[发明专利]样本数据生成、出行需求预测模型训练和预测方法及装置

说明书

本发明公开了一种训练样本数据生成方法、出行需求预测模型训练方法和出行需求预测方法及装置。所述出行需求预测模型的训练方法包括：获取所述出行需求预测模型对应的人群分组的至少一批训练样本数据；所述训练样本数据中包含所述人群分组中多个不同个体在不同时间段内预设数量的出行链数据；将所述至少一批训练样本数据，分批次输入至预设的深度学习网络，对所述深度学习网络进行训练，得到所述人群分组对应的出行需求预测模型。本发明利用人群的出行数据，可实现对微观的个体的出行需求进行预测，并可实现中长期时间跨度的出行需求预测。

技术领域

本发明涉及大数据技术领域，特别涉及一种训练样本数据生成方法、出行 需求预测模型的训练方法和出行需求预测方法及装置。

背景技术

对未来的仿真推演是城市数字孪生最重要的能力之一。例如城市如果新建 一座跨江大桥，附近居民是否会因为交通变得便利而增加出行量，例如城市通 勤人群在特定的通勤时间每个个体具有较强的周期性通勤需求。因此，交通需 求预测是对城市未来的仿真推演的关键技术。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地 解决上述问题的一种训练样本数据的生成方法、出行需求预测模型的训练方法 和出行需求预测方法及装置。

第一方面，本发明实施例提供一种训练样本数据的生成方法，其特征在于， 包括：

按照预设的人群属性，对人群进行分类，得到不同的人群分组；

基于所述人群分组，将同一人群分组下的不同个体在不同预设时间段内的 出行链数据进行整合，得到同一人群分组对应的出行需求预测模型的训练样本 数据。

在一个实施例中，分别将同一人群分组下的不同个体的出行链数据进行整 合，得到同一分组对应的出行需求预测模型的训练样本数据，包括：

对同一人群分组下的不同个体，按照个体的用户标识和预设时间段标识， 将不同个体的历史出行数据，整理成不同个体在不同预设时间段内的出行链数 据；所述出行链数据中包含所述个体在预设时间段内的至少一个出行动作记录 以及所述至少一个出行动作记录所对应的出行目的特征标签；

将同一分组下不同个体在不同时间段的出行链数据，按照预设的出行链数 量和出行动作记录数量，切分成多批训练样本数据。

在一个实施例中，按照个体的用户标识和预设时间段标识，将不同个体的 历史出行数据，整理成不同个体在不同预设时间段内的出行链数据，包括：

生成出行链数据的键标识；所述键标识包括用户标识和日期的组合；

在所述用户标识对应的个体的历史出行数据中，确定所述日期内发生的至 少一出行动作记录的出行目的特征标签；

将所述历史出行数据中出行动作记录的活动开始时间、持续时长和经纬度 数据，以及所述出行动作记录对应的出行目的特征标签，转换成预设的数据格 式，得到所述键标识对应的出行链数据。

第二方面，本发明实施例提供一种出行需求预测模型的训练方法，包括：

获取所述出行需求预测模型对应的人群分组的至少一批训练样本数据；所 述训练样本数据中包含所述人群分组中多个不同个体在不同时间段内预设数 量的出行链数据；

将所述至少一批训练样本数据，分批次输入至预设的深度学习网络，对所 述深度学习网络进行训练，得到所述人群分组对应的出行需求预测模型。

在一个实施例中，对所述深度学习网络进行训练，得到所述人群分组对应 的出行需求预测模型，包括：

在将每批次训练样本数据输入至预设的深度学习网络后，使用误差反向传 播的方式，对所述深度学习网络的参数值计算损失函数的梯度，并根据所述梯 度更新所述参数值以使损失函数收敛，直至达到预设的收敛条件。