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：2024-04-05

公开（公告）号：CN117829375A

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：在审-实质审查的生效

法律状态：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、需求城市所有区域的特征向量以及需求城市的时间信息特征序列，其中所述需求城市是往返两城市中的一个；S2,根据需求城市时间片段内的历史需求特征，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，获得需求城市各区域在当前时间步长的隐藏状态；S5,将所述需求城市所有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,获得需求城市每个区域自身的时间特征向量；S6,将所述需求城市各区域在当前时间步长的隐藏状态和所述需求城市每个区域自身的时间特征向量进行非线性变换，输出需求城市各区域下一时间步的需求总人数，将所述需求城市各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