[发明专利]一种城市用车需求量预测方法、设备及存储介质

权利要求书

1.一种城市用车需求量预测方法，其特征在于，包括以下步骤：

S100、将待预测区域划分成若干网格；

S200、采集各个所述网格内的时态数据和空间数据作为训练集，所述时态数据包括气象特征、事件特征和历史需求，所述空间数据包括全部所述网格中各类POIs的数量；

S300、将所述训练集输入至预设的基于BERT的深度空时神经网络模型进行训练；

S400、通过训练完成的所述基于BERT的深度空时神经网络模型对所述待预测区域中任意区域的下一时段的用车需求量进行预测。

2.根据权利要求1所述的城市用车需求量预测方法，其特征在于，所述基于BERT的深度空时神经网络模型的预测，包括步骤：

对所述时态数据和所述空间数据进行预处理；

将预处理后的所述时态数据输入至位置嵌入层进行时间顺序调整；

将所述位置嵌入层的输出结果输入至时空嵌入层，所述时空嵌入层包括一个多层感知器；

将所述时空嵌入层的输出结果输入至至少一个编码器中，所述至少一个编码器的输出结果输入至全连接层，得到第一输出结果；

将预处理后的所述空间数据输入至依次连接的编码器和全连接层中，得到第二输出结果；

将所述第一输出结果和所述第二输出结果进行级联并输入全连接层中，得到预测结果。

3.根据权利要求2所述的城市用车需求量预测方法，其特征在于，所述至少一个编码器为两个并行独立运行的编码器。

4.根据权利要求1所述的城市用车需求量预测方法，其特征在于，将所述训练集输入至预设的基于BERT的深度空时神经网络模型中进行训练之后，还包括步骤：通过测试集对训练完成的所述基于BERT的深度空时神经网络模型进行测试。

5.根据权利要求2所述的城市用车需求量预测方法，其特征在于，所述对所述时态数据进行预处理，包括步骤：

将所述气象特征和所述事件特征分别输入至对应的第一全连接层；

将两个所述第一全连接层的输出结果和所述历史需求共同输入至第二全连接层，得到所述时态数据的预处理结果。

6.根据权利要求1所述的城市用车需求量预测方法，其特征在于，所述气象特征包括：温度、湿度、能见度、风速、降水量和天气情况。

7.根据权利要求1所述的城市用车需求量预测方法，其特征在于，所述事件特征包括：节假日事件、工作日事件和周末事件。

8.根据权利要求1所述的城市用车需求量预测方法，其特征在于，所述POIs包括住宅区、教育设施、文化设施、娱乐设施、社会服务设施、交通设施、商业设施、政府设施、宗教设施、卫生服务设施、公共安全设施和水源设施。

9.一种城市用车需求量预测设备，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的城市用车需求量预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的城市用车需求量预测方法。