CN108629503B - 一种基于深度学习的出租车上车需求量的预测方法 - Google Patents
一种基于深度学习的出租车上车需求量的预测方法 Download PDFInfo
- Publication number
- CN108629503B CN108629503B CN201810409411.4A CN201810409411A CN108629503B CN 108629503 B CN108629503 B CN 108629503B CN 201810409411 A CN201810409411 A CN 201810409411A CN 108629503 B CN108629503 B CN 108629503B
- Authority
- CN
- China
- Prior art keywords
- taxi
- value
- time
- getting
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 18
- 230000029305 taxis Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000010234 longitudinal analysis Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的基于深度学习的出租车上车需求量的预测方法,包括:步骤1)对出租车原始数据进行预处理,并分析出租车的基本运营指标;步骤2)构建时间横纵分析模型:从时间的横向和纵向两个角度分析不同区域和时间差异对上车客流量趋势的影响,利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练,拟合出各区域上车需求量的趋势曲线;构建特征相关性分析模型:通过长短期记忆网络LSTM对特征相关性分析模型进行训练。有益效果:两种模型均可实现上车量的预测,对于管理者而言,两种模型协同操作,使得预测拟合更精准,与传统的交通信息***不同之处在于***内部集成了两种预测模型,模型可扩展、可训练、可预测,真正将深度学习应用到了实际案例中。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于深度学习的出租车上车需求量的预测方法。
背景技术
出租车作为城市客运交通的重要组成部分,已经成为影响城市道路交通规划与管理的重要因素之一。目前,国内外很多学者对出租车GPS数据的应用都进行了研究,主要集中在交通状态估计、交通行为分析、出行OD预测、出租车运营水平评价等方面,较少涉及对出租车时空变化差异以及出租车运力相关影响因素的分析,而该部分内容却是交通规划和交通管理部门需要的信息。
发明内容
本发明目的在于克服上述现有技术的不足,提供了一种基于深度学习的出租车上车需求量的预测方法,具体由以下技术方案实现:
所述基于深度学习的出租车上车需求量的预测方法,包括如下步骤:
步骤1)对出租车原始数据进行预处理,所述预处理包括坐标转换、区域划分以及数据清洗,并分析出租车的基本运营指标,所述基本运营指标包括运营出租车的数量、载客量、空驶率;
步骤2)构建时间横纵分析模型:从时间的横向和纵向两个角度分析不同区域和时间差异对上车客流量趋势的影响,利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练,拟合出各区域上车需求量的趋势曲线;构建特征相关性分析模型:从时间和空间角度,分别对各个区域的运力属性以及下车量进行特征相关性分析,预测上车客流量,通过长短期记忆网络LSTM对特征相关性分析模型进行训练。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,所述步骤1)中采用的原始数据为出租车定位数据,包括车辆ID、坐标数据、车牌号码、速度、方向、时间以及是表示否空车的参数。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,所述步骤1)通过数据接口获取的历史和实时交通数据,以Spark并行计算框架和弹性分布式数据集RDD进行数据的并行处理,同时架设多线程操作,同步生成多种数据处理的结果,并存入分布式文件***HDFS。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,步骤2)中利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练包括如下步骤:
2-1)将经过预处理的原始数据转换为第一专用格式的数据,根据第一专用格式的数据的特征维度和结果,设定DNN输入层和输出层的神经元的个数;
2-2)预设隐藏层层数和神经元个数,同时初始化DNN的权重和偏差;
2-3)将第一专用格式的数据中的各项参数逐一地输入至模型输入层,对输出层的预测结果与真实值的上车量数值进行对比,计算损失值;
2-4)利用梯度下降算法进行模型迭代,降低损失值并更新DNN的参数;
2-5)迭代训练结束后,输入需要预测的特征信息,输出层输出预测值,作为预测的上车客流量。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,步骤2)中时间横纵分析模型中将原始数据的格式转换为第一专用格式,所述第一专用格式中的参数包括日期、星期、时间段、当天前三个时间段的上车量、当天前两个时间段的上车量、当天上个时间段内的上车量、前三天该时间段内的上车量、前两天该时间段内的上车量、昨天该时间段内的上车量以及此时该时间段内的上车量。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,所述步骤2-3)中对输出层的预测结果与真实值的上车量数值进行对比采用的是常见的损失函数,定义如下:
其中,C0表示二次损失函数值,y(x)表示真实值,a表示对应输入x得到的输出值,n表示训练总数;
为了更好的减小误差,在损失函数中加入了L2正则项,其定义如下:
其中ω表示权重,λ表示权衡二次损失函数和权重这两项的相对重要程度。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,所述步骤2-4)中根据式(3)、式(4)通过对所述损失函数求相对于权重ω和偏量b的偏导,以更新权重和偏量,
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,步骤2)中构建特征相关性分析模型的过程为:首先将经过预处理的原始数据转换为第二专用格式,将第二专用格式的各项参数逐一地输入模型,再对输出层的预测结果与真实值的上车客流量数值进行对比,计算损失值,接着通过梯度下降算法降低损失值,最终输出预测值。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,所述第二专用格式中的参数包括日期、区域、星期、时间段、流入、流出、留存、空载、下车量以及下一时刻的上车量。
所述基于深度学习的出租车上车需求量的预测方法的进一步设计在于,所述步骤2)中通过长短期记忆网络LSTM对特征相关性分析模型进行训练包括如下步骤:
2-a)确定丢弃的信息,通过读取上一次的输出ht-1和这一次的输入xt,输出一个0至1之间的数值给LSTM的状态值Ct-1,Ct-1为1表示完全保留,Ct-1为0表示完全舍弃,如式(5):
ft=σ(Wf·[ht-1,xt]+bf) (5)
其中,Wf和bf分别是遗忘门的权重和偏差,σ表示激活函数Sigmoid,ft表示丢弃的信息;
2-b)确定被保存在LSTM的状态值中的信息,以更新状态值,如式(6)、式(7)以及式(8):
it=σ(Wi·[ht-1,xt]+bi) (6)
2-c)根据式(9)确定输出的值,
ot=σ(Wo·[ht-1,xt]+bo) (9)
ht=ot*tanh(Ct) (10)
其中,Wo和bo分别是输出门的权重和偏差,ot为Sigmoid层的输出,ht为最终输出。
本发明的优点如下:
基于LSTM的上车量预测方法,首次提出以特征相关性得到的运力特征作为预测上车量的一系列指标,包括流入、流出、留存和空载等信息。
经结果表明,两种模型均可实现上车量的预测,对于管理者而言,两种模型协同操作,使得预测拟合更精准,与传统的交通信息***不同之处在于***内部集成了两种预测模型,模型可扩展、可训练、可预测,真正将深度学习应用到了实际案例中。
基于出租车GPS定位***采集的数据,本发明深入挖掘和分析了出租车基本运营特征和时空分布规律。其中,通过对出租车基本运营特征的挖掘,可以为交通管理者提供包括空驶率等运营数据,有助于管理者了解出租车市场的运营状况,为出租车运营与管理提供决策支持,同时也为出租车时空分布特性分析提供基础;通过对出租车数据进行时空分布挖掘,可以动态的感知不同区域内出租车的时空运动规律,分析出租车时空分布与不同区域之间的关系,可对城市交通与土地规划的管理决策者提供直观可靠的数据支持。
附图说明
图1为数据处理流程图。
图2为DNN模型预测流程图。
图3为LSTM模型预测流程图。
图4为上车量预测3D效果图。
图5为模型拟合度对比图。
具体实施方式
以下结合附图,对本发明的技术方案进行详细说明。
如图1,本实施例的基于深度学习的出租车上车需求量的预测方法,包括如下步骤:
步骤1)对出租车原始数据进行预处理,预处理包括坐标转换、区域划分以及数据清洗,并分析出租车的基本运营指标,基本运营指标包括运营出租车的数量、载客量、空驶率。
步骤2)构建时间横纵分析模型:从时间的横向和纵向两个角度分析不同区域和时间差异对上车客流量趋势的影响,利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练,拟合出各区域上车需求量的趋势曲线;构建特征相关性分析模型:从时间和空间角度,分别对各个区域的运力属性以及下车量进行特征相关性分析,预测上车客流量,通过长短期记忆网络LSTM对特征相关性分析模型进行训练。
步骤1)中采用的原始数据为出租车定位数据,包括车辆ID、坐标数据、车牌号码、速度、方向、时间以及是表示否空车的参数,参见表1。
表1
属性 | 类型 | 说明(样例) |
ID | VARchar2 | 0E6F62487754AD21E0505EDA72803865 |
车牌号码 | VARchar2 | 苏FB5055 |
经度 | NUMBER | 120.891816(120.75~121.05) |
纬度 | NUMBER | 31.96401(31.8~32.2) |
速度 | NUMBER | 7(km/h) |
方向 | NUMBER | 与正北方向的顺时针夹角(0°~359°) |
GPS时间 | DATE | 07-2月-15 11.56.44.000000000下午 |
是否空车 | NUMBER | 0表示空车,1表示重车(或存在空重车) |
步骤1)通过数据接口获取的历史和实时交通数据,以CDH5.7版本下Hadoop平台的并行计算框架Spark和弹性分布式数据集RDD进行数据的并行处理,同时架设多线程操作,同步生成多种数据处理的结果,并存入分布式文件***HDFS。
步骤2)中通过深度神经网络DNN对时间横纵分析模型进行训练本质上就是最小化误差的过程,该过程包括如下步骤:
2-1)将经过预处理的原始数据转换为第一专用格式的数据,根据第一专用格式的数据的特征维度和结果,设定DNN输入层和输出层的神经元的个数。
2-2)预设隐藏层层数和神经元个数,同时初始化DNN的权重和偏差。
2-3)将第一专用格式的数据中的各项参数逐一地输入至模型输入层,对输出层的预测结果与真实值的上车量数值进行对比,计算损失值。
2-4)利用梯度下降算法进行模型迭代,降低损失值并更新DNN的参数。
2-5)迭代训练结束后,输入需要预测的特征信息,输出层输出预测值,作为预测的上车客流量。
步骤2)中时间横纵分析模型中将原始数据的格式转换为第一专用格式,第一专用格式中的参数包括日期、星期、时间段、当天前三个时间段的上车量、当天前两个时间段的上车量、当天上个时间段内的上车量、前三天该时间段内的上车量、前两天该时间段内的上车量、昨天该时间段内的上车量以及此时该时间段内的上车量,参见表2。
表2
步骤2-3)中对输出层的预测结果与真实值的上车量数值进行对比采用的是常见的损失函数,定义如下:
其中,C0表示二次损失函数值,y(x)表示真实值,a表示对应输入x得到的输出值,n表示训练总数。
为了更好的减小误差,在损失函数中加入了L2正则项,其定义如下:
其中ω表示权重,λ表示权衡二次损失函数和权重这两项的相对重要程度。
步骤2-4)中根据式(3)、式(4)通过对损失函数求相对于权重ω和偏量b的偏导,以更新权重和偏量,
步骤2)中构建特征相关性分析模型的过程为:首先将经过预处理的原始数据转换为第二专用格式,将第二专用格式的各项参数逐一地输入模型,再对输出层的预测结果与真实值的上车客流量数值进行对比,计算损失值,接着通过梯度下降算法降低损失值,最终输出预测值。与上文中的DNN模型的不同之处在于,LSTM能长期有效的记忆对最终结果有影响的数据特征且该特征与结果没有关系,参见图3。
本实施例中,第二专用格式中的参数包括日期、区域、星期、时间段、流入、流出、留存、空载、下车量以及下一时刻的上车量,参见表3。
表3
步骤2)中通过长短期记忆网络LSTM对特征相关性分析模型进行训练的核心是Cell的构建,Cell包括遗忘门、输入门和输出门。训练的过程包括如下步骤:
2-a)确定丢弃的信息,通过读取上一次的输出ht-1和这一次的输入xt,输出一个0至1之间的数值给LSTM的状态值Ct-1,Ct-1为1表示完全保留,Ct-1为0表示完全舍弃,如式(5)。
ft=σ(Wf·[ht-1,xt]+bf) (5)
其中,Wf和bf分别是遗忘门的权重和偏差,σ表示激活函数Sigmoid,ft表示丢弃的信息。
2-b)确定被保存在LSTM的状态值中的信息,以更新状态值,如式(6)、式(7)以及式(8)。
it=σ(Wi·[ht-1,xt]+bi) (6)
2-c)根据式(9)确定输出的值,
ot=σ(Wo·[ht-1,xt]+bo) (9)
ht=ot*tanh(Ct) (10)
其中,Wo和bo分别是输出门的权重和偏差,ot为Sigmoid层的输出,ht为最终输出。
本实施例将两类模型集成到***中,预测效果及拟合度比较,参见图4、图5。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的出租车上车需求量的预测方法,其特征在于包括如下步骤:
步骤1)对出租车原始数据进行预处理,所述预处理包括坐标转换、区域划分以及数据清洗,并分析出租车的基本运营指标,所述基本运营指标包括运营出租车的数量、载客量、空驶率;
步骤2)构建时间横纵分析模型:从时间的横向和纵向两个角度分析不同区域和时间差异对上车客流量趋势的影响,利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练,拟合出各区域上车需求量的趋势曲线;构建特征相关性分析模型:从时间和空间角度,分别对各个区域的运力属性以及下车量进行特征相关性分析,预测上车客流量,通过长短期记忆网络LSTM对特征相关性分析模型进行训练。
2.根据权利要求1所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤1)中采用的原始数据为出租车定位数据,包括车辆ID、坐标数据、车牌号码、速度、方向、时间以及是表示否空车的参数。
3.根据权利要求1所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤1)通过数据接口获取的历史和实时交通数据,以Spark并行计算框架和弹性分布式数据集RDD进行数据的并行处理,同时架设多线程操作,同步生成多种数据处理的结果,并存入分布式文件***HDFS。
4.根据权利要求1所述的基于深度学习的出租车上车需求量的预测方法,其特征在于步骤2)中利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练包括如下步骤:
2-1)将经过预处理的原始数据转换为第一专用格式的数据,根据第一专用格式的数据的特征维度和结果,设定DNN输入层和输出层的神经元的个数;
2-2)预设隐藏层层数和神经元个数,同时初始化DNN的权重和偏差;
2-3)将第一专用格式的数据中的各项参数逐一地输入至模型输入层,对输出层的预测结果与真实值的上车量数值进行对比,计算损失值;
2-4)利用梯度下降算法进行模型迭代,降低损失值并更新DNN的参数;
2-5)迭代训练结束后,输入需要预测的特征信息,输出层输出预测值,作为预测的上车客流量。
5.根据权利要求4所述的基于深度学习的出租车上车需求量的预测方法,其特征在于步骤2)中时间横纵分析模型中将原始数据的格式转换为第一专用格式,所述第一专用格式中的参数包括日期、星期、时间段、当天前三个时间段的上车量、当天前两个时间段的上车量、当天上个时间段内的上车量、前三天该时间段内的上车量、前两天该时间段内的上车量、昨天该时间段内的上车量以及此时该时间段内的上车量。
8.根据权利要求4所述的基于深度学习的出租车上车需求量的预测方法,其特征在于步骤2)中构建特征相关性分析模型的过程为:首先将经过预处理的原始数据转换为第二专用格式,将第二专用格式的各项参数逐一地输入模型,再对输出层的预测结果与真实值的上车客流量数值进行对比,计算损失值,接着通过梯度下降算法降低损失值,最终输出预测值。
9.根据权利要求8所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述第二专用格式中的参数包括日期、区域、星期、时间段、流入、流出、留存、空载、下车量以及下一时刻的上车量。
10.根据权利要求8所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤2)中通过长短期记忆网络LSTM对特征相关性分析模型进行训练包括如下步骤:
2-a)确定丢弃的信息,通过读取上一次的输出ht-1和这一次的输入xt,输出一个0至1之间的数值给LSTM的状态值Ct-1,Ct-1为1表示完全保留,Ct-1为0表示完全舍弃,如式(5):
ft=σ(Wf·[ht-1,xt]+bf) (5)
其中,Wf和bf分别是遗忘门的权重和偏差,σ表示激活函数Sigmoid,ft表示丢弃的信息;
2-b)确定被保存在LSTM的状态值中的信息,根据式(6)、式(7)以及式(8)更新状态值:
it=σ(Wi·[ht-1,xt]+bi) (6)
2-c)根据式(9)确定输出的值,
ot=σ(Wo·[ht-1,xt]+bo) (9)
ht=ot*tanh(Ct) (10)
其中,Wo和bo分别是输出门的权重和偏差,ot为Sigmoid层的输出,ht为最终输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810409411.4A CN108629503B (zh) | 2018-04-28 | 2018-04-28 | 一种基于深度学习的出租车上车需求量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810409411.4A CN108629503B (zh) | 2018-04-28 | 2018-04-28 | 一种基于深度学习的出租车上车需求量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629503A CN108629503A (zh) | 2018-10-09 |
CN108629503B true CN108629503B (zh) | 2020-11-03 |
Family
ID=63695225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810409411.4A Active CN108629503B (zh) | 2018-04-28 | 2018-04-28 | 一种基于深度学习的出租车上车需求量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629503B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685240B (zh) * | 2018-10-24 | 2023-10-13 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN111275229B (zh) * | 2018-12-04 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 资源模型训练方法、资源缺口预测方法、装置及电子设备 |
CN111383469A (zh) * | 2018-12-27 | 2020-07-07 | 上海宝康电子控制工程有限公司 | 基于大数据线性回归预测算法实现实时信号计算功能的方法 |
CN110046787A (zh) * | 2019-01-15 | 2019-07-23 | 重庆邮电大学 | 一种城市区域电动汽车充电需求时空预测方法 |
CN111612122B (zh) * | 2019-02-25 | 2023-08-08 | 北京嘀嘀无限科技发展有限公司 | 实时需求量的预测方法、装置及电子设备 |
CN110246329A (zh) * | 2019-04-07 | 2019-09-17 | 武汉理工大学 | 一种出租车载客数量预测方法 |
CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
CN111507762B (zh) * | 2020-04-15 | 2023-10-31 | 中国科学院自动化研究所 | 基于多任务共预测神经网络的城市出租车需求预测方法 |
CN111862579B (zh) * | 2020-06-10 | 2021-07-13 | 深圳大学 | 一种基于深度强化学习的出租车调度方法及*** |
CN112330215B (zh) * | 2020-11-26 | 2024-02-02 | 长沙理工大学 | 一种城市用车需求量预测方法、设备及存储介质 |
CN112861925B (zh) * | 2021-01-18 | 2023-04-07 | 中国科学院自动化研究所 | 基于深度学习网络的多区域车辆需求预测方法及*** |
CN113837488B (zh) * | 2021-10-14 | 2023-12-26 | 南京国铁电气有限责任公司 | 能源消耗数据预测方法、***、设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN107590175A (zh) * | 2017-07-31 | 2018-01-16 | 同济大学 | 一种基于深度学习的出租车载客点推荐方法 |
-
2018
- 2018-04-28 CN CN201810409411.4A patent/CN108629503B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN107590175A (zh) * | 2017-07-31 | 2018-01-16 | 同济大学 | 一种基于深度学习的出租车载客点推荐方法 |
Non-Patent Citations (5)
Title |
---|
Neural Networks and Deep Learning;Michael N.;《http://neuralnetworksanddeeplearning.com/index.html》;20170815;1—90 * |
Understanding LSTM Networks;Christopher O.;《https://colah.github.io/posts/2015-08-Understanding-LSTMs/》;20150810;1—12 * |
基于 Spark 平台城市出租车乘客出行特征分析;段宗涛等;《计算机***应用》;20170331;第26卷(第3期);37—43 * |
基于BP神经网络的网约车出行短时预测;郭瑞雪;《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》;20181105(第1期);I140-223 * |
基于GPS数据的城市出租车运营分析与数据挖掘;栾丽娜;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》;20160215(第2期);C034-550 * |
Also Published As
Publication number | Publication date |
---|---|
CN108629503A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629503B (zh) | 一种基于深度学习的出租车上车需求量的预测方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN110517492B (zh) | 基于平行集成学习的交通路径推荐方法、***、装置 | |
CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
CN104778508B (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
CN110619419B (zh) | 城市轨道交通的客流预测方法 | |
CN110555990A (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN102044149A (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN108417032A (zh) | 一种城市中心区路边停车需求分析预测方法 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
CN112419131A (zh) | 交通起讫点需求估算方法 | |
CN112712214A (zh) | 海事搜救对象轨迹预测方法、***、装置和存储介质 | |
CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及*** | |
Lee et al. | Dynamic BIM component recommendation method based on probabilistic matrix factorization and grey model | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及*** | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN110222892A (zh) | 乘客的下车站点预测方法及装置 | |
CN112613630B (zh) | 一种融合多尺度时空统计信息的短时交通需求预测方法 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 | |
CN112106021A (zh) | 提供车辆导航模拟环境的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |