CN117593045B - 一种商用车辆需求预测方法、装置、设备及存储介质 - Google Patents
一种商用车辆需求预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117593045B CN117593045B CN202410077832.7A CN202410077832A CN117593045B CN 117593045 B CN117593045 B CN 117593045B CN 202410077832 A CN202410077832 A CN 202410077832A CN 117593045 B CN117593045 B CN 117593045B
- Authority
- CN
- China
- Prior art keywords
- demand
- layer
- commercial vehicle
- output
- historical
- 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 37
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种商用车辆需求预测方法、装置、设备及存储介质,包括:构建商用车辆历史需求特征矩阵;将历史需求特征矩阵输入经过训练的商用车辆需求预测模型后,输出对应的商用车辆未来需求预测值;模型的网络结构在编码器解码器架构的基础上进行改进;在每一层编码器层中,数据从三维卷积层输入后,三维卷积层的输出经过残差连接和层归一化后输出至下一层编码器层;在每一层解码器层中,数据从多个扩张感知长短期单元并行输入后,所有扩张感知长短期单元的输出共同经过残差连接和层归一化后输出至下一层解码器层。通过充分挖掘商用车辆需求数据中的时空特性,能够快速、准确地对目标区域商用车辆的需求进行预测。
Description
技术领域
本发明涉及车辆需求预测技术领域,具体涉及一种商用车辆需求预测方法、装置、设备及存储介质。
背景技术
当前,商用车辆的出行方式实现了一种便捷、舒适且“点到点”的交通出行,然而,由于商用车辆和乘客的分布不均,商用车辆的供需不平衡问题就尤为严重了。现有的诸多研究工作都是采用的网格式划分区域的方法,所以城市区域商用车辆交通需求数据在形式上是规则的网格式空间关系的时间序列数据。早期的一些研究工作多是基于数理统计和机器学习的方法,这些方法在实际的应用中往往表现不佳。因为这些方法通常只是考虑在时间维度上建模,无法同时捕捉到时空数据的隐藏关联性,并且较为依赖于特征工程,而进行特征的提取往往是需要耗费大量时间和精力的,所以预测效果较差,且使用范围十分有限。而近几年一些基于卷积神经网络和循环神经网络的方法虽然考虑了在时间维度和空间维度的特征提取,但是依旧未能达到较好的预测效果。
有鉴于此,提出本申请。
发明内容
本发明公开了一种商用车辆需求预测方法、装置、设备及存储介质,能够有效解决现有技术中的商用车辆需求预测方案进行特征的提取往往是需要耗费大量时间和精力的,进而导致预测效果较差,且使用范围十分有限的问题。
本发明公开了一种商用车辆需求预测方法, 包括:
获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵;
调用训练好的商用车辆需求预测模型对所述历史需求特征矩阵进行预处理,生成与所述历史需求特征矩阵相对应的商用车辆未来需求预测值,其中,所述商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进,所述历史需求特征矩阵作为所述商用车辆需求预测模型的输入值,在商用车辆需求预测模型的每一层编码器层中,所述历史需求特征矩阵的数据从三维卷积层输入之后,三维卷积层的输出会经过残差连接与层归一化处理,输出至下一层编码器层,在每一层解码器层中,数据从多个扩张感知长短期单元并行输入之后,所有扩张感知长短期单元的输出会共同经过残差连接与层归一化处理,输出至下一层解码器层,基于最后一层解码器层的输出,得到所述商用车辆未来需求预测值;
根据所述商用车辆未来需求预测值,生成商用车辆的需求预测结果。
优选地,获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵,具体为:
获取预设目标区域内商用车辆的历史需求数据;
将所述目标区域网格化为个大小相同的子区域;
根据预设的固定时间间隔对每一所述子区域进行采样,统计所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量,其中,所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量为,该子区域的历史需求特征;
根据每一所述子区域的历史需求特征,组成目标区域的历史需求特征矩阵。
优选地,所述商用车辆需求预测模型中还包括用于对输入的所述历史需求特征矩阵进行信息嵌入的信息嵌入层,并将信息嵌入层的结果输入编码器层。
优选地,所述信息嵌入层中包括对时间信息的嵌入和对影响因素信息的嵌入。
优选地,所述时间信息包括全局时间信息和局部时间信息,全局时间信息包括历史需求特征矩阵对应的各时间步的时间信息,局部时间信息包括各时间步之间的相对距离信息。
优选地,所述三维卷积层表示为:
,
其中,、/>分别表示第/>层和第/>层三维卷积层的输出,/>表示激活函数,表示三维卷积运算,/>表示层数,/>和/>均表示参数矩阵。
优选地,所述扩张感知长短期单元由扩张感知模块和长短期记忆模块组成,扩张感知模块包括两个扩张感知层,扩张感知长短期单元的输入数据并行输入两个扩张感知层后,第一个扩张感知层的输出经过sigmoid函数激活后与第二个扩张感知层的输出经过tanh函数激活后的结果融合,融合结果输入长短期记忆模块;
其中,所述扩张感知层由三个不同大小的卷积层组成,扩张感知层的输入并行输入三个卷积层后,将三个卷积层后的拼接结果作为扩张感知层的输出。
本发明还公开了一种商用车辆需求预测装置,包括:
历史需求特征矩阵构建单元,用于获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵;
商用车辆未来需求预测值生成单元,用于调用训练好的商用车辆需求预测模型对所述历史需求特征矩阵进行预处理,生成与所述历史需求特征矩阵相对应的商用车辆未来需求预测值,其中,所述商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进,所述历史需求特征矩阵作为所述商用车辆需求预测模型的输入值,在商用车辆需求预测模型的每一层编码器层中,所述历史需求特征矩阵的数据从三维卷积层输入之后,三维卷积层的输出会经过残差连接与层归一化处理,输出至下一层编码器层,在每一层解码器层中,数据从多个扩张感知长短期单元并行输入之后,所有扩张感知长短期单元的输出会共同经过残差连接与层归一化处理,输出至下一层解码器层,基于最后一层解码器层的输出,得到所述商用车辆未来需求预测值;
需求预测结果生成单元,用于根据所述商用车辆未来需求预测值,生成商用车辆的需求预测结果。
本发明还公开了一种商用车辆需求预测设备,包括处理器、存储器以及存储在存储器中且被配置由处理器执行的计算机程序,处理器执行计算机程序时实现如上任意一项的一种商用车辆需求预测方法。
本发明还公开了一种可读存储介质,存储有计算机程序,计算机程序能够被该存储介质所在设备的处理器执行,以实现如上任意一项的一种商用车辆需求预测方法。
综上所述,本实施例提供的一种商用车辆需求预测方法、装置、设备及存储介质,构建商用车辆历史需求特征矩阵;将历史需求特征矩阵输入经过训练的商用车辆需求预测模型后,输出对应的商用车辆未来需求预测值;模型的网络结构在编码器解码器架构的基础上进行改进;在每一层编码器层中,数据从三维卷积层输入后,三维卷积层的输出经过残差连接和层归一化后输出至下一层编码器层;在每一层解码器层中,数据从多个扩张感知长短期单元并行输入后,所有扩张感知长短期单元的输出共同经过残差连接和层归一化后输出至下一层解码器层。从而解决现有技术中的商用车辆需求预测方案进行特征的提取往往是需要耗费大量时间和精力的,进而导致预测效果较差,且使用范围十分有限的问题。
附图说明
图1是本发明实施例提供的一种商用车辆需求预测方法的流程示意图。
图2是本发明实施例提供的一种商用车辆需求预测方法的模型结构示意图。
图3是本发明实施例提供的一种商用车辆需求预测方法的信息嵌入层结构示意图。
图4是本发明实施例提供的一种商用车辆需求预测方法的解码器层结构示意图。
图5是本发明实施例提供的一种商用车辆需求预测装置的模块示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
以下结合附图对本发明的具体实施例做详细说明。
请参阅图1至图4,本发明的第一实施例提供了一种商用车辆需求预测方法, 其可由商用车辆需求预测设备(以下预测设备)来执行,特别的,由预测设备内的一个或者多个处理器来执行,以实现如下步骤:
在本实施例中,所述预测设备可为存储设备(如智能手机、智能电脑或者其他智能设备),该用户终端设备可与云端的服务器建立通讯连接,以实现数据的交互。
S101,获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵;
具体地,步骤S101包括:获取预设目标区域内商用车辆的历史需求数据;
将所述目标区域网格化为个大小相同的子区域;
根据预设的固定时间间隔对每一所述子区域进行采样,统计所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量,其中,所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量为,该子区域的历史需求特征;
根据每一所述子区域的历史需求特征,组成目标区域的历史需求特征矩阵。
具体地,在本实施例中,商用车辆可以为出租车、网约车等任意的用于商用的车辆。首先,获取目标区域内商用车辆的历史需求数据并构建历史需求特征矩阵;可以对整个目标区域采取网格化的方式,按照经纬度将整个目标区域均匀划分为个大小相同的子区域,所有子区域可以用集合/>来表示,其中,/>,/>。对于每一个子区域/>,以固定时间间隔采样,可统计得到该子区域在时间间隔内商用车辆的上车需求和下车需求,则在时间间隔内,可用特征矩阵/>来表示整个区域的上下车需求。
在本实施例中,将研究区域限定在了某地区的火车站区域附近。在WGS84标准下,该区域的左上角经纬度为(118.09608, 24.51853),右下角经纬度为(118.15259,24.46853)。对商用车辆需求研究区域采用网格划分方法,根据经纬度将整个研究区域划分为6*6的网格表示,则I和J的取值即为6,然后以15分钟为时间间隔统计各个网格在各时间间隔内的上下车需求,可得到目标区域商用车辆上下车需求数据集,具体的信息如表1所示,数据维度大小为6*6*2976*2。
表1
S102,调用训练好的商用车辆需求预测模型对所述历史需求特征矩阵进行预处理,生成与所述历史需求特征矩阵相对应的商用车辆未来需求预测值,其中,所述商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进,所述历史需求特征矩阵作为所述商用车辆需求预测模型的输入值,在商用车辆需求预测模型的每一层编码器层中,所述历史需求特征矩阵的数据从三维卷积层输入之后,三维卷积层的输出会经过残差连接与层归一化处理,输出至下一层编码器层,在每一层解码器层中,数据从多个扩张感知长短期单元并行输入之后,所有扩张感知长短期单元的输出会共同经过残差连接与层归一化处理,输出至下一层解码器层,基于最后一层解码器层的输出,得到所述商用车辆未来需求预测值;
具体地,在本实施例中,所述商用车辆需求预测模型中还包括用于对输入的所述历史需求特征矩阵进行信息嵌入的信息嵌入层,并将信息嵌入层的结果输入编码器层。所述信息嵌入层中包括对时间信息的嵌入和对影响因素信息的嵌入。所述时间信息包括全局时间信息和局部时间信息,全局时间信息包括历史需求特征矩阵对应的各时间步的时间信息,局部时间信息包括各时间步之间的相对距离信息。
所述三维卷积层表示为:
,
其中,、/>分别表示第/>层和第/>层三维卷积层的输出,/>表示激活函数,表示三维卷积运算,/>表示层数,/>和/>均表示参数矩阵。
所述扩张感知长短期单元由扩张感知模块和长短期记忆模块组成,扩张感知模块包括两个扩张感知层,扩张感知长短期单元的输入数据并行输入两个扩张感知层后,第一个扩张感知层的输出经过sigmoid函数激活后与第二个扩张感知层的输出经过tanh函数激活后的结果融合,融合结果输入长短期记忆模块;
其中,所述扩张感知层由三个不同大小的卷积层组成,扩张感知层的输入并行输入三个卷积层后,将三个卷积层后的拼接结果作为扩张感知层的输出。
S103,根据所述商用车辆未来需求预测值,生成商用车辆的需求预测结果。
具体地,在本实施例中,将历史需求特征矩阵输入经过训练的商用车辆需求预测模型后,输出对应的商用车辆未来需求预测值。如图2所示,商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进。为了提高需求预测结果的准确性,所述商用车辆需求预测方法在编码器层之前还包括对历史需求特征矩阵进行嵌入,嵌入的信息包括时间信息和影响因素信息,时间信息包括全局时间信息和局部时间信息,全局时间信息包括历史需求特征矩阵对应的各时间步的时间信息,如某个时间部所属的第几小时、第几天、第几周、月份和假期等维度的信息;局部时间信息包括各时间步之间的相对距离信息,影响因素信息为天气、温度和风速等信息。
如图2所示,模型的输入为历史需求特征矩阵,/>表示历史时间步长,通过线性层将特征维度映射到高维(如维度/>为128维)后,输入如图3所示的信息嵌入层,输出的时间步/>对应的包含信息嵌入的特征矩阵/>可以通过如下公式计算得到,公式为:
其中,表示Hadamard积;/>表示激活函数;/>、/>和/>均表示参数矩阵;表示时间步/>上下车需求的全局时间特征矩阵,可由时间步/>所属的小时、第几天、第几周、月份和假期等维度的信息通过线性层将维度投影到/>维得到;/>表示时间步/>上下车需求的局部时间特征矩阵,可由Positional Encoding公式计算得到;表示时间步/>对应的影响因素特征矩阵。通过信息嵌入层嵌入信息后,得到编码器层的输入/>。
在每一层编码器层中,数据从三维卷积层输入后,三维卷积层的输出经过残差连接和层归一化后输出至下一层编码器层。编码器层用于提取时空扩散性。在编码器第层中,特征数据经过三维卷积层的计算如下公式所示:
其中,表示Tanh激活函数,/>表示三维卷积运算,/>,/>表示编码器层的个数,/>和/>均表示参数矩阵。编码器通过/>个编码器层以初值/>开始逐层计算得到一个包含时空信息的输出/>。解码器层用于进一步提取时间相关性和空间相关性。在每一层解码器层中,数据从多个扩张感知长短期单元并行输入后,所有扩张感知长短期单元的输出共同经过残差连接和层归一化后输出至下一层解码器层。
如图2所示,将编码器的输出通过线性层后输入解码器中,一个解码器层由个扩张感知长短期单元组成,一个扩张感知长短期单元由扩张感知模块和长短期记忆模块组成,扩张感知长短期单元的组成结构如图4所示,整体计算如下公式所示:
其中,,/>,/>表示/>时刻/>解码层的需求信息矩阵,/>、/>和/>分别表示对需求信息矩阵进行滤波器大小为/>、和/>的卷积运算,Concat表示拼接操作,这里使用了两个扩张感知层,区别在于将sigmoid函数分支作为门电路控制信息权重,tanh函数分支作为滤波器分支,然后将两个分支的信息融合到了一起。/>、/>和/>分别是“忘记门”、“输入门”和“输出门”的计算输出值,、/>、/>、/>、/>和/>表示三个门的权重参数,/>、/>和/>表示三个门的偏置向量,/>和/>分别表示上一个时刻的隐藏状态和当前时刻的隐藏状态,/>表示激活函数。/>、/>和/>分别表示上一个时刻的记忆状态、当前时刻的记忆状态和候选记忆状态,和/>均表示计算候选记忆状态的权重参数,/>表示偏置向量,/>表示Hadamard积。最后计算出当前时刻的候选记忆状态和隐藏状态的结果,可得到下一层的需求信息矩阵。经过解码器/>层计算后,可得到解码器输出/>,再经过线性层将维度映射为2,即得到最终的/>个预测时间步长的预测结果/>。
综上,所述商用车辆需求预测方法通过构建商用车辆历史需求特征矩阵;将历史需求特征矩阵输入经过训练的商用车辆需求预测模型后,输出对应的商用车辆未来需求预测值;模型的网络结构在编码器解码器架构的基础上进行改进;在每一层编码器层中,数据从三维卷积层输入后,三维卷积层的输出经过残差连接和层归一化后输出至下一层编码器层;在每一层解码器层中,数据从多个扩张感知长短期单元并行输入后,所有扩张感知长短期单元的输出共同经过残差连接和层归一化后输出至下一层解码器层。所述商用车辆需求预测方法通过充分挖掘商用车辆需求数据中的时空特性,能够快速、准确地对目标区域商用车辆的需求进行预测。
请参阅图5,本发明的第二实施例提供了一种商用车辆需求预测装置,包括:
历史需求特征矩阵构建单元201,用于获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵;
商用车辆未来需求预测值生成单元202,用于调用训练好的商用车辆需求预测模型对所述历史需求特征矩阵进行预处理,生成与所述历史需求特征矩阵相对应的商用车辆未来需求预测值,其中,所述商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进,所述历史需求特征矩阵作为所述商用车辆需求预测模型的输入值,在商用车辆需求预测模型的每一层编码器层中,所述历史需求特征矩阵的数据从三维卷积层输入之后,三维卷积层的输出会经过残差连接与层归一化处理,输出至下一层编码器层,在每一层解码器层中,数据从多个扩张感知长短期单元并行输入之后,所有扩张感知长短期单元的输出会共同经过残差连接与层归一化处理,输出至下一层解码器层,基于最后一层解码器层的输出,得到所述商用车辆未来需求预测值;
需求预测结果生成单元203,用于根据所述商用车辆未来需求预测值,生成商用车辆的需求预测结果。
本发明的第三实施例提供了一种商用车辆需求预测设备,包括处理器、存储器以及存储在存储器中且被配置由处理器执行的计算机程序,处理器执行计算机程序时实现如上任意一项的一种商用车辆需求预测方法。
本发明的第四实施例提供了一种可读存储介质,存储有计算机程序,计算机程序能够被该存储介质所在设备的处理器执行,以实现如上任意一项的一种商用车辆需求预测方法。
示例性地,本发明第三实施例和第四实施例中所述的计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述一种商用车辆需求预测设备中的执行过程。例如,本发明第二实施例中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种商用车辆需求预测方法的控制中心,利用各种接口和线路连接整个所述一种商用车辆需求预测方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现一种商用车辆需求预测方法的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据专利实践的要求进行适当的增减,例如,根据专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。
Claims (9)
1.一种商用车辆需求预测方法, 其特征在于,包括:
获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵,具体为:
获取预设目标区域内商用车辆的历史需求数据;
将所述目标区域网格化为个大小相同的子区域;
根据预设的固定时间间隔对每一所述子区域进行采样,统计所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量,其中,所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量为,该子区域的历史需求特征;
根据每一所述子区域的历史需求特征,组成目标区域的历史需求特征矩阵;
调用训练好的商用车辆需求预测模型对所述历史需求特征矩阵进行预处理,生成与所述历史需求特征矩阵相对应的商用车辆未来需求预测值,其中,所述商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进,所述历史需求特征矩阵作为所述商用车辆需求预测模型的输入值,在商用车辆需求预测模型的每一层编码器层中,所述历史需求特征矩阵的数据从三维卷积层输入之后,三维卷积层的输出会经过残差连接与层归一化处理,输出至下一层编码器层,在每一层解码器层中,数据从多个扩张感知长短期单元并行输入之后,所有扩张感知长短期单元的输出会共同经过残差连接与层归一化处理,输出至下一层解码器层,基于最后一层解码器层的输出,得到所述商用车辆未来需求预测值;
根据所述商用车辆未来需求预测值,生成商用车辆的需求预测结果。
2.根据权利要求1所述的一种商用车辆需求预测方法,其特征在于,所述商用车辆需求预测模型中还包括用于对输入的所述历史需求特征矩阵进行信息嵌入的信息嵌入层,并将信息嵌入层的结果输入编码器层。
3.根据权利要求2所述的一种商用车辆需求预测方法,其特征在于,所述信息嵌入层中包括对时间信息的嵌入和对影响因素信息的嵌入。
4.根据权利要求3所述的一种商用车辆需求预测方法,其特征在于,所述时间信息包括全局时间信息和局部时间信息,全局时间信息包括历史需求特征矩阵对应的各时间步的时间信息,局部时间信息包括各时间步之间的相对距离信息。
5.根据权利要求1所述的一种商用车辆需求预测方法,其特征在于,所述三维卷积层表示为:
,
其中,、/>分别表示第/>层和第/>层三维卷积层的输出,/>表示激活函数,/>表示三维卷积运算,/>表示层数,/>和/>均表示参数矩阵。
6.根据权利要求1所述的一种商用车辆需求预测方法,其特征在于,所述扩张感知长短期单元由扩张感知模块和长短期记忆模块组成,扩张感知模块包括两个扩张感知层,扩张感知长短期单元的输入数据并行输入两个扩张感知层后,第一个扩张感知层的输出经过sigmoid函数激活后与第二个扩张感知层的输出经过tanh函数激活后的结果融合,融合结果输入长短期记忆模块;
其中,所述扩张感知层由三个不同大小的卷积层组成,扩张感知层的输入并行输入三个卷积层后,将三个卷积层后的拼接结果作为扩张感知层的输出。
7.一种商用车辆需求预测装置,其特征在于,包括:
历史需求特征矩阵构建单元,用于获取预设目标区域内商用车辆的历史需求数据,并构建历史需求特征矩阵,具体为:
获取预设目标区域内商用车辆的历史需求数据;
将所述目标区域网格化为个大小相同的子区域;
根据预设的固定时间间隔对每一所述子区域进行采样,统计所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量,其中,所述子区域在预设的固定时间间隔内,商用车辆的上车需求数量和下车需求数量为,该子区域的历史需求特征;
根据每一所述子区域的历史需求特征,组成目标区域的历史需求特征矩阵;
商用车辆未来需求预测值生成单元,用于调用训练好的商用车辆需求预测模型对所述历史需求特征矩阵进行预处理,生成与所述历史需求特征矩阵相对应的商用车辆未来需求预测值,其中,所述商用车辆需求预测模型的网络结构在编码器解码器架构的基础上进行改进,所述历史需求特征矩阵作为所述商用车辆需求预测模型的输入值,在商用车辆需求预测模型的每一层编码器层中,所述历史需求特征矩阵的数据从三维卷积层输入之后,三维卷积层的输出会经过残差连接与层归一化处理,输出至下一层编码器层,在每一层解码器层中,数据从多个扩张感知长短期单元并行输入之后,所有扩张感知长短期单元的输出会共同经过残差连接与层归一化处理,输出至下一层解码器层,基于最后一层解码器层的输出,得到所述商用车辆未来需求预测值;
需求预测结果生成单元,用于根据所述商用车辆未来需求预测值,生成商用车辆的需求预测结果。
8.一种商用车辆需求预测设备,其特征在于,包括处理器、存储器以及存储在存储器中且被配置由处理器执行的计算机程序,处理器执行计算机程序时实现如权利要求1至6任意一项的一种商用车辆需求预测方法。
9.一种可读存储介质,其特征在于,存储有计算机程序,计算机程序能够被该存储介质所在设备的处理器执行,以实现如权利要求1至6任意一项的一种商用车辆需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077832.7A CN117593045B (zh) | 2024-01-19 | 2024-01-19 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410077832.7A CN117593045B (zh) | 2024-01-19 | 2024-01-19 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593045A CN117593045A (zh) | 2024-02-23 |
CN117593045B true CN117593045B (zh) | 2024-04-09 |
Family
ID=89912034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410077832.7A Active CN117593045B (zh) | 2024-01-19 | 2024-01-19 | 一种商用车辆需求预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593045B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476588A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 订单需求预测方法、装置、电子设备及可读存储介质 |
CN116051171A (zh) * | 2023-02-16 | 2023-05-02 | 重庆大学 | 基于出租车和网约车的需求联合预测方法 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230052540A1 (en) * | 2021-08-13 | 2023-02-16 | International Business Machines Corporation | Trend-informed demand forecasting |
-
2024
- 2024-01-19 CN CN202410077832.7A patent/CN117593045B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476588A (zh) * | 2019-01-24 | 2020-07-31 | 北京嘀嘀无限科技发展有限公司 | 订单需求预测方法、装置、电子设备及可读存储介质 |
CN116051171A (zh) * | 2023-02-16 | 2023-05-02 | 重庆大学 | 基于出租车和网约车的需求联合预测方法 |
CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
CN116187203A (zh) * | 2023-04-20 | 2023-05-30 | 武汉大学 | 一种流域水质预测方法、系统、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于深度卷积长短时神经网络的视频帧预测;张德正 等;计算机应用;20190410(第06期);全文 * |
张惠臻 等.基于循环神经网络的城市轨道交通短时客流预测.吉林大学学报(工学版).2023,(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117593045A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114362367B (zh) | 面向云边协同的输电线路监测系统和方法、识别系统和方法 | |
CN112132264A (zh) | 基于时空残差感知网络的区域尾气排放预测方法及系统 | |
CN109241846B (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN113239198B (zh) | 一种地铁客流预测方法、装置及计算机存储介质 | |
CN112001548A (zh) | 一种基于深度学习的od客流预测方法 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN114331542A (zh) | 一种电动汽车充电需求预测方法及装置 | |
JP2020166622A (ja) | 発電量予測装置、発電量予測方法、およびプログラム | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN113822458A (zh) | 预测方法、训练方法、装置、电子设备和可读存储介质 | |
Addae et al. | Integrating multi-criteria analysis and spherical cellular automata approach for modelling global urban land-use change | |
CN117593045B (zh) | 一种商用车辆需求预测方法、装置、设备及存储介质 | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
CN114724414B (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 | |
CN114267422B (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 | |
CN116152637A (zh) | 自动驾驶感知模型的评测方法、计算机设备和存储介质 | |
CN113192315B (zh) | 一种交通流量分布预测方法、预测装置及终端设备 | |
CN114692022A (zh) | 基于时空行为模式的位置预测方法及系统 | |
CN110838157B (zh) | 一种应急突发场景专题图生成的方法及装置 | |
CN114501518A (zh) | 流量预测方法、装置、设备、介质和程序产品 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN116739191B (zh) | 热点网格识别方法、装置、存储介质及电子设备 | |
Demir | Next Generation Web Technologies for Hydrological Applications on Client-side Systems | |
CN117131999B (zh) | 基于数字孪生的轨道交通客流量预测系统及其方法 | |
Brum-Bastos et al. | A Weather-Aware Framework for Population Mobility Modelling (Short Paper) |
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 |