[发明专利]建立区域热度预测模型、区域热度预测的方法及装置

权利要求书

1.一种建立区域热度预测模型的方法，包括：

利用第一历史区域热度数据，预训练时序预测模型；

将第二历史区域热度数据作为第二支持样本，利用所述第二支持样本对所述时序预测模型进行进一步训练，以对模型参数进行调整得到所述区域热度预测模型；

所述区域热度预测模型用于对第二查询样本进行预测，所述第二查询样本包括待预测时间的区域热度。

2.根据权利要求1所述的方法，其中，所述第一历史区域热度数据包括第一历史时段中区域在各时间点的特征数据和区域热度；

所述第二历史区域热度数据包括第二历史时段中所述区域在各时间点的特征数据和区域热度。

3.根据权利要求2所述的方法，其中，所述特征数据包括以下至少一种：

所述区域包含兴趣点POI的数量、用户到访时间分布数据、到访用户的出行方式分布数据以及到访用户的出行距离分布数据。

4.根据权利要求2所述的方法，其中，所述时序预测模型的训练目标包括：最小化预测结果与期望值之间的差值，所述预测结果为所述时序模型利用时间窗T_w内各时间点的特征数据和区域热度对时间窗T_w之后τ个时间点的区域热度进行预测的结果，所述期望值为时间窗T_w之后τ个时间点在对应样本中的区域热度；

所述时间窗T_w小于所述第一历史时段的长度，且小于所述第二历史时段的长度，所述τ为正整数。

5.根据权利要求1所述的方法，其中，所述利用第一历史区域热度数据，预训练时序预测模型包括：

利用所述第一历史区域热度数据，构建至少一个元训练任务；

基于元训练任务中的第一支持样本和第一查询样本，采用元学习机制训练所述时序预测模型；

其中所述第一支持样本、第一查询样本分别与所述第二支持样本、第二查询样本的时长一致。

6.根据权利要求5所述的方法，其中，所述采用元学习机制训练所述时序预测模型包括：对于各元学习任务，在所述第一支持样本上计算损失函数的梯度并更新元参数；确定所有元学习任务在第一查询样本上的损失函数梯度并用以更新模型参数；

利用所述第二支持样本对所述时序预测模型进行进一步训练，以对模型参数进行调整包括：在所述第二支持样本上的计算损失函数梯度并用以更新模型参数。

7.根据权利要求6所述的方法，其中，所述损失函数是由所述时序模型利用时间窗T_w内各时间点的特征数据和区域热度对时间窗T_w之后τ个时间点的区域热度进行预测后，利用预测结果与时间窗T_w之后τ个时间点在对应样本中的区域热度之间的差值构建得到；

其中，所述时间窗T_w的长度小于所述第一支持样本的时长、且小于所述第一查询样本的时长，所述τ为正整数。

8.一种区域热度预测的方法，包括：

利用区域热度预测模型对第二查询样本进行预测，所述第二查询样本包括待预测时间的区域热度；

其中所述区域热度预测模型是利用第一历史区域热度数据预训练时序预测模型后，将第二历史区域热度数据作为第二支持样本，并利用所述第二支持样本对所述时序预测模型进行进一步训练得到的。

9.根据权利要求8所述的方法，其中，所述第一历史区域热度数据包括第一历史时段中区域在各时间点的特征数据和区域热度；

所述第二历史区域热度数据包括第二历史时段中所述区域在各时间点的特征数据和区域热度。

10.根据权利要求9所述的方法，其中，所述利用区域热度预测模型对第二查询样本进行预测包括：

利用所述待预测时间之前时间窗T内各时间点的特征数据和区域热度，对所述待预测时间的区域热度进行预测；

所述时间窗T小于所述第一历史时段的长度，且小于所述第二历史时段的长度。