技术摘要：
本申请提供了一种订单量的预测方法、装置及电子设备。该方法包括：获取订单量时空数据，该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；将订单量时空数据输入预先构建的图生成模型，得到节点图，节点图的一个节点表征一个区域，每个节点的数据包含其表征  全部
背景技术：
需求量预测是一个典型的时空预测问题，在时间上，该问题有明显的渐进性和周 期性；在空间上，订单量的分布有明显的区域相似特征。传统深度学习的方法采用卷积神经 网络CNN 循环神经网络RNN的方法进行时空建模，如深度时空网络使用堆叠的CNN进行空间 特征抽取；深度多视图时空网络(DMVST)同时引入RNN和CNN进行多视图学习。这种方式在时 间建模上，RNN对于时间序列的建模过于平滑；在空间建模上，CNN无法处理非欧式结构，无 法引入城市多模态数据进行更精准的建模，这些问题导致预测的准确性和稳定性偏低。
技术实现要素：
有鉴于此，本申请实施例提供一种订单量的预测方法、装置及电子设备，能够提高 订单量的预测准确度及稳定性。 根据本申请的一个方面，提供一种订单量的预测方法，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。 在一些实施例中，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。 在一些实施例中，所述地理位置邻近图生成模型包括： GN＝(V，AN  i，j)；其中， V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；AN  i，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： GS＝(V，AS  i，j)；其中， AS  i，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vi和区域vj对应的POI向量，sim( )为相似度函数； 8 CN 111612489 A 说　明　书 2/15 页 所述路网连通图生成模型包括： GC＝(V，AC  i，j)；其中，AC  i，j＝max(0，conn(vi，vj)-AN  i，j)， 其中，AC  i，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(vi，vj)表示 节点i和节点j在一条道路上的连接方式。 在一些实施例中，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。 在一些实施例中，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。 在一些实施例中，通过下式进行图卷积运算： 其中，FGC(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。 在一些实施例中，通过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的步骤，包括：通过下式对经过加权的输入信号在时间维度上进行 聚合： H(X)＝RNN(X，W)； 其中，H(X)表示聚合函数，其输入为 其输出为 RNN( )表示循环 卷积神经网络函数，W为可训练参数。 在一些实施例中，对所述订单量时空数据进行全局池化的步骤，包括： 通过下式对所述订单量时空数据进行全局池化： 其中，Fpool( )表示全局池化函数，其输入为 其输出为 Xi表示第i个 区域T个时间段内的订单数。 9 CN 111612489 A 说　明　书 3/15 页 在一些实施例中，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的步骤，包括：通过下式，计算得到环境门控权重向量： Fattn(X)＝σ(W2δ(W1X))； 其中，Fattn( )表示注意力机制函数，其输入为 其输出为 σ()、δ()分别 是sigmoid和relu激活函数，W1和W2分别为可训练参数。 在一些实施例中，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的步骤，包括：通过下式计算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： 其中，为哈达玛积，FCG(X)表示加权函数，其输入为 其输出为 Fattn(X)表示环境门控权重向量。 在一些实施例中，通过GCN对所述时间信息特征进行局部空间特征抽取的步骤，包 括：通过以下所述GCN的向前传播算法，进行局部空间特征抽取： FGC(X)＝σ(f(A；θi)XW)； 其中，FGC(X)表示图卷积神经网络函数，其输入为 其输出为 f(A； θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神 经网络GCN的感受野范围。 在一些实施例中，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 的订单量的步骤，包括：当所述图生成模型包括：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中的一个时，将所述抽取得到的局部空间特征，作为指定时段 下每个所述节点的订单量；当所述图生成模型包括：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中的多个时，利用多图卷积融合算法，对所述抽取得到的 局部空间特征进行特征融合及降维处理，输出指定时段下每个所述节点的订单量。 在一些实施例中，对所述抽取得到的局部空间特征进行特征融合及降维处理，输 出指定时段下每个所述节点的订单量的步骤，包括：利用下述多图卷积融合算法进行特征 融合及降维处理： 其中，FGC(X)表示图卷积神经网络函数，其输入为 其输出为 代 表所述节点图构成的集合， 代表加权聚合函数，其输入为 其输出为 p’为FGC输出的空间信息特征的维度。 根据本申请的另一个方面，提供一种订单量的预测装置，包括：数据获取模块，用 于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；节点图生成模块，用于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；时间信息特征提取模块，用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；其中，所述时间信息特征 10 CN 111612489 A 说　明　书 4/15 页 包括每个所述节点对应历史时间段下的订单聚合量；空间特征提取模块，用于通过图卷积 神经网络GCN对所述时间信息特征进行局部空间特征抽取；订单量预测模块，用于基于抽取 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。 在一些实施例中，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。 在一些实施例中，所述地理位置邻近图生成模型包括： GN＝(V，AN  i，j)；其中， V表示节点对应的区域的集合，vi与vj分别表示节点i和节点j对应的区域；AN  i，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： GS＝(V，AS  i，j)；其中， AS  i，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vi和区域vj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： GC＝(V，AC  i，j)；其中，AC  i，j＝max(0，conn(vi，vj)-AN  i，j)， 其中，AC  i，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(vi，vj)表示 节点i和节点j在一条道路上的连接方式。 在一些实施例中，所述时间信息特征提取模块包括：图卷积运算模块，用于将所述 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；时间维度加权模块，用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；时间聚合模块，用于通过循环神经网络 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。 在一些实施例中，所述时间维度加权模块还用于：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。 在一些实施例中，通过下式进行图卷积运算： 其中，FGC(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 11 CN 111612489 A 说　明　书 5/15 页 据，σ()为relu激活函数。 在一些实施例中，通过下式对经过加权的输入信号在时间维度上进行聚合： H(X)＝RNN(X，W)； 其中，H(X)表示聚合函数，其输入为 其输出为 RNN( )表示循环 卷积神经网络函数，W为可训练参数。 在一些实施例中，通过下式对所述订单量时空数据进行全局池化： 其中，Fpool( )表示全局池化函数，其输入为 其输出为 Xi表示第i个 区域T个时间段内的订单数。 在一些实施例中，通过下式，计算得到环境门控权重向量： Fattn(X)＝σ(W2δ(W1X))； 其中，Fattn( )表示注意力机制函数，其输入为 其输出为 σ()、δ()分别 是sigmoid和relu激活函数，W1和W2分别为可训练参数。 在一些实施例中，通过下式计算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： 其中，为哈达玛积，FCG(X)表示加权函数，其输入为 其输出为 Fattn(X)表示环境门控权重向量。 在一些实施例中，通过以下所述GCN的向前传播算法，进行局部空间特征抽取： FGC(X)＝σ(f(A；θi)XW)； 其中，FGC(X)表示图卷积神经网络函数，其输入为 其输出为 f(A； θi)表示节点图A的参数化函数，f(A；θi)是拉普拉斯矩阵的K阶多项式，K表示一层图卷积神 经网络GCN的感受野范围。 在一些实施例中，所述订单量预测模块还用于：当所述图生成模型包括：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中的一个时，将所述抽取得到 的局部空间特征，作为指定时段下每个所述节点的订单量；当所述图生成模型包括：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中的多个时，利用多图卷积 融合算法，对所述抽取得到的局部空间特征进行特征融合及降维处理，输出指定时段下每 个所述节点的订单量。 在一些实施例中，利用下述多图卷积融合算法进行特征融合及降维处理： 其中，FGC(X)表示图卷积神经网络函数，其输入为 其输出为 代 表所述节点图构成的集合， 代表加权聚合函数，其输入为 12 CN 111612489 A 说　明　书 6/15 页 其输出为 p’为FGC输出的空间信息特征的维度。 根据本申请的另一个方面，提供一种电子设备，包括：处理器、存储介质和总线，所 述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与 所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如上 述订单量的预测方法中的一个或多个方法的步骤。 根据本申请的另一个方面，提供一种计算机可读存储介质，该计算机可读存储介 质上存储有计算机程序，该计算机程序被处理器运行时执行如上述订单量的预测方法中的 一个或多个方法的步骤。 上述任一方面所述的订单量的预测方法和装置中，首先获取订单量时空数据，该 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；然后将订单量时空数据输 入预先构建的图生成模型，得到节点图，在每个节点图中，一个节点表征一个区域，每个节 点的数据包含其表征区域的历史时间段对应的订单量；然后通过环境门控循环神经网络 CGRNN对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，该时间信息特征包括 每个节点对应历史时间段下的订单聚合量；最后通过图卷积神经网络GCN对时间信息特征 进行局部空间特征抽取，并基于抽取得到的局部空间特征，预测指定时段下每个节点的订 单量。本申请能够通过图生成模型生成节点图，考虑了空间位置关系对预测的影响，通过环 境门控循环神经网络，能够对历史数据根据重要性进行加权过滤，并采用图卷积神经网络 进行空间特征提取，从而提高订单量的预测准确度及稳定性。 为使本申请实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并 配合所附附图，作详细说明。 附图说明 为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对 范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这 些附图获得其他相关的附图。 图1示出了本申请实施例所提供的一种订单量的预测方法的流程图； 图2示出了本申请实施例所提供的一种图片特征提取的网络结构示意图； 图3示出了本申请实施例所提供的一种注意力向量形成过程的示意图； 图4示出了本申请实施例所提供的一种订单量的预测方法中步骤S206的详细流程 图； 图5示出了本申请实施例所提供的一种订单量的预测装置的结构示意图； 图6示出了本申请实施例所提供的一种订单量的预测装置中的局部结构示意图； 图7示出了本申请实施例所提供的一种电子设备的示意图。