[發明專利]一種融合多尺度時空統計信息的短時交通需求預測方法

有效

• 申請號: 202110007677.8
• 申請日: 2021-01-05
• 公開（公告）號: CN112613630B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 劉鍇;陳志舉;王江波;盧湖川
• 申請（專利權）人: 大連理工大學
• 主分類號: G06Q10/02
• 分類號: G06Q10/02;G06Q10/04;G06Q10/06;G06Q50/30;G06F16/9537;G06F17/16;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 隋秀文;溫福雪

本發明涉及一種融合多尺度時空統計信息的短時交通需求預測方法，屬于深度學習與交通需求預測的交叉技術應用領域。預測方法包括：提出了多尺度六邊形分區的城市交通需求統計區域多尺度劃分方法，并計算各區域在不同時空尺度下的交通需求量；構建融合多尺度六邊形出行需求時空信息的卷積長短期記憶交通需求預測模型；根據歷史數據對模型進行訓練，并用訓練好的模型對各區域的需求進行實時預測。該方法將多尺度下六邊形分區與深度學習相結合，捕捉區域多尺度時空需求信息，有效提升預測精度。

技術領域

本發明涉及一種融合多尺度時空統計信息的短時交通需求預測方法，屬于深度學習與交通需求預測的交叉技術應用領域。

背景技術

需求響應網約出行服務作為信息通信技術(ICT)在智能交通中的創新應用之一，在居民日常出行中越來越受歡迎。作為需求響應出行服務之一的網約車服務提高了人們的出行質量，提供了更多的出行選擇，但是基于動態需求預測的網約車調度的成功率和滿意度不高，如何進一步減少空車運營和等待時間，仍然是一個尚未解決和迫切需要解決的問題。動態網約出行服務的核心是以較高的時空效率連接司機和乘客。更好地進行乘客需求的時空預測，是為運營車隊優化調度提供建議、節約司機運營成本、以及提高居民出行服務質量的關鍵。如何有效挖掘歷史出行需求數據潛在的時空特征，提供更準確的需求預測，已成為智能交通領域日益關注的問題。

針對需求響應交通出行需求與供給匹配過程中的各種不確定性，研究人員開發了大量的需求預測模型，以提高這種日益增長的需求響應型交通服務的質量。早期的研究除了常用的統計方法如移動平均法，以自回歸綜合移動平均模型(ARIMA)為代表的時間序列方法被廣泛應用于交通需求預測。Jiang等人在文獻[Jiang,X.,Zhang,L.,Chen,M.X.,2014.Short-term forecasting of high-speed rail demand:A hybrid approachcombining ensemble empirical mode decomposition and gray support vectormachine with real-world applications in China.Transportation Research Part C:Emerging Technologies 44,110–127.]中提出了一種結合集成經驗模式分解(EEMD)和灰色支持向量機(GSVM)模型的高速鐵路混合需求預測方法。隨著深度學習技術在計算機視覺和自然語言處理方面的成功，相應的方法逐漸被應用到交通預測中。Xu等人[Xu,J.,Rahmatizadeh,R.,Boloni,L.,Turgut,D.,2018.Real-Time Prediction of Taxi DemandUsing Recurrent Neural Networks.IEEE Transactions on IntelligentTransportation Systems 19,2572–2581.]結合長短期記憶模型(LSTM)和混合密度網絡來預測城市不同區域的出租車需求。Ke等人[Ke,J.,Zheng,H.,Yang,H.,Chen,X.(Michael),2017.Short-term forecasting of passenger demand under on-demand rideservices:A spatio-temporal deep learning approach.Transportation ResearchPart C:Emerging Technologies 85,591–608.]將卷積長短期記憶模型(ConvLSTM)用于交通需求預測。

現有的方法或發明的缺陷：1)現有方法在網格劃分與需求時空特征的捕獲上缺乏綜合的考量，預測精度有待于進一步的提升；2)現有方法在時空尺度的選擇上依據經驗進行選擇，對多種尺度時空統計誤差引起的不確定性缺乏足夠的研究；3)現有方法在數據清洗的過程中往往通過設定閾值的方式，過濾掉需求量較小的樣本，忽略了偏遠郊區的稀疏需求問題。

發明內容