本技术涉及数据预测,特别是涉及一种车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术:
1、随着数据预测技术的发展,出现了对象需求数量预测方法。目前,大部分城市都引入了共享车辆,由于共享车辆使用频次高,共享车辆使用结束后需要共享车辆管理者对共享车辆进行调度,从而提高共享车辆后续使用的便捷性。
2、目前的共享车辆数量预测方法,可以根据近几天共享车辆在各区块的骑入、骑出数量,预测各区块中共享车辆的需求数量,从而根据各区块中共享车辆的需求数量,实现对各区块中共享车辆的调度。
3、然而,由于目前的共享车辆数量预测方法,采用的预测因素较为单一,因此对各区块中共享车辆的需求数量的预测准确度较低。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高车辆需求预测准确度的车辆需求预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本技术提供了一种车辆需求预测方法。所述方法包括:
3、获取目标区块的区块特征信息;
4、针对目标时间区间,采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量,及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量;
5、对多个所述骑出预测数量进行加权融合处理,得到所述目标区块在所述目标时间区间对应的目标预测骑出数量,及对所述多个骑入预测数量进行加权融合处理,得到所述目标区块在所述目标时间区间对应的目标预测骑入数量;
6、根据所述目标预测骑出数量和所述目标预测骑入数量,确定所述目标区块在所述目标时间区间对应的预测车辆需求数量,其中,所述目标时间区间为目标预测周期中的任一时间区间。
7、在其中一个实施例中,所述多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型,其中,所述第一骑出预测模型用于进行车辆骑出数量预测,所述第二骑出预测模型用于进行车辆骑出数量均值预测,所述第三骑出预测模型用于进行车辆骑出数量峰值预测;
8、所述多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型,其中,所述第一骑入预测模型用于进行车辆骑入数量预测,所述第二骑入预测模型用于进行车辆骑入数量均值预测,所述第三骑入预测模型用于进行车辆骑入数量峰值预测。
9、在其中一个实施例中,所述针对目标时间区间,采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量,及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量,包括:
10、根据所述目标区块的区块特征信息,确定所述目标区块的预测策略;
11、根据所述预测策略,确定所述目标区块对应的目标预测周期;
12、根据所述目标预测周期、及多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量;
13、根据所述目标预测周期、及多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
14、在其中一个实施例中,所述根据所述预测策略,确定所述目标区块对应的目标预测周期,包括:
15、在所述预测策略为离线预测策略的情况下,确定所述目标区块对应的目标预测周期为第一预测周期,所述第一预测周期包括多个时间区间;或者,
16、在所述预测策略为实时预测策略的情况下,确定所述目标区块对应的目标预测周期为第二预测周期,所述第二预测周期包括一个时间区间。
17、在其中一个实施例中,在所述目标区块对应的所述预测策略为所述离线预测策略的情况下,所述多个骑出预测模型均为离线骑出预测模型,所述多个骑入预测模型均为离线骑入预测模型,
18、所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量,包括:
19、获取所述第一预测周期的预测时间点以及各所述预测时间点对应的时间区间;
20、判断当前时间点是否为所述预测时间点,在所述当前时间点不为所述预测时间点的情况下,获取所述目标区块在所述当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量;或者,
21、在所述当前时间点为所述预测时间点的情况下,根据所述当前时间点对应的所述预测时间点,从所述第一预测周期内确定所述目标时间区间,根据所述多个离线骑出预测模型和所述多个离线骑入预测模型分别对所述目标区块的区块特征信息及所述当前时间点进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
22、在其中一个实施例中,在所述目标区块对应的所述预测策略为所述实时预测策略的情况下,所述多个骑出预测模型均为实时骑出预测模型,所述多个骑入预测模型均为实时骑入预测模型,
23、所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量,包括:
24、获取当前时间点对应的当前时间标识,并确定所述第二预测周期的目标时间标识,所述第二预测周期为所述当前时间点所在时间区间的下一时间区间;
25、根据所述多个实时骑出预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑出数量进行预测处理,得到所述目标区块在所述第二预测周期对应的多个骑出预测数量;
26、根据所述多个实时骑入预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑入数量进行预测处理,得到所述目标区块在所述第二预测周期对应的多个骑入预测数量。
27、在其中一个实施例中,所述根据所述目标预测骑出数量和所述目标预测骑入数量,确定所述目标区块在所述目标时间区间对应的预测车辆需求数量,包括:
28、获取所述目标区块中对照车辆的数量,所述对照车辆为在当前时间区间内,所述目标区块中存在的车辆;
29、根据所述目标区块中的所述对照车辆的数量、所述目标预测骑出数量和所述目标预测骑入数量,确定所述目标区块在所述目标时间区间对应的预测车辆需求数量,其中,所述对照车辆的数量与所述预测车辆需求数量负相关,所述目标预测骑入数量与所述车辆需求数量负相关,所述目标预测骑出数量与所述预测车辆需求数量正相关。
30、在其中一个实施例中,所述方法还包括:
31、将所述目标预测周期进行划分处理,得到多个细化时间区间;
32、针对每一所述细化时间区间,基于所述细化时间区间对应的历史车辆数据,构建所述细化时间区间对应的第一训练集;
33、根据所述第一训练集,分别对初始骑出模型和初始骑入模型进行模型训练,得到所述细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
34、在其中一个实施例中,所述针对目标时间区间,采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量,及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量,包括:
35、针对目标时间区间,获取所述目标时间区间对应的细化时间区间;
36、采用所述细化时间区间对应的多个细化骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量;
37、采用所述细化时间区间对应的多个细化骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
38、在其中一个实施例中,所述方法还包括:
39、针对所述目标预测周期中的每一所述时间区间,获取在所述时间区间内所述目标区块对应的真实车辆骑出数量和真实车辆骑入数量;
40、基于准确度计算策略,根据所述时间区间内所述目标区块对应的所述真实车辆骑出数量和所述真实车辆骑入数量,确定所述时间区间内所述目标区块对应的所述目标预测骑出数量的骑出准确度和所述目标预测骑入数量的骑入准确度;
41、在目标准确度低于预设准确度阈值的情况下,对所述目标准确度对应的预测模型的模型进行迭代处理,得到模型参数更新后的所述预测模型,所述目标准确度为所述骑出准确度和/或所述骑入准确度。
42、第二方面,本技术还提供了一种车辆需求预测装置。所述装置包括:
43、第一获取模块,用于获取目标区块的区块特征信息;
44、预测模块,用于针对目标时间区间,采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量,及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量;
45、融合模块,用于对多个所述骑出预测数量进行加权融合处理,得到所述目标区块在所述目标时间区间对应的目标预测骑出数量,及对所述多个骑入预测数量进行加权融合处理,得到所述目标区块在所述目标时间区间对应的目标预测骑入数量;
46、第一确定模块,用于根据所述目标预测骑出数量和所述目标预测骑入数量,确定所述目标区块在所述目标时间区间对应的预测车辆需求数量,其中,所述目标时间区间为目标预测周期中的任一时间区间。
47、在其中一个实施例中,所述多个骑出预测模型包括第一骑出预测模型、第二骑出预测模型和第三骑出预测模型,其中,所述第一骑出预测模型用于进行车辆骑出数量预测,所述第二骑出预测模型用于进行车辆骑出数量均值预测,所述第三骑出预测模型用于进行车辆骑出数量峰值预测;
48、所述多个骑入预测模型包括第一骑入预测模型、第二骑入预测模型和第三骑入预测模型,其中,所述第一骑入预测模型用于进行车辆骑入数量预测,所述第二骑入预测模型用于进行车辆骑入数量均值预测,所述第三骑入预测模型用于进行车辆骑入数量峰值预测。
49、在其中一个实施例中,所述预测模块具体用于:
50、根据所述目标区块的区块特征信息,确定所述目标区块的预测策略;
51、根据所述预测策略,确定所述目标区块对应的目标预测周期;
52、根据所述目标预测周期、及多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量;
53、根据所述目标预测周期、及多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
54、在其中一个实施例中,所述预测模块具体用于:
55、在所述预测策略为离线预测策略的情况下,确定所述目标区块对应的目标预测周期为第一预测周期,所述第一预测周期包括多个时间区间;或者,
56、在所述预测策略为实时预测策略的情况下,确定所述目标区块对应的目标预测周期为第二预测周期,所述第二预测周期包括一个时间区间。
57、在其中一个实施例中,所述预测模块具体用于:
58、所述根据所述目标预测周期、及多个骑出预测模型和多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量,包括:
59、获取所述第一预测周期的预测时间点以及各所述预测时间点对应的时间区间;
60、判断当前时间点是否为所述预测时间点,在所述当前时间点不为所述预测时间点的情况下,获取所述目标区块在所述当前时间点所在目标时间区间对应的多个骑出预测数量和多个骑入预测数量;或者,
61、在所述当前时间点为所述预测时间点的情况下,根据所述当前时间点对应的所述预测时间点,从所述第一预测周期内确定所述目标时间区间,根据所述多个离线骑出预测模型和所述多个离线骑入预测模型分别对所述目标区块的区块特征信息及所述当前时间点进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量和多个骑入预测数量。
62、在其中一个实施例中,所述预测模块具体用于:
63、获取当前时间点对应的当前时间标识,并确定所述第二预测周期的目标时间标识,所述第二预测周期为所述当前时间点所在时间区间的下一时间区间;
64、根据所述多个实时骑出预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑出数量进行预测处理,得到所述目标区块在所述第二预测周期对应的多个骑出预测数量;
65、根据所述多个实时骑入预测模型对所述目标区块的区块特征信息、所述目标时间区间对应的目标时间标识和所述当前时间标识对应的真实骑入数量进行预测处理,得到所述目标区块在所述第二预测周期对应的多个骑入预测数量。
66、在其中一个实施例中,所述第一确定模块具体用于:
67、获取所述目标区块中对照车辆的数量,所述对照车辆为在当前时间区间内,所述目标区块中存在的车辆;
68、根据所述目标区块中的所述对照车辆的数量、所述目标预测骑出数量和所述目标预测骑入数量,确定所述目标区块在所述目标时间区间对应的预测车辆需求数量,其中,所述对照车辆的数量与所述预测车辆需求数量负相关,所述目标预测骑入数量与所述车辆需求数量负相关,所述目标预测骑出数量与所述预测车辆需求数量正相关。
69、在其中一个实施例中,所述装置还包括:
70、划分模块,用于将所述目标预测周期进行划分处理,得到多个细化时间区间;
71、构建模块,用于针对每一所述细化时间区间,基于所述细化时间区间对应的历史车辆数据,构建所述细化时间区间对应的第一训练集;
72、训练模块,用于根据所述第一训练集,分别对初始骑出模型和初始骑入模型进行模型训练,得到所述细化时间区间对应的多个细化骑出预测模型和多个细化骑入预测模型。
73、在其中一个实施例中,所述预测模块具体用于:
74、针对目标时间区间,获取所述目标时间区间对应的细化时间区间;
75、采用所述细化时间区间对应的多个细化骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量;
76、采用所述细化时间区间对应的多个细化骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量。
77、在其中一个实施例中,所述装置还包括:
78、第二获取模块,用于针对所述目标预测周期中的每一所述时间区间,获取在所述时间区间内所述目标区块对应的真实车辆骑出数量和真实车辆骑入数量;
79、第二确定模块,用于基于准确度计算策略,根据所述时间区间内所述目标区块对应的所述真实车辆骑出数量和所述真实车辆骑入数量,确定所述时间区间内所述目标区块对应的所述目标预测骑出数量的骑出准确度和所述目标预测骑入数量的骑入准确度;
80、迭代模块,用于在目标准确度低于预设准确度阈值的情况下,对所述目标准确度对应的预测模型的模型进行迭代处理,得到模型参数更新后的所述预测模型,所述目标准确度为所述骑出准确度和/或所述骑入准确度。
81、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中各车辆需求预测方法的步骤。
82、第四方面,本技术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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中各车辆需求预测方法的步骤。
83、第五方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中各车辆需求预测方法的步骤。
84、上述车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标区块的区块特征信息;针对目标时间区间,采用多个骑出预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑出预测数量,及采用多个骑入预测模型分别对所述目标区块的区块特征信息进行预测处理,得到所述目标区块在所述目标时间区间对应的多个骑入预测数量;对多个所述骑出预测数量进行加权融合处理,得到所述目标区块在所述目标时间区间对应的目标预测骑出数量,及对所述多个骑入预测数量进行加权融合处理,得到所述目标区块在所述目标时间区间对应的目标预测骑入数量;根据所述目标预测骑出数量和所述目标预测骑入数量,确定所述目标区块在所述目标时间区间对应的预测车辆需求数量,其中,所述目标时间区块为目标预测周期中的任一时间区间。由于本方案提供的车辆需求预测方法、装置、计算机设备、存储介质和计算机程序产品,通过多个骑出预测模型和骑入预测模型进行骑出数量和骑入数量的预测,并对多个预测结果进行加权融合处理,可以得到更精准的预测骑出数量和预测骑入数量,进而可以提高目标区块中车辆需求数量的预测精度。