[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

本發明的基于深度學習的出租車上車需求量的預測方法，包括：步驟1）對出租車原始數據進行預處理,并分析出租車的基本運營指標；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：通過長短期記憶網絡LSTM對特征相關性分析模型進行訓練。有益效果：兩種模型均可實現上車量的預測，對于管理者而言，兩種模型協同操作，使得預測擬合更精準，與傳統的交通信息系統不同之處在于系統內部集成了兩種預測模型，模型可擴展、可訓練、可預測，真正將深度學習應用到了實際案例中。

技術領域

本發明涉及人工智能領域，尤其涉及一種基于深度學習的出租車上車需求量的預測方法。

背景技術

出租車作為城市客運交通的重要組成部分，已經成為影響城市道路交通規劃與管理的重要因素之一。目前，國內外很多學者對出租車GPS數據的應用都進行了研究，主要集中在交通狀態估計、交通行為分析、出行OD預測、出租車運營水平評價等方面，較少涉及對出租車時空變化差異以及出租車運力相關影響因素的分析，而該部分內容卻是交通規劃和交通管理部門需要的信息。

發明內容

本發明目的在于克服上述現有技術的不足，提供了一種基于深度學習的出租車上車需求量的預測方法，具體由以下技術方案實現：

所述基于深度學習的出租車上車需求量的預測方法，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。

所述基于深度學習的出租車上車需求量的預測方法的進一步設計在于，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。

所述基于深度學習的出租車上車需求量的預測方法的進一步設計在于，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。

所述基于深度學習的出租車上車需求量的預測方法的進一步設計在于，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。