[发明专利]基于深度神经网络的网约车召车需求预测方法

权利要求书

1.基于深度神经网络的网约车召车需求预测方法，其特征在于，包括以下步骤：

S1、对城市路进行网格划分以形成网格区域，根据网约车订单数据计算统计各区域中的召车需求量；

S2、设计网约车召车需求预测模型：基于深度神经网络，学习和训练召车需求的时空特征，并结合天气因素对网约车用户的召车意愿的影响，预测下一时间段各区域召车需求量；步骤S2具体包括：

S21、利用残差网络提取每一时间间隔的空间特征，结果记为y′_t∈S^M*N*1；

S22、融合h个时间段的空间特征，结果记为y″_t∈S^M*N*h；

S23、将S22得到的结果输入卷积长短时记忆网络提取时空特征；

S24、利用One-Hot编码把天气情况转化为一定维度的向量表示，其他数值型天气数据作归一化处理；

S25、将S23和S24得到的结果输入一个两层的全连接网络，得到预测值

S3、根据历史数据对区域召车需求预测模型进行训练，再利用训练好的模型对各个区域的网约车召车需求量进行预测。

2.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法，其特征在于，步骤S1具体包括：

S11、根据经纬度把城市路网划分为M×N的网格区域，于是区域(m,n)表示第m行，第n列的格子区域；

S12、提取网约车订单数据o(o.t,o.l,o.u)，其中，o.t表示召车时间戳，o.l表示召车地点，o.u表示召车订单id，用于过滤重复和无效订单；

S13、根据经纬度把网约车订单数据映射到网格区域中，计算各区域中在各时间段内记录订单数量作为召车需求量：其中，表示区域(m,n)在时间段t内的召车需求量；

S14、对各区域内的召车需求量进行归一化：其中y₀为召车需求量，y_min和y_max分别代表召车需求量的最小值和最大值，y为归一化后的值；

S15、将步骤S14的方法得到的归一化后时间段t的召车需求量表示为M行N列1通道的3维矩阵，记为y_t∈S^M*N*1，以历史h个时间段的召车需求量y_history＝{y_t|t＝1,2,...,h}作为输入，下一时间段召车需求量y_t+1作为输出，构建样本{y_histroy,y_t+1}；

S16、把所有订单数据数据按照步骤S15所述方法构建样本，并按照一定比例划分为训练集和测试集。

3.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法，其特征在于：步骤S21中，所述残差网络的层数为6层，卷积神经网络CNN使用补零操作,卷积核大小设置为3×3×3，CNN卷积核设置为64，输出层使用1个卷积核，提取空间特征。

4.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法，其特征在于：步骤S23中，所述卷积长短时记忆网络的层数为2层，使用补零操作，卷积核大小设置为5×5，使用32个卷积核，输出层使用1个卷积核。

5.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法，其特征在于：步骤S3具体包括：

S31、利用训练集对步骤S2所述的召车需求预测模型进行训练，损失函数为其中，y_t+1表示真实需求量，表示预测需求量；

S32、根据测试集，选取损失函数Loss最小的模型作为最优模型；

S33、把召车需求量数据归一化后输入S32得到的最优模型，得到输出结果后，再进行反归一化,得到最终的预测结果，实现城市各个区域召车需求量的预测。