(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211191739.6 (22)申请日 2022.09.28 (71)申请人 湖北省楚天云有限公司 地址 430000 湖北省武汉市东湖开发区花 城大道9号武汉软件新城1.1期A2栋1- 3层、 4层(2)号 申请人 华中科技大 学 (72)发明人 徐博　唐懋然　彭凯　胡梦兰　 徐晓慧　谢江山　彭聪　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 范三霞 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种共享单 车需求量预测方法及预测系统 (57)摘要 本发明提供一种共享单车需求量预测方法 及预测系统， 方法包括： 获取各共享单车站点的 历史需求量数据， 得到历史需求量特征矩阵， 以 及根据历史订单数据， 生 成表示站点邻接关系的 邻接矩阵； 将历史需求量特征矩阵和 邻接矩阵输 入图卷积神经网络， 获取包含邻居站点需求量信 息的特征矩阵， 输入深度 自注意力网络， 提取共 享单车需求量时域信息矩阵； 将共享单车需求量 时域信息矩阵输入卷积神经网络、 残差结构和全 连接层， 输出下一时间段各个共享单车站点的需 求量预测值。 本发明中深度自注 意力网络原生的 多头注意力机制对时域特征和空域特征中的目 标兴趣特征做更好的学习， 在一定程度上提升需 求量预测的准确率， 更好地解决短时共享单车需 求量预测问题。 权利要求书3页 说明书8页 附图5页 CN 115271833 A 2022.11.01 CN 115271833 A 1.一种共享单 车需求量预测方法， 其特 征在于， 包括： 获取各共享单车站点的历史需求量数据， 对所述历史需求量数据进行拼接， 得到历史 需求量特征矩阵， 以及根据历史订单 数据， 生成表示站点邻接关系的邻接矩阵； 将所述历史需求量特征矩阵和所述邻 接矩阵输入图卷积神经网络， 以获取各个时间段 共享单车需求量空间与拓扑信息特 征， 得到包 含邻居站点需求 量信息的特 征矩阵； 将所述包含邻居站点需求量信 息的特征矩阵输入深度自注意力网络， 通过多头注意力 机制计算和前馈神经网络提取共享单 车需求量时域信息矩阵； 将所述共享单车需求量 时域信息矩阵输入卷积神经网络， 对所述共享单车需求量 时域 信息矩阵进行升维， 将升维后的共享单车需求量时域信息矩阵与所述历史需求量特征矩阵 通过残差结构连接， 再通过全连接层输出 下一时间段 各个共享单 车站点的需求 量预测值。 2.根据权利要求1所述的共享单车需求量预测方法， 其特征在于， 所述历史需求量特征 矩阵表示 为XN*M， 其中N表示共享单 车站点数量， M表示时间步长， 根据时间步长划分时间段； 所述根据历史订单 数据， 生成表示站点邻接关系的邻接矩阵， 包括： 根据每一条历史订单数据中的终点位置和起始位置， 计算每条轨迹起始位置所处 的站 点， 生成表示站点邻接关系的邻接矩阵A。 3.根据权利要求1所述的共享单车需求量预测方法， 其特征在于， 所述深度自注意力网 络包括多个编码层， 每一个编码层包括多头注意力机制层和前馈神经网络层， 多个编码层 串接， 将所述包含邻居站点需求量信息的特征矩阵输入深度自注意力网络， 通过多头注意 力机制计算和前馈神经网络提取共享单 车需求量时域信息矩阵， 包括： 将所述包含邻居站点需求量信息的特征矩阵按照时间步长切分为各站点共享单车需 求量向量， 每一个站点共享单车需求量向量表示对应时间段的各站点共享单车 的需求量， 其长度为站点数量； 将每一个站点共享单车需求量向量输入串接的多个编码层， 经过每一个编码层中的多 头注意力机制层进行多头注意力运 算， 得到对应的运 算结果； 基于多个多头注意力 机制层计算的运算结果， 经过所述前馈神经网络层计算得到共享 单车需求量时域信息矩阵。 4.根据权利要求3所述的共享单车需求量预测方法， 其特征在于， 所述经过每一个编码 层中的多头注意力机制层进行多头注意力运 算， 得到对应的运 算结果， 包括： ； 其中， Q、 K、 V在多头注意力机制 层中分别表示查询、 键和值， 其中V值的权重是通过查询 Q和键K计算得 出的， 在计算出查询Q和键V的权 重以后， 再计算得到V值的加权和； ； 其中， 表示键的维度； 在多头注意力机制中， 第i个注意力机制层的头的计算方式如下： ；权　利　要　求　书 1/3 页 2 CN 115271833 A 2其中， ， 和 分别表示第i个注意力机制层的头中的Q,K,V的线性变化； 多头注意力机制层的输出为： ； 其中， W0表示投影线性层的权 重。 5.根据权利要求4所述的共享单车需求量预测方法， 其特征在于， 所述基于多个多头注 意力机制层计算的运算结果， 经过所述前馈神经网络层计算得到共享单车需求量时域信息 矩阵， 包括： 将多头注意力 机制层的输出作为所述前馈神经网络层的输入， 得到非线性变换后的各 站点在不同时间段的共享单 车需求量特征矩阵。 6.根据权利要求1所述的共享单车需求量预测方法， 其特征在于， 所述前馈神经网络层 的公式表示 为： ； 其中， ELU活化函数的定义方式为： ； 其中， W1， W2， 和b1， b2分别为前馈神经网络中两层线性层的权重和偏置， a为可调节的常 数。 7.根据权利要求1所述的共享单车需求量预测方法， 其特征在于， 所述深度自注意力网 络的参数包括时间槽长度、 头注意力机制中头的数量和批量处理的数据量， 其中， 每一个头 注意力机制层中头的数量相同； 对于所述深度自注意力网络中的多个参数， 改变其中一个参数， 保持其它参数不变， 使 得损失函数loss最小时的所述其中一个参数为最优参数， 以获取所述深度自注意力网络的 多个最优参数。 8.根据权利要求7所述的共享单车需求量预测方法， 其特征在于， 所述时间槽长度为 12， 头注意力机制中头的数量 为4， 批量处 理的数据量 为4。 9.一种共享单 车需求量预测系统， 其特 征在于， 包括： 第一获取模块， 用于获取各共享单车站点的历史需求量数据， 对所述历史需求量数据 进行拼接， 得到历史需求量特征矩阵， 以及根据历史订单数据， 获取生成的表 示站点邻接关 系的邻接矩阵； 第二获取模块， 用于将所述历史需求量特征矩阵和所述邻接矩阵输入图卷积神经网 络， 以获取各个时间段共享单车需求量空间与拓扑信息特征， 得到包含邻居站点需求量信 息的特征矩阵； 提取模块， 用于将所述包含邻居站点需求量信息的特征矩阵输入深度自注意力网络， 通过多头注意力机制计算和前馈神经网络提取共享单 车需求量时域信息矩阵； 预测输出模块， 用于将所述共享单车需求量时域信息矩阵输入卷积神经网络， 对所述权　利　要　求　书 2/3 页 3 CN 115271833 A 3