[發明專利]基于多任務共預測神經網絡的城市出租車需求預測方法在審
| 申請號： | 202010294002.1 | 申請日： | 2020-04-15 |
| 公開（公告）號： | CN111507762A | 公開（公告）日： | 2020-08-07 |
| 發明（設計）人： | 朱鳳華;張馳展;葉佩軍;李鎮江;董西松;熊剛;王飛躍 | 申請（專利權）人： | 中國科學院自動化研究所 |
| 主分類號： | G06Q30/02 | 分類號： | G06Q30/02;G06Q50/26;G06N3/04;G06N3/08 |
| 代理公司： | 北京市恒有知識產權代理事務所(普通合伙) 11576 | 代理人： | 郭文浩;尹文會 |
| 地址： | 100190 *** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 任務 預測 神經網絡 城市 出租車 需求預測 方法 | ||
1.一種基于多任務共預測神經網絡的城市出租車需求預測方法，其特征在于，該方法包括：
步驟S10，通過交通數據采集裝置采集設定城市的設定歷史時間段出租車載客數據；所述出租車載客數據包括出租車載客上車及下車的經度、緯度、時間日期；
步驟S20，基于所述設定歷史時間段出租車載客數據，統計所述設定歷史時間段出租車上車需求、下車需求；
步驟S30，對所述出租車上車需求、下車需求進行歸一化以及添加高斯隨機噪聲處理，獲得預處理數據；
步驟S40，通過訓練好的多任務共預測神經網絡獲取所述預處理數據對應的歸一化上車需求預測值、下車需求預測值；
步驟S50，對所述歸一化上車需求預測值、下車需求預測值進行反歸一化，獲得設定城市下一時間段的出租車上車需求量、下車需求量。
2.根據權利要求1所述的基于多任務共預測神經網絡的城市出租車需求預測方法，其特征在于，所述多任務共預測神經網絡，其訓練方法為：
步驟B10，獲取設定城市內設定歷史時間段的出租車載客數據；
步驟B20，將所述設定城市劃分為設定大小的矩形網格，將所述設定歷史時間段劃分為設定長度的時間塊，將所述出租車載客數據分為上車需求、下車需求，并針對每個矩形網格區域的每個時間塊進行所述出租車載客數據的分類匯總統計，獲得每個網格區域每個時間塊對應的出租車上車需求、下車需求作為樣本集；
步驟B30，對所述樣本集中每一個樣本進行歸一化以及添加高斯隨機噪聲處理，獲得預處理樣本數據集；
步驟B40，根據預設比例將所述預處理樣本數據集劃分為訓練集、測試集；
步驟B50，基于前饋神經網絡以及設定類別的深度神經網絡構建各類別的初始多任務共預測神經網絡，對于所述各類別的初始多任務共預測神經網絡中每一個網絡，通過訓練集訓練并調整網絡的結構和超參數，獲得各類別的多任務共預測神經網絡；
步驟B60，分別通過所述各類別的多任務共預測神經網絡中每一個網絡在所述測試集上進行前向計算，獲取任一類別的多任務共預測神經網絡在所述測試集上的平均預測誤差；
步驟B70，所述平均預測誤差中最小值對應的多任務共預測神經網絡為訓練好的多任務共預測神經網絡。
3.根據權利要求1所述的基于多任務共預測神經網絡的城市出租車需求預測方法，其特征在于，步驟S30中“對所述出租車上車需求、下車需求進行歸一化”，其方法為：
其中，vn代表歸一化后的變量值，v代表需要進行歸一化的變量在取值范圍內的值，[vmin，vmax]為變量v的取值范圍。
4.根據權利要求1所述的基于多任務共預測神經網絡的城市出租車需求預測方法，其特征在于，步驟S30中“添加高斯隨機噪聲處理”，其方法為：
其中，x代表原始數據，代表原始數據添加高斯隨機噪聲后的數據，λ∈(0，1]為噪聲比例因子，ε～N(0，1)為一個服從標準正太分布的隨機數。
5.根據權利要求1所述的基于多任務共預測神經網絡的城市出租車需求預測方法，其特征在于，步驟S50中“對所述歸一化上車需求預測值、下車需求預測值進行反歸一化”，其方法為：
vcalculate＝vcalculate-n*(vmax-vmin)+vmin
其中，vcalculate-n代表歸一化的變量預測值，vcalculate代表進行反歸一化后的變量的值，[vmin，vmax]為變量vcalculate的值的范圍。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國科學院自動化研究所，未經中國科學院自動化研究所許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010294002.1/1.html，轉載請聲明來源鉆瓜專利網。
