[發明專利]一種基于深度學習的出租車上車需求量的預測方法

有效

• 申請號: 201810409411.4
• 申請日: 2018-04-28
• 公開（公告）號: CN108629503B
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 施佺;張琨;曹陽;孫玲;陸俊天;呂心鈺
• 申請（專利權）人: 南通大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/30
• 代理公司: 南京匯盛專利商標事務所(普通合伙) 32238
• 代理人: 吳靜安;吳揚帆

1.一種基于深度學習的出租車上車需求量的預測方法，其特征在于包括如下步驟：

步驟1)對出租車原始數據進行預處理，所述預處理包括坐標轉換、區域劃分以及數據清洗，并分析出租車的基本運營指標，所述基本運營指標包括運營出租車的數量、載客量、空駛率；

步驟2)構建時間橫縱分析模型：從時間的橫向和縱向兩個角度分析不同區域和時間差異對上車客流量趨勢的影響，利用Spark并行計算通過深度神經網絡DNN對時間橫縱分析模型進行訓練，擬合出各區域上車需求量的趨勢曲線；構建特征相關性分析模型：從時間和空間角度，分別對各個區域的運力屬性以及下車量進行特征相關性分析，預測上車客流量，通過長短期記憶網絡LSTM對特征相關性分析模型進行訓練。

2.根據權利要求1所述的基于深度學習的出租車上車需求量的預測方法，其特征在于所述步驟1)中采用的原始數據為出租車定位數據，包括車輛ID、坐標數據、車牌號碼、速度、方向、時間以及是表示否空車的參數。

3.根據權利要求1所述的基于深度學習的出租車上車需求量的預測方法，其特征在于所述步驟1)通過數據接口獲取的歷史和實時交通數據，以Spark并行計算框架和彈性分布式數據集RDD進行數據的并行處理，同時架設多線程操作，同步生成多種數據處理的結果，并存入分布式文件系統HDFS。

4.根據權利要求1所述的基于深度學習的出租車上車需求量的預測方法，其特征在于步驟2)中利用Spark并行計算通過深度神經網絡DNN對時間橫縱分析模型進行訓練包括如下步驟：

2-1)將經過預處理的原始數據轉換為第一專用格式的數據，根據第一專用格式的數據的特征維度和結果，設定DNN輸入層和輸出層的神經元的個數；

2-2)預設隱藏層層數和神經元個數，同時初始化DNN的權重和偏差；

2-3)將第一專用格式的數據中的各項參數逐一地輸入至模型輸入層，對輸出層的預測結果與真實值的上車量數值進行對比，計算損失值；

2-4)利用梯度下降算法進行模型迭代，降低損失值并更新DNN的參數；

2-5)迭代訓練結束后，輸入需要預測的特征信息，輸出層輸出預測值，作為預測的上車客流量。

5.根據權利要求4所述的基于深度學習的出租車上車需求量的預測方法，其特征在于步驟2)中時間橫縱分析模型中將原始數據的格式轉換為第一專用格式，所述第一專用格式中的參數包括日期、星期、時間段、當天前三個時間段的上車量、當天前兩個時間段的上車量、當天上個時間段內的上車量、前三天該時間段內的上車量、前兩天該時間段內的上車量、昨天該時間段內的上車量以及此時該時間段內的上車量。

6.根據權利要求4所述的基于深度學習的出租車上車需求量的預測方法，其特征在于所述步驟2-3)中對輸出層的預測結果與真實值的上車量數值進行對比采用的是常見的損失函數，定義如下：

其中，C₀表示二次損失函數值，y(x)表示真實值，a表示對應輸入x得到的輸出值，n表示訓練總數；

為了更好的減小誤差，在損失函數中加入了L2正則項，其定義如下：

其中ω表示權重，λ表示權衡二次損失函數和權重這兩項的相對重要程度。

7.根據權利要求6所述的基于深度學習的出租車上車需求量的預測方法，其特征在于所述步驟2-4)中根據式(3)、式(4)通過對所述損失函數求相對于權重ω和偏量b的偏導，以更新權重和偏量，

8.根據權利要求4所述的基于深度學習的出租車上車需求量的預測方法，其特征在于步驟2)中構建特征相關性分析模型的過程為：首先將經過預處理的原始數據轉換為第二專用格式，將第二專用格式的各項參數逐一地輸入模型，再對輸出層的預測結果與真實值的上車客流量數值進行對比，計算損失值，接著通過梯度下降算法降低損失值，最終輸出預測值。