[发明专利]预测方法、装置、电子设备及存储介质

权利要求书

1.一种预测方法，其特征在于，包括：

获取目标区域内的特征数据，所述特征数据包括第一时间段内的服务特征数据、环境特征数据以及用户特征数据；

将所述特征数据输入预测模型，所述预测模型以多个预设区域中的每个预设区域的第二时间段内的历史车辆需调度量以及历史特征数据作为样本训练得到，所述历史特征数据包括第二时间段内的服务特征数据、环境特征数据以及用户特征数据；所述历史车辆需调度量为用户在所述第二时间段内发送车辆使用请求但在预设时间段内未使用车辆的第一次数与用户在所述第二时间段内发送车辆查找请求但未发送车辆使用请求的第二次数之和；所述用户特征数据包括：发起车辆查找请求的用户数量、发起车辆使用请求的用户数量、车辆使用请求成交的用户数量中至少一项；

获得所述预测模型预测的目标区域的车辆需调度量的预测值。

2.根据权利要求1所述的方法，其特征在于，在所述将所述特征数据输入预测模型之前，所述方法还包括：

获取多个预设区域中每个预设区域的第二时间段内的历史车辆需调度量以及历史特征数据；

将所述每个预设区域的第二时间段内的历史车辆需调度量以及历史特征数据作为样本，对预测模型进行训练，获得训练后的预测模型，其中，所述历史特征数据作为模型输入，所述历史车辆需调度量作为模型输出。

3.根据权利要求2所述的方法，其特征在于，对于每个预设区域，获取第二时间段内的历史车辆需调度量，包括：

获取用户在所述第二时间段内发送车辆使用请求但在预设时间段内未使用车辆的第一次数；

获取用户在所述第二时间段内发送车辆查找请求但未发送车辆使用请求的第二次数；

计算所述第一次数与所述第二次数之和，将其作为该预设区域所述第二时间段内的历史车辆需调度量。

4.根据权利要求1所述的方法，其特征在于，在获取目标区域内的特征数据之前，所述方法还包括：

采用测试集数据对所述预测模型进行测试，所述测试集数据包括测试区域内的测试时间段内的特征数据以及测试需调度量；

确定所述预测模型得出的第一需调度量与所述测试需调度量相比，误差小于预设值。

5.根据权利要求1所述的方法，其特征在于，所述预测模型为Extreme GradientBoosting模型、Gradient Boosting Decision Tree模型、线性回归模型、神经网络模型中任一项。

6.根据权利要求2所述的方法，其特征在于，所述服务特征数据包括车辆使用请求的发起数量、车辆使用请求的成交数量、所述预设区域的车辆存量、所述预设区域的车辆流入数量、所述预设区域的车辆流出数量以及所述预设区域的坏车数量中至少一项。

7.根据权利要求2所述的方法，其特征在于，所述环境特征数据包括所述预设区域的类型、所述预设区域的人口密度以及所述预设区域内热点事件中至少一项。

8.一种预测装置，其特征在于，包括：

目标特征获取模块，用于获取目标区域内的特征数据，所述特征数据包括第一时间段内的服务特征数据、环境特征数据以及用户特征数据；

特征数据输入模块，用于将所述特征数据输入预测模型，所述预测模型以多个预设区域中的每个预设区域的第二时间段内的历史车辆需调度量以及历史特征数据作为样本训练得到，其中，所述历史特征数据作为模型输入，所述历史车辆需调度量作为模型输出所述历史特征数据包括第二时间段内的服务特征数据、环境特征数据以及用户特征数据；所述历史车辆需调度量为用户在所述第二时间段内发送车辆使用请求但在预设时间段内未使用车辆的第一次数与用户在所述第二时间段内发送车辆查找请求但未发送车辆使用请求的第二次数之和；所述用户特征数据包括：发起车辆查找请求的用户数量、发起车辆使用请求的用户数量、车辆使用请求成交的用户数量中至少一项；

需调度量预测模块，用于获得所述预测模型预测的目标区域的车辆需调度量的预测值。