[發(fā)明專利]一種基于CNN-LSTM的網(wǎng)約車目標(biāo)訂單預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202011530817.1
• 申請日: 2020-12-22
• 公開（公告）號: CN112561187B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設(shè)計）人: 黃妙華;張昊天;柳子晗;賈昌昊;王玉玖
• 申請（專利權(quán)）人: 武漢理工大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/06;G06Q50/30;G06F16/215;G06F16/951;G06F16/9537;G06N3/04
• 代理公司: 武漢開元知識產(chǎn)權(quán)代理有限公司 42104
• 代理人: 劉琳

本發(fā)明涉及訂單數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種基于CNN?LSTM的網(wǎng)約車目標(biāo)訂單預(yù)測方法。本發(fā)明包括步驟：1、將預(yù)設(shè)區(qū)域分片處理為若干個子區(qū)域；2、采集預(yù)設(shè)區(qū)域內(nèi)各個子區(qū)域的原始訂單數(shù)據(jù)；3、基于原始訂單數(shù)據(jù)獲取目標(biāo)訂單數(shù)據(jù)：目標(biāo)訂單數(shù)據(jù)包括同一區(qū)域同時間段的訂單總量、平均訂單價格、POI特征、天氣特征、時間特征；4、基于CNN?LSTM模型預(yù)測下個時間段各個區(qū)域的訂單量數(shù)據(jù)：將目標(biāo)訂單數(shù)據(jù)中的訂單總量數(shù)據(jù)、POI特征、天氣特征、時間特征輸入CNN?LSTM模型中，得到下個時間段的各個區(qū)域的訂單量預(yù)測數(shù)據(jù)；5、建立區(qū)域PVD模型獲得各子區(qū)域價值熱力圖。本發(fā)明能夠全面準(zhǔn)確地預(yù)測目標(biāo)訂單數(shù)據(jù)。

技術(shù)領(lǐng)域

本發(fā)明涉及訂單數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及一種基于 CNN-LSTM的網(wǎng)約車目標(biāo)訂單預(yù)測方法。

背景技術(shù)

近年來，隨著中國經(jīng)濟(jì)的快速發(fā)展和城市規(guī)模的不斷提升，居民對日常交通出行的需求也在不斷增加。網(wǎng)約車已成為智能交通系統(tǒng)的重要組成部分。網(wǎng)約車提供快車、順風(fēng)車等多種出行方式，同時在打車時間和需求車型等方面給乘客更多的選擇空間，極大地滿足了居民日常出行需求。但網(wǎng)約車出行公司也面對著一系列的問題如：目標(biāo)訂單量預(yù)測困難、車輛調(diào)度優(yōu)化困難。這些問題嚴(yán)重阻礙了網(wǎng)約車出行公司的盈利，特別是目標(biāo)訂單量預(yù)測問題已成為近年來制約出行公司發(fā)展的瓶頸，給網(wǎng)約車出行公司的日常管理和運(yùn)行帶來了巨大的壓力和挑戰(zhàn)，而且網(wǎng)約車司機(jī)通常存在空駛里程長、距離上車地點(diǎn)遠(yuǎn)的問題，這都是目標(biāo)訂單量預(yù)測不夠準(zhǔn)確、車輛調(diào)度不夠好導(dǎo)致的，因此，目前亟需設(shè)計一種準(zhǔn)確預(yù)測目標(biāo)訂單數(shù)據(jù)的方法。

發(fā)明內(nèi)容

為了解決以上問題，本發(fā)明的目的是提供一種基于CNN-LSTM的網(wǎng)約車目標(biāo)訂單預(yù)測方法，能夠全面準(zhǔn)確地預(yù)測目標(biāo)訂單數(shù)據(jù)。

為實(shí)現(xiàn)上述目的，本發(fā)明所設(shè)計的一種基于CNN-LSTM的網(wǎng)約車目標(biāo)訂單預(yù)測方法，其特征在于，包括步驟：

S1：將預(yù)設(shè)區(qū)域分片處理為若干個子區(qū)域；

S2：采集預(yù)設(shè)區(qū)域內(nèi)各個子區(qū)域的原始訂單數(shù)據(jù)；

S3：基于原始訂單數(shù)據(jù)獲取目標(biāo)訂單數(shù)據(jù)：

目標(biāo)訂單數(shù)據(jù)包括同一區(qū)域同時間段的訂單總量數(shù)據(jù)、平均訂單價格、POI特征、天氣特征、時間特征；

S4：基于CNN-LSTM模型預(yù)測下個時間段各個區(qū)域的訂單量數(shù)據(jù)：將目標(biāo)訂單數(shù)據(jù)中的訂單總量數(shù)據(jù)、POI特征、天氣特征、時間特征輸入CNN-LSTM模型中，得到下個時間段的各個區(qū)域的訂單量預(yù)測數(shù)據(jù)；

S5：建立區(qū)域PVD模型，獲得各子區(qū)域價值熱力圖，司機(jī)參考區(qū)域價值熱力圖行駛到下個時間段的接單區(qū)域：

PVD模型的計算公式(1)為：

其中V_total為PVD模型輸出，P_t為訂單量預(yù)測系數(shù)，Vt為價格系數(shù)，D_t為距離系數(shù)；

訂單量預(yù)測系數(shù)P_t的計算公式(2)為：

其中P_t為訂單量預(yù)測系數(shù)，predict為CNN-LSTM模型預(yù)測的訂單量，st為時間段開始時刻，ed為時間段結(jié)束時刻；

價格系數(shù)Vt的計算公式(3)為：

其中V_t為價格系數(shù)，P_t為當(dāng)前時間段訂單量，P_t-1為上一時間段訂單量，V_loc為子區(qū)域歷史該時間段平均訂單價格；

距離系數(shù)D_t的計算公式(4)為：