CN115392548A - 一种针对出行站点的出行需求预测方法、装置及存储介质 - Google Patents

一种针对出行站点的出行需求预测方法、装置及存储介质 Download PDF

Info

Publication number
CN115392548A
CN115392548A CN202210937370.2A CN202210937370A CN115392548A CN 115392548 A CN115392548 A CN 115392548A CN 202210937370 A CN202210937370 A CN 202210937370A CN 115392548 A CN115392548 A CN 115392548A
Authority
CN
China
Prior art keywords
travel
data
site
trip
station
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
Application number
CN202210937370.2A
Other languages
English (en)
Inventor
杨磊
杨帅
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.)
Shanghai Junzheng Network Technology Co Ltd
Original Assignee
Shanghai Junzheng Network 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 Shanghai Junzheng Network Technology Co Ltd filed Critical Shanghai Junzheng Network Technology Co Ltd
Priority to CN202210937370.2A priority Critical patent/CN115392548A/zh
Publication of CN115392548A publication Critical patent/CN115392548A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供一种针对出行站点的出行需求预测方法、装置及存储介质，应用于人工智能技术领域。所述方法包括：获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据；基于所述出行数据构建对应于所有出行站点的站点图网络；基于所述站点图网络确定各个出行站点的出行特征向量；基于环境特征数据从出行特征向量中提取目标特征向量；根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。上述方法考虑了站点之间的相互影响。通过引入环境特征数据，对出行站点的出行特征向量进行筛选，保证数据的有效性，提高了预测结果的准确性，有利于实际应用中对于出行站点车辆的分配。

Description

一种针对出行站点的出行需求预测方法、装置及存储介质
技术领域
本说明书实施例涉及人工智能技术领域，特别涉及一种针对出行站点的出行需求预测方法、装置及存储介质。
背景技术
为了便于对共享自行车或共享电动车进行管理和调度，目前一般是通过设置相应的出行站点，将共享车辆放置在出行站点处。用户在需要使用时，可以将共享车辆由一个出行站点骑行至另一个骑行站点。相应的，为了保证在出行站点处所放置的共享车辆的数量的合理性，需要对各个出行站点的出行需求进行预估，以避免车辆冗余或用户的出行需求无法得到满足的情况。
但是，当前在对出行站点的出行需求进行预测时，仅仅考虑了出行站点本身的历史数据，忽略了环境因素对出行站点的影响，导致最终的预测结果缺乏一定的准确性，进而影响在出行站点处的车辆的安排与调度。因此，目前亟需一种能够结合环境因素的影响，准确地对出行站点的出行需求进行预测的方法。
发明内容
本说明书实施例的目的是提供一种针对出行站点的出行需求预测方法、装置及存储介质，以解决如何准确对站点之间的出行需求进行预测的问题。
为了解决上述技术问题，本说明书实施例提出一种针对出行站点的出行需求预测方法，包括：获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据；基于所述出行数据构建对应于所有出行站点的站点图网络；基于所述站点图网络确定各个出行站点的出行特征向量；基于环境特征数据从出行特征向量中提取目标特征向量；根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。
本说明书实施例还提出一种针对出行站点的出行需求预测装置，包括：历史样本数据获取模块，用于获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据；站点图网络构建模块，用于基于所述出行数据构建对应于所有出行站点的站点图网络；出行特征向量确定模块，用于基于所述站点图网络确定各个出行站点的出行特征向量；目标特征向量提取模块，用于基于环境特征数据从出行特征向量中提取目标特征向量；出行需求预测值确定模块，用于根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。
本说明书实施例还提出一种计算机可读存储介质，其上存储有计算机程序/指令，所述计算机程序/指令在被执行时实现上述针对出行站点的出行需求预测方法。
由以上本说明书实施例提供的技术方案可见，本说明书实施例在获取各个出行站点的站点信息、历史出行数据和环境特征数据后，基于出行数据构建站点图网络，并通过站点图网络确定各个出行站点的出行特征向量。进一步的，利用环境特征数据从出行特征向量中提取出目标特征向量，最终结合站点图网络和目标特征向量来确定对应于各个出行站点的出行需求预测值，从而完成出行需求的预测。上述方法基于图网络来反映出行站点之间的交互，考虑了站点之间的相互影响。通过引入环境特征数据，对出行站点的出行特征向量进行筛选，保证数据的有效性，进而结合站点图网络和目标特征向量预测出行需求，保证了预测结果的准确性，有利于实际应用中对于出行站点车辆的分配。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书实施例一种针对出行站点的出行需求预测方法的流程图；
图2为本说明书实施例一种出行需求预测流程的示意图；
图3为本说明书实施例一种针对出行站点的出行需求预测装置的模块图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
为了解决上述技术问题，本说明书实施例提出一种针对出行站点的出行需求预测方法。所述针对出行站点的出行需求预测方法的执行主体为针对出行站点的出行需求预测设备，所述针对出行站点的出行需求预测设备包括但不限于服务器、工控机、PC机等。如图1所示，所述针对出行站点的出行需求预测方法可以包括以下具体实施步骤。
S110：获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据。
历史样本数据是收集到的与出行站点相关的数据。具体的，所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据。
站点信息是对各个出行站点的基本情况进行描述的信息，所述站点信息可以只包含各个站点的标识，也可以包含站点之间的距离，站点所处的具体地理位置等信息。所述站点信息可以基于实际应用的需求进行增加与设置，并不限于上述示例。
出行站点是用于放置出行工具的站点，各个出行站点对应于所放置的出行工具均记录有出行工具的流入和流出的数据。优选的，出行站点包括对应于两轮共享车辆的出行站点。两轮共享车辆包括两轮自行车、两轮电动车等。
历史出行数据主要包括各个出行站点在各个时间段内的车辆流入数据和车辆流出数据。时间段可以基于需求进行设置，例如可以设置为一小时、半天、一天、一周等，对此不做限制。车辆流入数据即为该时段内驶入该出行站点的车辆的数量，车辆流出数据即为该时段内驶出该出行站点的车辆的数量。具体的，车辆流入数据和车辆流出数据中还可以细分为当前出行站点至其他特定站点的车辆流入数据和车辆流出数据，从而能够通过历史出行数据确定各个出行站点之间的车辆流通情况。
环境特征数据主要用于描述环境状况。所述环境特征数据包括天气数据，由于天气不固定，变化快，且对出行会造成影响，因此可以作为本说明书实施例中主要的对出行需求进行预测的影响因素。当然，所述环境特征数据也可以其他可能会对出行需求造成影响的外界因素，例如人流量等，具体可以基于实际应用的需求进行设置，在此不再赘述。
在确定各个出行站点的具体位置的情况下，可以针对各个出行站点分别收集对应的环境特征数据，在后续的预测过程针对各个出行站点分别进行分析。
S120：基于所述出行数据构建对应于所有出行站点的站点图网络。
在获取到出行数据后，可以利用出行数据构建站点图网络。站点图网络以图网络的形式来反映不同站点之间的流入流出情况。各个出行站点可以作为站点图网络中的节点，从而直观地反映不同站点之间的出行状况。
具体的，构建站点图网络时，可以先基于所述车辆流入数据和车辆流出数据构建对应于出行站点的交互矩阵，再结合站点信息，根据所述交互矩阵分别确定对应于各个出行站点的邻居节点，最后基于各个邻居节点的环境特征数据和历史出行数据进行聚合得到站点图网络。
交互矩阵通过矩阵中的各个元素来反映节点之间的数据流动情况。具体的，可以利用公式
Figure BDA0003784124750000041
计算交互矩阵，式中，AOD,ij为交互矩阵中第i行第j列的元素，Fij为站点i向站点j的车辆流入数据。通过上述交互矩阵，即可清晰地确定不同出行站点之间的车辆流动状况。
在一些实施方式中，为了减少噪声对计算过程的影响，相应的也减少计算量，在利用交互矩阵执行后续的步骤时，可以从交互矩阵中剔除不大于交互阈值的交互数据。
所述交互阈值可以根据实际需求进行设置，例如可以设置为2，即若两个出行站点之间的交互量小于等于2时，可以将交互矩阵中对应的元素过滤掉。实际应用中可以根据需求来设置交互阈值的大小，并不限于上述示例。
在获取到交互矩阵后，可以基于交互矩阵来确定邻居节点。由于交互矩阵中已经能够体现各个节点之间的出行量流通关系，因此交互矩阵可以直接反映节点之间的关联性，可以作为初始的图网络。
邻居节点可以是与出行站点之间关联性较强的节点，例如，可以是与该出行站点之间的交互量最大的若干个站点。对于邻居节点的数量可以根据需求进行设置，例如可以设置为10个。实际应用中也可以根据需求调整邻居节点的数量，对此不做限制。通过上述方式可以确定各个出行站点所对应的邻居节点。
在确定各个出行站点的邻居节点后，可以综合各个邻居节点的信息来确定最终的站点图网络。可以通过信息聚合的方式对所有邻居节点的信息进行融合。具体的，通过信息聚合，可以将各个节点所对应的信息通过向量的形式进行表示。
在一些实施方式中，可以利用MEAN聚合器来实现信息聚合。具体的，利用公式
Figure BDA0003784124750000042
Figure BDA0003784124750000043
进行聚合，式中，
Figure BDA0003784124750000044
为聚合后的出行站点信息，
Figure BDA0003784124750000045
为出行站点的邻居节点的环境特征数据和历史出行数据，N(v)为出行站点的各个邻居节点。通过上述公式依次对各个出行站点的信息进行处理，得到各个出行站点的聚合后的信息后，完成站点图网络的构建。
在一些具体的示例中，可以基于GraphSAGE模型来帮助完成站点图网络的构建。其中，基于站点信息完成初始的图网络构建后，在图网络中选取邻居节点。将邻居节点的信息进行聚合，进而能够利用聚合后的信息进行预测，由于该处已经完成了模型的构建，因此可以通过该模型对出行需求进行初步预测。
S130：基于所述站点图网络确定各个出行站点的出行特征向量。
在获取到站点图网络后，可以从站点图网络中确定各个出行站点的出行特征向量。出行特征向量直接地体现出行站点与其他出行站点之间的交互情况。
具体的，向量中的各维可以是出行站点分别在各个出行日期的出行数据，也可以是对应于各个邻居节点的出行数据，对此不做限制。
S140：基于环境特征数据从出行特征向量中提取目标特征向量。
在获取到环境特征数据后，可以基于环境特征数据来分析其对出行特征向量的影响，并提取出目标特征向量。
具体的提取方式可以是将所述环境特征数据与对应日期的出行特征向量相对应，再从出行特征向量中提出异常环境特征数据所对应的维度的向量，得到目标特征向量。
利用一个具体的示例进行说明，针对某个出行站点，可以首先提取该站点过去三周的目标向量，并依次划分为T1、T2、T3三组向量。之后，依次分析每日的天气，若某一天天气异常，则将这一天所对应的维度在对应的向量中剔除，并保留剩下的向量。天气异常例如可以是雨雪、风暴等影响出行的恶劣天气。
当环境特征数据为其他类型的数据时，也可以基于其对出行需求的影响设置对应的异常环境特征数据，在此不再赘述。
由于目标特征向量用于从周期性的角度体现出行量的变化情况，因此，基于目标特征向量所构建的周期模型也能够实现出行需求的预测。在后续的处理过程中可以结合目标特征向量所对应的周期模型实现最终的预测。
在一些实施方式中，在利用环境特征数据对出行特征向量进行处理后，还可以进一步去除噪声数据。具体的，可以针对目标特征向量进行卡尔曼滤波平滑处理，再针对不同时间段的目标特征向量求取均值得到实际特征向量。卡尔曼滤波平滑处理可以是通过公式xt＝Ft×Xt-1+Bt×ut来实现，式中，xt为平滑后的数据，Ft、Bt、ut为卡尔曼滤波平滑控制变量参数，Xt-1为处理前的数据。
相应的，最后可以利用求均值的方式得到最终的模型，求和方式可以是History＝Mean(T1′,T2′,T3′)，式中，History为最终求得的历史真实曲线，即最终用于计算的目标特征向量，T1′、T2′、T3′分别为平滑后的向量。
S150：根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。
在获取到站点图网络和目标特征向量后，可以综合这两个数据进行出行需求的预测，从而保证预测结果的全面性，提高预测的准确性。
具体的，可以分别确定站点图网络的图网络预测结果和目标特征向量的周期模型预测结果，再将所述图网络预测结果和周期模型预测结果进行拼接得到拼接预测结果，最终将拼接预测结果输入岭回归模型得到出行需求预测值。从而实现综合不同的预测结果完成出行需求的预测。
站点图网络和目标特征向量对应的周期模型均能够用于实现出行需求的初步预测，综合这两者的预测结果可以完成最终的出行需求的预测。
具体的，可以利用Stacking模型进行处理，具体公式可以为Stacking＝F(graphsage,history)，式中，F为岭回归模型，graphsage为GraphSAGE模型，history为周期模型，stacking为最终融合结果。
利用一个具体的示例进行说明，如图2所示，为一种预测的整体流程示意图。其中，首先基于站点之间的关联性完成GraphSAGE模型的构建。再利用天气信息，从历史3周内相同的周期真实值中剔除异常天气数据所对应的周期真实值，得到正常真实值。再对正常真实值进行卡尔曼滤波平滑和求均值处理，得到历史真实曲线。综合GraphSAGE模型和历史真实曲线，进行Stacking融合，得到新的预测值，从而完成了对于出行需求的预测。
基于上述实施例和场景示例的介绍，可以看出，所述方法在获取各个出行站点的站点信息、历史出行数据和环境特征数据后，基于出行数据构建站点图网络，并通过站点图网络确定各个出行站点的出行特征向量。进一步的，利用环境特征数据从出行特征向量中提取出目标特征向量，最终结合站点图网络和目标特征向量来确定对应于各个出行站点的出行需求预测值，从而完成出行需求的预测。上述方法基于图网络来反映出行站点之间的交互，考虑了站点之间的相互影响。通过引入环境特征数据，对出行站点的出行特征向量进行筛选，保证数据的有效性，进而结合站点图网络和目标特征向量预测出行需求，保证了预测结果的准确性，有利于实际应用中对于出行站点车辆的分配。
基于图1所对应的针对出行站点的出行需求预测方法，介绍本说明书实施例一种针对出行站点的出行需求预测装置。所述针对出行站点的出行需求预测装置设置于针对出行站点的出行需求预测设备。如图3所示，所述针对出行站点的出行需求预测装置包括以下模块。
历史样本数据获取模块310，用于获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据。
站点图网络构建模块320，用于基于所述出行数据构建对应于所有出行站点的站点图网络。
出行特征向量确定模块330，用于基于所述站点图网络确定各个出行站点的出行特征向量。
目标特征向量提取模块340，用于基于环境特征数据从出行特征向量中提取目标特征向量。
出行需求预测值确定模块350，用于根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。
在一些实施方式中，所述环境特征数据包括天气数据。
在一些实施方式中，所述历史出行数据包括各个出行站点在固定时段内的车辆流入数据和车辆流出数据；所述站点图网络构建模块包括：交互矩阵构建单元，用于基于所述车辆流入数据和车辆流出数据构建对应于出行站点的交互矩阵；邻居节点确定单元，用于结合站点信息，根据所述交互矩阵分别确定对应于各个出行站点的邻居节点；站点图网络聚合单元，用于基于各个邻居节点的环境特征数据和历史出行数据进行聚合得到站点图网络。
基于上述实施方式，所述交互矩阵构建单元包括：交互矩阵计算子单元，用于利用公式
Figure BDA0003784124750000071
计算交互矩阵，式中，AOD,ij为交互矩阵中第i行第j列的元素，Fij为站点i向站点j的车辆流入数据；所述站点图网络聚合单元包括：聚合子单元，用于利用公式
Figure BDA0003784124750000072
进行聚合，式中，
Figure BDA0003784124750000073
为聚合后的出行站点信息，
Figure BDA0003784124750000074
为出行站点的邻居节点的环境特征数据和历史出行数据，N(v)为出行站点的各个邻居节点。
基于前述实施方式，所述交互矩阵用于表示不同出行站点之间的交互数据；所述装置还包括：交互数据提出模块，用于从所述交互矩阵中剔除不大于交互阈值的交互数据。
在一些实施方式中，所述目标特征向量提取模块包括：数据对应单元，用于将所述环境特征数据与对应日期的出行特征向量相对应；目标特征向量获取单元，用于从出行特征向量中提出异常环境特征数据所对应的维度的向量，得到目标特征向量。
在一些实施方式中，所述装置还包括：卡尔曼滤波平滑处理单元，用于针对目标特征向量进行卡尔曼滤波平滑处理；均值求取单元，用于针对不同时间段的目标特征向量求取均值得到实际特征向量；相应的，所述出行需求预测值确定模块包括：出行需求预测值确定单元，用于综合所述站点图网络和实际特征向量确定对应于各个出行站点的出行需求预测值。
在一些实施方式中，所述出行需求预测值确定模块包括：周期模型预测结果确定单元，用于分别确定站点图网络的图网络预测结果和目标特征向量的周期模型预测结果；拼接单元，用于将所述图网络预测结果和周期模型预测结果进行拼接得到拼接预测结果；岭回归模型预测单元，用于将拼接预测结果输入岭回归模型得到出行需求预测值。
在一些实施方式中，所述出行站点包括对应于两轮共享车辆的出行站点。
基于上述针对出行站点的出行需求预测方法，本说明书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/指令。所述计算机可读存储介质可以基于设备的内部总线被处理器所读取，进而通过处理器实现所述计算机可读存储介质中的程序指令。
在本实施例中，所述计算机可读存储介质可以按任何适当的方式实现。所述计算机可读存储介质包括但不限于随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard Disk Drive,HDD)、存储卡(MemoryCard)等等。所述计算机存储介质存储有计算机程序/指令。在所述计算机程序指令被执行时实现本说明书图1所对应实施例的程序指令或模块。
在本实施例中，所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
需要说明的是，上述针对出行站点的出行需求预测方法、装置及存储介质可以应用于人工智能技术领域，也可以应用于除人工智能技术领域外的其他技术领域，对此不做限制。
此外，上述技术方案中涉及到对于用户数据的读取、处理、存储等操作均符合国家法律法规的相关规定。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
本申请是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。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说明书实施例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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种针对出行站点的出行需求预测方法，其特征在于，包括：
获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据；
基于所述出行数据构建对应于所有出行站点的站点图网络；
基于所述站点图网络确定各个出行站点的出行特征向量；
基于环境特征数据从出行特征向量中提取目标特征向量；
根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。
2.如权利要求1所述的方法，其特征在于，所述环境特征数据包括天气数据。
3.如权利要求1所述的方法，其特征在于，所述历史出行数据包括各个出行站点在固定时段内的车辆流入数据和车辆流出数据；所述基于所述出行数据构建对应于所有出行站点的站点图网络，包括：
基于所述车辆流入数据和车辆流出数据构建对应于出行站点的交互矩阵；
结合站点信息，根据所述交互矩阵分别确定对应于各个出行站点的邻居节点；
基于各个邻居节点的环境特征数据和历史出行数据进行聚合得到站点图网络。
4.如权利要求3所述的方法，其特征在于，所述基于所述车辆流入数据和车辆流出数据构建对应于出行站点的交互矩阵，包括：
利用公式
Figure FDA0003784124740000011
计算交互矩阵，式中，AOD,ij为交互矩阵中第i行第j列的元素，Fij为站点i向站点j的车辆流入数据；
所述基于各个邻居节点的环境特征数据和历史出行数据进行聚合得到站点图网络，包括：
利用公式
Figure FDA0003784124740000012
进行聚合，式中，
Figure FDA0003784124740000013
为聚合后的出行站点信息，
Figure FDA0003784124740000014
为出行站点的邻居节点的环境特征数据和历史出行数据，N(v)为出行站点的各个邻居节点。
5.如权利要求3所述的方法，其特征在于，所述交互矩阵用于表示不同出行站点之间的交互数据；所述结合站点信息，根据所述交互矩阵分别确定对应于各个出行站点的邻居节点之前，还包括：
从所述交互矩阵中剔除不大于交互阈值的交互数据。
6.如权利要求1所述的方法，其特征在于，所述基于环境特征数据从出行特征向量中提取目标特征向量，包括：
将所述环境特征数据与对应日期的出行特征向量相对应；
从出行特征向量中提出异常环境特征数据所对应的维度的向量，得到目标特征向量。
7.如权利要求1所述的方法，其特征在于，所述根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值之前，还包括：
针对目标特征向量进行卡尔曼滤波平滑处理；
针对不同时间段的目标特征向量求取均值得到实际特征向量；
相应的，所述根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值，包括：
根据所述站点图网络和实际特征向量确定对应于各个出行站点的出行需求预测值。
8.如权利要求1所述的方法，其特征在于，所述根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值，包括：
分别确定站点图网络的图网络预测结果和目标特征向量的周期模型预测结果；
将所述图网络预测结果和周期模型预测结果进行拼接得到拼接预测结果；
将拼接预测结果输入岭回归模型得到出行需求预测值。
9.如权利要求1所述的方法，其特征在于，所述出行站点包括对应于两轮共享车辆的出行站点。
10.一种针对出行站点的出行需求预测装置，其特征在于，包括：
历史样本数据获取模块，用于获取历史样本数据；所述历史样本数据中包含各个出行站点的站点信息、历史出行数据和环境特征数据；
站点图网络构建模块，用于基于所述出行数据构建对应于所有出行站点的站点图网络；
出行特征向量确定模块，用于基于所述站点图网络确定各个出行站点的出行特征向量；
目标特征向量提取模块，用于基于环境特征数据从出行特征向量中提取目标特征向量；
出行需求预测值确定模块，用于根据所述站点图网络和目标特征向量确定对应于各个出行站点的出行需求预测值。
11.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，所述计算机程序/指令在被执行时实现如权利要求1-9中任一项所述的方法。
CN202210937370.2A 2022-08-05 2022-08-05 一种针对出行站点的出行需求预测方法、装置及存储介质 Pending CN115392548A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210937370.2A CN115392548A (zh) 2022-08-05 2022-08-05 一种针对出行站点的出行需求预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210937370.2A CN115392548A (zh) 2022-08-05 2022-08-05 一种针对出行站点的出行需求预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115392548A true CN115392548A (zh) 2022-11-25

Family

ID=84118708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210937370.2A Pending CN115392548A (zh) 2022-08-05 2022-08-05 一种针对出行站点的出行需求预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115392548A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612640A (zh) * 2023-07-14 2023-08-18 之江实验室 一种车辆调度方法、装置、存储介质及电子设备
CN116934056A (zh) * 2023-09-14 2023-10-24 北京阿帕科蓝科技有限公司 车辆调度方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612640A (zh) * 2023-07-14 2023-08-18 之江实验室 一种车辆调度方法、装置、存储介质及电子设备
CN116612640B (zh) * 2023-07-14 2023-12-26 之江实验室 一种车辆调度方法、装置、存储介质及电子设备
CN116934056A (zh) * 2023-09-14 2023-10-24 北京阿帕科蓝科技有限公司 车辆调度方法、装置、计算机设备和存储介质
CN116934056B (zh) * 2023-09-14 2024-03-15 北京阿帕科蓝科技有限公司 车辆调度方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN115392548A (zh) 一种针对出行站点的出行需求预测方法、装置及存储介质
CN112529254B (zh) 一种路径规划方法、装置和电子设备
CN110517479B (zh) 一种城市道路交通预测方法、装置及电子设备
CN104240496B (zh) 一种出行路径的确定方法和装置
US20200364627A1 (en) System and method for ride order dispatching
Sun et al. Passenger flow prediction of subway transfer stations based on nonparametric regression model
US20200372428A1 (en) Automated and efficient personal transportation vehicle sharing
CN110570678A (zh) 一种公交车辆从起点到终点总行驶时间预测方法及装置
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN109063870B (zh) 基于q学习的组合服务策略优化方法及系统
CN111563560A (zh) 基于时序特征学习的数据流分类方法及装置
CN114529081A (zh) 一种时空联合的交通流量预测方法及装置
CN103685014B (zh) 利用时间序列预测模型增强路由计算可靠性的系统及方法
CN105303838A (zh) 确定道路流量的方法和装置
CN114826947A (zh) 一种基于自动编码器的流量矩阵恢复预测方法及系统
KR102546540B1 (ko) Lstm 기반 교통 혼잡도 예측 방법 및 장치
CN116051160A (zh) 用于配件需求的预测方法、预测装置及存储介质
CN113806585B (zh) 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN114596702A (zh) 一种交通状态预测模型构建方法及交通状态预测方法
Wu et al. Traffic flow prediction using optimal autoregressive moving average with exogenous input-based predictors
CN114463978A (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN114281808A (zh) 一种交通大数据清洗方法、装置、设备及可读存储介质
Boonjubut et al. Accuracy of hourly demand forecasting of micro mobility for effective rebalancing strategies
CN113807556A (zh) 一种旅游指标预测方法、装置、设备及介质
Abideen et al. Regional‐based multi‐module spatial–temporal networks predicting city‐wide taxi pickup/dropoff demand from origin to destination

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