【技术实现步骤摘要】
本申请涉及共享电单车车辆调度，特别是涉及一种车辆流转预测方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着共享电单车技术的发展，共享电单车已成为城市中的一项重要出行交通工具，共享电单车车辆调度通过智能算法和数据分析，合理安排共享电单车的分布和调配，以提高车辆利用率和满足用户需求。
2、传统技术中，一般采用卷积神经网络(cnn)或循环神经网络(rnn)，对各个车站的车站数据等特征因素数据进行数据处理，最终得到每个车站的车辆流转数据。
3、然而，目前的传统方法针对车站间特征因素的考虑单一，且实际问题中可能存在非线性关系，从而导致传统方法中车辆流转数据的预测结果准确率较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种车辆流转预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种车辆流转预测方法，包括：
3、确定目标区域中包含的多个区块，并获取所述多个区块中每一区块对应的各预设时段下的特征数据；
4、在各所述预设时段下，根据所述各区块对应的特征数据，构建预设空间维度下的各区块间的位置关系图；
5、对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理，分别得到所述预设时段内各所述区块的位置特征；
6、针对每一所述区块的在各所述预设时段的所述位置特征，根据长短期记忆结构对所述位置特征进行编码，分别得到每一所述
7、通过每一所述区块在所述预设空间维度下的所述时序特征，确定待预测时段每一所述区块的车辆流转数据。
8、在其中一个实施例中，所述在各所述预设时段下，根据所述各区块对应的特征数据，构建预设空间维度下的各区块间的位置关系图，包括：
9、根据时空图模型的信息嵌入层对所述特征数据进行特征提取，得到每一所述区块在各所述预设时段下的区块位置关系；
10、基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积，分别构建各所述预设空间维度下的各所述区块的位置关系图。
11、在其中一个实施例中，所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系，所述根据时空图模型的信息嵌入层对所述特征数据进行特征提取，得到每一所述区块在各所述预设时段下的区块位置关系，包括：
12、根据时空图模型的信息嵌入层对所述各区块对应的特征数据进行特征提取，以各所述区块中每一区块作为目标区块，构建各所述目标区块与其他各所述区块间的相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系；
13、所述基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积，分别构建各所述预设空间维度下的各所述区块的位置关系图，包括：
14、基于各所述区块对应的所述相邻区块关系构建所述相邻区块关系图，基于所述车辆流转关系构建所述车辆流转关系图，以及根据所述相似兴趣点关系构建所述相似兴趣点关系图。
15、在其中一个实施例中，所述对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理，分别得到所述预设时段内各所述区块的位置特征之后，所述方法还包括：
16、基于梯度下降算法，确定各类型的位置特征的权重参数；
17、基于各类型的位置特征以及所述各类型的位置特征对应的权重参数，得到更新位置特征；
18、所述针对每一所述区块的在各所述预设时段的所述位置特征，根据长短期记忆结构对所述位置特征进行编码，分别得到每一所述区块在所述预设空间维度下的时序特征，包括：
19、针对每一所述区块的在各所述预设时段的所述更新位置特征，根据长短期记忆结构对所述更新位置特征进行编码，分别得到每一所述区块在所述预设空间维度下的时序特征。
20、在其中一个实施例中，所述基于各类型的位置特征以及所述各类型的位置特征对应的权重参数，得到更新位置特征，包括：
21、基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算，得到遗忘系数；
22、基于所述各类型的位置特征和所述各类型的位置特征对应的权重参数进行计算，得到更新系数；
23、基于所述遗忘系数和所述更新系数以及上下文门控机制中的更新门和遗忘门，确定更新位置特征。
24、在其中一个实施例中，所述通过每一所述区块在所述预设空间维度下的所述时序特征，确定待预测时段每一所述区块的车辆流转数据，包括：
25、对各所述预设时段下所述预设空间维度的时序特征进行聚合，得到聚合结果；
26、根据时空图模型的图卷积结构对所述聚合结果进行图卷积，得到目标区块特征；
27、基于所述时空图模型的输出层对所述目标区块特征进行解码，得到目标时段各区块的车辆流转数据。
28、在其中一个实施例中，所述对各所述预设时段下所述预设空间维度的时序特征进行聚合，得到聚合结果，包括：
29、根据梯度下降算法分别对所述预设空间维度的时序特征进行权重计算，得到各所述预设空间维度的时序特征对应的聚合权重；
30、基于各所述预设空间维度的时序特征对应的聚合权重对各所述预设时段下所述预设空间维度的时序特征进行加权聚合，得到聚合结果。
31、第二方面，本申请还提供了一种车辆流转预测装置，包括：
32、获取模块，用于确定目标区域中包含的多个区块，并获取所述多个区块中每一区块对应的各预设时段下的特征数据；
33、构建模块，用于在各所述预设时段下，根据所述各区块对应的特征数据，构建预设空间维度下的各区块间的位置关系图；
34、卷积模块，用于对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理，分别得到所述预设时段内各所述区块的位置特征；
35、编码模块，用于针对每一所述区块的在各所述预设时段的所述位置特征，根据长短期记忆结构对所述位置特征进行编码，分别得到每一所述区块在所述预设空间维度下的时序特征 ；
36、预测模块，用于通过每一所述区块在所述预设空间维度下的所述时序特征，确定待预测时段每一所述区块的车辆流转数据。
37、在其中一个实施例中，所述构建模块具体用于：
38、根据时空图模型的信息嵌入层对所述特征数据进行特征提取，得到每一所述区块在各所述预设时段下的区块位置关系；
39、基于所述时空图模型的图卷积结构对每一所述区块在各所述预设时段下的所述区块位置关系进行卷积，分别构建各所述预设空间维度下的各所述区块的位置关系图。
40、在其中一个实施例中，所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系，所述构建模块具体用于：
本文档来自技高网...
【技术保护点】
1.一种车辆流转预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述在各所述预设时段下，根据所述各区块对应的特征数据，构建预设空间维度下的各区块间的位置关系图，包括：
3.根据权利要求2所述的方法，其特征在于，所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系，所述根据时空图模型的信息嵌入层对所述特征数据进行特征提取，得到每一所述区块在各所述预设时段下的区块位置关系，包括：
4.根据权利要求1所述的方法，其特征在于，所述对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理，分别得到所述预设时段内各所述区块的位置特征之后，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述基于各类型的位置特征以及所述各类型的位置特征对应的权重参数，得到更新位置特征，包括：
6.根据权利要求1所述的方法，其特征在于，所述通过每一所述区块在所述预设空间维度下的所述时序特征，确定待预测时段每一所述区块的车辆流转数据，包括：
7.根据权利要求
8.一种车辆流转预测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种车辆流转预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述在各所述预设时段下，根据所述各区块对应的特征数据，构建预设空间维度下的各区块间的位置关系图，包括：
3.根据权利要求2所述的方法，其特征在于，所述区块位置关系包括相邻区块关系、区块间车辆流转关系和区块间相似兴趣点关系，所述根据时空图模型的信息嵌入层对所述特征数据进行特征提取，得到每一所述区块在各所述预设时段下的区块位置关系，包括：
4.根据权利要求1所述的方法，其特征在于，所述对各所述预设时段下每一所述预设时段的各所述区块间的所述位置关系图进行图卷积处理，分别得到所述预设时段内各所述区块的位置特征之后，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述基于各类型的位置特征以及所述各类型的位置特征对应的权重参数，得到更新位置特征，包括：
【专利技术属性】
技术研发人员：刘璇恒，刘永威，
申请(专利权)人：北京阿帕科蓝科技有限公司，
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。