[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

说明书

本发明公开了一种基于时空多图神经网络的网约车需求预测方法，包括：获取网约车需求数据，根据城市路段空间关系、路段的功能、公共交通相关性，构建邻接关系图、路段功能相关性图、路段公共交通相关性图，将构建的图数据输入到端到端的时空图卷积神经网络中，首先利用图卷积网络捕获多图相关性，然后进行多图融合，其次将每一时刻融合的图输入到门控循环神经网络中捕获图数据之间的时间相关性，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，得到路段上网约车需求量预测值。该方法从网约车需求时空分布角度出发，构建多图并利用端到端的时空图卷积神经网络对所有路段在未来多个时间切片的网约车需求进行预测。

技术领域

本发明涉交通预测技术领域，更具体的涉及一种基于时空多图神经网络的 网约车需求预测方法。

背景技术

在这个交通多元化发展的时代，由于网约车灵活、便捷的特点，乘坐网约 车出行成为重要的出行方式之一。然而许多城市存在着“叫车难”的问题，主 要原因是司机提供的网约车服务和乘客产生的打车需求之间存在着供需矛盾， 这不但提高了网约车的运营成本，降低了网约车利用率和司机收益，也增加了 乘客的等待时间。准确预测网约车需求能够帮助网约车平台更加合理地分发订 单和调度车辆,同时对交通管理、设计、出行诱导等也具有十分积极的作用。

现有技术在对网约车需求进行预测时，将城市划分成固定大小的网格或者 具有某一定规则的网格区域，存在网格与实际路网情况不符、同一路段可能被 划分到多个网格中、同一网格中的不同路段实际可达路径较远等问题；另外在 对非欧空间进行时空图网络建模预测网约车需求时，也没有充分考虑路段之间 存在的多重空间相关性。

发明内容

为了避免现有技术的不足之处，本发明提出一种基于时空多图神经网络的 网约车需求预测方法,基于城市实际路网数据，利用图卷积网络对道路之间存在 的邻接关系、道路功能相关性和公共交通相关性进行非欧空间的多重相关性捕 获，再利用门控循环神经网络对图网路的时间相关性进行捕获，解决路段非欧 空间多重相关性建模问题。

本发明实施例提供一种基于时空多图神经网络的网约车需求预测方法，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。

进一步，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所有时间切片所有 路段的网约车需求数量，作为网络的输入。

进一步，构建路段邻接关系图，包括：