预测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种预测方法、装置、电子设备及存储介质，涉及车辆数量检测技术领域。该方法包括：获取目标区域内的特征数据；将特征数据输入预测模型，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，历史特征数据作为模型输入，历史车辆需调度量作为模型输出；获得预测模型预测的目标区域的车辆需调度量的预测值。本申请实施例将目标区域的特征数据输入给完成训练的模型，获得目标区域的车辆需调度量的预测值，从而指导工作人员根据预测值对目标区域的车辆进行投放，改善目标区域的车辆投放量与用户未满足的用车需求量(即车辆需调度量)不平衡的问题。

Prediction methods, devices, electronic equipment and storage media

【技术实现步骤摘要】
预测方法、装置、电子设备及存储介质
本申请涉及车辆数量检测
，具体而言，涉及一种预测方法、装置、电子设备及存储介质。
技术介绍
目前，随着人们环保意识的增强，市场上出现了越来越多的共享车辆，共享自行车、共享电动车等逐渐受到人们的欢迎。对于共享电动车来说，其车辆的管理和运营成本很高，因此当平台方对一个新的区域进行车辆投放时，往往会先试探性投放少量的车，再根据市场的反馈再慢慢增投车辆。然而现有技术在投放车辆的过程中，往往很难把握在某一区域的车辆投放量与该区域的用户未满足的用车需求量的平衡。
技术实现思路
有鉴于此，本申请实施例的目的在于提供一种预测方法、装置、电子设备及存储介质，能够通过完成训练的模型对某一区域的车辆需调度量预测，从而改善该区域车辆投放量与用户未满足的用车需求量不平衡的问题。一方面，本申请实施例提供一种预测方法，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，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；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。本申请实施例将目标区域的特征数据输入给完成训练的模型，获得目标区域的车辆需调度量的预测值，从而指导工作人员根据预测值对目标区域的车辆进行投放，改善目标区域的车辆投放量与用户未满足的用车需求量(即车辆需调度量)不平衡的问题。可选地，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，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；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。预测模型是以每个预设区域在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获得的，其中，历史特征数据作为自变量，历史车辆需调度量作为因变量。可选地，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。用户发送车辆使用请求但未使用车辆通常是由于车辆是坏车而导致用户的用车需求无法得到满足，同一辆坏车可能会被多个人请求使用，因此统计第一次数可以真实的记录用户未被满足的用车需求数。用户发送车辆查找请求但未发送车辆使用请求通常是由于用户打开应用程序欲找车，但用户所在位置附近无可用车辆。获得第一次数与第二次数之和，便可以获得预测区域的第二时间段内的用户未被满足的用车需求量，即需要调度车辆的数量。可选地，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训练后的预测模型进行测试，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。在获得训练后的预测模型后，可以通过对预测模型进行测试来验证预测模型预测的准确性，预测模型根据测试集数据中的特征数据预测第一需调度量，若第一需调度量与测试集数据中的测试需调度量的误差小于预设值，则表明预测模型预测的准确性较高。可选地，所述预测模型为ExtremeGradientBoosting模型、GradientBoostingDecisionTree模型、线性回归模型、神经网络模型中任一项。可选地，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。可选地，所述环境特征数据包括所述预设区域的类型以及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。可选地，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。另一方面，本申请实施例还提供一种预测装置，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；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。本申请实施例将目标区域的特征数据输入给完成训练的模型，获得目标区域的车辆需调度量的预测值，从而指导工作人员根据预测值对目标区域的车辆进行投放，改善目标区域的车辆投放量与用户未满足的用车需求量(即车辆需调度量)不平衡的问题。可选地，所述装置还包括：历史数据获取模块，用于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，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；模型训练模块，用于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。预测模型是以每个预设区域在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，训练获得的，其中，历史特征数据作为自变量，历史车辆需调度量作为因变量。可选地，所述历史数据获取模块包括：第一次数获取模块，用于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；第二次数获取模块，用于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；加和计算模块，用于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。用户发送车辆使用请求但未使用车辆通常是由于车辆是坏车而导致用户的用车需求无法得到满足，同一辆坏车可能会被多个人请求使用，因此统计第一次数可以真实的记录用户未被满足的用车需求数。用户发送车辆查找请求但未发送车辆使用请求通常是由于用户打开应用程序欲找车，但用户所在位置附近无可用车辆。获得第一次数与第二次数之和，便可以获得预测区域的第二时间段内的用户未被满足的用车需求量，即需要调度车辆的数量。可选地，所述装置还包括：模型测试模块，用于采用测试集数据对所述训练后的预测模型进行测试，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本文档来自技高网...

【技术保护点】
1.一种预测方法，其特征在于，包括：/n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；/n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；/n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。/n

【技术特征摘要】
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；
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，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；
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ExtremeGradientBoosting模型、GradientBoostingDecisionTree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.根据权利要求2所述的方法，其特征在于，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。


9.一种预测装置，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...

【专利技术属性】
技术研发人员：戚立才，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11