[发明专利]基于深度学习和大数据分析的出租车寻客策略推荐方法

说明书

本发明公开了基于深度学习和大数据分析的出租车寻客策略推荐方法，所述推荐方法包括以下步骤：步骤一：对出租车历史轨迹数据进行清洗；步骤二：提取出租车载客点；步骤三：提取出租车载客热点；步骤四：对热点进行载客量预测；步骤五：提出出租车推荐模型。本发明针对城市中出租车和乘客信息不匹配导致的出租车寻客难问题，提出了一种基于交通大数据利用深度学习预测未来乘客数量，并运用可时变的马尔科夫决策过程通过策略迭代为出租车司机提供寻客策略的技术，解决了现有的匹配机制匹配难的问题，增加了出租车的工作效率，使得出租车收益更加科学，且乘客叫车也更加容易。

技术领域

本发明属于出租车寻客分配领域，提出了基于深度学习和大数据分析的出租车寻客策略推荐方法。

背景技术

随着国民经济发展水平的不断提高，机动车在城市交通中占有越来越大的比例，而与之对应的人均道路面积一直处于低水平状态，给城市交通造成巨大压力。另外，我国现有城市路网一般都是密度低、干道间距过大、支路短缺、功能混乱，属于低速的交通系统，难以适应现代汽车交通的需要，交通控制管理和交通安全管理的现代化设施不能满足现实的需求。全国大、中城市普遍存在着道路拥挤、车辆堵塞、交通秩序混乱的现象。城市人口的激增要求出租车行业不得不快速发展，这引发了一系列问题。出租车行业得到了相当快速的发展，这引发了一些出租车与乘客匹配“难”等问题，很多出租车司机花费大量的时间寻找乘客，而乘客却在某些地点等待相当长的一段时间。针对这种匹配不均的现象出现了很多叫车软件，这也可以部分缓解这一问题。然而，出租车司机在乘客下车后并没有明确的驾驶方向，有经验的出租车司机可以分辨出不同时段的热门地点；经验不足的司机则只能盲目驾驶，随机寻找乘客。对于这些有经验的出租车司机的不明显的寻客规律都隐藏在收集到的出租车历史数据中。本发明针对这些出租车历史数据进行挖掘分析，寻找到这些不明显的寻客趋向，从而为出租车司机提供更加合理的载客路线。

发明内容

本发明的目的是提出基于深度学习和大数据分析的出租车寻客策略推荐方法，从为空驶的出租车推荐最佳寻找乘客策略的角度入手，结合出租车的实时信息和历史轨迹数据提出载客热点区域的推荐策略，为出租车司机提供最佳寻客方案，以解决现有的匹配机制匹配难、效率低的问题。

本发明通过以下技术方案实现：基于深度学习和大数据分析的出租车寻客策略推荐方法，其特征在于，所述推荐方法包括以下步骤：

步骤一：对出租车历史轨迹数据进行清洗；

步骤二：从经过清洗的出租车历史轨迹数据中提取出租车载客点；

步骤三：从提取出的出租车载客点中提取出租车载客热点；

步骤四：对出租车载客热点进行载客量预测；

步骤五：提出出租车推荐模型。

进一步的，在步骤一中，具体的，对历史轨迹数据清洗包括：去除无效数据、去除无用字段、去除非本市数据、去除重复数据。

进一步的，在步骤二中包括：

步骤二一：将出租车历史轨迹数据上传到Hadoop集群；

步骤二二：加载清洗过的历史轨迹数据，利用Spark的map函数将数据映射成以出租车编号为主键，其他字段为值的RDD对象；

步骤二三：使用Spark平台的groupByKey方法将具有相同主键的元素汇集到一个集合里；

步骤二四：使用sort方法对RDD中每个元素的值按照时间字段进行排序；

步骤二五：筛选出出租车载客状态由0变到10000000的数据。

进一步的，在步骤三中，采用基于密度的DBSCAN聚类算法寻找热点，DBSCAN包含两个重要的参数：最小包含点数minPts和扫描半径eps，并分别设置最小包含点数和扫描半径。