[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

说明书

本发明公开了一种基于构建虚拟服务片区进行出租车需求预测的方法，通过构建高需求区域来引导服务车辆提前收敛到这些区域，方便对出租车需求进行高精度预测，来解决在线乘车平台的需求和供应不平衡问题。根据所提出的方法，构建相应的虚拟服务片区；建立图卷积神经网络和长短期记忆网络的混合模型进行时空相关性捕获；考虑外部因素的影响，在4)中模型的基础上添加注意力机制为不同外部因素设置不同的重要性参数；融合前面步骤中得到的时空特征和外部因素特征预测未来时间段出租车需求。本发明构建不规则的虚拟服务片区，充分考虑到城市数据分布的密集性与稀疏性，捕获能够建立准确的片区来进行预测，有助于高效服务乘客出行，降低网约车成本。

技术领域

本发明属于交通需求预测与深度学习交叉领域，具体涉及一种基于构建虚拟服务片区进 行出租车需求预测的方法。

背景技术

人们出行越来越个性化，传统的出租车服务已经不能满足人们多样化、优质化的需求， 网约车用户规模越来越多，每一天都有数以万计的用户发出乘车请求，对于在线打车平台来 说，优质便捷地动态调整网约车车辆来适应不同用户的需求越来越重要。

在线叫车平台在将大规模的乘车请求用户分配给处于空闲状态的网约车时，有效地平衡 需求和供给是实现高效调度分发的关键。日常生活中，往往会发现乘车请求用户准备叫车， 周边区域圈内却没有空闲网约车，存在大量网约车在没有请求用户的地方巡游，若平台将远 区域的空闲网约车重新调度给乘车请求用户时，会导致用户叫车等待时间加剧，网约车运输 成本增加。挖掘热点区域可以增加有效驾驶，从而解决网约车分配不平衡的问题，因此，准 确地构建虚拟服务片区，并预测虚拟服务片区的需求，根据需求量来引导服务车辆提前收敛 不同的区域可以有效提高服务车辆的利润，减少乘客等待时间，提高平台满意度，降低网约 车成本，进一步减轻城市交通拥堵问题。

近些年，需求预测受到了许多研究人员的研究，目前已经提出了大量的交通需求预测方 法。如深度学习的方法，像卷积神经网络(CNN)、图卷积神经网络(GCN)、长短期记忆网 络(LSTM)等，这些方法仅仅只能根据历史需求进行单一的预测，不能同时捕获需求动态变化的时间性和空间性。后来，近几年的研究开始考虑构建联合模型，同时捕获时空数据来进行预测。如DeepST方法、ST-ResNet方法，都是将城市划分网格后，构建神经网络框架， 同时捕获空间和时间的需求来进行预测，但这些模型空间上采用基于网格进行卷积和时间上采用时间序列网络进行简单地组合，难以拟合复杂的出行数据，不能在实质上去描述需求之 间的空间依赖。

发明内容

针对上述尚没有解决的关键问题，本发明提出了一种基于构建虚拟服务片区进行出租车 需求预测的方法，目的是解决城市中需求分布不平衡，导致模型预测时空间捕获存在的误差， 提高需求预测精确度。

为实现上述目的，本发明采用如下的技术方案：

一种基于语义关联网络的启发式查询扩展方法包括以下步骤：

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(天 气数据、节假日数据)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；