[发明专利]基于深度聚合神经网络的网约车需求时空热度预测方法

权利要求书

1.基于深度聚合神经网络的网约车需求时空热度预测方法，其特征在于：包括以下步骤：

步骤1：获取相关数据；

步骤2：数据预处理；

步骤3：深度聚合神经网络模型包括依次序连接的一个隐藏层、融合层F1、融合层F2；

步骤4：误差最小化；

步骤5：预测网约车需求；

步骤6：计算准确率用于模型评价。

2.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述步骤1的具体过程为：利用互联网下载网约车订单数据；通过在线地图API接口，获取城市区域POI数据；获取天气数据。

3.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述步骤2的具体过程为：对获取到的网约车订单数据、POI数据和天气数据进行预处理，对获取每个时段的时间特征值和气象特征值统一进行量化处理并统计为外部环境变量X^e；获取每个时空网格每个时段、前一天同一时段、上周同一时段的时空热度值分别为和统计为时空变量X^s；获取每个网格每日的POI数量特征值，统计为空间变量X^g，将预处理完后的数据分成训练集和测试集两部分。

4.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述隐藏层分别为长短期记忆模型、卷积长短期记忆模型和卷积神经网络模型。

5.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述融合层F1包括一个Reshape层、Fusion1层和Fusion2层。

6.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述步骤3的具体过程包括以下步骤：

步骤3.1：将训练集数据中的外部环境变量、时空变量和空间变量分别输入到长短期记忆模型、卷积长短期记忆模型和卷积神经网络模型中，融合层F1采用基于参数矩阵的方法对各个子模型的输出结果进行融合，则不同子模型的输出函数如下：

其中，表示外部环境变量的输出向量，分别为时空变量中近周期片段张量、日周期片段张量和周周期片段张量，分别为对应的参数矩阵，分别为空间变量中低密度子图张量，原密度子图和高密度子图，W_l^g、分别为对应的参数矩阵；

步骤3.2：根据步骤3.1得到的三个模型的输出，将模型(1)-模型(3)的输出在融合层F2按照权重进一步融合，得到的最终结果为：

其中，t表示第t时刻，即为当前时刻，w_e、w_s、w_g为融合权重，b_t为偏置。

7.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述步骤4的具体过程包括以下步骤：

模型训练的目标使预测值与真实值P_t的均方误差最小化，从而获得上述全部权值w和偏差b的最优取值，目标函数obj如下所示，；

其中，α为平衡参数。

8.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述步骤5的具体过程为：

设定的迭代次数为N次，重复步骤3和步骤4，直至精度达到设定阈值,保存训练完成的网络模型，输入测试集的数据到训练完成的模型中预测网约车需求时空热度。

9.如权利要求1所述的基于深度聚合神经网络的网约车需求时空热度方法，其特征在于：所述步骤6的具体过程包括以下步骤：

采用均方根误差(RMSE)和平均绝对误差(MAE)计算准确率：

其中，n表示样本数量，通过计算真实值和预测值的准确率作为评价标准。