CN116341773A - 车辆需求预测方法、装置、计算机设备和存储介质 - Google Patents

车辆需求预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116341773A
CN116341773A CN202310639473.5A CN202310639473A CN116341773A CN 116341773 A CN116341773 A CN 116341773A CN 202310639473 A CN202310639473 A CN 202310639473A CN 116341773 A CN116341773 A CN 116341773A
Authority
CN
China
Prior art keywords
prediction
riding
target
time interval
block
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
CN202310639473.5A
Other languages
English (en)
Inventor
刘璇恒
刘永威
刘思喆
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 Apoco Blue Technology Co ltd
Original Assignee
Beijing Apoco Blue 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 Apoco Blue Technology Co ltd filed Critical Beijing Apoco Blue Technology Co ltd
Priority to CN202310639473.5A priority Critical patent/CN116341773A/zh
Publication of CN116341773A publication Critical patent/CN116341773A/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种车辆需求预测方法、装置、计算机设备和存储介质。所述方法包括：获取目标区块的区块特征信息；针对目标时间区间，采用多个骑出预测模型和多个骑入预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量和多个骑入预测数量；分别对多个骑出预测数量和多个骑入预测数量进行加权融合处理，得到目标预测骑出数量和目标预测骑入数量；根据目标预测骑出数量和目标预测骑入数量，确定目标区块在目标时间区间对应的预测车辆需求数量。采用本方法能够提高目标区块中车辆需求数量的预测精度。

Description

车辆需求预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据预测技术领域，特别是涉及一种车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着数据预测技术的发展，出现了对象需求数量预测方法。目前，大部分城市都引入了共享车辆，由于共享车辆使用频次高，共享车辆使用结束后需要共享车辆管理者对共享车辆进行调度，从而提高共享车辆后续使用的便捷性。
目前的共享车辆数量预测方法，可以根据近几天共享车辆在各区块的骑入、骑出数量，预测各区块中共享车辆的需求数量，从而根据各区块中共享车辆的需求数量，实现对各区块中共享车辆的调度。
然而，由于目前的共享车辆数量预测方法，采用的预测因素较为单一，因此对各区块中共享车辆的需求数量的预测准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高车辆需求预测准确度的车辆需求预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种车辆需求预测方法。所述方法包括：
获取目标区块的区块特征信息；
针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量；
对多个所述骑出预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑出数量，及对所述多个骑入预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑入数量；
根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述目标时间区间为目标预测周期中的任一时间区间。
在其中一个实施例中，所述多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型，其中，所述第一骑出预测模型用于进行车辆骑出数量预测，所述第二骑出预测模型用于进行车辆骑出数量均值预测，所述第三骑出预测模型用于进行车辆骑出数量峰值预测；
所述多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型，其中，所述第一骑入预测模型用于进行车辆骑入数量预测，所述第二骑入预测模型用于进行车辆骑入数量均值预测，所述第三骑入预测模型用于进行车辆骑入数量峰值预测。
在其中一个实施例中，所述针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量，包括：
根据所述目标区块的区块特征信息，确定所述目标区块的预测策略；
根据所述预测策略，确定所述目标区块对应的目标预测周期；
根据所述目标预测周期、及多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
根据所述目标预测周期、及多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
在其中一个实施例中，所述根据所述预测策略，确定所述目标区块对应的目标预测周期，包括：
在所述预测策略为离线预测策略的情况下，确定所述目标区块对应的目标预测周期为第一预测周期，所述第一预测周期包括多个时间区间；或者，
在所述预测策略为实时预测策略的情况下，确定所述目标区块对应的目标预测周期为第二预测周期，所述第二预测周期包括一个时间区间。
在其中一个实施例中，在所述目标区块对应的所述预测策略为所述离线预测策略的情况下，所述多个骑出预测模型均为离线骑出预测模型，所述多个骑入预测模型均为离线骑入预测模型，
所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量，包括：
获取所述第一预测周期的预测时间点以及各所述预测时间点对应的时间区间；
判断当前时间点是否为所述预测时间点，在所述当前时间点不为所述预测时间点的情况下，获取所述目标区块在所述当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量；或者，
在所述当前时间点为所述预测时间点的情况下，根据所述当前时间点对应的所述预测时间点，从所述第一预测周期内确定所述目标时间区间，根据所述多个离线骑出预测模型和所述多个离线骑入预测模型分别对所述目标区块的区块特征信息及所述当前时间点进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
在其中一个实施例中，在所述目标区块对应的所述预测策略为所述实时预测策略的情况下，所述多个骑出预测模型均为实时骑出预测模型，所述多个骑入预测模型均为实时骑入预测模型，
所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量，包括：
获取当前时间点对应的当前时间标识，并确定所述第二预测周期的目标时间标识，所述第二预测周期为所述当前时间点所在时间区间的下一时间区间；
根据所述多个实时骑出预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑出数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑出预测数量；
根据所述多个实时骑入预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑入数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑入预测数量。
在其中一个实施例中，所述根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，包括：
获取所述目标区块中对照车辆的数量，所述对照车辆为在当前时间区间内，所述目标区块中存在的车辆；
根据所述目标区块中的所述对照车辆的数量、所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述对照车辆的数量与所述预测车辆需求数量负相关，所述目标预测骑入数量与所述车辆需求数量负相关，所述目标预测骑出数量与所述预测车辆需求数量正相关。
在其中一个实施例中，所述方法还包括：
将所述目标预测周期进行划分处理，得到多个细化时间区间；
针对每一所述细化时间区间，基于所述细化时间区间对应的历史车辆数据，构建所述细化时间区间对应的第一训练集；
根据所述第一训练集，分别对初始骑出模型和初始骑入模型进行模型训练，得到所述细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
在其中一个实施例中，所述针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量，包括：
针对目标时间区间，获取所述目标时间区间对应的细化时间区间；
采用所述细化时间区间对应的多个细化骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
采用所述细化时间区间对应的多个细化骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
在其中一个实施例中，所述方法还包括：
针对所述目标预测周期中的每一所述时间区间，获取在所述时间区间内所述目标区块对应的真实车辆骑出数量和真实车辆骑入数量；
基于准确度计算策略，根据所述时间区间内所述目标区块对应的所述真实车辆骑出数量和所述真实车辆骑入数量，确定所述时间区间内所述目标区块对应的所述目标预测骑出数量的骑出准确度和所述目标预测骑入数量的骑入准确度；
在目标准确度低于预设准确度阈值的情况下，对所述目标准确度对应的预测模型的模型进行迭代处理，得到模型参数更新后的所述预测模型，所述目标准确度为所述骑出准确度和/或所述骑入准确度。
第二方面，本申请还提供了一种车辆需求预测装置。所述装置包括：
第一获取模块，用于获取目标区块的区块特征信息；
预测模块，用于针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量；
融合模块，用于对多个所述骑出预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑出数量，及对所述多个骑入预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑入数量；
第一确定模块，用于根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述目标时间区间为目标预测周期中的任一时间区间。
在其中一个实施例中，所述多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型，其中，所述第一骑出预测模型用于进行车辆骑出数量预测，所述第二骑出预测模型用于进行车辆骑出数量均值预测，所述第三骑出预测模型用于进行车辆骑出数量峰值预测；
所述多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型，其中，所述第一骑入预测模型用于进行车辆骑入数量预测，所述第二骑入预测模型用于进行车辆骑入数量均值预测，所述第三骑入预测模型用于进行车辆骑入数量峰值预测。
在其中一个实施例中，所述预测模块具体用于：
根据所述目标区块的区块特征信息，确定所述目标区块的预测策略；
根据所述预测策略，确定所述目标区块对应的目标预测周期；
根据所述目标预测周期、及多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
根据所述目标预测周期、及多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
在其中一个实施例中，所述预测模块具体用于：
在所述预测策略为离线预测策略的情况下，确定所述目标区块对应的目标预测周期为第一预测周期，所述第一预测周期包括多个时间区间；或者，
在所述预测策略为实时预测策略的情况下，确定所述目标区块对应的目标预测周期为第二预测周期，所述第二预测周期包括一个时间区间。
在其中一个实施例中，所述预测模块具体用于：
所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量，包括：
获取所述第一预测周期的预测时间点以及各所述预测时间点对应的时间区间；
判断当前时间点是否为所述预测时间点，在所述当前时间点不为所述预测时间点的情况下，获取所述目标区块在所述当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量；或者，
在所述当前时间点为所述预测时间点的情况下，根据所述当前时间点对应的所述预测时间点，从所述第一预测周期内确定所述目标时间区间，根据所述多个离线骑出预测模型和所述多个离线骑入预测模型分别对所述目标区块的区块特征信息及所述当前时间点进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
在其中一个实施例中，所述预测模块具体用于：
获取当前时间点对应的当前时间标识，并确定所述第二预测周期的目标时间标识，所述第二预测周期为所述当前时间点所在时间区间的下一时间区间；
根据所述多个实时骑出预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑出数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑出预测数量；
根据所述多个实时骑入预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑入数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑入预测数量。
在其中一个实施例中，所述第一确定模块具体用于：
获取所述目标区块中对照车辆的数量，所述对照车辆为在当前时间区间内，所述目标区块中存在的车辆；
根据所述目标区块中的所述对照车辆的数量、所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述对照车辆的数量与所述预测车辆需求数量负相关，所述目标预测骑入数量与所述车辆需求数量负相关，所述目标预测骑出数量与所述预测车辆需求数量正相关。
在其中一个实施例中，所述装置还包括：
划分模块，用于将所述目标预测周期进行划分处理，得到多个细化时间区间；
构建模块，用于针对每一所述细化时间区间，基于所述细化时间区间对应的历史车辆数据，构建所述细化时间区间对应的第一训练集；
训练模块，用于根据所述第一训练集，分别对初始骑出模型和初始骑入模型进行模型训练，得到所述细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
在其中一个实施例中，所述预测模块具体用于：
针对目标时间区间，获取所述目标时间区间对应的细化时间区间；
采用所述细化时间区间对应的多个细化骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
采用所述细化时间区间对应的多个细化骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
在其中一个实施例中，所述装置还包括：
第二获取模块，用于针对所述目标预测周期中的每一所述时间区间，获取在所述时间区间内所述目标区块对应的真实车辆骑出数量和真实车辆骑入数量；
第二确定模块，用于基于准确度计算策略，根据所述时间区间内所述目标区块对应的所述真实车辆骑出数量和所述真实车辆骑入数量，确定所述时间区间内所述目标区块对应的所述目标预测骑出数量的骑出准确度和所述目标预测骑入数量的骑入准确度；
迭代模块，用于在目标准确度低于预设准确度阈值的情况下，对所述目标准确度对应的预测模型的模型进行迭代处理，得到模型参数更新后的所述预测模型，所述目标准确度为所述骑出准确度和/或所述骑入准确度。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中各车辆需求预测方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述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中各车辆需求预测方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，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中各车辆需求预测方法的步骤。
上述车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标区块的区块特征信息；针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量；对多个所述骑出预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑出数量，及对所述多个骑入预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑入数量；根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述目标时间区块为目标预测周期中的任一时间区间。由于本方案提供的车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品，通过多个骑出预测模型和骑入预测模型进行骑出数量和骑入数量的预测，并对多个预测结果进行加权融合处理，可以得到更精准的预测骑出数量和预测骑入数量，进而可以提高目标区块中车辆需求数量的预测精度。
附图说明
图1为一个实施例中车辆需求预测方法的流程示意图；
图2为一个实施例中确定多个骑出预测数量和多个骑入预测数量的流程示意图；
图3为一个实施例中确定目标区块对应的目标预测周期的流程示意图；
图4为一个实施例中在预测策略为离线预测策略情况下进行预测处理的流程示意图；
图5为一个实施例中在预测策略为实时预测策略情况下进行预测处理的流程示意图；
图6为一个实施例中确定预测车辆需求数量的流程示意图；
图7为一个实施例中得到多个细化骑出预测模型和多个细化骑入模型的流程示意图；
图8为另一个实施例中确定多个骑出预测数量和多个骑入预测数量的流程示意图；
图9为另一个实施例中对预测模型进行迭代处理的流程示意图；
图10为一个实施例中车辆需求预测装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种车辆需求预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取目标区块的区块特征信息。
其中，区块为城市内部用于反映不同区域车辆需求的地理区块，区块可以为任意形状和面积的地理区域，例如面积为一般为1500至3000平方米的区块，本申请实施例对此不作具体限定。目标区块为包含至少一个车站的区块。区块还可以基于uber-h3（六边形空间索引），geohash（一维地址编码）等地理区域划分方式均可以用于确定区块，本申请实施例对此不做限定。
车站即停放车辆的站点，可以根据车辆停放情况进行设定，例如预设面积的范围内，车辆需求数量超过预设停放阈值，即将该范围作为一个车站。每一车站以中心点经纬度为坐标，为预设面积的圆形区域，例如半径为25米的圆形区域，对于车站的形状和大小，本申请实施例不做具体限定，且各车站的范围不重叠。
区块特征信息可以包括区块特征、时段特征、区块时段交叉特征和城市计算资源情况，区块特征可以包括区块的面积、区块对应的人口数量和人口分布、人流量、车流量、路网、POI（Point of interesting，非地理意义的兴趣点）、AOI（area of interes，具有边界的兴趣点）、路网、热力值、海拔、是否包含车站、包含POI的个数、POI权重和、重要POI类型、包含的路网数目、路网交点位置、路网等级等；时段特征可以包括是否处于高峰期、能见度、温度、是否降雨、降雨量、压强、风速、风力、风向、相对湿度、体感温度、云量、实况天气、空气质量指数等；区块时段交叉特征可以包括当前时间区间车辆骑出/入数量、前一时间区间车辆骑出/入数量、后一时间区间车辆骑出/入数量、每一时间区间对应七天历史车辆数据最大、最小、平均、中位数的车辆骑出/入数量、近七天该时间区间以及对应前、后时间区间的历史车辆数据的平均车辆骑出/入数量、近十四天该时间区间以及对应前、后时间区间的历史车辆数据的平均车辆骑出/入数量、近二十八天该时间区间以及对应前、后时间区间的历史车辆数据平均车辆骑出/入数量、近五个工作日该时间区间以及对应前、后时间区间的历史车辆数据的平均车辆骑出/入数量、近四周同一工作日对应最大、最小、平均、中位数的车辆骑出/入数量、近四周同一工作日该时间区间以及对应前、后时间区间的历史车辆数据的平均车辆骑出/入数量、区块该时间区间前一天的前一时段、相同时段、后一时段的历史车辆数据的平均车辆骑入数量、区块该时间区间前一周的前一时段、相同时段、后一时段的历史车辆数据的平均车辆骑入数量、区块前一天是否下雨、区块语义相邻n个区块的该时间区间对应近七天对应七天历史车辆数据最大、最小、平均、中位数的车辆骑出/入数量、同区块地理相邻(即距离最近的)n个区块的该时间区间对应近七天对应七天历史车辆数据最大、最小、平均、中位数的车辆骑出/入数量、当前时间区间实时订单数量、实时人流、同时段当前区块的车流量、交通状况、交通状况路段数。
对于区块特征信息中的区块特征、时段特征、区块时段交叉特征具体可以以及技术人员在实际应用中进行添加或修改，本申请实施例对此不做具体限定。
本申请实施例中，针对每一个目标区块，服务器可以通过网络通信获取该目标区块的区块特征信息。具体地，服务器可以通过网络通信获取城市计算资源情况、区块特征信息中的区块特征、时段特征和区块时段交叉特征。
步骤104，针对目标时间区间，采用多个骑出预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑入预测数量。
其中，时间区间为具有起始时间和结束时间的时间段，目标时间区间为待进行预测处理的时间区间，时间区间可以为基于预设时间划分条件进行划分得到的，例如将24小时划分为48个时间区间。
本申请实施例中，服务器在当前时间区间，根据目标区块的区块特征信息，确定目标区块对应的预测策略。服务器根据预测策略，确定目标区间对应的目标预测周期。
针对目标预测周期的目标时间区间，服务器根据目标区块的区块特征信息，分别采用多个骑出预测模型目标区块进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量。同时，服务器根据目标区块的区块特征信息，采用多个骑入预测模型分别对目标区块进行预测处理，得到目标区块在目标时间区间对应的多个骑入预测数量。
其中，对于骑出预测模型以及骑入预测模型，可以根据技术人员在实际应用中确定预测模型的数目，本申请实施例不做具体限定。
步骤106，对多个骑出预测数量进行加权融合处理，得到目标区块在目标时间区间对应的目标预测骑出数量，及对多个骑入预测数量进行加权融合处理，得到目标区块在目标时间区间对应的目标预测骑入数量。
本申请实施例中，服务器可以分别对多个骑出预测数量和多个骑入预测数量进行加权融合处理。具体地，服务器可以对各骑出预测数量分配对应的权重，基于各骑出预测数量对应的权重，进行加权平均处理，得到目标区块在目标时间区间对应的目标预测骑出数量，对各骑入预测数量分配对应的权重，基于各骑入预测数量对应的权重，进行加权平均处理，得到目标区块在目标时间区间对应的目标预测骑入数量。
优选地，服务器还可以根据bagging（bootstrap aggregating，自助聚集）策略，分别对多个骑出预测数量进行加权融合处理，得到目标区块在目标时间区间对应的目标预测骑出数量，并对多个骑入预测数量进行加权融合处理，得到目标区块在目标时间区间对应的目标预测骑入数量。
其中，任一能够实现加权融合功能的算法均可应用至本实施例中，本实施例对此不作具体限定。
优选地，对于车辆使用较少的区块，难以准确预测出预测骑入数量和预测骑出数量，这种随机性很强的区块就需要一些预测后的处理策略，例如将预测骑入数量和预测骑出数量<0.5的数量置为0，将0.5<=预测骑入数量和预测骑出数量<1单的数量置为1，从而可以消除预测的噪声和波动，得到更加平滑和稳定的预测结果，提高预测精度。
步骤108，根据目标预测骑出数量和目标预测骑入数量，确定目标区块在目标时间区间对应的预测车辆需求数量。
其中，目标时间区块为目标预测周期中的任一时间区间，目标区块中包含调度车站，调度车站可以为各车站中车辆数量最多的车站。
本申请实施例中，服务器根据目标预测骑出数量和目标预测骑入数量，在目标预测骑出数量大于目标预测骑入数量时，表征目标区块存在车辆需求，服务器根据目标预测骑出数量和目标预测骑入数量的差值，确定目标区块在目标时间区间对应的预测车辆需求数量为正数。在目标预测骑出数量小于目标预测骑入数量时，表征目标区块存在车辆盈余，服务器根据目标预测骑出数量和目标预测骑入数量的差值，确定目标区块在目标时间区间对应的预测车辆需求数量为负数。
服务器根据目标区块在目标时间区间对应的预测车辆需求数量，向管理平台发送车辆调度消息，车辆调度消息用于指示管理平台根据预测车辆需求数量，向目标区块的调度车站中进行车辆调度。
上述车辆需求预测方法中，通过获取目标区块的区块特征信息；针对目标时间区间，采用多个骑出预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑入预测数量；对多个骑出预测数量进行加权融合处理，得到目标区块在目标时间区间对应的目标预测骑出数量，及对多个骑入预测数量进行加权融合处理，得到目标区块在目标时间区间对应的目标预测骑入数量；根据目标预测骑出数量和目标预测骑入数量，确定目标区块在目标时间区间对应的预测车辆需求数量，其中，目标时间区间为目标预测周期中的任一时间区间。由于本方案提供的车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品，通过多个骑出预测模型和骑入预测模型进行骑出数量和骑入数量的预测，并对多个预测结果进行加权融合处理，可以得到更精准的预测骑出数量和预测骑入数量，进而可以提高目标区块中车辆需求数量的预测精度。
在一个实施例中，多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型。
其中，第一骑出预测模型用于进行车辆骑出数量预测，第二骑出预测模型用于进行车辆骑出数量均值预测，第三骑出预测模型用于进行车辆骑出数量峰值预测。各骑出预测模型是基于初始骑出模型进行模型训练得到的，初始骑出模型可以为xgboost（eXtremeGradient Boosting，梯度提升算法）模型、神经网络等模型，对于初始骑出模型，本申请不做限定。
本申请实施例中，服务器可以基于历史车辆数据获取历史车辆数据，并根据历史车辆数据得到第一骑出训练集、第二骑出训练集和第三骑出训练集。
其中，历史车辆数据包括各区块中各时间区间对应的车辆真实骑出数量和车辆真实骑入数量，以及各时间区间对应的区块特征信息。第一骑出训练集包含各区块的区块特征信息和多个车辆真实骑出数量数据，每一车辆真实骑出数量数据包含车辆真实骑出数量、车辆真实骑出数量对应的时间区间标识；第二骑出训练集包含各区块的区块特征信息和多个车辆真实骑出数量数据均值，每一车辆真实骑出数量数据均值为一个时间区间的前后n个时间区间对应的车辆真实骑出数量的均值，第三骑出训练集包含各区块的区块特征信息和多个车辆真实骑出数量数据峰值，每一车辆真实骑出数量数据峰值为一个时间区间的前后n个时间区间对应的车辆真实骑出数量的峰值。
服务器将第一骑出训练集、第二骑出训练集和第三骑出训练集分别输入至初始骑出模型进行模型训练，得到第一骑出预测模型、第二骑出预测模型和第三骑出预测模型。
多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型。
其中，第一骑入预测模型用于进行车辆骑入数量预测，第二骑入预测模型用于进行车辆骑入数量均值预测，第三骑入预测模型用于进行车辆骑入数量峰值预测。各骑入预测模型是基于初始骑入模型进行模型训练得到的，初始骑入模型可以为xgboost模型、神经网络等模型，初始骑入模型和初始骑出模型可以为同一模型，也可以为不同模型，本申请实施例对此不做限定。
本申请实施例中，服务器根据历史车辆数据得到第一骑入训练集、第二骑入训练集和第三骑入训练集。
其中，第一骑入训练集包含各区块的区块特征信息和多个车辆真实骑入数量数据，每一车辆真实骑入数量数据包含车辆真实骑入数量、车辆真实骑入数量对应的时间区间标识；第二骑入训练集包含各区块的区块特征信息和多个车辆真实骑入数量数据均值，每一车辆真实骑入数量数据均值为一个时间区间的前后n个时间区间对应的车辆真实骑入数量的均值，第三骑入训练集包含各区块的区块特征信息和多个车辆真实骑入数量数据峰值，每一车辆真实骑入数量数据峰值为一个时间区间的前后n个时间区间对应的车辆真实骑入数量的峰值。
服务器将第一骑入训练集、第二骑入训练集和第三骑入训练集分别输入至初始骑入模型进行模型训练，得到第一骑入预测模型、第二骑入预测模型和第三骑入预测模型。
可以理解的是，多个预测模型中还可以包含基于一个时间区间的前后n个时间区间对应的车辆真实骑入/出数量的最小值等车辆历史数据得到的预测模型，本申请实施例对预测模型的数量不做具体限定。
本实施例中，通过历史车辆数据获取用于进行车辆骑出/入数量预测的第一骑出/入预测模型，用于进行车辆骑出/入数量均值预测的第二骑出/入预测模型，用于进行车辆骑出/入数量峰值预测的第三骑出/入预测模型，能够对车辆骑出/入数量通过三个模型进行预测，各得到三个预测结果，便于后续通过加权融合处理，得到更精确的预测结果，提高了预测准确度。
在一个实施例中，如图2所示，步骤104包括：
步骤202，根据目标区块的区块特征信息，确定目标区块的预测策略。
本申请实施例中，服务器根据目标区块的区块特征信息中城市计算资源情况，确定城市计算资源情况对应的预测策略。
其中，预测策略可以包括实时预测策略以及离线预测策略。
具体地，服务器在目标区块对应的城市计算资源情况较为良好的情况下，可以采取离线预测策略与实时预测策略协同预测的预测策略进行预测，即先对目标区块进行离线预测，再根据当前时间区间对目标区块进行实时预测，根据实时预测得到的预测结果，对离线预测得到的预测结果进行更新处理。
服务器在目标区块对应的城市计算资源情况较差的情况下，仅对目标区块采用离线预测策略进行预测。
可以理解的是，服务器可以先获取城市计算资源情况，在该城市的城市计算资源情况良好的情况下，再对该城市的全部区块采取离线预测与实时预测协同预测的预测策略进行预测处理；服务器还可以在该城市的城市计算资源情况较差的情况下，根据区块中的车辆数量，确定区块优先级，根据区块优先级先后顺序，采取离线预测与实时预测协同预测的预测策略对区块进行预测处理。
步骤204，根据预测策略，确定目标区块对应的目标预测周期。
本申请实施例中，服务器根据目标区块对应的预测策略，确定目标区块对应的目标预测周期。具体地，在预测策略为实时预测的情况下，目标预测周期为当前时间的下一时间区间。在预测策略为离线预测的情况下，目标预测周期可以为预设数目个自然日（即24小时），例如两个自然日。
步骤206，根据目标预测周期、及多个骑出预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量。
本申请实施例中，服务器在确定目标预测周期后，将目标区块的区块特征信息输入分别至多个骑出预测模型中进行模型预测，得到目标区块在目标时间区间对应的多个骑出预测数量。
步骤208，根据目标预测周期、及多个骑入预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑入预测数量。
本申请实施例中，服务器将目标区块的区块特征信息输入分别至多个骑入预测模型中进行模型预测，得到目标区块在目标时间区间对应的多个骑入预测数量。
本实施例中，服务器能够根据目标区块的区块特征信息，确定目标区块的对应的预测策略，便于后续根据预测策略对应的目标预测周期，采用多个骑出预测模型和多个骑入预测模型分别对目标区块的进行预测处理，得到预测结果。
在一个实施例中，如图3所示，步骤204包括：
步骤302，在预测策略为离线预测策略的情况下，确定目标区块对应的目标预测周期为第一预测周期。
其中，第一预测周期包括多个时间区间。
本申请实施例中，服务器可以预先存储有预测策略以及目标预测周期的映射关系。服务器在预测策略为离线预测策略的情况下，根据预测策略以及目标预测周期的映射关系，确定目标区块对应的目标预测周期为第一预测周期。
步骤304，在预测策略为实时预测策略的情况下，确定目标区块对应的目标预测周期为第二预测周期。
其中，第二预测周期包括一个时间区间。
本申请实施例中，服务器在预测策略为实时预测策略的情况下，根据预测策略以及目标预测周期的映射关系，确定目标区块对应的目标预测周期为第二预测周期。
本实施例中，服务器可以根据预测策略以及目标预测周期的映射关系，确定预测策略对应的目标预测周期，便于后续根据预测策略对应的目标预测周期，对目标区块的车辆需求数量进行预测处理。
在一个实施例中，如图4所示，在目标区块对应的预测策略为离线预测策略的情况下，多个骑出预测模型均为离线骑出预测模型，多个骑入预测模型均为离线骑入预测模型，步骤206包括：
步骤402，获取第一预测周期的预测时间点以及各预测时间点对应的时间区间。
本申请实施例中，服务器根据离线预测策略，确定离线预测策略对应的预测时间点。示例性地，在第一预测周期为两个自然日（即当日和第二日），一个自然日为48个时间区间的情况下，预测时间点可以为当日5点、13点、9点和17点，当日5点对应的时间区间为当日0至47时间区间（即48个时间区间），当日13点对应的时间区间为当日0至47时间区间（即48个时间区间），当日9点对应的时间区间为第二日0至18分片时间区间（即19个时间区间），当日17点对应的时间区间为第二日0至34分片时间区间（即35个时间区间）。
可以理解的是，预测时间点和预测时间点对应的时间区间的确定方式为在到达预测时间点时，对预测时间点之后的预设数目个时间区间进行预测，以此类推，得到目标预测周期内的所有时间区间的预测结果。
步骤404，判断当前时间点是否为预测时间点，在当前时间点不为预测时间点的情况下，获取目标区块在当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
本申请实施例中，以预测时间点为当日5点进行举例，服务器获取当前时间点，例如当前时间点为当日3点，服务器判断当前时间点是否为预测时间点。在当前时间点不为预测时间点的情况下，服务器在预先存储的预测结果中，获取目标区块在当日3点对应的时间区间的多个骑出预测数量和多个骑入预测数量。
步骤406，在当前时间点为预测时间点的情况下，根据当前时间点对应的预测时间点，从第一预测周期内确定目标时间区间，根据多个离线骑出预测模型和多个离线骑入预测模型分别对目标区块的区块特征信息及当前时间点进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
本申请实施例中，以预测时间点为当日5点进行举例，服务器获取当前时间点，例如当前时间点为当日5点，服务器判断当前时间点是否为预测时间点。在当前时间点为预测时间点的情况下，服务器根据目标区块在当日5点对应的区块特征信息，对目标区块在当日5点对应的时间区间（即0至47时间区间）进行预测处理。
具体地，服务器根据多个离线骑出预测模型和多个离线骑入预测模型分别对目标区块在当日5点对应的时间区间进行预测处理，得到目标区块在当日5点对应的时间区间的多个骑出预测数量和多个骑入预测数量。
本实施例中，在目标区块对应的预测策略为离线预测策略的情况下，服务器根据当前时间点和预测时间点，进行目标预测周期的全覆盖预测，例如在两个自然日为一个目标预测周期的情况下，能够得到两个自然日内每一时间区间的预测结果，能够保证管理平台在预测时间点提前获取目标预测周期中每一时间区间的检测效果，能够避免在服务器计算资源不足时，无法获取预测结果的情况，提高了预测处理的稳定性。
在一个实施例中，如图5所示，在目标区块对应的预测策略为实时预测策略的情况下，多个骑出预测模型均为实时骑出预测模型，多个骑入预测模型均为实时骑入预测模型，步骤206包括：
步骤502，获取当前时间点对应的当前时间标识，并确定当前时间点对应的目标时间区间的目标时间标识。
其中，目标时间区间为当时时间点所在时间区间的下一时间区间，时间标识用于标识时间区间的编号，例如在一个自然日划分为48个时间区间的情况下，0至0点30分为0号时间区间，0点30分至1点为1号时间区间。本申请实施例对于时间标识不作具体限定。
本申请实施例中，服务器中预先存储有时间区间和时间区间标识的映射关系。服务器在该映射关系中获取当前时间点所在时间区间对应的当前时间标识以及当前时间点所在时间区间的下一时间区间对应的目标时间标识。
步骤504，根据多个实时骑出预测模型对目标区块的区块特征信息、目标时间区间对应的目标时间标识和当前时间标识对应的真实骑出数量进行预测处理，得到目标区块在第二预测周期对应的多个骑出预测数量。
本申请实施例中，服务器将目标区块的区块特征信息、目标时间区间对应的目标时间标识和当前时间标识对应的真实骑出数量，作为多个实时骑出预测模型的输入，分别输入至多个实时骑出预测模型中，得到目标区块在第二预测周期对应的多个骑出预测数量。
步骤506，根据多个实时骑入预测模型对目标区块的区块特征信息、目标时间区间对应的目标时间标识和当前时间标识对应的真实骑入数量进行预测处理，得到目标区块在第二预测周期对应的多个骑入预测数量。
本申请实施例中，服务器将目标区块的区块特征信息、目标时间区间对应的目标时间标识和当前时间标识对应的真实骑入数量作为多个实时骑入预测模型的输入，分别输入至多个实时骑入预测模型中，得到目标区块在第二预测周期对应的多个骑入预测数量。
可以理解的是，在区块特征信息中的区块时段交叉特征包括各时间区间对应的真实车辆骑出/入数量的情况下，实时骑入预测模型与离线骑入预测模型可以为同一模型，实时骑出预测模型与离线骑出预测模型可以为同一模型；在区块特征信息中的区块时段交叉特征不包括各时间区间对应的真实车辆骑出/入数量的情况下，实时骑入预测模型与离线骑入预测模型一定不为同一模型，实时骑出预测模型与离线骑出预测模型一定不为同一模型。
本实施例中，在目标区块对应的预测策略为实时预测策略的情况下，服务器能够基于当前时间区间对应的区块特征信息、当前时间区间的真实骑出数量、真实骑入数量进行预测处理。由于实时预测策略对应的模型输入（即当前时间区间对应的区块特征信息、当前时间区间的真实骑出数量、真实骑入数量）均为实时产生，因此能够在城市计算资源情况良好时，提高下一时间区间的预测结果的准确度。
在一个实施例中，如图6所示，步骤108包括：
步骤602，获取目标区块中对照车辆的数量。
其中，对照车辆为在当前时间区间内，目标区块中存在的车辆。
本申请实施例中，服务器可以获取目标区块中对照车辆的数量。示例性地，服务器在当前时间区间内，根据车辆上预先安装的GPS（Global Positioning System，全球定位系统）定位器，获取车辆定位信号，得到在当前时间区间内停留在目标区块中的车辆的数量。服务器将在当前时间区间内停留在目标区块中的车辆作为对照车辆。
步骤604，根据目标区块中的对照车辆的数量、目标预测骑出数量和目标预测骑入数量，确定目标区块在目标时间区间对应的预测车辆需求数量。
其中，对照车辆的数量与预测车辆需求数量负相关，目标预测骑入数量与车辆需求数量负相关，目标预测骑出数量与预测车辆需求数量正相关。
本申请实施例中，服务器根据目标区块中的对照车辆的数量、目标预测骑出数量和目标预测骑入数量，计算目标区块在目标时间区间对应的预测车辆需求数量。其中，车辆需求数量可以为目标区块中所需的全部车辆数量，也可以为目标区块中需要进行调度的数量。
以预测车辆需求数量为目标区块中需要进行调度的数量进行举例，目标区块在目标时间区间对应的预测车辆需求数量的计算方式可以参考公式（1），具体计算过程如下：
S= C-A-B 公式（1）
其中，S表示预测车辆需求数量，C表示目标预测骑出数量，A表示对照车辆的数量，B表示目标预测骑入数量。在S（即预测车辆需求数量）为正数的情况下，表征预测得到目标区间存在车辆调度需求，管理平台可以根据S值向目标区块中进行增加车辆调度，在S为负数的情况下，表征预测得到目标区间存在车辆调度盈余，管理平台可以根据S值从目标区块中进行减少车辆调度。
本实施例中，服务器能够根据目标对照车辆的数量、目标预测骑出数量和目标预测骑入数量，确定目标区块在目标时间区间对应的预测车辆需求数量，实现了通过管理平台根据预测车辆需求数量，对目标区块的车辆数量进行调度处理的效果。
在一个实施例中，如图7所示，上述方法还包括：
步骤702，将目标预测周期进行划分处理，得到多个细化时间区间。
本申请实施例中，服务器可以将目标预测周期进行划分处理，得到多个细化时间区间。示例性地，服务器获取自身所在城市的潮汐交通情况（即人流量以及车流量高峰时期分布情况）车辆，得到多个时段，例如入眠时段(当日23点至第二日5点)、高峰时段(为当日6点至8点、当日12点至14点、当日17点至19点)、非高峰时段(当日除入眠时段和高峰时段的其余时间段)。服务器将多个时段作为多个细化时间区间。
其中，对于确定高峰时段的方式，还可以依据服务器根据车辆订单数据的时间区间标识进行统计得到，本申请实施例对于确定高峰时段的方式不做具体限定。对于细化时间区间的数目，本申请不做具体限定。
步骤704，针对每一细化时间区间，基于细化时间区间对应的历史车辆数据，构建细化时间区间对应的第一训练集。
其中，训练集中包括各区块的区块特征信息、多个车辆真实骑出数量数据和多个车辆真实骑入数量数据，每一车辆真实骑出数量数据包含车辆真实骑出数量与车辆真实骑出数量对应的时间区间标识，每一车辆真实骑入数量数据包含车辆真实骑入数量与车辆真实骑入数量对应的时间区间标识。
本申请实施例中，针对每一细化时间区间，服务器基于细化时间区间对应的历史车辆数据，构建细化时间区间对应的训练集。
示例性地，服务器在细化时间区间为当日6点至8点时，在历史车辆数据中获取多个自然日中6点至8点的历史车辆数据，将多个自然日中6点至8点的历史车辆数据作为该细化时间区间的训练集。
步骤706，根据第一训练集，分别对初始骑出模型和初始骑入模型进行模型训练，得到细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
本申请实施例中，服务器针对每一细化时间区间，根据该细化时间区间对应的训练集，确定第二训练集和第三训练集。
其中，第二训练集中包括各区块的区块特征信息、多个车辆真实骑出数量数据，每一车辆真实骑出数量数据包含车辆真实骑出数量与车辆真实骑出数量对应的时间区间标识；第三训练集中包括各区块的区块特征信息、多个车辆真实骑入数量数据，每一车辆真实骑入数量数据包含车辆真实骑入数量与车辆真实骑入数量对应的时间区间标识。
服务器根据第二训练集分别对初始骑出模型进行模型训练，得到细化时间区间对应的细化骑出预测模型，并根据第三训练集分别对初始骑入模型进行模型训练，得到细化时间区间对应的细化骑入预测模型。
可选地，服务器还可以基于第二训练集确定多个子训练集，并基于多个子训练集，得到该细化时间区间对应的第一骑出预测模型、第二骑出预测模型和第三骑出预测模型，基于第三训练集确定多个子训练集，并基于多个子训练集，得到该细化时间区间对应的第一骑入预测模型、第二骑入预测模型和第三骑入预测模型。
其中，对于得到第一骑出预测模型、第二骑出预测模型和第三骑出预测模型，以及第一骑入预测模型、第二骑入预测模型和第三骑入预测模型的方法，已经在前述实施例中进行详细阐述，此处不再赘述。
在另一种实现方式中，服务器还可以将各个区块划分为重点区块(例如所在城市订单数量的10%的区块)和非重点区块，还可以对时空场景分为重点高峰、重点非高峰、其余场景，分别训练模型。本申请对于上述实现方式的模型训练过程和预测过程可以参照前述实施例，此处不再赘述。
本实施例中，通过对各时间区间分别训练预测模型，由于在模型训练时，采用了该时间区间对应的训练数据，能够提高对各个时间区间预测的准确度。
在一个实施例中，如图8所示，步骤104包括：
步骤802，针对目标时间区间，获取目标时间区间对应的细化时间区间。
本申请实施例中，针对目标时间区间，服务器获取目标时间区间对应的细化时间区间。
示例性地，服务器在目标时间区间为0至0点30分的情况下，确定0至0点30分的细化时间区间为入眠时段对应的细化时间区间。
步骤804，采用细化时间区间对应的多个细化骑出预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量。
本申请实施例中，服务器根据目标区块的区块特征信息、目标时间区间的目标时间标识，采用该细化时间区间（例如入眠时段对应的细化时间区间）对应的多个细化骑出预测模型，分别对目标区块进行预测处理，得到目标区块在目标时间区间对应的多个骑出预测数量。
步骤806，采用细化时间区间对应的多个细化骑入预测模型分别对目标区块的区块特征信息进行预测处理，得到目标区块在目标时间区间对应的多个骑入预测数量。
本申请实施例中，服务器根据目标区块的区块特征信息、目标时间区间的目标时间标识，采用该细化时间区间（例如入眠时段对应的细化时间区间）对应的多个细化骑入预测模型，分别对目标区块进行预测处理，得到目标区块在目标时间区间对应的多个骑入预测数量。
本实施例中，通过对各时间区间分别训练的预测模型，对各个时间区间进行精细化预测，能够提高预测处理的准确度。
在一个实施例中，如图9所示，上述方法还包括：
步骤902，针对目标预测周期中的每一时间区间，获取在时间区间内目标区块对应的真实车辆骑出数量和真实车辆骑入数量。
本申请实施例中，针对目标预测周期中的每一时间区间，服务器可以根据车辆订单数据，获取在时间区间内目标区块对应的真实车辆骑出数量和真实车辆骑入数量。
步骤904，基于准确度计算策略，根据时间区间内目标区块对应的真实车辆骑出数量和真实车辆骑入数量，确定时间区间内目标区块对应的目标预测骑出数量的骑出准确度和目标预测骑入数量的骑入准确度。
本申请实施例中，服务器获取预先存储的准确度计算策略。示例性地，准确度计算策略可以为RMSE（Root Mean Square Error，均方根误差）策略，具体准确度计算方法可以参考公式（2），具体计算过程如下：
Figure SMS_1
公式（2）
其中，RMSE表示偏离程度，
Figure SMS_2
表示第i个样本点的真实值，/>
Figure SMS_3
表示第i个样本点的预测值，n表示样本点数目。RMSE与准确度成反比。
服务器可以预先存储有偏离程度和准确度的映射关系，将时间区间的数目代入公式（2）中的n，将每一时间区间对应的真实车辆骑出数量代入
Figure SMS_4
，将每一时间区间对应的目标预测骑出数量代入/>
Figure SMS_5
，得到目标预测骑出数量的偏离程度，并根据偏离程度和准确度的映射关系，得到骑出准确度。
服务器将时间区间的数目代入公式（2）中的n，将每一时间区间对应的真实车辆骑入数量代入
Figure SMS_6
，将每一时间区间对应的目标预测骑入数量代入/>
Figure SMS_7
，得到目标预测骑入数量偏离程度，并根据偏离程度和准确度的映射关系，得到骑入准确度。
可选地，准确度计算策略可以为MAPE（Mean Absolute Percentage Error，平均绝对百分比误差）策略，具体准确度计算方法可以参考公式（3），具体计算过程如下：
Figure SMS_8
公式（3）
其中，MAPE表示偏离程度，
Figure SMS_9
表示第i个样本点的真实值，/>
Figure SMS_10
表示第i个样本点的预测值，n表示样本点数目。MAPE与准确度成反比。
可选地，准确度计算策略可以为MAE（Mean Absolute Error，平均绝对误差）策略，具体准确度计算方法可以参考公式（4），具体计算过程如下：
Figure SMS_11
公式（4）
其中，MAE表示偏离程度，
Figure SMS_12
表示第i个样本点的真实值，/>
Figure SMS_13
表示第i个样本点的预测值，n表示样本点数目。MAE与准确度成反比。
优选地，服务器可以将MAPE策略和MAE策略结合起来进行准确度评估， 例如真实值为0的区块采用MAE策略进行准确度评估，因为真实值为0时，
Figure SMS_14
无法做分母计算MAPE，真实值不为0的区块采用MAPE计算单位车辆数的偏离程度。
步骤906，在目标准确度低于预设准确度阈值的情况下，对目标准确度对应的预测模型的模型进行迭代处理，得到模型参数更新后的预测模型。
其中，目标准确度为骑出准确度和/或骑入准确度。
本申请实施例中，服务器中可以存储有准确度阈值，在骑出准确度、骑入准确度的任一准确度低于准确度阈值的情况下，服务器可以采用交叉验证方法调整模型参数。
其中，交叉验证是一种常用的模型选择和参数调整方法，它可以通过多次划分训练数据集和验证数据集来评估模型的性能和确定最佳参数。本申请对于交叉验证方法的实现不做具体限定。
在模型参数调整后，服务器基于训练集数据对预测模型进行迭代训练，得到模型参数更新后的预测模型。
本实施例中，通过使用交叉验证的方法来调整预测模型的模型参数，可以提高预测处理的精度和泛化性能。通过对各预测模型准确度的评估，对准确度低于预设准确度阈值的预测模型进行迭代处理，能够得到预测更准确的预测模型。
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车辆需求预测方法的车辆需求预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆需求预测装置实施例中的具体限定可以参见上文中对于车辆需求预测方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种车辆需求预测装置1000，包括：第一获取模块1002、预测模块1004、融合模块1006和第一确定模块1008，其中：
第一获取模块1002，用于获取目标区块的区块特征信息。
预测模块1004，用于针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
融合模块1006，用于对多个所述骑出预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑出数量，及对所述多个骑入预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑入数量。
第一确定模块1008，用于根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述目标时间区间为目标预测周期中的任一时间区间。
采用本公开实施例提供的车辆需求预测装置，能够通过多个骑出预测模型和骑入预测模型进行骑出数量和骑入数量的预测，并对多个预测结果进行加权融合处理，可以得到更精准的预测骑出数量和预测骑入数量，进而可以提高目标区块中车辆需求数量的预测精度。
在一个实施例中，所述多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型，其中，所述第一骑出预测模型用于进行车辆骑出数量预测，所述第二骑出预测模型用于进行车辆骑出数量均值预测，所述第三骑出预测模型用于进行车辆骑出数量峰值预测；
所述多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型，其中，所述第一骑入预测模型用于进行车辆骑入数量预测，所述第二骑入预测模型用于进行车辆骑入数量均值预测，所述第三骑入预测模型用于进行车辆骑入数量峰值预测。
在一个实施例中，所述预测模块1004具体用于：
根据所述目标区块的区块特征信息，确定所述目标区块的预测策略；
根据所述预测策略，确定所述目标区块对应的目标预测周期；
根据所述目标预测周期、及多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
根据所述目标预测周期、及多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
在一个实施例中，所述预测模块1004具体用于：
在所述预测策略为离线预测策略的情况下，确定所述目标区块对应的目标预测周期为第一预测周期，所述第一预测周期包括多个时间区间；或者，
在所述预测策略为实时预测策略的情况下，确定所述目标区块对应的目标预测周期为第二预测周期，所述第二预测周期包括一个时间区间。
在一个实施例中，所述预测模块1004具体用于：
所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量，包括：
获取所述第一预测周期的预测时间点以及各所述预测时间点对应的时间区间；
判断当前时间点是否为所述预测时间点，在所述当前时间点不为所述预测时间点的情况下，获取所述目标区块在所述当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量；或者，
在所述当前时间点为所述预测时间点的情况下，根据所述当前时间点对应的所述预测时间点，从所述第一预测周期内确定所述目标时间区间，根据所述多个离线骑出预测模型和所述多个离线骑入预测模型分别对所述目标区块的区块特征信息及所述当前时间点进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
在一个实施例中，所述预测模块1004具体用于：
获取当前时间点对应的当前时间标识，并确定所述第二预测周期的目标时间标识，所述第二预测周期为所述当前时间点所在时间区间的下一时间区间；
根据所述多个实时骑出预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑出数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑出预测数量；
根据所述多个实时骑入预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑入数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑入预测数量。
在一个实施例中，所述第一确定模块1008具体用于：
获取所述目标区块中对照车辆的数量，所述对照车辆为在当前时间区间内，所述目标区块中存在的车辆；
根据所述目标区块中的所述对照车辆的数量、所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述对照车辆的数量与所述预测车辆需求数量负相关，所述目标预测骑入数量与所述车辆需求数量负相关，所述目标预测骑出数量与所述预测车辆需求数量正相关。
在一个实施例中，所述装置还包括：
划分模块，用于将所述目标预测周期进行划分处理，得到多个细化时间区间；
构建模块，用于针对每一所述细化时间区间，基于所述细化时间区间对应的历史车辆数据，构建所述细化时间区间对应的第一训练集；
训练模块，用于根据所述第一训练集，分别对初始骑出模型和初始骑入模型进行模型训练，得到所述细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
在一个实施例中，所述预测模块1004具体用于：
针对目标时间区间，获取所述目标时间区间对应的细化时间区间；
采用所述细化时间区间对应的多个细化骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
采用所述细化时间区间对应的多个细化骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
在一个实施例中，所述装置还包括：
第二获取模块，用于针对所述目标预测周期中的每一所述时间区间，获取在所述时间区间内所述目标区块对应的真实车辆骑出数量和真实车辆骑入数量；
第二确定模块，用于基于准确度计算策略，根据所述时间区间内所述目标区块对应的所述真实车辆骑出数量和所述真实车辆骑入数量，确定所述时间区间内所述目标区块对应的所述目标预测骑出数量的骑出准确度和所述目标预测骑入数量的骑入准确度；
迭代模块，用于在目标准确度低于预设准确度阈值的情况下，对所述目标准确度对应的预测模型的模型进行迭代处理，得到模型参数更新后的所述预测模型，所述目标准确度为所述骑出准确度和/或所述骑入准确度。
上述车辆需求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。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，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，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与车辆需求预测方法相关联的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆需求预测方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了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各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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，本申请所提供的各实施例中所使用的对存储器、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-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（MagnetoresistiveRandom Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random AccessMemory，RAM）或外部高速缓冲存储器等。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 RandomAccessMemory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (13)

1.一种车辆需求预测方法，其特征在于，所述方法包括：
获取目标区块的区块特征信息；
针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量；
对多个所述骑出预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑出数量，及对所述多个骑入预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑入数量；
根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述目标时间区间为目标预测周期中的任一时间区间。
2.根据权利要求1所述的方法，其特征在于，所述多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型，其中，所述第一骑出预测模型用于进行车辆骑出数量预测，所述第二骑出预测模型用于进行车辆骑出数量均值预测，所述第三骑出预测模型用于进行车辆骑出数量峰值预测；
所述多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型，其中，所述第一骑入预测模型用于进行车辆骑入数量预测，所述第二骑入预测模型用于进行车辆骑入数量均值预测，所述第三骑入预测模型用于进行车辆骑入数量峰值预测。
3.根据权利要求1所述的方法，其特征在于，所述针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量，包括：
根据所述目标区块的区块特征信息，确定所述目标区块的预测策略；
根据所述预测策略，确定所述目标区块对应的目标预测周期；
根据所述目标预测周期、及多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
根据所述目标预测周期、及多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预测策略，确定所述目标区块对应的目标预测周期，包括：
在所述预测策略为离线预测策略的情况下，确定所述目标区块对应的目标预测周期为第一预测周期，所述第一预测周期包括多个时间区间；或者，
在所述预测策略为实时预测策略的情况下，确定所述目标区块对应的目标预测周期为第二预测周期，所述第二预测周期包括一个时间区间。
5.根据权利要求4所述的方法，其特征在于，在所述目标区块对应的所述预测策略为所述离线预测策略的情况下，所述多个骑出预测模型均为离线骑出预测模型，所述多个骑入预测模型均为离线骑入预测模型，
所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量，包括：
获取所述第一预测周期的预测时间点以及各所述预测时间点对应的时间区间；
判断当前时间点是否为所述预测时间点，在所述当前时间点不为所述预测时间点的情况下，获取所述目标区块在所述当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量；或者，
在所述当前时间点为所述预测时间点的情况下，根据所述当前时间点对应的所述预测时间点，从所述第一预测周期内确定所述目标时间区间，根据所述多个离线骑出预测模型和所述多个离线骑入预测模型分别对所述目标区块的区块特征信息及所述当前时间点进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
6.根据权利要求4所述的方法，其特征在于，在所述目标区块对应的所述预测策略为所述实时预测策略的情况下，所述多个骑出预测模型均为实时骑出预测模型，所述多个骑入预测模型均为实时骑入预测模型，
所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量，包括：
获取当前时间点对应的当前时间标识，并确定所述第二预测周期的目标时间标识，所述第二预测周期为所述当前时间点所在时间区间的下一时间区间；
根据所述多个实时骑出预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑出数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑出预测数量；
根据所述多个实时骑入预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑入数量进行预测处理，得到所述目标区块在所述第二预测周期对应的多个骑入预测数量。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，包括：
获取所述目标区块中对照车辆的数量，所述对照车辆为在当前时间区间内，所述目标区块中存在的车辆；
根据所述目标区块中的所述对照车辆的数量、所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述对照车辆的数量与所述预测车辆需求数量负相关，所述目标预测骑入数量与所述车辆需求数量负相关，所述目标预测骑出数量与所述预测车辆需求数量正相关。
8.根据权利要求1至7任意一项所述的方法，其特征在于，所述方法还包括：
将所述目标预测周期进行划分处理，得到多个细化时间区间；
针对每一所述细化时间区间，基于所述细化时间区间对应的历史车辆数据，构建所述细化时间区间对应的第一训练集；
根据所述第一训练集，分别对初始骑出模型和初始骑入模型进行模型训练，得到所述细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
9.根据权利要求8所述的方法，其特征在于，所述针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量，包括：
针对目标时间区间，获取所述目标时间区间对应的细化时间区间；
采用所述细化时间区间对应的多个细化骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量；
采用所述细化时间区间对应的多个细化骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
10.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对所述目标预测周期中的每一所述时间区间，获取在所述时间区间内所述目标区块对应的真实车辆骑出数量和真实车辆骑入数量；
基于准确度计算策略，根据所述时间区间内所述目标区块对应的所述真实车辆骑出数量和所述真实车辆骑入数量，确定所述时间区间内所述目标区块对应的所述目标预测骑出数量的骑出准确度和所述目标预测骑入数量的骑入准确度；
在目标准确度低于预设准确度阈值的情况下，对所述目标准确度对应的预测模型的模型进行迭代处理，得到模型参数更新后的所述预测模型，所述目标准确度为所述骑出准确度和/或所述骑入准确度。
11.一种车辆需求预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标区块的区块特征信息；
预测模块，用于针对目标时间区间，采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑出预测数量，及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理，得到所述目标区块在所述目标时间区间对应的多个骑入预测数量；
融合模块，用于对多个所述骑出预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑出数量，及对所述多个骑入预测数量进行加权融合处理，得到所述目标区块在所述目标时间区间对应的目标预测骑入数量；
第一确定模块，用于根据所述目标预测骑出数量和所述目标预测骑入数量，确定所述目标区块在所述目标时间区间对应的预测车辆需求数量，其中，所述目标时间区间为目标预测周期中的任一时间区间。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202310639473.5A 2023-06-01 2023-06-01 车辆需求预测方法、装置、计算机设备和存储介质 Pending CN116341773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310639473.5A CN116341773A (zh) 2023-06-01 2023-06-01 车辆需求预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310639473.5A CN116341773A (zh) 2023-06-01 2023-06-01 车辆需求预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116341773A true CN116341773A (zh) 2023-06-27

Family

ID=86893411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310639473.5A Pending CN116341773A (zh) 2023-06-01 2023-06-01 车辆需求预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116341773A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217466A (zh) * 2023-09-12 2023-12-12 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
CN117876027A (zh) * 2024-03-13 2024-04-12 北京阿帕科蓝科技有限公司 数据处理方法、装置、计算机设备和存储介质
CN117217466B (zh) * 2023-09-12 2024-06-07 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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815095A (zh) * 2019-06-20 2020-10-23 北京嘀嘀无限科技发展有限公司 共享汽车调度方法、电子设备及存储介质
CN112258029A (zh) * 2020-10-21 2021-01-22 北京交通大学 地铁站周边共享单车的需求预测方法
CN112330215A (zh) * 2020-11-26 2021-02-05 长沙理工大学 一种城市用车需求量预测方法、设备及存储介质
CN114627656A (zh) * 2022-02-18 2022-06-14 摩拜(北京)信息技术有限公司 车辆调度方法和车辆调度管理设备
CN115619051A (zh) * 2022-12-19 2023-01-17 北京阿帕科蓝科技有限公司 一种共享车辆调配方法、系统及计算机存储介质
CN116151600A (zh) * 2023-04-24 2023-05-23 北京阿帕科蓝科技有限公司 共享车辆的维护方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815095A (zh) * 2019-06-20 2020-10-23 北京嘀嘀无限科技发展有限公司 共享汽车调度方法、电子设备及存储介质
CN112258029A (zh) * 2020-10-21 2021-01-22 北京交通大学 地铁站周边共享单车的需求预测方法
CN112330215A (zh) * 2020-11-26 2021-02-05 长沙理工大学 一种城市用车需求量预测方法、设备及存储介质
CN114627656A (zh) * 2022-02-18 2022-06-14 摩拜(北京)信息技术有限公司 车辆调度方法和车辆调度管理设备
CN115619051A (zh) * 2022-12-19 2023-01-17 北京阿帕科蓝科技有限公司 一种共享车辆调配方法、系统及计算机存储介质
CN116151600A (zh) * 2023-04-24 2023-05-23 北京阿帕科蓝科技有限公司 共享车辆的维护方法、装置、计算机设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217466A (zh) * 2023-09-12 2023-12-12 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
CN117217466B (zh) * 2023-09-12 2024-06-07 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
CN117876027A (zh) * 2024-03-13 2024-04-12 北京阿帕科蓝科技有限公司 数据处理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN110264709B (zh) 基于图卷积网络的道路的交通流量的预测方法
CN109658695B (zh) 一种多因素的短时交通流预测方法
Alexander et al. Assessing the impact of real-time ridesharing on urban traffic using mobile phone data
CN109840660B (zh) 一种车辆特征数据处理方法及车辆风险预测模型训练方法
CN110517479B (zh) 一种城市道路交通预测方法、装置及电子设备
CN113792929B (zh) 交通流量预测方法、电子设备及存储介质
CN110956807A (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN116341773A (zh) 车辆需求预测方法、装置、计算机设备和存储介质
CN115358060A (zh) 一种支持新能源发电功率高精度预测的高效算法框架
CN117252307B (zh) 流量预测方法、装置、计算机设备和存储介质
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN110262863A (zh) 一种终端主界面的展示方法和装置
CN116151600B (zh) 共享车辆的维护方法、装置、计算机设备和存储介质
Kim et al. Data-driven parking decisions: Proposal of parking availability prediction model
CN116934366A (zh) 充电场站的充电定价方法及装置、存储介质、计算机设备
CN112541047A (zh) 一种适用于多级网格化管理系统的海量数据聚合方法
CN117114081A (zh) 一种基于迁移学习的分布式光伏功率预测方法及装置
CN116070728B (zh) 光伏发电系统发电量预测方法、设备、系统及介质
CN112529311B (zh) 一种基于图卷积分析的道路流量预测方法和装置
CN111223293A (zh) 分析交通拥堵的系统和方法
CN111833088A (zh) 一种供需预测方法及装置
CN110738373A (zh) 一种土地交通生成和分布预测方法及系统
CN117057610B (zh) 基于区域的多行业对象全局气象风险预警方法及系统
CN114360739B (zh) 一种基于遥感云计算与深度学习的登革热风险预测方法
CN116822916B (zh) 订单量获取方法、装置、计算机设备和存储介质

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