[發明專利]基于時空感知神經網絡的共享單車目的地預測方法及裝置

在審

• 申請號: 201710547095.2
• 申請日: 2017-07-06
• 公開（公告）號: CN107480807A
• 公開（公告）日: 2017-12-15
• 發明（設計）人: 鐘任新;張沛;蔡恒興
• 申請（專利權）人: 中山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/08;G07F17/00
• 代理公司: 廣州嘉權專利商標事務所有限公司44205
• 代理人: 朱曉敏,胡輝

技術領域

本發明涉及共享單車調度技術，尤其涉及一種基于時空感知神經網絡的共享單車目的地預測方法及裝置。

背景技術

共享單車自推出以來，已經在很多城市中成為除公共交通以外居民首選的出行方式，大大減輕了城市路網壓力和車輛擁堵情況。隨著綠色出行和環保觀念的深入人心，將會有更多的用戶選擇使用共享單車，進一步實現讓自行車回歸城市的目標。

通常，用戶可以直接在人行道上找到停放的共享單車，然后利用手機進行解鎖后便能騎行，接著當用戶騎到目的地后再將共享單車停好并鎖上便可。然而，目前由于共享單車在城市各區域的投放并不均勻，用戶常常遇到“想騎車卻無車可騎”的尷尬。為此，當共享單車被騎行到城市的各個角落后，應需要準確地預測每個用戶的最終騎行目的地，這樣才能更好地調配和管理這些共享單車，因此，確定好的調度方案能保證投放的共享單車能被更多人使用到，實現資源利用最大化。可見，準確地預測人們下一步的行為事件和所到地點，這有著重要的商業價值和公共安全意義。

對于傳統的目的地預測算法，其主要基于貝葉斯模型而實現，通過分析用戶歷史數據，利用用戶個人的歷史行車軌跡，結合用戶當前的行車軌跡來預測用戶的目的地；其中，通過距離計算來識別最類似于當前部分軌跡的歷史行車軌跡，然后將該歷史行車軌跡的目的地當作預測目的地。但是，這一傳統的目的地預測算法卻存有不少的缺點，例如：1、用戶之間的模型構建是相對獨立的，這則導致在預測新用戶時容易產生冷啟動問題，如，當一個新用戶注冊了共享單車時，數據平臺中并沒有存儲該用戶的歷史騎行軌跡，這在預測目的地時往往遇到了困難，難以進行準確的預測；2、傳統的預測方法并未充分考慮時間上的因素，導致預測精度不高，如，同一個用戶，在不同的時間節點，去某一個目的地的概率往往不同。此外，用戶和用戶之間的數據會存在著一定的關聯性，例如，在校園內，同一個宿舍的同學他們往往有著某種相似的路徑軌跡，而傳統的目的地預測算法卻同樣未考慮到這一因素。因此由此可見，傳統的目的地預測算法并未考慮到時空因素，因此導致預測準確度低下，這樣則難以滿足用戶對使用共享單車的需求。

發明內容

為了解決上述技術問題，本發明的目的是提供一種基于時空感知神經網絡的共享單車目的地預測方法，其充分考慮了大量共享單車數據的時空相關性，大大提高目的地預測的精準度。

本發明的另一目的是提供一種基于時空感知神經網絡的共享單車目的地預測裝置，其充分考慮了大量共享單車數據的時空相關性，大大提高目的地預測的精準度。

本發明所采用的技術方案是：基于時空感知神經網絡的共享單車目的地預測方法，該方法包括以下步驟：

獲取共享單車數據；

將獲取得到的共享單車數據輸入至深度學習神經網絡進行處理后，輸出目的地數據；

其中，所述共享單車數據包含騎行起始日期時間以及騎行起始區塊位置。

進一步，該方法還包括預設步驟，所述預設步驟包括以下子步驟：

利用geohash編碼將城市劃分為多個區塊，令每一個區塊位置對應一個字符串編碼；

和/或，

根據預設的時間間隔，將24小時劃分為多個時間區間。

進一步，該方法還包括構建深度學習神經網絡這一步驟，所述構建深度學習神經網絡這一步驟，其包括以下子步驟：

將歷史的共享單車數據構成訓練集，其中，將每個時間區間內在區塊位置上所發生的騎行事件作為騎行時空矩陣，所述騎行時空矩陣作為訓練輸入數據，將騎行事件所對應的目的地作為訓練輸出數據；

利用訓練輸入數據和訓練輸出數據對深度學習神經網絡進行訓練；

訓練完后得到的深度學習神經網絡為所需構建的深度學習神經網絡。

進一步，所述對深度學習神經網絡進行訓練這一步驟，其包括以下子步驟：

對深度學習神經網絡中的所有層逐層進行單層神經元構建；

當深度學習神經網絡中的所有層均完成訓練后，采用wake-sleep算法對完成訓練后的深度學習神經網絡進行調優。

進一步，所述wake-sleep算法包括清醒階段和睡眠階段。

本發明所采用的另一技術方案是：基于時空感知神經網絡的共享單車目的地預測裝置，該裝置包括：

存儲器，用于存儲各指令；

處理器，用于加載所述指令并執行以下步驟：

獲取共享單車數據；

將獲取得到的共享單車數據輸入至深度學習神經網絡進行處理后，輸出目的地數據；

其中，所述共享單車數據包含騎行起始日期時間以及騎行起始區塊位置。