[发明专利]打车需求量和交通流量联合预测模型的预测方法和装置

说明书

本申请提出一种打车需求量和交通流量联合预测模型的预测方法和装置，涉及信息检索技术领域，其中，方法包括：设计深度学习模型，然后利用已有的有标签的数据构造训练集并训练设计的模型得到模型的参数，最后使用训练好的打车需求量和交通流量联合预测模型联合预测任一区域的打车需求量和交通流量。其中，设计的打车需求量和交通流量联合预测模型包含四大模块：当前时空信息编码模块，历史交通序列数据编码模块，不同交通量之间关联性编码模块，以及交通量联合预测模块。由此，通过使用大量收集到的历史数据训练全部模块的模型，并利用训练好的模型实现给定城市某区域历史若干连续时间的交通数据预测该区域当前时间的交通状态。

技术领域

本申请涉及信息检索技术领域，尤其涉及一种打车需求量和交通流量联合预测模型的 预测方法和装置。

背景技术

在交通出行领域，利用历史打车需求量和交通流量预测当前的打车需求量和交通流量 是一个重要的课题，其在许多交通服务中扮演了重要的角色，例如网约车平台上的车辆调 度服务以及政府部门对城市区域交通的监管服务。预测打车需求量指的是利用历史的交通 数据预测一段时间内某个区域的网约车需求量；同理，预测交通流量指的是利用历史的交 通数据预测一段时间内某个区域的车辆的流入总数量和流出总数量。

相关技术中，大部分研究都是只围绕单种交通量数据展开研究。也就是说，要么只用 历史的打车需求量预测当前的打车需求量，要么只用历史交通流量预测当前的交通流量。 然而，通过对现有数据的分析发现城市区域的打车需求量和交通流量是存在十分相关的关 系，而且这种关系对于二者的预测具有重要的意义。例如，如果一个区域即将开演唱会， 那么该区域在开演唱会前的交通流入量将会增大，等到演唱会结束后会产生大量的打车需 求量。因此，如果模型在预测区域的打车需求量和交通流量的同时考虑到这种相关关系， 那么该模型的预测准确率肯定能获得提升。此外，还发现不同区域的交通量之间存在关系。 比如，如果两个区域具有相似的空间特征(住宅区或者商业区)，那么这两个区域的交通模 式应该是相似的，也就是具有相似的打车需求量或者交通流量。最后，还发现不同时间段 的交通量之间存在相关关系，即交通量的变化是具有周期性的。比如，工作日的早高峰和 晚高峰交通流量是比较相似的。

综上所述，打车需求量和交通流量的联合预测面临如何考虑不同交通量之间的关联关 系、如何考虑不同区域之间的关联关系、如何考虑时间的周期性等问题。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种打车需求量和交通流量联合预测方法，通过 获取基于深度学习模型的高效打车需求量和交通流量联合预测模型，并基于模型可以较大 程度同时提升城市区域打车需求量和交通流量预测的准确性。

本申请的第二个目的在于提出一种打车需求量和交通流量联合预测装置。

为达上述目的，本申请第一方面实施例提出了一种打车需求量和交通流量联合预测方 法，包括：

获取所有区域的独热编码、当前时间、外部特征以及历史各个区域打车需求量和交通 流量，利用已训练的当前时空信息编码模块中的区域编码子模块对所述所有区域的独热编 码进行编码处理，获取每个所述区域的分布式区域向量表示；

将当前时间映射到时间片段上，获取所述时间片段对应的时间片段序号，利用已训练 的时间片段编码模块对所述时间片段序号进行编码处理，获取分布式时间向量表示，利用 已训练的外部特征编码子模块对外部特征进行处理，获取隐向量外部特征表示；

将所述分布式区域向量表示、所述分布式时间向量表示和所述隐向量外部特征表示进 行融合处理，获取统一向量表示，利用已训练的历史交通序列数据编码模块对所述历史各 个区域打车需求量和交通流量进行依次编码，获取历史向量序列表示；