用于预测客流量的方法和装置制造方法及图纸

本申请实施例公开了用于预测客流量的方法和装置。该系统的一具体实施方式包括：基于接收到的对预设时段内目标交通路线的客流量值的预测请求，获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列；对路线信息进行编码处理，生成编码后的路线信息；将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型，得到在预设时段内目标交通路线的客流量预测值，其中，客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。该实施方式提高了对客流量值的预测精度。

Methods and devices for predicting passenger flow

The embodiment of this application discloses a method and device for predicting passenger flow. The specific implementation of the system includes: obtaining the route information of the target traffic route and the corresponding sequence of the number of consecutive time periods corresponding to the preset number of the current time based on the received prediction request for the passenger flow value of the target traffic route in the preset time period; coding the route information to generate the encoding route information; and coding the route information and encoding the route information. Passenger flow series are input into the pre-trained passenger flow prediction model to obtain the passenger flow prediction value of the target traffic route in the preset period. The passenger flow prediction model is used to characterize the corresponding relationship between the encoded route information and the passenger flow series and the passenger flow prediction value of the target traffic route. The implementation method improves the prediction accuracy of passenger flow value.

【技术实现步骤摘要】
用于预测客流量的方法和装置
本申请实施例涉及计算机
，具体涉及用于预测客流量的方法和装置。
技术介绍
随着信息技术的发展，各种平台之间的交互为数据的获取提供了便利。基于大数据的信息技术可以应用于多种行业中。各行业通过数据平台对获取到的历史数据进行分析，从而实现了对未来信息的预测。应用于客流量预测的相关技术中，通常是利用人工标注的方式对获取到的历史数据进行分析，从而得到客流量预测值；或者采用人工预测的方式对客流量信息进行预测。
技术实现思路
本申请实施例提出了用于预测客流量的方法和装置。第一方面，本申请实施例提供了一种用于预测客流量的方法，包括：基于接收到的对预设时段内目标交通路线的客流量值的预测请求，获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列；对路线信息进行编码处理，生成编码后的路线信息；将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型，得到在预设时段内目标交通路线的客流量预测值，其中，客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。在一些实施例中，客流量预测模型包括客流量预测子模型和长短记忆神经网络，以及将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型，得到在预设时段内目标交通路线的客流量值，包括：将编码后的路线信息输入至客流量预测子模型，得到第一特征值，第一特征值用于表征在预设时段内对目标交通路线的客流量值的预测结果；将客流量序列输入至长短记忆神经网络，得到第二特征值，第二特征值用于表征预测结果的预测偏差；将第一特征值和第二特征值输入至预先训练的全连接网络，得到在预设时段内目标交通路线的客流量预测值。在一些实施例中，客流量预测子模型包括广义线性模型和深度神经网络。在一些实施例中，客流量预测模型通过如下训练步骤得到：获取训练样本集合，训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值；从训练样本集合中选取训练样本，执行如下调整步骤：将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型，得到第一初始特征值；将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络，得到第二初始特征值；将所得到的第一初始特征值和第二初始特征值输入至全连接网络，得到指定时间段的样本客流量的预测值；基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值；响应于确定预设损失函数的损失值达到预设目标值，确定客流量预测模型训练完成，其中，预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。在一些实施例中，客流量预测模型的训练步骤还包括：响应于确定预设损失函数的损失值未达到预设目标值，调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数，将调整后的初始客流量预测子模型作为初始客流量预测子模型，将调整后的初始长短记忆神经网络作为初始长短记忆神经网络，继续执行调整步骤。第二方面，本申请实施例提供了一种用于预测客流量的装置，装置包括：获取单元，被配置成基于接收到的对预设时段内目标交通路线的客流量值的预测请求，获取目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列；编码单元，被配置成对路线信息进行编码处理，生成编码后的路线信息；生成单元，被配置成将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型，得到在预设时段内目标交通路线的客流量预测值，其中，客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。在一些实施例中，客流量预测模型包括客流量预测子模型和长短记忆神经网络，以及生成单元，包括：第一生成子单元，被配置成将编码后的路线信息输入至客流量预测子模型，得到第一特征值，第一特征值用于表征在预设时段内对目标交通路线的客流量值的预测结果；第二生成子单元，被配置成将客流量序列输入至长短记忆神经网络，得到第二特征值，第二特征值用于表征预测结果的预测偏差；全连接子单元，被配置成将第一特征值和第二特征值输入至预先训练的全连接网络，得到在预设时段内目标交通路线的客流量预测值。在一些实施例中，客流量预测子模型包括广义线性模型和深度神经网络。在一些实施例中，客流量预测模型通过如下训练步骤得到：获取训练样本集合，训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值；从训练样本集合中选取训练样本，执行如下调整步骤：将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型，得到第一初始特征值；将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络，得到第二初始特征值；将所得到的第一初始特征值和第二初始特征值输入至全连接网络，得到指定时间段的样本客流量的预测值；基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值；响应于确定预设损失函数的损失值达到预设目标值，确定客流量预测模型训练完成，其中，预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。在一些实施例中，客流量预测模型的训练步骤还包括：响应于确定预设损失函数的损失值未达到预设目标值，调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数，将调整后的初始客流量预测子模型作为初始客流量预测子模型，将调整后的初始长短记忆神经网络作为初始长短记忆神经网络，继续执行调整步骤。第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如控制方法中任意实施例的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如控制方法中任意实施例的方法。本申请实施例提供的用于预测客流量的方法和装置，通过获取目标交通路线的路线信息和待预测时间段之前的预设数目个连续时间段对应的客流量序列，然后将编码后的路线信息和客流量序列输入至预先训练的客流量预测模型，得到预设时段内目标交通路线的客流量值，从而使得所预测出的客流量值更加准确，提高了对客流量值的预测精度。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请的一个实施例可以应用于其中的示例性系统架构图；图2是根据本申请的用于预测客流量的方法的一个实施例的流程图；图3是根据本申请的用于预测客流量的方法的一个应用场景的示意图；图4示出了客流量预测模型的训练方法的一种可选的实现方式的流程图；图5是根据本申请的用于预测客流量的装置的一个实施例的结构示意图；图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术本文档来自技高网...

【技术保护点】
1.一种用于预测客流量的方法，包括：基于接收到的对预设时段内目标交通路线的客流量值的预测请求，获取所述目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列；对所述路线信息进行编码处理，生成编码后的路线信息；将所述编码后的路线信息和所述客流量序列输入至预先训练的客流量预测模型，得到在所述预设时段内所述目标交通路线的客流量预测值，其中，所述客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。

【技术特征摘要】
1.一种用于预测客流量的方法，包括：基于接收到的对预设时段内目标交通路线的客流量值的预测请求，获取所述目标交通路线的路线信息和当前时间之前的预设数目个连续时间段对应的客流量序列；对所述路线信息进行编码处理，生成编码后的路线信息；将所述编码后的路线信息和所述客流量序列输入至预先训练的客流量预测模型，得到在所述预设时段内所述目标交通路线的客流量预测值，其中，所述客流量预测模型用于表征编码后的路线信息和客流量序列二者与目标交通路线的客流量预测值之间的对应关系。2.根据权利要求1所述的方法，其中，所述客流量预测模型包括客流量预测子模型和长短记忆神经网络，以及所述将所述编码后的路线信息和所述客流量序列输入至预先训练的客流量预测模型，得到在所述预设时段内所述目标交通路线的客流量值，包括：将所述编码后的路线信息输入至所述客流量预测子模型，得到第一特征值，所述第一特征值用于表征在所述预设时段内对所述目标交通路线的客流量值的预测结果；将所述客流量序列输入至所述长短记忆神经网络，得到第二特征值，所述第二特征值用于表征所述预测结果的预测偏差；将所述第一特征值和所述第二特征值输入至预先训练的全连接网络，得到在所述预设时段内所述目标交通路线的客流量预测值。3.根据权利要求2所述的方法，其中，所述客流量预测子模型包括广义线性模型和深度神经网络。4.根据权利要求2所述的方法，其中，所述客流量预测模型通过如下训练步骤得到：获取训练样本集合，所述训练样本集合中的训练样本包括编码后的样本路线信息、指定时间段之前的预设数目个连续时间段对应的样本客流量序列和指定时间段的样本客流量值；从所述训练样本集合中选取训练样本，执行如下调整步骤：将选取的训练样本中的编码后的样本路线信息输入至初始客流量预测子模型，得到第一初始特征值；将选取的训练样本中的指定时间段之前的预设数目个连续时间段对应的样本客流量序列输入至初始长短记忆神经网络，得到第二初始特征值；将所得到的第一初始特征值和第二初始特征值输入至全连接网络，得到指定时间段的样本客流量的预测值；基于预设损失函数，确定预设损失函数的损失值是否达到预设目标值；响应于确定预设损失函数的损失值达到预设目标值，确定客流量预测模型训练完成，其中，预设损失函数用于指示指定时间段的样本客流量的预测值与指定时间段的样本客流量值之间的差值。5.根据权利要求4所述的方法，其中，所述客流量预测模型的训练步骤还包括：响应于确定预设损失函数的损失值未达到预设目标值，调整初始客流量预测子模型的参数和初始长短记忆神经网络的参数，将调整后的初始客流量预测子模型作为初始客流量预测子模型，将调整后的初始长短记忆神经网络作为初始长短记忆神经网络，继续执行所述调整步骤。6.一种用于预测客流量的装置，包括：获取单元，被配置成基于接收到的对预设时段内目标交通路线的客流量值的预测请求，获取所述目标交通路线的路线信息和当前时间之前的预...

【专利技术属性】
技术研发人员：黄耀波，刘明浩，安思宇，郭江亮，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京,11