[发明专利]一种城市用车需求量预测方法、设备及存储介质

说明书

本发明公开了一种城市用车需求量预测方法、设备及存储介质，方法包括：将待预测区域划分成若干网格；采集各个网格内的时态数据和空间数据作为训练集，时态数据包括历史需求、气象特征和事件特征，空间数据包括各区域中各种POIs的数量；将训练集输入至基于BERT的深度空时神经网络模型中进行训练；通过训练完成的模型对待预测区域中任意区域的下一时段的用车需求量进行预测。本发明充分考虑了气象特征和事件特征等外部因素和区域内POIs对用车需求量的影响，以时态数据和空间数据作为训练集，能够提升模型预测的准确度；本方法还使用了基于BERT的深度空时神经网络模型，模型可以并行计算，相较于现有预测模型，能够极大的提升时间效率。

技术领域

本发明涉及数据挖掘技术领域，特别涉及一种城市用车需求量预测方法、设备及存储介质。

背景技术

目前通过对城市用车需求量(包括出租车用车需求和网约车用车需求等)的预测方法主要是将用车需要量视为时间序列，训练学习模型，最后进行预测。学习模型主要有传统的机器学习模型、传统的深度学习模型和基于注意力机制的深度学习模型。但这三种技术还存在着以下缺陷：

(1)传统的机器学习模型主要是使用回归综合移动平均(ARIMA)及其变体技术，其利用前几个时间段的历史需求数据来实现未来用车需求量的预测，因为时间周期是动态的，同时用车需求易受气候、节假日等诸多外在因素的影响，这导致传统的机器学习模型的预测准确度较低。

(2)传统的深度学习模型使用递归神经网络(RNN)，如门控循环单元(GRU)和长短记忆(LSTM)，但传统的深度学习模型的RNN单元无法并行计算，易出现训练和计算效率低下等问题。

(3)基于注意力机制的深度学习模型利用用车需求量数据与其他地区用车需求量数据之间的相似度来做匹配，其中引入一种与Transformer结构相同的多头注意力模型来预测城市用车需求，同时时空注意力机制捕捉了城市用车需求的时空关系。虽然这些研究是最早利用注意力机制从复杂的时空关系来预测出租车需求的，但其忽视各区域功能相似性的重要性，因为功能相似的地区可能会有不同的用车需求，如居民区和商业区中用车需求量是不同的，对于某一地区、某一时刻，商业区的用车需求量高峰期在晚上下班时间，居民区对于用车需求量高峰区在早上上班的时候，因此目前基于注意力机制的深度学习模型无法对某颗粒度区域某时刻用车需求量进行较为精准的预测。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种城市用车需求量预测方法、设备及存储介质，能够对城市各区域各时段的用车需求量进行细粒度、高精度的预测，提高城市车辆资源的利用率。

本发明的第一方面，提供了一种城市用车需求量预测方法，包括以下步骤：

S100、将待预测区域划分成若干网格；

S200、采集各个所述网格内的时态数据和空间数据作为训练集，所述时态数据包括气象特征、事件特征和历史需求，所述空间数据包括全部所述网格中各类POIs的数量；

S300、将所述训练集输入至预设的基于BERT的深度空时神经网络模型进行训练；

S400、通过训练完成的所述基于BERT的深度空时神经网络模型对所述待预测区域中任意区域的下一时段的用车需求量进行预测。

根据本发明的实施例，至少具有如下技术效果：

本方法采集的时态数据包括气象特征、事件特征和历史需求，空间数据包括若干POIs，在数据采集上，充分考虑了气象特征和事件特征等外部因素和POIs所代表的地区功能相似性对用车需求量的影响，能够提升用车需求量预测的准确度；本方法还使用了基于BERT的深度空时神经网络模型进行训练和预测，模型基于BERT的架构，可以实现并行计算，相较于现有神经网络预测模型，本模型能够极大的提升训练和预测的时间效率。