[发明专利]基于线性回归模型的道路救援需求预测方法

权利要求书

1.一种基于线性回归模型的道路救援需求预测方法，其特征在于，确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，所述方法包括：

利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数；

基于需要进行预测的道路救援需求对应的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值，

所述的确定道路救援需求的影响因素，将影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，包括：

根据历史道路救援数据确定道路救援需求的影响因素，该影响因素包括年份、月份、小时、节假日、降雪、降雨、最低温度、最高温度、星期特征、降水和交通流量，所述节假日包括三天节假日、国庆假期和春节假期，所述三天节假日包括清明、五一、端午、中秋和元旦，将所述影响因素视为道路救援的特征变量，设置每个特征变量对应的赋值规则，根据特征变量对应的赋值规则对特征变量进行赋值，将特征变量转换为数值变量，

所述的设置每个特征变量对应的赋值规则，根据特征变量对应的赋值规则对特征变量进行赋值，将特征变量转换为数值变量，包括：

设置年份特征变量是间隔为1的连续变量；

设置月份特征变量是间隔为1的连续变量；

设置小时特征变量是间隔为1的连续变量；

设置三天节假日特征变量是数值变量{1，2，3，4}，分别对应节前一天工作日、假期第一天、假期第二天、假期第三天；

当国庆假期为八天假期，设置国庆假期特征变量是数值变量{1，2，3，4，5，6，7，8，9}，分别对应节前一天工作日和国庆八天假期；当国庆假期为七天假期，设置国庆假期特征变量是数值变量{1，2，3，4，5，6，7，8}，分别对应节前一天工作日和国庆七天假期；

设置春节假期特征变量是数值变量{1，2，3，4，5，6，7，8，9，10，11，12，13，14}，分别对应小年七天和春节假期七天；

设置降雪特征变量是数值变量{8，9，10，11}，分别对应：雨夹雪、小雪、中雪、大雪；

设置降雨特征变量是{2，3，4，5，6，7}，分别对应：小雨、阵雨、雷阵雨、中雨、大雨和暴雨；

设置最低温度特征变量中温度小于等于零度的最低温度用温度值表示，温度大于零度的最低温度用1表示；

设置最高温度特征变量中温度大于等于32度的最高温度用温度值表示，温度小于32度的最高温度用0表示；

设置降水特征变量是间隔为1的连续变量；

设置交通流量特征变量是间隔为1的连续变量，

所述的利用道路救援的样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵，并计算出所述矩阵中的各个特征变量的回归系数，包括：

获取道路救援的样本数据，每条样本数据中都包括所有的所述道路救援的特征变量，根据每个特征变量的赋值规则，得到每条样本数据中的每个特征变量的取值；利用所有的样本数据和样本数据中每个特征变量的取值，构建作为道路救援需求预测的线性回归模型的矩阵；

用x_i表示第i条样本数据的特征向量，用N表示总的样本数，i＝1,2,…,N，用x_ij表示第i条样本数据第j个特征变量的取值，用M表示特征变量的个数，j＝1,2,…,M，x_i＝[x_i1 …x_iM]，利用所有样本数据的特征向量构建的作为道路救援需求预测的线性回归模型的矩阵X如下：

用y_i表示x_i对应的救援需求量，所有的y_i组成矩阵

用w_j表示第j个特征变量的回归系数，所有特征变量的回归系数构成回归系数向量w＝[w₀ w₁ … w_M]，其中w₀表示回归系数向量的常数项；

线性回归模型如下：

Y＝Xw^T

利用最小二乘法计算出特征变量的回归系数，用S(w)表示回归系数向量为w情况下的计算数据与实际数据之间误差的平方和，S(w)的计算公式如下：

当时，S(w)取最小值，即

所述的基于需要进行道路救援需求预测的各个特征变量的取值，利用所述各个特征变量的回归系数计算出所述的道路救援需求的预测值，包括：

获取需要进行预测的道路救援需求对应的特征变量数据，根据所述各个特征变量的定义和赋值规则，获取每条道路救援需求数据对应的各个特征变量的取值；

第i个道路救援需求数据的预测值的计算公式如下：

x_i1为第i个道路救援需求数据对应的第一个特征变量的取值，x_iM为第i个需求数据对应的第M个特征变量的取值；

所有道路救援需求的预测值组成矩阵

其中，N_P是需要预测的样本个数，X_P是需要预测的道路救援需求数据对应的所有特征变量取值，

还包括：

利用所述矩阵X中三天节假日的数据建立子模型1，利用所述矩阵X中国庆假期的数据建立子模型2；利用所述矩阵X中春节假期的数据建立子模型3；利用所述矩阵X中降雪的数据建立子模型4；利用所述矩阵X中降雨的数据建立子模型5；利用所述矩阵X中最低温度小于等于零度的数据建立子模型6；利用所述矩阵X中最高温度大于35度的数据建立子模型7；利用所述矩阵X中最高温度在33度到35度之间的数据建立子模型8；利用所述矩阵X中正常的数据建立子模型9；

所述子模型1、子模型2、子模型3、子模型4、子模型5、子模型6、子模型7、子模型8和子模型9中都包括所有的特征变量，利用最小二乘法分别计算出各个子模型对应的矩阵中的各个特征变量的回归系数；

用表示第k组数据第i条样本，用表示第k组数据第i条样本的第j个变量的取值，用M表示变量的个数，j＝1,2,…,M，用N_k表示第k组数据的样本数，第k组数据的所有自变量组成矩阵X^k：

用表示对应的第k组数据的道路救援需求量，所有的组成矩阵Y^k；

用表示第k个子模型第j个变量的回归系数，子模型k的回归系数其中，表示第k个子模型的常数项，用K表示子模型的总个数，则k＝1,2,…,K，所有子模型的回归系数组成矩阵W：

第k个子模型的线性回归模型如下：

Y^k＝X^k(w^k)^T

利用最小二乘法计算出特征变量的回归系数，用S(w^k)表示第k个子模型的回归系数向量为w^k情况下的计算数据与实际数据之间误差的平方和，S(w^k)的计算公式如下：

当时，S(w^k)取最小值，即

还包括：

将所有影响因素按照重要程度排序依次为：节假日、降雪、降雨、低温、高温；

第一步，获取需要进行道路救援需求预测的时间段，判断所述时间段是不是节假日，如果是，则判断节假日的类型，如果是三天节假日，则选子模型1；如果是国庆节，则选子模型2；如果是春节，则选子模型3；

第二步，如果所述时间段不是节假日，判断所述时间段内有没有降雪，如果有，则选子模型4；

第三步，如果所述时间段内没有降雪，则判断所述时间段内是否有降雨，如果有降雨，则选子模型5；

第四步，如果所述时间段内没有降雨，则判断所述时间段内是否最低温度小于等于零度，如果是，则选子模型6；

第五步，如果所述时间段内最低温度不是小于等于零度，则判断所述时间段内最高温度是否大于35°，如果是，则选子模型7；

第六步，如果所述时间段内最高温度不大于35°，则判断所述时间段内最高温度是否在33°～35°之间，如果是，则选子模型8；

第七步，如果所述时间段内的最高温度不在33°～35°之间，则选子模型9；

获取需要进行预测道路救援需求的时间段对应的特征变量数据，根据所述各个特征变量的定义和赋值规则，获取所述时间段对应的各个特征变量的取值；

第i条道路救援需求的预测值的计算公式如下：

其中，为根据第i条特征变量数据中重要程度最高的特征变量选取的第k个子模型的回归系数向量，k的取值为1-9，表示第k个子模型第j个特征变量的回归系数，表示第k个子模型的常数项。