[发明专利]订单量的预测方法、装置及电子设备

权利要求书

1.一种订单量的预测方法，其特征在于，包括：

获取订单量时空数据；其中，所述订单量时空数据包括与区域对应的不同历史时间段内的订单量；

将所述订单量时空数据输入预先构建的图生成模型，得到节点图；所述节点图的一个节点表征一个区域，每个所述节点的数据包含其表征区域的历史时间段对应的订单量；

通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征；其中，所述时间信息特征包括每个所述节点对应历史时间段下的订单聚合量；

通过图卷积神经网络GCN对所述时间信息特征进行局部空间特征抽取；

基于抽取得到的局部空间特征，预测指定时段下每个所述节点的订单量。

2.根据权利要求1所述的方法，其特征在于，所述图生成模型至少包括以下之一：地理位置邻近图生成模型、POI相似图生成模型和路网连通图生成模型。

3.根据权利要求2所述的方法，其特征在于，所述地理位置邻近图生成模型包括：

G_N＝(V,A_Ni,j)；其中，

V表示节点对应的区域的集合，v_i与v_j分别表示节点i和节点j对应的区域；A_Ni,j表示节点i和节点j在地理位置邻近图中的连接方式；

所述POI相似图生成模型包括：

G_S＝(V,A_Si,j)；其中，

A_Si,j表示节点i和节点j在POI相似图中的连接方式；和分别代表区域v_i和区域v_j对应的POI向量，sim()为相似度函数；

所述路网连通图生成模型包括：

G_C＝(V,A_Ci,j)；其中，A_Ci,j＝max(0,conn(v_i,v_j)-A_Ni,j)，

其中，A_Ci,j表示表示节点i和节点j在路网连通图中的连接方式，conn(v_i,v_j)表示节点i和节点j在一条道路上的连接方式。

4.根据权利要求1所述的方法，其特征在于，通过环境门控循环神经网络CGRNN对所述节点图进行时间维度加权及聚合，得到订单的时间信息特征的步骤，包括：

将所述节点图输入所述CGRNN进行图卷积运算，得到所述订单量时空数据在所述节点图上的初步的空间信息特征；

基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号；

通过循环神经网络RNN对所述经过加权的输入信号在时间维度上进行聚合，得到订单的时间信息特征。

5.根据权利要求4所述的方法，其特征在于，基于所述订单量时空数据和所述空间信息特征在时间维度上进行加权，得到经过加权的输入信号的步骤，包括：

对所述订单量时空数据和所述空间信息特征分别进行全局池化，得到两个维度一致的向量；

将两个所述维度一致的向量进行拼接，通过预设的注意力机制生成环境门控权重向量；其中，所述环境门控权重向量包括与每个所述历史时间段对应的权重值；

求取所述订单量时空数据与所述环境门控权重向量的哈达玛积，得到经过加权的输入信号。

6.根据权利要求4所述的方法，其特征在于，通过下式进行图卷积运算：

其中，F_GC(X)表示图卷积神经网络，其输入为其输出为|V|表示区域对应的节点的数量，T表示历史时间段的数量，p表示时空区域的特征数，p＝1，L是拉普拉斯矩阵，K′表示图卷积核感知区域的大小，K′＝1，W是可训练参数，X表示订单量时空数据，σ()为relu激活函数。