[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

本發明公開了一種訓練樣本數據生成方法、出行需求預測模型訓練方法和出行需求預測方法及裝置。所述出行需求預測模型的訓練方法包括：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。本發明利用人群的出行數據，可實現對微觀的個體的出行需求進行預測，并可實現中長期時間跨度的出行需求預測。

技術領域

本發明涉及大數據技術領域，特別涉及一種訓練樣本數據生成方法、出行 需求預測模型的訓練方法和出行需求預測方法及裝置。

背景技術

對未來的仿真推演是城市數字孿生最重要的能力之一。例如城市如果新建 一座跨江大橋，附近居民是否會因為交通變得便利而增加出行量，例如城市通 勤人群在特定的通勤時間每個個體具有較強的周期性通勤需求。因此，交通需 求預測是對城市未來的仿真推演的關鍵技術。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地 解決上述問題的一種訓練樣本數據的生成方法、出行需求預測模型的訓練方法 和出行需求預測方法及裝置。

第一方面，本發明實施例提供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，得到同一人群分組對應的出行需求預測模型的訓練樣本 數據。

在一個實施例中，分別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。

在一個實施例中，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。

第二方面，本發明實施例提供一種出行需求預測模型的訓練方法，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。

在一個實施例中，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。