[发明专利]一种基于多源数据融合预测网约车订单量的方法

说明书

本发明公开了一种基于多源数据融合预测网约车订单量的方法。提出基于比例矩阵加权平均的分层预测模型进行OD订单量预测。提出基于比例矩阵加权平均的方式对未来时间片的比例矩阵进行预测，其权值是根据时间、天气、等特征的相似度度量函数来确定的，因此该算法可以有效地将这些多源数据进行融合。最后根据得到的比例矩阵中对应的值将城市总订单量进行分配，得到每个OD的订单量。本发明采用梯度提升回归树算法对未来时间片的城市总订单量进行预测，再结合比例矩阵加权平均的方式对未来时间片的比例矩阵进行预测，最后通过PMWA算法有效地将这些多源数据进行融合，得到每个OD的订单量，有效解决“多线预测”问题，具有较高的预测精度。

技术领域

本发明涉及智能交通系统领域，具体涉及一种基于多源数据融合预测网约车订单量的方法。

背景技术

随着社会经济和城市化的不断发展，城市交通需求迅速增长，乘客出行可选择路径增多，网约车成为大多数人出行首选方式。然而交通拥堵、道路规划不合理以及基础设施不到位的矛盾，使得城市道路交通问题日益严峻，出现“打车难”的问题，值得欣慰的是，随着信息化、计算机、自动控制和人工智能等技术的不断进步，智能交通系统的建立，能够有效地解决上述问题。

基于多源数据融合预测网约车订单量的方法属于智能交通系统的一部分，其目的是综合多种因素分析对网约车OD(Origin-Destination)订单量进行预测，合理的分配城市总订单方案，进而达到有效降低资源消耗以及缓解乘客“打车难”问题的目的。现有的网约车需求预测，其预测目标只限定起始地，没有限定目的地。而在实际应用场景中，进行限定起始地和目的地的OD(Origin-Destination)订单量预测很有必要。不仅能够作为车辆调度的参考，缓解“打车难”问题，还有利于构建智能交通系统，把握人员流动情况。同时，由于每个OD序列数据的变化规律是不同的，而常用的流量预测方法如ARIMA和LSTM等，需要根据不同OD序列数据的变化规律来确定不同的参数或模型结构，因而只能解决“单线预测”问题，即根据单个OD序列数据对其OD订单量进行预测。

发明内容

本发明为了克服上述现有技术不足之处，提供一种基于多源数据融合预测网约车订单量的方法。本发明提出基于比例矩阵加权平均(Proportion-Matrix-based WeightedAverage，简称PMWA)的分层预测模型进行OD订单量预测，该模型包括两部分：城市总订单量预测，OD比例矩阵预测。采用梯度提升回归树(Gradient Boosting Regression Tree，简称GBRT)算法对未来时间片的城市总订单量进行预测。比例矩阵是指所有OD的订单量在城市总订单量中的占比构成的矩阵。提出基于比例矩阵加权平均的方式对未来时间片的比例矩阵进行预测，其权值是根据时间、天气、等特征的相似度度量函数来确定的，因此该算法可以有效地将这些多源数据进行融合。最后根据得到的比例矩阵中对应的值将城市总订单量进行分配，得到每个OD的订单量。本发明提供的方法通过融合各种影响因素，能够有效解决“多线预测”问题，即根据多个OD序列数据对全部OD的订单量进行预测。

为进一步说明一种基于多源数据融合预测网约车订单量的方法，特对文件中所述相关符号参数进行说明：

一种基于多源数据融合预测网约车订单量的方法，包括如下步骤：

S1、按照日期采集整理历史订单数据集、天气数据集和/或交通拥堵数据集；

其中，所述历史订单数据集采集整理具体过程如下：

(1)按照日期读取原始数据文件；

(2)将步骤(1)中所述数据集对应区域的哈希值转为对应的阿拉伯数字ID，得到ID范围；

(3)从每一条记录的下单时间戳字段中提取出日期和时间片数据；

(4)将数据集按照日期和时间片进行升序排序；