CN115618986B - 协调资源的方法和装置 - Google Patents
协调资源的方法和装置 Download PDFInfo
- Publication number
- CN115618986B CN115618986B CN202211534274.XA CN202211534274A CN115618986B CN 115618986 B CN115618986 B CN 115618986B CN 202211534274 A CN202211534274 A CN 202211534274A CN 115618986 B CN115618986 B CN 115618986B
- Authority
- CN
- China
- Prior art keywords
- target
- determining
- area
- node
- distribution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 92
- 238000004891 communication Methods 0.000 claims description 24
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 65
- 238000010586 diagram Methods 0.000 description 21
- 238000010276 construction Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 7
- 239000000126 substance Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
根据本公开的实施例，提供了一种资源协调的方法、装置、电子设备、计算机存储介质和计算机程序产品。在此描述的方法包括：基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，图结构包括至少一个层，至少一个层分别对应于至少一个时间段中的各个时间段，至少一个层中的每个层在层内具有相同的节点和边连接，其中节点用于表征对应的区域，边连接用于表征不同区域之间的相关性；以及基于图结构，确定目标区域在目标时间段的服务需求，以用于协调交通资源。基于以上的方式，本公开的实施例能够考虑地域之间的时空相关性来更为准确地实现针对特定区域的交通资源协调。
Description
技术领域
本公开的示例实施例总体涉及计算机领域，特别地涉及需求预测的方法、装置、电子设备、计算机存储介质和计算机程序产品。
背景技术
在当今代社会中，需求预测是一项重要的任务。人们通常依赖于对于未来需求的预测来调度相应的资源，以使得资源的供需能够尽量平衡。
例如，对于交通服务而言，需求通常与时空存在极大的关系。不同的地区在不同的时间通常会产生不同的服务需求。例如，以网约车等出行服务而言，在工作日晚高峰时间，诸如工业园区等位置可能产生更大的服务需求。
发明内容
在本公开的第一方面，提供了一种协调资源的方法。该方法包括：基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，图结构包括至少一个层，至少一个层分别对应于至少一个时间段中的各个时间段，至少一个层中的每个层在层内具有相同的节点和边连接，其中节点用于表征对应的区域，边连接用于表征不同区域之间的相关性，相关性至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，位置相关性用于指示目标区域与关联区域之间的位置关系，兴趣点相关性指示目标区域内和关联区域内的兴趣点分布的相似性，分布相关性用于指示目标区域和关联区域在多个时间单元内的服务需求分布的相似性；以及基于图结构，确定目标区域在目标时间段的服务需求，以用于协调交通资源。
在本公开的第二方面中，提供了一种用于需求预测的装置。该装置包括：描述模块，被配置为基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，图结构包括至少一个层，至少一个层分别对应于至少一个时间段中的各个时间段，至少一个层中的每个层在层内具有相同的节点和边连接，其中节点用于表征对应的区域，边连接用于表征不同区域之间的相关性，相关性至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，位置相关性用于指示目标区域与关联区域之间的位置关系，兴趣点相关性指示目标区域内和关联区域内的兴趣点分布的相似性，分布相关性用于指示目标区域和关联区域在多个时间单元内的服务需求分布的相似性；以及预测模块，被配置为基于图结构，确定目标区域在目标时间段的服务需求，以用于协调交通资源。
在本公开的第三方面，提供了一种电子设备，包括：存储器和处理器；其中存储器用于存储一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现根据本公开的第一方面的方法。
在本公开的第四方面，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行实现根据本公开的第一方面的方法。
在本公开的第五方面，提供了一种计算机程序产品，其包括计算机可执行指令，其中计算机可执行指令在被处理器执行时实现根据本公开的第一方面的方法。
本公开的实施例能够在需求预测的过程中同时考虑该区域的时空特性，从而提高需求预测的准确度。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，其中：
图1示出了其中可以实施根据本公开的实施例的示例环境的示意图；
图2示出了根据本公开的一些实施例的需求预测装置的示例架构的示意图；
图3示出了根据本公开的一些实施例的需求预测装置的示例实现的示意图；
图4示出了根据本公开的一些实施例的需求预测的示例过程的示意图；
图5示出了根据本公开的一些实施例的用于需求预测的装置的示意性结构框图；
图6示出了能够实施本公开的多个实施例的电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如以上所讨论的，服务的需求预测是人们日常生活中的一项重要的任务。在交通运输中，交通服务的需求预测是平台协调交通资源的重要依据。
在交通运输中，交通服务的需求呈现极强的时空相关性。也即，不同地区在不同时刻的需求可能呈现极大的差异性。以网约车等出行服务为例，在工作日早高峰阶段，住宅区的需求量可能会相对较大；相反，在工作日晚高峰阶段，工业园区的需求量可能会相对更大。
传统的需求预测通常考虑需求的时序特性来进行预测。例如，人们可能某个区域过去一段时间的服务需求情况来对未来进行预测。然而，这样的预测却忽略了出行服务与空间的相关性，导致可能难以准确地进行预测。
有鉴于此，本公开的实施例提供了一种用于需求预测的方案。根据该方案，首先，确定目标区域在至少一个历史时间段的描述信息，其中描述信息至少指示在相应的历史时间段内目标区域的服务需求与关联区域的服务需求之间的相关性。具体而言，相关性可以至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，位置相关性用于指示目标区域与关联区域之间的位置关系，兴趣点相关性指示目标区域内和关联区域内的兴趣点分布的相似性，分布相关性用于指示目标区域和关联区域在多个时间单元内的服务需求分布的相似性。
进一步地，可以基于描述信息来确定目标区域在目标时间段的服务需求。
能够看到，在进行服务需求确定的过程中，本公开的实施例不仅利用了时间特性，还充分考虑了地理区域与其他关联区域之间的相关性。由此，本公开的实施例能够基于服务的时空特性来进行更为准确的服务需求预测。
以下将参考附图来详细描述该方案的各种示例实现。
示例环境
首先参见图1，其示意性示出了其中可以使用根据本公开的示例性实现方式的示例环境100的示意图。如图1所示，环境100可以包括预测设备120。这样的预测设备120可以为适当类型的计算设备，包括但不限于：云端计算设备、边缘计算设备、终端计算设备或其组合等。
如图1所示，预测设备120可以基于各地理区域110的描述信息来确定针对地理区域110的服务需求130。在一些实施例中，这样的地理区域110可以是基于经纬度信息来进行划分。
作为示例，如图1所示，各地理区域110例如可以具有相同尺寸的矩形形状。在一些实施例中，地理区域110例如可以具有不同于矩形的形状，或者不同地理区域的尺寸或形状可能不同。例如，不同地理区域也可以对应于城市里的不同商圈，甚至可以对应于不同的城市、省份或地区等。
如下文将详细介绍的，预测设备120可以基于不同地理区域110的服务需求的特性来预测其中特定地理区域的服务需求。在一些实施例中，这样的服务需求可以包括针对交通服务的需求，例如，针对网约车等出行服务的需求、针对快递等物品递送服务的需求、针对代驾服务的需求等。备选地，这样的服务还可以包括其它类型的、具有相对较强时空特性的服务，例如，电力使用服务、电信服务、外卖服务等。
应当理解，仅是出于方便描述的目的，下文将以交通服务作为示例来描述本公开的方案。
示例架构
图2示出了根据本公开的一些实施例的需求预测装置的示例架构的示意图。如图2所示，需求预测装置可以包括三个功能部分，即：图构建单元210、注意力单元220和时序预测单元230。
在一些实施例中，图构建单元210可以生成是时空异构图，以用于描述不同地理区域的服务需求的时空分布特性。
在一些实施例中，注意力单元220可以基于时空异构图，以利用注意力机制来生成针对目标地理区域（也称为目标区域）的特征表示，也称为描述信息。
在一些实施例中，时序预测单元230则可以基于目标地理区域的特征表示来确定该区域在特定时间段的服务需求。
以下将参考图3来详细描述各单元的具体实现。
时空异构图的构建
在一些实施例中，图构建单元210可以基于不同地理区域在至少一个历史时间段内的历史服务需求来构建时空异构图。
首先，图构建单元210例如可以基于经度和纬度来对划分多个地理区域，例如，如图1所示的地理区域110。以对城市内的不同区域进行服务需求预测为例，图构建单元210例如可以将城市空间按照固定的区域大小划分为多个地理区域（也称为地理网格）。
示例性地，城市例如可以被划分为
H×W个地理区域，并且可以使用
v i （
i=(
h-1)
×W+
w; i∈[1
,H×W]
; h∈[1
,H]
; w∈[1
,W]）来表示
H维度为
h th ，并且
W维度为
w th 的地理区域。由此，每个地理区域可以对应于与图中一个节点，节点集可以表示为 。
进一步地，所要构建的时空异构图可以表示为 ，其中表示节点集合，表示边集合（或边连接集合）。则分别为表示节点类型映射和边类型映射，表示节点类型集合，表示边类型集合。
如图3所示，对于所要构建的时空异构图，其可以包括与不同历史时间段对应的多个层，每个层中都具有与不同区域对应的节点，并且各节点在各层内的边连接可以是相同的。这样的边连接例如可以用于指示不同节点所对应的不同地理区域的服务需求之间的相关性。
以下将介绍时空异构图中的边连接的类型。
位置相关性（
nbr）
在一些实施例中，图构建单元210可以基于不同地理区域之间的位置关系来确定位置相关性，从而构建用于指示位置相关性的第一类型边连接。
在一些实施例中，如果两个地理区域是相邻的，则图构建单元210可以建立与该两个地理区域对应的两个节点之间的第一类型边连接，从而形成用于指示位置关系的子图（
nbr）。相反，如果两个地理区域没有相邻，则其对应的节点在子图中将没有边连接。
备选地，图构建单元210也可以构建全连接子图，并且将不同地理区域之间的距离确定作为该子图中对应节点之间的边的权重。
以此方式，子图（
nbr）能够表示各节点之间的位置相关性。
兴趣点相关性（
poi）
在一些实施例中，图构建单元210可以基于不同地理区域内的兴趣点分布的相似性来确定兴趣点相关性，从而构建用于指示兴趣点相关性的第二类型边连接。
具体地，图构建单元210可以确定各地理区域内的兴趣点的分布，其中该分布可以指示对应区域内包含指定类型的兴趣点的数目。作为示例，图构建单元210可以构建多维特征向量，其中每个维度对应于特定类型的兴趣点，并且向量的值对应于该地理区域内包含的该类型兴趣点的数目。
进一步地，图构建单元210可以基于各地理区域两两之间的兴趣点分布的相似性来确定两个区域之间的兴趣点相关性。示例性地，图构建单元210可以基于多维特征向量之间的距离或夹角来确定其兴趣点相似性。
在一些实施例中，如果兴趣点相似性大于预定阈值，则图构建单元210可以建立与该两个地理区域对应的两个节点之间的第二类型边连接，从而形成用于指示兴趣点相似性的子图（
poi）。相反，如果两个地理区域的兴趣点相似性小于或等于预定阈值，则其对应的节点在子图中将没有边连接。
在一些实施例中，这样的阈值可以是动态或静态阈值。例如，图构建单元210例如可以总是保留与特定节点的兴趣点相似性最大的预定数目的节点以构建第二类型边连接，而不考虑其相似性的绝对大小。在这种情况下，该阈值可以理解为是基于相似性排名的动态阈值。
备选地，图构建单元210也可以构建全连接子图，并且将不同地理区域之间的兴趣点相似性直接确定作为该子图中对应节点之间的边的权重。
以此方式，子图（
poi）能够表示各节点内兴趣点分布的相似性。这样的相似性能够帮助进行更为准确的需求预测。例如，如果两个区域都是属于办公楼商圈，则其可能会体现更为接近的服务需求特性。
分布相关性（
tps）
在一些实施例中，图构建单元210可以基于不同地理区域在多个时间单元内的服务需求分布的相似性来确分布相关性，从而构建用于指示分布相关性的第三类型边连接。
具体地，图构建单元210可以基于各地理区域在多个时间单元（例如，24小时）内的服务需求来确定服务需求分布。这样的服务需求分布例如可以指示相应地理区域在24小时内的每小时的服务需求情况（例如，过去一个月在每天的各小时内的平均服务需求量），从而可以形成服务需求分布。
作为示例，图构建单元210可以构建多维特征向量，其中每个维度对应于特定时间单元，并且向量的值对应于该地理区域在对应时间单元中的服务需求量。
进一步地，图构建单元210可以基于各地理区域两两之间的服务需求分布的相似性来确定两个区域之间的分布相关性。示例性地，图构建单元210可以基于多维特征向量之间的距离或夹角来确定其分布相似性。
在一些实施例中，如果分布相似性大于预定阈值，则图构建单元210可以建立与该两个地理区域对应的两个节点之间的第三类型边连接，从而形成用于指示分布相似性的子图（
tps）。相反，如果两个地理区域的分布相似性小于或等于预定阈值，则其对应的节点在子图中将没有边连接。
在一些实施例中，这样的阈值可以是动态或静态阈值。例如，图构建单元210例如可以总是保留与特定节点的分布相似性最大的预定数目的节点以构建第二类型边连接，而不考虑其相似性的绝对大小。在这种情况下，该阈值可以理解为是基于相似性排名的动态阈值。
备选地，图构建单元210也可以构建全连接子图，并且将不同地理区域之间的分布相似性直接确定作为该子图中对应节点之间的边的权重。
以此方式，子图（
tps）能够表示各节点内服务分布的相似性。这样的分布相似性能够帮助进行更为准确的需求预测。
时间相邻性（
tim）
在一些实施例中，图构建单元210可以建立跨层的边连接。应当理解，这样的边连接旨在表示相同地理区域的服务需求的时间特性。
具体地，图构建单元210可以基于时间段之间的相邻性来将两个相邻时间段所对应的层中的对应节点（对应于同一个地理区域）建立边连接，从而形成子图（
tim）。
时间周期性（
tpm）
在一些实施例中，图构建单元210还可以基于时间段之间的周期性来将特定时间段所对应的层中的对应节点（对应于同一个地理区域）建立边连接，从而形成子图（
tpm）。
时间段的周期性例如可以表示：两个时间段对应于不同天中的相同小时、对应于不同星期中的同一天、对应于不同月中的同一天、对应于不同年中的同一月等。
在现实中，服务需求通常也具有时间周期性。例如，以出行服务为例，相同地理区域在每周一早高峰时段的服务需求通常是相似的。
以此方式，子图（
tpm）能够表示对应时间的周期性。这样的周期性能够帮助进行更为准确的需求预测。
基于以上讨论，节点类型集合例如可以仅包括一种节点类型，边类型集合例如可以包括{
nbr,
poi,
tps,
tim,
tpm}。
元路径（meta-path）
在一些实施例中，图构建单元210不仅可以考虑以上讨论的边连接类型，还可以考虑时空异构图中的连通路径。这样的连通路径例如可以表示边连接的组合，例如{
nbr-nbr,
poi-nbr,
poi-tps}，其中
nbr-nbr可以表示与目标节点之间存在由两个
nbr边连接所构成的连通路径，例如，可以表示相邻区域的相邻区域；
poi-nbr可以表示与目标节点之间存在由
poi边连接和
nbr边连接所构成的连通路径，例如，兴趣点分布类似的区域的相邻区域；
poi-
tps可以表示与目标节点之间存在由
poi边连接和
tps边连接所构成的连通路径，例如，兴趣点分布类似的区域的服务需求分布类型的区域。
应当理解，以上具体的连通路径的定义仅是示例性的，还可以根据实际需要定义长度更大的任意适当组合的连通路径。
基于这也的方式，图构建单元210可以将图中的边连接类型以及连通路径类型的并集构建作为元路径（也称为meta-path），以作为下文用于预测服务需求的基础数据。例如，元路径可以表示为{
nbr,
poi,
tps,
tim,
tpm,nbr-nbr,
poi-nbr,
poi-tp}。
注意力机制
在一些实施例中，注意力模块220可以利用注意力机制并根据元路径来更新各节点的特征表示。
如图3所示，注意力模块220可以实施两个级别的注意力机制：节点级别注意力机制和元路径层面注意力机制。
在一些实施例中，节点级别注意力机制处理过程可以表示为：
（1）
其中，表示节点在
t时间段内的特征向量（例如，服务需求量），并且表示经由在
t时间段内的元路径所得到的节点的目标节点特征表示。
应当理解，可以采用任何适当的注意力机制算法来实现如公式（1）所表示的过程，例如，多头注意力机制等。
在一种示例实现中，该注意力机制的处理过程可以表示为：
（2）
（3）
（4）
（5）
（6）
（7）
其中，表示与目标节点通过元路径相连的全部节点的集合，是目标节点关于元路径的查询向量，分别表示目标节点关于元路径的键向量（key vector），表示元路径在节点层注意力中的投影矩阵，表示在
t时间段关联节点相对于目标节点关于元路径的注意力得分，表示目标节点的关联节点的值向量，表示关于元路径的偏差（bias），ReLU表示修正线性单元激活函数。
在一些实施例中，元路径级别注意力机制处理过程可以表示为：
（8）
应当理解，可以采用任何适当的注意力机制算法来实现如公式（8）所表示的过程，例如，多头注意力机制等。
在一种示例实现中，该注意力机制的处理过程可以表示为：
（9）
（10）
（11）
（12）
其中，分别表示在元路径注意力机制中目标节点的查询向量、键向量和值向量，W和表示注意力机制中的参数，ReLU表示修正线性单元激活函数，表示在
t时间段目标节点经过元路径注意力机制处理后的目标特征表示。
时序预测
如图3所示，时序预测模块230可以利用目标节点在不同时间段的特征表示来确定目标地理区域在目标时间段的服务需求。
应当理解，可以采用任何适当的时序预测模型来处理目标节点在不同时间段的特征表示来确定服务需求。
示例性地，如图3所示，时序预测模块可以采用门控循环单元结构（GRU）来进行处理，其过程可以表示为：
（13）
（14）
（15）
其中，表示全连接网络（FCN）的参数，分别表示目标节点在时间段
t和
t-1中的候选隐藏状态，表示的级联运算，表示用于目标节点的GRU模型的参数。
以上介绍了利用时空异构图来预测服务需求的过程。应当理解，如图3所示的模型例如可以基于huber损失来进行训练，其可以表示为：
（16）
（17）
其中，分别表示在
t时间段内的真实值和预测值。
示例过程
图4示出了根据本公开的多个实施例的用于行程规划的过程400的流程图。过程400可以由如图1所示的预测设备120来实施。
如图4所示，在框410，预测设备120确定目标区域在至少一个历史时间段的描述信息，描述信息至少指示在相应的历史时间段内目标区域的服务需求与关联区域的服务需求之间的相关性，相关性至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，位置相关性用于指示目标区域与关联区域之间的位置关系，兴趣点相关性指示目标区域内和关联区域内的兴趣点分布的相似性，分布相关性用于指示目标区域和关联区域在多个时间单元内的服务需求分布的相似性。
在框420，预测设备120基于描述信息，确定目标区域在目标时间段的服务需求。
在一些实施例中，确定目标区域在至少一个历史时间段的描述信息包括：基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，图结构包括至少一个层，至少一个层分别对应于至少一个时间段中的各个时间段，至少一个层中的每个层在层内具有相同的节点和边连接，其中节点用于表征对应的区域，边连接用于表征不同区域之间的相关性；以及基于图结构，确定描述信息。
在一些实施例中，边连接包括与位置相关性对应的第一类型边连接，其中，第一类型边连接用于指示所连接的两个节点对应的两个区域相邻区域，或者，第一类型边连接的权重用于指示所连接的两个节点对应的两个区域之间的距离。
在一些实施例中，边连接包括与兴趣点相关性对应的第二类型边连接，方法还包括：确定第一区域内的第一兴趣点分布，第一兴趣点分布指示第一区域内所包含的至少一个类型的兴趣点的数目；确定第二区域内的第二兴趣点分布；以及基于第一兴趣点分布和第二兴趣点分布，确定第一区域与第二区域之间的兴趣点相关性。
在一些实施例中，方法还包括：响应于确定兴趣点相关性大于第一阈值相关性，构建与第一区域对应的第一节点同与第二区域对应的第二节点之间的第二类型边连接；或者基于兴趣点相关性，确定第一节点与第二节点之间的第二类型边连接的权重。
在一些实施例中，边连接包括与分布相关性对应的第三类型边连接，方法还包括：基于第三区域在多个时间单元内的服务需求，确定与第三区域相关联的第一服务需求分布；基于第四区域在多个时间单元内的服务需求，确定与第四区域相关联的第二服务需求分布；以及基于第一服务需求分布和第二服务需求分布，确定第三区域与第四区域之间的分布相关性。
在一些实施例中，方法还包括：响应于确定分布相关性大于第二阈值相关性，构建与第三区域对应的第三节点同与第四区域对应的第四节点之间的第三类型边连接；或者基于分布相关性，确定第三节点与第四节点之间的第三类型边连接的权重。
在一些实施例中，至少一个层包括多个层，并且多个层中与相同区域对应的多个节点之间的边连接用于表示对应区域在不同时间段内的服务需求的时间相关性，时间相关性用于指示：不同节点对应的时间段之间的相邻性、和/或不同节点对应的时间段之间的周期性。
在一些实施例中，基于图结构确定描述信息包括：基于图结构，确定与目标区域相关联的至少一个特征表示，至少一个特征对应于至少一个历史时间段。
在一些实施例中，确定目标区域相关联的至少一个特征表示还包括：基于以下至少一项确定与至少一个历史时间段中的第一历史时间段对应的第一特征表示：与第一历史时间段和目标区域对应的目标节点的目标特征表示；与目标节点存在边连接的至少一个关联节点的关联特征表示；以及与目标节点存在特定连通路径的至少一个关联节点的关联特征表示，特定连通路径包括具有特定边连接类型的多个边连接。
在一些实施例中，确定第一特征表示包括：基于目标特征表示和关联节点的关联特征表示，利用第一注意力机制确定与目标节点相关联的多个更新特征表示，更新特征表示对应于特定的边连接类型或连通路径类型；以及基于多个更新特征表示，利用第二注意机制确定第一特征表示。
在一些实施例中，确定目标区域在目标时间段的服务需求包括：利用时序模型处理描述信息，确定目标区域在目标时间段的服务需求。
在一些实施例中，服务需求包括针对运输服务的需求。
示例装置和设备
本公开的实施例还提供了用于实现上述方法或过程的相应装置。图5示出了根据本公开的一些实施例的用于需求预测的装置500的示意性结构框图。
如图5所示，装置500包括描述模块510，被配置为确定目标区域在至少一个历史时间段的描述信息，描述信息至少指示在相应的历史时间段内目标区域的服务需求与关联区域的服务需求之间的相关性，相关性至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，位置相关性用于指示目标区域与关联区域之间的位置关系，兴趣点相关性指示目标区域内和关联区域内的兴趣点分布的相似性，分布相关性用于指示目标区域和关联区域在多个时间单元内的服务需求分布的相似性。
此外，装置500还包括预测模块520，被配置为基于描述信息，确定目标区域在目标时间段的服务需求。
在一些实施例中，描述模块510还被配置为：基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，图结构包括至少一个层，至少一个层分别对应于至少一个时间段中的各个时间段，至少一个层中的每个层在层内具有相同的节点和边连接，其中节点用于表征对应的区域，边连接用于表征不同区域之间的相关性；以及基于图结构，确定描述信息。
在一些实施例中，边连接包括与位置相关性对应的第一类型边连接，其中，第一类型边连接用于指示所连接的两个节点对应的两个区域相邻区域，或者，第一类型边连接的权重用于指示所连接的两个节点对应的两个区域之间的距离。
在一些实施例中，边连接包括与兴趣点相关性对应的第二类型边连接，描述模块510还被配置为：确定第一区域内的第一兴趣点分布，第一兴趣点分布指示第一区域内所包含的至少一个类型的兴趣点的数目；确定第二区域内的第二兴趣点分布；以及基于第一兴趣点分布和第二兴趣点分布，确定第一区域与第二区域之间的兴趣点相关性。
在一些实施例中，描述模块510还被配置为：响应于确定兴趣点相关性大于第一阈值相关性，构建与第一区域对应的第一节点同与第二区域对应的第二节点之间的第二类型边连接；或者基于兴趣点相关性，确定第一节点与第二节点之间的第二类型边连接的权重。
在一些实施例中，边连接包括与分布相关性对应的第三类型边连接，描述模块510还被配置为：基于第三区域在多个时间单元内的服务需求，确定与第三区域相关联的第一服务需求分布；基于第四区域在多个时间单元内的服务需求，确定与第四区域相关联的第二服务需求分布；以及基于第一服务需求分布和第二服务需求分布，确定第三区域与第四区域之间的分布相关性。
在一些实施例中，描述模块510还被配置为：响应于确定分布相关性大于第二阈值相关性，构建与第三区域对应的第三节点同与第四区域对应的第四节点之间的第三类型边连接；或者基于分布相关性，确定第三节点与第四节点之间的第三类型边连接的权重。
在一些实施例中，至少一个层包括多个层，并且多个层中与相同区域对应的多个节点之间的边连接用于表示对应区域在不同时间段内的服务需求的时间相关性，时间相关性用于指示：不同节点对应的时间段之间的相邻性、和/或不同节点对应的时间段之间的周期性。
在一些实施例中，描述模块510还被配置为：基于图结构，确定与目标区域相关联的至少一个特征表示，至少一个特征对应于至少一个历史时间段。
在一些实施例中，描述模块510还被配置为：基于以下至少一项确定与至少一个历史时间段中的第一历史时间段对应的第一特征表示：与第一历史时间段和目标区域对应的目标节点的目标特征表示；与目标节点存在边连接的至少一个关联节点的关联特征表示；以及与目标节点存在特定连通路径的至少一个关联节点的关联特征表示，特定连通路径包括具有特定边连接类型的多个边连接。
在一些实施例中，描述模块510还被配置为：基于目标特征表示和关联节点的关联特征表示，利用第一注意力机制确定与目标节点相关联的多个更新特征表示，更新特征表示对应于特定的边连接类型或连通路径类型；以及基于多个更新特征表示，利用第二注意机制确定第一特征表示。
在一些实施例中，预测模块520被配置为：利用时序模型处理描述信息，确定目标区域在目标时间段的服务需求。
在一些实施例中，服务需求包括针对运输服务的需求。
装置500中所包括的单元可以利用各种方式来实现，包括软件、硬件、固件或其任意组合。在一些实施例中，一个或多个单元可以使用软件和/或固件来实现，例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代，装置500中的部分或者全部单元可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制，可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准品（ASSP）、片上系统（SOC）、复杂可编程逻辑器件（CPLD），等等。
图6示出了其中可以实施本公开的一个或多个实施例的电子设备/服务器600的框图。应当理解，图6所示出的电子设备/服务器600仅仅是示例性的，而不应当构成对本文所描述的实施例的功能和范围的任何限制。
如图6所示，电子设备/服务器600是通用电子设备的形式。电子设备/服务器600的组件可以包括但不限于一个或多个处理器或处理单元610、存储器620、存储设备630、一个或多个通信单元640、一个或多个输入设备650以及一个或多个输出设备660。处理单元610可以是实际或虚拟处理器并且能够根据存储器620中存储的程序来执行各种处理。在多处理器系统中，多个处理单元并行执行计算机可执行指令，以提高电子设备/服务器600的并行处理能力。
电子设备/服务器600通常包括多个计算机存储介质。这样的介质可以是电子设备/服务器600可访问的任何可以获得的介质，包括但不限于易失性和非易失性介质、可拆卸和不可拆卸介质。存储器620可以是易失性存储器（例如寄存器、高速缓存、随机访问存储器（RAM））、非易失性存储器（例如，只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、闪存）或它们的某种组合。存储设备630可以是可拆卸或不可拆卸的介质，并且可以包括机器可读介质，诸如闪存驱动、磁盘或者任何其他介质，其可以能够用于存储信息和/或数据（例如用于训练的训练数据）并且可以在电子设备/服务器600内被访问。
电子设备/服务器600可以进一步包括另外的可拆卸/不可拆卸、易失性/非易失性存储介质。尽管未在图6中示出，可以提供用于从可拆卸、非易失性磁盘（例如“软盘”）进行读取或写入的磁盘驱动和用于从可拆卸、非易失性光盘进行读取或写入的光盘驱动。在这些情况中，每个驱动可以由一个或多个数据介质接口被连接至总线（未示出）。存储器620可以包括计算机程序产品625，其具有一个或多个程序模块，这些程序模块被配置为执行本公开的各种实施例的各种方法或动作。
通信单元640实现通过通信介质与其他电子设备进行通信。附加地，电子设备/服务器600的组件的功能可以以单个计算集群或多个计算机器来实现，这些计算机器能够通过通信连接进行通信。因此，电子设备/服务器600可以使用与一个或多个其他服务器、网络个人计算机（PC）或者另一个网络节点的逻辑连接来在联网环境中进行操作。
输入设备650可以是一个或多个输入设备，例如鼠标、键盘、追踪球等。输出设备660可以是一个或多个输出设备，例如显示器、扬声器、打印机等。电子设备/服务器600还可以根据需要通过通信单元640与一个或多个外部设备（未示出）进行通信，外部设备诸如存储设备、显示设备等，与一个或多个使得用户与电子设备/服务器600交互的设备进行通信，或者与使得电子设备/服务器600与一个或多个其他电子设备通信的任何设备（例如，网卡、调制解调器等）进行通信。这样的通信可以经由输入/输出（I/O）接口（未示出）来执行。
根据本公开的示例性实现方式，提供了一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中一条或多条计算机指令被处理器执行以实现上文描述的方法。
这里参照根据本公开实现的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实现，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文公开的各实现。
Claims (14)
1. 一种用于资源协调的方法，包括：
基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，所述图结构包括至少一个层，所述至少一个层分别对应于所述至少一个时间段中的各个时间段，所述至少一个层中的每个层在层内具有相同的节点和边连接，其中所述节点用于表征对应的区域，所述边连接用于表征不同区域之间的相关性，所述相关性至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，所述位置相关性用于指示所述目标区域与关联区域之间的位置关系，所述兴趣点相关性指示所述目标区域内和所述关联区域内的兴趣点分布的相似性，所述分布相关性用于指示所述目标区域和所述关联区域在多个时间单元内的服务需求分布的相似性，其中所述至少一个层包括多个层，并且所述多个层中与相同区域对应的多个节点之间的边连接用于表示对应区域在不同时间段内的服务需求的时间相关性，所述时间相关性用于指示：不同节点对应的时间段之间的相邻性、和/或不同节点对应的时间段之间的周期性；以及
基于所述图结构，确定所述目标区域在目标时间段的服务需求，以用于协调交通资源。
2.根据权利要求1所述的方法，其中所述边连接包括与所述位置相关性对应的第一类型边连接，
其中，所述第一类型边连接用于指示所连接的两个节点对应的两个区域相邻区域，或者，所述第一类型边连接的权重用于指示所连接的两个节点对应的两个区域之间的距离。
3.根据权利要求1所述的方法，其中所述边连接包括与所述兴趣点相关性对应的第二类型边连接，所述方法还包括：
确定第一区域内的第一兴趣点分布，所述第一兴趣点分布指示所述第一区域内所包含的至少一个类型的兴趣点的数目；
确定第二区域内的第二兴趣点分布；以及
基于所述第一兴趣点分布和所述第二兴趣点分布，确定所述第一区域与所述第二区域之间的所述兴趣点相关性。
4. 根据权利要求3所述的方法，还包括：
响应于确定所述兴趣点相关性大于第一阈值相关性，构建与所述第一区域对应的第一节点同与所述第二区域对应的第二节点之间的所述第二类型边连接；或者
基于所述兴趣点相关性，确定所述第一节点与所述第二节点之间的所述第二类型边连接的权重。
5.根据权利要求1所述的方法，其中所述边连接包括与所述分布相关性对应的第三类型边连接，所述方法还包括：
基于第三区域在所述多个时间单元内的服务需求，确定与所述第三区域相关联的第一服务需求分布；
基于第四区域在所述多个时间单元内的服务需求，确定与所述第四区域相关联的第二服务需求分布；以及
基于所述第一服务需求分布和所述第二服务需求分布，确定所述第三区域与所述第四区域之间的分布相关性。
6. 根据权利要求5所述的方法，还包括：
响应于确定所述分布相关性大于第二阈值相关性，构建与所述第三区域对应的第三节点同与所述第四区域对应的第四节点之间的所述第三类型边连接；或者
基于所述分布相关性，确定所述第三节点与所述第四节点之间的所述第三类型边连接的权重。
7.根据权利要求1所述的方法，还包括：
基于所述图结构，确定与所述目标区域相关联的至少一个特征表示，所述至少一个特征对应于所述至少一个历史时间段。
8.根据权利要求7所述的方法，其中确定所述目标区域相关联的至少一个特征表示还包括：
基于以下至少一项确定与所述至少一个历史时间段中的第一历史时间段对应的第一特征表示：
与所述第一历史时间段和所述目标区域对应的目标节点的目标特征表示；
与所述目标节点存在所述边连接的至少一个关联节点的关联特征表示；以及
与所述目标节点存在特定连通路径的至少一个关联节点的关联特征表示，所述特定连通路径包括具有特定边连接类型的多个边连接。
9. 根据权利要求8所述的方法，其中确定所述第一特征表示包括：
基于所述目标特征表示和关联节点的关联特征表示，利用第一注意力机制确定与所述目标节点相关联的多个更新特征表示，所述更新特征表示对应于特定的边连接类型或连通路径类型；以及
基于所述多个更新特征表示，利用第二注意机制确定所述第一特征表示。
10.根据权利要求1所述的方法，其中确定所述目标区域在目标时间段的服务需求包括：
利用时序模型处理用于指示所述相关性的描述信息，确定所述目标区域在目标时间段的服务需求。
11.根据权利要求1所述的方法，其中所述服务需求包括针对运输服务的需求。
12. 一种用于需求预测的装置，包括：
描述模块，被配置为基于多个地理区域在至少一个历史时间段内的历史服务需求，构建图结构，所述图结构包括至少一个层，所述至少一个层分别对应于所述至少一个时间段中的各个时间段，所述至少一个层中的每个层在层内具有相同的节点和边连接，其中所述节点用于表征对应的区域，所述边连接用于表征不同区域之间的相关性，所述相关性至少包括以下至少一项：位置相关性、兴趣点相关性和分布相关性，所述位置相关性用于指示所述目标区域与关联区域之间的位置关系，所述兴趣点相关性指示所述目标区域内和所述关联区域内的兴趣点分布的相似性，所述分布相关性用于指示所述目标区域和所述关联区域在多个时间单元内的服务需求分布的相似性，其中所述至少一个层包括多个层，并且所述多个层中与相同区域对应的多个节点之间的边连接用于表示对应区域在不同时间段内的服务需求的时间相关性，所述时间相关性用于指示：不同节点对应的时间段之间的相邻性、和/或不同节点对应的时间段之间的周期性；以及
预测模块，被配置为基于所述图结构，确定所述目标区域在目标时间段的服务需求，以用于协调交通资源。
13.一种电子设备，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指令，其中所述一条或多条计算机指令被所述处理器执行以实现根据权利要求1至11中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其中所述一条或多条计算机指令被处理器执行以实现根据权利要求1至11中任一项所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211196283.2A CN115423212A (zh) | 2022-09-29 | 2022-09-29 | 需求预测的方法和装置 |
| CN2022111962832 | 2022-09-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115618986A CN115618986A (zh) | 2023-01-17 |
| CN115618986B true CN115618986B (zh) | 2023-04-07 |
Family
ID=84206027
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211196283.2A Pending CN115423212A (zh) | 2022-09-29 | 2022-09-29 | 需求预测的方法和装置 |
| CN202211534274.XA Active CN115618986B (zh) | 2022-09-29 | 2022-12-02 | 协调资源的方法和装置 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211196283.2A Pending CN115423212A (zh) | 2022-09-29 | 2022-09-29 | 需求预测的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN115423212A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159371A (zh) * | 2021-01-27 | 2021-07-23 | 南京航空航天大学 | 基于跨模态数据融合的未知目标特征建模与需求预测方法 |
| CN114529081A (zh) * | 2022-02-18 | 2022-05-24 | 哈尔滨工程大学 | 一种时空联合的交通流量预测方法及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10817775B2 (en) * | 2017-01-12 | 2020-10-27 | International Business Machines Corporation | Neural network computing systems for predicting vehicle requests |
| US11544535B2 (en) * | 2019-03-08 | 2023-01-03 | Adobe Inc. | Graph convolutional networks with motif-based attention |
| CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
| US11842271B2 (en) * | 2019-08-29 | 2023-12-12 | Nec Corporation | Multi-scale multi-granularity spatial-temporal traffic volume prediction |
| CN111915057B (zh) * | 2020-06-28 | 2022-05-17 | 厦门大学 | 一种基于深度学习和群智感知的单车需求预测与调度方法 |
| CN112101682B (zh) * | 2020-09-25 | 2024-04-09 | 北京百度网讯科技有限公司 | 流量模式预测方法、装置、服务器以及可读介质 |
| CN114117259A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于双重注意力机制的轨迹预测方法及装置 |
| CN114372830A (zh) * | 2022-01-13 | 2022-04-19 | 长安大学 | 一种基于时空多图神经网络的网约车需求预测方法 |
-
2022
- 2022-09-29 CN CN202211196283.2A patent/CN115423212A/zh active Pending
- 2022-12-02 CN CN202211534274.XA patent/CN115618986B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113159371A (zh) * | 2021-01-27 | 2021-07-23 | 南京航空航天大学 | 基于跨模态数据融合的未知目标特征建模与需求预测方法 |
| CN114529081A (zh) * | 2022-02-18 | 2022-05-24 | 哈尔滨工程大学 | 一种时空联合的交通流量预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Shen Fang,Qi Zhang等.GSTNet:Gloabal Spatial-Temporal Network for Traffic Flow Prediction.《Proceedings of the Twenty-Eighth International Joint Conference on Artificial Interlligence》.2019,第2286-2293页. * |
| 骈纬国，吴映波等.一种基于时空动态图注意力网络的共享出行需求预测方法.《电子学报》.2022,(第2期),第432-439页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115423212A (zh) | 2022-12-02 |
| CN115618986A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xue et al. | Solving the data sparsity problem in destination prediction | |
| CN110019568B (zh) | 基于空间聚类的选址方法、装置、计算机设备及存储介质 | |
| Wang et al. | Moving destination prediction using sparse dataset: A mobility gradient descent approach | |
| Chang et al. | Context-aware taxi demand hotspots prediction | |
| Xu et al. | Bus arrival time prediction with real-time and historic data | |
| US20170336219A1 (en) | System and method for accelerating route search | |
| US20110251789A1 (en) | Method and system for time-dependent routing | |
| Baum et al. | Dynamic time-dependent route planning in road networks with user preferences | |
| Ahmed et al. | Knowledge graph based trajectory outlier detection in sustainable smart cities | |
| Murphy et al. | Risky planning on probabilistic costmaps for path planning in outdoor environments | |
| Ma et al. | Modeling and analysis of daily driving patterns of taxis in reshuffled ride-hailing service market | |
| WO2022095755A1 (en) | Scalable modeling for large collections of time series | |
| Chen et al. | Efficient solution algorithm for finding spatially dependent reliable shortest path in road networks | |
| Feldman et al. | The single pixel GPS: learning big data signals from tiny coresets | |
| Al Jawarneh et al. | Spatial-aware approximate big data stream processing | |
| Wang et al. | Semi-empirical service composition: A clustering based approach | |
| CN113656670A (zh) | 面向飞行数据的时空轨迹数据管理分析方法和装置 | |
| CN115618986B (zh) | 协调资源的方法和装置 | |
| CN112767032A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
| Tianyang et al. | Direction-aware KNN queries for moving objects in a road network | |
| Zygouras et al. | HTTE: A hybrid technique for travel time estimation in sparse data environments | |
| Escalante et al. | Methodological issues in modern track analysis | |
| Vu et al. | Spatiotemporal Pattern Mining Technique for Location‐Based Service System | |
| Zheng et al. | An efficient preference-based sensor selection method in Internet of Things | |
| CN112801401A (zh) | 确定路线的时间信息的方法和装置 |
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 |