[发明专利]一种基于时空多图神经网络的网约车需求预测方法

权利要求书

1.一种基于时空多图神经网络的网约车需求预测方法，其特征在于，包括：

对城市路网数据进行提取并进行地图匹配；

根据路段空间是否邻接，构建路段邻接关系图；

根据路段功能，构建路段功能相关性图；

根据路段地铁、公交站点相关性，得到公共交通相关性图；

利用图卷积神经网络对路段邻接关系图、路段功能相关性图、公共交通相关性图分别进行图卷积操作，捕获包括道路之间邻接关系、功能相关性和公共交通相关性的多重相关性；

将融合后的路段邻接关系图、路段功能相关性图、公共交通相关性图输入到循环神经网络中，捕获不同时刻的时间相关性；

基于图卷积神经网络的多重空间相关性和循环神经网络的时间相关性，构建时空图卷积神经网络；

将订单时间和匹配到的路段输入至时空图卷积神经网络，得到路段上在未来一段时间内的网约车需求量预测值。

2.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法，其特征在于，所述对城市路网数据进行提取并进行地图匹配，包括：

对数据进行清洗，删除缺失位置和时间的订单数据；

通过开源地图服务OpenStreetMap提取城市路网数据，获取路段信息；

根据订单数据中的经纬度信息，利用地图匹配算法将订单匹配到最近路段上；

设计时间切片长度，根据订单时间和匹配到的路段统计各个时间切片各个路段的网约车需求数量，作为网络的输入。

3.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法，所述构建路段邻接关系图，包括：

根据提取的路网中的路段邻接关系构建邻接关系图，用路段表示顶点，路段之间的关系表示边，两个顶点之间的边权重表示两个路段是否相邻。

4.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法，所述构建路段功能相关图，包括：

根据路段上POI分布的相似度得到路段功能相关性，用顶点、边和边权重矩阵表示图结构，边权重表示两个路段的功能相关性。

5.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法，所述构建路段公共交通相关图，包括：

通过计算路段上的地铁和公交站点分布相似度得到公共交通相关性，用顶点、边和边权重矩阵表示图结构，其中，边权重表示两个路段的公共交通相关性。

6.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法，对时空图卷积网络进行训练，包括：

将统计的网约车需求矩阵输入到网络中，设定时间切片步长，根据步长大小划分需求矩阵；

对建立的路段邻接图、路段功能相关图、路段公共交通相关图进行多图卷积捕获路段之间的多重相关性，在每一时刻分别对这三个图进行图卷积操作，随后进行多图融合；

利用门控循环神经网络捕获融合后图之间的时间相关性，在每一时刻，将融合后的图输入到循环神经网络，捕获不同时刻存在的相关性；

输出所有路段在未来若干时间切片内的网约车需求数量，根据预测结果和真实值之间的损失反向调整参数，通过迭代训练，完成网络训练，保存训练网络参数。

7.如权利要求6所述的一种基于时空多图神经网络的网约车需求预测方法，其特征在于，还包括：

将测试数据输入到训练好的网络中，根据训练好的网络及其参数，计算路段上在未来特定时间内的网约车需求数量，并输出预测值；

根据评价指标计算真实值和预测值直接的误差，评价网络性能。