[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

本發明公開了一種基于深度神經網絡的網約車召車需求預測方法，包括：S1、對城市路網進行區域劃分，并計算統計各個區域的網約車召車需求量；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時空特征，并結合天氣影響因素對網約車用戶召車意愿的影響因子，預測下一時間段的區域召車需求量；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。本方法通過融合外部因素和時空相關性，利用深度神經網絡來表達網約車召車需求量的復雜的非線性時空相關性特征，能夠取得較高的預測精度。

技術領域

本發明涉及深度學習和召車需求預測的交叉技術應用領域，具體涉及一種基于深度神經網絡的網約車召車需求預測方法。

背景技術

隨著基于位置服務和移動互聯網技術的飛速發展，網約車正逐步成為城市出行的重要替代方式。然而，網約車的召車需求和供給能力在時空維度存在不匹配的問題。例如，下班高峰期城市中心存在“打車難”現象，而城市郊區存在運力過剩現象。另外，天氣等外部因素也會影響人們出行意愿，例如，下雨天的召車需求將明顯上升。因此，如何利用海量跨域數據進行召車需求預測，為網約車平臺提供大數據決策支持，已逐漸成為交通大數據應用研究領域的熱點問題。

較早期的預測模型主要依賴于時間序列預測等技術，比如：自回歸模型(AR)、歷史平均模型(HA)、自回歸移動平均模型(ARIMA)等。這些技術的缺陷是難以表達召車需求與外部因素之間的復雜非線性時空相關性。隨著深度神經網絡在學習海量數據的復雜特征相關性獲得的卓越表現，激勵著人們運用深度學習方法進行需求預測，但目前研究方法考慮的因素較為單一，比如：僅利用卷積神經網絡(CNN)考慮空間因素，僅利用長短期記憶網絡(LSTM)考慮時間因素，因此預測精度有待提升。

發明內容

本發明的目的在于提供一種基于深度神經網絡的網約車召車需求量預測方法。該方法基于海量網約車訂單數據，一方面能夠精準地預測城市中網約車的召車需求量，指導網約車動態調度，另一方面能夠提高用戶滿意度，并有效緩解城市交通擁堵。

基于深度神經網絡的網約車召車需求預測方法，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；

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。

進一步地，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；