[發明專利]基于深度神經網絡的網約車召車需求預測方法

有效

• 申請號: 201810609232.5
• 申請日: 2018-06-13
• 公開（公告）號: CN108985475B
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 范曉亮;肖璐菁;王程;陳龍彪
• 申請（專利權）人: 廈門大學
• 主分類號: G06Q10/02
• 分類號: G06Q10/02;G06Q10/04;G06Q10/06;G06N3/04
• 代理公司: 廈門致群財富專利代理事務所(普通合伙) 35224
• 代理人: 劉兆慶;陸慶紅

1.基于深度神經網絡的網約車召車需求預測方法，其特征在于，包括以下步驟：

S1、對城市路進行網格劃分以形成網格區域，根據網約車訂單數據計算統計各區域中的召車需求量；

S2、設計網約車召車需求預測模型：基于深度神經網絡，學習和訓練召車需求的時空特征，并結合天氣因素對網約車用戶的召車意愿的影響，預測下一時間段各區域召車需求量；步驟S2具體包括：

S21、利用殘差網絡提取每一時間間隔的空間特征，結果記為y′_t∈S^M*N*1；

S22、融合h個時間段的空間特征，結果記為y″_t∈S^M*N*h；

S23、將S22得到的結果輸入卷積長短時記憶網絡提取時空特征；

S24、利用One-Hot編碼把天氣情況轉化為一定維度的向量表示，其他數值型天氣數據作歸一化處理；

S25、將S23和S24得到的結果輸入一個兩層的全連接網絡，得到預測值

S3、根據歷史數據對區域召車需求預測模型進行訓練，再利用訓練好的模型對各個區域的網約車召車需求量進行預測。

2.根據權利要求1所述的基于深度神經網絡的網約車召車需求預測方法，其特征在于，步驟S1具體包括：

S11、根據經緯度把城市路網劃分為M×N的網格區域，于是區域(m,n)表示第m行，第n列的格子區域；

S12、提取網約車訂單數據o(o.t,o.l,o.u)，其中，o.t表示召車時間戳，o.l表示召車地點，o.u表示召車訂單id，用于過濾重復和無效訂單；

S13、根據經緯度把網約車訂單數據映射到網格區域中，計算各區域中在各時間段內記錄訂單數量作為召車需求量：其中，表示區域(m,n)在時間段t內的召車需求量；

S14、對各區域內的召車需求量進行歸一化：其中y₀為召車需求量，y_min和y_max分別代表召車需求量的最小值和最大值，y為歸一化后的值；

S15、將步驟S14的方法得到的歸一化后時間段t的召車需求量表示為M行N列1通道的3維矩陣，記為y_t∈S^M*N*1，以歷史h個時間段的召車需求量y_history＝{y_t|t＝1,2,...,h}作為輸入，下一時間段召車需求量y_t+1作為輸出，構建樣本{y_histroy,y_t+1}；

S16、把所有訂單數據數據按照步驟S15所述方法構建樣本，并按照一定比例劃分為訓練集和測試集。

3.根據權利要求1所述的基于深度神經網絡的網約車召車需求預測方法，其特征在于：步驟S21中，所述殘差網絡的層數為6層，卷積神經網絡CNN使用補零操作,卷積核大小設置為3×3×3，CNN卷積核設置為64，輸出層使用1個卷積核，提取空間特征。

4.根據權利要求1所述的基于深度神經網絡的網約車召車需求預測方法，其特征在于：步驟S23中，所述卷積長短時記憶網絡的層數為2層，使用補零操作，卷積核大小設置為5×5，使用32個卷積核，輸出層使用1個卷積核。

5.根據權利要求1所述的基于深度神經網絡的網約車召車需求預測方法，其特征在于：步驟S3具體包括：

S31、利用訓練集對步驟S2所述的召車需求預測模型進行訓練，損失函數為其中，y_t+1表示真實需求量，表示預測需求量；

S32、根據測試集，選取損失函數Loss最小的模型作為最優模型；

S33、把召車需求量數據歸一化后輸入S32得到的最優模型，得到輸出結果后，再進行反歸一化,得到最終的預測結果，實現城市各個區域召車需求量的預測。