[发明专利]一种基于构建虚拟服务片区进行出租车需求预测的方法

权利要求书

1.一种基于构建虚拟服务片区进行出租车需求预测的方法，其特征在于，包括以下步骤：

步骤1、提出一种基于密度和距离的分级聚类应用方法HDDCA，该方法随核心点centCand密度变化而改变半径ε_i，得到多个不规则簇；

步骤2、预处理出行数据，对出租车出行订单数据进行有效性处理，并对外部因素进行映射处理，得到应用数据；

步骤3、根据步骤1提出来的方法，结合预处理后的出行订单数据O＝{o₁,o₂,o₃,…,o_n}，构建虚拟服务片区，得到NS个虚拟服务片区集合，即Ψ＝{S₁,S₂,…,S_NS}；其中，S_j代表第j个虚拟服务片区；

步骤4、建立基于图卷积神经网络GCN和长短期记忆网络LSTM的联合模型，使用GCN充分考虑地理位置邻近区域和具有相似需求模式的区域，使用LSTM进行时间相关性捕获；

步骤5、在步骤4的模型基础上，应用时间序列模型，对外部因素数据进行进一步处理，添加注意力机制赋予不同外部因素不同的权重；

步骤6：将处理后的时空特征数据与外部因素数据进行融合，通过模型训练与测试，最终得到不同虚拟服务片区的出租车需求预测结果。

2.如权利要求1所述的基于构建虚拟服务片区进行出租车需求预测的方法，其特征在于，步骤1分级聚类应用方法包括如下：

步骤1-1：给定一个含有n个点的数据集X＝{x₁,x₂,…x_n}，使得每个数据点x_i在寻找邻居的过程中都至少能找到另一个数据点x_j与之互为邻居，将互为邻居的数据点称为自然邻居，即对任意x_i，x_j∈X满足其中，KNN_r(x_j)是数据点x_j的前r个邻居做组成的集合；符号表示推出来x_j属于x_i的自然邻居，需要满足后面的条件；∧表示取交集。

步骤1-2：对计算(NN_i,ε_i)←findNN(x_i)，并统计x_i的密度density(x_i)，其中，函数findNN(x_i)用来计算x_i的自然邻居NN_i和自然邻域ε_i；←的含义是通过函数findNN(x_i)可以得到x_i的自然邻居NN_i和自然邻域ε_i。

步骤1-3：令初始簇初始u＝1，如果density(x_i)＞meanDensity(x)，计算局部密度p_i，得到局部密度集P，其中，局部密度具体计算被定义为

步骤1-4：降序排列局部密度点，得到p_i＝maxP，此时新簇C_u＝C_u∪x_i，若x_j∈NN_i，则C_u＝C_u∪x_j，同时，若dist(x_j,x_z)≤ε_i，x_z∈X/(x_i∪NN_i)，则C_u＝C_u∪x_z，得到完整簇C_u；

步骤1-5：令u＝u+1，从局部密度集P和数据集X中删除已经聚成簇的点；

步骤1-6：重复步骤1-4和步骤1-5，直到数据集X中无数据点；

步骤1-7：输出聚类结果Φ＝{C₁,C₂,…C_M}。