KR20220058858A - 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치 - Google Patents

구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치 Download PDF

Info

Publication number
KR20220058858A
KR20220058858A KR1020217042754A KR20217042754A KR20220058858A KR 20220058858 A KR20220058858 A KR 20220058858A KR 1020217042754 A KR1020217042754 A KR 1020217042754A KR 20217042754 A KR20217042754 A KR 20217042754A KR 20220058858 A KR20220058858 A KR 20220058858A
Authority
KR
South Korea
Prior art keywords
popularity
zone
time
prediction model
data
Prior art date
Application number
KR1020217042754A
Other languages
English (en)
Inventor
지저우 황
하이펑 왕
미아오 판
이보 순
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20220058858A publication Critical patent/KR20220058858A/ko

Links

Images

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G06N3/0472—
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 출원은 빅 데이터 기술 분야에 관한 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치를 개시한다. 구체적인 구현 방안은 제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하고, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 상기 구역 인기 예측 모델을 획득하고, 상기 구역 인기 예측 모델은 제2 쿼리 샘플을 예측하는데 사용되고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함한다. 당해 방식은 제2 이력 구역 인기 데이터가 대표하는 분포 데이터가 적을 경우에도, 당해 분포 데이터를 효과적으로 학습할 수 있고, 구역 인기 예측의 정확도를 향상시킬 수 있다.

Description

구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치
본 출원은 컴퓨터 애플리케이션 기술 분야에 관한 것으로, 특히, 빅 데이터 기술 분야의 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치에 관한 것이다.
<관련 출원의 상호 참조>
본 출원은 출원일이 2020년 10월 26일이고, 출원번호가 2020111550161이며, 발명 명칭이 "구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치(method and device for establishing regional heat prediction model, and method and device for predicting regional heat)"인 중국 특허 출원의 우선권을 주장한다.
구역 인기 예측은 큰 가치를 가지고 있어, 정부, 기관 및 개인이 더 효과적으로 자원 배치를 최적화하고, 발전 추세를 사전에 예측하고, 심지어 교통 여행(traffic travel)의 방면에서도 참고 또는 제안을 제공할 수 있다. 구역 인기 예측은 지정된 시간에서의 예측 구역의 사람 유동량을 가리키고, 예를 들어, 특정된 상권의 지정된 시간에서의 손님의 유동량을 예측하고, 특정된 역의 지정된 시간에서의 손님의 유동량을 예측하는 등을 가리킨다.
구역 인기 예측은 본질적으로 시계열의 예측 문제이며, 기존 시계열 예측 알고리즘은 특징 공학(feature engineering), 신경망 피팅(neural network fitting) 등의 알고리즘을 포함한다. 그러나, 기존 시계열 예측 알고리즘은 대량의 라벨링된 데이터에 대한 의존도가 높으며, 비교적 길고 안정적인 계열 이력 기록의 데이터에서 트레이닝한 후에만, 더 높은 예측 정확도를 가질 수 있다. 그러나, 일부 작은 확률의 사건(small-probability event)이 발생할 경우에 구역 인기에 영향을 주어, 일정한 시간 내의 구역 인기가 평소보다 심한 변동을 일으킨다. 그러나, 이러한 작은 확률의 사건의 이력 데이터가 비교적 적고, 전통적인 방법을 사용하면 이에 대해 효과적으로 학습할 수 없기 때문에, 작은 확률의 사건이 발생할 경우의 구역 인기 예측 정확도가 떨어진다.
이를 고려하여, 본 출원은 상술한 기술 문제를 해결하기 위해 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치를 제공한다.
제1 측면에서, 본 출원은 구역 인기 예측 모델을 구축하는 방법을 제공하고,
제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하는 단계; 및
제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 상기 구역 인기 예측 모델을 획득하는 단계;를 포함하고,
상기 구역 인기 예측 모델은 제2 쿼리 샘플을 예측하는데 사용되고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함한다.
제2 측면에서, 본 출원은 구역 인기 예측 방법을 제공하고,
구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하는 단계를 포함하고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함하고,
상기 구역 인기 예측 모델은 제1 이력 구역 인기 데이터를 사용하여 시계열 예측 모델을 사전 트레이닝한 후, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여 획득한다.
제3 측면에서, 본 출원은 구역 인기 예측 모델을 구축하는 장치를 제공하고,
제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하기 위한 사전 트레이닝 모듈; 및
제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 상기 구역 인기 예측 모델을 획득하기 위한 미세 조정 모듈;을 포함하고,
상기 구역 인기 예측 모델은 제2 쿼리 샘플을 예측하는데 사용되고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함한다.
제4 측면에서, 본 출원은 구역 인기 예측 장치를 제공하고,
구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하는데 사용되는 예측 모듈을 포함하고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함하고,
상기 구역 인기 예측 모델은 제1 이력 구역 인기 데이터를 사용하여 시계열 예측 모델을 사전 트레이닝한 후, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여 획득한다.
제5 측면에서, 본 출원은 전자 기기를 제공하고,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서에 통신 연결되는 메모리;를 포함하고,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행되어, 상기 적어도 하나의 프로세서에 의해 상기 방법이 수행되도록 한다.
제6 측면에서, 본 출원은 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 기록 매체를 제공하고, 상기 컴퓨터 명령은 상기 컴퓨터가 상기 방법을 수행하도록 한다.
상술한 기술 방안으로부터 알 수 있는 것은, 본 출원은 제1 이력 구역 인기 데이터를 사용하여 사전 트레이닝하여 획득된 시계열 예측 모델에 기반하여, 제2 이력 구역 인기 데이터를 서포트 샘플로 하고, 시계열 예측 모델을 미세 조정함으로써, 제2 쿼리 샘플에서의 예측할 시간의 구역 인기를 예측할 수 있는 구역 인기 예측 모델을 구축한다. 당해 방식은 제2 이력 구역 인기 데이터가 대표하는 분포 데이터가 적을 경우에도, 당해 분포 데이터를 효과적으로 학습할 수 있고, 구역 인기 예측의 정확도를 향상시킬 수 있다.
상기 선택 가능한 방식이 가지는 다른 효과에 대해는 아래 구체적인 실시예를 결부하여 추가로 설명하고자 한다.
첨부 도면은 본 해결수단을 더 잘 이해하기 위한 것으로, 본 출원에 대해 한정하는 것으로 구성되지 않는다.
도 1은 본 출원의 실시예 1에서 제공되는 주요 방법의 흐름도이다.
도 2는 본 출원의 실시예 1에서 제공되는 시계열 예측 모델의 개략적인 구조도이다.
도 3은 본 출원의 실시예 1에서 제공되는 상권 인기 예측의 데이터 예시도이다.
도 4는 본 출원의 실시예 2에서 제공되는 상권 인기 예측의 데이터 예시도이다.
도 5는 본 출원의 실시예에서 제공되는 구역 인기 예측 모델을 구축하는 장치의 구조도이다.
도 6은 본 출원의 실시예에서 제공되는 구역 인기 예측 장치의 구조도이다.
도 7은 본 출원의 실시예를 구현하기 위한 전자 기기의 블록도이다.
이하, 첨부된 도면을 결부하여 본 출원의 예시적 실시예를 설명하되, 여기에는 이해를 돕기 위한 본 출원의 실시예의 다양한 세부 사항이 포함되며, 이는 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 기술분야의 통상의 기술자는 본 출원의 범위와 사상을 벗어나지 않으면서, 여기서 설명되는 실시예에 대한 다양한 변경과 수정이 이루어질 수 있음을 이해해야 한다. 마찬가지로, 명확성 및 간결성을 위해, 아래의 설명에서 공지된 기능과 구조에 대한 설명을 생략한다.
본 출원의 실시예에서, 작은 샘플에 기반한 퓨-샷 학습 기술(Few-shot Learning)을 사용하고, 작은 샘플에 기반한 퓨-샷 학습 기술은 대량의 일반적인 분포의 이력 데이터(a large number of conventionally distributed historical data)를 사용하여 작은 샘플에 기반한 시계열 예측 모델을 트레이닝할 수 있고, 그 다음에, 트레이닝된 모델에 소량의 비일반적인 분포의 이력 데이터(a small amount of irregularly distributed historical data)를 조합하면, 소량의 비일반적인 분포의 데이터에서 만족할 수 있는 예측 정확도를 획득할 수 있고, 전통적인 감독 학습 알고리즘(traditional supervised learning algorithms)보다 더 이상적인 효과가 가진다.
상기 퓨-샷 학습(Few-shot Learning)의 데이터는 서포트 샘플(Support Set) 및 쿼리 샘플(Query Set)로 구성된다. 상기 서포트 샘플(Support Set)에는 알려진 카테고리의 인스턴스가 포함되고, 상기 쿼리 샘플(Query Set)에는 1개 이상의 라벨링되지 않은 카테고리의 데이터가 포함되고, 상기 퓨-샷 학습(Few-shot Learning)의 태스크는 Query Set내의 데이터 카테고리를 예측하는 것이다.
실시예 1
상술한 이론에 기반하여, 도 1은 본 출원의 실시예1에서 제공되는 주요 방법의 흐름도이다. 하기와 같은 단계를 포함할 수 있다.
101에서, 제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝한다.
102에서, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 제2 서포트 샘플을 사용하여 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 구역 인기 예측 모델을 획득한다.
본 출원의 실시예에서, 제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함할 수 있다. 제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함할 수 있다.
그 중, 본 출원의 실시예에 관한 구역은 지리적 위치에서의 AOI(Area of Interest, 관심 분야), ROI(Regin of Interest, 관심 구역) 또는, 복수의 POI(Point Of Interest, 관심 포인트), AOI, ROI 등에 의해 형성된 구역일 수도 있다. 예를 들어, 상권, 캠퍼스, 과학기술 파크 등일 수도 있다.
특징 데이터는 구역의 관심 포인트（POI） 수, 사용자 방문 시간 분포 데이터, 방문한 사용자의 여행 방식 분포 데이터 및 방문한 사용자의 여행 거리 분포 데이터 중의 적어도 하나를 포함할 수 있다. 구역 인기가 크게 반영되는 것은 당해 구역을 방문하는 사용자의 양이다.
또한, 트레이닝 구역 인기 예측 모델을 획득한 후, 트레이닝에 의해 획득된 구역 인기 예측 모델을 사용하여 단계 103을 실행할 수 있고, 즉 구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하고, 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함한다.
실시 형태로서, 상술한 제1 이력 구역 인기 데이터는 일반적으로 분포된 이력 구역 인기 데이터일 수 있다. 제2 이력 구역 인기 데이터는 일반적으로 분포되지 않고 있는 이력 구역 인기 데이터일 수 있다.
하기는 상권의 인기 예측을 예로 들어, 2개의 실시예를 결합하여 본 출원에서 제공되는 상술한 방법을 상세하게 설명한다.
실시예 2
현재의 예측 태스크가 알려진 이력 기간에서의 특정한 상권의 각 시점의 구역 인기 데이터라고 가정하면, 그 중, 당해 상권은 당해 이력 기간
Figure pct00001
에서의 특징은 하나의 특징 계열
Figure pct00002
로 표시할 수 있고, 그 중,
Figure pct00003
은 당해 상권의 시점
Figure pct00004
에서의 특징 벡터를 표시한다. 상응하게, 상권의 이력 기간에서의 손님의 유동량, 즉 인기
Figure pct00005
으로 표시할 수 있고,
Figure pct00006
는 당해 상권의 시점
Figure pct00007
에서 인기를 표시한다. 알려진
Figure pct00008
및
Figure pct00009
의 뒤에, 예측 태스크는 미래의
Figure pct00010
개 시점 손님 유동량
Figure pct00011
이다.
그 중,
Figure pct00012
은 상권의 POI를 포함하는 수, 사용자 방문 시간 분포 데이터, 방문한 사용자의 여행 방식 분포 데이터 및 방문한 사용자의 여행 거리 분포 데이터 등의 특징 데이터로 획득할 수 있다. 각 특징은 모두 하나의 one-hot(원 핫) 벡터로 변환되어, 이러한 벡터는 스플라이싱한 후에 하나의
Figure pct00013
개의 차원을 구비한 특징 벡터
Figure pct00014
를 구성하고,
Figure pct00015
는 양의 정수이다.
예를 들어,
어떤 상권은 일부 상업 장소의 POI로 구성되어, 그렇다면 당해 상권의 POI를 포함하는 수는 하나의 1 차원 벡터를 구성할 수 있다.
당해 상권의 방문 시간 분포는 매일 24 시간의 방문 사용자 수를 사용하여 표시할 수 있고, 즉 하나의 24 차원의 벡터를 구성한다.
당해 상권의 방문한 사용자의 여행 방식 분포 데이터는 방문자가 다양한 교통 수단을 사용하여 여행하는 수량으로 표시할 수 있고, 교통 수단은 대중 교통, 자전거, 자가용차 및 보행을 사용한다고 가정하면, 당해 특징은 하나의 4 차원의 벡터로 표시할 수 있다.
당해 상권의 방문한 사용자의 여행 거리 분포 데이터는 출발지에서 목적지의 상권에 도달하는 서로 다른 여행 거리의 수를 사용하여 표시할 수 있다. 여행 거리를 10단계로 이산화할 경우, 즉: 0.25km, 0.25km-0.5km, 0.5km-1km, 1km-2km, 2km-5km, 5km-6km, 6km-10km, 10km-15km, 15km-30km, 30km이며, 그렇다면 당해 벡터는 하나의 10 차원의 벡터로 표시할 수 있다.
그 후, 각 벡터를 스플라이싱한 후, 하나의 39 차원의 특징 벡터
Figure pct00016
를 획득할 수 있다. 상술한 특징으로 획득된 특징 벡터는 상권이 특정한 시점에서의 반영된 손님의 유동량 상황을 충분히 반영할 수 있고, 후속의 상권 인기에 대한 예측을 더 정확하게 할 수 있다.
그 중 하나의 구현 방식으로, 본 실시예에서 사용되는 시계열 예측 모델은 순환 신경망에 기반할 수 있다. 모델 구조는 도 2에 도시된 내용일 수 있다.
예측 태스크에 있어서, 주어진 입력의 특징 계열
Figure pct00017
에 대해, 순환 신경망을 사용하여 각 시점의 특징을 하나의
Figure pct00018
차원의 가려진 상태 벡터(hidden layer state vector)
Figure pct00019
에 매핑하고, 이하에 표시할 수 있고,
Figure pct00020
(1)
그 중,
Figure pct00021
은 하나의 비선형의 함수이며, LSTM(Long Short-Term Memory, 장단기 메모리) 또는 GRU(Gated Recurrent Unit, 게이트 순환 유닛) 등의 모델링 계열 능력을 구비한 순환 신경망일 수도 있다.
이력 기간
Figure pct00022
중의 최후의 하나의 시각의 가려진 상태 벡터
Figure pct00023
를 피드 포워드 신경망에 송신하고, 예측 출력
Figure pct00024
을 획득하고, 하기로 표시하며,
Figure pct00025
(2)
그 중,
Figure pct00026
및
Figure pct00027
은 모델 파라미터이며, 그 중,
Figure pct00028
은
Figure pct00029
차원의 벡터이며,
Figure pct00030
는
Figure pct00031
차원의 벡터이다.
상술한 시계열 예측 모델의 트레이닝을 할 때, 먼저, 당해 상권의 제1 이력 기간
Figure pct00032
중의 각 시점에서의 특징 데이터 및 상권 인기를 사용하여 사전 트레이닝을 한다. 그 후, 당해 상권의 제2 이력 기간
Figure pct00033
중의 각 시점에서의 특징 데이터 및 상권 인기를 사용하여 사전 트레이닝하여 획득된 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정한다.
그 중, 당해 상권의 제1 이력 기간
Figure pct00034
중의 각 시점에서의 특징 데이터 및 상권 인기를 사용하여 사전 트레이닝을 하는 프로세스에서, 제1 이력 기간
Figure pct00035
중의 각 시점에서의 특징 데이터 및 상권 인기를 사용하여 트레이닝 샘플을 구축할 수 있다. 하나의 시간 윈도우
Figure pct00036
를 사용하고,
Figure pct00037
의 길이가
Figure pct00038
의 시간의 길이보다 짧고,
Figure pct00039
의 시간의 길이보다 작은 것을 사용할 수 있고, 당해 시간 윈도우
Figure pct00040
의 길이는 상술한 예측 태스크 내의 이력 기간
Figure pct00041
의 시간 길이와 일치한다. 일반적으로,
Figure pct00042
의 시간의 길이 및
Figure pct00043
의 시간의 길이보다 훨씬 짧고, 예를 들어, 5개의 시점의 시간 길이를 시간 윈도우
Figure pct00044
로 선택한다. 트레이닝 샘플을 구축할 경우, 시간 윈도우
Figure pct00045
내의 각 시점에서의 특징 데이터 및 상권 인기와 당해 시간 윈도우
Figure pct00046
후의
Figure pct00047
개의 시점 상권 인기를 사용하여 하나의 트레이닝 샘플을 구축한다. 시간 윈도우
Figure pct00048
를 제1 이력 기간
Figure pct00049
에서 슬라이드(sliding)하면, N 트레이닝 샘플을 생성할 수 있고, N은 양의 정수이다.
트레이닝 프로세스에서, 시계열 예측 모델은 시간 윈도우
Figure pct00050
내의 각 시점에서의 특징 데이터 및 상권 인기를 사용하여 시간 윈도우
Figure pct00051
후의
Figure pct00052
개의 시점 상권 인기를 예측하고, 트레이닝 타겟은 예측 결과와 트레이닝 샘플에서의 시간 윈도우
Figure pct00053
후의
Figure pct00054
개의 시점 상권 인기 사이의 차이를 최소화한다. 손실 함수는 상술한 트레이닝 타겟을 사용하여 구축할 수 있고, 즉 예측 결과와 트레이닝 샘플에서의 시간 윈도우
Figure pct00055
후의
Figure pct00056
개의 시점 상권 인기 사이의 차이를 사용하여 구축한다. 예를 들어, 예측 결과 및 트레이닝 샘플에서의 시간 윈도우
Figure pct00057
후의
Figure pct00058
개의 시점 상권 인기를 사용하여 평균 제곱 오차 손실 함수를 구축할 수 있고, 트레이닝 종료 조건에 도달할 때까지, 손실 함수의 값을 사용하여 역방향 전파를 수행하여 시계열 예측 모델의 파라미터를 최적화한다. 예를 들어, 손실 함수의 값이 미리 설정된 손실 함수의 역치보다 작거나 같으며, 또는 반복 회수가 미리 설정된 회수의 역치에 도달하는 것 등이다.
예를 들어, 손실 함수
Figure pct00059
는 하기와 같은 공식을 사용할 수 있고,
Figure pct00060
(3)
그 중,
Figure pct00061
은 트레이닝 샘플의 수이며,
Figure pct00062
는 시계열 예측 모델이 제
Figure pct00063
개의 트레이닝 샘플 중의 시간 윈도우
Figure pct00064
후의
Figure pct00065
개의 시점 상권 인기에 대한 예측 값이며,
Figure pct00066
는 제
Figure pct00067
개의 트레이닝 샘플에서의 시간 윈도우
Figure pct00068
후의
Figure pct00069
개의 시점 상권 인기값이다.
시계열 예측 모델을 사전 트레이닝한 후, 제2 이력 기간
Figure pct00070
중의 각 시점에서의 특징 데이터 및 상권 인기 (즉 제2 서포트 샘플)를 사용하여 사전 트레이닝하여 획득된 시계열 예측 모델을 더 트레이닝할 경우, 마찬가지로 상술한 시간 윈도우의 방식을 사용하여 트레이닝 샘플을 구축하고, 차이점은 사전 트레이닝하여 획득된 시계열 예측 모델의 모델 파라미터에 기반하여, 모델 파라미터에 대해 더 최적화 조정을 수행한다.
상술한 사전 트레이닝 및 조정 후의 시계열 예측 모델은 제2 쿼리 샘플에서의 일부의 시점 상권 인기에 대한 예측을 하는데 사용된다. 그 중, 상기 일부의 시점은 예측할 시간을 가리키고, 당해 예측할 시간의 시간 길이는 상술한
Figure pct00071
보다 작거나 같다. 예측할 경우, 예측할 시간 전의 시간단 중의 각 시점
Figure pct00072
에서의 특징 데이터 및 상권 인기를 시계열 예측 모델에 입력하고, 시계열 예측 모델에 의해 출력된 예측할 시간의 구역 인기를 획득할 수 있다. 예측 방식은 즉 상술한 공식 (1) 및 (2)를 사용한다.
예를 들어, 도 3에 도시된 바와 같이, 2018년과 2019년 중의 어느 상권의 각주의 인기 데이터를 제1 이력 상권 인기 데이터로 할 수 있고, 즉 2018년과 2019년 중의 어느 상권의 각주의 인기 데이터를 하나의 트레이닝 태스크로 사용하여 트레이닝 샘플을 구축하고, 시계열 예측 모델에 대해 사전 트레이닝을 할 수 있다. 2020년에 주지의 작은 확률 사건이 발생하였기 때문에, 2020년 1 내지 8주의 인기 데이터를 제2 이력 상권 인기 데이터로 하고, 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정할 수 있다. 조정 후에 구역 인기 예측 모델을 획득하여, 2020년 제9 내지 26주 (즉 제2 쿼리 샘플)의 예측할 시간의 구역 인기를 예측하는데 사용된다.
실시예 3
본 실시예는 실시예 2에 기반하여 더 개선하고, 메타 학습의 방법을 사용하여 시계열 예측 모델에 대해 사전 트레이닝을 함으로써, 제2 서포트 샘플에 신속히 피팅할 수 있는 모델 파라미터를 획득할 수 있다.
본 실시예에서, 사전 트레이닝을 하기 전에, 제1 이력 구역 인기 데이터를 사용하여 적어도 하나의 메타 트레이닝 태스크를 구축한다. 각 메타 트레이닝 태스크에는 모두 제1 서포트 샘플 및 제1 쿼리 샘플이 포함되고, 메타 학습 메커니즘을 사용하여 시계열 예측 모델을 트레이닝한다.
예를 들어, 도 4에 도시된 바와 같이, 2018년의 상권 인기 데이터를 사용하여 하나의 메타 트레이닝 태스크를 구축하고, 2019년의 상권 인기 데이터를 사용하여 별도의 메타 트레이닝 태스크를 구축한다. 그 중, 각 트레이닝 태스크는 모두 서포트 샘플 및 쿼리 샘플의 분할을 수행한다. 미세 조정 태스크 및 예측 태스크에서의 서포트 샘플 및 쿼리 샘플을 구분하기 위해, 본 출원의 실시예에서, 사전 트레이닝 태스크에서의 서포트 샘플 및 쿼리 샘플을 "제1 서포트 샘플" 및 "제1 쿼리 샘플"이라고 부르고, 후속의 미세 조정 태스크에서의 서포트 샘플을 "제2 서포트 샘플"이라고 부르고, 예측 태스크에서의 쿼리 샘플을 "제2 쿼리 샘플"이라고 부른다. 그 중, "제1" 및 "제2"은 수량 및 순서의 의미를 가지지 않고, 이름을 구분하기 위해만 사용된다. 또한, 본 실시예에서, 트레이닝 태스크는 실제로 메타 학습 메커니즘 내의 메타 트레이닝(meta-train) 프로세스에 대응하고, 미세 조정 태스크 및 예측 태스크는 실제로 메타 학습 메커니즘 내의 메타 테스트(meta-test) 프로세스에 대응한다.
제1 서포트 샘플 및 제1 쿼리 샘플의 각각은 제2 서포트 샘플과 제2 쿼리 샘플의 시간 길이와 일치한다. 도 4에 도시된 바와 같이, 2018년 중의 제1 내지 8주의 상권 인기 데이터를 제1 메타 트레이닝 태스크에서의 제1 서포트 샘플로 하고, 제9 내지 26주의 상권 인기 데이터를 제1 쿼리 샘플로 한다. 2019년 중의 제1 내지 8주의 상권 인기 데이터를 제2 메타 트레이닝 태스크에서의 제1 서포트 샘플로 하고, 제9 내지 26주의 상권 인기 데이터를 제1 쿼리 샘플로 한다.
실시예 2와의 차이점은 메타 트레이닝(meta-train) 프로세스에서, 각 메타 학습 태스크에 대해, 제1 서포트 샘플로 기울기를 계산하여 메타 파라미터를 업데이트하고, 트레이닝 종료 조건에 도달할 때까지, 모든 메타 학습 태스크의 제1 쿼리 샘플에서의 손실 함수 기울기를 계산하여 모델 파라미터를 업데이트하는데 사용된다. 예를 들어, 손실 함수의 값이 미리 설정된 손실 함수의 역치보다 작거나 같으며, 또는 반복 회수가 미리 설정된 회수의 역치에 도달하는 것이다. 이것으로 사전 트레이닝을 완료하여, 사전 트레이닝 후의 시계열 예측 모델을 획득한다.
그 후, 사전 트레이닝하여 획득된 시계열 예측 모델로 제2 서포트 샘플을 사용하여 (예를 들어, 도 4에 2020년 말의 1 내지 8주의 상권 인기 데이터) 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정한다. 이 과정에서, 제2 서포트 샘플에서의 손실 함수 기울기를 계산하여 모델 파라미터를 업데이트하는데 사용된다. 당해 조정 프로세스와 후속의 제2 쿼리 샘플에서의 예측할 시간의 구역 인기에 대한 예측 프로세스는 실시예 2와 유사하고, 자세한 설명은 생략한다.
상술한 트레이닝 프로세스에서, 실시예 2와 유사한 방식을 사용하여 트레이닝 샘플을 구축하고, 즉 시간 윈도우
Figure pct00073
내의 각 시점에서의 특징 데이터 및 상권 인기와 당해 시간 윈도우
Figure pct00074
후의
Figure pct00075
개의 시점 상권 인기를 사용하여 하나의 트레이닝 샘플을 구축한다. 시간 윈도우
Figure pct00076
를 대응하는 제1 서포트 샘플, 제1 쿼리 샘플, 제2 서포트 샘플에서 슬라이드(sliding)하면, 대응하는 복수의 트레이닝 샘플을 생성할 수 있다. 본 실시예에서, 시간 윈도우
Figure pct00077
의 길이는 제1 서포트 샘플의 시간 길이보다 짧고, 제1 쿼리 샘플의 시간 길이보다 작다. 트레이닝 타겟 및 구축된 손실 함수는 실시예 2의 관련 기재를 참조하고, 여기서 자세한 설명은 생략한다.
상술한 실시예의 방식을 통해, 작은 확률 사건이 발생할 경우, 작은 확률 사건이 구역에 주는 지속적인 영향을 모델이 잘 이해하는데 도움이 되고, 구역 인기를 따라 정확하게 예측함으로써, 사용자가 자원 배치를 따라 정확하게 최적화하는데 도움이 되며, 발전 추세를 사전에 예측할 수 있다.
상술한 예측할 시간의 구역 인기 예측을 구현한 후, 예측 결과를 표시하고, 특정한 포맷으로 저장할 수 있고, 진일보 분석 등의 처리를 수행할 수 있다. 사용자 단말의 요구에 주동적으로 응답할 수도 있고, 예측 결과를 사용자 단말에 송신할 수 있다.
이상은 본 출원에서 제공되는 방법을 상세하게 설명하고, 하기는 실시예를 결합하여 본 출원에서 제공되는 장치를 상세하게 설명한다.
실시예 4
도 5는 본 출원의 실시예에서 제공되는 구역 인기 예측 모델을 구축하는 장치의 구조도이다. 당해 장치는 서버 측의 애플리케이션에 위치할 수 있거나, 또는 서버 측의 애플리케이션 내의 플러그인 또는 소프트웨어 개발 킷(Software Development Kit, SDK) 등의 기능 유닛에 위치할 수도 있거나, 또는 컴퓨터 단말에 위치할 수도 있고, 본 발명의 실시예는 이에 대해 특히 한정하지 않는다. 도 5에 도시된 바와 같이, 당해 장치는 사전 트레이닝 모듈(01)과 미세 조정 모듈(02)을 포함할 수 있다. 각 구성 유닛의 주요 기능은 다음과 같이 된다.
사전 트레이닝 모듈(01)은 제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하는데 사용된다.
미세 조정 모듈(02)은 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 제2 서포트 샘플을 사용하여 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 구역 인기 예측 모델을 획득하는데 사용된다.
구역 인기 예측 모델은 제2 쿼리 샘플을 예측하는데 사용되고, 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함한다.
바람직한 실시 형태로서, 제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함하고,
제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함한다.
그 중, 특징 데이터는 구역의 관심 포인트（POI） 수, 사용자 방문 시간 분포 데이터, 방문한 사용자의 여행 방식 분포 데이터 및 방문한 사용자의 여행 거리 분포 데이터 중의 적어도 하나를 포함한다.
그 중, 시계열 예측 모델의 트레이닝 타겟은 예측 결과와 기대값 사이의 차이를 최소화하는 것을 포함하고, 예측 결과는 시계열 예측 모델이 시간 윈도우
Figure pct00078
내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여 시간 윈도우
Figure pct00079
후의
Figure pct00080
개의 시점의 대응하는 샘플에서의 구역 인기이며, 시간 윈도우
Figure pct00081
는 제1 이력 기간의 길이보다 짧고, 제2 이력 기간의 길이보다 짧고,
Figure pct00082
는 양의 정수이다.
바람직한 실시 형태로서, 사전 트레이닝 모듈(01)은 제1 이력 구역 인기 데이터를 사용하여, 적어도 하나의 메타 트레이닝 태스크를 구축하고, 메타 트레이닝 태스크에서의 제1 서포트 샘플 및 제1 쿼리 샘플에 기반하여, 메타 학습 메커니즘을 사용하여 시계열 예측 모델을 트레이닝할 수 있고, 제1 서포트 샘플과 제1 쿼리 샘플은 각각 제2 서포트 샘플과 제2 쿼리 샘플의 시간 길이와 일치한다.
사전 트레이닝 모듈(01)은 메타 학습 메커니즘을 사용하여 시계열 예측 모델을 트레이닝할 경우, 각 메타 학습 태스크에 대해, 제1 서포트 샘플에서 손실 함수의 기울기를 계산하고, 메타 파라미터를 업데이트하고, 모든 메타 학습 태스크의 제1 쿼리 샘플에서의 손실 함수 기울기를 결정하여 모델 파라미터를 업데이트하는데 사용되고,
미세 조정 모듈(02)은 구체적으로, 제2 서포트 샘플에서의 손실 함수 기울기를 계산하여 모델 파라미터를 업데이트하는데 사용된다.
그 중, 손실 함수는 시계열 예측 모델에 의해 시간 윈도우
Figure pct00083
내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여 시간 윈도우
Figure pct00084
의
Figure pct00085
개의 시점에 대한 구역 인기를 예측한 후, 예측 결과와 시간 윈도우
Figure pct00086
의
Figure pct00087
개의 시점의 대응하는 샘플에서의 구역 인기 사이의 차이를 사용하여 구축하여 획득할 수 있고,
그 중, 시간 윈도우
Figure pct00088
의 길이는 제1 서포트 샘플의 시간 길이보다 짧고, 제1 쿼리 샘플의 시간 길이보다 짧고,
Figure pct00089
는 양의 정수이다.
실시예 5
도 6은 본 출원의 실시예에서 제공되는 구역 인기 예측 장치의 구조도이다. 당해 장치는 서버 측의 애플리케이션에 위치할 수 있거나, 또는 서버 측의 애플리케이션 내의 플러그인 또는 소프트웨어 개발 킷(Software Development Kit, SDK) 등의 기능 유닛에 위치할 수도 있거나, 또는 컴퓨터 단말에 위치할 수도 있고, 본 발명의 실시예는 이에 대해 특히 한정하지 않는다. 도 6에 도시된 바와 같이, 당해 장치는 예측 모듈(11)을 포함할 수 있고,
예측 모듈(11)은 구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하는데 사용되고, 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함한다.
구역 인기 예측 모델은 제1 이력 구역 인기 데이터를 사용하여 시계열 예측 모델을 사전 트레이닝한 후, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 제2 서포트 샘플을 사용하여 시계열 예측 모델을 더 트레이닝하여 획득한다. 즉 도 5에 도시된 장치를 사용하여 미리 트레이닝하여 획득한다.
제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함하고,
제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함한다.
바람직한 실시 형태로서, 예측 모듈(11)은 예측할 시간 전의 시간 윈도우
Figure pct00090
내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여, 예측할 시간의 구역 인기를 예측할 수 있고, 시간 윈도우
Figure pct00091
는 제1 이력 기간의 길이보다 짧고, 제2 이력 기간의 길이보다 작다.
상술한 시간 윈도우
Figure pct00092
는 실제로 실시예 4의 시계열 예측 모델을 트레이닝하는 프로세스에서 사용되는 시간 윈도우
Figure pct00093
의 길이와 일치하고, 예측할 시간의 합계 시간의 길이는 시계열 예측 모델을 트레이닝하는 프로세스에서 사용되는
Figure pct00094
의 시간 길이보다 작거나 같을 필요가 있다.
본 출원의 실시예에 따르면, 본 출원은 전자 기기 및 판독 가능 기록 매체를 더 제공한다.
도 7에 도시된 바와 같이, 본 출원의 실시예에 따른 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법을 구현하는 전자 기기의 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 운영 플랫폼, 개인 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터, 및 다른 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 의미한다. 전자 기기는 개인 디지털 처리, 셀룰러폰, 스마트폰, 웨어러블 기기 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 이동 장치를 의미할 수도 있다. 본문에서 나타낸 부재, 이들의 연결과 관계, 및 이들의 기능은 단지 예시적인 것으로, 본문에서 설명 및/또는 요구된 본 발명의 구현을 한정하지 않는다.
도 7에 도시된 바와 같이, 상기 전자 기기는, 하나 또는 복수의 프로세서(701), 메모리(702), 및 고속 인터페이스 및 저속 인터페이스를 포함하는 각 부재를 연결하기 위한 인터페이스를 포함한다. 각 부재는 상이한 버스를 이용하여 서로 연결되고, 공통 메인보드에 장착될 수 있거나 필요에 따라 다른 방식으로 장착될 수 있다. 프로세서는, 메모리에 저장되거나 메모리에서 외부 입력/출력 장치(예를 들어, 인터페이스에 커플링된 표시 기기)에 GUI의 그래픽 정보를 표시하는 명령을 포함하는 전자 기기 내에서 실행되는 명령을 처리할 수 있다. 다른 실시형태에서, 필요에 따라 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리와 함께 사용할 수 있다. 마찬가지로, 다수의 전자 기기를 연결할 수 있고, 각 기기는 일부 필요한 동작(예를 들어, 서버 어레이, 한 그룹의 블레이드 서버, 또는 다중프로세서 시스템)을 제공한다. 도 7에서는 하나의 프로세서(701)를 예로 한다.
메모리(702)는 본 출원에서 제공된 비일시적 컴퓨터 판독 가능 저장 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어, 상기 적어도 하나의 프로세서가 본 출원에서 제공된 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법을 수행하도록 한다. 본 출원의 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령을 저장하며, 상기 컴퓨터 명령은 컴퓨터가 본 출원에서 제공된 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법을 수행하도록 한다.
메모리(702)는 비일시적 컴퓨터 판독 가능 저장 매체로서, 본 출원의 실시예에서의 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법에 대응되는 프로그램 명령/모듈과 같은 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터 실행 가능 프로그램 및 모듈을 저장하는데 사용될 수 있다. 프로세서(701)는 메모리(702)에 저장되어 있는 비일시적 소프트웨어 프로그램, 명령 및 모듈을 실행함으로써, 서버의 다양한 기능 애플리케이션 및 데이터 처리를 수행하며, 즉 상기 방법의 실시예에서의 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법을 구현한다.
메모리(702)는 프로그램 저장 구역 및 데이터 저장 구역을 포함할 수 있는 바, 여기서 프로그램 저장 구역은 운영 체제, 적어도 하나의 기능에 필요한 애플리케이션 프로그램을 저장할 수 있고; 데이터 저장 구역은 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법에 따른 전자 기기의 사용에 따라 구축된 데이터 등을 저장할 수 있다. 이밖에, 메모리(702)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 적어도 하나의 자기 디스크 저장 소자, 플래시 소자, 또는 다른 비일시적 솔리드 스테이트 저장 소자와 같은 비일시적 메모리를 더 포함할 수 있다. 일부 실시예에서, 메모리(702)는 프로세서(701)에 대해 원격으로 설치되는 메모리를 선택적으로 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법을 구현하는 전자 기기에 연결될 수 있다. 상기 네트워크의 구현예는 인터넷, 기업 인트라넷, 근거리 통신망, 이동 통신망, 및 이들의 조합을 포함하지만 이에 한정되지 않는다.
당해 전자 기기는, 입력 장치(703) 및 출력 장치(704)를 더 포함할 수 있다. 프로세서(701), 메모리(702), 입력 장치(703) 및 출력 장치(704)는 버스 또는 다른 방식을 통해 연결될 수 있고, 도 7에서는 버스를 통한 연결을 예로 한다.
입력 장치(703)는 입력된 숫자 또는 캐릭터 정보를 수신할 수 있고, 구역 인기 예측 모델을 구축하는 방법 또는 구역 인기 예측 방법을 구현하는 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 생성할 수 있으며, 예를 들어 터치 스크린, 키패드, 마우스, 트랙 패드, 터치 패드, 포인팅 스틱, 하나 또는 다수의 마우스 버튼, 트랙볼, 조이스틱 등 입력 장치일 수 있다. 출력 장치(704)는 디스플레이 기기, 보조 조명 장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 상기 디스플레이 기기는 LCD(액정 디스플레이 장치), LED(발광 다이오드) 디스플레이 장치 및 플라즈마 디스플레이 장치를 포함할 수 있으나 이에 한정되지 않는다. 일부 실시형태에서, 디스플레이 기기는 터치 스크린일 수 있다.
여기서 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 다수의 컴퓨터 프로그램에서의 구현을 포함할 수 있고, 상기 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 데이터 및 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치, 및 상기 적어도 하나의 출력 장치에 전송할 수 있다.
이러한 컴퓨팅 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드라고도 함)은 프로그램 가능 프로세서의 기계 명령을 포함하고, 하이레벨 프로세스 및/또는 객체에 대한 프로그래밍 언어, 및/또는 어셈블리/기계 언어를 이용하여 이러한 컴퓨팅 프로그램을 실행할 수 있다. 본문에서 사용된 바와 같이, 용어 "기계 판독 가능한 매체" 및 "컴퓨터 판독 가능한 매체"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 컴퓨터 프로그램 제품, 기기, 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 로직 장치(PLD))를 의미하고, 기계 판독 가능한 신호인 기계 명령을 수신하는 기계 판독 가능한 매체를 포함한다. 용어 "기계 판독 가능한 신호"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.
사용자와의 인터랙션을 제공하기 위하여, 컴퓨터에서 여기서 설명된 시스템 및 기술을 실시할 수 있고, 상기 컴퓨터는 사용자에게 정보를 표시하기 위한 표시 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 표시 장치) 모니터); 및 키보드 및 지향 장치(예를 들어, 마우스 또는 트랙 볼)를 구비하며, 사용자는 상기 키보드 및 상기 지향 장치를 통해 컴퓨터에 입력을 제공한다. 다른 타입의 장치는 또한 사용자와의 인터랙션을 제공할 수 있는데, 예를 들어, 사용자에게 제공된 피드백은 임의의 형태의 감지 피드백(예를 들어, 시각 피드백, 청각 피드백, 또는 촉각 피드백)일 수 있고; 임의의 형태(소리 입력, 음성 입력, 또는 촉각 입력)로 사용자로부터의 입력을 수신할 수 있다.
여기서 설명된 시스템 및 기술은 백엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로 사용됨), 또는 미들웨어 부재를 포함하는 컴퓨팅 시스템(예를 들어, 애플리케이션 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비하는 사용자 컴퓨터인 바, 사용자는 상기 그래픽 사용자 인터페이스 또는 상기 네트워크 브라우저를 통해 여기서 설명된 시스템 및 기술의 실시형태와 인터랙션할 수 있음), 또는 이러한 백엔드 부재, 미들웨어 부재, 또는 프론트 엔드 부재의 임의의 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예는, 근거리 통신망(LAN), 광역망(WAN), 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고 일반적으로 통신 네트워크를 통해 서로 인터랙션한다. 대응되는 컴퓨터에서 실행되고 또한 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램을 통해 클라이언트 및 서버의 관계를 생성한다.
위에서 설명된 다양한 형태의 프로세스를 사용하여 단계를 재배열, 추가 또는 삭제할 수 있음을 이해해야 한다. 예를 들어, 본 출원에 기재된 각 단계는 동시에, 순차적으로, 또는 상이한 순서로 수행될 수 있으며, 본 출원에 개시된 기술적 해결수단이 이루고자 하는 결과를 구현할 수 있는 한, 본문은 여기서 한정되지 않는다.
상기 구체적인 실시형태는 본 출원의 보호 범위를 한정하지 않는다. 본 기술분야의 통상의 기술자는, 설계 요구 및 다른 요소에 따라 다양한 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 이해해야 한다. 본 출원의 정신 및 원칙 내에서 이루어진 임의의 수정, 등가 교체 및 개선 등은 모두 본 출원의 보호 범위 내에 포함되어야 한다.

Claims (22)

  1. 구역 인기 예측 모델을 구축하는 방법(method for establishing regional heat prediction model)에 있어서,
    제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하는 단계; 및
    제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 상기 구역 인기 예측 모델을 획득하는 단계;
    를 포함하고,
    상기 구역 인기 예측 모델은 제2 쿼리 샘플을 예측하는데 사용되고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함하는,
    구역 인기 예측 모델 구축 방법.
  2. 제1항에 있어서,
    상기 제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함하고,
    상기 제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 상기 구역의 특징 데이터 및 구역 인기를 포함하는,
    구역 인기 예측 모델 구축 방법.
  3. 제2항에 있어서,
    상기 특징 데이터는,
    상기 구역의 관심 포인트（POI） 수, 사용자 방문 시간 분포 데이터, 방문한 사용자의 여행 방식 분포 데이터 및 방문한 사용자의 여행 거리 분포 데이터 중의 적어도 하나를 포함하는,
    구역 인기 예측 모델 구축 방법.
  4. 제2항에 있어서,
    상기 시계열 예측 모델의 트레이닝 타겟은 예측 결과와 기대값 사이의 차이를 최소화하는 것을 포함하고, 상기 예측 결과는 상기 시계열 예측 모델이 시간 윈도우
    Figure pct00095
    내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여 시간 윈도우
    Figure pct00096
    후의
    Figure pct00097
    개의 시점의 구역 인기를 예측한 결과이며, 상기 기대값은 시간 윈도우
    Figure pct00098
    후의
    Figure pct00099
    개의 시점의 대응하는 샘플에서의 구역 인기이며,
    상기 시간 윈도우
    Figure pct00100
    는 상기 제1 이력 기간의 길이보다 짧고, 또한 상기 제2 이력 기간의 길이보다 짧고, 상기
    Figure pct00101
    는 양의 정수인,
    구역 인기 예측 모델 구축 방법.
  5. 제1항에 있어서,
    상기 제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하는 단계는,
    상기 제1 이력 구역 인기 데이터를 사용하여, 적어도 하나의 메타 트레이닝 태스크를 구축하는 단계; 및
    상기 메타 트레이닝 태스크에서의 제1 서포트 샘플 및 제1 쿼리 샘플에 기반하여, 메타 학습 메커니즘을 사용하여 상기 시계열 예측 모델을 트레이닝하는 단계;
    를 포함하고,
    상기 제1 서포트 샘플과 제1 쿼리 샘플은 각각 상기 제2 서포트 샘플과 제2 쿼리 샘플의 시간 길이와 일치한,
    구역 인기 예측 모델 구축 방법.
  6. 제5항에 있어서,
    상기 메타 학습 메커니즘을 사용하여 상기 시계열 예측 모델을 트레이닝하는 단계는,
    각 메타 학습 태스크에 대해, 상기 제1 서포트 샘플에서 손실 함수의 기울기를 계산하고, 메타 파라미터를 업데이트하고, 모든 메타 학습 태스크의 제1 쿼리 샘플에서의 손실 함수 기울기를 결정하여 모델 파라미터를 업데이트하는 단계를 포함하고,
    상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하는 단계는,
    상기 제2 서포트 샘플에서의 손실 함수 기울기를 계산하여 모델 파라미터를 업데이트하는 단계를 포함하는,
    구역 인기 예측 모델 구축 방법.
  7. 제6항에 있어서,
    상기 손실 함수는 상기 시계열 예측 모델에 의해 시간 윈도우
    Figure pct00102
    내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여 시간 윈도우
    Figure pct00103
    후의
    Figure pct00104
    개의 시점에 대한 구역 인기를 예측한 후, 예측 결과와 시간 윈도우
    Figure pct00105
    후의
    Figure pct00106
    개의 시점의 대응하는 샘플에서의 구역 인기 사이의 차이를 사용하여 구축하여 획득하고,
    상기 시간 윈도우
    Figure pct00107
    의 길이는 상기 제1 서포트 샘플의 시간 길이보다 짧고, 또한 상기 제1 쿼리 샘플의 시간 길이보다 짧고, 상기
    Figure pct00108
    는 양의 정수인,
    구역 인기 예측 모델을 구축하는 방법.
  8. 구역 인기 예측 방법(method for predicting regional heat)에 있어서,
    구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하는 단계를 포함하고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함하고,
    상기 구역 인기 예측 모델은 제1 이력 구역 인기 데이터를 사용하여 시계열 예측 모델을 사전 트레이닝한 후, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여 획득한 것인,
    구역 인기 예측 방법.
  9. 제8항에 있어서,
    상기 제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함하고,
    상기 제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 상기 구역의 특징 데이터 및 구역 인기를 포함하는,
    구역 인기 예측 방법.
  10. 제9항에 있어서,
    상기 구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하는 단계는,
    상기 예측할 시간 전의 시간 윈도우
    Figure pct00109
    내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여, 상기 예측할 시간의 구역 인기를 예측하는 단계를 포함하고,
    상기 시간 윈도우
    Figure pct00110
    는 상기 제1 이력 기간의 길이보다 짧고, 또한 상기 제2 이력 기간의 길이보다 짧은,
    구역 인기 예측 방법.
  11. 구역 인기 예측 모델을 구축하는 장치(device for establishing regional heat prediction model)에 있어서,
    제1 이력 구역 인기 데이터를 사용하여, 시계열 예측 모델을 사전 트레이닝하기 위한 사전 트레이닝 모듈; 및
    제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여, 모델 파라미터를 조정하여 상기 구역 인기 예측 모델을 획득하기 위한 미세 조정 모듈;
    을 포함하고,
    상기 구역 인기 예측 모델은 제2 쿼리 샘플을 예측하는데 사용되고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함하는,
    구역 인기 예측 모델 구축 장치.
  12. 제11항에 있어서,
    상기 제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함하고,
    상기 제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 상기 구역의 특징 데이터 및 구역 인기를 포함하는,
    구역 인기 예측 모델 구축 장치.
  13. 제12항에 있어서,
    상기 특징 데이터는,
    상기 구역의 관심 포인트（POI） 수, 사용자 방문 시간 분포 데이터, 방문한 사용자의 여행 방식 분포 데이터 및 방문한 사용자의 여행 거리 분포 데이터 중의 적어도 하나를 포함하는,
    구역 인기 예측 모델 구축 장치.
  14. 제12항에 있어서,
    상기 시계열 예측 모델의 트레이닝 타겟은 예측 결과와 기대값 사이의 차이를 최소화하는 것을 포함하고, 상기 예측 결과는 상기 시계열 예측 모델이 시간 윈도우
    Figure pct00111
    내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여 시간 윈도우
    Figure pct00112
    후의
    Figure pct00113
    개의 시점에 대한 구역 인기를 예측한 결과이며, 상기 기대값은 시간 윈도우
    Figure pct00114
    후의
    Figure pct00115
    개의 시점의 대응하는 샘플에서의 구역 인기이며,
    상기 시간 윈도우
    Figure pct00116
    는 상기 제1 이력 기간의 길이보다 짧고, 또한 상기 제2 이력 기간의 길이보다 짧고, 상기
    Figure pct00117
    는 양의 정수인,
    구역 인기 예측 모델 구축 장치.
  15. 제11항에 있어서,
    상기 사전 트레이닝 모듈은 구체적으로,
    상기 제1 이력 구역 인기 데이터를 사용하여, 적어도 하나의 메타 트레이닝 태스크를 구축하고,
    상기 메타 트레이닝 태스크에서의 제1 서포트 샘플 및 제1 쿼리 샘플에 기반하여, 메타 학습 메커니즘을 사용하여 상기 시계열 예측 모델을 트레이닝하는데 사용되고,
    상기 제1 서포트 샘플과 제1 쿼리 샘플은 각각 상기 제2 서포트 샘플과 제2 쿼리 샘플의 시간 길이와 일치한,
    구역 인기 예측 모델 구축 장치.
  16. 제15항에 있어서,
    상기 사전 트레이닝 모듈이 메타 학습 메커니즘을 사용하여 상기 시계열 예측 모델을 트레이닝할 경우, 구체적으로, 각 메타 학습 태스크에 대해, 상기 제1 서포트 샘플에서 손실 함수의 기울기를 계산하고, 메타 파라미터를 업데이트하고, 모든 메타 학습 태스크의 제1 쿼리 샘플에서의 손실 함수 기울기를 결정하여 모델 파라미터를 업데이트하는데 사용되고,
    상기 미세 조정 모듈은 구체적으로, 상기 제2 서포트 샘플에서의 손실 함수 기울기를 계산하여 모델 파라미터를 업데이트하는데 사용되는
    구역 인기 예측 모델 구축 장치.
  17. 제16항에 있어서,
    상기 손실 함수는 상기 시계열 예측 모델에 의해 시간 윈도우
    Figure pct00118
    내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여 시간 윈도우
    Figure pct00119
    후의
    Figure pct00120
    개의 시점에 대한 구역 인기를 예측한 후, 예측 결과와 시간 윈도우
    Figure pct00121
    후의
    Figure pct00122
    개의 시점의 대응하는 샘플에서의 구역 인기 사이의 차이를 사용하여 구축하여 획득하고,
    상기 시간 윈도우
    Figure pct00123
    의 길이는 상기 제1 서포트 샘플의 시간 길이보다 짧고, 또한 상기 제1 쿼리 샘플의 시간 길이보다 짧고, 상기
    Figure pct00124
    는 양의 정수인,
    구역 인기 예측 모델 구축 장치.
  18. 구역 인기 예측 장치(device for predicting regional heat)에 있어서,
    구역 인기 예측 모델을 사용하여 제2 쿼리 샘플을 예측하는데 사용되는 예측 모듈을 포함하고, 상기 제2 쿼리 샘플은 예측할 시간의 구역 인기를 포함하고,
    상기 구역 인기 예측 모델은 제1 이력 구역 인기 데이터를 사용하여 시계열 예측 모델을 사전 트레이닝한 후, 제2 이력 구역 인기 데이터를 제2 서포트 샘플로 하고, 상기 제2 서포트 샘플을 사용하여 상기 시계열 예측 모델을 더 트레이닝하여 획득한 것인,
    구역 인기 예측 장치.
  19. 제18항에 있어서,
    상기 제1 이력 구역 인기 데이터는 제1 이력 기간 중의 각 시점에서의 구역의 특징 데이터 및 구역 인기를 포함하고,
    상기 제2 이력 구역 인기 데이터는 제2 이력 기간 중의 각 시점에서의 상기 구역의 특징 데이터 및 구역 인기를 포함하는,
    구역 인기 예측 장치.
  20. 제19항에 있어서,
    상기 예측 모듈은 구체적으로, 상기 예측할 시간 전의 시간 윈도우
    Figure pct00125
    내의 각 시점에서의 특징 데이터 및 구역 인기를 사용하여, 상기 예측할 시간의 구역 인기를 예측하는데 사용되고,
    상기 시간 윈도우
    Figure pct00126
    는 상기 제1 이력 기간의 길이보다 짧고, 또한 상기 제2 이력 기간의 길이보다 짧은
    구역 인기 예측 장치.
  21. 전자 기기에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 통신 연결되는 메모리;를 포함하고,
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 저장되어 있고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행되어, 상기 적어도 하나의 프로세서에 의해 제1항 내지 제10항 중 어느 한 항의 방법이 수행되도록 하는,
    전자 기기.
  22. 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 기록 매체에 있어서,
    상기 컴퓨터 명령은 상기 컴퓨터가 제1항 내지 제10항 중 어느 한 항의 방법을 수행하도록 하는,
    컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 기록 매체.
KR1020217042754A 2020-10-26 2021-06-02 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치 KR20220058858A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202011155016.1 2020-10-26
CN202011155016.1A CN112269930B (zh) 2020-10-26 2020-10-26 建立区域热度预测模型、区域热度预测的方法及装置
PCT/CN2021/097892 WO2022088677A1 (zh) 2020-10-26 2021-06-02 建立区域热度预测模型、区域热度预测的方法及装置

Publications (1)

Publication Number Publication Date
KR20220058858A true KR20220058858A (ko) 2022-05-10

Family

ID=74341385

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217042754A KR20220058858A (ko) 2020-10-26 2021-06-02 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치

Country Status (6)

Country Link
US (1) US20220414691A1 (ko)
EP (1) EP4012581A4 (ko)
JP (1) JP2023502817A (ko)
KR (1) KR20220058858A (ko)
CN (1) CN112269930B (ko)
WO (1) WO2022088677A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112269930B (zh) * 2020-10-26 2023-10-24 北京百度网讯科技有限公司 建立区域热度预测模型、区域热度预测的方法及装置
CN113343082A (zh) * 2021-05-25 2021-09-03 北京字节跳动网络技术有限公司 可热字段预测模型生成方法、装置、存储介质及设备
CN113643066A (zh) * 2021-08-16 2021-11-12 京东城市(北京)数字科技有限公司 客流量推断模型的训练方法以及推断客流量的方法和装置
CN117422960B (zh) * 2023-12-14 2024-03-26 广州华微明天软件技术有限公司 一种基于元学习的图像识别持续学习方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013211616A (ja) * 2012-03-30 2013-10-10 Sony Corp 端末装置、端末制御方法、プログラム、および情報処理システム
JP6708122B2 (ja) * 2014-06-30 2020-06-10 日本電気株式会社 誘導処理装置及び誘導方法
CN105206040B (zh) * 2015-08-07 2017-06-23 北京航空航天大学 一种基于ic卡数据的公交串车预测方法
CN106952105A (zh) * 2017-04-26 2017-07-14 浙江大学 一种基于迁移学习的商铺最优化选址方法
JP6802118B2 (ja) * 2017-07-04 2020-12-16 株式会社日立製作所 情報処理システム
JP6761789B2 (ja) * 2017-08-25 2020-09-30 日本電信電話株式会社 人流予測装置、システムおよびプログラム
CN108306962B (zh) * 2018-01-30 2021-09-28 河海大学常州校区 一种商业大数据分析系统
CN108345857A (zh) * 2018-02-09 2018-07-31 北京天元创新科技有限公司 一种基于深度学习的区域人群密度预测方法及装置
CN108564228A (zh) * 2018-04-26 2018-09-21 重庆大学 一种基于时序特征预测轨道交通od客流量的方法
US20200125955A1 (en) * 2018-10-23 2020-04-23 International Business Machines Corporation Efficiently learning from highly-diverse data sets
WO2020158217A1 (ja) * 2019-02-01 2020-08-06 ソニー株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN111652364A (zh) * 2019-03-04 2020-09-11 富士通株式会社 训练元学习网络的装置和方法
CN110188668B (zh) * 2019-05-28 2020-09-25 复旦大学 一种面向小样本视频动作分类的方法
CN110348601A (zh) * 2019-06-06 2019-10-18 华南理工大学 一种基于双向长短期记忆网络的地铁短期客流量预测方法
CN110569886B (zh) * 2019-08-20 2023-02-28 天津大学 一种双向通道注意力元学习的图像分类方法
CN110826695B (zh) * 2019-10-30 2021-05-25 京东数字城市(成都)科技有限公司 数据处理方法、装置和计算机可读存储介质
CN110852447B (zh) * 2019-11-15 2023-11-07 腾讯云计算（北京）有限责任公司 元学习方法和装置、初始化方法、计算设备和存储介质
CN111047085B (zh) * 2019-12-06 2022-09-06 北京理工大学 一种基于元学习的混合动力车辆工况预测方法
CN111144648B (zh) * 2019-12-25 2023-11-24 中国联合网络通信集团有限公司 人流量预测设备及方法
CN111667095A (zh) * 2020-04-30 2020-09-15 百度在线网络技术（北京）有限公司 预测经济状态、建立经济状态预测模型的方法及对应装置
CN111401558B (zh) * 2020-06-05 2020-10-09 腾讯科技（深圳）有限公司 数据处理模型训练方法、数据处理方法、装置、电子设备
CN111680837B (zh) * 2020-06-08 2023-12-08 北京化工大学 一种竞争环境下的多场景多商品连锁便利店选址优化方法
CN112269930B (zh) * 2020-10-26 2023-10-24 北京百度网讯科技有限公司 建立区域热度预测模型、区域热度预测的方法及装置

Also Published As

Publication number Publication date
US20220414691A1 (en) 2022-12-29
CN112269930B (zh) 2023-10-24
CN112269930A (zh) 2021-01-26
JP2023502817A (ja) 2023-01-26
EP4012581A4 (en) 2022-08-24
EP4012581A1 (en) 2022-06-15
WO2022088677A1 (zh) 2022-05-05

Similar Documents

Publication Publication Date Title
KR20220058858A (ko) 구역 인기 예측 모델을 구축하는 방법, 구역 인기 예측 방법 및 장치
CN111538904B (zh) 用于推荐兴趣点的方法和装置
WO2021218131A1 (zh) 一种路线规划方法、装置、设备和计算机存储介质
CN111612249B (zh) 用于预测人流量的方法、装置、设备以及存储介质
CN111859291B (zh) 交通事故识别方法、装置、设备和计算机存储介质
US8665118B1 (en) Parking information aggregation platform
US20220019341A1 (en) Map information display method and apparatus, electronic device, and computer storage medium
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
US11989669B2 (en) Intelligently customizing a cancellation notice for cancellation of a transportation request based on transportation features
CN111310987B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
US20210239480A1 (en) Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption
US20220101473A1 (en) Providing dynamic alternate location transportation modes and user interfaces within multi-pickup-location area geofences
KR20210134521A (ko) 경제 상태 예측 방법, 경제 상태 예측 모델 구축 방법 및 대응하는 장치
KR20230048259A (ko) 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치
CN114417192A (zh) 更新兴趣点poi状态的方法、装置、设备、介质及产品
KR102440635B1 (ko) 음성 패킷 녹취 기능의 안내 방법, 장치, 기기 및 컴퓨터 저장 매체
JP6946542B2 (ja) 学習システム、推定システム及び学習済モデル
US20210004728A1 (en) Determining arrival of transportation providers to pickup locations utilizing a hiking distance predictor model
JP2021012607A (ja) ポート開設場所提案装置
US20210295224A1 (en) Utilizing a requestor device forecasting model with forward and backward looking queue filters to pre-dispatch provider devices
CN113741459A (zh) 确定训练样本的方法和自动驾驶模型的训练方法、装置
CN115966098A (zh) 一种预测公交车到站时间的方法及设备
US20210142243A1 (en) Intelligently customizing a cancellation notice for cancellation of a transportation request based on transportation features
CN112148010A (zh) 自动驾驶功能控制方法、装置、电子设备及存储介质
CN112381305A (zh) 打车时长预估方法、装置、电子设备及存储介质