CN117852730A - 车辆流转预测方法、装置、计算机设备和存储介质 - Google Patents
车辆流转预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117852730A CN117852730A CN202410264323.5A CN202410264323A CN117852730A CN 117852730 A CN117852730 A CN 117852730A CN 202410264323 A CN202410264323 A CN 202410264323A CN 117852730 A CN117852730 A CN 117852730A
- Authority
- CN
- China
- Prior art keywords
- block
- preset
- blocks
- period
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 70
- 230000015654 memory Effects 0.000 claims abstract description 51
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims description 40
- 238000004220 aggregation Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种车辆流转预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:确定目标区域中包含的多个区块,并获取多个区块中每一区块对应的各预设时段下的特征数据;在各预设时段下,根据各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;对各预设时段下每一预设时段的各区块间的位置关系图进行图卷积处理,分别得到预设时段内各区块的位置特征;针对每一区块的在各预设时段的位置特征,根据长短期记忆结构对位置特征进行编码,分别得到每一区块在预设空间维度下的时序特征;通过每一区块在预设空间维度下的时序特征,确定待预测时段每一区块的车辆流转数据。采用本方法能够提高预测车辆流转数据的准确率。
Description
技术领域
本申请涉及共享电单车车辆调度技术领域,特别是涉及一种车辆流转预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着共享电单车技术的发展,共享电单车已成为城市中的一项重要出行交通工具,共享电单车车辆调度通过智能算法和数据分析,合理安排共享电单车的分布和调配,以提高车辆利用率和满足用户需求。
传统技术中,一般采用卷积神经网络(CNN)或循环神经网络(RNN),对各个车站的车站数据等特征因素数据进行数据处理,最终得到每个车站的车辆流转数据。
然而,目前的传统方法针对车站间特征因素的考虑单一,且实际问题中可能存在非线性关系,从而导致传统方法中车辆流转数据的预测结果准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种车辆流转预测方法、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流转预测方法,包括:
确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征;
通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
在其中一个实施例中,所述在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图,包括:
根据时空图模型的信息嵌入层对所述特征数据进行特征提取,得到每一所述区块在各所述预设时段下的区块位置关系;
基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积,分别构建各所述预设空间维度下的各所述区块的位置关系图。
在其中一个实施例中,所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系,所述根据时空图模型的信息嵌入层对所述特征数据进行特征提取,得到每一所述区块在各所述预设时段下的区块位置关系,包括:
根据时空图模型的信息嵌入层对所述各区块对应的特征数据进行特征提取,以各所述区块中每一区块作为目标区块,构建各所述目标区块与其他各所述区块间的相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系;
所述基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积,分别构建各所述预设空间维度下的各所述区块的位置关系图,包括:
基于各所述区块对应的所述相邻区块关系构建所述相邻区块关系图,基于所述车辆流转关系构建所述车辆流转关系图,以及根据所述相似兴趣点关系构建所述相似兴趣点关系图。
在其中一个实施例中,所述对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征之后,所述方法还包括:
基于梯度下降算法,确定各类型的位置特征的权重参数;
基于各类型的位置特征以及所述各类型的位置特征对应的权重参数,得到更新位置特征;
所述针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征,包括:
针对每一所述区块的在各所述预设时段的所述更新位置特征,根据长短期记忆结构对所述更新位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征。
在其中一个实施例中,所述基于各类型的位置特征以及所述各类型的位置特征对应的权重参数,得到更新位置特征,包括:
基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算,得到遗忘系数;
基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算,得到更新系数;
基于所述遗忘系数和所述更新系数以及上下文门控机制中的更新门和遗忘门,确定更新位置特征。
在其中一个实施例中,所述通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据,包括:
对各所述预设时段下所述预设空间维度的时序特征进行聚合,得到聚合结果;
根据时空图模型的图卷积结构对所述聚合结果进行图卷积,得到目标区块特征;
基于所述时空图模型的输出层对所述目标区块特征进行解码,得到目标时段各区块的车辆流转数据。
在其中一个实施例中,所述对各所述预设时段下所述预设空间维度的时序特征进行聚合,得到聚合结果,包括:
根据梯度下降算法分别对所述预设空间维度的时序特征进行权重计算,得到各所述预设空间维度的时序特征对应的聚合权重;
基于各所述预设空间维度的时序特征对应的聚合权重对各所述预设时段下所述预设空间维度的时序特征进行加权聚合,得到聚合结果。
第二方面,本申请还提供了一种车辆流转预测装置,包括:
获取模块,用于确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
构建模块,用于在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
卷积模块,用于对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
编码模块,用于针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征 ;
预测模块,用于通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
在其中一个实施例中,所述构建模块具体用于:
根据时空图模型的信息嵌入层对所述特征数据进行特征提取,得到每一所述区块在各所述预设时段下的区块位置关系;
基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积,分别构建各所述预设空间维度下的各所述区块的位置关系图。
在其中一个实施例中,所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系,所述构建模块具体用于:
根据时空图模型的信息嵌入层对所述各区块对应的特征数据进行特征提取,以各所述区块中每一区块作为目标区块,构建各所述目标区块与其他各所述区块间的相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系;
所述基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积,分别构建各所述预设空间维度下的各所述区块的位置关系图,包括:
基于各所述区块对应的所述相邻区块关系构建所述相邻区块关系图,基于所述车辆流转关系构建所述车辆流转关系图,以及根据所述相似兴趣点关系构建所述相似兴趣点关系图。
在其中一个实施例中,所述装置还包括:
确定模块,用于基于梯度下降算法,确定各类型的位置特征的权重参数;
更新模块,用于基于各类型的位置特征以及所述各类型的位置特征对应的权重参数,得到更新位置特征;
所述编码模块具体用于:
针对每一所述区块的在各所述预设时段的所述更新位置特征,根据长短期记忆结构对所述更新位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征。
在其中一个实施例中,所述更新模块具体用于:
基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算,得到遗忘系数;
基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算,得到更新系数;
基于所述遗忘系数和所述更新系数以及上下文门控机制中的更新门和遗忘门,确定更新位置特征。
在其中一个实施例中,所述预测模块具体用于:
对各所述预设时段下所述预设空间维度的时序特征进行聚合,得到聚合结果;
根据时空图模型的图卷积结构对所述聚合结果进行图卷积,得到目标区块特征;
基于所述时空图模型的输出层对所述目标区块特征进行解码,得到目标时段各区块的车辆流转数据。
在其中一个实施例中,所述预测模块具体用于:
根据梯度下降算法分别对所述预设空间维度的时序特征进行权重计算,得到各所述预设空间维度的时序特征对应的聚合权重;
基于各所述预设空间维度的时序特征对应的聚合权重对各所述预设时段下所述预设空间维度的时序特征进行加权聚合,得到聚合结果。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征;
通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
第四方面,本申请还提供了一种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以下步骤:
确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征;
通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
第五方面,本申请还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以下步骤:
确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征;
通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
上述车辆流转预测方法、装置、计算机设备、存储介质和计算机程序产品,通过预设时段的各区块的特征数据构建表征预设空间维度的位置关系图,并对该特征数据进行图卷积处理,可以初步对预设时段内各区块在预设空间维度的位置特征进行特征提取,得到各区块空间维度上的位置特征,并根据长短期记忆结构对预设空间维度的位置特征进行编码,得到每个区块在时间上的特征,即时序特征,以空间特征为输入进行时间特征上的编码,实现了对目标区域中各区块在时间和空间维度上的关联,进而通过每个区块的时序特征确定各区块在目标时段的车辆流转数据,可以提高对车辆流转数据进行预测的准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中车辆流转预测方法的应用环境图;
图2为一个实施例中构建位置关系图的方法的流程示意图;
图3为一个实施例中根据构建关系图的流程示意图;
图4为一个实施例中时空图模型进行数据处理的流程示意图;
图5为一个实施例中时空图模型的模型结构示意图;
图6为一个实施例中确定更新位置特征的方法的流程示意图;
图7为一个实施例中基于时序特征确定车辆流转数据的方法的流程示意图;
图8为一个实施例中确定聚合结果的方法的流程示意图;
图9为一个实施例中车辆流转数据预测装置的结构框图;
图10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,提供了一种车辆流转预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,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,确定目标区域中包含的多个区块,并获取多个区块中每一区块对应的各预设时段下的特征数据。
本申请实施例中,目标区域可以为城市中提供共享电单车服务的区域,该目标区域可以通过共享电单车平台得到。在目标区域中,包含多个区块,该区块可以为提供共享电单车调度的区域,例如,由于不同城市中共享电单车服务的规则不同,有的城市中规定为按照预设的区域进行车辆调度,即用户在某一区块范围内均可以还车;然而,有些城市则规定为车站的小范围内进行车辆调度,即用户只能在规定的车站范围内进行借车或还车。本申请对于区块的类型不做限定,基于区域调度的规则和基于车站调度的规则在本申请实施例中均可以实施,对于区块类型本申请实施例不做限定。
预设时段可以为与待预测时段相对应的历史时段,例如,待预测时段的前一周内的该时段。终端可以根据共享电单车服务平台的数据库获取每个区块在预设时段下的特征数据。
步骤104,在各预设时段下,根据各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图。
本申请实施例中,位置关系图为时空图模型根据各区块的特征数据所构建的图数据结构,表征共享电单车领域的非欧式空间复杂拓扑关系数据。该位置关系图包括多个节点与各节点之间的边,节点表征其对应的区块,包含各区块对应的属性信息,即各区块对应的特征数据;节点的边表征各个区块之间的关联关系以及各关联关系对应的属性信息。终端在获取每个预设时段内各区块对应的特征数据后,可以根据时空图卷积模型中的卷积结构对该特征数据进行图卷积处理,得到预设空间维度下的各区块之间的位置关系图。其中,预设空间维度包括临近位置关系、车辆流转关系、兴趣点关系或其他空间关系,本申请实施例对于预设空间维度的关系类型不作限定。
终端可以针对每种预设空间维度中已知的空间关系,分别构建一个关系图,得到每种空间关系对应的位置关系图。
步骤106,对各预设时段下每一预设时段的各区块间的位置关系图进行图卷积处理,分别得到预设时段内各区块的位置特征。
本申请实施例中,终端在完成对各区块构建位置关系图后,针对每个位置关系图中各区块(即各节点)进行进一步图卷积。具体的,在时空图模型针对各区块的特征数据构建位置关系图的同时,时空图模型中的卷积结构还可以针对每个预设时段,根据该预设时段内,每个位置关系同中的各节点进行特征提取,得到每个位置关系图中的每个节点对应的特征向量。该特征向量用于反映每个节点与其他节点之间存在的关联关系上的特征。
步骤108,针对每一区块的在各预设时段的位置特征,根据长短期记忆结构对位置特征进行编码,分别得到每一区块在预设空间维度下的时序特征。
本申请实施例中,终端针对各区块中每个区块在不同预设时段下的位置特征,针对每个区块,将该区块在不同预设时段下的位置特征输入至时空图模型中的长短期记忆结构,每个区块包含的每个预设时段对应的位置特征作为长短期记忆结构输入序列的时间步,通过长短期记忆结构逐步读取输入序列中的每个时间步的编码特征信息,并以时间维度对各区块的位置特征进行编码,得到每个区块在各预设空间维度下的时序特征,该时序特征表征各区块的空间特征在不同预设时段下的变化情况。
步骤110,通过每一区块在预设空间维度下的时序特征,确定待预测时段每一区块的车辆流转数据。
本申请实施例中,终端通过对预设时段下各预设空间维度下的时序特征对多种预设空间维度的时序特征进行特征融合,并进行进一步的多图卷积,得到每个区块对应的时空编码。最终,通过时空图模型的输出层将每个区块对应的时空编码进行维度转换,得到待预测时段下每个区块对应的车辆流转数据。
上述车辆流转预测方法中,通过预设时段的各区块的特征数据构建表征预设空间维度的位置关系图,并对该特征数据进行图卷积,可以初步对预设时段内各区块在预设空间维度的位置特征进行特征提取,得到各区块空间维度上的特征,即位置特征,并根据长短期记忆结构对预设空间维度的位置特征进行编码,得到每个区块在时间上的特征,即时序特征,以空间特征为输入进行时间特征上的编码,实现了对目标区域中各区块在时间和空间维度上的关联,进而通过每个区块的时序特征确定各区块在目标时段的车辆流转数据,可以提高对车辆流转数据进行预测的准确度。
在其中一个实施例中,如图2所示,步骤104中在各预设时段下,根据各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图,包括:
步骤202,根据时空图模型的信息嵌入层对特征数据进行特征提取,得到每一区块在各预设时段下的区块位置关系。
本申请实施例中,时空图模型的信息嵌入层用于对特征数据进行特征提取,时空图模型的信息嵌入层可以按照预设空间维度提取特征数据中的特征信息,并根据特征信息确定预设时段下各区块之间的区块位置关系。例如,当预设空间维度包括区块间的车辆流转特征时,终端可以通过信息嵌入层对表征区块间车辆流转的数据进行提取,作为各区块的特征数据,并根据该特征数据确定各区块之间的车辆流转关系。
步骤204,基于时空图模型的图卷积结构对每一区块在各预设时段下的区块位置关系进行卷积,分别构建各预设空间维度下的各区块的位置关系图。
本申请实施例中,终端通过时空图模型的图卷积结构针对区块位置关系进行卷积,获取区块间区块位置关系的特征信息,通过图卷积操作,根据每个节点(区块)与其他节点之间的关系,对节点的特征表示进行更新,根据每个预设时段的位置关系图进行图卷积操作,生成各预设空间维度下的位置关系图。例如,如果有多个预设空间维度,可以为每个维度构建一个位置关系图,其中节点表示区块,边表示区块间的预设空间维度下的位置关系。图卷积操作可以应用于每个预设时段的位置关系图,以捕捉各区块之间的位置关系特征,并生成各预设空间维度下的位置关系图。
本实施例中,通过图卷积结构对区块间位置关系进行图卷积操作,得到每个预设时段下各区块在预设空间维度的位置关系图,通过该位置关系图对各区块间车辆流转数据进行预测,可以提高车辆流转数据预测的准确性。
在其中一个实施例中,区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系,基于不同的区块位置关系可以构建不同的关系图,如图3所示,步骤202根据时空图模型的信息嵌入层对特征数据进行特征提取,得到每一区块在各预设时段下的区块位置关系,包括:
步骤302,根据时空图模型的信息嵌入层对各区块对应的特征数据进行特征提取,以各区块中每一区块作为目标区块,构建各目标区块与其他各区块间的相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系。
本申请实施例中,按照区块位置关系为相邻区区块、区块间车辆流转关系和区块间相似兴趣点关系进行说明,预设空间维度与区块位置关系相对应,因此,预设空间维度则可以为相邻区块关系、车辆流转关系和相似兴趣点关系。
其中,该区块可以为预先划分的停车区域,也可以为共享电单车车辆调度的车站;相邻位置关系可以为存在相邻边关系的至少两个停车区域,或者相对距离在预设阈值内的两个或多个车站;车辆流转关系可以为存在车辆流入或流出的至少两个停车区域或车站,相似兴趣点关系可以为在各区块的兴趣点(Point of Interest,POI)属性中,相似兴趣点关系相同或相似的至少两个停车区域或车站。
终端可以根据时空图模型的信息嵌入层,针对上述相邻位置关系、车辆流转关系和相似兴趣点关系所包含的属性信息或特征数据进行特征提取。终端可以按照遍历的形式,首先,确定出目标区块,作为遍历的起始点,确定与该目标区块具有上述相邻位置关系、车辆流转关系和相似兴趣点关系的其他区块;然后,终端构建每个目标区块与其他区块之间的相邻位置关系、车辆流转关系和相似兴趣点关系。
则步骤204基于时空图模型的图卷积结构对每一区块在各预设时段下的区块位置关系进行卷积,分别构建各预设空间维度下的各区块的位置关系图的具体处理过程包括:
步骤304,基于各区块对应的相邻区块关系构建相邻区块关系图,基于车辆流转关系构建车辆流转关系图,以及根据相似兴趣点关系构建相似兴趣点关系图。
本申请实施例中,终端根据各区块间包含的相邻区块关系、车辆流转关系和相似兴趣点关系,分别构建相邻区块关系图、车辆流转关系图和相似兴趣点关系图。其中,在相邻区块关系图中,节点表征每个区块,节点间的边表征区块间是否包含相邻区块关系;在车辆流转关系图中,节点表征每个区块,节点间的边表征区块间存在的车辆流入、流出关系,以及区块间车辆流入、流出的车辆数量,可选的,节点间的边还可以包含关于车辆流入、流出的其他属性信息。
可选的,时空图模型的嵌入层和图卷积结构所针对的预设空间维度可扩展,终端还可以基于其他预设空间维度的空间特征进行特征提取,并分别构建每个预设空间维度对应的关系图。例如,预设空间维度的空间特征还可以为路网、热力值、路网交点、路网等级等空间特征。
本实施例中,通过图卷积结构对区块间位置关系进行图卷积操作,以临近区块关系、车辆流转关系和相似兴趣点关系为依据分别构建区块关系图,得到每个预设时段下各区块在多个预设空间维度的位置关系图,可以提高各区块特征分布的有效性,提高各区块的空间特征与待预测的车辆流转数据之间的非线性关系,进而提高待预测的车辆流转数据的准确性。
在其中一个实施例中,如图4所示,步骤106对各预设时段下每一预设时段的各区块间的位置关系图进行图卷积处理,分别得到预设时段内各区块的位置特征之后,该方法还包括:
步骤402,基于梯度下降算法,确定各类型的位置特征的权重参数。
本申请实施例中,在图卷积操作的过程中,终端根据梯度下降算法对卷积操作后的特征图对各类型的位置特征进行权重优化,确定通过图卷积结构后的特征图中各类型的位置特征的权重参数,作为初始权重参数。
步骤404,基于各类型的位置特征以及各类型的位置特征对应的权重参数,得到更新位置特征。
本申请实施例中,图5为时空图模型的模型结构,如图5所示,时空图模型中图卷积结构的下一层包括上下文门控机制的自适应处理器(Contextual Gate),用于对初始权重参数在时间序列上进行更新。根据自适应处理器对不同卷积核进行权重分配,并根据初始权重参数以及针对各类型位置特征进行图卷积操作时上下文的权重进行重新分配和加权,并基于加权后得到的更新权重参数和门控机制,确定各类型的位置特征进行传递或隐藏状态,基于该门控机制的输出对各类型的位置特征进行筛选和进一步输出,以便后续神经网络进行处理。
则步骤108中针对每一区块的在各预设时段的位置特征,根据长短期记忆结构对位置特征进行编码,分别得到每一区块在预设空间维度下的时序特征,具体处理过程包括:
步骤406,针对每一区块的在各预设时段的更新位置特征,根据长短期记忆结构对更新位置特征进行编码,分别得到每一区块在预设空间维度下的时序特征。
本申请实施例中,长短期记忆结构(Long Short Term Memory,LSTM)是一种递归神经网络,该结构可以设置于自适应处理器的下一层。终端通过长短期记忆结构,对预设空间维度下的更新位置特征进行编码,针对每个区块在不同预设时段下的更新特征进行特征选择和基于时间序列的递归编码,以提取每个区块的不同预设空间维度的更新特征在时间序列上的时序特征。
本实施例中,通过对各类型的位置特征进行权重参数上的更新,并通过门控机制对不同类型的位置特征进行筛选,在针对各类型的位置特征与车辆流转数据的非线性相关的关联性上,提高筛选后用于进一步数据处理的位置特征的有效性,进而提高对各区块的车辆流转数据进行预测的准确率。
在其中一个实施例中,如图6所示,步骤404基于各类型的位置特征以及各类型的位置特征对应的权重参数,得到更新位置特征,包括:
步骤602,基于各类型的位置特征和各类型的位置特征对应的权重参数进行计算,得到遗忘系数。
本申请实施例中,终端在每一次根据梯度下降算法对各类型的位置特征进行卷积的过程中,会得到每个类型的位置特征对应的权重参数,基于该权重参数与时间序列(多个预设时段)中的上一预设时段的卷积输出,得到上下文门控机制中的遗忘系数,用于控制各类型的位置特征中需要被弱化的位置特征。
步骤604,基于各类型的位置特征和各类型的位置特征对应的权重参数进行计算,得到更新系数。
本申请实施例中,终端基于与步骤502相同的原理,根据每个类型的位置特征对应的权重参数与上一预设时段的卷积输出,得到上下文门控中的更新系数,用于控制各类型的位置特征需要被强调的位置特征,传递至下一层进行卷积计算。
步骤606,基于遗忘系数和更新系数以及上下文门控机制中的更新门和遗忘门,确定更新位置特征。
本申请实施例中,终端基于上下文门控机制,将更新系数与更新门相结合,想遗忘系数与遗忘门相结合,计算并得到每个类型的位置特征的状态,并基于上下文门控机制中的输出门将被强调的位置特征进行状态更新,将被弱化的位置特征筛选掉,得到传递至下一层的更新位置特征。
本实施例中,通过对各类型的位置特征进行权重参数上的更新,并通过门控机制对不同类型的位置特征进行筛选,在针对各类型的位置特征与车辆流转数据的非线性相关的关联性上,提高筛选后用于进一步数据处理的位置特征的有效性,进而提高对各区块的车辆流转数据进行预测的准确率。
在其中一个实施例中,如图7所示,步骤110通过每一区块在预设空间维度下的时序特征,确定待预测时段每一区块的车辆流转数据,包括:
步骤702,对各预设时段下预设空间维度的时序特征进行聚合,得到聚合结果。
本申请实施例中,在长短期记忆结构对预设空间维度下的时序特征进行输出后,终端根据预设聚合方法对不同的预设空间维度的时序特征进行特征聚合,得到聚合结果。
步骤704,根据时空图模型的图卷积结构对聚合结果进行图卷积,得到目标区块特征。
本申请实施例中,终端针对目标区域中的每个区块,通过时空图模型的图卷积结构对多种预设空间维度的时序特征进行图卷积,在多种预设空间维度下的时序特征中进行特征提取,得到各区块对应的目标区块特征。
步骤706,基于时空图模型的输出层对目标区块特征进行解码,得到目标时段各区块的车辆流转数据。
本申请实施例中,终端能基于时空图模型的数层对目标区块特征进行解码,该输出层可以为sigmoid函数(一种激活函数),通过输出层将目标区块特征进行解码,得到时空图模型对每个区块进行预测得到的车辆流转数据。
本实施例中,通过将各预设空间维度的时序特征进行聚合,可以得到多个预设空间维度上的特征表达,进而针对包含多方面特征表达的聚合结果进行解码,可以提升目标时段各区块的车辆流转数据的准确性。
在其中一个实施例中,如图8所示,步骤602中对各预设时段下预设空间维度的时序特征进行聚合,得到聚合结果,具体包括:
步骤802,根据梯度下降算法分别对预设空间维度的时序特征进行权重计算,得到各预设空间维度的时序特征对应的聚合权重。
本申请实施例中,在时空图模型的长短期记忆结构将时序特征进行输出后,终端根据梯度下降算法继续对时序特征进行卷积计算,在卷积计算的过程中会对各预设空间维度的时序特征进行权重的计算,进而得到各预设空间维度的时序特征对应的聚合权重。
步骤804,基于各预设空间维度的时序特征对应的聚合权重对各预设时段下预设空间维度的时序特征进行加权聚合,得到聚合结果。
本申请实施例中,终端根据各预设空间维度的时序特征对应的聚合权重对各预设时段下预设空间维度的时序特征进行权重加和(Sum),得到聚合结果。可选的,终端还可以根据加权平均、计算相对权重或通过注意力机制确定自适应权重的方法对预设时段下预设空间维度的时序特征进行加权聚合,得到聚合结果。
本实施例中,通过将各预设空间维度的时序特征进行聚合,可以得到多个预设空间维度上的特征表达,进而针对包含多方面特征表达的聚合结果进行解码,可以提升目标时段各区块的车辆流转数据的准确性。
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流转预测方法的车辆流转预测装置。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流转预测装置实施例中的具体限定可以参见上文中对于车辆流转预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图9所示,提供了一种车辆流转预测装置900,包括:获取模块901、构建模块902、卷积模块903、编码模块904和预测模块905,其中:
获取模块901,用于确定目标区域中包含的多个区块,并获取多个区块中每一区块对应的各预设时段下的特征数据;
构建模块902,用于在各预设时段下,根据各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
卷积模块903,用于对各预设时段下每一预设时段的各区块间的位置关系图进行图卷积处理,分别得到预设时段内各区块的位置特征;
编码模块904,用于针对每一区块的在各预设时段的位置特征,根据长短期记忆结构对位置特征进行编码,分别得到每一区块在预设空间维度下的时序特征 ;
预测模块905,用于通过每一区块在预设空间维度下的时序特征,确定待预测时段每一区块的车辆流转数据。
在其中一个实施例中,构建模块902具体用于:
根据时空图模型的信息嵌入层对特征数据进行特征提取,得到每一区块在各预设时段下的区块位置关系;
基于时空图模型的图卷积结构对每一区块在各预设时段下的区块位置关系进行卷积,分别构建各预设空间维度下的各区块的位置关系图。
在其中一个实施例中,区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系,构建模块902具体用于:
根据时空图模型的信息嵌入层对各区块对应的特征数据进行特征提取,以各区块中每一区块作为目标区块,构建各目标区块与其他各区块间的相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系;
基于时空图模型的图卷积结构对每一区块在各预设时段下的区块位置关系进行卷积,分别构建各预设空间维度下的各区块的位置关系图,包括:
基于各区块对应的相邻区块关系构建相邻区块关系图,基于车辆流转关系构建车辆流转关系图,以及根据相似兴趣点关系构建相似兴趣点关系图。
在其中一个实施例中,该装置900还包括:
确定模块,用于基于梯度下降算法,确定各类型的位置特征的权重参数;
更新模块,用于基于各类型的位置特征以及各类型的位置特征对应的权重参数,得到更新位置特征;
编码模块具体用于:
针对每一区块的在各预设时段的更新位置特征,根据长短期记忆结构对更新位置特征进行编码,分别得到每一区块在预设空间维度下的时序特征。
在其中一个实施例中,更新模块具体用于:
基于各类型的位置特征和各类型的位置特征对应的权重参数进行计算,得到遗忘系数;
基于各类型的位置特征和各类型的位置特征对应的权重参数进行计算,得到更新系数;
基于遗忘系数和更新系数以及上下文门控机制中的更新门和遗忘门,确定更新位置特征。
在其中一个实施例中,预测模块905具体用于:
对各预设时段下预设空间维度的时序特征进行聚合,得到聚合结果;
根据时空图模型的图卷积结构对聚合结果进行图卷积,得到目标区块特征;
基于时空图模型的输出层对目标区块特征进行解码,得到目标时段各区块的车辆流转数据。
在其中一个实施例中,预测模块905具体用于:
根据梯度下降算法分别对预设空间维度的时序特征进行权重计算,得到各预设空间维度的时序特征对应的聚合权重;
基于各预设空间维度的时序特征对应的聚合权重对各预设时段下预设空间维度的时序特征进行加权聚合,得到聚合结果。
上述车辆流转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。
在一个示例性的实施例中,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10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特征数据。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流转预测方法。
本领域技术人员可以理解,图10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。
在一个示例性的实施例中,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、使用和处理需要符合相关规定。
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(Magnetoresistive Random 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 Access Memory,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 RandomAccess Memory,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 (11)
1.一种车辆流转预测方法,其特征在于,所述方法包括:
确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征;
通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
2.根据权利要求1所述的方法,其特征在于,所述在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图,包括:
根据时空图模型的信息嵌入层对所述特征数据进行特征提取,得到每一所述区块在各所述预设时段下的区块位置关系;
基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积,分别构建各所述预设空间维度下的各所述区块的位置关系图。
3.根据权利要求2所述的方法,其特征在于,所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系,所述根据时空图模型的信息嵌入层对所述特征数据进行特征提取,得到每一所述区块在各所述预设时段下的区块位置关系,包括:
根据时空图模型的信息嵌入层对所述各区块对应的特征数据进行特征提取,以各所述区块中每一区块作为目标区块,构建各所述目标区块与其他各所述区块间的相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系;
所述基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积,分别构建各所述预设空间维度下的各所述区块的位置关系图,包括:
基于各所述区块对应的所述相邻区块关系构建所述相邻区块关系图,基于所述车辆流转关系构建所述车辆流转关系图,以及根据所述相似兴趣点关系构建所述相似兴趣点关系图。
4.根据权利要求1所述的方法,其特征在于,所述对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征之后,所述方法还包括:
基于梯度下降算法,确定各类型的位置特征的权重参数;
基于各类型的位置特征以及所述各类型的位置特征对应的权重参数,得到更新位置特征;
所述针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征,包括:
针对每一所述区块的在各所述预设时段的所述更新位置特征,根据长短期记忆结构对所述更新位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征。
5.根据权利要求4所述的方法,其特征在于,所述基于各类型的位置特征以及所述各类型的位置特征对应的权重参数,得到更新位置特征,包括:
基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算,得到遗忘系数;
基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算,得到更新系数;
基于所述遗忘系数和所述更新系数以及上下文门控机制中的更新门和遗忘门,确定更新位置特征。
6.根据权利要求1所述的方法,其特征在于,所述通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据,包括:
对各所述预设时段下所述预设空间维度的时序特征进行聚合,得到聚合结果;
根据时空图模型的图卷积结构对所述聚合结果进行图卷积,得到目标区块特征;
基于所述时空图模型的输出层对所述目标区块特征进行解码,得到目标时段各区块的车辆流转数据。
7.根据权利要求6所述的方法,其特征在于,所述对各所述预设时段下所述预设空间维度的时序特征进行聚合,得到聚合结果,包括:
根据梯度下降算法分别对所述预设空间维度的时序特征进行权重计算,得到各所述预设空间维度的时序特征对应的聚合权重;
基于各所述预设空间维度的时序特征对应的聚合权重对各所述预设时段下所述预设空间维度的时序特征进行加权聚合,得到聚合结果。
8.一种车辆流转预测装置,其特征在于,所述装置包括:
获取模块,用于确定目标区域中包含的多个区块,并获取所述多个区块中每一区块对应的各预设时段下的特征数据;
构建模块,用于在各所述预设时段下,根据所述各区块对应的特征数据,构建预设空间维度下的各区块间的位置关系图;
卷积模块,用于对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理,分别得到所述预设时段内各所述区块的位置特征;
编码模块,用于针对每一所述区块的在各所述预设时段的所述位置特征,根据长短期记忆结构对所述位置特征进行编码,分别得到每一所述区块在所述预设空间维度下的时序特征 ;
预测模块,用于通过每一所述区块在所述预设空间维度下的所述时序特征,确定待预测时段每一所述区块的车辆流转数据。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410264323.5A CN117852730A (zh) | 2024-03-08 | 2024-03-08 | 车辆流转预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410264323.5A CN117852730A (zh) | 2024-03-08 | 2024-03-08 | 车辆流转预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117852730A true CN117852730A (zh) | 2024-04-09 |
Family
ID=90530622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410264323.5A Pending CN117852730A (zh) | 2024-03-08 | 2024-03-08 | 车辆流转预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117852730A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 |
CN113724504A (zh) * | 2021-08-06 | 2021-11-30 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 |
CN114802296A (zh) * | 2022-03-17 | 2022-07-29 | 浙江工业大学 | 一种基于动态交互图卷积的车辆轨迹预测方法 |
CN114819414A (zh) * | 2022-06-24 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种区块需求预测方法、系统及计算机存储介质 |
CN115796007A (zh) * | 2022-11-15 | 2023-03-14 | 中山大学·深圳 | 一种基于时空图网络的交通流量预测方法 |
CN115862324A (zh) * | 2022-11-24 | 2023-03-28 | 南京邮电大学 | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 |
-
2024
- 2024-03-08 CN CN202410264323.5A patent/CN117852730A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质 |
CN113724504A (zh) * | 2021-08-06 | 2021-11-30 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 |
CN114802296A (zh) * | 2022-03-17 | 2022-07-29 | 浙江工业大学 | 一种基于动态交互图卷积的车辆轨迹预测方法 |
CN114819414A (zh) * | 2022-06-24 | 2022-07-29 | 北京阿帕科蓝科技有限公司 | 一种区块需求预测方法、系统及计算机存储介质 |
CN115796007A (zh) * | 2022-11-15 | 2023-03-14 | 中山大学·深圳 | 一种基于时空图网络的交通流量预测方法 |
CN115862324A (zh) * | 2022-11-24 | 2023-03-28 | 南京邮电大学 | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN111639791A (zh) | 交通流预测方法、系统、存储介质及终端 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
He et al. | STNN: A spatio-temporal neural network for traffic predictions | |
CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
CN115660135A (zh) | 基于贝叶斯方法和图卷积的交通流预测方法及系统 | |
CN117252307B (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
CN113255908A (zh) | 基于事件序列进行业务预测的方法、神经网络模型和装置 | |
CN115952355A (zh) | 基于时空幂律注意力的下一兴趣点推荐系统 | |
Xi et al. | Hmdrl: Hierarchical mixed deep reinforcement learning to balance vehicle supply and demand | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN117852730A (zh) | 车辆流转预测方法、装置、计算机设备和存储介质 | |
CN116258253A (zh) | 一种基于贝叶斯神经网络的车辆od预测方法 | |
CN115965163A (zh) | 基于时空图生成对抗损失的轨道交通短时客流预测方法 | |
CN114372627B (zh) | 基于混合深度学习框架的城市车辆旅行时间估计方法 | |
CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 | |
CN112883292B (zh) | 用户行为推荐模型建立及基于时空信息的位置推荐方法 | |
CN115204445A (zh) | 城市功能区之间交互的出行需求预测方法及系统 | |
CN115985086A (zh) | 一种交通数据补全方法、系统、终端以及存储介质 | |
CN115908593A (zh) | 一种编码解码方法、装置及相关设备 | |
CN114708110A (zh) | 续保行为预测模型的联合训练方法、装置及电子设备 | |
Xue et al. | Urban population density estimation based on spatio‐temporal trajectories |
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 |