[發明專利]樣本數據生成、出行需求預測模型訓練和預測方法及裝置

在審

• 申請號: 202210741970.1
• 申請日: 2022-06-27
• 公開（公告）號: CN115409170A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 何墨
• 申請（專利權）人: 阿里云計算有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06Q10/04
• 代理公司: 北京思格頌知識產權代理有限公司 11635
• 代理人: 潘珺

1.一種訓練樣本數據的生成方法，其特征在于，包括：

按照預設的人群屬性，對人群進行分類，得到不同的人群分組；

基于所述人群分組，將同一人群分組下的不同個體在不同預設時間段內的出行鏈數據進行整合，得到所述同一人群分組對應的出行需求預測模型的訓練樣本數據。

2.如權利要求1所述的方法，其特征在于，將同一人群分組下的不同個體的出行鏈數據進行整合，得到同一分組對應的出行需求預測模型的訓練樣本數據，包括：

對同一人群分組下的不同個體，按照個體的用戶標識和預設時間段標識，將不同個體的歷史出行數據，整理成不同個體在不同預設時間段內的出行鏈數據；所述出行鏈數據中包含所述個體在預設時間段內的至少一個出行動作記錄以及所述至少一個出行動作記錄所對應的出行目的特征標簽；

將同一分組下不同個體在不同時間段的出行鏈數據，按照預設的出行鏈數量和出行動作記錄數量，切分成多批訓練樣本數據。

3.如權利要求2所述的方法，其特征在于，按照個體的用戶標識和預設時間段標識，將不同個體的歷史出行數據，整理成不同個體在不同預設時間段內的出行鏈數據，包括：

生成出行鏈數據的鍵標識；所述鍵標識包括用戶標識和日期的組合；

在所述用戶標識對應的個體的歷史出行數據中，確定所述日期內發生的至少一出行動作記錄的出行目的特征標簽；

將所述歷史出行數據中出行動作記錄的活動開始時間、持續時長和經緯度數據，以及所述出行動作記錄對應的出行目的特征標簽，轉換成預設的數據格式，得到所述鍵標識對應的出行鏈數據。

4.一種出行需求預測模型的訓練方法，其特征在于，包括：

獲取所述出行需求預測模型對應的人群分組的至少一批訓練樣本數據；所述訓練樣本數據中包含所述人群分組中多個不同個體在不同時間段內預設數量的出行鏈數據；

將所述至少一批訓練樣本數據，分批次輸入至預設的深度學習網絡，對所述深度學習網絡進行訓練，得到所述人群分組對應的出行需求預測模型。

5.如權利要求4所述的方法，其特征在于，對所述深度學習網絡進行訓練，得到所述人群分組對應的出行需求預測模型，包括：

在將每批次訓練樣本數據輸入至預設的深度學習網絡后，使用誤差反向傳播的方式，對所述深度學習網絡的參數值計算損失函數的梯度，并根據所述梯度更新所述參數值以使損失函數收斂，直至達到預設的收斂條件。

6.如權利要求5所述的方法，其特征在于，所述預設的深度學習網絡，包括：輸入層、第一網絡輸出層和第二網絡輸出層；

所述訓練樣本數據集中的出行鏈數據，包括：至少一個出行動作記錄以及所述至少一個出行動作記錄所對應的出行目的特征標簽；所述出行動作記錄包括：活動開始時間、持續時長和經緯度數據；

所述輸入層包括預設數量的時序單元，用于接收輸入的訓練樣本數據；

所述第一網絡輸出層，用于輸出計算得到的出行目的特征標簽，并作為輸入層下個時序單元的輸入數據；

所述第二網絡輸出層，用于輸出活動開始時間、持續時長和經緯度數據，并作為輸入層下個時序單元的輸入數據；所述活動開始時間、持續時長和經緯度數據基于第一網絡輸出層輸出的出行目的特征計算得到。

7.如權利要求6所述的方法，其特征在于，所述損失函數包括：第一網絡輸出層的損失函數、第二網絡輸出層的損失函數以及第一網絡輸出層和第二網絡輸出層的綜合損失函數；

所述第一網絡輸出層的損失函數用以表征所述深度學習網絡對出行目的的建模損失；

所述第二網絡輸出層的損失函數用以表征所述深度學習網絡對基于出行目的生成的出行動作的時間和空間的建模損失。