[发明专利]城市出行需求预测方法

说明书

本发明提供一种城市出行需求预测方法，方法包括：对于城市中的任一区域，获取当前时间段的前一个时间段内该区域的出行需求特征和人群流动特征；将所述出行需求特征和所述人群流动特征输入至图卷积神经网络模型，输出该区域在所述当前时间段的出行需求预测结果；其中，所述图卷积神经网络模型是基于训练样本数据以及预先确定的出行需求预测结果进行训练后得到。本发明实现对城市出行需求进行准确预测。

技术领域

本发明属于智能交通技术领域，尤其涉及一种城市出行需求预测方法。

背景技术

随着移动互联网的普及与城市化发展水平的不断提高，我国近年来在共享经济领域取得了跨越式的发展。共享经济通过互联网平台整合原本分散的物品或服务并以更加灵活的市场价格提供给使用者，进而实现物尽其用和按需分配。

目前，我国在共享经济领域已经取得了较为突出的成就，尤其是共享出行领域。然而打车难的问题依然严峻，打车效率和打车应答率下降，在城市内主要人口密集区域，打车难度的增加更为明显。在暴雨天和高温天等极端天气，打车的应答时间延长。为了可持续地应对打车难的问题，需要充分利用现有的大数据平台资源，精细化调度车辆资源，实现智能交通供给。

同时随着无线通信和传感器技术的快速发展，无线移动终端设备呈现爆炸式普及。如此庞大的用户群体为研究精细化智能出行提供了可能：①用户连接基站信息能够提供丰富的用户客户端位置信息，通过大数据技术能够及时获得不同区域的人口密度分布和出行变化规律；②用户在使用互联网出行应用时，所使用的数据流量能够完整记录用户的打车行为信息，因此能够获得近乎完整的用户出行需求信息。将用户的位置分布信息和打车行为信息相结合，能够建立更细粒度、更高精度的用户出行需求模型。

尽管现有技术中存在关于城市出行需求的分析与预测方法，然而这些研究都面临数据覆盖稀疏和无法有效建模区域间空间关系的问题。针对数据覆盖稀疏，早期基于传统出租车公司数据的研究，主要是通过从GPS轨迹数据中抽取用户上下车位置，从而分析用户打车需求。然而从历史GPS数据中推断到的打车需求数量，会与用户真正的打车需求间存在一定的偏差。针对有效建模区域间空间关系，现有技术包括基于自回归积分滑动平均(ARIMA)的预测模型、基于长短期记忆网络(LSTM)的预测模型以及基于空间自相关的预测模型等，但上述方案要么忽略空间因素的影响，要么使用近似的估计模型对出行需求建模，导致这些模型无法很好地反映因用户移动所带来的长距离空间影响，从而也无法实现高精度的城市出行需求预测。

发明内容

为克服上述现有的城市出行需求预测方法预测精度低的问题或者至少部分地解决上述问题，本发明实施例提供一种城市出行需求预测方法。

根据本发明实施例的第一方面，提供一种城市出行需求预测方法，包括：

对于城市中的任一区域，获取当前时间段的前一个时间段内该区域的出行需求特征和人群流动特征；

将所述出行需求特征和所述人群流动特征输入至图卷积神经网络模型，输出该区域在所述当前时间段的出行需求预测结果；

其中，所述图卷积神经网络模型是基于训练样本数据以及预先确定的出行需求预测结果进行训练后得到。

根据本发明实施例的第二个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的城市出行需求预测方法。

本发明实施例提供一种城市出行需求预测方法，该方法通过根据各区域出行需求的时间相关性，以及区域人群流动与出行需求的相关性，并利用基于区域空间依赖关系建立的图卷积神经网络模型进行出行需求预测，充分考虑了区域人群流动特征和出现需求特征的历史数据对区域出行需求的影响，从而准确地进行城市出行需求的预测。

附图说明