针对车辆客流量的预测模型进行更新的方法及装置与流程

技术特征：
1.一种对车辆客流量的预测模型进行更新的方法，所述预测模型用于针对预定类型车辆进行客流量预测，所述方法包括：获取当前周期内的n条出行数据对应的样本特征矩阵，所述样本特征矩阵由所述n条出行数据分别对应的n个d维样本特征向量并列排布生成，其中，单条出行数据对应单个用户在当前周期内从一个起始点到一个目标点的一次出行行为；利用所述预测模型中的d维特征权重向量处理所述样本特征矩阵，基于处理结果得到针对所述预定类型车辆的n维车辆出行概率向量；获取n条出行数据各自在m个候选线路上的线路选择向量构成的线路选择矩阵，其中，单个线路选择向量用于描述相应出行数据中，单个用户从相应起始点到相应目标点时，在m个候选线路的选择概率，所述m个候选线路与所述n条出行数据至少基于时间和地域相关联，并针对所述预定类型车辆确定；将所述线路选择矩阵与所述车辆出行概率向量进行融合，确定出分别与所述m个候选线路对应的m个预测客流量；基于所述m个候选线路在当前周期内分别对应的m个真实客流量和所述m个预测客流量的相似性对比，至少调整所述d维特征权重向量，从而更新所述预测模型。2.根据权利要求1所述的方法，其中，在所述预定类型车辆为公交车辆的情况下，所述样本特征向量用于描述以下至少一项特征：用户画像、用户的历史出行效率偏好、出行时的天气、起始点和目标点距离、起始点与公交站距离、目标点与公交站距离、相关公交路次的运营时间和/或运营间隔。3.根据权利要求1所述的方法，其中，所述样本特征矩阵中，各行分别对应各条出行数据，各列分别对应各个样本特征，所述d维特征权重向量为列向量，所述利用所述预测模型中的d维特征权重向量处理所述样本特征矩阵包括：将所述样本特征矩阵与所述d维特征权重向量的乘积对应的n维列向量作为所述处理结果。4.根据权利要求3所述的方法，其中，所述基于处理结果得到针对所述预定类型车辆的n维车辆出行概率向量包括：通过预先确定的激励函数将所述处理结果中的n维列向量上的各个元素映射为预定区间的数值，得到所述车辆出行概率向量。5.根据权利要求1所述的方法，其中，单个线路选择向量通过以下的一种方式确定：将用户在与相应出行数据一致的起始点和目标点之间的历史出行中，选择各个候选线路的次数分别与总出行次数的各个比值，作为所述单个线路选择向量的各个元素；将相应出行数据对应的d维样本特征向量输入预先训练的线路选择模型，根据所述线路选择模型的输出结果确定所述单个线路选择向量。6.根据权利要求1所述的方法，其中，所述候选线路包括第一线路，所述将所述线路选择矩阵与所述车辆出行概率向量进行融合，确定出分别与所述m个候选线路对应的m个预测客流量包括：将所述线路选择矩阵中，与所述第一线路对应的行/列中的各个元素，用所述车辆出行概率向量中相应元素为权重，进行加权求和，得到第一和值；将所述第一和值确定为所述第一线路上的预测客流量。
7.根据权利要求1所述的方法，其中，所述线路选择矩阵中的各行分别对应各条候选线路，各列分别对应各条出行数据，所述车辆出行概率向量为m维的列向量，所述将所述线路选择矩阵与所述车辆出行概率向量进行融合，确定出分别与所述m个候选线路对应的m个预测客流量包括：根据所述线路选择矩阵与所述车辆出行概率向量的乘积，得到m维列向量，所述m维列向量中的各个元素分别为与所述m个候选线路对应的m个预测客流量。8.根据权利要求1所述的方法，其中，所述基于所述m个候选线路在当前周期内分别对应的m个真实客流量和所述m个预测客流量的相似性对比，至少调整所述d维特征权重向量包括：将以下中的一项作为损失函数：所述m个真实客流量和所述m个预测客流量之间的方差、均方差、平均绝对误差、总体相对误差、欧氏距离、余弦距离；向损失函数减小的方向调整所述d维特征权重向量。9.一种对车辆客流量的预测模型进行更新的装置，所述预测模型用于针对预定类型车辆进行客流量预测，所述装置包括：样本特征获取单元，配置为获取当前周期内的n条出行数据对应的样本特征矩阵，所述样本特征矩阵由所述n条出行数据分别对应的n个d维样本特征向量并列排布生成，其中，单条出行数据对应单个用户在当前周期内从一个起始点到一个目标点的一次出行行为；第一处理单元，配置为利用所述预测模型中的d维特征权重向量处理所述样本特征矩阵，基于处理结果得到针对所述预定类型车辆的n维车辆出行概率向量；线路概率获取单元，配置为获取n条出行数据各自在m个候选线路上的线路选择向量构成的线路选择矩阵，其中，单个线路选择向量用于描述相应出行数据中，单个用户从相应起始点到相应目标点时，在m个候选线路的选择概率，所述m个候选线路与所述n条出行数据至少基于时间和地域相关联，并针对所述预定类型车辆确定；第二处理单元，配置为将所述线路选择矩阵与所述车辆出行概率向量进行融合，确定出分别与所述m个候选线路对应的m个预测客流量；更新单元，配置为基于所述m个候选线路在当前周期内分别对应的m个真实客流量和所述m个预测客流量的相似性对比，至少调整所述d维特征权重向量，从而更新所述预测模型。10.根据权利要求9所述的装置，其中，在所述预定类型车辆为公交车辆的情况下，所述样本特征向量用于描述以下至少一项特征：用户画像、用户的历史出行效率偏好、出行时的天气、起始点和目标点距离、起始点与公交站距离、目标点与公交站距离、相关公交路次的运营时间和/或运营间隔。11.根据权利要求9所述的装置，其中，所述样本特征矩阵中，各行分别对应各条出行数据，各列分别对应各个样本特征，所述d维特征权重向量为列向量，所述第一处理单元进一步配置为：将所述样本特征矩阵与所述d维特征权重向量的乘积对应的n维列向量作为所述处理结果。12.根据权利要求11所述的装置，其中，所述第一处理单元还配置为：通过预先确定的激励函数将所述处理结果中的n维列向量上的各个元素映射为预定区间的数值，得到所述车辆出行概率向量。
13.根据权利要求9所述的装置，其中，所述装置还包括线路概率确定单元，配置为通过以下的一种方式确定单个线路选择向量：将用户在与相应出行数据一致的起始点和目标点之间的历史出行中，选择各个候选线路的次数分别与总出行次数的各个比值，作为所述单个线路选择向量的各个元素；将相应出行数据对应的d维样本特征向量输入预先训练的线路选择模型，根据所述线路选择模型的输出结果确定所述单个线路选择向量。14.根据权利要求9所述的装置，其中，所述候选线路包括第一线路，所述第二处理单元还配置为：将所述线路选择矩阵中，与所述第一线路对应的行/列中的各个元素，用所述车辆出行概率向量中相应元素为权重，进行加权求和，得到第一和值；将所述第一和值确定为所述第一线路上的预测客流量。15.根据权利要求9所述的装置，其中，所述线路选择矩阵中的各行分别对应各条候选线路，各列分别对应各条出行数据，所述车辆出行概率向量为m维的列向量，所述第二处理单元进一步配置为：根据所述线路选择矩阵与所述车辆出行概率向量的乘积，得到m维列向量，所述m维列向量中的各个元素分别为与所述m个候选线路对应的m个预测客流量。16.根据权利要求9所述的装置，其中，所述更新单元进一步配置为：将以下中的一项作为损失函数：所述m个真实客流量和所述m个预测客流量之间的方差、均方差、平均绝对误差、总体相对误差、欧氏距离、余弦距离；向损失函数减小的方向调整所述d维特征权重向量。17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。18.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的方法。

技术总结
本说明书实施例提供一种针对车辆客流量的预测模型进行更新的方法和装置，在针对车辆客流量的预测模型的训练过程中，通过矩阵方式代替数学表达式的运算方式，充分利用矩阵和向量的数学特征，完成运算和客流量汇总过程，从而避免了数学表达式中难以使用优化算法等问题，加快收敛速度，提高模型训练效率。进一步地，利用向量的特点，可以将损失函数定义为向量一致性，即使减少样本数据量，也不影响预测模型的准确度，进一步降低模型训练过程中的计算成本。算成本。算成本。


技术研发人员：陈旭 刘晔诚
受保护的技术使用者：支付宝（杭州）信息技术有限公司
技术研发日：2020.03.24
技术公布日：2021/9/27