(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 202211009100.1 (22)申请日 2022.08.22 (71)申请人 腾讯大地 通途 （北京） 科技有限公司 地址 100191 北京市海淀区知春路49号2层 224 (72)发明人 李勇　张云柯　李桐　杨帆　 孙福宁　 (74)专利代理 机构 北京市立方律师事务所 11330 专利代理师 张秀程 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/20(2012.01) G06Q 50/22(2018.01) G06Q 50/26(2012.01)G06N 20/00(2019.01) (54)发明名称 信息处理方法及装置 (57)摘要 本申请实施例提供了一种信息处理方法、 装 置、 电子设备及计算机可读存储介质， 涉及数据 处理领域。 该方法包括： 获取目标区域在当前时 段的当前区域属性信息序列， 当前时段包括连续 的多个子时段； 当前区域属性信息序列包括多个 子时段的区域属性信息； 将当前区域属性信息序 列输入至 预先训练的需求预测模 型， 通过需求预 测模型得到目标区域在当前时段的下一子时段 的公共设施需求信息的预测结果。 本申请实施例 极大地发掘了区域属性蕴含的信息， 有效地提升 预测效果， 达到准确地预测区域对公共设施的需 求的目的。 权利要求书2页 说明书17页 附图5页 CN 115330069 A 2022.11.11 CN 115330069 A 1.一种信息处 理方法， 其特 征在于， 包括： 获取目标区域在 当前时段的当前区域属性信 息序列， 所述当前时段包括连续的多个子 时段； 所述当前区域属性信息序列包括所述多个子时段的区域属性信息； 将所述当前区域属性信 息序列输入至预先训练的需求预测模型， 通过所述需求预测模 型得到所述目标区域在当前时段的下一子时段的公共设施需求信息的预测结果； 其中， 所述需求预测模型是基于多个带有标签的训练样本对神经网模型进行训练得到 的， 每个所述训练样本包括一个样本区域的样本区域属 性信息序列， 每个所述训练样本的 标签为所述训练样本对应的公共设施需求信息的真实结果。 2.根据权利要求1所述的方法， 其特征在于， 每个子时段的区域属性信 息包括以下至少 一种： 所述目标区域在该子时段的至少一个属性维度的第一属性 值； 所述第一属性 值相对于上一子时段的变化 量； 相应区域的相邻区域在该子时段的至少一个属性维度的第二属性 值； 所述第二属性 值相对于上一子时段的变化 量； 各个目标公共设施 的级别信息， 其中， 所述各个目标公共设施为第一区域中的公共设 施， 所述目标区域 为所述第一区域中的子区域； 各个目标公共设施与所述目标区域的距离 。 3.根据权利要求1或2所述的方法， 其特征在于， 通过所述需求预测模型得到所述目标 区域在当前时段的下一子时段的公共设施需求信息的预测结果， 包括： 对于当前时段中第一个子时段， 根据所述第一个子时段的区域属性信息， 获得所述第 一个子时段的隐状态向量； 对于当前时段中的除所述第 一个子时段之外的子时段， 根据所述子时段的区域属性信 息以及所述子时段的前一个子时段的隐状态向量， 确定所述子时段的隐状态向量； 根据当前时段中的最后 一个子时段的隐状态向量， 获得所述目标区域在 当前时段的下 一子时段的公共设施需求信息的预测结果。 4.根据权利要求3所述的方法， 其特征在于， 所述通过所述需求预测模型得到所述目标 区域在当前时段的下一子时段的公共设施需求信息的预测结果， 还 包括： 对每个子时段的区域属性信息进行编码， 得到每 个子时段的编码向量； 所述根据所述第一个子时段的区域属性信息， 获得所述第一个子时段的隐状态向量， 包括： 根据所述第一个子时段的编码向量， 获得 所述第一个子时段的隐状态向量； 所述根据 所述子时段的区域属性信 息以及所述子时段的前一个子时段的隐状态向量， 确定所述子时段的隐状态向量， 包括： 根据所述子时段的编码向量以及所述子时段的前一个子时段的隐状态向量， 确定所述 子时段的隐状态向量。 5.根据权利要求1或2所述的方法， 其特征在于， 所述需求预测模型是通过以下方式训 练得到的： 通过所述神经网络模型 得到每个训练样本对应的预测结果； 根据各个训练样本的真实结果和预测结果之间的差异， 确定训练损失； 若满足训练结束条件， 则将所述神经网络模型作为所述需求预测模型； 若不满足训练权　利　要　求　书 1/2 页 2 CN 115330069 A 2结束条件， 则基于训练损失对模型参数进行调整， 并基于所述多个训练样本对调整后的模 型继续训练， 直至满足训练结束条件。 6.根据权利要求5所述的方法， 其特征在于， 每个所述样本区域属性信 息序列包括样本 区域在样本时段的区域属性信息， 所述样本时段包括连续的多个子时段； 所述通过所述神经网络模型 得到每个训练样本对应的预测结果， 包括： 对于样本时段中第一个子时段， 根据所述第一个子时段的区域属性信息， 获得所述第 一个子时段的隐状态向量； 对于当前时段中的除所述第 一个子时段之外的子时段， 根据所述子时段的区域属性信 息以及所述子时段的前一个子时段的隐状态向量， 确定所述子时段的隐状态向量； 对于样本时段中的至少一个子时段， 根据所述至少一个子时段的隐状态向量， 获得所 述训练样本对应的预测结果； 其中， 所述训练样本对应的预测结果包括所述至少一个子时段中每个子时段对应的公 共设施需求信息的预测结果。 7.根据权利要求6所述的方法， 其特征在于， 所述根据各个训练样本的真实结果和预测 结果之间的差异， 确定训练损失， 包括： 对于每个训练样本的预测结果中的每个子时段对应的预测结果， 确定所述子时段对应 的预测结果和真实结果的偏差， 根据每个训练样本的各子时段对应的偏差的离散程度， 确 定所述训练损失。 8.根据权利要求1所述的方法， 其特征在于， 每一子时段的公共设施需求信 息为相应子 时段相对于前一子时段的公共设施需求的变化 量。 9.一种信息处 理装置， 其特 征在于， 包括： 当前信息获取模块， 用于获取目标区域在当前时段的当前区域属性信息序列， 所述当 前时段包括连续的多个子时段； 所述当前区域属性信息序列包括所述多个子时段的区域属 性信息； 预测模块， 用于将所述当前区域属性信息序列输入至预先训练的需求预测模型， 通过 所述需求预测模型得到所述目标区域在当前时段 的下一子时段 的公共设施需求信息的预 测结果； 其中， 所述需求预测模型是基于多个带有标签的训练样本对神经网模型进行训练得到 的， 每个所述训练样本包括一个样本区域的样本区域属 性信息序列， 每个所述训练样本的 标签为所述训练样本对应的公共设施需求信息的真实结果。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上的计算机程序， 其特征在于， 所述处理器执行所述计算机程序以实现权利要求1 ‑8任一项所述信息处 理方法的步骤。 11.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1 ‑8任一项所述信息处 理方法的步骤。 12.一种计算机程序产品， 包括计算机程序， 其特征在于， 所述计算机程序被处理器执 行时实现权利要求1 ‑8任一项所述信息处 理方法的步骤。权　利　要　求　书 2/2 页 3 CN 115330069 A 3