[发明专利]基于区域影响关系的节假日供需预测方法与装置

说明书

本申请提出一种基于区域影响关系的节假日供需预测方法和装置，其中，方法包括：获取多个城市在预设时间段内产生的运营数据构成的时间序列数据，根据时间序列数据进行聚类，得到多个数据矩阵，将多个数据矩阵输入到预先训练的深度序列模型，得到预测阶段的预测矩阵，从预测矩阵中得到多个城市在预测时间段里的运营数据序列。本发明利用了其他城市(区域)的数据和城市(区域)之间的相似和抑制关系进行预测，实现了更高的预估准确性；保持了城市(区域)数据之间的关系，使得预估结果更稳定合理，利用深度模型对复杂信息的特征提取和处理，采用了可学习的时序分解对城市之间的关系进行了更深层次的挖掘，拓展了方法的计算空间，提高了计算效率。

技术领域

本发明涉及供需预测技术领域，特别涉及一种基于区域影响关系的节假日供需预测方法与装置。

背景技术

节假日(包括各个法定节假日和法定周末)作为一个跨区域人口流动较大的时间窗口，以及节假日具有较强的文化和区域特性(比如：广东地区在传统节假日上聚会习俗明显)，不同城市之间的供需关系表现出相对较强的相似性(供需关系相似)或制约性(供需关系相反)。类似的，对于同一个城市也存在办公聚集区和住宅聚集区的区分，以及常住人口居民住宅和出租性住宅等实际使用的差异化区别。节假日的人口流动直接带来供需关系上的差异变化，比如：节假日期间人口跨城市流动带来的出行服务供需关系变化，周末带来城市不同区域的出行服务供需关系变动、配送服务供需关系(比如社区购物订单与派送、外卖订单与配送)变动等。准确的预估供需关系，有助于更合理的资源与运营调配，更好的客户体验以及促成更多的供需匹配成交，比如：减少出行供需服务中乘客打车难和司机空跑的现象，减少社区购物服务中配送员不足和配送时间过长现象，减少外卖服务中超时等候现象等。

现有技术方案一，基于深度学习的多视图空间-时间出租车需求预测方法。

为了同时挖掘复杂交通中的，空间与时间依赖关系，设计了一个深度神经网络预测出租车的需求量。作者在海量的出租车需求数据集验证了方法的有效性，测试阶段，MAPE值为0.1616，RMSE值是9.642。

为了全面的分析复杂的模式该方法包含三个视图，

时间视图：用以LSTM建模未来的需求量与相近时间点需求量之间关系。

空间视图：基于局部卷积神经网络的局部空间相关性建模。

现有技术方案二，结合时间序列数据和文本数据的深度学习出租车需求预测模型，

Rodrigues等人强调在出租车需求预测这个任务中，除了时序信息，一些与地点相关的语境解释的文本信息同样有助于更加精准的预测。作者们提出的模型，利用了词嵌入技术，卷积层和注意力机制，对文本信息与时间序列数据进行了有效的融合。作者们在来自纽约的出租车公开数据集上验证了提出方法的有效性，MAE值、RMSE值、MAPE值分别是93.2、132.3和12.3。

步骤1.时间序列的去趋势化，由于日常通勤和其他经常性行为出现的明显的时间数据的周期性趋势，作者们采用了简单但有效的去趋势化方法：构建历史平均模型；

步骤2.文本数据的预处理操作。主要包含，HTML标记删除、小写转换、单词化等；

步骤3.深度神经网络结构设计，文本数据主要通过词嵌入层、1维卷积层与注意力机制层处理。时序的信号值以及天气和额外的信息主要通过全连接层来挖掘模式。两路信息最后通过预测层进行融合。

现有技术方案三，一种基于深度学习的网约车供需预测方法，专利号CN110458336A。

该方法对网约车出行数据进行了预处理操作转换为输入特征，采用单门结构的长短期记忆网络(Minimal Coupled Long Short Term Memory，简称MC-LSTM)挖掘时间相关性，使用Nadam作为优化算法，完成了对一个城市中各个区域未来10分钟的供需值的预测过程。其主要有以下的步骤：