CN106127329A - 订单预测方法与装置 - Google Patents
订单预测方法与装置 Download PDFInfo
- Publication number
- CN106127329A CN106127329A CN201610431755.6A CN201610431755A CN106127329A CN 106127329 A CN106127329 A CN 106127329A CN 201610431755 A CN201610431755 A CN 201610431755A CN 106127329 A CN106127329 A CN 106127329A
- Authority
- CN
- China
- Prior art keywords
- order
- moment
- target area
- variable quantity
- volume
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims description 73
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0607—Regulated
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种订单预测方法与装置。该方法,包括:获取目标区域在第一时间段[ti‑1,ti]的第一订单变化量和变化趋势;根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段;获取与所述第二时间段相邻的下一时间段的第二订单变化量;根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在第ti+1时刻的第一预测订单量。该方法可以准确预测出目标区域在任意时刻的订单量,进而实现了对车辆的合理调度,有效缓解交通压力。
Description
技术领域
本发明涉及计算机技术,尤其涉及一种订单预测方法与装置。
背景技术
出租车作为城市公交车的一种补充,给市民的出行提供了方便。但是一个常见的现象就是,有的出租车驾驶员漫无目的边开车边寻找乘客,有的乘客等了很久还是打不到车。为了解决“打车难”的问题,一种基于智能手机的打车软件应运而生,例如“嘀嘀打车”、“快的打车”等。乘客可以通过打车软件实现实时用车或预约用车,同时车主也可以根据打车软件中保存的某一个区域的历史数据,来预测未来某一时间该区域的乘客需求,并根据乘客需求来进行车辆的调度,可以减少空载的里程,缓解服务不平衡的现象。
现有的目标区域车辆调度方法是基于时间的自回归方法,具体为:首先,根据M天内R个区域的第j个时段的乘车订单数量、M天内R个区域的第j+1个时段的乘车订单数量和当天的R个区域的第j个时段的乘车订单数量,确定第i个区域的第j个时段的回归系数向量,其中i∈R;接着,根据上述第i个区域的第j个时段的回归系数向量和当天的R个区域的第j个时段的乘车订单数量,确定当天的第i个区域的第j+1个时段的预测乘车订单数量;然后,根据当天的第i个区域的第j+1个时段的预测乘车订单数量确定当天的R个区域的第j+1个时段的预测乘车订单数量。
但是,现有技术的订单预测方法所预测的结果不准确,无法有效的实现车辆的合理调度。
发明内容
本发明提供一种订单预测方法与装置,用于解决现有计算对订单预测不准确的问题,实现了对目标区域任意时刻订单的准确预测,保证了车辆的合理调度。
第一方面,本发明提供一种订单预测方法,包括:
获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势;其中,所述第一订单变化量等于所述目标区域在所述第ti时刻的实际订单量与所述第ti-1时刻的实际订单量的差值的绝对值;
根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段;
获取与所述第二时间段相邻的下一时间段的第二订单变化量;
根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在第ti+1时刻的第一预测订单量。
可选地,若获取到多个所述第二时间段,则所述获取与所述第二时间段相邻的下一时间段的第二订单变化量,具体包括:
获取与每个第二时间段相邻的下一时间段对应的第三订单变化量;
获取多个第三订单变化量的平均值,并将所述平均值确定为所述第二订单变化量。
进一步地,上述方法还包括:
获取预设地域范围内每个区域内的信息点POI个数;所述预设地域范围包括所述目标区域和至少一个周边区域;
从所述预设地域范围对应的第二历史订单数据中获取每个区域在所述第ti时刻的实际订单量和在所述第ti时刻的车辆的数量;
根据所述每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,获取人工神经网络算法模型;
根据输入参数和所述人工神经网络算法模型,确定所述目标区域在所述第ti+1时刻的第二预测订单量;其中,所述输入参数包括区域信息和时间信息;
根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量。
可选地,根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量,具体包括:
根据所述第二历史订单数据、所述目标区域在所述第ti时刻的第一预测订单量和所述目标区域在所述第ti时刻的第二预测订单量,获取梯度提升树算法模型;
根据所述输入参数和所述梯度提升树算法模型,获取所述目标区域在所述第ti+1时刻的第三预测订单量。
第二方面,本发明还包括一种订单预测装置,包括:
第一获取模块,用于获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势;其中,所述第一订单变化量等于所述目标区域在所述第ti时刻的实际订单量与所述第ti-1时刻的实际订单量的差值的绝对值;
第二获取模块,用于根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段;
第三获取模块,用于获取与所述第二时间段相邻的下一时间段的第二订单变化量;
第一处理模块,用于根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在第ti+1时刻的第一预测订单量。
可选地,若所述第二获取模块获取到多个所述第二时间段时,所述第三获取模块具体包括:
第一获取单元,用于获取与每个第二时间段相邻的下一时间段对应的第三订单变化量;
处理单元,用于获取多个第三订单变化量的平均值,并将所述平均值确定为所述第二订单变化量。
进一步地,上述装置还包括:
第四获取模块,用于获取预设地域范围内每个区域内的信息点POI个数;所述预设地域范围包括所述目标区域和至少一个周边区域;
第五获取模块,用于从所述预设地域范围对应的第二历史订单数据中获取每个区域在所述第ti时刻的实际订单量和在所述第ti时刻的车辆的数量;
第六获取模块,用于根据所述每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,获取人工神经网络算法模型;
第二处理模块,用于根据输入参数和所述人工神经网络算法模型,确定所述目标区域在所述第ti+1时刻的第二预测订单量;其中,所述输入参数包括区域信息和时间信息;
第三处理模块,用于根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量。
可选地,上述第三处理模块具体包括:
第二获取单元,用于根据所述第二历史订单数据、所述目标区域在所述第ti时刻的第一预测订单量和所述目标区域在所述第ti时刻的第二预测订单量,获取梯度提升树算法模型;
第三获取单元,用于根据所述输入参数和所述梯度提升树算法模型,获取所述目标区域在所述第ti+1时刻的第三预测订单量。
本发明提供的订单预测方法与装置,通过获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势,并根据该第一订单变化量、变化趋势和目标区域的第一历史订单数据,获取第一历史订单数据中与第一订单变化量的变化趋势相同、且与第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段,获取与第二时间段相邻的下一时间段的第二订单变化量;根据该第二订单变化量和上述目标区域在第ti时刻的实际订单量,确定目标区域在第ti+1时刻的第一预测订单量。本发明选取与第一订单变化量相近的订单变化量,由于该相近的订单变化量与第一订单变化量基本相同,则该相近的订单变化量对应的相邻下一时间段的订单变化量与第一时间段对应的相邻下一时间段的第二订单变化量基本相同,即本实施例通过获得较准确的第二订单变化量,进而提高了根据该第二订单变化量获得的第一预测订单的准确性,从而提高了对车辆调度的合理性,有效缓解交通压力。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的订单预测方法实施例一的流程示意图;
图2为本发明提供的订单预测方法实施例二的流程示意图;
图3为本发明提供的订单预测方法实施例三的流程示意图;
图4为本发明提供的订单预测方法实施例三中人工神经网络算法模型结构示意图;
图5为本发明提供的订单预测方法实施例四的流程示意图;
图6为本发明提供的订单预测方法实施例四中梯度提升树算法模型结构示意图;
图7为本发明提供的订单预测装置实施例一的结构示意图;
图8为本发明提供的订单预测装置实施例二的结构示意图;
图9为本发明提供的订单预测装置实施例三的结构示意图;
图10为本发明提供的订单预测装置实施例四的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的技术方案可以应用于车辆调度***中,用于解决现有技术中订单预测方法所预测的结果不准确、无法有效的实现车辆的合理调度的问题。本发明的订单预测方法与装置实现了对目标区域任意时刻订单量的准确预测,实现了车辆的合理调度,进而减少了车辆的空载里程,缓解了服务不平衡的现象。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本发明提供的订单预测方法实施例一的流程示意图。本实施例涉及的是如何获取目标区域在时间第ti+1时刻的第一预测订单量的具体过程。如图1所示,该方法包括:
S101、获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势;其中,所述第一订单变化量等于所述目标区域在所述第ti时刻的实际订单量与所述第ti-1时刻的实际订单量的差值的绝对值。
需要说明的是,本发明所述的车辆可以安装有打车软件,例如“嘀嘀打车”、“快的打车”等,车辆调度***可以根据上述打车软件获取乘客的订单数据,根据该订单数据可以获得乘客的上下车时间的上下车地点,即每个订单数据中携带有区域信息和时间信息,将乘客在目标区域内第ti+1时刻之前产生的历史订单数据作为第一历史订单数据,并将该第一历史订单数据保存到车辆调度***的数据库中。其中车辆调度***可以与每一辆车辆进行信息交互。
可选地,车辆调度***可以通过分析车辆的GPS信息,提取司机经验中乘客需求较多的区域,以乘客需求较多的区域作为目标区域,用于预测乘客需求较多的区域的订单量。
具体地,车辆调度***从第一历史订单数据中获取目标区域在时刻ti-1的实际订单量为在时刻ti的实际订单量为接着根据公式获得第一时间段[ti-1,ti]的第一订单变化量同时根据时刻ti-1的订单量和时刻ti的订单量获得在第一时间段[ti-1,ti]的第一订单的变化趋势,即当时,第一订单的变化趋势为递增,当时,第一订单的变化趋势为递减。
可选地,本发明可以将一天划分为24个时段,每一时段为一小时,即假设时刻ti为上午9点,则时刻ti-1为上午8点,则第一时间段[ti-1,ti]为时间段[8,9]。可选地,本实施还可以将一天划分成其他的相同间隔的时间段,其中时间段越小预测结果越准确,时间段越大计算速度越快,时间段长短的具体选取根据实际需要设定,本实施例对此不做限制。
S102、根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段。
S103、获取与所述第二时间段相邻的下一时间段的第二订单变化量。
具体地,车辆调度***从数据库中获取目标区域的第一历史订单数据,其中该第一历史订单数据中包括了每个时刻的实际订单量、每个时段(即相邻两时刻)的订单变化量,以及每个时段订单变化量的变化趋势,例如将一天划分成24个时段,其中8点的订单量为100、9点的订单量为110,10点的订单量为90,则8点至9点这一时间段的订单变化量为|110-100|=10,其变化趋势为递增,9点至10点这一时间段的订单变化量为|90-110|=20,其变化趋势为递减。从第一历史订单数据中选取与上述步骤S101中的第一订单变化量的变化趋势相同(假设第一订单变化量的变化趋势为递增)、并且与第一订单变化量的差值满足预设阈值范围的订单变化量(例如,假设预设阈值范围为[-1-1],第一订订单变化量为10,时间段A的订单变化量为11,接着将上述时间段A的订单变化量11与第一订订单变化量10作差,获得的差值为1,该差值1落在了预设阈值区间[-1-1]内,则说明时间段A的订单变化量与第一订单变化量的差值满足预设阈值范围[-1-1],则将时段A的订单变化量称为第一订单变化量相近的历史订单变化量),同时获得该订单变化量对应的第二时间段。接着从第一历史订单数据中获得与上述第二时间段相邻的下一时间段的第二订单变化量,记为slopei+1。
需要说明的,上述第二时间段可以是一个时间段,对应地,第二订单变化量可以是一个订单变化量;可选地,第二时间段也可以是多个时间段,对应地,第二订单变化量可以是多个订单变化量的平均值,具体地根据实际情况设定。
S104、根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在所述第ti+1时刻的第一预测订单量。
具体地,根据上述步骤101计算得到时刻ti的实际订单量为并根据上述步骤102和步骤103计算获得第二订单变化量slopei+1,并根据公式预测目标区域在第ti+1时刻的第一预测订单量本发明提供的订单预测方法,通过获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势,并根据该第一订单变化量、变化趋势和目标区域的第一历史订单数据,获取第一历史订单数据中与第一订单变化量的变化趋势相同、且与第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段,获取与第二时间段相邻的下一时间段的第二订单变化量;根据该第二订单变化量和上述目标区域在第ti时刻的实际订单量,确定目标区域在第ti+1时刻的第一预测订单量。本实施例选取与第一订单变化量相近的订单变化量,由于该相近的订单变化量与第一订单变化量基本相同,则该相近的订单变化量对应的相邻下一时间段的订单变化量与第一时间段对应的相邻下一时间段的第二订单变化量基本相同,即本实施例通过获得较准确的第二订单变化量,进而提高了根据该第二订单变化量获得的第一预测订单的准确性,从而提高了对车辆调度的合理性,有效缓解交通压力。
图2为本发明提供的订单预测方法实施例二的流程示意图。本实施例涉及的是当第二时间段为多个时,获取第二订单变化量的具体过程。在上述实施例的基础上,进一步地,上述S103具体可以包括:
S201:获取与每个第二时间段相邻的下一时间段对应的第三订单变化量。
S202:获取多个第三订单变化量的平均值,并将所述平均值确定为所述第二订单变化量。
具体地,当根据上述S102的方法获得第二时间段为多个时,假设为th1,th2…thk,从第一历史订单数据中获得目标区域在th1,th2…thk的下一时间段th1+1,th2+1…thk+1对应的第三订单变化量,记为接着计算上述多个第三订单变化量的平均值,记为slopetavg,将该平均值slopetavg作为第二订单变化量。最后,根据公式将ti时刻的订单量与上述第二订单变化量slopetavg相加,获得第ti+1时刻的第一预测订单量由于本实施例通过计算获得多个第三订单变化量,用上述多个第三订单变化量的平均值作为第二订单变化量,使得对该第二订单变化量的预测更加准确,进而提高了对第一预测订单量的准确预测。
本发明提供的订单预测方法,当获取的第二时间段为多个时,通过获取与每个第二时间段相邻的下一时间段对应的第三订单变化量,获取多个第三订单变化量的平均值,并将所述平均值确定为第二订单变化量,实现了对第二订单变化量的准确计算,使得基于该第二订单变化量的第一预测订单更加准确,进而实现了对车辆的合理调度,有效缓解了交通的压力。
图3为本发明提供的订单预测方法实施例三的流程示意图,图4为本发明提供的订单预测方法实施例三中人工神经网络算法模型结构示意图,本实施例涉及的是根据人工神经网络算法模型获得第二预测订单量的具体过程。在上述实施例的基础上,本发明的订单预测方法还包括:
S301、获取预设地域范围内每个区域内的信息点POI个数;所述预设地域范围包括所述目标区域和至少一个周边区域。
需要说明的是,本实施例中预设地域范围可以是以目标区域为中心,以一定的长度(比如500m)为半径,获得一圆形区域,将该圆形区域设定为预设地域范围。可选地,还可以是将一个包括目标区域的矩形区域设定为预设地域范围,本实施例对预设地域范围的具体选择方法不做限制,根据实际情况选取即可。接着对上述预设地域范围进行划分,获得多个区域,该多个区域中包括了目标区域和目标区域周边的至少一个周边区域。可选地,可以以目标区域的大小为单位,将上述预设地域范围划分成相同大小的多个区域;还可以是根据地图上的行政区域信息将上述预设地域范围划分成大小形状不相同的多个区域,本实施例对预设地域范围的划分形式和划分后的多个区域的数量不做限制。其中预设地域范围的划分单元越小,获得的区域的数量越多,最终对目标区域某时刻的订单量的预测越准确;预设地域范围划分的单元越大,获得的区域的数量越少,整个预测过程的计算速度快。
具体地,车辆调度***从地图上获得预设地域范围内的每个区域内的信息点(Point of Interest,简称POI)个数。该POI的类型例如可以为:商业区、银行、学校、住宅区等,每个类型POI的个数为在该区域内每个类型POI对应的个数,例如:在区域A中包括的商业区为4个,银行为5个,学校为2个,住宅区为10个等。本实施例中来自地图的信息点数据可以反映出区域的类型,这些不同类型的区域所对应的乘客需求也不同,例如住宅区上下班时客流量比较大。
S302、从所述预设地域范围对应的第二历史订单数据中获取每个区域在所述第ti时刻的实际订单量和在所述第ti时刻的车辆的数量。
具体地,车辆调度***将预设地域范围内的每个区域在第ti+1时刻之前的历史实际订单数据作为第二历史订单数据,该第二历史订单数据可以包括上述第一历史订单数据,且该第二历史订单数据可以从车辆的打车软件中获得。车辆调度***从该第二历史订单数据中获得每个区域在第ti时刻的实际订单量和在第ti时刻的车辆的数量。其中上述实际订单数据中包含了很多与乘客乘车记录相关的属性,通过统计分析第二历史订单数据,可以提取乘客上下车时间、上下车地点等重要的时间和空间信息,同时根据分析第二历史订单数据可以获得每个区域在任意时刻的车辆数量。
可选地,车辆调度***还可以从车辆GPS信息中获得该车辆在任意时刻所处的位置,进而可以获得每个区域在第ti时刻的车辆的数量。其中车辆的GPS信息包含了车辆聚集情况,一定程度上反映了司机的经验,例如在上班高分期时,司机会往住宅区聚集,以方便居民乘车上班,在下班高分期时,司机可能会往商业区聚集,以方便上班族乘车下班。
S303、根据所述每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,获取人工神经网络算法模型。
需要说明的是,如图4所示,人工神经网络算法具有学习和自适应的能力,可以通过预先提供的一批相互对应的输入-输出数据,分析掌握输入-输出数据之间的潜在规律,最终根据上述规律,用新的输入数据推算出对应的输出结果。由上述可知,用该人工神经网络算法模型预测任意时刻目标区域的订单量之前,需要用大量的输入-输出数据对该人工神经网络算法模型进行训练,本实施例以目标区域以及目标区域的周边区域的信息点POI个数、实际订单量和车辆的数量作为输入,以目标区域以及目标区域的周边区域的实际订单量作为输出来对人工神经网络算法模型进行训练,如图4所示,该人工神经网络算法模型包括三层,分别为输入层、隐藏层和输出层。
在介绍模型训练过程以前,可选的,本实施例可以对上述参数:每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,根据公式进行等量纲化处理。具体的模型过程可以包括下面步骤:
S303a、设定输入每一层(即输入层、隐藏层和输出层)的节点数,输入层与隐藏层之间的初始权值ω1和初始阈值B1,隐藏层与输出层之间的初始权值ω2和初始阈值B2,训练过程中期望达到的误差值e,训练的最大循环次数N,来建立人工神经网络算法模型。
其中,输入层的节点个数由输入参数决定,如图4所示,本实施例将预设地域范围划分为n个区域,在每个区域对应的输入参数(即X值)有:该区域内的信息点POI个数(例如区域A中有3个商场、4个学校、7个住宅区等不同类型的POI个数)、该区域在第ti时刻的实际订单量,以及该区域在第ti时刻的车辆数量;每个区域对应的输出量(即Y值)为每个区域在第ti时刻的实际订单量,也就是说,每个区域在第ti时刻的实际订单量既是输入量又是输出量。上述每个区域的输入信息的获取方法参照上述描述,在此不再赘述。对应的如图4所示的人工神经网络算法模型的总的输入参数个数为3n个,对应的输入层的节点个数为3n。其中输出层的节点个数为1。
可选地,隐藏层的节点个数可以根据公式获得,其中l为隐藏层的节点个数,N为输出层的节点个数,M为输出层的节点个数,a为[1,10]的常数,对应地图4所示的隐藏层的节点个数可选地,隐藏层的节点个数还可以根据经验公式l=log2N获得,对应地图4所示的隐藏层的节点个数为l=log2(3n)。
其中,输入层与隐藏层之间的初始权值ω1和初始阈值B1,隐藏层与输出层之间的初始权值ω2和初始阈值B2,都是小于预设阈值的随机数。训练过程中期望达到的误差值e,训练的最大循环次数N可以根据实际需要选取。同时还需要设定人工神经网络算法模型的学习速率η,其中η=0.01~0.8。
根据上述步骤建立好人工神经网络算法模型。
S303b、在上述建立好的人工神经网络算法模型中输入每个区域的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,计算每层的输出量和整个人工神经网络算法模型的误差E,并根据误差E,调整人工神经网络算法模型中各层之间的阈值和权值。
首先,根据输入信息参数X(即上述每个区域的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量)、输入层与隐藏层之间的初始权值ω1和初始阈值B1,计算获得输入层的输出量Y1'。根据隐藏层与输出层之间的初始权值ω2和初始阈值B2,以及输入层的输出量Y1',计算获得输出层的输出量Y1,该输出量Y1作为人工神经网络算法模型第一次训练的输出量。再根据公式El=|Y-Yl|,获得整个人工神经网络算法模型在第一训练时产生的误差E1=|Y-Y1|,Y为每个区域在第ti时刻的实际订单量,Yl为第l次迭代训练过程中输出层的输出量集合。在训练人工神经网络算法模型的过程在需要大量的数据,即本实施例所述的第ti时刻是指任意历史时间。
接着,根据公式获得输入层与隐藏层之间的阈值调整值ωij(t-1),根据公式获得输入层与隐藏层之间的权值调整值Bij(t-1);根据公式获得隐藏层与输出层之间的阈值调整值ωjk(t-1),并根据公式获得隐藏层与输出层之间的权值调整值Bjk(t-1)。其中所述El为第l次循环人工神经网络算法模型输出的订单数据与样本的实际订单数据之间的误差,η为人工神经网络算法模型的学习速率,ωij为输入层第i个节点与隐藏层第j个节点之间的阈值,Bij为输入层第i个节点与隐藏层第j个节点之间的权值,ωjk为隐藏层第j个节点与输出层第k个节点之间的阈值,Bjk为隐藏层第j个节点与输出层第k个节点之间的权值。
S303c、根据上述人工神经网络算法模型中各层之间的阈值和权值的调整值,获得本次训练后模型的误差平方和,当该误差平方和小于训练过程中期望达到的误差值e时,结束训练。
具体地,根据调整后的各层之间的阈值和权值获得第l次循环(或训练)后人工神经网络算法模型的误差平方和el,并将该误差平方和el与训练过程中期望达到的误差值e进行比较,当判断el>e时,说明该人工神经网络算法模型还没有训练好,则继续执行上述S303b的方法。当时判断该el<e时,说明该人工神经网络算法模型已经训练完成,用该训练好的人工神经网络算法模型进行后续的计算。
可选地,本实施例中控制模型训练结束的条件还可以是,当循环次数(训练次数)满足预设的最大循环次数N时,结束对人工神经网络算法模型的训练。
本实施例考虑了目标区域的周边区域的客流量对目标区域订单量的影响,以及目标区域和目标区域的周边区域的POI个数、车辆的数量对目标区域订单量的影响,进而将目标区域和目标区域的周边区域的实际订单量、POI个数、车辆的数量作为输入参数,将目标区域和目标区域的周边区域的实际订单量作为输出参数,来对人工神经网络算法模型进行训练,使得训练好的人工神经网络算法模型更加准确地预测出目标区域在第ti+1时刻的第二预测订单量。
S304、根据输入参数和所述人工神经网络算法模型,确定所述目标区域在所述第ti+1时刻的第二预测订单量;其中,所述输入参数包括区域信息和时间信息。
具体地,如图4所示,在上述训练好的人工神经网络算法模型中输入区域信息A和时间信息ti+1,则可以获得目标区域A在时刻ti+1的第二订单预测量。其中时刻信息ti+1通过tc输入节点输入到人工神经网络算法模型。
本实施例获得的第二预测订单量,在其计算的过程中考虑了目标区域的周边区域的POI个数、实际订单量和车辆的数量对目标区域订单量的影响,从而使得对目标区域在第ti+1时刻的第二预测订单量的预测更加准确。
本实施例通过人工神经网络算法模型获得较准确的第二预测订单量,该第二预测订单量可以作为目标区域在第ti+1时刻的订单量,即本实施例可以单独使用人工神经网络算法模型来实现对目标区域在第ti+1时刻订单量的准确预测。
S305、根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量。
可选地,为了进一步地提高对目标区域在第ti+1时刻订单量的准确预测,本实施例,还将上述S101-S104方法获得目标区域在第ti+1时刻的第一预测订单量和上述S301-S304方法获得目标区域在第ti+1时刻的第二预测订单量相结合,获得目标区域在第ti+1时刻的第三预测订单量。具体地,本实施例可以将第一预测订单量和第二预测订单量的平均值作为第三预测订单量;或者,根据相关的误差算法模型将第一预测订单与第二预测订单相结合得到第三预测订单,本实施例对根据第一预测订单量和第二预测订单量获得第三预测订单量的具体方法不做限制。
本发明提供的订单预测方法,通过获取预设地域范围内每个区域内的信息点POI个数、每个区域在第ti时刻的实际订单量和每个区域在第ti时刻的车辆的数量作为输入-输出数据对人工神经网络算法模型进行训练,使得该训练好的人工神经网络算法模型可以较准确地反映出实际情况对订单量的影响,进而实现了对目标区域在第ti+1时刻的第二预测订单量的准确预测。另外,为了进一步提高对目标区域在第ti+1时刻的订单量的准确预测,本发明还将上述第一预测订单量和第二预测订单量相结合生成第三预测订单量,该第三预测订单量可以更加准确地反映出目标区域在第ti+1时刻的订单量,从而提高了对车辆调度的合理性,实现了对交通压力的有效缓解。
图5为本发明提供的订单预测方法实施例四的流程示意图。本实施例涉及的是根据梯度提升树算法模型获得第三预测订单量的具体过程。在上述实施例的基础上,上述S305具体可以包括:
S401、根据所述第二历史订单数据、所述目标区域在所述第ti时刻的第一预测订单量和所述目标区域在所述第ti时刻的第二预测订单量,获取梯度提升树算法模型。
需要说明的是,在使用梯度提升树算法模型对目标区域在所述第ti+1时刻的第三预测订单量之前,需要对梯度提升树算法模型进行训练,该训练过程可以理解为建立梯度提升树算法模型的过程。本实施例用目标区域在第ti时刻的第一预测订单量(可以理解为目标区域以及目标区域的周边区域在任意历史时刻的第一预测订单量)、目标区域在第ti时刻的第二预测订单量(可以理解为目标区域以及目标区域的周边区域在任意历史时刻的第二预测订单量),以及区域信息(目标区域以及目标区域的周边区域的代码信息)和时间信息(任意连续时刻)作为特征条件(即X值),以目标区域在第ti时刻的实际订单量作为Y值,来对梯度提升树算法模型进行训练,其中训练过程中所使用的数据量较大。具体地,对梯度提升树算法模型进行训练可以包括下面步骤:
S401a、设置梯度提升树算法模型的相关参数,包括损失函数、学习速度、学习器的最大个数、树的最大深度等。
其中,本实施例的损失函数可以为最小二乘回归函数,其公式为:
其中,k为迭代次数,n为初始样本的数量,yi为初始训练过程中第i个样本y值,为初始训练过程中所用样本y值的平均值,yi (k)为第k次迭代过程中第i个样本y值,n(k)为在第k次迭代过程中样本的数量,为第k次迭代过程中所用样本y值的平均值。
需要说明的是,学习速率Shrinkage(或学习步长)代表的是模型的学习速度,学习速率越小表示模型学习越慢,越大则表示模型学习越快。学习器个数是指回归树的个数,即在整个训练学习过程中所建立的树的总个数。为了提高梯度提升树算法模型的学习准确性,通常将学习速率Shrinkage设置小一点,把树的总个数设置大一点。树的深度即为树的层数,树的深度值越大,则树的节点越多,所包括的信息越详细,树的深度越小,则模型的建立速度越快。具体地上述各参数的选取可以根据实际需要设定。
S401b、根据上述实施例的方法,获得目标区域以及目标区域的周边区域在历史时刻ti的第一预测订单量和第二预测订单量,同时从第二历史订单数据中获得历史时刻ti对应的实际订单量。将上述目标区域以及目标区域的周边区域在历史时刻ti对应的第一预测订单量、第二预测订单量、时间信息和区域信息作为特征条件(即X值),将目标区域以及目标区域的周边区域在历史时刻ti对应的实际订单量作为Y值,对梯度提升树算法模型进行训练。
举例说明,图6为本发明提供的订单预测方法实施例四中梯度提升树算法模型结构示意图。如图6所示,假设预设的树的深度为3,树的个数为2,学***均值),获得大于等于11点(即位于右侧树节点)的Y值有(26,36,37),对应地,该节点的的节点值为74.3。接着对上述两个节点根据损失函数再进行划分(即建立树的第三层),此时经计算选择以第一预测订单量a中的15为节点对(14,16,24)进行划分,获得小于15的Y值有(14),对应地,该节点的节点值为14,大于等于15的Y值有(16,24),对应地该节点的节点值为20;同样地,计算选择以区域信息2为节点对(26,36,37)进行划分,获得小于2的区域对应的Y值有(26),对应地该节点的节点值为26,大于等于2的区域对应的Y值有(36,37),对应地该节点的节点值为36.5。此时树的深度满足预设树的深度值3,则第一棵树建立完成。接着用第三层中每个节点对应的实际Y值减去对应节点的节点值,获得该节点对应的残差值。用上述方法获得第一棵树的残差值为:(14-14,16-20,24-20,26-26,36-36.5,37-36.5)=(0,-4,4,0,-0.5,0.5)。然后以上述残差值(0,-4,4,0,-0.5,0.5)作为Y值,并根据上述第一棵树的建立方法进行第二棵树的建立,获得的第二棵树的第三层中每个节点对应的节点值,假设为(0,0,-0.5,0.5),此时树的个数满足预设的树的总个数2,则基于上述各参数的梯度提升树算法模型建立完成,用该建立好的梯度提升树算法模型进行相关预测。本实施例是为了举例说明该梯度提升树算法模型的建立过程,选择的数据较少,但实际计算过程中则需要使用大量的历史数据来训练梯度提升树算法模型。
S402、根据所述输入参数和所述梯度提升树算法模型,获取所述目标区域在所述第ti+1时刻的第三预测订单量。
具体地,如图4所示,在每棵训练好的树中输入相同的参数,对应地,每棵树有个输出值,将每棵树的输出值相加,即可获得目标区域在第ti+1时刻的第三预测订单量,其中所输入的参数包括:目标区域A、时间信息第ti+1时刻、目标区域A在第ti+1时刻的第一预测订单量和目标区域A在第ti+1时刻的第二预测订单量。参照上述例子,在第一棵树中输入上述参数,获得第一棵树的输出值为Y1,例如为Y1=14;对应地,在第二棵树中输入上述相同的参数,获得第一棵树的输出值为Y2,例如为Y2=-0.5。最后将每棵树输出值相加,获得目标区域A在第ti+1时刻的第三预测订单量为Y,即Y=Y1+Y2=14-0.5=13.5。
本实施例通过将目标区域在第ti+1时刻的第一预测订单量和目标区域在第ti+1时刻的第二预测订单量作为输入参数获得目标区域在第ti+1时刻的第三预测订单量,该第三预测订单量减少了第一预测订单量和第二预测订单量的误差,从而进一步提高了对目标区域在第ti+1时刻的订单量的准确预测,进而保证了车辆调度***对车辆的合理调度,有效缓解的交通压力,减少了车辆空载里程数,节约能源,提高了人们的出行便利性。
本发明提供的订单预测方法,通过梯度提升树算法模型将上述目标区域在第ti+1时刻产生的第一预测订单量和第二预测订单量进行结合,获得第三预测订单量,该第三预测订单量减少了第一预测订单量和第二预测订单量的误差值,从而实现了对目标区域在第ti+1时刻的订单量的准确预测,进而提高了车辆调度的合理性,有效缓解的交通压力,减少了车辆空载里程数,节约能源,提高了人们的出行便利性。
图7为本发明提供的订单预测装置实施例一的结构示意图,如图7所示,本实施例的订单预测装置100可以包括:第一获取模块110、第二获取模块120、第三获取模块130和第一处理模块140,其中,
上述第一获取模块110,用于获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势;其中,所述第一订单变化量等于所述目标区域在所述第ti时刻的实际订单量与所述第ti-1时刻的实际订单量的差值的绝对值。
上述第二获取模块120,用于根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段。
上述第三获取模块130,用于获取与所述第二时间段相邻的下一时间段的第二订单变化量。
上述第一处理模块140,用于根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在第ti+1时刻的第一预测订单量。
本发明提供的订单预测装置,可以用于执行上述实施例的方法技术方案,其实现原理和技术效果类似,此处不再赘述。
图8为本发明提供的订单预测装置实施例二的结构示意图,如图8所示,在上述实施例的基础上,若所述第二获取模块120获取到多个所述第二时间段时,所述第三获取模块130具体包括:第一获取单元131和处理单元132,其中,
上述第一获取单元131,用于获取与每个第二时间段相邻的下一时间段对应的第三订单变化量。
上述处理单元132,用于获取多个第三订单变化量的平均值,并将所述平均值确定为所述第二订单变化量。
本发明提供的订单预测装置,可以用于执行上述实施例的方法技术方案,其实现原理和技术效果类似,此处不再赘述。
图9为本发明提供的订单预测装置实施例三的结构示意图,如图9所示,在上述实施例的基础上,进一步地,本实施的订单预测装置100,还可以包括:第四获取模块150、第五获取模块160、第六获取模块170、第二处理模块180和第三处理模块190,其中,
上述第四获取模块150,用于获取预设地域范围内每个区域内的信息点POI个数;所述预设地域范围包括所述目标区域和至少一个周边区域。
上述第五获取模块160,用于从所述预设地域范围对应的第二历史订单数据中获取每个区域在所述第ti时刻的实际订单量和在所述第ti时刻的车辆的数量。
上述第六获取模块170,用于根据所述每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,获取人工神经网络算法模型。
上述第二处理模块180,用于根据输入参数和所述人工神经网络算法模型,确定所述目标区域在所述第ti+1时刻的第二预测订单量;其中,所述输入参数包括区域信息和时间信息。
上述第三处理模块190,用于根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量。
本发明提供的订单预测装置,可以用于执行上述实施例的方法技术方案,其实现原理和技术效果类似,此处不再赘述。
图10为本发明提供的订单预测装置实施例四的结构示意图,如图10所示,在上述实施例的基础上,上述第三处理模块190具体可以包括:第二获取单元191和第三获取单元192,其中,
上述第二获取单元191,用于根据所述第二历史订单数据、所述目标区域在所述第ti时刻的第一预测订单量和所述目标区域在所述第ti时刻的第二预测订单量,获取梯度提升树算法模型。
上述第三获取单元192,用于根据所述输入参数和所述梯度提升树算法模型,获取所述目标区域在所述第ti+1时刻的第三预测订单量。
本发明提供的订单预测装置,可以用于执行上述实施例的方法技术方案,其实现原理和技术效果类似,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种订单预测方法,其特征在于,包括:
获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势;其中,所述第一订单变化量等于所述目标区域在所述第ti时刻的实际订单量与所述第ti-1时刻的实际订单量的差值的绝对值;
根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段;
获取与所述第二时间段相邻的下一时间段的第二订单变化量;
根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在第ti+1时刻的第一预测订单量。
2.根据权利要求1所述的方法,其特征在于,若获取到多个所述第二时间段,则所述获取与所述第二时间段相邻的下一时间段的第二订单变化量,具体包括:
获取与每个第二时间段相邻的下一时间段对应的第三订单变化量;
获取多个第三订单变化量的平均值,并将所述平均值确定为所述第二订单变化量。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取预设地域范围内每个区域内的信息点POI个数;所述预设地域范围包括所述目标区域和至少一个周边区域;
从所述预设地域范围对应的第二历史订单数据中获取每个区域在所述第ti时刻的实际订单量和在所述第ti时刻的车辆的数量;
根据所述每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,获取人工神经网络算法模型;
根据输入参数和所述人工神经网络算法模型,确定所述目标区域在所述第ti+1时刻的第二预测订单量;其中,所述输入参数包括区域信息和时间信息;
根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量。
4.根据权利要求3所述的方法,其特征在于,根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量,具体包括:
根据所述第二历史订单数据、所述目标区域在所述第ti时刻的第一预测订单量和所述目标区域在所述第ti时刻的第二预测订单量,获取梯度提升树算法模型;
根据所述输入参数和所述梯度提升树算法模型,获取所述目标区域在所述第ti+1时刻的第三预测订单量。
5.一种订单预测装置,其特征在于,包括:
第一获取模块,用于获取目标区域在第一时间段[ti-1,ti]的第一订单变化量和变化趋势;其中,所述第一订单变化量等于所述目标区域在所述第ti时刻的实际订单量与所述第ti-1时刻的实际订单量的差值的绝对值;
第二获取模块,用于根据所述第一订单变化量、所述变化趋势和所述目标区域的第一历史订单数据,获取所述第一历史订单数据中与所述变化趋势相同、且与所述第一订单变化量的差值满足预设阈值范围的订单变化量对应的第二时间段;
第三获取模块,用于获取与所述第二时间段相邻的下一时间段的第二订单变化量;
第一处理模块,用于根据所述第二订单变化量和所述目标区域在所述第ti时刻的实际订单量,确定所述目标区域在第ti+1时刻的第一预测订单量。
6.根据权利要求5所述的装置,其特征在于,若所述第二获取模块获取到多个所述第二时间段时,所述第三获取模块具体包括:
第一获取单元,用于获取与每个第二时间段相邻的下一时间段对应的第三订单变化量;
处理单元,用于获取多个第三订单变化量的平均值,并将所述平均值确定为所述第二订单变化量。
7.根据权利要求5或6所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于获取预设地域范围内每个区域内的信息点POI个数;所述预设地域范围包括所述目标区域和至少一个周边区域;
第五获取模块,用于从所述预设地域范围对应的第二历史订单数据中获取每个区域在所述第ti时刻的实际订单量和在所述第ti时刻的车辆的数量;
第六获取模块,用于根据所述每个区域内的信息点POI个数、每个区域在所述第ti时刻的实际订单量和每个区域在所述第ti时刻的车辆的数量,获取人工神经网络算法模型;
第二处理模块,用于根据输入参数和所述人工神经网络算法模型,确定所述目标区域在所述第ti+1时刻的第二预测订单量;其中,所述输入参数包括区域信息和时间信息;
第三处理模块,用于根据所述目标区域在所述第ti+1时刻的第一预测订单量和所述目标区域在所述第ti+1时刻的第二预测订单量,确定所述目标区域在所述第ti+1时刻的第三预测订单量。
8.根据权利要求7所述的装置,其特征在于,所述第三处理模块具体包括:
第二获取单元,用于根据所述第二历史订单数据、所述目标区域在所述第ti时刻的第一预测订单量和所述目标区域在所述第ti时刻的第二预测订单量,获取梯度提升树算法模型;
第三获取单元,用于根据所述输入参数和所述梯度提升树算法模型,获取所述目标区域在所述第ti+1时刻的第三预测订单量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610431755.6A CN106127329A (zh) | 2016-06-16 | 2016-06-16 | 订单预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610431755.6A CN106127329A (zh) | 2016-06-16 | 2016-06-16 | 订单预测方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127329A true CN106127329A (zh) | 2016-11-16 |
Family
ID=57469746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610431755.6A Pending CN106127329A (zh) | 2016-06-16 | 2016-06-16 | 订单预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127329A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650741A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌字符识别方法及装置 |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN107146007A (zh) * | 2017-04-26 | 2017-09-08 | 北京小度信息科技有限公司 | 订单调度方法和装置 |
WO2018209263A1 (en) * | 2017-05-11 | 2018-11-15 | Uber Technologies, Inc. | Network computer system to position service providers using provisioning level determinations |
WO2018214361A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
CN109284866A (zh) * | 2018-09-06 | 2019-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN109544076A (zh) * | 2018-11-28 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN109948822A (zh) * | 2017-12-21 | 2019-06-28 | 北京嘀嘀无限科技发展有限公司 | 一种地理区域内网约车供需缺口预测方法 |
CN110400024A (zh) * | 2019-07-31 | 2019-11-01 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
CN110837909A (zh) * | 2018-08-17 | 2020-02-25 | 北京京东尚科信息技术有限公司 | 一种预测订单量的方法和装置 |
US10628903B2 (en) | 2017-05-22 | 2020-04-21 | Uber Technologies, Inc. | Network computer system to implement counter values for arranging services |
CN111160747A (zh) * | 2019-12-23 | 2020-05-15 | 北京百度网讯科技有限公司 | 机器人出租车的调度方法、装置、电子设备与存储介质 |
CN111563810A (zh) * | 2020-04-28 | 2020-08-21 | 北京云从科技有限公司 | 信贷风控模型生成方法、信用评估方法、***、机器可读介质及设备 |
CN111967940A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种订单量异常检测方法及装置 |
CN112352250A (zh) * | 2018-07-04 | 2021-02-09 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN113077181A (zh) * | 2021-04-22 | 2021-07-06 | 上海钧正网络科技有限公司 | 一种停车站点设置方法、装置、介质及电子设备 |
CN113673803A (zh) * | 2020-05-13 | 2021-11-19 | 丰田自动车株式会社 | 配车装置、车辆及终端 |
CN113781077A (zh) * | 2020-07-06 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 数据处理的方法、装置、设备及计算机可读存储介质 |
US12013252B2 (en) | 2017-02-17 | 2024-06-18 | Uber Technologies, Inc. | System and method for performing multivariate optimizations based on location data |
-
2016
- 2016-06-16 CN CN201610431755.6A patent/CN106127329A/zh active Pending
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN106650741A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌字符识别方法及装置 |
US12013252B2 (en) | 2017-02-17 | 2024-06-18 | Uber Technologies, Inc. | System and method for performing multivariate optimizations based on location data |
CN107146007A (zh) * | 2017-04-26 | 2017-09-08 | 北京小度信息科技有限公司 | 订单调度方法和装置 |
WO2018209263A1 (en) * | 2017-05-11 | 2018-11-15 | Uber Technologies, Inc. | Network computer system to position service providers using provisioning level determinations |
US11551555B2 (en) | 2017-05-11 | 2023-01-10 | Uber Technologies, Inc. | Network computer system to position transport providers using provisioning level determinations |
US12014635B2 (en) | 2017-05-11 | 2024-06-18 | Uber Technologies, Inc. | Network computer system to position transport providers using provisioning level determinations |
US10839695B2 (en) | 2017-05-11 | 2020-11-17 | Uber Technologies, Inc. | Network computer system to position service providers using provisioning level determinations |
US10628903B2 (en) | 2017-05-22 | 2020-04-21 | Uber Technologies, Inc. | Network computer system to implement counter values for arranging services |
CN108960431A (zh) * | 2017-05-25 | 2018-12-07 | 北京嘀嘀无限科技发展有限公司 | 指标的预测、模型的训练方法及装置 |
WO2018214361A1 (en) * | 2017-05-25 | 2018-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for improvement of index prediction and model building |
CN109117973A (zh) * | 2017-06-26 | 2019-01-01 | 北京嘀嘀无限科技发展有限公司 | 一种网约车订单量预测方法及装置 |
CN109948822A (zh) * | 2017-12-21 | 2019-06-28 | 北京嘀嘀无限科技发展有限公司 | 一种地理区域内网约车供需缺口预测方法 |
CN109948822B (zh) * | 2017-12-21 | 2022-10-21 | 北京嘀嘀无限科技发展有限公司 | 一种地理区域内网约车供需缺口预测方法 |
CN112352250A (zh) * | 2018-07-04 | 2021-02-09 | 索尼公司 | 信息处理装置、信息处理方法和程序 |
CN110837909A (zh) * | 2018-08-17 | 2020-02-25 | 北京京东尚科信息技术有限公司 | 一种预测订单量的方法和装置 |
CN109284866A (zh) * | 2018-09-06 | 2019-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN109284866B (zh) * | 2018-09-06 | 2021-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN109544076B (zh) * | 2018-11-28 | 2021-06-18 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN109544076A (zh) * | 2018-11-28 | 2019-03-29 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN110400024A (zh) * | 2019-07-31 | 2019-11-01 | 京东城市(北京)数字科技有限公司 | 订单预测的方法、装置、设备和计算机可读存储介质 |
CN111160747B (zh) * | 2019-12-23 | 2022-07-22 | 北京百度网讯科技有限公司 | 无人驾驶机器人出租车的调度方法、装置及电子设备 |
CN111160747A (zh) * | 2019-12-23 | 2020-05-15 | 北京百度网讯科技有限公司 | 机器人出租车的调度方法、装置、电子设备与存储介质 |
CN111563810A (zh) * | 2020-04-28 | 2020-08-21 | 北京云从科技有限公司 | 信贷风控模型生成方法、信用评估方法、***、机器可读介质及设备 |
CN113673803A (zh) * | 2020-05-13 | 2021-11-19 | 丰田自动车株式会社 | 配车装置、车辆及终端 |
CN113673803B (zh) * | 2020-05-13 | 2024-05-28 | 丰田自动车株式会社 | 配车装置、车辆及终端 |
CN113781077A (zh) * | 2020-07-06 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 数据处理的方法、装置、设备及计算机可读存储介质 |
CN111967940B (zh) * | 2020-08-19 | 2023-02-21 | 支付宝(杭州)信息技术有限公司 | 一种订单量异常检测方法及装置 |
CN111967940A (zh) * | 2020-08-19 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 一种订单量异常检测方法及装置 |
CN113077181A (zh) * | 2021-04-22 | 2021-07-06 | 上海钧正网络科技有限公司 | 一种停车站点设置方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127329A (zh) | 订单预测方法与装置 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN106200577B (zh) | 一种立体车库调度控制方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测***和方法 | |
CN106503840A (zh) | 停车场可用车位预测方法及*** | |
CN102629418B (zh) | 基于模糊卡尔曼滤波的交通流预测方法 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及*** | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN105719019A (zh) | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN110570672B (zh) | 一种基于图神经网络的区域交通信号灯控制方法 | |
CN104636828A (zh) | 基于马尔科夫链的公共自行车站点供需预测方法 | |
CN110555990A (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN103050016B (zh) | 一种基于混合推荐的交通信号控制方案实时选取方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN106935044A (zh) | 一种基于公交信号优先协调控制的站点位置优化方法 | |
CN104464280B (zh) | 车辆行进开销的预测方法及*** | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN106529185A (zh) | 一种古建筑位移的组合预测方法及*** | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |
|
RJ01 | Rejection of invention patent application after publication |