[发明专利]基于浮动车数据的分时租赁汽车出行需求预测方法和系统

说明书

一种基于浮动车数据的分时租赁汽车出行需求预测方法，包括步骤：对从浮动车接收到的OD数据进行洗牌操作，获得第一中间数据；对第一中间数据进行预处理，剔除不可用数据，获得第二中间数据；根据分时租赁汽车的分时数据对第二中间数据进行切分，对应每个分时数据，将第二中间数据分割为多个数据集；根据每个数据集中的样本建立对应的预测模型；利用获得的预测模型对分时租赁汽车的出行需求进行预测。

技术领域

本发明属于交通大数据技术领域，特别涉及一种基于浮动车数据的分时租赁汽车出行需求预测方法和系统。

背景技术

随着经济的快速发展，越来越多的人选择机动车作为交通工具，机动车数量的急剧增长给城市交通带来巨大的压力，造成频繁的交通拥堵。“智能”的交通系统是缓解交通拥堵的有效方式。如何对出行需求进行测定缓解交通问题，逐渐成为当下关注问题之一。

其中，由于出租车是道路行车的重要组成部分，出租车的很多出行特征，很适合用于收集道路行车数据，出租车的出行数据也能在很大程度上代表着交通的一些特征。因此，出租车作为浮动车，可以为智能交通控制和交通诱导提供必须要的实时路况感知信息。通过对获取的交通数据进行实时采集和分析,不仅可以及时得到路网各处的实时交通状况,还能准确发现拥堵区域,掌握路网态势,从而为城市交通系统提供诱导及控制策略。

浮动车技术作为近年来快速发展的交通数据采集技术，由于其数据的数据量大，时效性强，准确性高，和相对的客观性等优点，在交通数据的采集中应用越来越广。其中，OD数据交通数据中一项关键的基础数据，它可以反映实际交通路网中的真实交通分布。OD数据即交通起止点数据，又称OD交通量数据，OD数据就是指起终点间的交通出行数据。“O”来源于英文ORIGIN，指出行的出发地点，“D”来源于英文DESTINATION，指出行的目的地。无论是进行交通网的规划，还是对城市进行合理的交通控制，OD数据所表达的OD矩阵起着很重要的作用。此外，在交通仿真系统中，OD矩阵也是基本的仿真输入数据。早期的静态OD矩阵估计方法都是采用交通调查问卷，电话询问方式进行，这种方法时效性差，耗费巨大。

现有的关于公共交通OD矩阵的估计的研究重点在于，如何得到一个通用并且有效的算法。在动态OD矩阵估计方面常用的算法有：最大似然法、广义最小二乘法、极大熵法，BP-神经网络法等。1991年，基于交通控制中心和车辆之间的相互通信规定，使得有效的动态OD矩阵的连续估计称为可能。2000年交通控制以及交通信息服务在很大程度上依赖路网信息的精确性，通过浮动车技术，精确的测量了城市内复杂的道路网络中以及高速公路网络中车辆的行驶时间以及获取精确的OD矩阵。2015年提出了两阶段的过程，来获取所调查路网中的OD矩阵。在数据采集方面，非人工调查法逐渐兴起，由于非人工调查法收集的数据一般为实时数据，所以时效性较强，其应用越来越广。

发明内容

本发明实施例之一，一种基于浮动车数据的分时租赁汽车出行需求预测方法，包括以下步骤：

对从浮动车接收到的OD数据进行洗牌操作，获得第一中间数据；

对第一中间数据进行预处理，剔除不可用数据，获得第二中间数据；

根据分时租赁汽车的分时数据对第二中间数据进行切分，对应每个分时数据，将第二中间数据分割为多个数据集；

根据每个数据集中的样本建立对应的预测模型；

利用获得的预测模型对分时租赁汽车的出行需求进行预测。

本发明与现有技术相比的优势:

(1)在数据的处理方面使用数据的洗牌使数据更易操作，更有代表性，对于模型来说减少了过拟合的可能。

(2)过往的浮动数据大多是利用全数据，但由于需求的不同，本发明采用了分时情况下的数据，并建立分时高斯生成模型，使利用的数据更加集中，预测精确更好。