[发明专利]信息处理方法及装置

权利要求书

1.一种信息处理方法，其特征在于，包括：

获取目标区域在当前时段的当前区域属性信息序列，所述当前时段包括连续的多个子时段；所述当前区域属性信息序列包括所述多个子时段的区域属性信息；

将所述当前区域属性信息序列输入至预先训练的需求预测模型，通过所述需求预测模型得到所述目标区域在当前时段的下一子时段的公共设施需求信息的预测结果；

其中，所述需求预测模型是基于多个带有标签的训练样本对神经网模型进行训练得到的，每个所述训练样本包括一个样本区域的样本区域属性信息序列，每个所述训练样本的标签为所述训练样本对应的公共设施需求信息的真实结果。

2.根据权利要求1所述的方法，其特征在于，每个子时段的区域属性信息包括以下至少一种：

所述目标区域在该子时段的至少一个属性维度的第一属性值；

所述第一属性值相对于上一子时段的变化量；

相应区域的相邻区域在该子时段的至少一个属性维度的第二属性值；

所述第二属性值相对于上一子时段的变化量；

各个目标公共设施的级别信息，其中，所述各个目标公共设施为第一区域中的公共设施，所述目标区域为所述第一区域中的子区域；

各个目标公共设施与所述目标区域的距离。

3.根据权利要求1或2所述的方法，其特征在于，通过所述需求预测模型得到所述目标区域在当前时段的下一子时段的公共设施需求信息的预测结果，包括：

对于当前时段中第一个子时段，根据所述第一个子时段的区域属性信息，获得所述第一个子时段的隐状态向量；

对于当前时段中的除所述第一个子时段之外的子时段，根据所述子时段的区域属性信息以及所述子时段的前一个子时段的隐状态向量，确定所述子时段的隐状态向量；

根据当前时段中的最后一个子时段的隐状态向量，获得所述目标区域在当前时段的下一子时段的公共设施需求信息的预测结果。

4.根据权利要求3所述的方法，其特征在于，所述通过所述需求预测模型得到所述目标区域在当前时段的下一子时段的公共设施需求信息的预测结果，还包括：

对每个子时段的区域属性信息进行编码，得到每个子时段的编码向量；

所述根据所述第一个子时段的区域属性信息，获得所述第一个子时段的隐状态向量，包括：根据所述第一个子时段的编码向量，获得所述第一个子时段的隐状态向量；

所述根据所述子时段的区域属性信息以及所述子时段的前一个子时段的隐状态向量，确定所述子时段的隐状态向量，包括：

根据所述子时段的编码向量以及所述子时段的前一个子时段的隐状态向量，确定所述子时段的隐状态向量。

5.根据权利要求1或2所述的方法，其特征在于，所述需求预测模型是通过以下方式训练得到的：

通过所述神经网络模型得到每个训练样本对应的预测结果；

根据各个训练样本的真实结果和预测结果之间的差异，确定训练损失；

若满足训练结束条件，则将所述神经网络模型作为所述需求预测模型；若不满足训练结束条件，则基于训练损失对模型参数进行调整，并基于所述多个训练样本对调整后的模型继续训练，直至满足训练结束条件。

6.根据权利要求5所述的方法，其特征在于，每个所述样本区域属性信息序列包括样本区域在样本时段的区域属性信息，所述样本时段包括连续的多个子时段；

所述通过所述神经网络模型得到每个训练样本对应的预测结果，包括：

对于样本时段中第一个子时段，根据所述第一个子时段的区域属性信息，获得所述第一个子时段的隐状态向量；

对于当前时段中的除所述第一个子时段之外的子时段，根据所述子时段的区域属性信息以及所述子时段的前一个子时段的隐状态向量，确定所述子时段的隐状态向量；

对于样本时段中的至少一个子时段，根据所述至少一个子时段的隐状态向量，获得所述训练样本对应的预测结果；

其中，所述训练样本对应的预测结果包括所述至少一个子时段中每个子时段对应的公共设施需求信息的预测结果。