[發(fā)明專利]基于多任務(wù)共預(yù)測神經(jīng)網(wǎng)絡(luò)的城市出租車需求預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010294002.1
• 申請日: 2020-04-15
• 公開（公告）號: CN111507762A
• 公開（公告）日: 2020-08-07
• 發(fā)明（設(shè)計(jì)）人: 朱鳳華;張馳展;葉佩軍;李鎮(zhèn)江;董西松;熊剛;王飛躍
• 申請（專利權(quán)）人: 中國科學(xué)院自動(dòng)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(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會(huì)

本發(fā)明屬于智能交通系統(tǒng)領(lǐng)域，具體涉及了一種基于多任務(wù)共預(yù)測神經(jīng)網(wǎng)絡(luò)的城市出租車需求預(yù)測方法，旨在解決現(xiàn)有技術(shù)不考慮下車需求導(dǎo)致出租車需求預(yù)測精度達(dá)不到預(yù)期的問題。本發(fā)明包括：將城市劃分為網(wǎng)格，連續(xù)時(shí)間離散為時(shí)間塊，并將一段時(shí)期內(nèi)城市出租車載客的實(shí)時(shí)數(shù)據(jù)歸到各網(wǎng)格的各時(shí)間塊內(nèi)，統(tǒng)計(jì)上下車需求量來訓(xùn)練可同時(shí)預(yù)測兩種需求的多任務(wù)共預(yù)測神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)可用于預(yù)測未來時(shí)間段內(nèi)出租車的上下車需求量。本發(fā)明將出租車需求預(yù)測問題建模為上車和下車需求的時(shí)序預(yù)測問題，同時(shí)捕捉上車和下車需求之間的差異和聯(lián)系，預(yù)測精度高、泛化性能好，有助于出租車管理部門合理配置出租車資源以解決城市不同區(qū)域出租車供求不平衡的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于智能交通系統(tǒng)領(lǐng)域，具體涉及了一種基于多任務(wù)共預(yù)測神經(jīng)網(wǎng)絡(luò)的城市出租車需求預(yù)測方法。

背景技術(shù)

隨著滴滴等網(wǎng)約車平臺(tái)的興起，在線打車服務(wù)為人們的生活帶來了很多便利，乘客可利用手機(jī)APP呼叫出租車或順風(fēng)車來載運(yùn)自己到達(dá)目的地。然而，在大城市的不同區(qū)域，由于存在供需不平衡的問題，出租車司機(jī)可能會(huì)出現(xiàn)接不到訂單，而乘客會(huì)面臨等待時(shí)間長的問題。事先預(yù)測每個(gè)區(qū)域的打車和下車需求量，并提前合理分配出租車資源，可以有效緩解這一問題，提高城市打車服務(wù)的質(zhì)量和效率，對于出租車公司以及車輛管理部門等都具有重要的意義。

城市出租車需求定義為城市某個(gè)區(qū)域在一段時(shí)間內(nèi)乘客在該區(qū)域上車以及下車的總數(shù)量，前者稱為上車需求，后者稱為下車需求。出租車需求預(yù)測的主要方法是建模為一個(gè)時(shí)序預(yù)測問題，即使用歷史的出租車需求來預(yù)測未來的出租車需求。傳統(tǒng)的出租車需求預(yù)測方法主要有三類，分別是線性統(tǒng)計(jì)模型，統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型，深度學(xué)習(xí)模型。線性統(tǒng)計(jì)模型例如歷史平均和差分整合移動(dòng)平均自回歸模型(Autoregressive Integrated MovingAverage model，或ARIMA)，將出租車需求隨時(shí)間的變化擬合成一個(gè)線性函數(shù)；這種方法實(shí)現(xiàn)起來簡單，但無法捕捉到需求量隨時(shí)間變化的非線性關(guān)系。統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型例如支持向量回歸(Support Vector Regression,或SVR)以及決策樹方法基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)理論針對小數(shù)據(jù)樣本進(jìn)行學(xué)習(xí)，其可以擬合非線性關(guān)系，但是針對大規(guī)模數(shù)據(jù)集效果不是很好。大數(shù)據(jù)和深度學(xué)習(xí)在圖像識(shí)別，語音識(shí)別，自然語言處理等模式識(shí)別領(lǐng)域取得了突破性的進(jìn)展，并也逐漸被應(yīng)用到智能交通領(lǐng)域。隨著交通領(lǐng)域大數(shù)據(jù)的出現(xiàn)以及深度學(xué)習(xí)的發(fā)展，許多學(xué)者嘗試使用卷積神經(jīng)網(wǎng)絡(luò)(CNN，Convolution Neural Network)以及長短時(shí)記憶網(wǎng)絡(luò)(LSTM，Long Short-Term Memory)等搭建深度學(xué)習(xí)模型來預(yù)測出租車需求。

近些年來，一些學(xué)者先后提出了不同的用于預(yù)測城市出租車需求的深度學(xué)習(xí)模型，且這些模型的預(yù)測精度在不斷提高。然而，這些模型大多數(shù)僅使用出租車上車數(shù)據(jù)來預(yù)測上車需求，但出租車的上下車需求是有其內(nèi)在相關(guān)性的。一方面，當(dāng)前時(shí)刻乘客在某個(gè)區(qū)域上車未來必定會(huì)在某個(gè)區(qū)域下車，這說明上車需求會(huì)影響下車需求；另一方面，當(dāng)前時(shí)刻乘客在某個(gè)區(qū)域下車未來可能會(huì)返回到原來的區(qū)域，這說明下車需求也會(huì)影響上車需求。因此，預(yù)測城市某一個(gè)區(qū)域的出租車上車需求時(shí)，應(yīng)當(dāng)也考慮到該區(qū)域下車的需求，綜合上下車需求的信息來共同預(yù)測這兩種需求。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問題，即現(xiàn)有技術(shù)不考慮下車需求導(dǎo)致出租車需求預(yù)測精度達(dá)不到預(yù)期的問題，本發(fā)明提供了一種基于多任務(wù)共預(yù)測神經(jīng)網(wǎng)絡(luò)的城市出租車需求預(yù)測方法，該方法包括：

步驟S10，通過交通數(shù)據(jù)采集裝置采集設(shè)定城市的設(shè)定歷史時(shí)間段出租車載客數(shù)據(jù)；所述出租車載客數(shù)據(jù)包括出租車載客上車及下車的經(jīng)度、緯度、時(shí)間日期；

步驟S20，基于所述設(shè)定歷史時(shí)間段出租車載客數(shù)據(jù)，統(tǒng)計(jì)所述設(shè)定歷史時(shí)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(jìn)行歸一化以及添加高斯隨機(jī)噪聲處理，獲得預(yù)處理數(shù)據(jù)；