申请/专利权人：华侨大学;蓝海(福建)信息科技有限公司

申请日：2024-02-29

公开（公告）日：2024-05-28

公开（公告）号：CN117829375B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/40;G06N3/042;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明提供的城际往返客运的多区域需求预测方法、装置、设备及介质，通过获取需求城市的区域关系矩阵图、往返两城市的历史需求特征、需求城市所有区域的特征向量以及需求城市的时间信息特征序列，计算获得城市内图特征、城际间图特征、当前时间步长的隐藏状态以及每个区域自身的时间特征向量，形成需求城市当前时间片段的输入，送入需求预测模型中，从而获得需求预测值。本发明通过提前预测往返城市的出行需求，使得相关运输机构能够灵活地预配置或重定位车辆，以满足潜在乘客的需求，从而提高车辆的利用率，预测精度高且速度快，解决了城市内和城际间街道级多区域的复杂时空依赖性。

主权项：1.一种城际往返客运的多区域需求预测方法，其特征在于，包括以下步骤：S1,获取需求城市的区域关系矩阵图、往返两城市时间片段内所有街道级区域的历史需求特征、需求城市所有街道级区域的特征向量以及需求城市的时间信息特征序列，定义城市A和城市B分别代表往返出行的两个城市，城市A为需求城市，则：需求城市A的区域关系矩阵图表达式为： 其中，表示城市A所有街道级区域的节点集合，城市A的节点总数为，是城市A节点的边集合，是城市A的相邻矩阵，表示城市A内各街道级区域之间的空间相关性，是城际间的相关矩阵图，表示城市A与往返城市B各街道级区域之间的空间相关性，其中表示仅包含0和1的二维矩阵，0表示对应行和列的两个区域不相邻，1表示对应行和列的两个区域相邻，表示城市B的节点总数；则城市A时间片段内的所有街道级区域的历史需求特征，表达式为： 表示城市A在第个时间片段所有街道级区域的历史需求特征，其中，表示城市A的街道级区域，表示城市A的街道级区域在第个时间片段的历史需求序列； ，表示城市A的时片段需求，由预测时间片段内的已预约需求与过去3小时内的需求组成； ，表示城市A的日片段需求，由过去3天同一预测时间片段的需求组成； ，表示城市A的周片段需求，由过去3周同一预测时间片段的需求组成； 表示城市A的街道级区域在第个时间片段的需求总人数，表示每个时间片段的间隔；则城市B时间片段内的所有街道级区域的历史需求特征，表达式为： 其中，表示城市B在第个时间片段所有街道级区域的历史需求特征，，表示城市B的街道级区域，表示城市B所有街道级区域的节点集合；其中，，表示城市B的周片段需求，由过去3周的累计需求总人数组成，表示城市B的街道级区域在第个时间片段到第个时间片段为止的累计需求总人数;则城市A所有街道级区域的特征向量表达式为： 其中，，表示城市A的街道级区域的特征向量，为餐饮服务数量，为购物服务数量，为生活服务数量，为政府机构数量，为教育培训数量，为公司企业数量；则城市A在第个时间片段的时间信息特征序列表示为： ，其中，为小时类别，平峰值为0，高峰值为1；为星期类别，星期一至星期日值分别为0到6；是节假日类别，节假日开始的前一天法定工作日值为0，节假日值为1，节假日结束的后一天法定工作日值为2，其它法定工作日值为3；为天气类别，非雨雪天值0，雨雪天值为1；S2,根据需求城市时间片段内的所有街道级区域的历史需求特征，建立需求城市多区域的邻接矩阵图，并采用图注意力网络深度学习模型，学习需求城市的每个历史需求特征节点与其邻居节点之间的关联权重，得到归一化后的城市内注意力权重，根据所述城市内注意力权重对相邻节点的特征进行加权线性和，并更新当前节点，获得需求城市新节点特征，从而得到需求城市内图特征；S3,根据往返两城市时间片段内的所有街道级区域的历史需求特征，建立城际间多区域的全连接矩阵图，并采用图注意力网络深度学习模型，学习城际间各街道级区域节点两两之间的关系权重，得到归一化后的城际间注意力权重，根据所述城际间注意力权重对相邻节点的特征进行加权线性和，并更新当前节点，获得城际间新节点特征，从而得到城际间图特征；S4,将所述需求城市内图特征和所述城际间图特征进行拼接，以矩阵块的形式作为门控循环单元的输入，同时引入注意力机制，学习和捕捉时空序列的变化规律，获得需求城市各街道级区域在当前时间步长的隐藏状态；S5,将所述需求城市所有街道级区域的特征向量和所述需求城市的时间信息特征序列进行两层非线性变换，采用门控机制层对两层非线性变换后的输出进行选择性地过滤和传递信息，同时采用层归一化函数对每一层的输出进行标准化，使得每层的输出均值为零、方差为一,获得需求城市每个街道级区域自身的时间特征向量；S6,将所述需求城市各街道级区域在当前时间步长的隐藏状态和所述需求城市每个街道级区域自身的时间特征向量进行非线性变换，输出需求城市各街道级区域下一时间步的需求总人数，将所述需求城市各街道级区域下一时间步的需求总人数送入多区域需求预测模型中，同时通过构建固定时间步的数据集，将需求城市的区域关系矩阵图、往返两城市时间片段内的所有街道级区域的历史需求特征、需求城市所有街道级区域的特征向量以及需求城市的时间信息特征序列作为多区域需求预测模型的输入，对多区域需求预测模型参数进行学习训练与优化，得到训练好的多区域需求预测模型，以根据所述训练好的多区域需求预测模型对城际往返客运的多区域需求进行预测。

全文数据：

权利要求：

百度查询： 华侨大学;蓝海(福建)信息科技有限公司 城际往返客运的多区域需求预测方法、装置、设备和介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD