[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

说明书

本发明提出了基于深度聚合神经网络的网约车需求时空热度预测方法，实现了需求热度的准确预测，通过互联网下载网约车订单数据，获取天气数据，通过在线地图API接口，获取城市区域POI数据；对以上数据进行预处理为外部环境变量、时空变量、空间变量数据，分为训练集和测试集两个部分；将训练集数据深度聚合神经网络模型包括依次序连接的一个输入层、一个隐藏层、融合层F1、融合层F2；再将误差最小化；直到精度到达设定阈值训练完成，将测试集数据输入训练完的模型中，预测网约车需求；采用采用均方误差和平均绝对误差计算准确率用于模型评价。

技术领域

本发明属于交通时空预测领域，具体提出了基于深度聚合神经网络的网约车需求时空热 度预测方法。

背景技术

随着移动设备的普及和互联网的快速发展，网络预约出租汽车(简称网约车)已成为城 镇居民的主要出行方式之一。面对数量巨大的服务提供者与用户需求，平衡供需分布成为网 约车平台亟待解决的问题。若服务车辆分布与乘客分布差异较大，不但会导致乘客候车时间 长、对平台的服务满意度降低，还会使服务车辆空驶距离增加、运营效率低下、运营利润减 少。如果可用服务车辆被提前调配至需求热度较高区域，则平台的资源利用率和服务质量可 得到显著提升。引导服务车辆的前提为预测不同空间位置在不同时间范围的需求热度，但需 求热度与时间、空间、环境等多种影响因素相关且动态变化，因此预测难度较高。在现实情 况中，进行网约车需求预测问题面临着如下挑战：(1)单一结构的网络较难捕捉时空数据的 关联性；(2)未全面完整地利用时空数据；(3)需求预测还存在空间关联性和环境关联性等 其他复杂因素。由于选择网约车出行有利于缓解城市交通拥堵，对提高交通资源的利用、减 少环境污染具有积极意义，所以实现网约车需求时空热度预测方法是一个重要的研究方向。

发明内容

为解决现有技术的不足，提出了基于深度聚合神经网络的网约车需求时空热度预测方法， 实现了网约车需求时空热度的准确预测，包括以下步骤：

步骤1：获取相关数据；

利用互联网下载网约车订单数据，获取天气数据，通过在线地图API接口，获取城市区 域POI数据；

步骤2：数据预处理；

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；

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(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)、融合层F1(包括一个Reshape层、Fusion1层和 Fusion2层)、融合层F2，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，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，输出层得到的最终结果为：