本公开实施例公开了一种需求预测模型训练方法、装置、电子设备及存储介质，所述方法包括：获取训练数据；所述训练数据包括历史需求数据对应的时间特征、空间特征和公共事件特征；将所述训练数据输入至待训练的需求预测模型，得到所述历史需求数据对应的需求预测结果；通过比较所述历史需求数据与所述需求预测结果之间的差异对所述需求预测模型的模型参数进行调整。该技术方案通过抽象出需求分布与时间、空间及公共事件之间的联系，摆脱对历史时间序列数据的依赖，使得建模得到的需求预测模型能够有效的进行长短期的需求预测，而利用已有技术训练得到的时序预测模型依赖于当前时段的真实需求数据，并且只能预测当前时段的下一时段的短期结果。下一时段的短期结果。下一时段的短期结果。
【技术实现步骤摘要】
需求预测模型训练方法、装置、电子设备及存储介质
[0001]本公开涉及互联网
，具体涉及一种需求预测模型训练方法、装置、电子设备及存储介质。
技术介绍
[0002]需求预测通常指利用现在和历史的需求分布数据以及未来的一些不确定因素，对未来的人们生活上的需要变化进行细致的分析和研究。为了保障人们在生活中的各种需求，对于一定区域内人群的需求进行精准的预测能够帮助相关人员更好地进行决策，从而给人们的生活提供保障。传统的需求预测方案是基于时间序列模型，利用过去一段时间的历史需求数据，建立序列预测模型，去预测下一时刻的结果，这种建模方式有很多局限性：
[0003]首先，时间序列模型过于依赖历史的时间序列数据，因此注定无法有效地进行长期预测；
[0004]其次，时间序列数据在实际的应用场景下比较难以获得，有些涉及敏感数据的部分无法在非安全环境获得并使用。
[0005]因此，为了有效的解决不同时空场景下需求预测这一问题，需要提出一种解决方案，以便准确的预测不同时空条件下人们在生活中的各种需求，从而给相关人员提供决策依据。
技术实现思路
[0006]本公开实施例提供一种需求预测模型训练方法、装置、电子设备及存储介质。
[0007]第一方面，本公开实施例中提供了一种需求预测模型训练方法，其中，包括：
[0008]获取训练数据；所述训练数据包括历史需求数据对应的时间特征、空间特征和公共事件特征；
[0009]将所述训练数据输入至待训练的需求预测模型，得到所述历史需求数据对应的需求预测结果；
[0010]通过比较所述历史需求数据与所述需求预测结果之间的差异对所述需求预测模型的模型参数进行调整。
[0011]进一步地，所述训练数据还包括所述历史需求数据对应区域的特征向量；所述方法还包括：
[0012]获取所述历史需求数据所对应的不同区域的地理位置信息以及人员流动数据；
[0013]基于所述不同区域间的地理位置信息以及所述不同区域间的人员流动数据建立图嵌入模型，获得各个所述区域的特征向量；所述图嵌入模型的节点为所述不同区域，所述图嵌入模型中各节点之间的边的权重基于所述不同区域之间的地理位置关系以及人员流动数据计算得到。
[0014]进一步地，所述训练数据还包括公共事件的未来趋势特征；所述方法还包括：
[0015]获取所述公共事件特征的时间序列数据；
[0016]将所述公共事件特征的时间序列数据作为输入，利用辅助任务对公共事件趋势预测模型进行训练，使得所述公共事件趋势预测模型预测所述时间序列数据对应的下一时间的预测数据；其中，所述下一时间的预测数据作为所述训练数据中的所述未来趋势特征。
[0017]进一步地，将所述公共事件特征的时间序列数据作为输入，利用辅助任务对公共事件趋势预测模型进行训练，使得所述公共事件趋势预测模型预测所述时间序列数据对应的下一时间的预测数据，包括：
[0018]将所述公共事件特征的时间序列数据输入至所述公共事件趋势预测模型后，得到所述时间序列数据对应的下一时间的预测数据；
[0019]将所述下一时间的预测数据经过全连接层的处理后与所述时间序列数据对应的下一时间的真实数据进行比较，并基于比较结果调整所述公共事件趋势预测模型的模型参数。
[0020]进一步地，将所述训练数据输入至待训练的需求预测模型，得到所述历史需求数据对应的需求预测结果，包括：
[0021]将所述下一时间的预测数据作为所述训练数据中的未来趋势特征输入至所述需求预测模型。
[0022]第二方面，本公开实施例中提供了一种需求预测方法，其中，包括：
[0023]获取预测输入数据；所述预测输入数据包括待预测需求的目标区域对应的空间特征、待预测需求的未来时期对应的时间特征以及所述目标区域装置在所述未来时期内的设定公共事件特征；
[0024]将所述预测输入数据输入至预训练的需求预测模型，由所述需求预测模型预测在所述未来时期所述目标区域内用户在生活上的需求数据；其中，所述需求预测模型基于第一方面所述的方法预先训练得到。
[0025]进一步地，所述预测输入数据还包括所述目标区域的区域向量特征；所述区域向量特征通过预训练图嵌入模型得到；其中，预训练过程中，所述图嵌入模型的节点为包括所述目标区域的不同区域，所述图嵌入模型中各节点之间的边的权重基于所述不同区域之间的地理位置关系以及人员流动数据计算得到。
[0026]进一步地，所述预测输入数据还包括设定公共事件的未来趋势特征；所述方法还包括：
[0027]基于所述设定公共事件特征获得所述设定公共事件特征在所述未来时期前的时间序列数据；
[0028]将所述未来时期前的时间序列数据作为预训练的公共事件趋势预测模型的输入，并由所述公共事件趋势预测模型预测所述设定公共事件的未来趋势特征。
[0029]第三方面，本公开实施例中提供了一种需求预测模型训练装置，其中，包括：
[0030]第一获取模块，被配置为获取训练数据；所述训练数据包括历史需求数据对应的时间特征、空间特征和公共事件特征；
[0031]输入模块，被配置为将所述训练数据输入至待训练的需求预测模型，得到所述历史需求数据对应的需求预测结果；
[0032]调整模块，被配置为通过比较所述历史需求数据与所述需求预测结果之间的差异对所述需求预测模型的模型参数进行调整。
[0033]第四方面，本公开实施例中提供了一种需求预测装置，其中，包括：
[0034]第四获取模块，被配置为获取预测输入数据；所述预测输入数据包括待预测需求的目标区域对应的空间特征、待预测需求的未来时期对应的时间特征以及所述目标区域装置在所述未来时期内的设定公共事件特征；
[0035]第一预测模块，被配置为将所述预测输入数据输入至预训练的需求预测模型，由所述需求预测模型预测在所述未来时期所述目标区域内用户在生活上的需求数据；其中，所述需求预测模型基于第二方面所述的装置预先训练得到。
[0036]所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
[0037]在一个可能的设计中，上述装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持上述装置执行上述对应方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。上述装置还可以包括通信接口，用于上述装置与其他设备或通信网络通信。
[0038]第三方面，本公开实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现上述任一方面所述的方法。
[0039]第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储上述任一装置所用的计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。
[0040]第五方面，本公开实施例提供了一种计算机程序产本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种需求预测模型训练方法，其中，包括：获取训练数据；所述训练数据包括历史需求数据对应的时间特征、空间特征和公共事件特征；将所述训练数据输入至待训练的需求预测模型，得到所述历史需求数据对应的需求预测结果；通过比较所述历史需求数据与所述需求预测结果之间的差异对所述需求预测模型的模型参数进行调整。2.根据权利要求1所述的方法，其中，所述训练数据还包括所述历史需求数据对应区域的特征向量；所述方法还包括：获取所述历史需求数据所对应的不同区域的地理位置信息以及人员流动数据；基于所述不同区域间的地理位置信息以及所述不同区域间的人员流动数据建立图嵌入模型，获得各个所述区域的特征向量；所述图嵌入模型的节点为所述不同区域，所述图嵌入模型中各节点之间的边的权重基于所述不同区域之间的地理位置关系以及人员流动数据计算得到。3.根据权利要求1或2所述的方法，其中，所述训练数据还包括公共事件的未来趋势特征；所述方法还包括：获取所述公共事件特征的时间序列数据；将所述公共事件特征的时间序列数据作为输入，利用辅助任务对公共事件趋势预测模型进行训练，使得所述公共事件趋势预测模型预测所述时间序列数据对应的下一时间的预测数据；其中，所述下一时间的预测数据作为所述训练数据中的所述未来趋势特征。4.根据权利要求3所述的方法，其中，将所述公共事件特征的时间序列数据作为输入，利用辅助任务对公共事件趋势预测模型进行训练，使得所述公共事件趋势预测模型预测所述时间序列数据对应的下一时间的预测数据，包括：将所述公共事件特征的时间序列数据输入至所述公共事件趋势预测模型后，得到所述时间序列数据对应的下一时间的预测数据；将所述下一时间的预测数据经过全连接层的处理后与所述时间序列数据对应的下一时间的真实数据进行比较，并基于比较结果调整所述公共事件趋势预测模型的模型参数。5.根据权利要求4所述的方法，其中，将所述训练数据输入至待训练的需求预测模型，得到所述历史需求数据对应的需求预测结果，包括：将所述下一时间的预测数据作为所述训练数据中的未来趋势特征输入至所述需求预测模型。6.根据权利要求1
‑
2、4
‑
5任一项所述的方法，其中，通过比较所述历史需求数据与所述需求预测结果之间的差异对所述需求预测模型的模型参数进行调整，包括：基于所述历史需求数据以及所述需求预测结果构建损失函数；所...
【专利技术属性】
技术研发人员：谢文博，郭小川，张家齐，李昕，王坤，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。