[發明專利]一種出租車需求預測方法、系統和設備

有效

• 申請號: 202110097592.3
• 申請日: 2021-01-25
• 公開（公告）號: CN112801360B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 廖文雄;曾碧;劉建圻
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭帥

1.一種出租車需求預測方法，其特征在于，包括：

對歷史時刻的多模態信息進行特征提取，得到多模態特征，所述多模態信息包括出租車需求信息、天氣信息、事件信息和文本信息，所述多模態特征包括出租車需求特征、天氣特征、事件特征和文本特征；

將每個歷史時刻提取的多模態特征作為圖神經網絡的節點，通過時序關系構造所述圖神經網絡的邊連接；

基于多模態注意力的消息傳遞機制MMPM對所述圖神經網絡的節點進行更新，對圖神經網絡模型進行訓練；

將當前時刻的多模態信息輸入訓練好的圖神經網絡模型，得到所述圖神經網絡模型輸出的出租車需求預測結果；

所述基于多模態注意力的消息傳遞機制MMPM對所述圖神經網絡的節點進行更新，包括：

對第n個時刻的節點進行更新：

其中，為第n個時刻的p個鄰近節點，j為網絡的層數，為第j層第a個節點的出租車需求特征，為第j+1層第n個時刻的節點出租車需求特征，為第j層第a個節點的天氣特征，為第j+1層第n個時刻的節點天氣特征，為第j層第a個節點的事件特征，為第j+1層第n個時刻的節點事件特征，為第j層第a個節點的文本特征，為第j+1層第n個時刻的節點文本特征；

通過注意力機制增加強相關性特征的權重：

其中，||代表連接操作，α_k為第k個模態特征的權重，u_k∈R^q為多模態注意力的隱藏層特征的第k個模態分量，u_i∈R^q為多模態注意力的隱藏層特征的第i個模態分量，v^(j)∈R^q均為可訓練參數，q為注意力機制的隱藏層大小，為權重與模態特征加權后的第j+1層候選的出租車需求特征；

通過一個線性轉換層和relu激活函數輸出第j+1層是需求特征表示，更新圖神經網絡的節點：

其中，w_fusion∈R^4h×h，b_fusion∈R^h為可訓練參數；

經過MMPM處理后，得到第j+1層的第n個節點特征表示為：