CN108985475B - 基于深度神经网络的网约车召车需求预测方法 - Google Patents

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

基于深度神经网络的网约车召车需求预测方法

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；

S13、根据经纬度把网约车订单数据映射到网格区域中，计算各区域中在各时间段内记录订单数量作为召车需求量：

其中，

表示区域(m,n)在时间段t内的召车需求量；

S14、对各区域内的召车需求量进行归一化：

其中y₀为召车需求量，y_min和y_max分别代表召车需求量的最小值和最大值，y为归一化后的值；

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y_t∈S^M*N*1，以历史h个时间段的召车需求量y_history＝{y_t|t＝1,2,...,h}作为输入，下一时间段召车需求量y_t+1作为输出，构建样本{y_histroy,y_t+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：

S21、利用残差网络提取每一时间间隔

的空间特征，结果记为y′_t∈S^M*N*1；

S22、融合h个时间段的空间特征，结果记为y″_t∈S^M*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；

S25、将S23和S24得到的结果输入一个两层的全连接网络，得到预测值

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：

S31、利用训练集对步骤S2所述的召车需求预测模型进行训练，损失函数为

其中y_t+1表示真实需求量，

表示预测需求量；

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。

S13、根据经纬度把网约车订单数据映射到网格区域中，计算各区域中在各时间段内记录订单数量作为召车需求量：

其中，

表示区域(m,n)在时间段t内的召车需求量。

S14、对各区域内的召车需求量进行归一化：

其中y₀为召车需求量，y_min和y_max分别代表召车需求量的最小值和最大值，y为归一化后的值。

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y_t∈S^M*N*1，以历史h个时间段的召车需求量y_history＝{y_t|t＝1,2,...,h}作为输入，下一时间段召车需求量y_t+1作为输出，构建样本{y_histroy,y_t+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：

S21、利用残差网络提取每一时间间隔

的空间特征，结果记为y′_t∈S^M*N*1。

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∈S^M*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；

S25、将S23和S24得到的结果输入一个两层的全连接网络，得到预测值

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：

S31、利用训练集对步骤S2所述的召车需求预测模型进行训练，损失函数为

其中，y_t+1表示真实需求量，

表示预测需求量；

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：

S21、利用残差网络提取每一时间间隔

的空间特征，结果记为y′_t∈S^{M *N*1}；

S22、融合h个时间段的空间特征，结果记为y″_t∈S^M*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；

S25、将S23和S24得到的结果输入一个两层的全连接网络，得到预测值

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；

S13、根据经纬度把网约车订单数据映射到网格区域中，计算各区域中在各时间段内记录订单数量作为召车需求量：

其中，

表示区域(m,n)在时间段t内的召车需求量；

S14、对各区域内的召车需求量进行归一化：

其中y₀为召车需求量，y_min和y_max分别代表召车需求量的最小值和最大值，y为归一化后的值；

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y_t∈S^M*N*1，以历史h个时间段的召车需求量y_history＝{y_t|t＝1,2,...,h}作为输入，下一时间段召车需求量y_t+1作为输出，构建样本{y_histroy,y_t+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。

5.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S3具体包括：

S31、利用训练集对步骤S2所述的召车需求预测模型进行训练，损失函数为

其中，y_t+1表示真实需求量，

表示预测需求量；

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。

Images