CN113780606A - 模型训练方法、预测方法、装置、***及存储介质 - Google Patents
模型训练方法、预测方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN113780606A CN113780606A CN202011006940.3A CN202011006940A CN113780606A CN 113780606 A CN113780606 A CN 113780606A CN 202011006940 A CN202011006940 A CN 202011006940A CN 113780606 A CN113780606 A CN 113780606A
- Authority
- CN
- China
- Prior art keywords
- time period
- information
- prediction
- training
- sequence
- 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
- 238000012549 training Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000015654 memory Effects 0.000 claims description 106
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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"
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本申请提供一种应用于出行量预测的模型训练方法、基于模型的出行量预测方法、装置、***、电子设备及存储介质,包括:将获取到的每一时间段的出行量信息、每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与每一未来时间段对应的出行数据序列,根据出行数据序列和每一未来时间段的出行量信息对序列到序列模型进行训练,得到出行量预测模型,通过引入每一未来时间段的气候数据,并将每一未来时间段的气候数据与每一时间段的出行量信息相结合,对序列到序列模型进行训练,可用提高训练得到的出行量预测模型的准确性和可靠性的技术效果。
Description
技术领域
本申请涉及互联网、人工智能及大数据技术领域,尤其涉及一种应用于出行量预测的模型训练方法、基于模型的出行量预测方法、装置、***、电子设备及存储介质。
背景技术
随着人工智能技术的发展,各类网络模型被广泛地应用于各个领域,如序列到序列模型(Sequence to Sequence,seq2seq模型,包括编码器Encoder和解码器Decoder)可以被应用于时空预测问题,如出行流量预测(包括人流量预测和车流量预测等)。
在现有技术中,出行流量训练装置可以采集样本出行量信息(为第一时间段的出行量信息)和目标出行量信息(为第二时间段的出行量信息,第一时间段为在第二时间段之前的时间段),并基于编码器对历史出行量编码,得到编码信息,并基于解码器对编码信息进行解码,得到出行数据序列,并基于出行数据序列和目标出行量信息生成出行量预测模型。
然而,发明人在实现本申请的过程中,发现基于上述现有技术中的方案至少存在以下技术问题:从样本出行量信息一个维度对出行量预测模型进行预测,可能导致训练的可靠性偏低,从而造成出行量预测模型的准确性偏低的问题。
发明内容
本申请实施例提供一种应用于出行量预测的模型训练方法、基于模型的出行量预测方法、装置、***、电子设备及存储介质,用于解决模型训练的可靠性偏低的问题。
第一方面,本申请实施例提供一种应用于出行量预测的模型训练方法,所述方法包括:
获取出行量训练数据,其中,所述出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,所述数据信息包括气候数据和出行量信息;
将所述每一时间段的出行量信息、所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列;
根据所述出行数据序列和所述每一未来时间段的出行量信息对所述序列到序列模型进行训练,得到出行量预测模型,其中,所述出行量预测模型用于对出行量进行预测。
在一些实施例中,将所述每一时间段的出行量信息、与所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列,包括:
将所述每一时间段的出行量信息输入初始的序列到序列模型中,得到每一第一训练解码信息,并将与所述每一未来时间段的气候数据输入所述序列到序列模型中,得到每一第二训练解码信息;
根据每一所述第一训练解码信息和每一所述第二训练解码信息对所述序列到序列模型进行训练,得到每一所述出行数据序列。
在一些实施例中,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;将所述每一时间段的出行量信息输入初始的序列到序列模型中,得到每一第一训练解码信息,并将与所述每一未来时间段的气候数据输入所述序列到序列模型中,得到每一第二训练解码信息,包括:
基于所述第一记忆单元对所述每一时间段的出行量信息进行解码,得到每一所述第一训练解码信息;
基于所述第二记忆单元对与所述每一未来时间段的气候数据进行解码,得到每一所述第二训练解码信息。
在一些实施例中,根据每一所述第一训练解码信息和每一所述第二训练解码信息对所述序列到序列模型进行训练,得到每一所述出行数据序列,包括:
基于所述序列到序列模型对每一所述第一训练解码信息和每一所述第二训练解码信息进行拼接处理,得到每一所述出行数据序列。
在一些实施例中,每一所述第一训练解码信息包括第一隐藏层向量和第一细胞层向量;每一所述第二训练解码信息包括第二隐藏层向量和第二细胞层向量。
在一些实施例中,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;每一所述出行数据序列包括第一训练拼接信息和第二训练拼接信息;基于所述序列到序列模型对每一所述第一训练解码信息和每一所述第二训练解码信息进行拼接处理,得到每一所述出行数据序列,包括:
基于所述第一记忆单元对所述第一隐藏层向量和所述第二隐藏层向量进行拼接,生成所述第一训练拼接信息;
基于所述第一记忆单元对所述第一细胞层向量和所述第二细胞层向量进行拼接,生成所述第二训练拼接信息。
在一些实施例中,所述序列到序列模型包括第一编码器、第二编码器和解码器;将所述每一时间段的出行量信息、与所述每一时间段对应的每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列,包括:
基于所述第一编码器对所述每一时间段的出行量信息进行编码,得到每一第一训练编码信息,并基于所述第二编码器对所述每一未来时间段的气候数据进行编码,得到每一第二训练编码信息;
基于所述解码器对所述每一第一训练编码信息和所述每一第二训练编码信息进行解码,生成每一所述出行数据序列。
在一些实施例中,所述每一时间段的出行量信息、所述每一未来时间段的出行量信息存储于第一平台中,所述每一未来时间段的气候数据存储于第二平台中。
第二方面,本申请实施例提供一种基于模型的出行量预测方法,所述方法包括:
获取待预测数据,其中,所述待预测数据中包括待预测时间段的气候数据、以及位于所述待预测时间段之前的历史时间段的出行量信息;
根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,其中,所述出行量预测模型为基于权利要求1至8中任一项所述的方法生成的。
在一些实施例中,所述根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,包括:
将所述历史时间段的出行量信息输入所述出行量预测模型中,得到第一预测解码信息,并将所述待预测时间段的气候数据输入所述出行量预测模型中,得到第二预测解码信息;
根据所述第一预测解码信息和所述第二预测解码信息,生成所述待预测时间段的出行量信息。
在一些实施例中,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;将所述历史时间段的出行量信息输入所述出行量预测模型中,得到第一预测解码信息,并将与所述待预测时间段的气候数据输入所述出行量预测模型中,得到第二预测解码信息,包括:
基于所述第一记忆单元对所述历史时间段的出行量信息进行解码,得到所述第一预测解码信息;
基于所述第二记忆单元对所述待预测时间段的气候数据进行解码,得到所述第二预测解码信息。
在一些实施例中,根据所述第一预测解码信息和所述第二预测解码信息,生成所述待预测时间段的出行量信息,包括:
基于所述出行量预测模型对所述第一预测解码信息和所述第二预测解码信息进行拼接处理,得到所述待预测时间段的出行量信息。
在一些实施例中,所述第一预测解码信息包括第三隐藏层向量和第三细胞层向量;所述第二预测解码信息包括第四隐藏层向量和第四细胞层向量。
在一些实施例中,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;基于所述出行量预测模型对所述第一预测解码信息和所述第二预测解码信息进行拼接处理,得到所述待预测时间段的出行量信息,包括:
基于所述第一记忆单元对所述第三隐藏层向量和所述第四隐藏层向量进行拼接,生成所述第一预测拼接信息;
基于所述第一记忆单元对所述第三细胞层向量和所述第四细胞层向量进行拼接,生成所述第二预测拼接信息;
根据所述第一预测拼接信息和所述第二预测拼接信息,生成所述待预测时间段的出行量信息。
在一些实施例中,所述出行量预测模型包括第一编码器、第二编码器和解码器;根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,包括:
基于所述第一编码器对所述历史时间段的出行量信息进行编码,得到第一预测编码信息,并基于所述第二编码器对所述待预测时间段的气候数据进行编码,得到第二预测编码信息;
基于所述解码器对所述第一预测编码信息和所述第二预测编码信息进行解码,生成所述待预测时间段的出行量信息。
在一些实施例中,所述历史时间段的出行量信息存储于第一平台中,所述待预测时间段的气候数据存储于第二平台中。
第三方面,本申请实施例提供一种应用于出行量预测的模型训练装置,所述训练装置包括:
第一获取模块,用于获取出行量训练数据,其中,所述出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,所述数据信息包括气候数据和出行量信息;
生成模块,用于将所述每一时间段的出行量信息、所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列;
训练模块,用于根据所述出行数据序列和所述每一未来时间段的出行量信息对所述序列到序列模型进行训练,得到出行量预测模型,其中,所述出行量预测模型用于对出行量进行预测。
在一些实施例中,所述生成模块用于,将所述每一时间段的出行量信息输入初始的序列到序列模型中,得到每一第一训练解码信息,并将与所述每一未来时间段的气候数据输入所述序列到序列模型中,得到每一第二训练解码信息,根据每一所述第一训练解码信息和每一所述第二训练解码信息对所述序列到序列模型进行训练,得到每一所述出行数据序列。
在一些实施例中,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;所述生成模块用于,基于所述第一记忆单元对所述每一时间段的出行量信息进行解码,得到每一所述第一训练解码信息;
基于所述第二记忆单元对与所述每一未来时间段的气候数据进行解码,得到每一所述第二训练解码信息。
在一些实施例中,所述生成模块用于,基于所述序列到序列模型对每一所述第一训练解码信息和每一所述第二训练解码信息进行拼接处理,得到每一所述出行数据序列。
在一些实施例中,每一所述第一训练解码信息包括第一隐藏层向量和第一细胞层向量;每一所述第二训练解码信息包括第二隐藏层向量和第二细胞层向量。
在一些实施例中,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;每一所述出行数据序列包括第一训练拼接信息和第二训练拼接信息;所述生成模块用于,基于所述第一记忆单元对所述第一隐藏层向量和所述第二隐藏层向量进行拼接,生成所述第一训练拼接信息,基于所述第一记忆单元对所述第一细胞层向量和所述第二细胞层向量进行拼接,生成所述第二训练拼接信息。
在一些实施例中,所述序列到序列模型包括第一编码器、第二编码器和解码器;所述生成模块用于,基于所述第一编码器对所述每一时间段的出行量信息进行编码,得到每一第一训练编码信息,并基于所述第二编码器对所述每一未来时间段的气候数据进行编码,得到每一第二训练编码信息,基于所述解码器对所述每一第一训练编码信息和所述每一第二训练编码信息进行解码,生成每一所述出行数据序列。
在一些实施例中,所述每一时间段的出行量信息、所述每一未来时间段的出行量信息存储于第一平台中,所述每一未来时间段的气候数据存储于第二平台中。
第三方面,本申请实施例提供一种基于模型的出行量预测装置,所述预测装置包括:
第二获取模块,用于获取待预测数据,其中,所述待预测数据中包括待预测时间段的气候数据、以及位于所述待预测时间段之前的历史时间段的出行量信息;
预测模块,用于根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,其中,所述出行量预测模型为基于上述任一实施例所述的方法生成的。
在一些实施例中,所述预测模块用于,将所述历史时间段的出行量信息输入所述出行量预测模型中,得到第一预测解码信息,并将所述待预测时间段的气候数据输入所述出行量预测模型中,得到第二预测解码信息,根据所述第一预测解码信息和所述第二预测解码信息,生成所述待预测时间段的出行量信息。
在一些实施例中,所述预测模块用于,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;所述预测模块用于,基于所述第一记忆单元对所述历史时间段的出行量信息进行解码,得到所述第一预测解码信息,基于所述第二记忆单元对所述待预测时间段的气候数据进行解码,得到所述第二预测解码信息。
在一些实施例中,所述预测模块用于,基于所述出行量预测模型对所述第一预测解码信息和所述第二预测解码信息进行拼接处理,得到所述待预测时间段的出行量信息。
在一些实施例中,所述第一预测解码信息包括第三隐藏层向量和第三细胞层向量;所述第二预测解码信息包括第四隐藏层向量和第四细胞层向量。
在一些实施例中,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;所述预测模块用于,基于所述第一记忆单元对所述第三隐藏层向量和所述第四隐藏层向量进行拼接,生成所述第一预测拼接信息,基于所述第一记忆单元对所述第三细胞层向量和所述第四细胞层向量进行拼接,生成所述第二预测拼接信息,根据所述第一预测拼接信息和所述第二预测拼接信息,生成所述待预测时间段的出行量信息。
在一些实施例中,所述出行量预测模型包括第一编码器、第二编码器和解码器;所述预测模块用于,基于所述第一编码器对所述历史时间段的出行量信息进行编码,得到第一预测编码信息,并基于所述第二编码器对所述待预测时间段的气候数据进行编码,得到第二预测编码信息,基于所述解码器对所述第一预测编码信息和所述第二预测编码信息进行解码,生成所述待预测时间段的出行量信息。
在一些实施例中,所述历史时间段的出行量信息存储于第一平台中,所述待预测时间段的气候数据存储于第二平台中。
第五方面,本申请实施例提供一种应用于出行量预测的模型训练***,所述训练***包括:
如上任一实施例所述的训练装置;
第一平台,用于为所述训练装置提供每一时间段的出行量信息、与每一时间段对应的每一未来时间段的出行量信息;
第二平台,用于为所述训练装置提供与每一时间段对应的每一未来时间段的气候数据。
第六方面,本申请实施例提供一种基于模型的出行量预测***,所述预测***包括:
如上任一实施例所述的预测装置;
第一平台,用于为所述预测装置提供位于待预测时间段之前的历史时间段的出行量信息;
第二平台,用于为所述预测装置提供所述待预测时间段的气候数据。
第七方面,本申请实施例提供一种电子设备,包括:存储器,处理器;
所述存储器用于存储所述处理器可执行指令的存储器;
其中,当执行所述存储器中的指令时,所述处理器被配置为实现上述任一实施例所述的方法。
第八方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项实施例所述的方法。
本申请实施例提供一种应用于出行量预测的模型训练方法、基于模型的出行量预测方法、装置、***、电子设备及存储介质,包括:获取出行量训练数据,其中,出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,数据信息包括气候数据和出行量信息,将每一时间段的出行量信息、每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与每一未来时间段对应的出行数据序列,根据出行数据序列和每一未来时间段的出行量信息对序列到序列模型进行训练,得到出行量预测模型,其中,出行量预测模型用于对出行量进行预测,通过引入每一未来时间段的气候数据,并将每一未来时间段的气候数据与每一时间段的出行量信息相结合,对序列到序列模型进行训练,可用提高训练得到的出行量预测模型的准确性和可靠性的技术效果。
附图说明
为了更清楚地说明本申请实施例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申请的一些实施例,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为相关技术中序列到序列模型的示意图;
图2为本申请一个实施例的应用于出行量预测的模型训练方法的流程示意图;
图3为本申请另一实施例的应用于出行量预测的模型训练方法的流程示意图;
图4为本实施例的序列到序列模型的示意图;
图5为本实施例的解码器的示意图;
图6为本申请实施例的基于模型的出行量预测方法的流程示意图;
图7为本申请实施例的应用于出行量预测的模型训练装置的示意图;
图8为本申请实施例的基于模型的出行量预测装置的示意图;
图9为本申请实施例的电子设备的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
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,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1为相关技术中序列到序列模型的示意图。
如图1所示,序列到序列模型可以包括两个部分,一个部分为编码器部分,如图1中所示的Encoder,另一个部分为解码器部分,如图1中所示的Decoder。即序列到序列模型可以理解为包括两个不同阶段的模型,一个阶段为编码阶段,另一个阶段为解码阶段。
其中,编码阶段可以理解为由Encode将输入序列转化成一个固定长度的向量,解码阶段可以理解为由Decode将输入的固定长度向量解码成输出序列,编码解码的方式可以是循环神经网络(Recurrent Neural Network,RNN),也可以为卷积神经网络(Convolutional Neural Networks,CNN)等。
具体地,以RNN为例,在编码阶段时,当前时间的隐藏层状态向量ht是由上一时间的状态向量xt-1和当前时间的输入向量xt共同决定的,如前时间的隐藏层状态ht=f(ht-1,xt)。在得到各个隐藏层的输出向量后汇总,可以生成状态向量C,如当然,也可以将最后一层隐藏层的输出向量作为状态向量C,如在解码阶段时,可以根据状态向量C输出预测信息yt,如yt=g(yt-1,xt,C)。其中,yt-1为上一时间(以t时间为基础的上一时间,t为当前时间)的预测信息,f()、q()及g()为激活函数。
当基于如图1所示的序列到序列模型对出行量预测模型进行训练时,Encoder可以生成样本出行量信息的状态向量,Decode可以基于状态向量生成出行数据序列(即预测信息),且出行流量训练装置可以基于预先设置的真实出行量信息和预测信息对序列到序列模型的各参数进行调整,得到出行量预测模型。
然而,在基于如图1所示的序列到序列模型对出行量预测模型进行训练时,由于样本出行量信息为单一维度的信息,因此,可能导致训练的可靠性偏低,从而导致出行量预测模型的准确性偏低的问题。
为了解决上述问题,本申请的发明人在经过创造性地劳动之后,得到了本申请的发明构思:结合其他维度的信息对序列到序列模型进行训练,生成出行量预测模型。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。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。下面将结合附图,对本申请的实施例进行描述。
请参阅图2,图2为本申请一个实施例的应用于出行量预测的模型训练方法的流程示意图。
如图2所示,该方法包括:
S101:获取出行量训练数据,其中,出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,数据信息包括气候数据和出行量信息。
其中,本申请实施例的执行主体可以为应用于出行量预测的模型训练装置(下文简称训练装置),且训练装置可以为服务器(包括本地服务器和云服务器),也可以为处理器,也可以为芯片,也可以为终端设备,等等,本申请不做限定。
在本实施例中,出行量训练数据可以理解为三个部分的内容,一个部分为每一时间段的出行量信息,另一个部分为每一未来时间段的出行量信息,再一部分为每一未来时间段的气候数据。
结合上述相关技术中对出行量预测模型进行训练时的描述,则该实施例中的每一时间段的出行量信息相当于上述实施例中的样本出行量信息,该实施例中的每一未来时间段的出行量信息相当于上述实施例中的真实出行量信息。也就是说,在本实施例中,引入了每一未来时间段的气候数据这一新的特征,而通过引入该特征,使得预测装置将该特征与每一时间段的出行量信息和每一未来时间段的出行量信息相结合生成出行量预测模型,从而提高出行量预测模型的可靠性,具体分析可以参见后文阐述。
S102:将每一时间段的出行量信息、每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与每一未来时间段对应的出行数据序列。
结合上述相关技术中对出行量预测模型进行训练时的描述,则该实施例中的出行数据序列相当于上述实施例中的预测信息,但是,基于对S101的分析可知,在本实施例中,引入了每一未来时间段的气候数据这一新的特征,因此,在本实施例中,出行数据序列是基于两个维度的信息(即每一时间段的出行量信息和每一未来时间段的气候数据)确定的,而在相关技术中,预测信息是基于样本出行量信息一个维度的信息确定的,而通过结合两个维度的信息生成出行数据序列,可以充分考虑不同的维度的信息之间的相关影响,如出行量信息受天气信息的影响,从而可以提高出行数据序列的准确性和可靠性,进而实现基于出行数据序列生成的出行量预测模型时的准确性。
S103:根据出行数据序列和每一未来时间段的出行量信息对序列到序列模型进行训练,得到出行量预测模型,其中,出行量预测模型用于对出行量进行预测。
在本实施例中,由于出行数据序列是基于两个维度的信息确定的,因此,当训练装置基于出行数据序列和每一未来时间段的出行量信息对序列到序列模型进行训练,可以提高训练得到的出行量预测模型的准确性和可靠性。
基于上述分析可知,本申请实施例提供了一种应用于出行量预测的模型训练方法,该方法包括:获取出行量训练数据,其中,出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,数据信息包括气候数据和出行量信息,将每一时间段的出行量信息、每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与每一未来时间段对应的出行数据序列,根据出行数据序列和每一未来时间段的出行量信息对序列到序列模型进行训练,得到出行量预测模型,其中,出行量预测模型用于对出行量进行预测,通过引入每一未来时间段的气候数据,并将每一未来时间段的气候数据与每一时间段的出行量信息相结合,对序列到序列模型进行训练,可用提高训练得到的出行量预测模型的准确性和可靠性的技术效果。
基于上述分析可知,序列到序列模型包括编码器和解码器,现结合编码和解码的具体方案,对本申请实施例的应用于出行量预测的模型训练方法进行更为详细地阐述。
请参阅图3,图3为本申请另一实施例的应用于出行量预测的模型训练方法的流程示意图。
如图3所示,该方法包括:
S201:获取出行量训练数据,其中,出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,数据信息包括气候数据和出行量信息。
其中,关于S201的描述可以参见S101,此处不再赘述。
值得说明的是,在一些可能实现的方案中,每一时间段的出行量信息、每一未来时间段的出行量信息存储于第一平台中,每一未来时间段的气候数据存储于第二平台中。
例如,第一平台可以为城市交通平台,第二平台可以为气候播报平台。
S202:基于序列到序列模型的第一编码器对每一时间段的出行量信息进行编码,得到每一第一训练编码信息,并基于序列到序列模型的第二编码器对每一未来时间段的气候数据进行编码,得到每一第二训练编码信息。
现结合图4对该步骤进行详细地阐述,图4为本实施例的序列到序列模型的示意图。
如图4可知,x1,x2,……,xm为每一时间段的出行量信息,第一编码器对x1,x2,……,xm进行编码,获得每一第一训练编码信息C,E1,E2,……,En为每一第二训练编码信息。
S203:基于序列到序列模型的解码器对每一第一训练编码信息和每一第二训练编码信息进行解码,生成每一出行数据序列。
在一种可能实现的方案中,解码器包括第一记忆单元和第二记忆单元,S203包括:
S2031:基于第一记忆单元对每一第一训练编码信息进行解码,得到每一第一训练解码信息。
值得说明的是,第一记忆单元和第二记忆单元可以为长短期记忆网络单元(LongShort-Term Memory,LSTM),也可以为门控循环单元(Ggated Recurrent Unit,GRU),在本实施例中,以第一记忆单元和第二记忆单元为LSTM单元为例,且结合图5进行示范性地说明。其中,图5为本实施例的解码器的示意图。
结合图5可知,每一第一训练编码信息为xt,每一第一训练解码信息包括第一隐藏层向量和第一细胞层向量,且第一隐藏层向量为hat,第一细胞层向量Cat。
在一种可能实现的方案中,可以根据式1确定第一隐藏层向量为hat,根据式2确定第一细胞层向量Cat,其中,式1:
hat=oat*tanh(Cat)
其中,式2:
其中,遗忘门fat=σ(Waf·[ht-1,xt]+baf),输入门iat=σ(Wai·[ht-1,xt]+bai),第一细胞候选状态输出门oat=σ(Wao·[ht-1,xt]+bao),σ和tanh为操作函数,Waf为遗忘门的权重矩阵,baf为遗忘门的偏置项,Wai为输入门的权重矩阵,bai为输入门的偏置项,WaC为第一细胞候选状态的权重矩阵,baC为第一细胞候选状的偏置项,Wao为输出门的权重矩阵,bao为输出门的偏置项。
S2032:基于第二记忆单元对与每一未来时间段的气候数据进行解码,得到每一第二训练解码信息。
同理,结合图5可知,每一第二训练编码信息为Et,每一第二训练解码信息包括第二隐藏层向量和第二细胞层向量,且第二隐藏层向量为hbt,第二细胞层向量Cbt。
在一种可能实现的方案中,可以根据式3确定第二隐藏层向量为hbt,根据式4确定第二细胞层向量Cbt,其中,式3:
hbt=obt*tanh(Cbt)
其中,式2:
其中,遗忘门fbt=σ(Wbf·[Et-1]+bbf),输入门ibt=σ(Wbi·[Et-1]+bbi),第二细胞候选状态输出门obt=σ(Wbo·[Et-1]+bbo),Wbf为遗忘门的权重矩阵,bbf为遗忘门的偏置项,Wbi为输入门的权重矩阵,bbi为输入门的偏置项,WbC为第二细胞候选状态的权重矩阵,bbC为第二细胞候选状的偏置项,Wbo为输出门的权重矩阵,bbo为输出门的偏置项。
S2033:根据每一第一训练解码信息和每一第二训练解码信息,生成每一出行数据序列。
基于上述分析可知,每一第一训练解码信息包括第一隐藏层向量为hat和第一细胞层向量Cat,每一第二训练解码信息包括第二隐藏层向量为hbt和第二细胞层向量Cbt,则在一种可能实现的方案中,S2033可以包括:
S20331:基于第一记忆单元对第一隐藏层向量和第二隐藏层向量进行拼接,生成第一训练拼接信息。
例如,第一训练拼接信息ht=hat+hbt。
S20332:基于第一记忆单元对第一细胞层向量和第二细胞层向量进行拼接,生成第二训练拼接信息。
例如,第二训练拼接信息Ct=Cat+Cbt。
其中,每一出行数据序列包括第一训练拼接信息和第二训练拼接信息。
值得说明的是,在一种可能实现的方案中,第二隐藏层向量为hbt和第二细胞层向量Cbt为加密后的向量。通过对第二隐藏层向量为hbt和第二细胞层向量Cbt进行加密,可以提高两个不同平台之间数据传输的安全性。
S204:根据出行数据序列和每一未来时间段的出行量信息对序列到序列模型进行训练,得到出行量预测模型,其中,出行量预测模型用于对出行量进行预测。
其中,关于S204的描述可以参见S103,此处不再赘述。
值得说明的是,在一种可能实现的方案中,S204可以包括:确定每一未来时间段的出行量信息和出行数据序列的损失值,根据损失值对序列到序列模型的各参数进行调整,直至每一未来时间段的出行量信息和出行数据序列的损失值的损失值小于预先设置的损失阈值,或者迭代次数等于预先设置的迭代阈值,将调整后的序列到序列模型确定为出行量预测模型。
根据本申请实施例的另一个方面,本申请实施例还提供了一种基于模型的出行量预测方法。
请参阅图6,图6为本申请实施例的基于模型的出行量预测方法的流程示意图。
如图6所示,该方法包括:
S301:获取待预测数据,其中,待预测数据中包括待预测时间段的气候数据、以及位于待预测时间段之前的历史时间段的出行量信息。
其中,本申请实施例的执行主体可以为基于模型的出行量预测装置(下文简称预测装置),且预测装置可以为与训练装置相同的装置,如预测装置可以为服务器(包括本地服务器和云服务器),也可以为处理器,也可以为芯片,也可以为终端设备,等等,本申请不做限定。
其中,待预测时间段可以为以天为单位的时间段,也可以为以小时为单位的时间段等。历史时间段位于待预测时间段之前,且也可以为以天为单位的时间段,或者以小时为单位的时间段等。
例如,今天为18日,待预测时间段的气候数据可以为19日6点至12点的气候数据(如天气和温度等),历史时间段的出行量信息可以为17日6点至12点的出行量信息(如人流量和/或车流量等)。
在一些实施例中,历史时间段的出行量信息存储于第一平台中,待预测时间段的气候数据存储于第二平台中。
S302:根据出行量预测模型对待预测数据进行预测处理,得到待预测时间段的出行量信息,其中,出行量预测模型为基于上述任一实施例所述的方法生成的。
应该理解的是,出行量预测模型的训练方法可以参见上述实施例,如图2或图3所示的实施例,此处不再赘述。
结合S301的描述,则待预测时间段的出行量信息可以为19日6点至12点的出行量信息(如人流量和/或车流量等)。
值得说明的是,在本实施例中,预测装置基于出行量预测模型对待预测数据进行预测,生成待预测时间段的出行量信息,由于待预测数据包括两个维度的信息,即包括待预测时间段的气候数据和历史时间段的出行量信息,因此,可以提高预测的可靠性和准确性。
在一些实施例中,S302可以包括:
S3021:将历史时间段的出行量信息输入出行量预测模型中,得到第一预测解码信息,并将待预测时间段的气候数据输入出行量预测模型中,得到第二预测解码信息。
在一些实施例中,出行量预测模型包括解码器,解码器包括第一记忆单元和第二记忆单元,S3021包括:基于第一记忆单元对历史时间段的出行量信息进行解码,得到第一预测解码信息,并基于第二记忆单元对待预测时间段的气候数据进行解码,得到第二预测解码信息。
其中,关于本实施例中解码的原理,可以参阅上述模型训练过程中的解码的原理,如参阅S203图5所示的内容,且第二预测解码信息为加密后的信息,此处不再赘述。
S3022:根据第一预测解码信息和第二预测解码信息,生成待预测时间段的出行量信息。
在一些实施例中,S3022包括:基于出行量预测模型对第一预测解码信息和第二预测解码信息进行拼接处理,得到待预测时间段的出行量信息。
在一些实施例中,第一预测解码信息包括第三隐藏层向量和第三细胞层向量;第二预测解码信息包括第四隐藏层向量和第四细胞层向量。
在一些实施例中,出行量预测模型包括解码器,解码器包括第一记忆单元和第二记忆单元;S3022包括:基于第一记忆单元对第三隐藏层向量和所述第四隐藏层向量进行拼接,生成第一预测拼接信息,基于第一记忆单元对第三细胞层向量和第四细胞层向量进行拼接,生成第二预测拼接信息,根据第一预测拼接信息和第二预测拼接信息,生成待预测时间段的出行量信息。
其中,关于本实施例中生成待预测时间段的出行量信息的原理,可以参阅上述模型训练过程中的生成每一出行数据序列的原理,如参阅S2033和图5所示的内容,此处不再赘述。
在一些实施例中,出行量预测模型包括第一编码器、第二编码器和解码器;S302包括:基于第一编码器对历史时间段的出行量信息进行编码,得到第一预测编码信息,并基于第二编码器对待预测时间段的气候数据进行编码,得到第二预测编码信息,基于解码器对第一预测编码信息和第二预测编码信息进行解码,生成待预测时间段的出行量信息。
其中,关于本实施例中编码的原理,可以参阅上述模型训练过程中的编码的原理,如参阅S202图4所示的内容,此处不再赘述。
根据本申请实施例的另一个方面,本申请实施例还提供了一种应用于出行量预测的模型训练装置,用于执行如上任一实施例所述的应用于出行量预测的模型训练方法,如用于执行如图2或图3所示的方法。
请参阅图7,图7为本申请实施例的应用于出行量预测的模型训练装置的示意图。
如图7所示,所述训练装置包括:
第一获取模块11,用于获取出行量训练数据,其中,所述出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,所述数据信息包括气候数据和出行量信息;
生成模块12,用于将所述每一时间段的出行量信息、所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列;
训练模块13,用于根据所述出行数据序列和所述每一未来时间段的出行量信息对所述序列到序列模型进行训练,得到出行量预测模型,其中,所述出行量预测模型用于对出行量进行预测。
在一些实施例中,所述生成模块12用于,将所述每一时间段的出行量信息输入初始的序列到序列模型中,得到每一第一训练解码信息,并将与所述每一未来时间段的气候数据输入所述序列到序列模型中,得到每一第二训练解码信息,根据每一所述第一训练解码信息和每一所述第二训练解码信息对所述序列到序列模型进行训练,得到每一所述出行数据序列。
在一些实施例中,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;所述生成模块12用于,基于所述第一记忆单元对所述每一时间段的出行量信息进行解码,得到每一所述第一训练解码信息;
基于所述第二记忆单元对与所述每一未来时间段的气候数据进行解码,得到每一所述第二训练解码信息。
在一些实施例中,所述生成模块12用于,基于所述序列到序列模型对每一所述第一训练解码信息和每一所述第二训练解码信息进行拼接处理,得到每一所述出行数据序列。
在一些实施例中,每一所述第一训练解码信息包括第一隐藏层向量和第一细胞层向量;每一所述第二训练解码信息包括第二隐藏层向量和第二细胞层向量。
在一些实施例中,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;每一所述出行数据序列包括第一训练拼接信息和第二训练拼接信息;所述生成模块12用于,基于所述第一记忆单元对所述第一隐藏层向量和所述第二隐藏层向量进行拼接,生成所述第一训练拼接信息,基于所述第一记忆单元对所述第一细胞层向量和所述第二细胞层向量进行拼接,生成所述第二训练拼接信息。
在一些实施例中,所述序列到序列模型包括第一编码器、第二编码器和解码器;所述生成模块12用于,基于所述第一编码器对所述每一时间段的出行量信息进行编码,得到每一第一训练编码信息,并基于所述第二编码器对所述每一未来时间段的气候数据进行编码,得到每一第二训练编码信息,基于所述解码器对所述每一第一训练编码信息和所述每一第二训练编码信息进行解码,生成每一所述出行数据序列。
在一些实施例中,所述每一时间段的出行量信息、所述每一未来时间段的出行量信息存储于第一平台中,所述每一未来时间段的气候数据存储于第二平台中。
根据本申请实施例的另一个方面,本申请实施例还提供一种基于模型的出行量预测装置,用于执行如上任一实施例所述的基于模型的出行量预测方法,如执行如图6所示的方法。
请参阅图8,图8为本申请实施例的基于模型的出行量预测装置的示意图。
如图8所示,所述预测装置包括:
第二获取模块21,用于获取待预测数据,其中,所述待预测数据中包括待预测时间段的气候数据、以及位于所述待预测时间段之前的历史时间段的出行量信息;
预测模块22,用于根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,其中,所述出行量预测模型为基于上述任一实施例所述的方法生成的。
在一些实施例中,所述预测模块22用于,将所述历史时间段的出行量信息输入所述出行量预测模型中,得到第一预测解码信息,并将所述待预测时间段的气候数据输入所述出行量预测模型中,得到第二预测解码信息,根据所述第一预测解码信息和所述第二预测解码信息,生成所述待预测时间段的出行量信息。
在一些实施例中,所述预测模块22用于,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;所述预测模块用于,基于所述第一记忆单元对所述历史时间段的出行量信息进行解码,得到所述第一预测解码信息,基于所述第二记忆单元对所述待预测时间段的气候数据进行解码,得到所述第二预测解码信息。
在一些实施例中,所述预测模块22用于,基于所述出行量预测模型对所述第一预测解码信息和所述第二预测解码信息进行拼接处理,得到所述待预测时间段的出行量信息。
在一些实施例中,所述第一预测解码信息包括第三隐藏层向量和第三细胞层向量;所述第二预测解码信息包括第四隐藏层向量和第四细胞层向量。
在一些实施例中,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;所述预测模块22用于,基于所述第一记忆单元对所述第三隐藏层向量和所述第四隐藏层向量进行拼接,生成所述第一预测拼接信息,基于所述第一记忆单元对所述第三细胞层向量和所述第四细胞层向量进行拼接,生成所述第二预测拼接信息,根据所述第一预测拼接信息和所述第二预测拼接信息,生成所述待预测时间段的出行量信息。
在一些实施例中,所述出行量预测模型包括第一编码器、第二编码器和解码器;所述预测模块22用于,基于所述第一编码器对所述历史时间段的出行量信息进行编码,得到第一预测编码信息,并基于所述第二编码器对所述待预测时间段的气候数据进行编码,得到第二预测编码信息,基于所述解码器对所述第一预测编码信息和所述第二预测编码信息进行解码,生成所述待预测时间段的出行量信息。
在一些实施例中,所述历史时间段的出行量信息存储于第一平台中,所述待预测时间段的气候数据存储于第二平台中。
根据本申请实施例的另一个方面,本申请实施例还提供了一种应用于出行量预测的模型训练***,所述训练***包括:
如上任一实施例所述的训练装置,如图7所示的训练装置;
第一平台,用于为所述训练装置提供每一时间段的出行量信息、与每一时间段对应的每一未来时间段的出行量信息;
第二平台,用于为所述训练装置提供与每一时间段对应的每一未来时间段的气候数据。
根据本申请实施例的另一个方面,本申请实施例还提供了一种基于模型的出行量预测***,所述预测***包括:
如上任一实施例所述的预测装置,如图8所示的预测装置;
第一平台,用于为所述预测装置提供位于待预测时间段之前的历史时间段的出行量信息;
第二平台,用于为所述预测装置提供所述待预测时间段的气候数据。
根据本申请实施例的另一个方面,本申请实施例还提供了一种电子设备,包括:存储器,处理器;
存储器用于存储处理器可执行指令的存储器;
其中,当执行存储器中的指令时,处理器被配置为实现如上任一实施例所述的方法,如实现如图2、图3及图6中任一实施例所示的方法。
请参阅图9,图9为本申请实施例的电子设备的框图。
如图9所示,电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请实施例的实现。
如图9所示,该电子设备包括:一个或多个处理器101、存储器102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图9中以一个处理器101为例。
存储器102即为本申请实施例所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请实施例所提供的任一实施例所述的方法。本申请实施例的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请实施例所提供的任一实施例所述的方法。
存储器102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的程序指令/模块。处理器101通过运行存储在存储器102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的任一实施例所述的方法。
存储器102可以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***、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器102可选包括相对于处理器101远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、区块链服务网络(Block-chain-based Service Network,BSN)、移动通信网及其组合。
电子设备还可以包括:输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置103可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、区块链服务网络(Block-chain-based Service Network,BSN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (22)
1.一种应用于出行量预测的模型训练方法,其特征在于,所述方法包括:
获取出行量训练数据,其中,所述出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,所述数据信息包括气候数据和出行量信息;
将所述每一时间段的出行量信息、所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列;
根据所述出行数据序列和所述每一未来时间段的出行量信息对所述序列到序列模型进行训练,得到出行量预测模型,其中,所述出行量预测模型用于对出行量进行预测。
2.根据权利要求1所述的方法,其特征在于,将所述每一时间段的出行量信息、与所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列,包括:
将所述每一时间段的出行量信息输入初始的序列到序列模型中,得到每一第一训练解码信息,并将与所述每一未来时间段的气候数据输入所述序列到序列模型中,得到每一第二训练解码信息;
根据每一所述第一训练解码信息和每一所述第二训练解码信息对所述序列到序列模型进行训练,得到每一所述出行数据序列。
3.根据权利要求2所述的方法,其特征在于,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;将所述每一时间段的出行量信息输入初始的序列到序列模型中,得到每一第一训练解码信息,并将与所述每一未来时间段的气候数据输入所述序列到序列模型中,得到每一第二训练解码信息,包括:
基于所述第一记忆单元对所述每一时间段的出行量信息进行解码,得到每一所述第一训练解码信息;
基于所述第二记忆单元对与所述每一未来时间段的气候数据进行解码,得到每一所述第二训练解码信息。
4.根据权利要求2所述的方法,其特征在于,根据每一所述第一训练解码信息和每一所述第二训练解码信息对所述序列到序列模型进行训练,得到每一所述出行数据序列,包括:
基于所述序列到序列模型对每一所述第一训练解码信息和每一所述第二训练解码信息进行拼接处理,得到每一所述出行数据序列。
5.根据权利要求4所述的方法,其特征在于,每一所述第一训练解码信息包括第一隐藏层向量和第一细胞层向量;每一所述第二训练解码信息包括第二隐藏层向量和第二细胞层向量。
6.根据权利要求5所述的方法,其特征在于,所述序列到序列模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;每一所述出行数据序列包括第一训练拼接信息和第二训练拼接信息;基于所述序列到序列模型对每一所述第一训练解码信息和每一所述第二训练解码信息进行拼接处理,得到每一所述出行数据序列,包括:
基于所述第一记忆单元对所述第一隐藏层向量和所述第二隐藏层向量进行拼接,生成所述第一训练拼接信息;
基于所述第一记忆单元对所述第一细胞层向量和所述第二细胞层向量进行拼接,生成所述第二训练拼接信息。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述序列到序列模型包括第一编码器、第二编码器和解码器;将所述每一时间段的出行量信息、与所述每一时间段对应的每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列,包括:
基于所述第一编码器对所述每一时间段的出行量信息进行编码,得到每一第一训练编码信息,并基于所述第二编码器对所述每一未来时间段的气候数据进行编码,得到每一第二训练编码信息;
基于所述解码器对所述每一第一训练编码信息和所述每一第二训练编码信息进行解码,生成每一所述出行数据序列。
8.根据权利要求1至6中任一项所述的方法,其特征在于,所述每一时间段的出行量信息、所述每一未来时间段的出行量信息存储于第一平台中,所述每一未来时间段的气候数据存储于第二平台中。
9.一种基于模型的出行量预测方法,其特征在于,所述方法包括:
获取待预测数据,其中,所述待预测数据中包括待预测时间段的气候数据、以及位于所述待预测时间段之前的历史时间段的出行量信息;
根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,其中,所述出行量预测模型为基于权利要求1至8中任一项所述的方法生成的。
10.根据权利要求9所述的方法,其特征在于,所述根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,包括:
将所述历史时间段的出行量信息输入所述出行量预测模型中,得到第一预测解码信息,并将所述待预测时间段的气候数据输入所述出行量预测模型中,得到第二预测解码信息;
根据所述第一预测解码信息和所述第二预测解码信息,生成所述待预测时间段的出行量信息。
11.根据权利要求10所述的方法,其特征在于,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;将所述历史时间段的出行量信息输入所述出行量预测模型中,得到第一预测解码信息,并将与所述待预测时间段的气候数据输入所述出行量预测模型中,得到第二预测解码信息,包括:
基于所述第一记忆单元对所述历史时间段的出行量信息进行解码,得到所述第一预测解码信息;
基于所述第二记忆单元对所述待预测时间段的气候数据进行解码,得到所述第二预测解码信息。
12.根据权利要求10所述的方法,其特征在于,根据所述第一预测解码信息和所述第二预测解码信息,生成所述待预测时间段的出行量信息,包括:
基于所述出行量预测模型对所述第一预测解码信息和所述第二预测解码信息进行拼接处理,得到所述待预测时间段的出行量信息。
13.根据权利要求12所述的方法,其特征在于,所述第一预测解码信息包括第三隐藏层向量和第三细胞层向量;所述第二预测解码信息包括第四隐藏层向量和第四细胞层向量。
14.根据权利要求13所述的方法,其特征在于,所述出行量预测模型包括解码器,所述解码器包括第一记忆单元和第二记忆单元;基于所述出行量预测模型对所述第一预测解码信息和所述第二预测解码信息进行拼接处理,得到所述待预测时间段的出行量信息,包括:
基于所述第一记忆单元对所述第三隐藏层向量和所述第四隐藏层向量进行拼接,生成所述第一预测拼接信息;
基于所述第一记忆单元对所述第三细胞层向量和所述第四细胞层向量进行拼接,生成所述第二预测拼接信息;
根据所述第一预测拼接信息和所述第二预测拼接信息,生成所述待预测时间段的出行量信息。
15.根据权利要求9至14中任一项所述的方法,其特征在于,所述出行量预测模型包括第一编码器、第二编码器和解码器;根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,包括:
基于所述第一编码器对所述历史时间段的出行量信息进行编码,得到第一预测编码信息,并基于所述第二编码器对所述待预测时间段的气候数据进行编码,得到第二预测编码信息;
基于所述解码器对所述第一预测编码信息和所述第二预测编码信息进行解码,生成所述待预测时间段的出行量信息。
16.根据权利要求9-14中任一项所述的方法,其特征在于,所述历史时间段的出行量信息存储于第一平台中,所述待预测时间段的气候数据存储于第二平台中。
17.一种应用于出行量预测的模型训练装置,其特征在于,所述训练装置包括:
第一获取模块,用于获取出行量训练数据,其中,所述出行量训练数据中包括每一时间段的出行量信息以及与每一时间段对应的每一未来时间段的数据信息,所述数据信息包括气候数据和出行量信息;
生成模块,用于将所述每一时间段的出行量信息、所述每一未来时间段的气候数据分别输入初始的序列到序列模型中,得到与所述每一未来时间段对应的出行数据序列;
训练模块,用于根据所述出行数据序列和所述每一未来时间段的出行量信息对所述序列到序列模型进行训练,得到出行量预测模型,其中,所述出行量预测模型用于对出行量进行预测。
18.一种基于模型的出行量预测装置,其特征在于,所述预测装置包括:
第二获取模块,用于获取待预测数据,其中,所述待预测数据中包括待预测时间段的气候数据、以及位于所述待预测时间段之前的历史时间段的出行量信息;
预测模块,用于根据出行量预测模型对所述待预测数据进行预测处理,得到所述待预测时间段的出行量信息,其中,所述出行量预测模型为基于权利要求1至8中任一项所述的方法生成的。
19.一种应用于出行量预测的模型训练***,其特征在于,所述训练***包括:
如权利要求17所述的训练装置;
第一平台,用于为所述训练装置提供每一时间段的出行量信息、与每一时间段对应的每一未来时间段的出行量信息;
第二平台,用于为所述训练装置提供与每一时间段对应的每一未来时间段的气候数据。
20.一种基于模型的出行量预测***,其特征在于,所述预测***包括:
如权利要求18所述的预测装置;
第一平台,用于为所述预测装置提供位于待预测时间段之前的历史时间段的出行量信息;
第二平台,用于为所述预测装置提供所述待预测时间段的气候数据。
21.一种电子设备,其特征在于,包括:存储器,处理器;
所述存储器用于存储所述处理器可执行指令的存储器;
其中,当执行所述存储器中的指令时,所述处理器被配置为实现如权利要求1至8中任一项所述的方法;或者,
当执行所述存储器中的指令时,所述处理器被配置为实现如权利要求9至16中任一项所述的方法。
22.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至8中任一实施例所述的方法;或者,
该程序被处理器执行时实现权利要求9至16中任一实施例所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011006940.3A CN113780606A (zh) | 2020-09-23 | 2020-09-23 | 模型训练方法、预测方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011006940.3A CN113780606A (zh) | 2020-09-23 | 2020-09-23 | 模型训练方法、预测方法、装置、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780606A true CN113780606A (zh) | 2021-12-10 |
Family
ID=78835067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011006940.3A Pending CN113780606A (zh) | 2020-09-23 | 2020-09-23 | 模型训练方法、预测方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780606A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282732A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种区域人流量的预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN109583648A (zh) * | 2018-11-30 | 2019-04-05 | Oppo广东移动通信有限公司 | 出行管理方法、装置、存储介质及终端设备 |
CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
CN110675621A (zh) * | 2019-05-23 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的***和方法 |
-
2020
- 2020-09-23 CN CN202011006940.3A patent/CN113780606A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN109583648A (zh) * | 2018-11-30 | 2019-04-05 | Oppo广东移动通信有限公司 | 出行管理方法、装置、存储介质及终端设备 |
CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
CN110675621A (zh) * | 2019-05-23 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的***和方法 |
Non-Patent Citations (1)
Title |
---|
余敬柳;陈鹏;谢静敏;: "基于状态频率记忆神经网络的短时交通流预测", 武汉理工大学学报(交通科学与工程版), no. 04, 15 August 2020 (2020-08-15), pages 147 - 151 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282732A (zh) * | 2021-12-29 | 2022-04-05 | 重庆紫光华山智安科技有限公司 | 一种区域人流量的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN111143561B (zh) | 意图识别模型训练方法、装置及电子设备 | |
CN111144507B (zh) | 情感分析模型预训练方法、装置及电子设备 | |
CN111061868B (zh) | 读法预测模型获取及读法预测方法、装置及存储介质 | |
CN110807331B (zh) | 一种多音字读音预测方法、装置和电子设备 | |
CN113129870B (zh) | 语音识别模型的训练方法、装置、设备和存储介质 | |
CN110149238B (zh) | 用于预测流量的方法和装置 | |
CN111079945B (zh) | 端到端模型的训练方法及装置 | |
CN111563593B (zh) | 神经网络模型的训练方法和装置 | |
US20210365485A1 (en) | Unsupervised text summarization with reinforcement learning | |
CN111078825A (zh) | 结构化处理方法、装置、计算机设备及介质 | |
CN110782871A (zh) | 一种韵律停顿预测方法、装置以及电子设备 | |
CN110852379A (zh) | 训练样本生成方法、装置以及电子设备 | |
CN111310449B (zh) | 基于语义表示的文本生成方法和装置 | |
CN111611808B (zh) | 用于生成自然语言模型的方法和装置 | |
CN112417156A (zh) | 多任务学习方法、装置、设备以及存储介质 | |
CN115640520A (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN111738015A (zh) | 文章情感极性分析方法、装置、电子设备及存储介质 | |
CN111665955A (zh) | 候选字符串的处理方法、装置、电子设备及存储介质 | |
CN111325000B (zh) | 语言生成方法、装置及电子设备 | |
CN112541342B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113780606A (zh) | 模型训练方法、预测方法、装置、***及存储介质 | |
CN113902005A (zh) | 语言模型的预训练方法、装置、设备和存储介质 | |
CN110674281B (zh) | 人机对话及人机对话模型获取方法、装置及存储介质 | |
CN112580723A (zh) | 多模型融合方法、装置、电子设备和存储介质 |
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 |