CN116612640B - 一种车辆调度方法、装置、存储介质及电子设备 - Google Patents
一种车辆调度方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116612640B CN116612640B CN202310867386.5A CN202310867386A CN116612640B CN 116612640 B CN116612640 B CN 116612640B CN 202310867386 A CN202310867386 A CN 202310867386A CN 116612640 B CN116612640 B CN 116612640B
- Authority
- CN
- China
- Prior art keywords
- sub
- region
- travel demand
- information
- travel
- 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 73
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 172
- 239000011159 matrix material Substances 0.000 claims description 148
- 230000006870 function Effects 0.000 claims description 51
- 238000010586 diagram Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 239000000203 mixture Substances 0.000 claims description 8
- 238000000059 patterning Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 57
- 230000008569 process Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003442 weekly effect Effects 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000201976 Polycarpon Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种车辆调度方法、装置、存储介质及电子设备，包括：针对待预测区域中的各子区域，将确定出的该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息。以及构建各子区域之间的距离图以及构建各子区域之间的出行需求图，并将各子区域的至少两种子信息、距离图以及出行需求图输入特征提取层，得到各子区域的至少两种时间特征、距离特征以及出行需求特征。将各子区域的至少两种时间特征、距离特征以及出行需求特征输入预测层，得到待预测区域的用户出行需求。根据用户出行需求，进行车辆调度。使得预测出的用户出行需求更加准确，从而根据用户出行需求，将车辆调度到各子区域，减少用户在各子区域的等待时间。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种车辆调度方法、装置、存储介质及电子设备。
背景技术
随着科技的不断发展，用户可以选择的出行方式的种类越来越多，比如出租车和网约车。
目前，为了减少用户在出发地等待车辆（即出租车或者网约车）的时间，出租车或者网约车的运营平台可以提前建议车辆前往用户出行时的出发地，也就是提前将车辆调度到用户出行时的出发地，从而达到缓解车辆供给与用户出行需求不平衡的问题。因此，如何预测用户的出行需求以提前将车辆调度到用户出行时的出发地是一个亟待解决的问题。
基于此，本说明书提供了一种车辆调度方法。
发明内容
本说明书提供一种车辆调度方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种车辆调度方法，包括：
针对待预测区域中的各子区域，确定该子区域的信息，所述信息至少包括历史出行信息以及位置信息；
将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息；
根据所述各子区域的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图；
将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，其中，所述用户出行需求包括用户的出发区域以及所述用户的目标区域；
根据所述用户出行需求，进行车辆调度。
可选地，所述特征提取层包括全连接层以及卷积层；
将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征，具体包括：
将所述各子区域的所述至少两种子信息分别输入所述出行需求预测模型的全连接层，得到所述各子区域的至少两种时间特征；
将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征。
可选地，将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息，具体包括：
确定预测待预测区域的用户出行需求的预测时间段；
根据所述预测时间段的时间长度，将该子区域的历史出行信息进行划分，得到各待选信息；
按照至少两种时间周期，从各待选信息中，确定与所述预测时间段对应的至少两种子信息。
可选地，所述出行需求预测模型还包括编码层；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，具体包括：
针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；
确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；
将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；
将所述第二时间特征矩阵、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
可选地，根据所述各子区域的位置信息，构建所述各子区域之间的距离图，具体包括：
针对所述各子区域，根据所述各子区域的位置信息，确定该子区域与其他各子区域之间的各距离；
根据指定距离以及所述各距离，确定该子区域与所述其他各子区域之间的各相对距离；
根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量；
将由所述各子区域的距离相关向量组成的距离相关矩阵作为所述待预测区域的距离图。
可选地，根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图，具体包括：
针对所述各子区域，根据所述各子区域的历史出行信息，确定该子区域到其他各子区域的各历史出行次数；
根据所述各历史出行次数，确定该子区域的出行需求向量；
根据所述各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量；
将由所述各子区域的出行需求相关向量组成的出行需求相关矩阵作为所述待预测区域的出行需求图。
可选地，所述信息还包括功能信息，所述功能信息至少包括该子区域中各类兴趣点分别对应的数量；
将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征，具体包括：
针对所述各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量；
根据其他子区域的功能特征向量，确定该子区域与其他子区域之间的功能相关向量；
将由所述各子区域的功能相关向量组成的功能相关矩阵作为所述待预测区域的功能图；
将所述距离图、所述出行需求图以及所述功能图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵。
可选地，所述出行需求预测模型还包括编码层；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，具体包括：
针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；
确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；
将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的时间特征矩阵；
将所述第二时间特征矩阵、所述距离特征矩阵、所述出行需求特征矩阵以及所述功能特征矩阵进行拼接；
将拼接后的结果输入所述出行需求预测模型的预测层，得到所述待预测区域中的所述各子区域之间的用户出行需求矩阵。
可选地，所述信息还包括天气信息；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，具体包括：
针对所述各子区域，确定该子区域的指定时间内的天气信息；
根据所述天气信息，确定该子区域的天气向量；
将所述各子区域的天气向量、所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
可选地，采用下述方式训练所述出行需求预测模型，其中：
获取指定区域内各子区域的至少两个历史时间段的信息；
将所述至少两个历史时间段中时间最晚的时间段的所述各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本；
针对所述各子区域，将该子区域在所述样本中的出行信息按照所述至少两种时间周期进行提取，得到至少两种子信息；
根据所述各子区域在所述样本中的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域在所述样本中的出行信息，构建所述各子区域之间的出行需求图；
将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入所述特征提取层，得到所述各子区域的至少两种子时间特征、所述指定区域的距离特征以及所述指定区域的出行需求特征；
将所述各子区域的至少两种子时间特征、所述距离特征以及所述出行需求特征输入所述预测层，得到所述指定区域的用户出行需求；
以所述用户出行需求与所述标注之间的差异最小为目标，对所述出行需求预测模型进行训练。
可选地，根据所述用户出行需求，进行车辆调度，具体包括：
根据所述用户出行需求，确定所述待预测区域中所述各子区域的出行人数，作为所述各子区域的调度数量；
针对所述各子区域，将该子区域对应的调度数量的车辆调度到该子区域。
本说明书中提供一种车辆调度装置，包括：
确定模块，用于针对待预测区域中的各子区域，确定该子区域的信息，所述信息至少包括历史出行信息以及位置信息；
提取模块，用于将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息；
构图模块，用于根据所述各子区域的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图；
特征模块，用于将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征；
预测模块，用于将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，其中，所述用户出行需求包括用户的出发区域以及所述用户的目标区域；
调度模块，用于根据所述用户出行需求，进行车辆调度。
可选地，所述特征提取层包括全连接层以及卷积层；
所述特征模块具体用于，将所述各子区域的所述至少两种子信息分别输入所述出行需求预测模型的全连接层，得到所述各子区域的至少两种时间特征；将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征。
可选地，所述提取模块具体用于，确定预测待预测区域的用户出行需求的预测时间段；根据所述预测时间段的时间长度，将该子区域的历史出行信息进行划分，得到各待选信息；按照至少两种时间周期，从各待选信息中，确定与所述预测时间段对应的至少两种子信息。
可选地，所述出行需求预测模型还包括编码层；
所述预测模块具体用于，针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；将所述第二时间特征矩阵、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
可选地，所述构图模块具体用于，针对所述各子区域，根据所述各子区域的位置信息，确定该子区域与其他各子区域之间的各距离；根据指定距离以及所述各距离，确定该子区域与所述其他各子区域之间的各相对距离；根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量；将由所述各子区域的距离相关向量组成的距离相关矩阵作为所述待预测区域的距离图。
可选地，所述构图模块具体用于，针对所述各子区域，根据所述各子区域的历史出行信息，确定该子区域到其他各子区域的各历史出行次数；根据所述各历史出行次数，确定该子区域的出行需求向量；根据所述各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量；将由所述各子区域的出行需求相关向量组成的出行需求相关矩阵作为所述待预测区域的出行需求图。
可选地，所述信息还包括功能信息，所述功能信息至少包括该子区域中各类兴趣点分别对应的数量；
所述特征模块具体用于，针对所述各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量；根据其他子区域的功能特征向量，确定该子区域与其他子区域之间的功能相关向量；将由所述各子区域的功能相关向量组成的功能相关矩阵作为所述待预测区域的功能图；将所述距离图、所述出行需求图以及所述功能图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵。
可选地，所述出行需求预测模型还包括编码层；
所述预测模块具体用于，针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；将所述第二时间特征矩阵、所述距离特征矩阵、所述出行需求特征矩阵以及所述功能特征矩阵进行拼接；将拼接后的结果输入所述出行需求预测模型的预测层，得到所述待预测区域中的所述各子区域之间的用户出行需求矩阵。
可选地，所述信息还包括天气信息；
所述预测模块具体用于，针对所述各子区域，确定该子区域的指定时间内的天气信息；根据所述天气信息，确定该子区域的天气向量；将所述各子区域的天气向量、所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
可选地，所述装置还包括：
训练模块，用于获取指定区域内各子区域的至少两个历史时间段的信息；将所述至少两个历史时间段中时间最晚的时间段的所述各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本；针对所述各子区域，将该子区域在所述样本中的出行信息按照所述至少两种时间周期进行提取，得到至少两种子信息；根据所述各子区域在所述样本中的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域在所述样本中的出行信息，构建所述各子区域之间的出行需求图；将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入所述特征提取层，得到所述各子区域的至少两种子时间特征、所述指定区域的距离特征以及所述指定区域的出行需求特征；将所述各子区域的至少两种子时间特征、所述距离特征以及所述出行需求特征输入所述预测层，得到所述指定区域的用户出行需求；以所述用户出行需求与所述标注之间的差异最小为目标，对所述出行需求预测模型进行训练。
可选地，所述调度模块具体用于，根据所述用户出行需求，确定所述待预测区域中所述各子区域的出行人数，作为所述各子区域的调度数量；针对所述各子区域，将该子区域对应的调度数量的车辆调度到该子区域。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆调度方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述车辆调度方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的车辆调度方法，先针对待预测区域中的各子区域，确定该子区域的信息，并将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息。同时，根据各子区域的位置信息，构建各子区域之间的距离图，以及根据各子区域的历史出行信息，构建各子区域之间的出行需求图。再将各子区域的至少两种子信息、距离图以及出行需求图分别输入出行需求预测模型的特征提取层，得到各子区域的至少两种时间特征、待预测区域的距离特征以及出行需求特征。然后，将各子区域的至少两种时间特征、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。再根据用户出行需求，进行车辆调度。
从上述方法中可以看出，本申请在进行车辆调度时，可以针对待预测区域中的各子区域，确定该子区域的信息，并将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息。同时，根据各子区域的位置信息，构建各子区域之间的距离图，以及根据各子区域的历史出行信息，构建各子区域之间的出行需求图。将各子区域的至少两种子信息、距离图以及出行需求图输入出行预测模型的特征提取层，得到各子区域的至少两种时间特征、距离特征以及出行需求特征。然后，将各子区域的至少两种时间特征、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。再根据用户出行需求，进行车辆调度。通过多个时间视角以及空间视角得到待预测区域的多个维度的特征，使得预测出的用户出行需求更加准确，使得可以提前根据用户出行需求，将车辆调度到各子区域，较少用户在各子区域的等待时间。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种车辆调度方法的流程示意图；
图2为本说明书中提供的一种子信息提取的示意图；
图3为本说明书中提供的一种子信息的示意图；
图4为本说明书中提供的一种训练出行需求预测模型的流程图；
图5为本说明书中提供的一种出行需求预测模型的训练过程的示意图；
图6为本说明书提供的一种车辆调度装置结构的示意图；
图7为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种车辆调度方法的流程示意图，包括以下步骤：
S100：针对待预测区域中的各子区域，确定该子区域的信息，所述信息至少包括历史出行信息以及位置信息。
在本说明书中，为了减少用户在出发地等待出租车或者网约车的时间，出租车或者网约车的运营平台可以根据历史上用户的订单信息，预测未来用户在各地区的出行需求，也就是预测未来从某一地区到另一地区的用户的数量，运营平台可以根据预测出的用户在各地区的出行需求，提前建议出租车或者网约车的驾驶员前往用户出行时的出发地，即提前将出租车或者网约车调度到用户出行需求中的出发地。
基于此，用于进行车辆调度的设备可以针对待预测区域中的各子区域，确定该子区域的信息。其中，用于进行车辆调度的设备可以是车辆所在运营平台，还可以是运营平台所属的服务器，也可以是诸如台式电脑、笔记本电脑等电子设备。为了便于描述，下面仅以服务器为执行主体，对本说明书提供的车辆调度的方法进行说明。信息至少包括历史出行信息以及位置信息，该子区域的历史出行信息为历史上用户在该子区域的出行信息，可以预先根据用户在该子区域的历史订单信息进行确定，出行信息包括用户以该子区域作为出发地以及以除该子区域之外的其他子区域作为目标地的信息。比如，该子区域为子区域A，子区域A的历史出行信息可以为历史上用户O从子区域A前往子区域B的信息，即历史上用户O以子区域A作为出发地以及以子区域B作为目标地的信息。位置信息为该子区域所在的位置的信息，可以以经纬度表示该子区域的位置，还可以以待预测区域的中心为坐标原点，建立坐标系，将该子区域在坐标系中的坐标作为该子区域的位置。信息还可以包括功能信息以及天气信息，功能信息可以包括子区域中所包含的兴趣点的功能类型以及各类兴趣点的数量等信息，兴趣点（POI）是地理信息系统中的一个术语，泛指一切可以抽象为点的地理对象，如学校、银行、餐馆、加油站、医院、超市等。天气信息可以为雪、大雨、中雨、小雨、阴、多云、晴等七大类天气。
待预测区域可以为预先设置的区域，比如北京市，还可以为服务器所能获取到用户出行数据的区域，在本说明书中不做具体限定。子区域为对待预测区域进行划分后得到的区域。具体的，服务器可以按照指定长度对待预测区域进行划分，得到各子区域。比如将待预测区域划分为以500m为半径的六边形的区域。另外，为了避免划分出的子区域中存在无法将车辆调度到的子区域，即划分出的子区域中存在没有车辆停车点的子区域，服务器还可以对待预测区域内的停车点进行聚类，得到聚类结果，并根据聚类结果，对待预测区域进行划分，得到各子区域。
例如，假设待预测区域为区域1，指定长度为100，按照指定长度100对区域1进行划分，得到各子区域，即子区域A~D。针对各子区域A~D，假设对于子区域B，确定子区域B的信息。
S102：将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息。
服务器可以将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息。其中，时间周期为预先设置提取信息的时间周期，时间周期可以有每时、每天以及每周三种类型。按照一种类型的时间周期提取到的信息为一种子信息。服务器至少按照两种类型的时间周期对该子区域的历史出行信息进行信息提取。具体的，服务器可以针对至少两种时间周期，按照该种时间周期对该子区域的历史出行信息进行提取，并将提取到的信息作为该种时间周期对应的子信息。其中，按照一种时间周期提取到的信息作为一种子信息。有多少种时间周期就有多少种子信息。
另外，服务器还可以确定预测待预测区域的用户出行需求的预测时间段，根据预测时间段的时间长度，将该子区域的历史出行信息进行划分，得到各待选信息。之后，按照至少两种时间周期，从各待选信息中，确定与预测时间段对应的至少两种子信息。其中，预测时间段为预测待预测区域的用户出行需求的时间段。当时间周期为每时这一类型的时间周期时，服务器可以直接将各待选信息直接作为子信息，比如，如图2所示，图2为本说明书中提供的一种子信息提取的示意图，图2中的时间段2023-6-5的11:00-12:00为预测时间段，图2仅示出在预测时间段前三周的历史出行信息，且仅提取三个时间周期的历史出行信息，服务器直接将各待选信息直接作为子信息，故子信息可以为2023-6-5的10:00-11:00、2023-6-5的9:00-10:00、2023-6-5的8:00-9:00时间段对应的待选信息，作为按照每时这一类型的时间周期提取到的子信息。
但是，当时间周期为每天这一类型的时间周期时，服务器需要从各待选信息中，确定每天中与预测时间段相同的时间段对应的待选信息，作为子信息。比如，沿用图2，图2中的2023-6-5的11:00-12:00为预测时间段，服务器按照每天这一类型的时间周期进行信息提取，确定出的子信息可以为2023-6-4的11:00-12:00、2023-6-3的11:00-12:00以及2023-6-2的11:00-12:00时间段对应的待选信息，作为按照每天这一类型的时间周期提取到的子信息。
另外，当时间周期为每周这一类型的时间周期时，服务器可以从各待选信息中，确定每周与预测时间段相同的星期且相同的时间段对应的待选信息，作为子信息。比如，沿用图2，图2中的2023-6-5的11:00-12:00为预测时间段，服务器按照每周这一类型的时间周期进行信息提取，确定出的子信息可以为2023-5-29的11:00-12:00、2023-5-22的11:00-12:00以及2023-5-15的11:00-12:00时间段对应的待选信息，作为按照每周这一类型的时间周期提取到的子信息。
在本说明书中，通过上述方式提取到的每一种子信息中均包括从该子区域到其他各子区域的历史出行信息，只是每一种子信息对应的时间周期不同。故每一种子信息，可为多个待选信息进行拼接得到的，多个待选信息为按照该种子信息对应的时间周期提取到的可以通过按照每一种时间周期提取到的多个时间周期对应的待选信息进行拼接在一起的方式进行表示，比如如图3所示，图3为本说明书中提供的一种子信息的示意图，图3中的h、d以及w为按照三种时间周期提取到的子信息，图3中的轴表示每种子信息内部均按照时间从小到大展示，每种子信息按照w，d，h的顺序展示。其中，h为由按照每时这一时间周期提取多个周期的待选信息组成的子信息，即2023-6-5的10:00-11:00、2023-6-5的9:00-10:00、2023-6-5的8:00-9:00等时间段对应的待选信息。d为由按照每天这一时间周期提取多个周期的待选信息组成的子信息，即2023-6-4的11:00-12:00、2023-6-3的11:00-12:00以及2023-6-2的11:00-12:00等时间段对应的待选信息。w为由按照每周这一时间周期提取多个周期的待选信息组成的子信息，即2023-5-29的11:00-12:00、2023-5-22的11:00-12:00以及2023-5-15的11:00-12:00等时间段对应的待选信息。t为预测时间段，即2023-6-5的11:00-12:00。
另外，由于每一种子信息中均包括从该子区域到其他各子区域的历史出行信息，且每一个时间周期内包括从该子区域到其他各子区域的历史出行信息，比如在某一个时间周期内存在子区域A到子区域B~D的历史出行信息，再比如在某一个时间周期内只存在子区域A到子区域B的历史出行信息。故子信息还可以通过按照子区域的类型将该子区域与其他各子区域之间的历史出行信息拼接在一起的方式进行表示。
上述按照子区域的类型进行拼接的信息为按照时间周期的类型提取到的多个时间周期对应的待选信息中包含的所有从该子区域到一个其他子区域的历史出行信息。也就是，先按照时间周期，从各待选信息中，确定与预测时间段对应的待选信息，再将确定出的待选信息按照子区域的类型进行划分，得到各类历史出行信息，并将各类历史出行信息进行拼接得到子信息。比如，按照每天这一类型的时间周期，从各待选信息中，确定与预测时间段对应的待选信息，假设确定出的待选信息可以为2023-6-4的11:45-12:00、2023-6-3的11:45-12:00以及2023-6-2的11:45-12:00三个时间段对应的待选信息，之后，将确定出的待选信息按照子区域的类型进行划分，得到各类历史出行信息，并将各类历史出行信息进行拼接得到子信息。其中，其他各子区域可以包括该子区域自身，也可以不包括该子区域自身，本说明书不做限定，当包括该子区域自身时，该子区域与该子区域自身之间的历史出行信息可以设置为0。子区域的类型指的是子区域的数量，也就是一个子区域对应一种子区域的类型，存在多少个子区域就对应多少个子区域的类型。各类历史出行信息为该子区域到其他各子区域的历史出行信息，一类历史出行信息对应一种子区域的类型（即一个其他子区域）。
S104：根据所述各子区域的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图。
服务器可以根据各子区域的位置信息，构建各子区域之间的距离图，以及根据各子区域的历史出行信息，构建各子区域之间的出行需求图。具体的，服务器可以针对各子区域，根据各子区域的位置信息，确定该子区域与其他各子区域之间的各距离，并根据确定出的各距离，确定该子区域的距离向量。之后，服务器确定由各子区域的距离向量组成的距离图。以及，针对各子区域，根据各子区域的历史出行信息，确定该子区域到其他各子区域的各历史出行次数，根据各历史出行次数，确定该子区域的出行需求向量。之后，服务器可以根据各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量。再将由各子区域的出行需求相关向量组成的出行需求相关矩阵作为待预测区域的出行需求图。其中，上述确定距离图以及确定出行需求图的过程的执行不分先后顺序，也可以同时执行。历史出行次数是根据各子区域的历史出行信息确定的，比如历史上有200个用户从该子区域到另一个子区域，则从该子区域到另一个子区域的历史出行次数为200。出行需求向量中的元素为该子区域与其他各子区域之间的历史出行次数，出行需求相关向量表征该子区域与其他各子区域的出行需求向量之间的相关性，也就是表征各该子区域与其他各子区域之间的出行需求的相关性。出行需求相关矩阵由各子区域的出行需求相关向量组成，表征待预测区域的出行需求图。
在本说明书中，为了更加准确地确定各子区域在地理空间上的相关性，服务器在根据各子区域的位置信息，构建各子区域之间的距离图时，还可以针对各子区域，根据各子区域的位置信息，确定该子区域与其他各子区域之间的各距离。根据指定距离以及各距离，确定该子区域与其他各子区域之间的各相对距离。然后，根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量。再将由各子区域的距离相关向量组成的距离相关矩阵作为待预测区域的距离图。其中，指定距离可以为预先设定的距离，表征两个相邻的子区域之间的距离。
在根据指定距离以及各距离，确定该子区域与其他各子区域之间的各相对距离时，可以针对各距离，将该距离与指定距离的商作为该子区域与该距离对应的其他子区域之间的相对距离，可以采用下述公式进行计算：
其中，表示子区域i与子区域j之间的相对距离，/>表示子区域i与子区域j之间的距离，/>表示指定距离。
在根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量时，服务器可以针对每一个相对距离，判断该相对距离的倒数是否小于阈值，若是，则说明该子区域与该相关距离对应的其他子区域在地理空间中不相关，直接将该子区域与该相关距离对应的其他子区域的相关性记为0，否则，则说明该子区域与该相关距离对应的其他子区域在地理空间中相关，将该子区域与该相关距离对应的其他子区域的相关性记为该相对距离的倒数，具体可以采用下述公式进行计算：
/>
其中，表示子区域i与子区域j之间的距离相关性，/>表示预设阈值，当的倒数不小于预设阈值时，/>为/>的倒数，当/>的倒数小于预设阈值时，为/>。/>表示子区域i的距离向量，n表示子区域的数量。/>为距离相关向量中的元素，且与相对距离负相关。
基于此，将由各子区域的距离相关向量组成的距离相关矩阵作为的待预测区域的距离图表示如下：
其中，A表示待预测区域的距离图。
在本说明书中，在根据各历史出行次数，确定该子区域的出行需求向量时，可以将该子区域与其他各子区域的历史出行次数作为该子区域的出行需求向量的元素，具体表示如下：
其中，表示子区域i的出行需求向量，/>表示子区域i到子区域2的历史出行次数，/>中的其他元素的表示的含义与/>类似，在此就不再赘述。n表示子区域的数量。
在根据各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量时，可以采用下述公式进行计算：
其中，表示子区域i与区域j的出行需求的pearson相关系数，可以直接表示子区域i与区域j的出行需求的相关性，/>表示/>与/>之间的协方差运算。为标准差乘积。/>表示子区域i的出行需求相关向量，/>为出行需求相关向量中的元素。
另外，为了减小计算复杂度，可以预设出行需求相关性临界值，当/>小于临界值时，则子区域i与子区域j之间的出行需求向量差别较大，说明子区域i与子区域j之间的出行需求不相关，可以直接令/>。当/>不小于临界值时，则子区域i与子区域j之间出行需求向量差别较小，则说明子区域i与子区域j之间的出行需求相关，令，具体计算公式如下：
其中，表示子区域i与区域j的出行需求向量的相关性，/>为出行需求相关向量/>中的元素。
基于此，将由各子区域的出行需求相关向量组成的出行需求相关矩阵作为的待预测区域的出行需求图表示如下：
或者/>
其中，B表示待预测区域的出行需求图，上述两种表示方式均可，本说明书不做具体限定。
在本说明书中，上述步骤S102以及上述步骤S104过程的执行可以部分先后顺序，也可以同时执行。
S106：将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征。
服务器可以将各子区域的至少两种子信息、距离图以及出行需求图分别输入出行需求预测模型的特征提取层，得到各子区域的至少两种时间特征、待预测区域的距离特征以及待预测区域的出行需求特征。具体的，服务器可以依次将每一个子区域的每一种子信息、距离图以及出行需求图输入出行需求预测模型的特征提取层，得到特征提取层输出的每一个子区域的每一种时间特征、待预测区域的距离特征以及待预测区域的出行需求特征。其中，出行需求预测模型为预先训练的模型，用于预测区域的用户出行需求，出行需求预测模型包括特征提取层以及预测层。
另外，出行需求预测模型的特征提取层可以包括全连接层以及卷积层，故服务器可以将各子区域的至少两种子信息分别输入出行需求预测模型的全连接层，得到各子区域的至少两种时间特征。以及，将距离图以及出行需求图分别输入出行需求预测模型的卷积层，得到待预测区域的距离特征以及出行需求特征。
其中，由于按照不同的时间周期提取到的子信息不同，故不同的子信息输入出行需求预测模型的全连接层后输出的时间特征不同。服务器将按照每时的时间周期提取到的子信息输入出行需求预测模型的全连接层后得到的时间特征为表征临近历史出行信息对未来的出行需求的影响，具体的可以采用下述公式进行表示：
其中，表示时间周期为每时时该子区域的时间特征，/>表示h个预测时间段的时间长度（即h个每时这一时间周期），/>表示预测时间段前1个时间长度（即预测时间段的长度）的信息的特征。
服务器将按照每天的时间周期提取到的子信息输入出行需求预测模型的全连接层后得到的时间特征为表征每天的周期性历史出行信息对未来的出行需求的影响，具体的可以采用下述公式进行表示：
其中，表示时间周期为每天时该子区域的时间特征，/>表示每天这一时间周期的长度，即24小时。/>表示d个时间周期（即d个24小时），/>表示预测时间段前1个时间周期（即前24小时）的信息的特征。
服务器将按照每周的时间周期提取到的子信息输入出行需求预测模型的全连接层后得到的时间特征为表征每周的周期性历史出行信息对未来的出行需求的影响，具体的可以采用下述公式进行表示：
其中，表示时间周期为每周时该子区域的时间特征，/>表示每周这一时间周期的长度，即7天。/>表示w个时间周期（即w个7天），/>表示预测时间段前1个时间周期（即前7天）的信息的特征。
在本说明书中，特征提取层可以包括至少两个卷积层，服务器可以将距离图以及出行需求图输入不同卷积层中，从而得到待预测区域的距离特征以及出行需求特征。
S108：将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，其中，所述用户出行需求包括用户的出发区域以及所述用户的目标区域。
服务器将各子区域的至少两种时间特征、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。具体的，服务器可以将各子区域的至少两种时间特征、距离特征以及出行需求特征进行拼接，再将拼接后的结果输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。其中，用户出行需求包括用户的出发区域以及用户的目标区域。
另外，服务器还可以将各子区域的至少两种时间特征、距离特征以及出行需求特征进行融合，再将融合后的结果输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。
S110：根据所述用户出行需求，进行车辆调度。
服务器可以根据用户出行需求，进行车辆调度。具体的，服务器可以根据用户出行需求，确定待预测区域中各子区域的出行人数，作为各子区域的调度数量。然后，针对各子区域，将该子区域对应的调度数量的车辆调度到该子区域。
从上述方法中可以看出，本申请在进行车辆调度时，可以针对待预测区域中的各子区域，确定该子区域的信息，并将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息。同时，根据各子区域的位置信息，构建各子区域之间的距离图，考虑到各子区域在地理空间上的相关性。以及，根据各子区域的历史出行信息，构建各子区域之间的出行需求图，考虑到各子区域在用户出行需求上的相关性。之后，将各子区域的至少两种子信息、距离图以及出行需求图输入出行预测模型的特征提取层，得到各子区域的至少两种时间特征、距离特征以及出行需求特征。然后，将各子区域的至少两种时间特征、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。再根据用户出行需求，进行车辆调度。通过多个时间视角以及空间视角得到待预测区域的多个维度的特征，使得预测出的用户出行需求更加准确，使得可以提前根据用户出行需求，将车辆调度到各子区域，较少用户在各子区域的等待时间。
进一步地，将至少两种子信息分别输入特征提取层的全连接层，得到至少两种时间特征，通过按照不同时间周期提取信息，并进行特征提取，充分利用了各子区域的历史出行信息的时间上下文关系。
在本说明书中，出行需求预测模型还可以包括编码层，该编码层可以为循环神经网络（Gate Recurrent Unit，简称GRU）。在上述步骤S108中，服务器可以针对各子区域，将该子区域的至少两种时间特征进行拼接，得到该子区域的时间特征向量。再确定由各子区域的时间特征向量组成的待预测区域的第一时间特征矩阵。然后，将第一时间特征矩阵输入出行需求预测模型的编码层，得到待预测区域的第二时间特征矩阵。之后，将第二时间特征矩阵、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。其中，第二时间特征矩阵为对第一时间特征矩阵进行编码后得到的特征矩阵。第一时间特征矩阵与第二时间特征矩阵的维度可能相同，也可能不同。
由于子区域的功能可能会影响用户的出行需求，也就是子区域中所包含的兴趣点的功能类型可能会影响到用户的出行需求，比如当子区域中存在商场时，该子区域的用户出行需求可能比较大。另外，相同功能的子区域的用户出行需求可能相同。因此，在本说明书中，该子区域的信息还可以包括功能信息，功能信息至少包括该子区域中各类兴趣点分别对应的数量。故在上述步骤S106中，服务器可以根据各子区域的功能信息，构建各子区域之间的功能图，并将距离图、出行需求图以及功能图分别输入出行需求预测模型的卷积层，得到待预测区域的距离特征、功能特征以及出行需求特征。
具体的，服务器可以针对各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量。然后，根据其他子区域的功能特征向量，确定该子区域与其他子区域之间的功能相关向量。再将由各子区域的功能相关向量组成的功能相关矩阵作为待预测区域的功能图。然后，将距离图、出行需求图以及功能图分别输入出行需求预测模型的卷积层，得到待预测区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵。其中，其他子区域可以为除该子区域之外的其他各子区域，还可以为包含该子区域在内的各子区域。功能特征向量表征子区域的功能的特征，功能相关向量表征该子区域与其他子区域之间的功能的相关性，功能相关向量的维度为子区域的数量，故当其他子区域为包含该子区域在内的各子区域时，该子区域的功能相关向量中该子区域对应的元素设置为0，该子区域对应的元素表示该子区域与该子区域之间的功能的相关性。
在根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量时，可以直接根据该子区域中各类兴趣点分别对应的数量，确定由该子区域中每一类兴趣点分别对应的数量构成的功能特征向量，比如子区域A中有三种类型的兴趣点，即1类、2类以及3类，每一类的兴趣点的数量分别为4、5以及6，故子区域A的功能特征向量为（4，5，6），具体的可以采用下述公式进行表示：
其中，表示子区域i中t类兴趣点的数量，/>表示子区域i中t类兴趣点的数量，/>表示子区域i的功能特征向量，该功能特征向量中的元素为子区域i中各类兴趣点的数量，s表示兴趣点的种类，可以设置为14。
在根据其他子区域的功能特征向量，确定该子区域与其他子区域之间的功能相关向量时，服务器可以采用下述公式进行计算：
其中，表示子区域i与区域j的功能类型的pearson相关系数，可以直接表示子区域i与区域j的功能的相关性，/>表示/>与/>之间的协方差运算。为标准差乘积。/>表示子区域i的功能相关向量，/>为功能相关向量/>中的元素，n表示子区域的数量。
另外，为了减小计算复杂度，可以预设功能相关性临界值，当/>小于临界值时，则子区域i与子区域j之间的功能特征向量差别较大，说明子区域i与子区域j之间的功能不相关，可以直接令/>。当/>不小于临界值时，则子区域i与子区域j之间功能特征向量差别较小，则说明子区域i与子区域j之间的功能相关，令/>，具体计算公式如下：
其中，表示子区域i与区域j的功能特征向量的相关性，/>为功能相关向量/>中的元素。
基于此，将由各子区域的功能相关向量组成的功能相关矩阵作为的待预测区域的功能图表示如下：
或者/>
其中，D表示待预测区域的功能图，上述两种表示方式均可，本说明书不做具体限定。
在本说明书中，在针对各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量时，服务器还可以根据其他子区域中各类兴趣点分别对应的数量，确定待预测区域中兴趣点的总数量以及待预测区域中各类兴趣点分别对应的数量。之后，针对各子区域，根据待预测区域中兴趣点的总数量、待预测区域中各类兴趣点分别对应的数量以及该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量，具体可以采用下述公式进行计算：
其中，表示子区域i中t类兴趣点的密度，/>表示子区域i中t类兴趣点的数量，/>表示子区域i中兴趣点的总数量，/>表示待预测区域中兴趣点的总数量，表示待预测区域中t类兴趣点的数量，/>表示子区域i的功能特征向量，该功能特征向量中的元素为子区域i中各类兴趣点的密度，s表示兴趣点的种类，可以设置为14。/>
基于上述根据待预测区域中兴趣点的总数量、待预测区域中各类兴趣点分别对应的数量以及该子区域中各类兴趣点分别对应的数量确定功能特征向量之后，后续确定功能相关向量以及功能图的过程与上述根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量之后的确定功能相关向量以及功能图的过程类似，只是将上述计算过程中使用的替换为/>，并进行计算，在此就不再赘述。
基于此，在上述步骤S108中，服务器可以将各子区域的至少两种时间特征、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。具体的，服务器可以先将各子区域的至少两种时间特征、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵进行拼接，再将拼接后的结果输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。其中，在将各子区域的至少两种时间特征、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵进行拼接时，服务器可以先将每一个的子区域的至少两种时间特征拼接在一起，得到每一个子区域的时间特征向量，再确定由各子区域的时间特征向量组成的时间特征矩阵。之后，将时间特征矩阵、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵进行拼接。当然，服务器还可以直接将各子区域的至少两种时间特征、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵进行拼接，本说明书不做具体限定。
另外，出行需求预测模型还可以包括编码层，故服务器还可以针对各子区域，将该子区域的至少两种时间特征进行拼接，得到该子区域的时间特征向量，再确定由各子区域的时间特征向量组成的待预测区域的第一时间特征矩阵。然后，将第一时间特征矩阵输入出行需求预测模型的编码层，得到待预测区域的第二时间特征矩阵。再将第二时间特征矩阵、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵进行拼接。之后，将拼接后的结果输入出行需求预测模型的预测层，得到待预测区域中的各子区域之间的用户出行需求矩阵。
在本说明书中，考虑到天气对用户出行的影响，比如下雨时用户的出行需求比晴天时用户的出行需求小。故在上述步骤S108中，服务器可以确定待预测区域指定时间内的天气信息，并根据所述天气信息，确定待预测区域的天气向量，并将各子区域的天气向量、各子区域的至少两种时间特征、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。其中，指定时间为预先设置的时间，比如预测时间段前二十四小时。服务器可以将天气分为雪、大雨、中雨、小雨、阴、多云、晴七大类，故在根据天气信息，确定待预测区域的天气向量时，可以根据天气信息，构建待预测区域的七维天气向量，每一维度对应一种类型的天气，比如预测时间段前二十四小时内，待预测区域有5小时为大雨，8小时为小雨，9小时为阴天，故待预测区域的天气向量为（0，5，0，8，9，0，0）。
另外，由于待预测区域整体的天气可能与子区域的天气不同，或者待预测区域中不同的子区域的天气情况可能不同，比如作为待预测区域的北京市的天气为阴天，但朝阳区是晴天，而海淀区是小雨。故服务器可以针对所述各子区域，确定该子区域的指定时间内的天气信息，根据天气信息，确定该子区域的天气向量。之后，将各子区域的天气向量、各子区域的至少两种时间特征、距离特征以及出行需求特征输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。具体的，服务器可以针对各子区域，确定该子区域的指定时间内的天气信息，根据天气信息，确定该子区域的天气向量。之后，将各子区域的天气向量、各子区域的至少两种时间特征、距离特征以及出行需求特征进行拼接，并将拼接后的结果输入出行需求预测模型的预测层，得到待预测区域的用户出行需求。其中，在将各子区域的天气向量、各子区域的至少两种时间特征、距离特征以及出行需求特征进行拼接时，服务器可以针对每一个子区域，将该子区域的至少两种时间特征以及该子区域的天气向量进行拼接，得到时间天气特征向量。之后，再将各子区域的时间天气特征向量、距离特征以及出行需求特征进行拼接。
当然，在得到时间天气特征向量之后，服务器还可以确定由各子区域的时间天气特征向量组成的第一特征矩阵。之后，再将第一特征矩阵输入出行需求预测模型的编码层，得到待预测区域的时间天气特征矩阵。基于此，在上述将各子区域的天气向量、各子区域的至少两种时间特征、距离特征以及出行需求特征进行拼接时，服务器可以将时间天气特征矩阵、距离特征以及出行需求特征进行拼接。
另外，为了增加天气信息对后续预测结果的有效性，服务器还可以根据再不同天气时用户的出行次数，确定天气的权重，之后，根据确定出的权重，对子区域的天气向量进行加权计算，得到子区域的最终的天气向量，后续使用最终的天气向量预测待预测区域的用户出行需求。在某一天气情况下出行的次数越多，说明该天气情况对应的权重较大，反之，在该天气情况下出行的次数越少，说明该天气情况对应的权重较小。故服务器可以根据该子区域的历史出行次数，确定该子区域的天气向量中每一维度对应的权重，也就是该子区域的天气向量中每一种类型的天气对应的权重，并根据确定出的权重，对该子区域的天气向量进行加权计算，得到该子区域的最终的天气向量。
在本说明书中，为了减小计算量，快速地得到待预测区域的预测结果，在上述步骤S102提取信息时服务器可以只提取指定数量的时间周期的信息，也就是服务器可以将该子区域的历史出行信息按照至少两种时间周期以及指定数量进行提取，得到至少两种子信息。其中，每一种子信息均是服务器按照一种时间周期进行提取且提取指定数量的时间周期得到的信息。
在本说明书中，出行需求预测模型可以为预先训练的模型，具体训练过程如图4所示，图4为本说明书中提供的一种训练出行需求预测模型的流程图，具体包括以下步骤：
S200：获取指定区域内各子区域的至少两个历史时间段的信息。
S202：将所述至少两个历史时间段中时间最晚的时间段的所述各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本。
S204：针对所述各子区域，将该子区域在所述样本中的出行信息按照所述至少两种时间周期进行提取，得到至少两种子信息。
S206：根据所述各子区域在所述样本中的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域在所述样本中的出行信息，构建所述各子区域之间的出行需求图。
S208：将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入所述特征提取层，得到所述各子区域的至少两种子时间特征、所述指定区域的距离特征以及所述指定区域的出行需求特征。
S210：将所述各子区域的至少两种子时间特征、所述距离特征以及所述出行需求特征输入所述预测层，得到所述指定区域的用户出行需求。
S212：以所述用户出行需求与所述标注之间的差异最小为目标，对所述出行需求预测模型进行训练。
服务器可以按照上述步骤S200~S212训练出行需求预测模型，出行需求预测模型包括特征提取层以及预测层。按照上述步骤S200~S212训练出行需求预测模型的过程与上述步骤S100~S110预测待预测区域的用户出行需求的过程类似，只是上述步骤S100~S110预测待预测区域的用户出行需求的过程是利用各子区域的信息，对待预测区域进行预测，而出行需求预测模型的训练过程中（即上述步骤S200~S212）是将至少两个历史时间段中时间最晚的时间段的各子区域之间的出行信息（即相当于上述步骤S110中已经预测出的待预测区域的用户出行需求）作为标注，以及将其他历史时间段的各子区域之间的信息作为样本（即相当于上述步骤S100中各子区域的信息），故具体过程在此就不再赘述。
在本说明书中，出行需求预测模型还可以包括编码层以及特征提取层可以包括全连接层以及卷积层，基于此，如图5所示，图5为本说明书中提供的一种出行需求预测模型的训练过程的示意图，图5的出行需求预测模型包括全连接层、卷积层、编码层以及预测层。出行需求预测模型的卷积层可以为多个，图5仅以三个卷积层为例。在本说明书中仅以图5为例，展示出行需求预测模型的训练过程。另外，采用其他方式训练出行需求预测模型的详细过程见上述图1以及图4示出的相关内容，在此就不赘述。
故服务器可以获取指定区域内各子区域的至少两个历史时间段的信息，将至少两个历史时间段中时间最晚的时间段的各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本。之后，针对各子区域，将该子区域在样本中的出行信息按照至少两种时间周期进行提取，得到至少两种子信息。将至少两种子信息分别输入特征提取层，得到至少两种子时间特征。同时，确定该子区域的指定时间内的天气信息，并根据天气信息，确定该子区域的天气向量。之后，将该子区域的至少两种子时间特征以及天气向量进行拼接，得到该子区域的时间天气特征向量。再确定由各子区域的时间天气特征向量组成的第一特征矩阵，并将第一特征矩阵输入出行需求预测模型的编码层，得到指定区域的时间天气特征矩阵。同时，根据各子区域在样本中的位置信息，构建各子区域之间的距离图。根据各子区域在样本中的出行信息，构建各子区域之间的出行需求图。以及，根据各子区域在样本中的功能信息，构建各子区域之间的功能图。之后，将距离图、出行需要图以及功能图分别输入卷积层，得到指定区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵。之后，将上述得到的时间天气特征矩阵、距离特征矩阵、出行需求特征矩阵以及功能特征矩阵进行拼接，并将拼接后的结果输入预测层，得到指定区域的用户出行需求。然后，以用户出行需求与标注之间的差异最小为目标，对出行需求预测模型进行训练。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应的车辆调度的装置，如图6所示。
图6为本说明书提供的一种的车辆调度的装置的示意图，包括：
出行需求预测模型包括特征提取层、卷积层以及预测层；所述装置包括：
确定模块300，用于针对待预测区域中的各子区域，确定该子区域的信息，所述信息至少包括历史出行信息以及位置信息；
提取模块302，用于将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息；
构图模块304，用于根据所述各子区域的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图；
特征模块306，用于将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征；
预测模块308，用于将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，其中，所述用户出行需求包括用户的出发区域以及所述用户的目标区域；
调度模块310，用于根据所述用户出行需求，进行车辆调度。
可选地，所述特征提取层包括全连接层以及卷积层；
所述特征模块306具体用于，将所述各子区域的所述至少两种子信息分别输入所述出行需求预测模型的全连接层，得到所述各子区域的至少两种时间特征；将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征。
可选地，所述提取模块302具体用于，确定预测待预测区域的用户出行需求的预测时间段；根据所述预测时间段的时间长度，将该子区域的历史出行信息进行划分，得到各待选信息；按照至少两种时间周期，从各待选信息中，确定与所述预测时间段对应的至少两种子信息。
可选地，所述出行需求预测模型还包括编码层；
所述预测模块308具体用于，针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；将所述第二时间特征矩阵、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
可选地，所述构图模块304具体用于，针对所述各子区域，根据所述各子区域的位置信息，确定该子区域与其他各子区域之间的各距离；根据指定距离以及所述各距离，确定该子区域与所述其他各子区域之间的各相对距离；根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量；将由所述各子区域的距离相关向量组成的距离相关矩阵作为所述待预测区域的距离图。
可选地，所述构图模块304具体用于，针对所述各子区域，根据所述各子区域的历史出行信息，确定该子区域到其他各子区域的各历史出行次数；根据所述各历史出行次数，确定该子区域的出行需求向量；根据所述各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量；将由所述各子区域的出行需求相关向量组成的出行需求相关矩阵作为所述待预测区域的出行需求图。
可选地，所述信息还包括功能信息，所述功能信息至少包括该子区域中各类兴趣点分别对应的数量；
所述特征模块306具体用于，针对所述各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量；根据所述各子区域的功能特征向量，确定该子区域与其他各子区域之间的功能相关向量；将由所述各子区域的功能相关向量组成的功能相关矩阵作为所述待预测区域的功能图；将所述距离图、所述出行需求图以及所述功能图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵。
可选地，所述出行需求预测模型还包括编码层；
所述预测模块308具体用于，针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；将所述第二时间特征矩阵、所述距离特征矩阵、所述出行需求特征矩阵以及所述功能特征矩阵进行拼接；将拼接后的结果输入所述出行需求预测模型的预测层，得到所述待预测区域中的所述各子区域之间的用户出行需求矩阵。
可选地，所述信息还包括天气信息；
所述预测模块308具体用于，针对所述各子区域，确定该子区域的指定时间内的天气信息；根据所述天气信息，确定该子区域的天气向量；将所述各子区域的天气向量、所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
可选地，所述装置还包括：
训练模块312，用于获取指定区域内各子区域的至少两个历史时间段的信息；将所述至少两个历史时间段中时间最晚的时间段的所述各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本；针对所述各子区域，将该子区域在所述样本中的出行信息按照所述至少两种时间周期进行提取，得到至少两种子信息；根据所述各子区域在所述样本中的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域在所述样本中的出行信息，构建所述各子区域之间的出行需求图；将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入所述特征提取层，得到所述各子区域的至少两种子时间特征、所述指定区域的距离特征以及所述指定区域的出行需求特征；将所述各子区域的至少两种子时间特征、所述距离特征以及所述出行需求特征输入所述预测层，得到所述指定区域的用户出行需求；以所述用户出行需求与所述标注之间的差异最小为目标，对所述出行需求预测模型进行训练。
可选地，所述调度模块310具体用于，根据所述用户出行需求，确定所述待预测区域中所述各子区域的出行人数，作为所述各子区域的调度数量；针对所述各子区域，将该子区域对应的调度数量的车辆调度到该子区域。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种车辆调度方法。
本说明书还提供了图7所示的一种对应于图1的电子设备的示意结构图。如图7所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的车辆调度的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制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 Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
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，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (18)
1.一种车辆调度方法，其特征在于，包括：
针对待预测区域中的各子区域，确定该子区域的信息，所述信息至少包括历史出行信息以及位置信息；
将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息；
根据所述各子区域的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图；
将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，其中，所述用户出行需求包括用户的出发区域以及所述用户的目标区域；
根据所述用户出行需求，进行车辆调度；
所述特征提取层包括全连接层以及卷积层；
将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征，具体包括：
将所述各子区域的所述至少两种子信息分别输入所述出行需求预测模型的全连接层，得到所述各子区域的至少两种时间特征；
将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征；
所述信息还包括功能信息，所述功能信息至少包括该子区域中各类兴趣点分别对应的数量；
将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征，具体包括：
针对所述各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量；
根据其他子区域的功能特征向量，确定该子区域与其他子区域之间的功能相关向量；
将由所述各子区域的功能相关向量组成的功能相关矩阵作为所述待预测区域的功能图；
将所述距离图、所述出行需求图以及所述功能图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵；
所述出行需求预测模型还包括编码层；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，具体包括：
针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；
确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；
将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；
将所述第二时间特征矩阵、所述距离特征矩阵、所述出行需求特征矩阵以及所述功能特征矩阵进行拼接；
将拼接后的结果输入所述出行需求预测模型的预测层，得到所述待预测区域中的所述各子区域之间的用户出行需求矩阵。
2.如权利要求1所述的方法，其特征在于，将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息，具体包括：
确定预测待预测区域的用户出行需求的预测时间段；
根据所述预测时间段的时间长度，将该子区域的历史出行信息进行划分，得到各待选信息；
按照至少两种时间周期，从各待选信息中，确定与所述预测时间段对应的至少两种子信息。
3.如权利要求1所述的方法，其特征在于，所述出行需求预测模型还包括编码层；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，具体包括：
针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；
确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；
将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；
将所述第二时间特征矩阵、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
4.如权利要求1所述的方法，其特征在于，根据所述各子区域的位置信息，构建所述各子区域之间的距离图，具体包括：
针对所述各子区域，根据所述各子区域的位置信息，确定该子区域与其他各子区域之间的各距离；
根据指定距离以及所述各距离，确定该子区域与所述其他各子区域之间的各相对距离；
根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量；
将由所述各子区域的距离相关向量组成的距离相关矩阵作为所述待预测区域的距离图。
5.如权利要求1所述的方法，其特征在于，根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图，具体包括：
针对所述各子区域，根据所述各子区域的历史出行信息，确定该子区域到其他各子区域的各历史出行次数；
根据所述各历史出行次数，确定该子区域的出行需求向量；
根据所述各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量；
将由所述各子区域的出行需求相关向量组成的出行需求相关矩阵作为所述待预测区域的出行需求图。
6.如权利要求1所述的方法，其特征在于，所述信息还包括天气信息；
将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，具体包括：
针对所述各子区域，确定该子区域的指定时间内的天气信息；
根据所述天气信息，确定该子区域的天气向量；
将所述各子区域的天气向量、所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
7.如权利要求1所述的方法，其特征在于，采用下述方式训练所述出行需求预测模型，其中：
获取指定区域内各子区域的至少两个历史时间段的信息；
将所述至少两个历史时间段中时间最晚的时间段的所述各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本；
针对所述各子区域，将该子区域在所述样本中的出行信息按照所述至少两种时间周期进行提取，得到至少两种子信息；
根据所述各子区域在所述样本中的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域在所述样本中的出行信息，构建所述各子区域之间的出行需求图；
将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入所述特征提取层，得到所述各子区域的至少两种子时间特征、所述指定区域的距离特征以及所述指定区域的出行需求特征；
将所述各子区域的至少两种子时间特征、所述距离特征以及所述出行需求特征输入所述预测层，得到所述指定区域的用户出行需求；
以所述用户出行需求与所述标注之间的差异最小为目标，对所述出行需求预测模型进行训练。
8.如权利要求1所述的方法，其特征在于，根据所述用户出行需求，进行车辆调度，具体包括：
根据所述用户出行需求，确定所述待预测区域中所述各子区域的出行人数，作为所述各子区域的调度数量；
针对所述各子区域，将该子区域对应的调度数量的车辆调度到该子区域。
9.一种车辆调度装置，其特征在于，包括：
确定模块，用于针对待预测区域中的各子区域，确定该子区域的信息，所述信息至少包括历史出行信息以及位置信息；
提取模块，用于将该子区域的历史出行信息按照至少两种时间周期进行提取，得到至少两种子信息；
构图模块，用于根据所述各子区域的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域的历史出行信息，构建所述各子区域之间的出行需求图；
特征模块，用于将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入出行需求预测模型的特征提取层，得到所述各子区域的至少两种时间特征、所述待预测区域的距离特征以及所述待预测区域的出行需求特征；
预测模块，用于将所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求，其中，所述用户出行需求包括用户的出发区域以及所述用户的目标区域；
调度模块，用于根据所述用户出行需求，进行车辆调度；
所述特征提取层包括全连接层以及卷积层；
所述特征模块具体用于，将所述各子区域的所述至少两种子信息分别输入所述出行需求预测模型的全连接层，得到所述各子区域的至少两种时间特征；将所述距离图以及所述出行需求图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征以及出行需求特征；
所述信息还包括功能信息，所述功能信息至少包括该子区域中各类兴趣点分别对应的数量；
所述特征模块具体用于，针对所述各子区域，根据该子区域中各类兴趣点分别对应的数量，确定该子区域的功能特征向量；根据其他子区域的功能特征向量，确定该子区域与其他子区域之间的功能相关向量；将由所述各子区域的功能相关向量组成的功能相关矩阵作为所述待预测区域的功能图；将所述距离图、所述出行需求图以及所述功能图分别输入所述出行需求预测模型的卷积层，得到所述待预测区域的距离特征矩阵、出行需求特征矩阵以及功能特征矩阵；
所述出行需求预测模型还包括编码层；
所述预测模块具体用于，针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；将所述第二时间特征矩阵、所述距离特征矩阵、所述出行需求特征矩阵以及所述功能特征矩阵进行拼接；将拼接后的结果输入所述出行需求预测模型的预测层，得到所述待预测区域中的所述各子区域之间的用户出行需求矩阵。
10.如权利要求9所述的装置，其特征在于，所述提取模块具体用于，确定预测待预测区域的用户出行需求的预测时间段；根据所述预测时间段的时间长度，将该子区域的历史出行信息进行划分，得到各待选信息；按照至少两种时间周期，从各待选信息中，确定与所述预测时间段对应的至少两种子信息。
11.如权利要求9所述的装置，其特征在于，所述出行需求预测模型还包括编码层；
所述预测模块具体用于，针对所述各子区域，将该子区域的所述至少两种时间特征进行拼接，得到该子区域的时间特征向量；确定由所述各子区域的时间特征向量组成的所述待预测区域的第一时间特征矩阵；将所述第一时间特征矩阵输入所述出行需求预测模型的编码层，得到所述待预测区域的第二时间特征矩阵；将所述第二时间特征矩阵、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
12.如权利要求9所述的装置，其特征在于，所述构图模块具体用于，针对所述各子区域，根据所述各子区域的位置信息，确定该子区域与其他各子区域之间的各距离；根据指定距离以及所述各距离，确定该子区域与所述其他各子区域之间的各相对距离；根据确定出的各相对距离，确定该子区域与其他各子区域之间的距离相关向量；将由所述各子区域的距离相关向量组成的距离相关矩阵作为所述待预测区域的距离图。
13.如权利要求9所述的装置，其特征在于，所述构图模块具体用于，针对所述各子区域，根据所述各子区域的历史出行信息，确定该子区域到其他各子区域的各历史出行次数；根据所述各历史出行次数，确定该子区域的出行需求向量；根据所述各子区域的出行需求向量，确定该子区域与其他各子区域之间的出行需求相关向量；将由所述各子区域的出行需求相关向量组成的出行需求相关矩阵作为所述待预测区域的出行需求图。
14.如权利要求9所述的装置，其特征在于，所述信息还包括天气信息；
所述预测模块具体用于，针对所述各子区域，确定该子区域的指定时间内的天气信息；根据所述天气信息，确定该子区域的天气向量；将所述各子区域的天气向量、所述各子区域的所述至少两种时间特征、所述距离特征以及所述出行需求特征输入所述出行需求预测模型的预测层，得到所述待预测区域的用户出行需求。
15.如权利要求9所述的装置，其特征在于，所述装置还包括：
训练模块，用于获取指定区域内各子区域的至少两个历史时间段的信息；将所述至少两个历史时间段中时间最晚的时间段的所述各子区域之间的出行信息作为标注，以及将其他历史时间段的所述各子区域之间的信息作为样本；针对所述各子区域，将该子区域在所述样本中的出行信息按照所述至少两种时间周期进行提取，得到至少两种子信息；根据所述各子区域在所述样本中的位置信息，构建所述各子区域之间的距离图，以及根据所述各子区域在所述样本中的出行信息，构建所述各子区域之间的出行需求图；将所述各子区域的所述至少两种子信息、所述距离图以及所述出行需求图分别输入所述特征提取层，得到所述各子区域的至少两种子时间特征、所述指定区域的距离特征以及所述指定区域的出行需求特征；将所述各子区域的至少两种子时间特征、所述距离特征以及所述出行需求特征输入所述预测层，得到所述指定区域的用户出行需求；以所述用户出行需求与所述标注之间的差异最小为目标，对所述出行需求预测模型进行训练。
16.如权利要求9所述的装置，其特征在于，所述调度模块具体用于，根据所述用户出行需求，确定所述待预测区域中所述各子区域的出行人数，作为所述各子区域的调度数量；针对所述各子区域，将该子区域对应的调度数量的车辆调度到该子区域。
17.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。
18.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310867386.5A CN116612640B (zh) | 2023-07-14 | 2023-07-14 | 一种车辆调度方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310867386.5A CN116612640B (zh) | 2023-07-14 | 2023-07-14 | 一种车辆调度方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116612640A CN116612640A (zh) | 2023-08-18 |
| CN116612640B true CN116612640B (zh) | 2023-12-26 |
Family
ID=87678496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310867386.5A Active CN116612640B (zh) | 2023-07-14 | 2023-07-14 | 一种车辆调度方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612640B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019050908A1 (en) * | 2017-09-08 | 2019-03-14 | Didi Research America, Llc | SYSTEM AND METHOD FOR DISTRIBUTING TRAVEL ORDER |
| CN110796323A (zh) * | 2018-08-03 | 2020-02-14 | 北京嘀嘀无限科技发展有限公司 | 车辆的调度方法、装置、终端及计算机可读存储介质 |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| 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 |
| JP2020194366A (ja) * | 2019-05-28 | 2020-12-03 | 株式会社バイタルリード | 配車処理システム |
| CN113380025A (zh) * | 2021-05-28 | 2021-09-10 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
| CN115392548A (zh) * | 2022-08-05 | 2022-11-25 | 上海钧正网络科技有限公司 | 一种针对出行站点的出行需求预测方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7035957B2 (ja) * | 2018-10-23 | 2022-03-15 | トヨタ自動車株式会社 | 配車指示装置、配車指示方法および配車指示プログラム |
-
2023
- 2023-07-14 CN CN202310867386.5A patent/CN116612640B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019050908A1 (en) * | 2017-09-08 | 2019-03-14 | Didi Research America, Llc | SYSTEM AND METHOD FOR DISTRIBUTING TRAVEL ORDER |
| CN110796323A (zh) * | 2018-08-03 | 2020-02-14 | 北京嘀嘀无限科技发展有限公司 | 车辆的调度方法、装置、终端及计算机可读存储介质 |
| 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 |
| JP2020194366A (ja) * | 2019-05-28 | 2020-12-03 | 株式会社バイタルリード | 配車処理システム |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| CN113380025A (zh) * | 2021-05-28 | 2021-09-10 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
| CN115392548A (zh) * | 2022-08-05 | 2022-11-25 | 上海钧正网络科技有限公司 | 一种针对出行站点的出行需求预测方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于网约车数据的城市区域出行时空特征识别与预测研究;张政;陈艳艳;梁天闻;;交通运输系统工程与信息(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116612640A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
| TWI676783B (zh) | 用於預估到達時間之方法及系統 | |
| Fan et al. | Online deep ensemble learning for predicting citywide human mobility | |
| CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
| CN109670671B (zh) | 公交线网评价方法及装置 | |
| CN112766607A (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
| CN110488821B (zh) | 一种确定无人车运动策略的方法及装置 | |
| US20190145779A1 (en) | Methods and Apparatuses for Predicting a Destination of a User's Current Travel Path | |
| JP7334205B2 (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| CN110148013B (zh) | 一种用户标签分布预测方法、装置及系统 | |
| CN112629550B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
| CN116663618B (zh) | 一种算子优化方法、装置、存储介质及电子设备 | |
| CN116304720A (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
| CN113325855B (zh) | 基于迁移场景用于预测障碍物轨迹的模型训练方法 | |
| CN116612640B (zh) | 一种车辆调度方法、装置、存储介质及电子设备 | |
| CN116347623B (zh) | 一种任务调度的方法、装置、存储介质及电子设备 | |
| CN114996570A (zh) | 一种信息推荐的方法及装置 | |
| CN114372736A (zh) | 一种路线推荐的方法、装置、存储介质及电子设备 | |
| CN110532482B (zh) | 一种显示上车点的方法及装置 | |
| CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
| CN116758728A (zh) | 一种停车位空闲率的预测方法、装置、介质及设备 | |
| CN116935055B (zh) | 一种基于注意力掩码的弱监督语义分割方法及装置 | |
| CN112393723B (zh) | 一种定位方法、设备、介质及无人设备 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| Jensen | Value Creation from Massive Data in Transportation? The Case of Vehicle Routing. |
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 |