订单量的预测方法、装置及电子设备制造方法及图纸

本申请提供了一种订单量的预测方法、装置及电子设备。该方法包括：获取订单量时空数据，该订单量时空数据包括与区域对应的不同历史时间段内的订单量；将订单量时空数据输入预先构建的图生成模型，得到节点图，节点图的一个节点表征一个区域，每个节点的数据包含其表征区域的历史时间段对应的订单量；通过环境门控循环神经网络CGRNN对节点图进行时间维度加权及聚合，得到订单的时间信息特征，该时间信息特征包括每个节点对应历史时间段下的订单聚合量；通过图卷积神经网络GCN对时间信息特征进行局部空间特征抽取，基于抽取得到的局部空间特征，预测指定时段下每个节点的订单量。本申请能够提高订单量的预测准确度及稳定性。

【技术实现步骤摘要】
订单量的预测方法、装置及电子设备
本申请涉及神经网络
，尤其涉及一种订单量的预测方法、装置及电子设备。
技术介绍
需求量预测是一个典型的时空预测问题，在时间上，该问题有明显的渐进性和周期性；在空间上，订单量的分布有明显的区域相似特征。传统深度学习的方法采用卷积神经网络CNN+循环神经网络RNN的方法进行时空建模，如深度时空网络使用堆叠的CNN进行空间特征抽取；深度多视图时空网络(DMVST)同时引入RNN和CNN进行多视图学习。这种方式在时间建模上，RNN对于时间序列的建模过于平滑；在空间建模上，CNN无法处理非欧式结构，无法引入城市多模态数据进行更精准的建模，这些问题导致预测的准确性和稳定性偏低。
技术实现思路
有鉴于此，本申请实施例提供一种订单量的预测方法、装置及电子设备，能够提高订单量的预测准确度及稳定性。根据本申请的一个方面，提供一种订单量的预测方法，包括：获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述本文档来自技高网...

【技术保护点】
1.一种订单量的预测方法，其特征在于，包括：/n获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；/n将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；/n通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；/n通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；/n基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。/n

【技术特征摘要】
1.一种订单量的预测方法，其特征在于，包括：
获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；
将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；
通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；
通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；
基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。


2.根据权利要求1所述的方法，其特征在于，所述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型。


3.根据权利要求2所述的方法，其特征在于，所述地理位置邻近图生成模型包括：
GN＝(V,ANi,j)；其中，
V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；ANi,j表示节点i和节点j在地理位置邻近图中的连接方式；
所述POI相似图生成模型包括：
GS＝(V,ASi,j)；其中，

ASi,j表示节点i和节点j在POI相似图中的连接方式；和分别代表区域vi和区域vj对应的POI向量，sim()为相似度函数；
所述路网连通图生成模型包括：
GC＝(V,ACi,j)；其中，ACi,j＝max(0,conn(vi,vj)-ANi,j)，



其中，ACi,j表示表示节点i和节点j在路网连通图中的连接方式，conn(vi,vj)表示节点i和节点j在一条道路上的连接方式。


4.根据权利要求1所述的方法，其特征在于，通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征的步骤，包括：
将所述节点图输入所述CGRNN进行图卷积运算，得到所述订单量时空数据在所述节点图上的初步的空间信息特征；
基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号；
通过循环神经网络RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征。


5.根据权利要求4所述的方法，其特征在于，基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号的步骤，包括：
对所述订单量时空数据和所述空间信息特征分别进行全局池化，得到两个维度一致的向量；
将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，所述环境门控权重向量包括与每个所述历史时间段对应的权重值；
求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号。


6.根据权利要求4所述的方法，其特征在于，通过下式进行图卷积运算：



其中，FGC(X)表示图卷积神经网络，其输入为其输出为|V|表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p＝1，L是拉普拉斯矩阵，K′表示图卷积核感知区域的大小，K′＝1，W是可训练参数，X表示订单量时空数据，σ()为relu激活函数。


7.根据权利要求6所述的方法，其特征在于，通过RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征的步骤，包括：
通过下式对经过加权的输入信号在时间维度上进行聚合：
H(X)＝RNN(X,W)；
其中，H(X)表示聚合函数，其输入为其输出为RNN()表示循环卷积神经网络函数，W为可训练参数。


8.根据权利要求6所述的方法，其特征在于，对所述订单量时空数据进行全局池化的步骤，包括：
通过下式对所述订单量时空数据进行全局池化：



其中，Fpool()表示全局池化函数，其输入为其输出为Xi表示第i个区域T个时间段内的订单数。


9.根据权利要求6所述的方法，其特征在于，将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量的步骤，包括：
通过下式，计算得到环境门控权重向量：
Fattn(X)＝σ(W2δ(W1X))；
其中，Fattn()表示注意力机制函数，其输入为其输出为σ()、δ()分别是sigmoid和relu激活函数，W1和W2分别为可训练参数。


10.根据权利要求6所述的方法，其特征在于，求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号的步骤，包括：
通过下式计算所述订单量时空数据与所述环境门控权重向量的哈达玛积：



其中，为哈达玛积，FCG(X)表示加权函数，其输入为其输出为Fattn(X)表示环境门控权重向量。


11.根据权利要求6所述的方法，其特征在于，通过GCN对所述时间信息特征进行局部空间特征抽取的步骤，包括：
通过以下所述GCN的向前传播算法，进行局部空间特征抽取：
FGC(X)＝σ(f(A；θi)XW)；
其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为f(A；θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神经网络GCN的感受野范围。


12.根据权利要求2所述的方法，其特征在于，基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量的步骤，包括：
当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的一个时，将所述抽取得到的局部空间特征，作为指定时段下每个所述节点的订单量；
当所述图生成模型包括：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型中的多个时，利用多图卷积融合算法，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量。


13.根据权利要求12所述的方法，其特征在于，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量的步骤，包括：
利用下述多图卷积融合算法进行特征融合及降维处理：



其中，FGC(X)表示图卷积神经网络函数，其输入为其输出为代表所述节点图构成的集合，代表加权聚合函数，其输入为其输出为p’为FGC输出的空间信息特...

【专利技术属性】
技术研发人员：耿栩，吴玺煜，张凌宇，张露露，吴国斌，刘燕，叶杰平，
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