CN108985475B - 基于深度神经网络的网约车召车需求预测方法 - Google Patents
基于深度神经网络的网约车召车需求预测方法 Download PDFInfo
- Publication number
- CN108985475B CN108985475B CN201810609232.5A CN201810609232A CN108985475B CN 108985475 B CN108985475 B CN 108985475B CN 201810609232 A CN201810609232 A CN 201810609232A CN 108985475 B CN108985475 B CN 108985475B
- Authority
- CN
- China
- Prior art keywords
- taxi
- calling
- demand
- network
- calling demand
- 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 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 102100041002 Forkhead box protein H1 Human genes 0.000 description 7
- 101710087994 Forkhead box protein H1 Proteins 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- PFFIDZXUXFLSSR-UHFFFAOYSA-N 1-methyl-N-[2-(4-methylpentan-2-yl)-3-thienyl]-3-(trifluoromethyl)pyrazole-4-carboxamide Chemical compound S1C=CC(NC(=O)C=2C(=NN(C)C=2)C(F)(F)F)=C1C(C)CC(C)C PFFIDZXUXFLSSR-UHFFFAOYSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度神经网络的网约车召车需求预测方法,包括:S1、对城市路网进行区域划分,并计算统计各个区域的网约车召车需求量;S2、设计网约车召车需求预测模型:基于深度神经网络,学习和训练召车需求时空特征,并结合天气影响因素对网约车用户召车意愿的影响因子,预测下一时间段的区域召车需求量;S3、根据历史数据对区域召车需求预测模型进行训练,再利用训练好的模型对各个区域的网约车召车需求量进行预测。本方法通过融合外部因素和时空相关性,利用深度神经网络来表达网约车召车需求量的复杂的非线性时空相关性特征,能够取得较高的预测精度。
Description
技术领域
本发明涉及深度学习和召车需求预测的交叉技术应用领域,具体涉及一种基于深度神经网络的网约车召车需求预测方法。
背景技术
随着基于位置服务和移动互联网技术的飞速发展,网约车正逐步成为城市出行的重要替代方式。然而,网约车的召车需求和供给能力在时空维度存在不匹配的问题。例如,下班高峰期城市中心存在“打车难”现象,而城市郊区存在运力过剩现象。另外,天气等外部因素也会影响人们出行意愿,例如,下雨天的召车需求将明显上升。因此,如何利用海量跨域数据进行召车需求预测,为网约车平台提供大数据决策支持,已逐渐成为交通大数据应用研究领域的热点问题。
较早期的预测模型主要依赖于时间序列预测等技术,比如:自回归模型(AR)、历史平均模型(HA)、自回归移动平均模型(ARIMA)等。这些技术的缺陷是难以表达召车需求与外部因素之间的复杂非线性时空相关性。随着深度神经网络在学习海量数据的复杂特征相关性获得的卓越表现,激励着人们运用深度学习方法进行需求预测,但目前研究方法考虑的因素较为单一,比如:仅利用卷积神经网络(CNN)考虑空间因素,仅利用长短期记忆网络(LSTM)考虑时间因素,因此预测精度有待提升。
发明内容
本发明的目的在于提供一种基于深度神经网络的网约车召车需求量预测方法。该方法基于海量网约车订单数据,一方面能够精准地预测城市中网约车的召车需求量,指导网约车动态调度,另一方面能够提高用户满意度,并有效缓解城市交通拥堵。
基于深度神经网络的网约车召车需求预测方法,包括以下步骤:
S1、对城市路进行网格划分以形成网格区域,根据网约车订单数据计算统计各区域中的召车需求量;
S2、设计网约车召车需求预测模型:基于深度神经网络,学习和训练召车需求的时空特征,并结合天气因素对网约车用户的召车意愿的影响,预测下一时间段各区域召车需求量;
S3、根据历史数据对区域召车需求预测模型进行训练,再利用训练好的模型对各个区域的网约车召车需求量进行预测。
进一步地,步骤S1具体包括:
S11、根据经纬度把城市路网划分为M×N的网格区域,于是区域(m,n)表示第m行,第n列的格子区域;
S12、提取网约车订单数据o(o.t,o.l,o.u),其中,o.t表示召车时间戳,o.l表示召车地点,o.u表示召车订单id,用于过滤重复和无效订单;
S15、将步骤S14的方法得到的归一化后时间段t的召车需求量表示为M行N列1通道的3维矩阵,记为yt∈SM*N*1,以历史h个时间段的召车需求量yhistory={yt|t=1,2,...,h}作为输入,下一时间段召车需求量yt+1作为输出,构建样本{yhistroy,yt+1};
S16、把所有订单数据数据按照步骤S15所述方法构建样本,并按照一定比例划分为训练集和测试集。
进一步地,步骤S2具体包括:
S22、融合h个时间段的空间特征,结果记为y″t∈SM*N*h;
S23、将S22得到的结果输入卷积长短时记忆网络提取时空特征;
S24、利用One-Hot编码把天气情况转化为一定维度的向量表示,其他数值型天气数据作归一化处理;
进一步地,步骤S21中,所述残差网络的层数为6层,卷积神经网络CNN使用补零操作,卷积核大小设置为3×3×3,CNN卷积核设置为64,输出层使用1个卷积核,提取空间特征。
进一步地,步骤S23中,所述卷积长短时记忆网络的层数为2层,使用补零操作,卷积核大小设置为5×5,使用32个卷积核,输出层使用1个卷积核。
进一步地,步骤S3具体包括:
S32、根据测试集,选取损失函数Loss最小的模型作为最优模型;
S33、把召车需求量数据归一化后输入S32得到的最优模型,得到输出结果后,再进行反归一化,得到最终的预测结果,实现城市各个区域召车需求量的预测。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
本发明采用残差网络进行空间特征提取,通过卷积长短时记忆网络提取时空特征,并充分考虑天气因素对网约车用户的召车意愿的影响,一方面能够精准地预测城市中各区域网约车的召车需求量,指导网约车动态调度,另一方面能够提高用户满意度,并有效缓解城市交通拥堵。
附图说明
图1为深度神经网络融合外部因素和时空相关性的网约车召车需求预测方法的流程图;
图2为召车需求预测模型示意图;
图3为模型训练和召车需求预测示意图;
图4为城市路网网格区域划分示意图;
图5为成都市2016年11月的网约车订单数据样例图;
图6为成都市2016年11月的天气数据样例图;
图7为多种算法的结果比较。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
基于深度神经网络的网约车召车需求预测方法,包括以下步骤:
S1、对城市路进行网格划分以形成网格区域,根据网约车订单数据计算统计各区域中的召车需求量;
S2、设计网约车召车需求预测模型:基于深度神经网络,学习和训练召车需求的时空特征,并结合天气因素对网约车用户的召车意愿的影响,预测下一时间段各区域召车需求量。
S3、根据历史数据对区域召车需求预测模型进行训练,再利用训练好的模型对各个区域的网约车召车需求量进行预测。
其中,步骤S1具体包括:
S11、根据经纬度把城市路网划分为M×N的网格区域,于是区域(m,n)表示第m行,第n列的格子区域。
S12、提取网约车订单数据o(o.t,o.l,o.u),其中,o.t表示召车时间戳,o.l表示召车地点,o.u表示召车订单id,用于过滤重复和无效订单。
S15、将步骤S14的方法得到的归一化后时间段t的召车需求量表示为M行N列1通道的3维矩阵,记为yt∈SM*N*1,以历史h个时间段的召车需求量yhistory={yt|t=1,2,...,h}作为输入,下一时间段召车需求量yt+1作为输出,构建样本{yhistroy,yt+1}。
S16、把所有订单数据数据按照步骤S15所述方法构建样本,并按照一定比例划分为训练集和测试集。
其中,步骤S2具体包括:
由于城市级别的需求量存在空间相关性,即当前区域召车需求量与周边环境相互影响,单纯用叠加CNN网层数会造成特征提取过程中梯度消失的问题,因此,本发明采用残差网络进行空间特征提取。
步骤S21中,所述残差网络的层数为6层,卷积神经网络CNN使用补零操作,卷积核大小设置为3×3×3,CNN卷积核设置为64,输出层使用1个卷积核,提取空间特征。
S22、融合h个时间段的空间特征,结果记为y″t∈SM*N*h;
由于需求量存在时间序列关系,与空间特征构成时空相关性,所以对h个时间段的空间特征结果进行组合,从而在下一步骤中利用卷积长短时记忆网络提取时空特征。
S23、将S22得到的结果输入卷积长短时记忆网络(ConvLSTM)提取时空特征。
本发明中,所述卷积长短时记忆网络的层数为2层,使用补零操作,卷积核大小设置为5×5,使用32个卷积核,输出层使用1个卷积核。
S24、利用One-Hot编码把天气情况(晴、多云、雨)转化为一定维度的向量表示,其他数值型天气数据(温度、能见度、风速)作归一化处理;
最终,网约车召车需求预测模型的示意图如图2所示。
如图3所示,步骤S3具体包括:
S32、根据测试集,选取损失函数Loss最小的模型作为最优模型;
S33、把召车需求量数据归一化后输入S32得到的最优模型,得到输出结果后,再进行反归一化,得到最终的预测结果,实现城市各个区域召车需求量的预测。
实施例2
利用本发明所公开的方法进行召车需求量的预测。
1、首先进行网格划分,如图4所示的是成都市的城市路网网格区域划分示意图。
2、获取网约车订单数据。
利用某网约车平台公司向学术界开放的成都市部分区域从2016年11月1日至11月30日2-4s的精度样本订单数据[数据来源:https://gaia.didichuxing.com],共7,065,937条数据。订单数据包括五个字段(均为string类型):订单ID、开始计费时间、结束计费时间、上车位置经度、上车位置纬度、下车位置经度、上车位置纬度。其中,订单ID作为唯一标识信息,时间信息字段为unix时间戳,单位为秒。经纬度信息字段为GCJ-02坐标系。数据样例如图5所示。
3、天气数据的获取。
在WEATHER UNDERGROUND[数据来源:https://www.wunderground.com]和中国气象网站[数据来源:https://rp5.ru]收集整理从2016年11月1日至11月30日时间间隔为一小时的天气数据,共720条数据。天气数据包括五个主要字段:时间段信息、气温、能见度、风速、天气情况。其中气温、能见度、风速字段为连续型数据(int类型),时间段信息和天气情况为分类型数据(string类型)。数据样例如图6所示。
综上,实验使用的数据集是成都市2016年11月共30天的7,065,937条网约车召车订单数据、720条天气数据。取前23天作为训练集,后7天作为测试集。
最终实验结果如图7所示,其中FAST_1与FAST_2为本发明所公开的预测方法,二者区别在于FAST_1未融入天气因素,而FAST_2融入了天气因素。可以看出,添加天气这一外部因素可以提高模型准确度,FAST_2比FAST_1精确度提高了1.4%。
图7中,ARIMA、ANN算法是机器学习的经典算法,CNN、LSTM分别是深度学习空间、时间特征提取的经典算法。由实验结果可以看出,本发明算法均优于对比算法,其中(FAST_2)相对于ARIMA算法提高75.65%,相对于ANN算法提高17.50%,相对于CNN算法提高1.89%,相对于LSTM算法提高11.70%。
以上所述,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,可以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 (5)
1.基于深度神经网络的网约车召车需求预测方法,其特征在于,包括以下步骤:
S1、对城市路进行网格划分以形成网格区域,根据网约车订单数据计算统计各区域中的召车需求量;
S2、设计网约车召车需求预测模型:基于深度神经网络,学习和训练召车需求的时空特征,并结合天气因素对网约车用户的召车意愿的影响,预测下一时间段各区域召车需求量;步骤S2具体包括:
S22、融合h个时间段的空间特征,结果记为y″t∈SM*N*h;
S23、将S22得到的结果输入卷积长短时记忆网络提取时空特征;
S24、利用One-Hot编码把天气情况转化为一定维度的向量表示,其他数值型天气数据作归一化处理;
S3、根据历史数据对区域召车需求预测模型进行训练,再利用训练好的模型对各个区域的网约车召车需求量进行预测。
2.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法,其特征在于,步骤S1具体包括:
S11、根据经纬度把城市路网划分为M×N的网格区域,于是区域(m,n)表示第m行,第n列的格子区域;
S12、提取网约车订单数据o(o.t,o.l,o.u),其中,o.t表示召车时间戳,o.l表示召车地点,o.u表示召车订单id,用于过滤重复和无效订单;
S15、将步骤S14的方法得到的归一化后时间段t的召车需求量表示为M行N列1通道的3维矩阵,记为yt∈SM*N*1,以历史h个时间段的召车需求量yhistory={yt|t=1,2,...,h}作为输入,下一时间段召车需求量yt+1作为输出,构建样本{yhistroy,yt+1};
S16、把所有订单数据数据按照步骤S15所述方法构建样本,并按照一定比例划分为训练集和测试集。
3.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法,其特征在于:步骤S21中,所述残差网络的层数为6层,卷积神经网络CNN使用补零操作,卷积核大小设置为3×3×3,CNN卷积核设置为64,输出层使用1个卷积核,提取空间特征。
4.根据权利要求1所述的基于深度神经网络的网约车召车需求预测方法,其特征在于:步骤S23中,所述卷积长短时记忆网络的层数为2层,使用补零操作,卷积核大小设置为5×5,使用32个卷积核,输出层使用1个卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609232.5A CN108985475B (zh) | 2018-06-13 | 2018-06-13 | 基于深度神经网络的网约车召车需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609232.5A CN108985475B (zh) | 2018-06-13 | 2018-06-13 | 基于深度神经网络的网约车召车需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985475A CN108985475A (zh) | 2018-12-11 |
CN108985475B true CN108985475B (zh) | 2021-07-23 |
Family
ID=64540335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810609232.5A Active CN108985475B (zh) | 2018-06-13 | 2018-06-13 | 基于深度神经网络的网约车召车需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985475B (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109829649A (zh) * | 2019-01-31 | 2019-05-31 | 北京首汽智行科技有限公司 | 一种车辆调度方法 |
CN111612183A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 信息处理方法、装置、电子设备及计算机可读存储介质 |
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 |
CN111784018A (zh) * | 2019-04-03 | 2020-10-16 | 北京嘀嘀无限科技发展有限公司 | 一种资源调度方法、装置、电子设备及存储介质 |
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 |
CN110119838A (zh) * | 2019-04-17 | 2019-08-13 | 成都信息工程大学 | 一种共享单车需求预测***、方法及装置 |
CN110264248A (zh) * | 2019-05-30 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 用户体验信息的预测方法及装置 |
CN110415013A (zh) * | 2019-06-12 | 2019-11-05 | 河海大学 | 一种网约车短时出行需求的组合预测方法 |
CN110322064B (zh) * | 2019-06-27 | 2022-04-15 | 清华大学 | 城市出行需求预测方法 |
CN110458336B (zh) * | 2019-07-23 | 2020-06-09 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
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 |
CN111062589B (zh) * | 2019-12-02 | 2022-08-16 | 武汉理工大学 | 一种基于目的地预测的城市出租车调度方法 |
CN111160747B (zh) * | 2019-12-23 | 2022-07-22 | 北京百度网讯科技有限公司 | 无人驾驶机器人出租车的调度方法、装置及电子设备 |
CN111340543B (zh) * | 2020-02-25 | 2024-03-22 | 上海大学 | 一种基于注意力机制的细粒度打车需求预测方法 |
CN110991775B (zh) * | 2020-03-02 | 2020-06-26 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
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 |
CN111242394B (zh) * | 2020-04-26 | 2021-03-23 | 北京全路通信信号研究设计院集团有限公司 | 空间关联特征的提取方法及*** |
CN111507541B (zh) * | 2020-04-30 | 2021-01-29 | 南京福佑在线电子商务有限公司 | 货量预测模型构建方法、货量测量方法、装置及电子设备 |
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*** |
CN111882171A (zh) * | 2020-07-06 | 2020-11-03 | 湖北合纵科创能源科技有限公司 | 一种基于需求预测的景区观光车智能调度***及方法 |
CN111915081B (zh) * | 2020-08-03 | 2023-10-17 | 东北大学秦皇岛分校 | 一种基于深度学习的峰值敏感型出行需求预测方法 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
CN112291807B (zh) * | 2020-10-15 | 2022-09-23 | 山东科技大学 | 一种基于深度迁移学习和跨域数据融合的无线蜂窝网络流量预测方法 |
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 |
CN112488574B (zh) * | 2020-12-16 | 2022-11-18 | 东南大学 | 一种基于时空特征提取的出行需求预测方法 |
CN112561187B (zh) * | 2020-12-22 | 2022-06-03 | 武汉理工大学 | 一种基于cnn-lstm的网约车目标订单预测方法 |
CN112734101B (zh) * | 2021-01-04 | 2022-06-03 | 北京瀚文智远信息技术有限公司 | 一种基于用车需求预测的共享单车智能调配方法 |
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*** |
CN113034195B (zh) * | 2021-04-07 | 2023-05-02 | 西北工业大学 | 一种基于卷积网络和非局部网络的网约车需求预测方法 |
CN113222287A (zh) * | 2021-06-01 | 2021-08-06 | 平安科技(深圳)有限公司 | 网约车需求预测方法、装置、设备及存储介质 |
CN113672846A (zh) * | 2021-06-18 | 2021-11-19 | 中国科学院自动化研究所 | 网约车调度方法、装置、电子设备及存储介质 |
CN113538067B (zh) * | 2021-08-17 | 2023-05-05 | 华侨大学 | 一种基于机器学习的城际网约车需求预测方法及*** |
CN113865603B (zh) * | 2021-08-30 | 2024-06-07 | 东风柳州汽车有限公司 | 共享无人车路径规划方法、装置、设备及存储介质 |
CN113570004B (zh) * | 2021-09-24 | 2022-01-07 | 西南交通大学 | 一种乘车热点区域预测方法、装置、设备及可读存储介质 |
CN114418606B (zh) * | 2021-12-01 | 2024-05-28 | 武汉大学 | 基于时空卷积网络的网约车订单需求预测方法 |
CN114386880B (zh) * | 2022-03-22 | 2022-07-08 | 北京骑胜科技有限公司 | 确定订单数量的模型训练方法、订单数量确定方法及装置 |
CN114819414B (zh) * | 2022-06-24 | 2022-10-28 | 北京阿帕科蓝科技有限公司 | 一种区块需求预测方法、***及计算机存储介质 |
CN116029407A (zh) * | 2022-07-29 | 2023-04-28 | 大连海事大学 | 一种基于ConvLSTM的出租车出行需求预测方法 |
CN116468469A (zh) * | 2023-04-24 | 2023-07-21 | 北京化工大学 | 一种基于改进emd-lstm的网约车需求预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10558750B2 (en) * | 2016-11-18 | 2020-02-11 | Salesforce.Com, Inc. | Spatial attention model for image captioning |
CN107103758B (zh) * | 2017-06-08 | 2019-06-21 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
CN107844853A (zh) * | 2017-10-23 | 2018-03-27 | 重庆大学 | 一种利用动态价格预测减少网约车费用的乘车推荐*** |
CN107967532B (zh) * | 2017-10-30 | 2020-07-07 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
CN108053080B (zh) * | 2017-12-30 | 2021-05-11 | ***通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
-
2018
- 2018-06-13 CN CN201810609232.5A patent/CN108985475B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108985475A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985475B (zh) | 基于深度神经网络的网约车召车需求预测方法 | |
Yi et al. | Electric vehicle charging demand forecasting using deep learning model | |
WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和*** | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
Chen et al. | Fine-grained prediction of urban population using mobile phone location data | |
CN108960476B (zh) | 基于ap-ti聚类的共享单车流量预测方法及装置 | |
CN112561187B (zh) | 一种基于cnn-lstm的网约车目标订单预测方法 | |
CN110766280A (zh) | 一种车辆调度方法、目标订单预测模型的生成方法和装置 | |
Niu et al. | DeepSense: A novel learning mechanism for traffic prediction with taxi GPS traces | |
CN110210664B (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
CN110956807A (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN112579922B (zh) | 一种基于用户轨迹的兴趣点推荐方法 | |
CN112037506A (zh) | 车辆轨迹预测模型构建方法、车辆轨迹预测方法及*** | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN112801340B (zh) | 一种基于多层级城市信息单元画像的人群密度预测方法 | |
CN111598333A (zh) | 客流数据的预测方法及装置 | |
Xiong et al. | An integrated and personalized traveler information and incentive scheme for energy efficient mobility systems | |
CN115412857A (zh) | 一种居民出行信息预测方法 | |
CN116311939A (zh) | 基于动态时空相关性的od需求预测方法及*** | |
Ma et al. | Investigating the impact of spatial-temporal grid size on the microscopic forecasting of the inflow and outflow gap in a free-floating bike-sharing system | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
Pramanik et al. | Modeling traffic congestion in developing countries using *** maps data | |
Shen et al. | Novel model for predicting individuals’ movements in dynamic regions of interest | |
Nicoletta et al. | Bayesian spatio-temporal modelling and prediction of areal demands for ambulance services | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 |
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 |