CN111784018A - 一种资源调度方法、装置、电子设备及存储介质 - Google Patents

一种资源调度方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111784018A
CN111784018A CN201910265951.4A CN201910265951A CN111784018A CN 111784018 A CN111784018 A CN 111784018A CN 201910265951 A CN201910265951 A CN 201910265951A CN 111784018 A CN111784018 A CN 111784018A
Authority
CN
China
Prior art keywords
graph
travel
trip
modal
sub
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
Application number
CN201910265951.4A
Other languages
English (en)
Inventor
耿栩
吴玺煜
张凌宇
张露露
吴国斌
刘燕
叶杰平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910265951.4A priority Critical patent/CN111784018A/zh
Publication of CN111784018A publication Critical patent/CN111784018A/zh
Pending legal-status Critical Current

Links

Images

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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及计算机技术领域，尤其涉及一种资源调度方法、装置、电子设备及存储介质，其中，该方法包括：获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的历史出行量以及对应的一种空间模态关系；将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到各个目标出行子区域在未来预设时间段内的出行量，并进行出行资源调度。

Description

一种资源调度方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种资源调度方法、装置、电子设备及存储介质。
背景技术
随着城市交通的迅速发展，打车已经成为很多人出行的首选交通方式。其中网约车平台更是为用户出行提供了诸多便利。
对于网约车出行平台，合理调配出行资源，帮助司机更好地响应乘客的需求，从而实现乘客订单与车辆资源之间的匹配平衡，以提升出行平台的服务质量，是目前非常重要的目标。
发明内容
有鉴于此，本申请的目的在于提供一种资源调度方法、装置、电子设备及存储介质，能够实现出行资源的合理调度。
主要包括以下几个方面：
第一方面，本申请提供了一种资源调度方法，包括：
获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的目标出行子区域的历史出行量以及对应的目标出行子区域与另外一个目标出行子区域之间的一种空间模态关系；
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量；
基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
在一些实施例中，所述空间模态关系包括距离关系；按照如下步骤获取一个所述空间模态图：
获取每两个目标出行子区域之间的距离值；
若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括兴趣点POI相似度关系；按照如下步骤获取一个所述空间模态图：
针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括连通性关系；按照如下步骤获取一个所述空间模态图：
针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
若存在，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一种实施方式中，所述将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，包括：
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图；
从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
在另一种实施方式中，按照如下步骤训练所述出行需求预测模型：
获取参考出行区域对应的多个参考空间模态图；每个参考空间模态图由所述参考出行区域内所有参考出行子区域对应的节点、以及具有一种空间模态关系的两个参考出行子区域对应的节点连线组成；
针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
在一些实施例中，所述基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型，包括：
针对每个参考空间模态图，基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵；
基于所述参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵；
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
在一些实施例中，所述出行需求预测模型包括第一层图卷积网络模型和第二层图卷积网络模型；所述参考空间模态图的个数为M；所述将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型，包括：
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
在一些实施例中，所述基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，包括：
针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；
对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
在一些实施例中，按照如下公式确定针对任一个参考空间模态图的任一输出结果：
Figure BDA0002016830040000061
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
在一些实施例中，按照如下公式确定W：
Figure BDA0002016830040000062
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure BDA0002016830040000063
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，按照如下公式确定针对任一个参考空间模态图的参考输出模态图：
Figure BDA0002016830040000064
其中，所述
Figure BDA0002016830040000065
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure BDA0002016830040000071
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure BDA0002016830040000072
其中，γ<1，且i＝j条件下的
Figure BDA0002016830040000073
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure BDA0002016830040000074
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure BDA0002016830040000075
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
在一些实施例中，按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure BDA0002016830040000076
其中，∑用于表示协方差矩阵，所述vec()用于表示vec函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure BDA0002016830040000077
最小化时确定第三权重训练参数符合预设张量正态分布。
第二方面，本申请还提供了一种资源调度装置，包括：
获取模块，用于获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的目标出行子区域的历史出行量以及对应的目标出行子区域与另外一个目标出行子区域之间的一种空间模态关系；
预测模块，用于将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量；
调度模块，用于基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
在一些实施例中，所述空间模态关系包括距离关系；所述获取模块，具体用于：
获取每两个目标出行子区域之间的距离值；
若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括兴趣点POI相似度关系；所述获取模块，具体用于：
针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括连通性关系；所述获取模块，具体用于：
针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
若存在，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述预测模块，具体用于：
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图；
从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
在一种实施方式中，还包括：
模型训练模块，用于获取参考出行区域对应的多个参考空间模态图；每个参考空间模态图由所述参考出行区域内所有参考出行子区域对应的节点、以及具有一种空间模态关系的两个参考出行子区域对应的节点连线组成；
针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
在另一种实施方式中，所述模型训练模块，具体用于：
针对每个参考空间模态图，基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵；
基于所述参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵；
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
在一些实施例中，所述出行需求预测模型包括第一层图卷积网络模型和第二层图卷积网络模型；所述参考空间模态图的个数为M；所述模型训练模块，具体用于：
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
在又一种实施方式中，所述模型训练模块，具体用于：
针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；
对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
在一些实施例中，按照如下公式确定针对任一个参考空间模态图的任一输出结果：
Figure BDA0002016830040000111
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
在一些实施例中，按照如下公式确定W：
Figure BDA0002016830040000121
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure BDA0002016830040000122
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，按照如下公式确定针对任一个参考空间模态图的参考输出模态图：
Figure BDA0002016830040000123
其中，所述
Figure BDA0002016830040000124
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure BDA0002016830040000125
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure BDA0002016830040000126
其中，γ<1，且i＝j条件下的
Figure BDA0002016830040000127
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure BDA0002016830040000128
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure BDA0002016830040000129
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
在一些实施例中，按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure BDA00020168300400001210
其中，∑用于表示协方差矩阵，所述vec用于表示激活函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure BDA0002016830040000131
最小化时确定第三权重训练参数符合预设张量正态分布。
第三方面，本申请还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面所述资源调度方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面所述资源调度方法的步骤。
采用上述方案，将参考空间模态图包括的历史出行量和空间模态关系作为出行需求影响因素，将参考输出模态图包括的未来出行量作为出行需求预测结果，进行出行需求预测模型的预测，这样，可以基于训练得到的出行需求预测模型和空间模态图对目标出行区域内各个目标出行子区域在未来预设时间段内的出行量进行预测，进而基于预测的出行量进行出行资源的合理调度，从而可以提高资源利用率，提升出行平台服务质量。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。
图1示出了本申请实施例一提供的一种资源调度方法的流程图；
图2示出了本申请实施例二提供的一种空间模态图获取方法的流程图；
图3示出了本申请实施例二提供的另一种空间模态图获取方法的流程图；
图4示出了本申请实施例二提供的又一种空间模态图获取方法的流程图；
图5(a)示出了本申请实施例二提供的一种具备距离关系的空间模态图的示意图；如图5(b)示出了本申请实施例二提供的一种具备POI相似度关系的空间模态图的示意图；如图5(c)示出了本申请实施例二提供的一种具备连通性关系的空间模态图的示意图；
图6示出了本申请实施例三提供的一种出行需求预测模型训练方法的流程图；
图7示出了本申请实施例三提供的另一种出行需求预测模型训练方法的流程图；
图8示出了本申请实施例四提供的一种资源调度装置的结构示意图；
图9示出了本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其它操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车(如专车、快车等)资源调度”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其它实施例和应用场景。虽然本申请主要围绕网约车资源调度进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中使用的定位技术可以基于全球定位***(Global Positioning System,GPS)、全球导航卫星***(Global Navigation Satellite System,GLONASS)，罗盘导航***(COMPASS)、伽利略定位***、准天顶卫星***(Quasi-Zenith Satellite System,QZSS)、无线保真(Wireless Fidelity,WiFi)定位技术等，或其任意组合。一个或多个上述定位***可以在本申请中互换使用。
值得注意的是，在提出本申请之前，相关技术中缺乏有效的出行资源调度方式以解决乘客高峰期打车难、司机却可能处于空载的问题。有鉴于此，本申请实施例提供了一种资源调度方法、装置、电子设备及存储介质，其可以应用于任何对出行资源进行调度的场景，该出行资源可以是指出行车辆，此外，该出行车辆可以是快车、专车、出租车等，本申请实施例对此不做具体的限制。下面通过几个实施例进行具体描述。
实施例一
如图1所示，为本申请实施例一提供的一种资源调度方法的流程图，该方法的执行主体可以是电子设备，该电子设备可以是私有设备、运营商网络设备(例如，基站设备)，也可以是一定行业组织、团体和个人部署的站点(Station)等，具体而言，可以包括但不限于移动台、移动终端、移动电话、用户设备、手机及便携设备(portable equipment)、车辆等，例如，终端设备可以是移动电话(或称为“蜂窝”电话)、具有无线通信功能的计算机等，终端设备还可以是便携式、袖珍式、手持式、计算机内置或者车载移动装置。上述资源调度方法包括如下步骤：
S101、获取目标出行区域对应的多个空间模态图。
这里，目标出行区域可以是在未来预设时间段内待预测出行量的任意出行区域，且该目标出行区域可以是一个城市(如北京市)所包括的区域，还可以是一个行政区(如北京海淀区)所包括的区域，还可以是其它方式(如聚类)划分的任一出行区域，本申请实施对此不做具体的限制。
在获取目标出行区域对应的多各空间模态图之前，需要对上述目标出行区域进行划分，以利用该目标出行区域划分的所有目标出行子区域对应的节点以及具有一种空间模态关系的两个目标出行子区域对应的节点连线俩构造空间模态图。也即，每个空间模态图均对应有一种空间模态关系，该空间模态关系可以是两个子区域之间的距离关系、还可以是两个子区域之间的兴趣点(Point of Interest，POI)相似度关系，还可以是两个子区域之间的连通性关系，还可以是其他空间模态关系。本申请实施例中的多种空间模态图可以是具有上述至少两种空间模态关系对应的至少两个空间模态图。
在对目标出行区域进行划分时，本申请实施例可以按照预设大小进行区域划分，如针对北京市这一目标出行区域而言，本申请实施例可以将北京市划分为若干子区域，且划分各个子区域的形状可以是四边形、六边形或者其他多边形。本申请实施例综合考虑地理知识，可以将北京市依次划分为多个六边形的区域，该六边形的边长可以是从数百米到数千米，为了兼顾数据计算量和划分精确度，本申请实施例选取的边长不易过大也不易过小，可以选用120m的边长。
值得说明的是，本申请实施例可以采用Geohash编码算法将目标出行区域划分为若干六边形区域，还可以对每个六边形区域进行编码(如哈希编码)，并将编码结果作为与六边形区域对应的标识信息。这样，便可以基于各标识信息与各节点之间的映射关系，确定所有划分后的目标出行子区域对应的节点。
S102、将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量。
这里，在进行未来出行量(即未来预设时间段内的出行量)的预测之前，可以先进行出行需求预测模型的训练。本申请实施例中，在出行需求预测模型训练阶段，可以将参考出行区域对应的多个参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系作为出行需求预测影响因素，将参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量作为出行需求预测结果，便可以训练得到上述出行需求预测模型的训练参数，也即得到了训练好的出行需求预测模型。本申请中可以将图卷积神经网络模型(GraphConvolution Network，GCN)作为出行需求预测模型。
在训练得到出行需求预测模型之后，就可以基于训练好的出行需求预测模型进行未来出行量的预测了，此时，将目标出行区域对应的每个空间模态图对应的历史出行量以及空间模态关系输入至训练好的出行需求预测模型中即可。
值得提出的是，在具体预测时，若以当前时刻(如下午6:00)为参考，输入至出行需求预测模型的历史出行量可以是当前时刻之前的两个时间段(如下午5:30-下午6:00以及下午5:00-下午5:30)所对应的出行量，还可以是包括昨日对应上述时间段的出行量，上述预测的未来预设时间段内的出行量则可以是明日下午5:30-下午6:00所对应的未来出行量。上述有关历史出行量和未来出行量的说明仅仅是一种示例，在具体应用时，还可以基于不同的场景需求进行出行量的确定。
考虑到本申请实施例所提供的资源调度方法的应用场景，上述出行量可以是指出行订单量，该出行订单量是针对目标出行子区域统计得到的出行订单的数量。其中，该出行订单可以是用户需要打车时，在网约车服务平台输入相应的打车信息后生成的，这里主要可以基于打车信息中携带的出行起点信息是否落入目标出行子区域来统计该目标出行区域的出行订单量。
值得注意的是，本申请实施例中，上述目标出行区域和参考出行区域可以是同一出行区域，还可以是具有相似空间模态关系的两个不同的出行区域。这样，本申请可以针对具备不同空间模态关系的出行区域单独训练对应的出行需求预测模型以进一步提升出行量预测的适用性和准确性。
S103、基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
这里，在确定了各目标出行子区域在未来预设时间段内的出行量之后，也即，可以确定哪些目标出行子区域属于出行需求比较大的子区域，哪些目标出行子区域属于出行需求比较小的子区域，再结合当前车辆资源的分布情况，进行出行资源调度，如将更多的车辆资源向出行需求比较大的子区域倾斜，从而帮助司机更好的响应乘客的需求，有效避免乘客高峰期打车难、司机却可能处于空载的问题，进一步提升网约车出行平台的服务质量。
考虑到空间模态图的获取是实现出行量预测的关键步骤，接下来通过如下实施例二对空间模态图的获取进行具体说明。
实施例二
本申请实施例二提供了三种空间模态图的获取方法，具体包括如下三个方面：
第一方面：本申请实施例二提供了一种包括距离关系的空间模态图，如图2所示，该空间模态图的获取方法具体包括如下步骤：
S201、获取每两个目标出行子区域之间的距离值；
S202、若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
S203、基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
这里，针对目标出行区域而言，可以获取每两个目标出行子区域之间的距离值，若判断出该距离值小于设定阈值，则确定该两个目标出行子区域具备距离关系，可将两个目标出行子区域对应的节点进行连线，这样，基于得到的连线和节点，便可以得到有关距离关系的空间模态图，也即，该空间模态图的节点携带了该节点对应的目标出行子区域与另一个目标出行子区域之间的距离关系。
第二方面：本申请实施例二提供了一种包括POI相似度关系的空间模态图，如图3所示，该空间模态图的获取方法具体包括如下步骤：
S301、针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
S302、基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
S303、若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
S304、基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
这里，可以首先获取每个目标出行子区域内每类兴趣点的个数，然后基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量，并确定任意两个目标出行子区域之间的POI相似度，在确定该POI相似度大于设定相似度时，则确定该两个目标出行子区域具备POI相似度关系，可将两个目标出行子区域对应的节点进行连线，这样，基于得到的连线和节点，便可以得到有关POI相似度关系的空间模态图，也即，该空间模态图的节点携带了该节点对应的目标出行子区域与另一个目标出行子区域之间的POI相似度关系。
其中，上述各类兴趣点可以基于地图信息上有关酒店、学校、餐馆等类的标识信息来确定的，且上述各类兴趣点可以是预先设定的，还可以是基于用户感兴趣点排名确定的，在此不做具体限制。
第三方面：本申请实施例二提供了一种包括连通性关系的空间模态图，如图4所示，该空间模态图的获取方法具体包括如下步骤：
S401、针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
S402、若存在，则将所述两个目标出行子区域对应的节点进行连线；
S403、基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
这里，针对每两个目标出行区域，可以依赖于路网交通状况来判断确定两个目标出行子区域之间是否存在预设交通出行设备(如高铁、地铁等)对应的出行线路，若存在，则确定该两个目标出行子区域具备连通性关系，可将两个目标出行子区域对应的节点进行连线，这样，基于得到的连线和节点，便可以得到有关连通性关系的空间模态图，也即，该空间模态图的节点携带了该节点对应的目标出行子区域与另一个目标出行子区域之间的连通性关系。
为了便于进一步理解上述三种空间模态图及空间模态关系，现结合一个具体的示例和相应的公式进行具体说明。
如图5(a)所示为具备距离关系的一种空间模态图，A1、B1、C1、D1、E1、F1为该空间模态图对应的6个节点，其中，由于D1、B1这两个节点对应的目标出行子区域之间的距离值小于设定阈值，所以将D1和B1进行连线，同理，本申请实施例还可以将D1和C1、D1和E1、D1和F1分别进行连线，以得到了如图5(a)所示的空间模态图。
其中，上述距离关系AN,i,j可以通过如下公式来表示：
Figure BDA0002016830040000211
其中，AN,i,j用于表示第i个目标出行子区域与第j个目标出行子区域之间的距离关系，1表示两个目标出行子区域之间的距离值小于设定阈值，0表示两个目标出行子区域之间的距离值大于或等于设定阈值。
如图5(b)所示为具备POI相似度关系的一种空间模态图，A2、B2、C2、D2、E2、F2为该空间模态图对应的6个节点，其中，由于D2、B2这两个节点对应的目标出行子区域之间的POI相似度大于设定相似度，所以将D2和B2进行连线，同理，本申请实施例还可以将A2和F2、A2和E2、E2和F2、B2和C2、C2和D2分别进行连线，以得到了如图5(b)所示的空间模态图。
其中，上述POI相似度关系可以通过如下公式来表示：
Figure BDA0002016830040000212
其中，AS,i,j用于表示第i个目标出行子区域与第j个目标出行子区域之间的POI相似度关系，
Figure BDA0002016830040000213
和
Figure BDA0002016830040000214
分别用于表示第i个目标出行子区域和第j个目标出行子区域的POI向量。
如图5(c)所示为具备连通性关系的一种空间模态图，A3、B3、C3、D3、E3、F3为该空间模态图对应的6个节点，其中，由于A3、B3这两个节点对应的目标出行子区域之间具备出行线路，所以将A3和B3进行连线，同理，本申请实施例还可以将B3和C3、C3和F3、F3和E3、E3和A3分别进行连线，以得到了如图5(c)所示的空间模态图。
其中，上述连通性关系可以通过如下公式来表示：
AC,i,j＝max(0,conn(vi,vj)-AN,i,j) (3)
其中，AC,i,j用于表示第i个目标出行子区域与第j个目标出行子区域之间的连通性关系，且该连通性关系侧重于关注两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路(对应于conn函数)，不考虑两个目标出行子区域之间的距离关系，也即，针对任意两个目标出行子区域，即是两个子区域之间的距离值很近，但由于缺乏相应的出行线路，也说明该两个子区域之间不存在连通性连接关系。
基于上述实施例一或实施例二，本申请实施例可以将目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图，然后从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
考虑到出行需求预测模型的训练过程是本申请实施例提供的资源调度方法的关键步骤，接下来通过如下实施例三对上述训练过程进行具体描述。
实施例三
如图6所示，为本申请实施例提供的一种出行需求预测模型训练的方法流程图，该训练的方法具体包括如下步骤：
S601、获取参考出行区域对应的多个参考空间模态图；
S602、针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
S603、基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
这里，在获取了参考出行区域对应的多个参考空间模态图后，可以提取每个参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，最后基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
在训练出行需求预测模型的具体过程中，可以首先基于提取的每个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵，还可以基于参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵，这样，将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
这里，参考空间模态图对应的历史出行量矩阵可以由该参考空间模态图对应的参考出行区域所包括的各个参考出行子区域的历史出行量来确定，且每个参考出行子区域的历史出行量均可以包含多个历史时间段的出行量。空间模态矩阵则依赖于参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，可以通过如下公式(4)来确定：
Figure BDA0002016830040000241
其中，L用于表示空间模态关系A对应的图拉普拉斯矩阵(即空间模态矩阵)，D用于表示变换矩阵。
这样，将上述公式(1)或(2)或(3)分别带入上述式(4)，便可以得到针对距离关系、POI相似度关系、连通性关系的空间模态矩阵。
在模型的具体训练过程中，本申请实施例可以选用双层图卷积网络模型，本申请实施例中，在第一层图卷积网络模型的训练过程中，低层网络保留了输入信号的物理意义，可以使用建立连接的方式进行多图互动，在第二层图卷积网络模型的训练过程中，经过多层堆叠的图卷积，高层网络学习到的特征已经不具有输入信号的物理意义，可以通过密度分布估计的方式学习多模态图之间关系对高层网络进行建模，学习模态之间的多重线性关系。如图7所示，上述双层图卷积网络模型的训练方法具体包括如下步骤：
S701、将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
S702、将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
S703、若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
其中，第一层参考输出模态图可以是所有输入的空间模态图值经过不同图卷积运算后的加和，本申请实施例中，针对任一个参考空间模态图，可以首先基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；然后对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
为了便于进一步理解上述采用双层图卷积网络模型进行训练的过程，现结合如下公式进行双层图卷积网络模型训练的具体说明。
针对第一层图卷积网络模型而言，假设第一层图卷积网络模型的输入由三个输入模态(即对应三个参考空间模态图)组成，这样，对应的第一层参考输出模态图也为三个。对于每一个输入模态和输出模态，可以将它们之间的转移定义为一个图卷积操作(权重为W)，该层网络权重定义为如下形式：
Figure BDA0002016830040000261
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure BDA0002016830040000262
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
对于从模态i到模态j的每个图卷积操作(任一个参考空间模态图的任一输出结果)，定义如下：
Figure BDA0002016830040000263
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
这样，多图卷积操作定义为多模态卷积操作的加和，如下式所示：
Figure BDA0002016830040000264
其中，所述
Figure BDA0002016830040000271
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure BDA0002016830040000272
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
此外，本申请实施例还可以按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure BDA0002016830040000273
其中，γ<1，且i＝j条件下的
Figure BDA0002016830040000274
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure BDA0002016830040000275
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure BDA0002016830040000276
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
针对第二层图卷积网络模型而言，可以将多图卷积神经网络的|M|个可训练权重联立如下：
Figure BDA0002016830040000277
假设W服从张量正态分布
Figure BDA0002016830040000278
可见，W是一个四维张量，四个维度分别为输入I，输出O，切比雪夫度K，模态数|M|(即参考空间模态图的个数)。
本申请实施例中，可以按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure BDA0002016830040000279
其中，∑用于表示协方差矩阵，所述vec()用于表示vec函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure BDA00020168300400002710
最小化时确定第三权重训练参数符合预设张量正态分布。
综上可知，本申请实施例提供的资源调度方法利用双层图卷积网络模型优化的损失函数不仅包括预测误差(对应出行量差值)，还包括了连接正则项J1和张量正态分布正则项J2，在确保预测准确性的同时还能够避免过拟合，提升模型的泛化能力，适用性更强。
基于上述实施例，本申请还提供了资源调度装置，下述各种装置的实施可以参见方法的实施，重复之处不再赘述。
实施例四
如图8所示，为本申请实施例七提供的资源调度装置，所述装置包括：
获取模块801，用于获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的目标出行子区域的历史出行量以及对应的目标出行子区域与另外一个目标出行子区域之间的一种空间模态关系；
预测模块802，用于将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量；
调度模块803，用于基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
在一些实施例中，所述空间模态关系包括距离关系；所述获取模块801，具体用于：
获取每两个目标出行子区域之间的距离值；
若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括兴趣点POI相似度关系；所述获取模块801，具体用于：
针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括连通性关系；所述获取模块801，具体用于：
针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
若存在，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述预测模块802，具体用于：
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图；
从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
在一种实施方式中，还包括：
模型训练模块804，用于获取参考出行区域对应的多个参考空间模态图；每个参考空间模态图由所述参考出行区域内所有参考出行子区域对应的节点、以及具有一种空间模态关系的两个参考出行子区域对应的节点连线组成；
针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
在另一种实施方式中，所述模型训练模块804，具体用于：
针对每个参考空间模态图，基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵；
基于所述参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵；
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
在一些实施例中，所述出行需求预测模型包括第一层图卷积网络模型和第二层图卷积网络模型；所述参考空间模态图的个数为M；所述模型训练模块804，具体用于：
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
在又一种实施方式中，所述模型训练模块804，具体用于：
针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；
对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
在一些实施例中，按照如下公式确定针对任一个参考空间模态图的任一输出结果：
Figure BDA0002016830040000321
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
在一些实施例中，按照如下公式确定W：
Figure BDA0002016830040000322
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure BDA0002016830040000323
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，按照如下公式确定针对任一个参考空间模态图的参考输出模态图：
Figure BDA0002016830040000324
其中，所述
Figure BDA0002016830040000325
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure BDA0002016830040000331
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure BDA0002016830040000332
其中，γ<1，且i＝j条件下的
Figure BDA0002016830040000333
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure BDA0002016830040000334
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure BDA0002016830040000335
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
在一些实施例中，按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure BDA0002016830040000336
其中，∑用于表示协方差矩阵，所述vec用于表示激活函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure BDA0002016830040000337
最小化时确定第三权重训练参数符合预设张量正态分布。
实施例五
如图9所示，为本申请实施例七所提供的一种电子设备的结构示意图，包括：处理器901、存储介质902和总线903，所述存储介质902存储有所述处理器901可执行的机器可读指令，当电子设备运行时，所述处理与所述存储介质902之间通过总线903通信，所述机器可读指令被所述处理器901执行时执行如下处理：
获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的目标出行子区域的历史出行量以及对应的目标出行子区域与另外一个目标出行子区域之间的一种空间模态关系；
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量；
基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
在一些实施例中，所述空间模态关系包括距离关系；上述处理器901执行的处理中，按照如下步骤获取一个所述空间模态图：
获取每两个目标出行子区域之间的距离值；
若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括兴趣点POI相似度关系；上述处理器901执行的处理中，按照如下步骤获取一个所述空间模态图：
针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一些实施例中，所述空间模态关系包括连通性关系；上述处理器901执行的处理中，按照如下步骤获取一个所述空间模态图：
针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
若存在，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
在一种实施方式中，上述处理器901执行的处理中，所述将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，包括：
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图；
从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
在另一种实施方式中，上述处理器901执行的处理中，按照如下步骤训练所述出行需求预测模型：
获取参考出行区域对应的多个参考空间模态图；每个参考空间模态图由所述参考出行区域内所有参考出行子区域对应的节点、以及具有一种空间模态关系的两个参考出行子区域对应的节点连线组成；
针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
在一些实施例中，上述处理器901执行的处理中，所述基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型，包括：
针对每个参考空间模态图，基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵；
基于所述参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵；
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
在一些实施例中，所述出行需求预测模型包括第一层图卷积网络模型和第二层图卷积网络模型；所述参考空间模态图的个数为M；上述处理器901执行的处理中，所述将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型，包括：
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
在一些实施例中，所述基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，包括：
针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；
对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
在一些实施例中，上述处理器901执行的处理中，按照如下公式确定针对任一个参考空间模态图的任一输出结果：
Figure BDA0002016830040000381
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
在一些实施例中，上述处理器901执行的处理中，按照如下公式确定W：
Figure BDA0002016830040000382
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure BDA0002016830040000383
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，上述处理器901执行的处理中，按照如下公式确定针对任一个参考空间模态图的参考输出模态图：
Figure BDA0002016830040000391
其中，所述
Figure BDA0002016830040000392
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure BDA0002016830040000393
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
在一些实施例中，上述处理器901执行的处理中，按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure BDA0002016830040000394
其中，γ<1，且i＝j条件下的
Figure BDA0002016830040000395
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure BDA0002016830040000396
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure BDA0002016830040000397
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
在一些实施例中，上述处理器901执行的处理中，按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure BDA0002016830040000398
其中，∑用于表示协方差矩阵，所述vec()用于表示vec函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure BDA0002016830040000399
最小化时确定第三权重训练参数符合预设张量正态分布。
实施例六
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述资源调度方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述资源调度方法，从而解决相关技术中缺乏有效的出行资源调度方式来解决乘客高峰期打车难、司机却可能处于空载的问题的问题，进而达到利用预测出行量合理调度出行资源的效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (30)

1.一种资源调度方法，其特征在于，包括：
获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的目标出行子区域的历史出行量以及对应的目标出行子区域与另外一个目标出行子区域之间的一种空间模态关系；
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量；
基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
2.根据权利要求1所述的方法，其特征在于，所述空间模态关系包括距离关系；按照如下步骤获取一个所述空间模态图：
获取每两个目标出行子区域之间的距离值；
若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
3.根据权利要求1所述的方法，其特征在于，所述空间模态关系包括兴趣点POI相似度关系；按照如下步骤获取一个所述空间模态图：
针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
4.根据权利要求1所述的方法，其特征在于，所述空间模态关系包括连通性关系；按照如下步骤获取一个所述空间模态图：
针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
若存在，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，包括：
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图；
从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
6.根据权利要求1～5任一所述的方法，其特征在于，按照如下步骤训练所述出行需求预测模型：
获取参考出行区域对应的多个参考空间模态图；每个参考空间模态图由所述参考出行区域内所有参考出行子区域对应的节点、以及具有一种空间模态关系的两个参考出行子区域对应的节点连线组成；
针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
7.根据权利要求6所述的方法，其特征在于，所述基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型，包括：
针对每个参考空间模态图，基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵；
基于所述参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵；
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
8.根据权利要求7所述的方法，其特征在于，所述出行需求预测模型包括第一层图卷积网络模型和第二层图卷积网络模型；所述参考空间模态图的个数为M；所述将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型，包括：
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
9.根据权利要求8所述的方法，其特征在于，所述基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，包括：
针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；
对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
10.根据权利要求9所述的方法，其特征在于，按照如下公式确定针对任一个参考空间模态图的任一输出结果：
Figure FDA0002016830030000051
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
11.根据权利要求10所述的方法，其特征在于，按照如下公式确定W：
Figure FDA0002016830030000061
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure FDA0002016830030000062
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
12.根据权利要求11所述的方法，其特征在于，按照如下公式确定针对任一个参考空间模态图的参考输出模态图：
Figure FDA0002016830030000063
其中，所述
Figure FDA0002016830030000064
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure FDA0002016830030000065
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
13.根据权利要求8所述的方法，其特征在于，按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure FDA0002016830030000066
其中，γ<1，且i＝j条件下的
Figure FDA0002016830030000067
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure FDA0002016830030000068
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure FDA0002016830030000069
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
14.根据权利要求8所述的方法，其特征在于，按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure FDA00020168300300000610
其中，∑用于表示协方差矩阵，所述vec()用于表示vec函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure FDA0002016830030000071
最小化时确定第三权重训练参数符合预设张量正态分布。
15.一种资源调度装置，其特征在于，包括：
获取模块，用于获取目标出行区域对应的多个空间模态图；每个空间模态图由所述目标出行区域内所有目标出行子区域对应的节点、以及具有一种空间模态关系的两个目标出行子区域对应的节点连线组成，每个节点的信息包括对应的目标出行子区域的历史出行量以及对应的目标出行子区域与另外一个目标出行子区域之间的一种空间模态关系；
预测模块，用于将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量；
调度模块，用于基于所述目标出行区域内各个目标出行子区域在未来预设时间段内的出行量，进行出行资源调度。
16.根据权利要求15所述的装置，其特征在于，所述空间模态关系包括距离关系；所述获取模块，具体用于：
获取每两个目标出行子区域之间的距离值；
若所述距离值小于设定阈值，则将该距离值对应的两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
17.根据权利要求15所述的装置，其特征在于，所述空间模态关系包括兴趣点POI相似度关系；所述获取模块，具体用于：
针对每个目标出行子区域，获取在该目标出行子区域内每类兴趣点的个数，并基于各类兴趣点的个数，构建对应于该目标出行子区域的POI向量；
基于每两个目标出行子区域各自的POI向量，确定所述两个目标出行子区域之间的POI相似度；
若所述POI相似度大于设定相似度，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
18.根据权利要求15所述的装置，其特征在于，所述空间模态关系包括连通性关系；所述获取模块，具体用于：
针对每两个目标出行子区域，确定所述两个目标出行子区域之间是否存在预设交通出行设备对应的出行线路；
若存在，则将所述两个目标出行子区域对应的节点进行连线；
基于得到的节点之间的连线和对应的节点，得到所述目标出行区域对应的一个空间模态图。
19.根据权利要求15所述的装置，其特征在于，所述预测模块，具体用于：
将所述目标出行区域对应的多个空间模态图输入至预先训练好的出行需求预测模型中，得到所述目标出行区域对应的一个输出模态图；
从得到的输出模态图的各节点的信息中提取与每个节点对应的目标出行子区域在未来预设时间段内的出行量。
20.根据权利要求15～19任一所述的装置，其特征在于，还包括：
模型训练模块，用于获取参考出行区域对应的多个参考空间模态图；每个参考空间模态图由所述参考出行区域内所有参考出行子区域对应的节点、以及具有一种空间模态关系的两个参考出行子区域对应的节点连线组成；
针对每个参考空间模态图，提取该参考空间模态图的每个节点的信息中该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系；
基于提取的各个参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量以及该参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系、和参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，训练得到所述出行需求预测模型。
21.根据权利要求20所述的装置，其特征在于，所述模型训练模块，具体用于：
针对每个参考空间模态图，基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域的历史出行量，确定该参考空间模态图对应的参考出行区域的历史出行量矩阵；以及基于提取的该参考空间模态图的每个节点的信息包括的该节点对应的参考出行子区域与另外一个参考出行子区域之间的一种空间模态关系，确定该参考空间模态图对应的参考出行区域的一个空间模态矩阵；
基于所述参考输出模态图的每个节点的信息包括的在未来预设时间段内的出行量，确定所述参考输出模态图对应的参考出行区域的未来出行量矩阵；
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵作为待训练的出行需求预测模型的输入特征，将所述参考输出模态图对应的未来出行量矩阵作为待训练的出行需求预测模型的输出结果，训练得到所述出行需求预测模型。
22.根据权利要求21所述的装置，其特征在于，所述出行需求预测模型包括第一层图卷积网络模型和第二层图卷积网络模型；所述参考空间模态图的个数为M；所述模型训练模块，具体用于：
将提取的各个参考空间模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第一层图卷积网络模型中，针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数、以及其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图，并将该第一层参考输出模态图作为待训练的第二层图卷积网络模型的一个输入；
将M个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵输入至待训练的第二层图卷积网络模型中，基于每个第一层参考输出模态图对应的历史出行量矩阵和空间模态矩阵的第三图卷积运算结果、和每个第三图卷积运算结果对应的第三权重训练参数，得到所述第二层图卷积网络模型针对M个第一层参考输出模态图的第二层参考输出模态图及对应的未来出行量预测值；
若所述未来出行量预测值与未来出行量真实值之间的出行量差值大于或等于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数不符合预设权重惩罚策略、且所述第三权重训练参数不符合预设张量正态分布，则调整所述第一权重训练参数和第二权重训练参数，以及所述第三权重训练参数，直至所述出行量差值小于预设差值阈值、所述第一权重训练参数与所述第二权重训练参数符合预设权重惩罚策略、以及所述第三权重训练参数符合预设张量正态分布。
23.根据权利要求22所述的装置，其特征在于，所述模型训练模块，具体用于：
针对任一个参考空间模态图，基于该参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第一图卷积运算结果、和该所述第一图卷积运算结果对应的第一权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第一输出结果；以及基于其它参考空间模态图对应的历史出行量矩阵和空间模态矩阵的第二图卷积运算结果、和所述第二图卷积运算结果对应的第二权重训练参数得到所述第一层图卷积网络模型针对该参考空间模态图的第二输出结果；
对所述第一输出结果和所述第二输出结果进行求和，得到所述第一层图卷积网络模型针对该参考空间模态图的第一层参考输出模态图。
24.根据权利要求23所述的装置，其特征在于，按照如下公式确定针对任一个参考空间模态图的任一输出结果：
Figure FDA0002016830030000111
其中，所述GW用于表示针对任一个参考空间模态图的任一输出结果，所述Lα用于表示所述任一个参考空间模态图对应的α阶空间模态矩阵，X用于表示所述任一个参考空间模态图对应的历史出行量矩阵，Wα用于表示针对Lα和X得到图卷积运算结果对应的权重训练参数，所述K用于表示可调节参数。
25.根据权利要求24所述的装置，其特征在于，按照如下公式确定W：
Figure FDA0002016830030000112
其中，Wl用于表示第l层图卷积网络模型中针对L和X得到图卷积运算结果对应的权重训练参数，
Figure FDA0002016830030000113
用于表示第l层图卷积网络模型中从第i个参考空间模态图到第j个参考输出模态图的权重训练参数，所述|M|用于表示参考空间模态图的个数。
26.根据权利要求25所述的装置，其特征在于，按照如下公式确定针对任一个参考空间模态图的参考输出模态图：
Figure FDA0002016830030000114
其中，所述
Figure FDA0002016830030000115
用于表示针对任一个参考空间模态图i的参考输出模态图j，所述σ用于表示激活函数，所述
Figure FDA0002016830030000121
用于表示针对任一个参考空间模态图的任一输出结果，所述|M|用于表示参考空间模态图的个数。
27.根据权利要求22所述的装置，其特征在于，按照如下公式确定所述第一权重训练参数与所述第二权重训练参数是否符合预设权重惩罚策略：
Figure FDA0002016830030000122
其中，γ<1，且i＝j条件下的
Figure FDA0002016830030000123
用于表示第l层图卷积网络模型的第一权重训练参数，i≠j条件下的
Figure FDA0002016830030000124
用于表示第l层图卷积网络模型的第二权重训练参数，在
Figure FDA0002016830030000125
最小化时确定第一权重训练参数与第二权重训练参数符合预设权重惩罚策略。
28.根据权利要求22所述的装置，其特征在于，按照如下公式确定所述第三权重训练参数是否符合预设张量正态分布：
Figure FDA0002016830030000126
其中，∑用于表示协方差矩阵，所述vec用于表示激活函数，所述Wl用于表示第l层图卷积网络模型的第三权重训练参数，在
Figure FDA0002016830030000127
最小化时确定第三权重训练参数符合预设张量正态分布。
29.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至14任一所述资源调度方法的步骤。
30.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至14任一所述资源调度方法的步骤。
CN201910265951.4A 2019-04-03 2019-04-03 一种资源调度方法、装置、电子设备及存储介质 Pending CN111784018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910265951.4A CN111784018A (zh) 2019-04-03 2019-04-03 一种资源调度方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910265951.4A CN111784018A (zh) 2019-04-03 2019-04-03 一种资源调度方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111784018A true CN111784018A (zh) 2020-10-16

Family

ID=72755218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910265951.4A Pending CN111784018A (zh) 2019-04-03 2019-04-03 一种资源调度方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111784018A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529491A (zh) * 2020-10-26 2021-03-19 杉数科技(北京)有限公司 一种库存管理方法及装置
CN114327840A (zh) * 2022-03-11 2022-04-12 北京骑胜科技有限公司 数据处理方法和数据处理装置
CN114706610A (zh) * 2022-03-30 2022-07-05 苏州峰之鼎信息科技有限公司 一种业务流程图生成方法、装置、设备及存储介质
CN115618986A (zh) * 2022-09-29 2023-01-17 北京骑胜科技有限公司 协调资源的方法和装置
CN116612640A (zh) * 2023-07-14 2023-08-18 之江实验室 一种车辆调度方法、装置、存储介质及电子设备

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171692A1 (en) * 2004-02-02 2005-08-04 Glacier Northwest, Inc. Resource management system, for example, tracking and management system for trucks
CN105160021A (zh) * 2015-09-29 2015-12-16 滴滴（中国）科技有限公司 基于目的地偏好的订单分配方法及装置
CN105303817A (zh) * 2015-09-16 2016-02-03 北京嘀嘀无限科技发展有限公司 一种出行方式的规划方法及装置
CN105677804A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 权威站点的确定以及权威站点数据库的建立方法和装置
CN106373387A (zh) * 2016-10-25 2017-02-01 先锋智道（北京）科技有限公司 一种车辆调度方法、装置及***
CN106897801A (zh) * 2017-02-28 2017-06-27 百度在线网络技术（北京）有限公司 司机分类的方法、装置、设备以及存储介质
CN106897919A (zh) * 2017-02-28 2017-06-27 百度在线网络技术（北京）有限公司 用车类型预测模型建立、信息提供方法及装置
CN106960447A (zh) * 2017-05-17 2017-07-18 成都通甲优博科技有限责任公司 一种视频目标跟踪的位置修正方法及***
CN107078250A (zh) * 2015-08-25 2017-08-18 江森自控科技公司 用于蓄电池模块的过充电保护组件
CN107133645A (zh) * 2017-05-03 2017-09-05 百度在线网络技术（北京）有限公司 预估乘客取消订单行为的方法、设备及存储介质
CN107492062A (zh) * 2016-06-13 2017-12-19 滴滴（中国）科技有限公司 乘客出行矩阵的压缩方法和***
CN107633680A (zh) * 2016-07-12 2018-01-26 阿里巴巴集团控股有限公司 出行数据的获取方法、装置、设备和***
US20180197418A1 (en) * 2017-01-09 2018-07-12 Satori Worldwide, Llc Systems and methods for managing assets in a geographical location
US20180197070A1 (en) * 2017-01-12 2018-07-12 International Business Machines Corporation Neural network computing systems for predicting vehicle requests
CN108399749A (zh) * 2018-03-14 2018-08-14 西南交通大学 一种短时交通出行需求预测方法
KR20180113277A (ko) * 2017-04-06 2018-10-16 박재석 반려동물 위탁 수탁 중개 장치 및 그 방법
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控***时空数据预测方法
CN108763538A (zh) * 2018-05-31 2018-11-06 北京嘀嘀无限科技发展有限公司 一种确定兴趣点poi地理位置的方法及装置
CN108776852A (zh) * 2018-06-22 2018-11-09 北京京东金融科技控股有限公司 无桩车辆调度方法和***
CN108932553A (zh) * 2017-05-25 2018-12-04 北京嘀嘀无限科技发展有限公司 确定交通工具需求数据的方法及装置
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法
US20180357893A1 (en) * 2017-06-07 2018-12-13 International Business Machines Corporation Uncertainty modeling in traffic demand prediction
CN109190795A (zh) * 2018-08-01 2019-01-11 中山大学 一种区域间出行需求预测方法及装置
CN109214863A (zh) * 2018-08-27 2019-01-15 西北工业大学 一种基于快递数据预测城市房屋需求的方法
CN111612249A (zh) * 2020-05-20 2020-09-01 北京百度网讯科技有限公司 用于预测人流量的方法、装置、设备以及存储介质

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050171692A1 (en) * 2004-02-02 2005-08-04 Glacier Northwest, Inc. Resource management system, for example, tracking and management system for trucks
CN107078250A (zh) * 2015-08-25 2017-08-18 江森自控科技公司 用于蓄电池模块的过充电保护组件
CN105303817A (zh) * 2015-09-16 2016-02-03 北京嘀嘀无限科技发展有限公司 一种出行方式的规划方法及装置
CN105160021A (zh) * 2015-09-29 2015-12-16 滴滴（中国）科技有限公司 基于目的地偏好的订单分配方法及装置
CN105677804A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 权威站点的确定以及权威站点数据库的建立方法和装置
CN107492062A (zh) * 2016-06-13 2017-12-19 滴滴（中国）科技有限公司 乘客出行矩阵的压缩方法和***
CN107633680A (zh) * 2016-07-12 2018-01-26 阿里巴巴集团控股有限公司 出行数据的获取方法、装置、设备和***
CN106373387A (zh) * 2016-10-25 2017-02-01 先锋智道（北京）科技有限公司 一种车辆调度方法、装置及***
US20180197418A1 (en) * 2017-01-09 2018-07-12 Satori Worldwide, Llc Systems and methods for managing assets in a geographical location
US20180197070A1 (en) * 2017-01-12 2018-07-12 International Business Machines Corporation Neural network computing systems for predicting vehicle requests
CN106897919A (zh) * 2017-02-28 2017-06-27 百度在线网络技术（北京）有限公司 用车类型预测模型建立、信息提供方法及装置
CN106897801A (zh) * 2017-02-28 2017-06-27 百度在线网络技术（北京）有限公司 司机分类的方法、装置、设备以及存储介质
KR20180113277A (ko) * 2017-04-06 2018-10-16 박재석 반려동물 위탁 수탁 중개 장치 및 그 방법
CN107133645A (zh) * 2017-05-03 2017-09-05 百度在线网络技术（北京）有限公司 预估乘客取消订单行为的方法、设备及存储介质
CN106960447A (zh) * 2017-05-17 2017-07-18 成都通甲优博科技有限责任公司 一种视频目标跟踪的位置修正方法及***
CN108932553A (zh) * 2017-05-25 2018-12-04 北京嘀嘀无限科技发展有限公司 确定交通工具需求数据的方法及装置
US20180357893A1 (en) * 2017-06-07 2018-12-13 International Business Machines Corporation Uncertainty modeling in traffic demand prediction
CN108399749A (zh) * 2018-03-14 2018-08-14 西南交通大学 一种短时交通出行需求预测方法
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控***时空数据预测方法
CN108763538A (zh) * 2018-05-31 2018-11-06 北京嘀嘀无限科技发展有限公司 一种确定兴趣点poi地理位置的方法及装置
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法
CN108776852A (zh) * 2018-06-22 2018-11-09 北京京东金融科技控股有限公司 无桩车辆调度方法和***
CN109190795A (zh) * 2018-08-01 2019-01-11 中山大学 一种区域间出行需求预测方法及装置
CN109214863A (zh) * 2018-08-27 2019-01-15 西北工业大学 一种基于快递数据预测城市房屋需求的方法
CN111612249A (zh) * 2020-05-20 2020-09-01 北京百度网讯科技有限公司 用于预测人流量的方法、装置、设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M. E. SEELEY等: "Consistency of elemental and isotope-ratio patterns across multiple scales from individual fish", 《JOURNAL OF FISH BIOLOGY》, vol. 91, no. 3, 3 August 2017 (2017-08-03), pages 928 - 946 *
商建东;李盼乐;刘润杰;李润川;: "基于加权时变泊松模型的出租车载客点推荐模型", 计算机应用, vol. 38, no. 04, 26 December 2017 (2017-12-26), pages 923 - 927 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529491A (zh) * 2020-10-26 2021-03-19 杉数科技(北京)有限公司 一种库存管理方法及装置
CN114327840A (zh) * 2022-03-11 2022-04-12 北京骑胜科技有限公司 数据处理方法和数据处理装置
CN114327840B (zh) * 2022-03-11 2022-06-10 北京骑胜科技有限公司 数据处理方法和数据处理装置
CN114706610A (zh) * 2022-03-30 2022-07-05 苏州峰之鼎信息科技有限公司 一种业务流程图生成方法、装置、设备及存储介质
CN115618986A (zh) * 2022-09-29 2023-01-17 北京骑胜科技有限公司 协调资源的方法和装置
CN116612640A (zh) * 2023-07-14 2023-08-18 之江实验室 一种车辆调度方法、装置、存储介质及电子设备
CN116612640B (zh) * 2023-07-14 2023-12-26 之江实验室 一种车辆调度方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN111784018A (zh) 一种资源调度方法、装置、电子设备及存储介质
CN111366160B (zh) 路径规划方法、路径规划装置及终端设备
CN109478364B (zh) 确定预计到达时间的方法及***
CN111476588B (zh) 订单需求预测方法、装置、电子设备及可读存储介质
WO2016127918A1 (zh) 一种运力调度方法及***
CN107101643B (zh) 一种拼车匹配方法
CN111324824B (zh) 一种目的地推荐方法、其装置、电子设备及可读存储介质
JP2018533778A (ja) 共有可能な注文を割り当てるためのシステムおよび方法
KR20180012794A (ko) 운송 서비스 요금을 결정하기 위한 방법 및 시스템
CN110741225B (zh) 确定目标站点的***和方法
CN112236787A (zh) 用于生成个性化目的地推荐的***和方法
US20210117874A1 (en) System for dispatching a driver
CN111612122A (zh) 实时需求量的预测方法、装置及电子设备
CN107167151B (zh) 公交车线路设置方法、路线规划方法及装置
CN109084797B (zh) 一种导航路径推荐方法和装置
CN111047130B (zh) 用于交通分析和管理的方法和***
CN111861643A (zh) 一种乘车位置的推荐方法、装置、电子设备及存储介质
CN114548811A (zh) 一种机场可达性的检测方法、装置、电子设备及存储介质
CN111859172B (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
CN111159317A (zh) 用于确定路径拓扑关系的***和方法
CN112069635A (zh) 一种换电柜的部署方法、装置、介质及电子设备
CN111860904A (zh) 上车点排序的方法及装置
CN111833119A (zh) 一种订单分配的方法、装置、电子设备及存储介质
CN111860922A (zh) 一种服务站部署控制方法、装置、电子设备及存储介质
CN111489214A (zh) 订单分配方法、条件设置方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination