装置、服务器、终端和存储介质 Download PDF

Info

Publication number
CN114780870B
CN114780870B CN202210397168.5A CN202210397168A CN114780870B CN 114780870 B CN114780870 B CN 114780870B CN 202210397168 A CN202210397168 A CN 202210397168A CN 114780870 B CN114780870 B CN 114780870B
Authority
CN
China
Prior art keywords
graph
order quantity
sub
quantity prediction
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210397168.5A
Other languages
English (en)
Other versions
CN114780870A (zh
Inventor
曹绍升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Qisheng Technology Co Ltd
Original Assignee
Beijing Qisheng Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Qisheng Technology Co Ltd filed Critical Beijing Qisheng Technology Co Ltd
Priority to CN202210397168.5A priority Critical patent/CN114780870B/zh
Publication of CN114780870A publication Critical patent/CN114780870A/zh
Application granted granted Critical
Publication of CN114780870B publication Critical patent/CN114780870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)

Abstract

本公开实施例涉及一种订单量预测方法、系统、装置、服务器、终端和存储介质。所述方法包括：接收用户终端发送的位置信息；根据位置信息对应的待预测区域的图关系结构，确定多个子图关系结构；根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果；向用户终端发送订单量预测结果，以使用户终端在电子地图中的待预测区域中展示订单量预测结果。采用本方法能够提高对目标区域未来时间段内的订单需求量的预测效率。

Description

订单量预测方法、系统、装置、服务器、终端和存储介质
技术领域
本公开实施例涉及信息处理技术领域，特别是涉及一种订单量预测方法、系统、装置、服务器、终端和存储介质。
背景技术
随着通信技术的发展，用户对于交通工具的需求越来越广泛。对未来一段时间内目标区域中交通工具的订单需求量进行预测，可以帮助用户更有效地接单，也可以帮助运维人员更好地对目标区域的交通工具进行分配管理。以两轮车为例，对未来一段时间内目标区域的两轮车需求量进行预测，可以帮助运维人员在每个区域合理分配车辆，对用户来说可以降低寻找车辆的时间。
传统技术中，主要是通过图神经网络对目标区域未来时间段内的订单需求量进行预测。然而，传统的预测方法，存在预测效率较低的问题。
发明内容
本公开实施例提供一种订单量预测方法、系统、装置、服务器、终端和存储介质，可以用于提高对目标区域未来时间段内的订单需求量的预测效率。
第一方面，本公开实施例提供一种订单量预测方法，所述方法包括：
接收用户终端发送的位置信息；
根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构；
根据所述待预测区域的特征信息、各所述子图关系结构和预设的图卷积神经网络模型，获取所述待预测区域的订单量预测结果；
向所述用户终端发送所述订单量预测结果，以使所述用户终端在电子地图中的所述待预测区域中展示所述订单量预测结果。
第二方面，本公开实施例提供一种订单量预测方法，所述方法包括：
向服务器发送位置信息；
接收所述服务器发送的订单量预测结果；所述订单量预测结果为所述服务器根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，并根据所述待预测区域的特征信息、各所述子图关系结构和预设的图卷积神经网络模型得到的；
在电子地图中的所述待预测区域中展示所述订单量预测结果。
第三方面，本公开实施例提供一种订单量预测系统，所述系统包括服务器和终端；
所述服务器，用于执行如第一方面所述的订单量预测方法；
所述终端，用于执行如第二方面所述的订单量预测方法。
第四方面，本公开实施例提供一种订单量预测装置，所述装置包括：
接收模块，用于接收用户终端发送的位置信息；
确定模块，用于根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构；
第一获取模块，用于根据所述待预测区域的特征信息、各所述子图关系结构和预设的图卷积神经网络模型，获取所述待预测区域的订单量预测结果；
发送模块，用于向所述用户终端发送所述订单量预测结果，以使所述用户终端在电子地图中的所述待预测区域中展示所述订单量预测结果。
第五方面，本公开实施例提供一种订单量预测装置，所述装置包括：
发送模块，用于向服务器发送位置信息；
接收模块，用于接收所述服务器发送的订单量预测结果；所述订单量预测结果为所述服务器根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，并根据所述待预测区域的特征信息、各所述子图关系结构和预设的图卷积神经网络模型得到的；
展示模块，用于在电子地图中的所述待预测区域中展示所述订单量预测结果。
第六方面，本公开实施例提供一种服务器，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第七方面，本公开实施例提供一种终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第二方面所述的方法。
第八方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面和第二方面所述的方法。
第九方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面和第二方面所述的方法。
本公开实施例提供的订单量预测方法、系统、装置、服务器、终端和存储介质，首先根据用户终端发送的位置信息对应的待预测区域的图关系结构，确定了多个子图关系结构，而子图关系结构相比于图关系结构的信息量较小，这样根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果的处理过程将较为简单，使得图卷积神经网络模型能够快速地对子图关系结构进行处理，从而提高了获取待预测区域的订单量预测结果的效率，进而可以快速地向用户终端发送订单量预测结果，使得用户终端能够在电子地图中的待预测区域中及时地展示订单量预测结果，确保了对待预测区域的订单量预测结果的展示及时性。
附图说明
图1为一个实施例中订单量预测方法的应用环境图；
图2为一个实施例中订单量预测方法的流程示意图；
图3为一个实施例中根据待预测区域的图关系结构确定子图关系结构的示意图；
图4为另一个实施例中订单量预测方法的流程示意图；
图5为另一个实施例中订单量预测方法的流程示意图；
图6为另一个实施例中订单量预测方法的流程示意图；
图7为另一个实施例中订单量预测方法的流程示意图；
图8为一个实施例中订单量预测系统的结构示意图；
图9为一个实施例中订单量预测装置的结构框图；
图10为一个实施例中订单量预测装置的结构框图；
图11为一个实施例中服务器的内部结构图；
图12为一个实施例中用户终端的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。
首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。对未来一段时间内目标区域中交通工具的订单需求量进行预测，可以帮助用户更有效地接单，也可以帮助运维人员更好地对目标区域的交通工具进行分配管理，目前，对目标区域未来时间段内的订单需求量进行预测主要是通过图神经网络进行预测，但是，目前的预测方法需要将目标区域的全量图网络结构图输入到图神经网络中，而真实场景下的数据总量较大，导致传统的预测方法存在预测效率较低的问题。有鉴于此，如何解决对目标区域未来时间段内的订单需求量预测效率较低的问题，成为目前亟待解决的难题。另外，需要说明的是，从确定传统的预测方法存在预测效率较低的问题以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。
本公开实施例提供的订单量预测方法，可以应用于如图1所示的应用环境中。其中，用户终端102通过网络与服务器104进行通信。用户终端102可以将自身所在位置的位置信息发送给服务器104，也可以将待预测区域的位置信息发送给服务器104，服务器104接收到用户终端102发送的位置信息后，根据位置信息对该位置信息对应的待预测区域的订单量进行预测，得到订单量预测结果，并将得到的订单量预测结果发送给用户终端进行展示。其中，用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是，本申请实施例提供的订单量预测方法可以应用于共享单车的需求量预测、网约车的需求量预测、代驾司机的需求量预测、货运司机的需求量预测、货物配送员的需求量预测、物流的需求量预测等场景中。
在一个实施例中，如图2所示，提供了一种订单量预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S201，接收用户终端发送的位置信息。
其中，用户终端发送的位置信息可以为用户所在区域的位置信息，也可以为用户确定的待预测区域的位置信息。可选的，该位置信息可以为经纬度信息，也可以为三维坐标信息。可选的，用户终端可以对位置信息进行加密，将加密后的位置信息发送给服务器，也就是说，服务器接收到的上述位置信息为加密后的位置信息。可选的，用户终端可以通过与服务器间的蓝牙通信连接，将位置信息发送给服务器，或者，也可以通过与服务器间的网络通信连接，将位置信息发送给服务器。可选的，服务器可以按照预设的时间间隔接收用户终端发送的位置信息，也可以实时地接收用户终端发送的位置信息。可选的，上述位置信息中还可以携带用户的需求类型，例如，用户的需求类型可以为对该位置信息附近的共享单车的需求量进行预测、对该位置信息附近的网约车的需求量进行预测、对该位置信息附近的货运司机的需求量进行预测。
示例性地，以对地铁站附近的共享单车的订单量预测为例，则上述位置信息可以为地铁站的位置信息；以办公楼附近的网约车的订单量预测为例，则上述位置信息可以为办公楼的位置信息。可选的，上述用户终端可以为用户手持的终端，例如，手机、个人计算机、可穿戴设备等，也可以为车载终端，例如车辆上的中控设备等。
S202，根据位置信息对应的待预测区域的图关系结构，确定多个子图关系结构。
具体地，服务器接收到用户终端发送的位置信息后，可以根据该位置信息在地图中查找到该位置信息对应的待预测区域，构建该位置信息对应的待预测区域的图关系结构，根据图关系结构确定多个子图关系结构。可选的，服务器可以从待预测区域中确定出兴趣点，例如，学习、商铺、办公楼等，以确定的兴趣点为节点，各兴趣点间的连接关系为路径，构建上述图关系结构；或者，服务器也可以将上述待预测区域进行网格划分，以划分后的各网格为节点，以划分后的各网格间的连接关系为路径，构建上述图关系结构。进一步地，作为一种可选的实施方式，服务器可以从上述图关系结构的所有节点中选取目标节点，以选取的目标节点和各目标节点间的连接关系为路径确定出多个子图关系结构；或者，服务器也可以从上述图关系结构的所有节点中剔除上述目标节点，将得到的图关系结构确定为子图关系结构。
S203，根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果。
其中，待预测区域的特征信息为影响待预测区域的订单量的信息，可选的，待预测区域的特征信息可以包括待预测区域的天气信息、交通信息、人流量信息和时间信息中的至少一个。可选的，待预测区域的订单量预测结果可以为待预测区域未来一小时内的订单量，也可以为待预测区域未来两小时内的订单量。可选的，待预测区域的订单量预测结果可以数值，也可以为待预测区域的订单量变化浮动值。可选的，服务器可以将待预测区域的特征信息和各子图关系结构输入预设的图卷积神经网络模型，得到待预测区域的订单量预测结果；或者，服务器也可以将待预测区域的特征信息和各子图关系结构输入预设的图卷积神经网络模型，得到各子图关系结构对应的订单量预测结果，根据各子图关系结构对应的订单量预测结果，得到待预测区域的订单量预测结果。
S204，向用户终端发送订单量预测结果，以使用户终端在电子地图中的待预测区域中展示订单量预测结果。
可选的，服务器可以通过与用户终端间的蓝牙连接，将待预测区域的订单量预测结果发送给用户终端；或者，服务器也可以通过与用户终端间的网络连接，将待预测区域的订单量预测结果发送给用户终端。可选的，用户终端可以在电子地图中的待预测区域中以热力图和/或数值的方式展示待预测区域的订单量预测结果。可选的，用户终端接收到上述订单预测结果后，可以控制自身的显示屏在电子地图中与上述位置信息对应的待预测区域对接收到的订单量预测结果进行展示，以使用户及时地获取到待预测区域的订单量预测结果。可选的，用户终端在电子地图中的待预测区域中展示订单量预测结果的同时，还可以在电子地图中对该订单量预测结果所对应的用户的需求类型进行展示。
上述订单量预测方法中，服务器首先根据用户终端发送的位置信息对应的待预测区域的图关系结构，确定了多个子图关系结构，而子图关系结构相比于图关系结构的信息量较小，这样根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果的处理过程将较为简单，使得图卷积神经网络模型能够快速地对子图关系结构进行处理，从而提高了获取待预测区域的订单量预测结果的效率，进而可以快速地向用户终端发送订单量预测结果，使得用户终端能够在电子地图中的待预测区域中及时地展示订单量预测结果，确保了对待预测区域的订单量预测结果的展示及时性。
进一步地，在一个实施例中，上述S202，包括：重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；其中，迭代操作包括：从图关系结构的所有节点中确定至少三个目标节点，根据各目标节点之间的连接关系构建子图关系结构。
可选的，在本实施例中，服务器可以从图关系结构的所有节点中任意确定出至少三个目标节点，根据各目标节点之间的连接关系构建子图关系结构，重复执行该迭代操作，直至达到预设的迭代次数，停止执行该迭代操作，得到多个子图关系结构。或者，服务器可以把上述图关系结构的所有节点的度作为权重进行加权采样，利用加权采样后的各节点的度确定目标节点，根据各目标节点之间的连接关系构建子图关系结构，重复执行该迭代操作，直至达到预设的迭代次数，停止执行该迭代操作，得到多个子图关系结构。或者，用户也可以定义出重要节点并赋予特定权重，服务器从用户定义出的重要节点中确定目标节点，根据各目标节点之间的连接关系构建子图关系结构，重复执行该迭代操作，直至达到预设的迭代次数，停止执行该迭代操作，得到多个子图关系结构。
可选的，预设的迭代次数可以是用户根据历史经验值所设定的值，或者，预设的迭代次数也可以为服务器遍历完上述图关系结构中的所有节点所需的次数。可以理解的是，在本实施例中，多个子图关系结构的数量与服务器执行的迭代操作的次数相同，例如，若服务器重复执行了十次迭代操作，则服务器将得到十个子图关系结构。示例性地，请参见图3，图3中左侧的图关系结构为待预测区域的图关系结构，图3中右侧的图关系结构为服务器从待预测区域的图关系结构的所有节点中确定出目标节点，根据各目标节点之间的连接关系所构建的子图关系结构。
本实施例中，由于服务器从图关系结构的所有节点中确定至少三个目标节点，根据各目标节点之间的连接关系构建子图关系结构的操作十分简单，从而可以通过重复执行该迭代操作，快速地得到多个子图关系结构，提高了得到多个子图关系结构的效率。
在上述根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果的场景中，在一个实施例中，如图4所示，上述S203，包括：
S301，将特征信息和各子图关系结构输入图卷积神经网络模型，得到各子图关系结构对应的候选订单量预测结果。
示例性地，以服务器得到的多个子图关系结构为10个子图关系结构为例，服务器可以依次将待预测区域的特征信息和10个子图关系结构输入上述图卷积神经网络模型，得到10个子图关系结构对应的候选订单量预测结果。可选的，服务器可以分别将待预测区域和各子图关系结构输入图卷积神经网络模型，得到各子图关系结构对应的候选订单量预测结果，或者，服务器可以将待预测区域和各子图关系结构同时输入上述图卷积神经网络模型，得到各子图关系结构对应的候选订单量预测结果。
S302，根据各子图关系结构对应的候选订单量预测结果，确定订单需求量预测结果。
可选的，服务器可以将各子图关系结构对应的候选订单量预测结果的平均值确定为上述待预测区域的订单需求量预测结果。或者，服务器也可以将各子图关系结构对应的候选订单量预测结果中的异常结果剔除，将剔除后的各子图关系结构对应的候选订单量预测结果的平均值确定为上述待预测区域的订单需求量预测结果。又或者，服务器可以将各子图关系结构对应的候选订单量预测结果的加权平均值确定为上述待预测区域的订单需求量预测结果。
本实施例中，将待预测区域的特征信息和各子图关系结构输入图卷积神经网络模型，得到各子图关系结构对应的候选订单量预测结果的过程较为简单，提高了得到各子图关系结构对应的候选订单量预测结果的效率，从而可以根据各子图关系结构对应的候选订单量预测结果，快速地确定出待预测区域的订单需求量预测结果，提高了确定待预测区域的订单需求量预测结果的效率。
在上述根据用户终端发送的位置信息对应的待预测区域的图关系结构，确定多个子图关系结构的场景中，服务器需要先构建待预测区域的图关系结构。在一个实施例中，如图5所示，上述方法还包括：
S401，按照预设的划分尺寸将待预测区域划分为多个网格区域。
其中，预设的划分尺寸可以为3km x 3km，或者，5km x 5km等。可选的，服务器可以按照预设的划分尺寸采用滑窗的方式，将待预测区域划分为多个网格区域。可选的，服务器可以沿着水平方向按照预设的划分尺寸将待预测区域划分为多个网格区域，也可以沿着垂直方向按照预设的划分尺寸将待预测区域划分为多个网格区域。
S402，根据各网格区域构建图关系结构。
可选的，服务器可以通过以下两种方式，根据各网格区域构建图关系结构，下边将分别对这两种构建方式加以说明：
第一种：以各网格区域为节点，以各网格区域之间的连接关系为路径，构建图关系结构。
具体地，服务器可以将上述得到的待预测区域对应的各网格区域为节点，以各网格区域之间的连接关系为路径，构建上述待检测区域的图关系结构。
第二种：A，获取各网格区域的兴趣点向量。
具体地，在本实施例中，各网格区域中可能会包含商圈、交通枢纽、地铁站和医院等兴趣点，服务器可以根据各网格区域中包含的兴趣点，获取各网格区域的兴趣点向量。示例性地，以兴趣点包括商圈、交通枢纽、地铁站和医院为例，若网格区域A中包含商圈和地铁站，则网格区域A的兴趣点向量为[1,0,1,0]；若网格区域B中包含交通枢纽和医院，则网格区域B的兴趣点向量为[0,1,0,1]。
B，获取每两个兴趣点向量之间的相似度。
可选的，服务器可以采用相似度计算公式，获取每两个兴趣点向量之间的相似度，得到上述各网格区域的兴趣点向量中两两兴趣点向量之间的相似度。
C，将大于预设阈值的相似度对应的两个网格区域之间建立连接路径，以构建图关系结构。
具体地，服务器获取到没两个兴趣点向量之间的相似度后，服务器将大于预设阈值的相似度对应的两个网格区域之间建立连接路径，构建出上述图关系结构。
本实施例中，服务器按照预设的划分尺寸将待预测区域划分为多个网格区域的过程较为简单，能够快速地得到多个网格区域，进而可以根据各网格区域快速地构建出待预测区域的图关系结构，提高了构建待预测区域的图关系结构的效率。
在上述根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果的场景中，需要预先训练好该图卷积神经网络模型，在一个实施例中，如图6所示，上述图卷积神经网络模型的训练过程包括：
S501，获取样本区域的样本图关系结构、样本区域的样本特征信息以及样本区域的实际订单量。
可选的，服务器可以将样本区域过去某一时间段内的订单量确定为样本区域的实际订单量，将样本区域过去某一时间段内的天气信息、交通信息、人流量信息和时间信息等确定为样本区域的样本特征信息。可选的，服务器可以按照预设的划分尺寸将样本区域划分为多个样本网格区域，以各样本网格区域为节点，以各样本网格区域之间的连接关系为路径，构建样本区域的样本图关系结构；或者，服务器可以按照预设的划分尺寸将样本区域划分为多个样本网格区域，并获取各样本网格区域的兴趣点向量以及每两个兴趣点向量之间的相似度，将大于预设样本阈值的相似度对应的两个样本网格区域之间建立样本连接路径，以构建样本区域的样本图关系结构。
S502，根据样本图关系结构构建多个样本子图关系结构。
可选的，服务器可以从样本图关系结构的所有样本节点中确定出至少三个样本目标节点，根据各样本目标节点之间的连接关系构建子图关系结构，重复执行该操作，直至达到预设的迭代次数，得到多个样本子图关系结构。
S503，将样本特征信息和各样本子图关系结构输入预设的初始图卷积神经网络模型，得到样本区域的订单量预测结果。
可选的，服务器可以将样本区域的样本特征信息和各样本子图关系结构输入预设的初始图卷积神经网络模型，得到各样本子图关系结构对应的订单量预测结果，进一步地，作为一种可选的实施方式，服务器可以将各样本子图关系结构对应的订单量预测结果的平均值，确定为样本区域的订单量预测结果，或者，服务器可以将各样本子图关系结构对应的订单量预测结果的加权平均值，确定为样本区域的订单量预测结果。
S504，根据样本区域的订单量预测结果和样本区域的实际订单量，对初始图卷积神经网络模型进行训练，得到图卷积神经网络模型。
可选的，服务器可以根据样本区域的订单量预测结果和样本区域的实际订单量，得到初始图卷积神经网络模型的损失函数的值，根据初始图卷积神经网络模型的损失函数的值计算出梯度值，利用该梯度值对初始图卷积神经网络模型的参数进行调整，得到图卷积神经网络模型。
本实施例中，服务器通过获取样本区域的样本图关系结构、样本区域的样本特征信息以及样本区域的实际订单量，根据样本图关系结构能够快速地构建多个样本子图关系结构，从而可以将样本区域的样本特征信息和各样本子图关系结构输入预设的初始图卷积神经网络模型，快速地得到样本区域的订单量预测结果，进而可以根据样本区域的订单量预测结果和样本区域的实际订单量，快速地对初始图卷积神经网络模型进行训练，得到图卷积神经网络模型，提高了得到图卷积神经网络模型的效率。
在一个实施例中，如图7所示，提供了一种订单量预测方法，以该方法应用于图1中的用户终端为例进行说明，包括以下步骤：
S601，向服务器发送位置信息。
其中，用户终端向服务器发送的位置信息可以为用户所在区域的位置信息，也可以为用户确定的待预测区域的位置信息。可选的，该位置信息可以为经纬度信息，也可以为三维坐标信息。可选的，用户终端可以对位置信息进行加密，将加密后的位置信息发送给服务器。可选的，用户终端可以通过与服务器间的蓝牙通信连接，将位置信息发送给服务器，或者，也可以通过与服务器间的网络通信连接，将位置信息发送给服务器。可选的，上述位置信息中还可以携带用户的需求类型，例如，用户的需求类型可以为对该位置信息附近的共享单车的需求量进行预测、对该位置信息附近的网约车的需求量进行预测、对该位置信息附近的货运司机的需求量进行预测。
示例性地，以对地铁站附近的共享单车的订单量预测为例，则上述位置信息可以为地铁站的位置信息；以办公楼附近的网约车的订单量预测为例，则上述位置信息可以为办公楼的位置信息。可选的，上述用户终端可以为用户手持的终端，例如，手机、个人计算机、可穿戴设备等，也可以为车载终端，例如车辆上的中控设备等。
S602，接收服务器发送的订单量预测结果；订单量预测结果为服务器根据位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，并根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型得到的。
在本实施例中，用户终端接收到的服务器发送的订单量预测结果，为服务器根据上述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，并根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型得到的。服务器确定待预测区域的订单量预测结果的原理和详细步骤请参见上述实施例中S301和S302中的描述，本实施例在此不再赘述。
S603，在电子地图中的待预测区域中展示订单量预测结果。
具体地，用户终端接收到服务器发送的待预测区域的订单量预测结果后，在电子地图中的该待预测区域中展示接收到的订单量预测结果。可选的，用户终端可以在电子地图中的待预测区域中，以热力图和/或数值的方式展示待预测区域的订单预测结果。
本实施例中，用户终端向服务器发送位置信息，能够使服务器根据该位置信息对应的待预测区域的图关系结构，快速地确定出多个子图关系结构，从而可以根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型快速地得到订单预测结果，提高了得到订单量预测结果的效率，进而可以使用户终端在电子地图中的待预测区域中及时地展示订单量预测结果，提高了用户终端对订单量预测结果的展示及时性。
在一个实施例中，如图8所示，提供了一种订单量预测系统，该系统包括服务器和用户终端，服务器，用于执行上述实施例中服务器侧的订单量预测方法；用户终端，用于执行上述实施例中终端侧的订单量预测方法。
本实施例中，服务器执行的订单量预测方法的详细原理和有益效果请参见上述服务器侧的实施例中的描述，终端执行的订单量预测方法的详细原理和有益效果请参见上述终端侧的实施例中的描述，本实施例在此不再赘述。
下面结合一个具体的预测场景来介绍本公开的一个实施例，该方法包括如下步骤：
S1，用户终端向服务器发送位置信息。
S2，服务器接收用户终端发送的位置信息。
S3，服务器按照预设的划分尺寸将待预测区域划分为多个网格区域，以各网格区域为节点，以各网格区域之间的连接关系为路径，构建图关系结构；或者，获取各网格区域的兴趣点向量；获取每两个兴趣点向量之间的相似度；将大于预设阈值的相似度对应的两个网格区域之间建立连接路径，以构建图关系结构。
S4，服务器重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；
其中，迭代操作包括：从图关系结构的所有节点中确定至少三个目标节点，根据各目标节点之间的连接关系构建子图关系结构。
S5，服务器将待预测区域的特征信息和各子图关系结构输入图卷积神经网络模型，得到各子图关系结构对应的候选订单量预测结果。
S6，服务器将各子图关系结构对应的候选订单量预测结果的平均值确定为订单需求量预测结果。
S7，服务器向用户终端发送订单量预测结果。
S8，用户终端接收服务器发送的订单量预测结果，在电子地图中的待预测区域中，以热力图和/或数值的方式展示订单量预测结果。
本实施例提供的订单量预测方法的工作原理，请参照上述实施例中的详细描述，本实施例在此不再赘述。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种订单量预测装置，包括：接收模块、确定模块、第一获取模块和发送模块，其中：
接收模块，用于接收用户终端发送的位置信息；
确定模块，用于根据位置信息对应的待预测区域的图关系结构，确定多个子图关系结构；
第一获取模块，用于根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型，获取待预测区域的订单量预测结果；
发送模块，用于向用户终端发送订单量预测结果，以使用户终端在电子地图中的待预测区域中展示订单量预测结果。
可选的，特征信息包括待预测区域的天气信息、交通信息、人流量信息和时间信息中的至少一个。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述确定模块，包括：确定单元，其中：
确定单元，用于重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；
其中，迭代操作包括：从图关系结构的所有节点中确定至少三个目标节点，根据各目标节点之间的连接关系构建子图关系结构。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述获取模块，包括：第一获取单元和第二获取单元，其中：
第一获取单元，用于将特征信息和各子图关系结构输入图卷积神经网络模型，得到各子图关系结构对应的候选订单量预测结果。
第二获取单元，用于根据各子图关系结构对应的候选订单量预测结果，确定订单需求量预测结果。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二获取单元，具体用于将各子图关系结构对应的候选订单量预测结果的平均值确定为订单需求量预测结果。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：划分模块和第一构建模块，其中：
划分模块，用于按照预设的划分尺寸将待预测区域划分为多个网格区域。
第一构建模块，用于根据各网格区域构建图关系结构。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第一构建模块，包括：第一构建单元，其中：
第一构建单元，用于以各网格区域为节点，以各网格区域之间的连接关系为路径，构建图关系结构。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第一构建模块，包括：第二构建单元，其中：
第二构建单元，用于获取各网格区域的兴趣点向量；获取每两个兴趣点向量之间的相似度；将大于预设阈值的相似度对应的两个网格区域之间建立连接路径，以构建图关系结构。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第二获取模块、第二构建模块、第三获取模块和训练模块，其中：
第二获取模块，用于获取样本区域的样本图关系结构、样本区域的样本特征信息以及样本区域的实际订单量。
第二构建模块，用于根据样本图关系结构构建多个样本子图关系结构。
第三获取模块，用于将样本特征信息和各样本子图关系结构输入预设的初始图卷积神经网络模型，得到样本区域的订单量预测结果。
训练模块，用于根据样本区域的订单量预测结果和样本区域的实际订单量，对初始图卷积神经网络模型进行训练，得到图卷积神经网络模型。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于订单量预测装置的具体限定可以参见上文中对于订单量预测方法的限定，在此不再赘述。上述订单量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图10所示，提供了一种订单量预测装置，包括：发送模块、接收模块和展示模块，其中：
发送模块，用于向服务器发送位置信息。
接收模块，用于接收服务器发送的订单量预测结果；订单量预测结果为服务器根据位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，并根据待预测区域的特征信息、各子图关系结构和预设的图卷积神经网络模型得到的。
展示模块，用于在电子地图中的待预测区域中展示订单量预测结果。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述展示模块，包括：展示单元，其中：
展示单元，用于在电子地图中的待预测区域中，以热力图和/或数值的方式展示订单量预测结果。
本实施例提供的订单量预测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于订单量预测装置的具体限定可以参见上文中对于订单量预测方法的限定，在此不再赘述。上述订单量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图11是根据一示例性实施例示出的一种服务器1400的框图。参照图11，服务器1400包括处理组件1420，其进一步包括一个或多个处理器，以及由存储器1422所代表的存储器资源，用于存储可由处理组件1420执行的指令或者计算机程序，例如应用程序。存储器1422中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1420被配置为执行指令，以执行上述订单量预测的方法。
服务器1400还可以包括一个电源组件1424被配置为执行设备1400的电源管理，一个有线或无线网络接口1426被配置为将设备1400连接到网络，和一个输入输出(I/O)接口1428。服务器1400可以操作基于存储在存储器1422的操作系统，例如Window14 14erverTM，Mac O14 XTM，UnixTM,LinuxTM，FreeB14DTM或类似。
图12是根据一示例性实施例示出的一种用户终端1300的框图。例如，用户终端1300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图12，用户终端1300可以包括以下一个或多个组件：处理组件1302，存储器1304，电源组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。其中，存储器上存储有在处理器上运行的计算机程序或者指令。
处理组件1302通常控制用户终端1300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在用户终端1300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件1306为用户终端1300的各种组件提供电力。电源组件1306可以包括电源管理系统，一个或多个电源，及其他与为用户终端1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述用户终端1300和用户之间的提供一个输出接口的触控显示屏。在一些实施例中，触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1308包括一个前置摄像头和/或后置摄像头。当用户终端1300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当用户终端1300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。
I/O接口1312为处理组件1302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1314包括一个或多个传感器，用于为用户终端1300提供各个方面的状态评估。例如，传感器组件1314可以检测到电子设备1300的打开/关闭状态，组件的相对定位，例如所述组件为用户终端1300的显示器和小键盘，传感器组件1314还可以检测用户终端1300或用户终端1300一个组件的位置改变，用户与用户终端1300接触的存在或不存在，用户终端1300方位或加速/减速和用户终端1300的温度变化。传感器组件1314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件1316被配置为便于用户终端1300和其他设备之间有线或无线方式的通信。用户终端1300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，用户终端1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述订单量预测方法。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器1422，上述指令可由服务器1400的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1304，上述指令可由用户终端1300的处理器1320执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序被处理器执行时，可以实现上述方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行这些计算机指令时，可以全部或部分地按照本公开实施例所述的流程或功能实现上述方法中的部分或者全部。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种订单量预测方法，其特征在于，所述方法包括：
接收用户终端发送的位置信息；
根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构；
将所述待预测区域的特征信息和各所述子图关系结构输入预设的图卷积神经网络模型，得到各所述子图关系结构对应的候选订单量预测结果，根据各所述子图关系结构对应的候选订单量预测结果，确定所述待预测区域的订单量预测结果；
向所述用户终端发送所述订单量预测结果，以使所述用户终端在电子地图中的所述待预测区域中展示所述订单量预测结果；
其中，所述根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，包括：重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；所述迭代操作包括：从所述位置信息对应的待预测区域的图关系结构的所有节点中确定至少三个目标节点，根据各所述目标节点之间的连接关系构建所述子图关系结构。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述子图关系结构对应的候选订单量预测结果，确定所述待预测区域的订单量预测结果，包括：
将各所述子图关系结构对应的候选订单量预测结果的平均值确定为所述订单量预测结果。
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
按照预设的划分尺寸将所述待预测区域划分为多个网格区域；
根据各所述网格区域构建所述图关系结构。
4.根据权利要求3所述的方法，其特征在于，所述根据各所述网格区域构建所述图关系结构，包括：
以各所述网格区域为节点，以各所述网格区域之间的连接关系为路径，构建所述图关系结构。
5.根据权利要求3所述的方法，其特征在于，所述根据各所述网格区域构建所述图关系结构，包括：
获取各所述网格区域的兴趣点向量；
获取每两个所述兴趣点向量之间的相似度；
将大于预设阈值的相似度对应的两个网格区域之间建立连接路径，以构建所述图关系结构。
6.根据权利要求1或2所述的方法，其特征在于，所述特征信息包括所述待预测区域的天气信息、交通信息、人流量信息和时间信息中的至少一个。
7.根据权利要求1所述的方法，其特征在于，所述图卷积神经网络模型的训练过程包括：
获取样本区域的样本图关系结构、所述样本区域的样本特征信息以及样本区域的实际订单量；
根据所述样本图关系结构构建多个样本子图关系结构；
将所述样本特征信息和各所述样本子图关系结构输入预设的初始图卷积神经网络模型，得到所述样本区域的订单量预测结果；
根据所述样本区域的订单量预测结果和所述样本区域的实际订单量，对所述初始图卷积神经网络模型进行训练，得到所述图卷积神经网络模型。
8.一种订单量预测方法，其特征在于，所述方法包括：
向服务器发送位置信息；
接收所述服务器发送的订单量预测结果；所述订单量预测结果为所述服务器根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构并将所述待预测区域的特征信息和各所述子图关系结构输入预设的图卷积神经网络模型，得到各所述子图关系结构对应的候选订单量预测结果，根据各所述子图关系结构对应的候选订单量预测结果得到的；其中，所述根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，包括：重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；所述迭代操作包括：从所述位置信息对应的待预测区域的图关系结构的所有节点中确定至少三个目标节点，根据各所述目标节点之间的连接关系构建所述子图关系结构；
在电子地图中的所述待预测区域中展示所述订单量预测结果。
9.根据权利要求8所述的方法，其特征在于，所述在电子地图中的所述待预测区域中展示所述订单量预测结果，包括：
在电子地图中的所述待预测区域中，以热力图和/或数值的方式展示所述订单量预测结果。
10.一种订单量预测系统，其特征在于，所述系统包括服务器和用户终端；
所述服务器，用于执行如权利要求1-7任一项所述的订单量预测方法；
所述用户终端，用于执行如权利要求8-9任一项所述的订单量预测方法。
11.一种订单量预测装置，其特征在于，所述装置包括：
接收模块，用于接收用户终端发送的位置信息；
确定模块，用于根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构；其中，根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，包括：重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；所述迭代操作包括：从所述位置信息对应的待预测区域的图关系结构的所有节点中确定至少三个目标节点，根据各所述目标节点之间的连接关系构建所述子图关系结构；
第一获取模块，用于将所述待预测区域的特征信息和各所述子图关系结构输入预设的图卷积神经网络模型，得到各所述子图关系结构对应的候选订单量预测结果，根据各所述子图关系结构对应的候选订单量预测结果，确定所述待预测区域的订单量预测结果；
发送模块，用于向所述用户终端发送所述订单量预测结果，以使所述用户终端在电子地图中的所述待预测区域中展示所述订单量预测结果。
12.一种订单量预测装置，其特征在于，所述装置包括：
发送模块，用于向服务器发送位置信息；
接收模块，用于接收所述服务器发送的订单量预测结果；所述订单量预测结果为所述服务器根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，并将所述待预测区域的特征信息和各所述子图关系结构输入预设的图卷积神经网络模型，得到各所述子图关系结构对应的候选订单量预测结果，根据各所述子图关系结构对应的候选订单量预测结果得到的；其中，所述根据所述位置信息对应的待预测区域的图关系结构，确定多个子图关系结构，包括：重复执行迭代操作，直至达到预设的迭代次数，得到多个子图关系结构；所述迭代操作包括：从所述位置信息对应的待预测区域的图关系结构的所有节点中确定至少三个目标节点，根据各所述目标节点之间的连接关系构建所述子图关系结构；
展示模块，用于在电子地图中的所述待预测区域中展示所述订单量预测结果。
13.一种服务器，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
14.一种终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求8至9中任一项所述的方法的步骤。
15.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
CN202210397168.5A 2022-04-15 2022-04-15 订单量预测方法、系统、装置、服务器、终端和存储介质 Active CN114780870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210397168.5A CN114780870B (zh) 2022-04-15 2022-04-15 订单量预测方法、系统、装置、服务器、终端和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210397168.5A CN114780870B (zh) 2022-04-15 2022-04-15 订单量预测方法、系统、装置、服务器、终端和存储介质

Publications (2)

Publication Number Publication Date
CN114780870A CN114780870A (zh) 2022-07-22
CN114780870B true CN114780870B (zh) 2023-03-24

Family

ID=82429119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210397168.5A Active CN114780870B (zh) 2022-04-15 2022-04-15 订单量预测方法、系统、装置、服务器、终端和存储介质

Country Status (1)

Country Link
CN (1) CN114780870B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612489B (zh) * 2019-02-25 2024-03-29 北京嘀嘀无限科技发展有限公司 订单量的预测方法、装置及电子设备
CN111612122B (zh) * 2019-02-25 2023-08-08 北京嘀嘀无限科技发展有限公司 实时需求量的预测方法、装置及电子设备
CN112613666B (zh) * 2020-12-26 2023-02-14 福建维力能源科技有限公司 一种基于图卷积神经网络和迁移学习的电网负荷预测方法

Also Published As

Publication number Publication date
CN114780870A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
EP3163254B1 (en) Method and device for intelligently guiding user to ride elevator/escalator
CN110782034A (zh) 神经网络的训练方法、装置及存储介质
CN109783771B (zh) 将轨迹序列转换为图像矩阵的处理方法、装置和存储介质
CN107180349B (zh) 虚拟公交卡的调用方法、装置和终端设备
US20200265725A1 (en) Method and Apparatus for Planning Navigation Region of Unmanned Aerial Vehicle, and Remote Control
US10248855B2 (en) Method and apparatus for identifying gesture
CN107560619A (zh) 路径推荐方法和装置
CN111126697B (zh) 人员情况预测方法、装置、设备及存储介质
US20180058876A1 (en) Information interaction method and device
CN107705069B (zh) 进度显示方法及装置
US20160314164A1 (en) Methods and devices for sharing cloud-based business card
CN106157602A (zh) 呼叫车辆的方法和装置
CN104994125A (zh) 信息发送方法、信息显示方法及装置
CN107622367B (zh) 进度显示方法及装置
CN111966769A (zh) 基于生活圈的信息推荐方法、装置、设备和介质
CN106533907B (zh) 信息发送方法及装置
EP3288299A1 (en) Operation triggering method and portable electronic device
CN110715672A (zh) 一种导航路径的规划方法及装置
CN110648657A (zh) 一种语言模型训练方法、构建方法和装置
EP3667453A1 (en) Drone control method and device, drone and core network device
CN114780870B (zh) 订单量预测方法、系统、装置、服务器、终端和存储介质
US20180062934A1 (en) Method and apparatus for device identification
CN112115502A (zh) 一种数据处理方法、装置和用于数据处理的装置
CN108345611B (zh) 一种地图搜索的运行监控方法、装置及电子设备
CN113673603A (zh) 一种要素点匹配的方法及相关装置

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