[发明专利]一种基于深度学习和群智感知的单车需求预测与调度方法

权利要求书

1.一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，包括如下步骤：

步骤S1：单车需求预测：

步骤S11：根据单车站点的空间分布相关性和自行车站点需求变化的时间依赖性，建立单车需求图结构，将站点作为所述图结构的节点，站点之间的地理距离作为图结构的边，提取多个时刻图结构节点的属性值X和边权重W，所述节点属性值X为变化斜率和持续时间，所述边权重W为站点之间的地理距离；

步骤S12：基于历史时刻图结构节点属性值X和边权重W，通过学习建立预测模型，并预测未来时刻图结构节点的属性值；

步骤S13：通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势；

步骤S2：生成单车调度任务：

根据预测出的未来时刻的单车需求变化趋势，输入到单车调度任务模型生成单车调度任务，所述单车调度模型以调度的自行车数量最大为优化目标；

步骤S3：单车群智调度执行：

根据生成的单车调度任务，输入到调度执行模型，进行调度任务分配，所述调度执行模型以最大化调度站点对的数目为优化目标。

2.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，提取多个时刻图结构节点的属性值X具体包括：

获取站点多个时刻的单车数量；

建立单车数量随时间变化关系曲线；

根据变化关系曲线得出变化斜率和持续时间。

3.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，所述端对端的时空网络架构包括图卷积神经网络和门控循环单元。

4.根据权利要求3所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，所述通过端对端的时空网络架构学习空间相关性和时间依赖性，从而准确预测出未来时刻的单车需求变化趋势，具体包括：

输入到图卷积神经网络建模空间相关性，提取高维空间特征；

将高维空间特征输入到门控循环单元建模时间依赖性；

通过编码模块编码学习，通过解码预测未来时刻的单车需求变化趋势。

5.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于：所述单车调度任务模型以调度的自行车数量最大为优化目标，约束是调度后的站点单车数量保持平衡和骑行距离最小：

subject to

x_ij(i＝1，…，n，j＝1，…，m)≥0

其中，C_ij表示从站点i至j的距离，x_ij表示调度的车辆数目，min和max表示站点平衡时车辆数目的最小范围和最大范围，表示t时刻站点j的总容量，d_j表示站点j过载时的车辆数，s_i表示站点i过空时的车辆数。

6.根据权利要求1所述的一种基于深度学习和群智感知的单车需求预测与调度方法，其特征在于，调度执行模型以最大化调度站点对的数目为优化目标，约束是所需的调度车辆数须小于通勤人数，并且总的调度成本要小于给定的预算；

maximize ||x||₀

subject to

x＝real_volume

x∈[0，demand_volume]∈Z

x∈[0，supply_volume]∈Z

其中，x表示调度站点对，demand_volume表示调度车辆数，supply_volume表示通勤人数，cost_overall为总的调度成本，BUDGET为给定的预算。