[发明专利]基于深度神经网络的网约车召车需求预测方法

说明书

本发明公开了一种基于深度神经网络的网约车召车需求预测方法，包括：S1、对城市路网进行区域划分，并计算统计各个区域的网约车召车需求量；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时空特征，并结合天气影响因素对网约车用户召车意愿的影响因子，预测下一时间段的区域召车需求量；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。本方法通过融合外部因素和时空相关性，利用深度神经网络来表达网约车召车需求量的复杂的非线性时空相关性特征，能够取得较高的预测精度。

技术领域

本发明涉及深度学习和召车需求预测的交叉技术应用领域，具体涉及一种基于深度神经网络的网约车召车需求预测方法。

背景技术

随着基于位置服务和移动互联网技术的飞速发展，网约车正逐步成为城市出行的重要替代方式。然而，网约车的召车需求和供给能力在时空维度存在不匹配的问题。例如，下班高峰期城市中心存在“打车难”现象，而城市郊区存在运力过剩现象。另外，天气等外部因素也会影响人们出行意愿，例如，下雨天的召车需求将明显上升。因此，如何利用海量跨域数据进行召车需求预测，为网约车平台提供大数据决策支持，已逐渐成为交通大数据应用研究领域的热点问题。

较早期的预测模型主要依赖于时间序列预测等技术，比如：自回归模型(AR)、历史平均模型(HA)、自回归移动平均模型(ARIMA)等。这些技术的缺陷是难以表达召车需求与外部因素之间的复杂非线性时空相关性。随着深度神经网络在学习海量数据的复杂特征相关性获得的卓越表现，激励着人们运用深度学习方法进行需求预测，但目前研究方法考虑的因素较为单一，比如：仅利用卷积神经网络(CNN)考虑空间因素，仅利用长短期记忆网络(LSTM)考虑时间因素，因此预测精度有待提升。

发明内容

本发明的目的在于提供一种基于深度神经网络的网约车召车需求量预测方法。该方法基于海量网约车订单数据，一方面能够精准地预测城市中网约车的召车需求量，指导网约车动态调度，另一方面能够提高用户满意度，并有效缓解城市交通拥堵。

基于深度神经网络的网约车召车需求预测方法，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；

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。

进一步地，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；