[發明專利]一種城市用車需求量預測方法、設備及存儲介質

在審

• 申請號: 202011350498.6
• 申請日: 2020-11-26
• 公開（公告）號: CN112330215A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 曹敦;曾凱;王進;張應寶
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q30/06;G06Q50/30;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 趙琴娜

本發明公開了一種城市用車需求量預測方法、設備及存儲介質，方法包括：將待預測區域劃分成若干網格；采集各個網格內的時態數據和空間數據作為訓練集，時態數據包括歷史需求、氣象特征和事件特征，空間數據包括各區域中各種POIs的數量；將訓練集輸入至基于BERT的深度空時神經網絡模型中進行訓練；通過訓練完成的模型對待預測區域中任意區域的下一時段的用車需求量進行預測。本發明充分考慮了氣象特征和事件特征等外部因素和區域內POIs對用車需求量的影響，以時態數據和空間數據作為訓練集，能夠提升模型預測的準確度；本方法還使用了基于BERT的深度空時神經網絡模型，模型可以并行計算，相較于現有預測模型，能夠極大的提升時間效率。

技術領域

本發明涉及數據挖掘技術領域，特別涉及一種城市用車需求量預測方法、設備及存儲介質。

背景技術

目前通過對城市用車需求量(包括出租車用車需求和網約車用車需求等)的預測方法主要是將用車需要量視為時間序列，訓練學習模型，最后進行預測。學習模型主要有傳統的機器學習模型、傳統的深度學習模型和基于注意力機制的深度學習模型。但這三種技術還存在著以下缺陷：

(1)傳統的機器學習模型主要是使用回歸綜合移動平均(ARIMA)及其變體技術，其利用前幾個時間段的歷史需求數據來實現未來用車需求量的預測，因為時間周期是動態的，同時用車需求易受氣候、節假日等諸多外在因素的影響，這導致傳統的機器學習模型的預測準確度較低。

(2)傳統的深度學習模型使用遞歸神經網絡(RNN)，如門控循環單元(GRU)和長短記憶(LSTM)，但傳統的深度學習模型的RNN單元無法并行計算，易出現訓練和計算效率低下等問題。

(3)基于注意力機制的深度學習模型利用用車需求量數據與其他地區用車需求量數據之間的相似度來做匹配，其中引入一種與Transformer結構相同的多頭注意力模型來預測城市用車需求，同時時空注意力機制捕捉了城市用車需求的時空關系。雖然這些研究是最早利用注意力機制從復雜的時空關系來預測出租車需求的，但其忽視各區域功能相似性的重要性，因為功能相似的地區可能會有不同的用車需求，如居民區和商業區中用車需求量是不同的，對于某一地區、某一時刻，商業區的用車需求量高峰期在晚上下班時間，居民區對于用車需求量高峰區在早上上班的時候，因此目前基于注意力機制的深度學習模型無法對某顆粒度區域某時刻用車需求量進行較為精準的預測。

發明內容

本發明旨在至少解決現有技術中存在的技術問題之一。為此，本發明提出一種城市用車需求量預測方法、設備及存儲介質，能夠對城市各區域各時段的用車需求量進行細粒度、高精度的預測，提高城市車輛資源的利用率。

本發明的第一方面，提供了一種城市用車需求量預測方法，包括以下步驟：

S100、將待預測區域劃分成若干網格；

S200、采集各個所述網格內的時態數據和空間數據作為訓練集，所述時態數據包括氣象特征、事件特征和歷史需求，所述空間數據包括全部所述網格中各類POIs的數量；

S300、將所述訓練集輸入至預設的基于BERT的深度空時神經網絡模型進行訓練；

S400、通過訓練完成的所述基于BERT的深度空時神經網絡模型對所述待預測區域中任意區域的下一時段的用車需求量進行預測。

根據本發明的實施例，至少具有如下技術效果：

本方法采集的時態數據包括氣象特征、事件特征和歷史需求，空間數據包括若干POIs，在數據采集上，充分考慮了氣象特征和事件特征等外部因素和POIs所代表的地區功能相似性對用車需求量的影響，能夠提升用車需求量預測的準確度；本方法還使用了基于BERT的深度空時神經網絡模型進行訓練和預測，模型基于BERT的架構，可以實現并行計算，相較于現有神經網絡預測模型，本模型能夠極大的提升訓練和預測的時間效率。