CN113435502A - 站点流量确定方法、装置、设备及存储介质 - Google Patents
站点流量确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113435502A CN113435502A CN202110712950.7A CN202110712950A CN113435502A CN 113435502 A CN113435502 A CN 113435502A CN 202110712950 A CN202110712950 A CN 202110712950A CN 113435502 A CN113435502 A CN 113435502A
- Authority
- CN
- China
- Prior art keywords
- site
- information
- vector
- sample
- time period
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000004458 analytical method Methods 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 154
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能,提供一种站点流量确定方法、装置、设备及存储介质。该方法能够获取样本站点在第一时段的站点信息及在第二时段的流量结果,站点信息包括当前流量,获取预设学习器,根据站点信息确定样本站点的相邻站点,对站点信息及相邻站点的相邻信息进行分析,得到相关度,对相关度及相邻信息进行卷积处理,得到站点特征信息,对站点特征信息及当前流量进行分析,得到预测结果,根据预测结果及流量结果调整预设学习器中的参数,得到流量预测模型,将分析站点在预测时段所对应的目标时段的数据信息输入至流量预测模型中,得到流量结果。本发明能够精确的确定出流量结果。此外,本发明还涉及区块链技术,所述流量结果可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种站点流量确定方法、装置、设备及存储介质。
背景技术
在智能交通领域中,准确的确定站点的流量能够给用户带来极大的方便。在目前的站点流量确定方式中,通常是直接根据站点的属性,以及站点与站点之间的相似性确定该站点的流量。然而,发明人意识到,该确定方式无法准确的分析出该站点所在道路上的属性信息对该站点流量的影响程度,从而造成无法准确的确定出该站点的流量。
发明内容
鉴于以上内容,有必要提供一种站点流量确定方法、装置、设备及存储介质,能够准确的确定出所述分析站点的流量结果。
一方面,本发明提出一种站点流量确定方法,所述站点流量确定方法包括:
获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量;
获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层;
根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点;
基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度;
基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息;
基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果;
根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型;
当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
根据本发明优选实施例,所述站点信息还包括所述样本站点的位置信息,所述根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点包括:
从所述空间特征处理网络中获取基准坐标系,并将所述位置信息映射至所述基准坐标系中,得到位置坐标;
从所述基准坐标系中获取与所述位置坐标存在连结关系的坐标作为连结坐标;
计算所述位置坐标与所述连结坐标的距离;
将所述距离小于预设距离阈值的连接坐标所对应的站点确定为所述相邻站点。
根据本发明优选实施例,所述基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度包括:
基于预设向量映射表对所述站点信息进行向量化处理,得到站点向量,并基于所述预设向量映射表对所述相邻信息进行向量化处理,得到相邻向量;
获取所述注意力层中的第一权重矩阵及第二权重矩阵;
计算所述站点向量与所述第一权重矩阵的乘积,得到第一权值向量,并计算所述相邻向量与所述第一权重矩阵的乘积,得到第二权值向量;
拼接所述第一权值向量及所述第二权值向量,得到拼接向量,并计算所述拼接向量与所述第二权重矩阵的乘积,得到目标权值向量;
获取所述注意力层中的激活函数;
基于所述激活函数对所述目标权值向量进行处理,得到所述样本站点与每个相邻站点的注意力分数;
对所述注意力分数进行归一化处理,得到所述相关度。
根据本发明优选实施例,所述基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息包括:
获取所述相邻信息对应的所述相邻向量;
获取所述卷积层中的卷积参数;
计算所述卷积参数、每个所述相关度及每个所述相邻站点的所述相邻向量的乘积,得到多个特征向量;
计算所述多个特征向量中相同维度上的元素总和,得到所述站点特征信息。
根据本发明优选实施例,所述基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果包括:
拼接所述当前流量及所述站点特征信息,得到输入向量;
获取所述时间特征处理网络中重置门的重置矩阵及更新门中的更新矩阵;
基于所述重置矩阵对所述输入向量进行处理,得到重置向量,并基于所述更新矩阵对所述输入向量进行处理,得到更新向量;
获取所述时间特征处理网络中候选层的候选矩阵;
计算所述重置向量与所述当前流量的乘积,得到运算向量,并拼接所述运算向量及所述站点特征信息,得到候选输入;
计算所述候选输入与所述候选矩阵的乘积,得到候选向量;
以所述更新向量作为所述候选向量的候选权值,对所述候选向量及所述当前流量进行加权和运算处理,得到所述预测结果。
根据本发明优选实施例,所述根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型包括:
基于下列公式计算所述预设学习器的所述损失值包括:
根据所述损失值调整所述预设学习器中的所述参数,直至所述损失值不再降低,停止调整所述参数并得到所述流量预测模型。
根据本发明优选实施例,所述根据所述流量预测请求获取分析站点及所述分析站点的预测时段包括:
解析所述流量预测请求的报文,得到所述报文携带的数据信息;
从所述数据信息中获取指示站点的信息作为站点识别码,并根据所述站点识别码所对应的站点确定为所述分析站点;
从所述数据信息中获取指示时间的信息作为初始时段,并获取所述流量预测请求的接收时刻;
若所述初始时段处于所述接收时刻之后,将所述初始时段确定为所述预测时段。
另一方面,本发明还提出一种站点流量确定装置,所述站点流量确定装置包括:
获取单元,用于获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量;
所述获取单元,还用于获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层;
确定单元,用于根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点;
分析单元,用于基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度;
卷积单元,用于基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息;
所述分析单元,还用于基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果;
调整单元,用于根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型;
输入单元,用于当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述站点流量确定方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述站点流量确定方法。
由以上技术方案可以看出,本发明通过所述注意力层分析所述样本站点与每个相邻站点的相关度,能够准确的确定出每个相邻站点与所述样本站点所在的边属性对所述样本站点的影响程度,通过所述卷积层分析所述相关度及所述相邻信息,能够基于所述相关度准确的确定出所述样本站点在所述第二时段的站点特征信息,通过所述时间特征处理网络能够基于所述当前流量及所述站点特征信息确定出所述预测结果,进而根据所述预测结果及所述流量结果调整所述预设学习器中的参数,由于本发明对所述预设学习器中所述空间特征处理网络及所述时间特征处理网络的参数进行调整,因此能够提高所述流量预测模型的预测精度,从而能够准确的确定出所述分析站点在所述预测时段的所述流量结果。
附图说明
图1是本发明站点流量确定方法的较佳实施例的流程图。
图2是本发明站点流量确定装置的较佳实施例的功能模块图。
图3是本发明实现站点流量确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明站点流量确定方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述站点流量确定方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量。
在本发明的至少一个实施例中,所述样本站点可以是任意位置点,本发明对所述样本站点不作限制。例如,所述样本站点可以是某个学校。
所述站点信息还包括,但不限于:预设区域内写字楼数量、当前交通运输承载量等。其中,本发明对所述预设区域不作限制。
所述第一时段是指所述样本站点的相关信息为所述站点信息的时间段,所述第二时段是指所述第一时段的下一个时间段。例如,所述第一时段为8:00-9:00,所述第二时段可以是9:00-10:00。本发明通过所述第一时段的数据信息能够预测出所述样本站点在所述第二时段的流量结果。
所述流量结果可以是指所述样本站点在所述第二时段的车流量或者人流量等。相应的,所述当前流量是指所述样本站点在所述第一时段的车流量或者人流量等。
在本发明的至少一个实施例中,所述电子设备可以从任意网站中获取所述站点训练样本,本发明对所述站点训练样本的获取渠道不作限制。
S11,获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层。
在本发明的至少一个实施例中,所述预设学习器中的参数是初始化设置好的。
所述空间特征处理网络是指根据所述站点信息及相邻站点的相邻信息生成所述第二时段的站点特征信息的网络,所述时间特征处理网络是指根据所述样本站点在所述第二时段中的所述站点特征信息及所述当前流量生成所述第二时段的预测结果的网络。
所述注意力层中包括的参数有第一权重矩阵及第二权重矩阵。
所述卷积层中包括的参数有卷积参数。
S12,根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点。
在本发明的至少一个实施例中,所述相邻站点是指与所述样本站点的距离小于预设距离阈值的站点,以及所述相邻站点与所述样本站点之间存在互通的边,具体来说,所述相邻站点与所述样本站点之间存在互通的边可以是指所述相邻站点与所述样本站点之间的道路。
所述相邻站点还包括所述样本站点本身。
在本发明的至少一个实施例中,所述站点信息还包括所述样本站点的位置信息,所述电子设备根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点包括:
从所述空间特征处理网络中获取基准坐标系,并将所述位置信息映射至所述基准坐标系中,得到位置坐标;
从所述基准坐标系中获取与所述位置坐标存在连结关系的坐标作为连结坐标;
计算所述位置坐标与所述连结坐标的距离;
将所述距离小于预设距离阈值的连接坐标所对应的站点确定为所述相邻站点。
其中,所述位置信息是指所述样本站点所在位置的信息。
所述基准坐标系是指预先设定好的坐标系,所述空间特征处理网络中所有位置点都是以所述基准坐标系生成的坐标。
所述预设距离阈值可以根据需求设置。
通过所述基准坐标系能够准确的将所述位置信息转换为所述位置坐标,进而通过所述基准坐标系能够准确的确定出与所述位置坐标存在连结关系的连结坐标,从而提高所述相邻站点的确定准确性,同时缩小所述相邻站点的确定范围,从而提高所述相邻站点的确定效率。
S13,基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度。
在本发明的至少一个实施例中,所述相关度是指所述相邻站点对所述样本站点的流量的影响程度。所述相关度中包含有所述相邻站点与所述样本站点所在边的属性信息对所述样本站点的影响程度。
在本发明的至少一个实施例中,所述电子设备基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度包括:
基于预设向量映射表对所述站点信息进行向量化处理,得到站点向量,并基于所述预设向量映射表对所述相邻信息进行向量化处理,得到相邻向量;
获取所述注意力层中的第一权重矩阵及第二权重矩阵;
计算所述站点向量与所述第一权重矩阵的乘积,得到第一权值向量,并计算所述相邻向量与所述第一权重矩阵的乘积,得到第二权值向量;
拼接所述第一权值向量及所述第二权值向量,得到拼接向量,并计算所述拼接向量与所述第二权重矩阵的乘积,得到目标权值向量;
获取所述注意力层中的激活函数;
基于所述激活函数对所述目标权值向量进行处理,得到所述样本站点与每个相邻站点的注意力分数;
对所述注意力分数进行归一化处理,得到所述相关度。
其中,所述预设向量映射表中存储有信息与向量值的映射关系。
所述第一权值向量是指所述站点信息在所述第一权重矩阵上的向量表征,所述第二权值向量是指所述相邻信息在所述第一权重矩阵上的向量表征。
所述目标权值向量是指所述站点信息、所述相邻信息及所述样本站点与所述相邻站点所在的边属性信息在所述第一权重矩阵及所述第二权重矩阵上的向量表征。
通过所述第一权重矩阵对所述站点信息及所述相邻信息进行处理,能够从同一维度上确定出所述第一权值向量及所述第二权值向量,从而能够准确的确定出所述目标权值向量,进一步准确的确定出所述相关度,同时,由于所述目标权值向量中包含有所述站点信息、所述相邻信息及所述样本站点与所述相邻站点所在的边属性信息的向量表征,因此提高了所述相关度的准确性。
S14,基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息。
在本发明的至少一个实施例中,所述站点特征信息中包含有所述样本站点及所述相邻站点在所述第二时段的相关信息,以及所述样本站点与所述相邻站点所在边的属性信息。其中,所述属性信息包括道路的宽窄、障碍物的多少等信息。
在本发明的至少一个实施例中,所述电子设备基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息包括:
获取所述相邻信息对应的所述相邻向量;
获取所述卷积层中的卷积参数;
计算所述卷积参数、每个所述相关度及每个所述相邻站点的所述相邻向量的乘积,得到多个特征向量;
计算所述多个特征向量中相同维度上的元素总和,得到所述站点特征信息。
其中,每个特征向量中包含有每个相邻站点与所述样本站点之间所在边的属性信息。
通过上述实施方式,能够融合多个所述相邻节点的特征,从而能够生成全面包含有多个所述相邻节点的特征的站点特征信息,进而提高所述预测结果的准确性。
S15,基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果。
在本发明的至少一个实施例中,所述时间特征处理网络中包含有重置门、更新门及候选层。所述重置门控制所述样本站点在所述第一时段中的信息写入所述候选层的运算向量。所述更新门是指在所述第一时段中的信息写入所述第二时段的程度。
所述预测结果是指通过所述预设学习器预测所述样本站点在所述第二时段的流量。
在本发明的至少一个实施例中,所述电子设备基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果包括:
拼接所述当前流量及所述站点特征信息,得到输入向量;
获取所述时间特征处理网络中重置门的重置矩阵及更新门中的更新矩阵;
基于所述重置矩阵对所述输入向量进行处理,得到重置向量,并基于所述更新矩阵对所述输入向量进行处理,得到更新向量;
获取所述时间特征处理网络中候选层的候选矩阵;
计算所述重置向量与所述当前流量的乘积,得到运算向量,并拼接所述运算向量及所述站点特征信息,得到候选输入;
计算所述候选输入与所述候选矩阵的乘积,得到候选向量;
以所述更新向量作为所述候选向量的候选权值,对所述候选向量及所述当前流量进行加权和运算处理,得到所述预测结果。
其中,所述重置向量用于表征所述站点特征信息写入所述候选层中的信息量。所述更新向量用于表征所述站点特征信息写入所述第二时段的程度。
通过上述实施方式,能够根据所述重置门控制所述站点特征信息写入所述候选层中的信息量,以及根据所述更新门控制所述站点特征信息写入所述第二时段的程度,从而提高所述预测结果的准确性。
S16,根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型。
在本发明的至少一个实施例中,所述参数包括所述空间特征处理网络及所述时间特征处理网络的网络参数。
在本发明的至少一个实施例中,所述电子设备根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型包括:
基于下列公式计算所述预设学习器的所述损失值包括:
根据所述损失值调整所述预设学习器中的所述参数,直至所述损失值不再降低,停止调整所述参数并得到所述流量预测模型。
通过所述损失值控制对所述参数的调节程度,能够确保所述流量预测模型的预测精度。
S17,当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
在本发明的至少一个实施例中,所述流量预测请求可以由任意用户触发生成。所述流量预测请求中携带的信息包括,但不限于:站点识别码及初始时段。
所述目标时段是指所述预测时段的前一个配置时段,例如,配置时段包括:8:00-9:00,9:00-10:00,10:00-11:00,所述预测时段为10:00-11:00,则所述目标时段为9:00-10:00。
所述流量结果是指所述分析站点在所述预测时段的站点流量。
需要强调的是,为进一步保证上述站点流量的私密和安全性,上述站点流量还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述电子设备根据所述流量预测请求获取分析站点及所述分析站点的预测时段包括:
解析所述流量预测请求的报文,得到所述报文携带的数据信息;
从所述数据信息中获取指示站点的信息作为站点识别码,并根据所述站点识别码所对应的站点确定为所述分析站点;
从所述数据信息中获取指示时间的信息作为初始时段,并获取所述流量预测请求的接收时刻;
若所述初始时段处于所述接收时刻之后,将所述初始时段确定为所述预测时段。
其中,所述站点识别码用于唯一指示所述分析站点。
所述接收时刻是指所述电子设备接收到所述流量预测请求的时间。需要说明的是,由于存在网络延迟,因此所述流量预测请求中携带的时段可能处于所述接收时刻之前,或者所述时段可能处于所述接收时刻之后。
通过上述实施方式,能够准确的确定出所述分析站点,同时,通过所述接收时刻的判定能够准确的确定出所述预测时段,避免由于网络延迟造成所述分析站点的流量预测错误。
在本发明的至少一个实施例中,若所述初始时段处于所述接收时刻之前,所述电子设备生成告警信息,并将所述告警信息发送至所述流量预测请求的触发终端。
由以上技术方案可以看出,本发明通过所述注意力层分析所述样本站点与每个相邻站点的相关度,能够准确的确定出每个相邻站点与所述样本站点所在的边属性对所述样本站点的影响程度,通过所述卷积层分析所述相关度及所述相邻信息,能够基于所述相关度准确的确定出所述样本站点在所述第二时段的站点特征信息,通过所述时间特征处理网络能够基于所述当前流量及所述站点特征信息确定出所述预测结果,进而根据所述预测结果及所述流量结果调整所述预设学习器中的参数,由于本发明对所述预设学习器中所述空间特征处理网络及所述时间特征处理网络的参数进行调整,因此能够提高所述流量预测模型的预测精度,从而能够准确的确定出所述分析站点在所述预测时段的所述流量结果。
如图2所示,是本发明站点流量确定装置的较佳实施例的功能模块图。所述站点流量确定装置11包括获取单元110、确定单元111、分析单元112、卷积单元113、调整单元114、输入单元115及生成单元116。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量。
在本发明的至少一个实施例中,所述样本站点可以是任意位置点,本发明对所述样本站点不作限制。例如,所述样本站点可以是某个学校。
所述站点信息还包括,但不限于:预设区域内写字楼数量、当前交通运输承载量等。其中,本发明对所述预设区域不作限制。
所述第一时段是指所述样本站点的相关信息为所述站点信息的时间段,所述第二时段是指所述第一时段的下一个时间段。例如,所述第一时段为8:00-9:00,所述第二时段可以是9:00-10:00。本发明通过所述第一时段的数据信息能够预测出所述样本站点在所述第二时段的流量结果。
所述流量结果可以是指所述样本站点在所述第二时段的车流量或者人流量等。相应的,所述当前流量是指所述样本站点在所述第一时段的车流量或者人流量等。
在本发明的至少一个实施例中,所述获取单元110可以从任意网站中获取所述站点训练样本,本发明对所述站点训练样本的获取渠道不作限制。
所述获取单元110获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层。
在本发明的至少一个实施例中,所述预设学习器中的参数是初始化设置好的。
所述空间特征处理网络是指根据所述站点信息及相邻站点的相邻信息生成所述第二时段的站点特征信息的网络,所述时间特征处理网络是指根据所述样本站点在所述第二时段中的所述站点特征信息及所述当前流量生成所述第二时段的预测结果的网络。
所述注意力层中包括的参数有第一权重矩阵及第二权重矩阵。
所述卷积层中包括的参数有卷积参数。
确定单元111根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点。
在本发明的至少一个实施例中,所述相邻站点是指与所述样本站点的距离小于预设距离阈值的站点,以及所述相邻站点与所述样本站点之间存在互通的边,具体来说,所述相邻站点与所述样本站点之间存在互通的边可以是指所述相邻站点与所述样本站点之间的道路。
所述相邻站点还包括所述样本站点本身。
在本发明的至少一个实施例中,所述站点信息还包括所述样本站点的位置信息,所述确定单元111根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点包括:
从所述空间特征处理网络中获取基准坐标系,并将所述位置信息映射至所述基准坐标系中,得到位置坐标;
从所述基准坐标系中获取与所述位置坐标存在连结关系的坐标作为连结坐标;
计算所述位置坐标与所述连结坐标的距离;
将所述距离小于预设距离阈值的连接坐标所对应的站点确定为所述相邻站点。
其中,所述位置信息是指所述样本站点所在位置的信息。
所述基准坐标系是指预先设定好的坐标系,所述空间特征处理网络中所有位置点都是以所述基准坐标系生成的坐标。
所述预设距离阈值可以根据需求设置。
通过所述基准坐标系能够准确的将所述位置信息转换为所述位置坐标,进而通过所述基准坐标系能够准确的确定出与所述位置坐标存在连结关系的连结坐标,从而提高所述相邻站点的确定准确性,同时缩小所述相邻站点的确定范围,从而提高所述相邻站点的确定效率。
分析单元112基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度。
在本发明的至少一个实施例中,所述相关度是指所述相邻站点对所述样本站点的流量的影响程度。所述相关度中包含有所述相邻站点与所述样本站点所在边的属性信息对所述样本站点的影响程度。
在本发明的至少一个实施例中,所述分析单元112基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度包括:
基于预设向量映射表对所述站点信息进行向量化处理,得到站点向量,并基于所述预设向量映射表对所述相邻信息进行向量化处理,得到相邻向量;
获取所述注意力层中的第一权重矩阵及第二权重矩阵;
计算所述站点向量与所述第一权重矩阵的乘积,得到第一权值向量,并计算所述相邻向量与所述第一权重矩阵的乘积,得到第二权值向量;
拼接所述第一权值向量及所述第二权值向量,得到拼接向量,并计算所述拼接向量与所述第二权重矩阵的乘积,得到目标权值向量;
获取所述注意力层中的激活函数;
基于所述激活函数对所述目标权值向量进行处理,得到所述样本站点与每个相邻站点的注意力分数;
对所述注意力分数进行归一化处理,得到所述相关度。
其中,所述预设向量映射表中存储有信息与向量值的映射关系。
所述第一权值向量是指所述站点信息在所述第一权重矩阵上的向量表征,所述第二权值向量是指所述相邻信息在所述第一权重矩阵上的向量表征。
所述目标权值向量是指所述站点信息、所述相邻信息及所述样本站点与所述相邻站点所在的边属性信息在所述第一权重矩阵及所述第二权重矩阵上的向量表征。
通过所述第一权重矩阵对所述站点信息及所述相邻信息进行处理,能够从同一维度上确定出所述第一权值向量及所述第二权值向量,从而能够准确的确定出所述目标权值向量,进一步准确的确定出所述相关度,同时,由于所述目标权值向量中包含有所述站点信息、所述相邻信息及所述样本站点与所述相邻站点所在的边属性信息的向量表征,因此提高了所述相关度的准确性。
卷积单元113基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息。
在本发明的至少一个实施例中,所述站点特征信息中包含有所述样本站点及所述相邻站点在所述第二时段的相关信息,以及所述样本站点与所述相邻站点所在边的属性信息。其中,所述属性信息包括道路的宽窄、障碍物的多少等信息。
在本发明的至少一个实施例中,所述卷积单元113基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息包括:
获取所述相邻信息对应的所述相邻向量;
获取所述卷积层中的卷积参数;
计算所述卷积参数、每个所述相关度及每个所述相邻站点的所述相邻向量的乘积,得到多个特征向量;
计算所述多个特征向量中相同维度上的元素总和,得到所述站点特征信息。
其中,每个特征向量中包含有每个相邻站点与所述样本站点之间所在边的属性信息。
通过上述实施方式,能够融合多个所述相邻节点的特征,从而能够生成全面包含有多个所述相邻节点的特征的站点特征信息,进而提高所述预测结果的准确性。
所述分析单元112基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果。
在本发明的至少一个实施例中,所述时间特征处理网络中包含有重置门、更新门及候选层。所述重置门控制所述样本站点在所述第一时段中的信息写入所述候选层的运算向量。所述更新门是指在所述第一时段中的信息写入所述第二时段的程度。
所述预测结果是指通过所述预设学习器预测所述样本站点在所述第二时段的流量。
在本发明的至少一个实施例中,所述分析单元112基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果包括:
拼接所述当前流量及所述站点特征信息,得到输入向量;
获取所述时间特征处理网络中重置门的重置矩阵及更新门中的更新矩阵;
基于所述重置矩阵对所述输入向量进行处理,得到重置向量,并基于所述更新矩阵对所述输入向量进行处理,得到更新向量;
获取所述时间特征处理网络中候选层的候选矩阵;
计算所述重置向量与所述当前流量的乘积,得到运算向量,并拼接所述运算向量及所述站点特征信息,得到候选输入;
计算所述候选输入与所述候选矩阵的乘积,得到候选向量;
以所述更新向量作为所述候选向量的候选权值,对所述候选向量及所述当前流量进行加权和运算处理,得到所述预测结果。
其中,所述重置向量用于表征所述站点特征信息写入所述候选层中的信息量。所述更新向量用于表征所述站点特征信息写入所述第二时段的程度。
通过上述实施方式,能够根据所述重置门控制所述站点特征信息写入所述候选层中的信息量,以及根据所述更新门控制所述站点特征信息写入所述第二时段的程度,从而提高所述预测结果的准确性。
调整单元114根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型。
在本发明的至少一个实施例中,所述参数包括所述空间特征处理网络及所述时间特征处理网络的网络参数。
在本发明的至少一个实施例中,所述调整单元114根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型包括:
基于下列公式计算所述预设学习器的所述损失值包括:
根据所述损失值调整所述预设学习器中的所述参数,直至所述损失值不再降低,停止调整所述参数并得到所述流量预测模型。
通过所述损失值控制对所述参数的调节程度,能够确保所述流量预测模型的预测精度。
当接收到流量预测请求时,输入单元115根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
在本发明的至少一个实施例中,所述流量预测请求可以由任意用户触发生成。所述流量预测请求中携带的信息包括,但不限于:站点识别码及初始时段。
所述流量结果是指所述分析站点在所述预测时段的站点流量。
需要强调的是,为进一步保证上述站点流量的私密和安全性,上述站点流量还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述输入单元115根据所述流量预测请求获取分析站点及所述分析站点的预测时段包括:
解析所述流量预测请求的报文,得到所述报文携带的数据信息;
从所述数据信息中获取指示站点的信息作为站点识别码,并根据所述站点识别码所对应的站点确定为所述分析站点;
从所述数据信息中获取指示时间的信息作为初始时段,并获取所述流量预测请求的接收时刻;
若所述初始时段处于所述接收时刻之后,将所述初始时段确定为所述预测时段。
其中,所述站点识别码用于唯一指示所述分析站点。
所述接收时刻是指所述输入单元115接收到所述流量预测请求的时间。需要说明的是,由于存在网络延迟,因此所述流量预测请求中携带的时段可能处于所述接收时刻之前,或者所述时段可能处于所述接收时刻之后。
通过上述实施方式,能够准确的确定出所述分析站点,同时,通过所述接收时刻的判定能够准确的确定出所述预测时段,避免由于网络延迟造成所述分析站点的流量预测错误。
在本发明的至少一个实施例中,若所述初始时段处于所述接收时刻之前,所述生成单元116生成告警信息,并将所述告警信息发送至所述流量预测请求的触发终端。
由以上技术方案可以看出,本发明通过所述注意力层分析所述样本站点与每个相邻站点的相关度,能够准确的确定出每个相邻站点与所述样本站点所在的边属性对所述样本站点的影响程度,通过所述卷积层分析所述相关度及所述相邻信息,能够基于所述相关度准确的确定出所述样本站点在所述第二时段的站点特征信息,通过所述时间特征处理网络能够基于所述当前流量及所述站点特征信息确定出所述预测结果,进而根据所述预测结果及所述流量结果调整所述预设学习器中的参数,由于本发明对所述预设学习器中所述空间特征处理网络及所述时间特征处理网络的参数进行调整,因此能够提高所述流量预测模型的预测精度,从而能够准确的确定出所述分析站点在所述预测时段的所述流量结果。
如图3所示,是本发明实现站点流量确定方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如站点流量确定程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、确定单元111、分析单元112、卷积单元113、调整单元114、输入单元115及生成单元116。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种站点流量确定方法,所述处理器13可执行所述计算机可读指令从而实现:
获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量;
获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层;
根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点;
基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度;
基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息;
基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果;
根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型;
当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明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。例如,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。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量;
获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层;
根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点;
基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度;
基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息;
基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果;
根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型;
当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种站点流量确定方法,其特征在于,所述站点流量确定方法包括:
获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量;
获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层;
根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点;
基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度;
基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息;
基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果;
根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型;
当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
2.如权利要求1所述的站点流量确定方法,其特征在于,所述站点信息还包括所述样本站点的位置信息,所述根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点包括:
从所述空间特征处理网络中获取基准坐标系,并将所述位置信息映射至所述基准坐标系中,得到位置坐标;
从所述基准坐标系中获取与所述位置坐标存在连结关系的坐标作为连结坐标;
计算所述位置坐标与所述连结坐标的距离;
将所述距离小于预设距离阈值的连接坐标所对应的站点确定为所述相邻站点。
3.如权利要求1所述的站点流量确定方法,其特征在于,所述基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度包括:
基于预设向量映射表对所述站点信息进行向量化处理,得到站点向量,并基于所述预设向量映射表对所述相邻信息进行向量化处理,得到相邻向量;
获取所述注意力层中的第一权重矩阵及第二权重矩阵;
计算所述站点向量与所述第一权重矩阵的乘积,得到第一权值向量,并计算所述相邻向量与所述第一权重矩阵的乘积,得到第二权值向量;
拼接所述第一权值向量及所述第二权值向量,得到拼接向量,并计算所述拼接向量与所述第二权重矩阵的乘积,得到目标权值向量;
获取所述注意力层中的激活函数;
基于所述激活函数对所述目标权值向量进行处理,得到所述样本站点与每个相邻站点的注意力分数;
对所述注意力分数进行归一化处理,得到所述相关度。
4.如权利要求3所述的站点流量确定方法,其特征在于,所述基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息包括:
获取所述相邻信息对应的所述相邻向量;
获取所述卷积层中的卷积参数;
计算所述卷积参数、每个所述相关度及每个所述相邻站点的所述相邻向量的乘积,得到多个特征向量;
计算所述多个特征向量中相同维度上的元素总和,得到所述站点特征信息。
5.如权利要求1所述的站点流量确定方法,其特征在于,所述基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果包括:
拼接所述当前流量及所述站点特征信息,得到输入向量;
获取所述时间特征处理网络中重置门的重置矩阵及更新门中的更新矩阵;
基于所述重置矩阵对所述输入向量进行处理,得到重置向量,并基于所述更新矩阵对所述输入向量进行处理,得到更新向量;
获取所述时间特征处理网络中候选层的候选矩阵;
计算所述重置向量与所述当前流量的乘积,得到运算向量,并拼接所述运算向量及所述站点特征信息,得到候选输入;
计算所述候选输入与所述候选矩阵的乘积,得到候选向量;
以所述更新向量作为所述候选向量的候选权值,对所述候选向量及所述当前流量进行加权和运算处理,得到所述预测结果。
7.如权利要求1所述的站点流量确定方法,其特征在于,所述根据所述流量预测请求获取分析站点及所述分析站点的预测时段包括:
解析所述流量预测请求的报文,得到所述报文携带的数据信息;
从所述数据信息中获取指示站点的信息作为站点识别码,并根据所述站点识别码所对应的站点确定为所述分析站点;
从所述数据信息中获取指示时间的信息作为初始时段,并获取所述流量预测请求的接收时刻;
若所述初始时段处于所述接收时刻之后,将所述初始时段确定为所述预测时段。
8.一种站点流量确定装置,其特征在于,所述站点流量确定装置包括:
获取单元,用于获取站点训练样本,所述站点训练样本中包括样本站点在第一时段的站点信息及所述样本站点在第二时段的流量结果,所述站点信息包括所述样本站点在所述第一时段的当前流量;
所述获取单元,还用于获取预设学习器,所述预设学习器中包括空间特征处理网络及时间特征处理网络,所述空间特征处理网络中包括注意力层及卷积层;
确定单元,用于根据所述站点信息从所述空间特征处理网络中确定所述样本站点的相邻站点;
分析单元,用于基于所述注意力层对所述站点信息及所述相邻站点的相邻信息进行分析,得到所述样本站点与每个相邻站点的相关度;
卷积单元,用于基于所述卷积层对所述相关度及所述相邻信息进行卷积处理,得到所述样本站点在所述第二时段的站点特征信息;
所述分析单元,还用于基于所述时间特征处理网络对所述站点特征信息及所述当前流量进行分析,得到所述样本站点在所述第二时段的预测结果;
调整单元,用于根据所述预测结果及所述流量结果调整所述预设学习器中的参数,直至所述预设学习器的损失值收敛,得到与所述预设学习器对应的流量预测模型;
输入单元,用于当接收到流量预测请求时,根据所述流量预测请求获取分析站点及所述分析站点的预测时段,并将所述分析站点在所述预测时段所对应的目标时段的数据信息输入至所述流量预测模型中,得到所述分析站点在所述预测时段的流量结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的站点流量确定方法。
10.一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中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的站点流量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712950.7A CN113435502B (zh) | 2021-06-25 | 2021-06-25 | 站点流量确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712950.7A CN113435502B (zh) | 2021-06-25 | 2021-06-25 | 站点流量确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435502A true CN113435502A (zh) | 2021-09-24 |
CN113435502B CN113435502B (zh) | 2022-09-16 |
Family
ID=77754601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110712950.7A Active CN113435502B (zh) | 2021-06-25 | 2021-06-25 | 站点流量确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435502B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114257521A (zh) * | 2021-12-17 | 2022-03-29 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
WO2021022933A1 (zh) * | 2019-08-06 | 2021-02-11 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
US20210064999A1 (en) * | 2019-08-29 | 2021-03-04 | Nec Laboratories America, Inc. | Multi-scale multi-granularity spatial-temporal traffic volume prediction |
CN112766603A (zh) * | 2021-02-01 | 2021-05-07 | 湖南大学 | 一种交通流量预测方法、***、计算机设备及存储介质 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-06-25 CN CN202110712950.7A patent/CN113435502B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223517A (zh) * | 2019-06-20 | 2019-09-10 | 青岛科技大学 | 基于时空相关性的短时交通流量预测方法 |
WO2021022933A1 (zh) * | 2019-08-06 | 2021-02-11 | 平安科技(深圳)有限公司 | 多任务预测方法、装置、电子设备及存储介质 |
US20210064999A1 (en) * | 2019-08-29 | 2021-03-04 | Nec Laboratories America, Inc. | Multi-scale multi-granularity spatial-temporal traffic volume prediction |
CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
CN112766603A (zh) * | 2021-02-01 | 2021-05-07 | 湖南大学 | 一种交通流量预测方法、***、计算机设备及存储介质 |
CN112910710A (zh) * | 2021-02-08 | 2021-06-04 | 清华大学 | 网络流量时空预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
钟林君: "基于注意力机制的交通流预测方法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114257521A (zh) * | 2021-12-17 | 2022-03-29 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
CN114257521B (zh) * | 2021-12-17 | 2024-05-17 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113435502B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132032B (zh) | 交通标志牌检测方法、装置、电子设备及存储介质 | |
CN113435522A (zh) | 图像分类方法、装置、设备及存储介质 | |
CN113283675B (zh) | 指标数据分析方法、装置、设备及存储介质 | |
CN110738219A (zh) | 图像中线条提取方法和装置、存储介质及电子装置 | |
CN112231416B (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
CN111739016A (zh) | 目标检测模型训练方法、装置、电子设备及存储介质 | |
CN110675250A (zh) | 一种基于用户营销评分的信贷额度管理的方法、装置和电子设备 | |
CN113435502B (zh) | 站点流量确定方法、装置、设备及存储介质 | |
CN113536770B (zh) | 基于人工智能的文本解析方法、装置、设备及存储介质 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN114372060A (zh) | 数据存储方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN111368860A (zh) | 重定位方法及终端设备 | |
CN113065947A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113268597A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN113343700B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
CN113269179B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN112989044B (zh) | 文本分类方法、装置、设备及存储介质 | |
CN112817742B (zh) | 数据迁移方法、装置、设备及存储介质 | |
CN114911814A (zh) | 一种基于知识资源库更新的咨询服务方法及*** | |
CN111882415A (zh) | 一种质量检测模型的训练方法和相关装置 | |
CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN113343970A (zh) | 文本图像检测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |