[发明专利]一种融合多尺度时空统计信息的短时交通需求预测方法

说明书

本发明涉及一种融合多尺度时空统计信息的短时交通需求预测方法，属于深度学习与交通需求预测的交叉技术应用领域。预测方法包括：提出了多尺度六边形分区的城市交通需求统计区域多尺度划分方法，并计算各区域在不同时空尺度下的交通需求量；构建融合多尺度六边形出行需求时空信息的卷积长短期记忆交通需求预测模型；根据历史数据对模型进行训练，并用训练好的模型对各区域的需求进行实时预测。该方法将多尺度下六边形分区与深度学习相结合，捕捉区域多尺度时空需求信息，有效提升预测精度。

技术领域

本发明涉及一种融合多尺度时空统计信息的短时交通需求预测方法，属于深度学习与交通需求预测的交叉技术应用领域。

背景技术

需求响应网约出行服务作为信息通信技术(ICT)在智能交通中的创新应用之一，在居民日常出行中越来越受欢迎。作为需求响应出行服务之一的网约车服务提高了人们的出行质量，提供了更多的出行选择，但是基于动态需求预测的网约车调度的成功率和满意度不高，如何进一步减少空车运营和等待时间，仍然是一个尚未解决和迫切需要解决的问题。动态网约出行服务的核心是以较高的时空效率连接司机和乘客。更好地进行乘客需求的时空预测，是为运营车队优化调度提供建议、节约司机运营成本、以及提高居民出行服务质量的关键。如何有效挖掘历史出行需求数据潜在的时空特征，提供更准确的需求预测，已成为智能交通领域日益关注的问题。

针对需求响应交通出行需求与供给匹配过程中的各种不确定性，研究人员开发了大量的需求预测模型，以提高这种日益增长的需求响应型交通服务的质量。早期的研究除了常用的统计方法如移动平均法，以自回归综合移动平均模型(ARIMA)为代表的时间序列方法被广泛应用于交通需求预测。Jiang等人在文献[Jiang,X.,Zhang,L.,Chen,M.X.,2014.Short-term forecasting of high-speed rail demand:A hybrid approachcombining ensemble empirical mode decomposition and gray support vectormachine with real-world applications in China.Transportation Research Part C:Emerging Technologies 44,110–127.]中提出了一种结合集成经验模式分解(EEMD)和灰色支持向量机(GSVM)模型的高速铁路混合需求预测方法。随着深度学习技术在计算机视觉和自然语言处理方面的成功，相应的方法逐渐被应用到交通预测中。Xu等人[Xu,J.,Rahmatizadeh,R.,Boloni,L.,Turgut,D.,2018.Real-Time Prediction of Taxi DemandUsing Recurrent Neural Networks.IEEE Transactions on IntelligentTransportation Systems 19,2572–2581.]结合长短期记忆模型(LSTM)和混合密度网络来预测城市不同区域的出租车需求。Ke等人[Ke,J.,Zheng,H.,Yang,H.,Chen,X.(Michael),2017.Short-term forecasting of passenger demand under on-demand rideservices:A spatio-temporal deep learning approach.Transportation ResearchPart C:Emerging Technologies 85,591–608.]将卷积长短期记忆模型(ConvLSTM)用于交通需求预测。

现有的方法或发明的缺陷：1)现有方法在网格划分与需求时空特征的捕获上缺乏综合的考量，预测精度有待于进一步的提升；2)现有方法在时空尺度的选择上依据经验进行选择，对多种尺度时空统计误差引起的不确定性缺乏足够的研究；3)现有方法在数据清洗的过程中往往通过设定阈值的方式，过滤掉需求量较小的样本，忽略了偏远郊区的稀疏需求问题。

发明内容