[发明专利]样本数据生成、出行需求预测模型训练和预测方法及装置

权利要求书

1.一种训练样本数据的生成方法，其特征在于，包括：

按照预设的人群属性，对人群进行分类，得到不同的人群分组；

基于所述人群分组，将同一人群分组下的不同个体在不同预设时间段内的出行链数据进行整合，得到所述同一人群分组对应的出行需求预测模型的训练样本数据。

2.如权利要求1所述的方法，其特征在于，将同一人群分组下的不同个体的出行链数据进行整合，得到同一分组对应的出行需求预测模型的训练样本数据，包括：

对同一人群分组下的不同个体，按照个体的用户标识和预设时间段标识，将不同个体的历史出行数据，整理成不同个体在不同预设时间段内的出行链数据；所述出行链数据中包含所述个体在预设时间段内的至少一个出行动作记录以及所述至少一个出行动作记录所对应的出行目的特征标签；

将同一分组下不同个体在不同时间段的出行链数据，按照预设的出行链数量和出行动作记录数量，切分成多批训练样本数据。

3.如权利要求2所述的方法，其特征在于，按照个体的用户标识和预设时间段标识，将不同个体的历史出行数据，整理成不同个体在不同预设时间段内的出行链数据，包括：

生成出行链数据的键标识；所述键标识包括用户标识和日期的组合；

在所述用户标识对应的个体的历史出行数据中，确定所述日期内发生的至少一出行动作记录的出行目的特征标签；

将所述历史出行数据中出行动作记录的活动开始时间、持续时长和经纬度数据，以及所述出行动作记录对应的出行目的特征标签，转换成预设的数据格式，得到所述键标识对应的出行链数据。

4.一种出行需求预测模型的训练方法，其特征在于，包括：

获取所述出行需求预测模型对应的人群分组的至少一批训练样本数据；所述训练样本数据中包含所述人群分组中多个不同个体在不同时间段内预设数量的出行链数据；

将所述至少一批训练样本数据，分批次输入至预设的深度学习网络，对所述深度学习网络进行训练，得到所述人群分组对应的出行需求预测模型。

5.如权利要求4所述的方法，其特征在于，对所述深度学习网络进行训练，得到所述人群分组对应的出行需求预测模型，包括：

在将每批次训练样本数据输入至预设的深度学习网络后，使用误差反向传播的方式，对所述深度学习网络的参数值计算损失函数的梯度，并根据所述梯度更新所述参数值以使损失函数收敛，直至达到预设的收敛条件。

6.如权利要求5所述的方法，其特征在于，所述预设的深度学习网络，包括：输入层、第一网络输出层和第二网络输出层；

所述训练样本数据集中的出行链数据，包括：至少一个出行动作记录以及所述至少一个出行动作记录所对应的出行目的特征标签；所述出行动作记录包括：活动开始时间、持续时长和经纬度数据；

所述输入层包括预设数量的时序单元，用于接收输入的训练样本数据；

所述第一网络输出层，用于输出计算得到的出行目的特征标签，并作为输入层下个时序单元的输入数据；

所述第二网络输出层，用于输出活动开始时间、持续时长和经纬度数据，并作为输入层下个时序单元的输入数据；所述活动开始时间、持续时长和经纬度数据基于第一网络输出层输出的出行目的特征计算得到。

7.如权利要求6所述的方法，其特征在于，所述损失函数包括：第一网络输出层的损失函数、第二网络输出层的损失函数以及第一网络输出层和第二网络输出层的综合损失函数；

所述第一网络输出层的损失函数用以表征所述深度学习网络对出行目的的建模损失；

所述第二网络输出层的损失函数用以表征所述深度学习网络对基于出行目的生成的出行动作的时间和空间的建模损失。