CN109345296A - 民众出行需求预测方法、装置及计算机终端 - Google Patents
民众出行需求预测方法、装置及计算机终端 Download PDFInfo
- Publication number
- CN109345296A CN109345296A CN201811100013.0A CN201811100013A CN109345296A CN 109345296 A CN109345296 A CN 109345296A CN 201811100013 A CN201811100013 A CN 201811100013A CN 109345296 A CN109345296 A CN 109345296A
- Authority
- CN
- China
- Prior art keywords
- region
- common people
- demand forecasting
- travelling
- travel 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.)
- Pending
Links
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明公开了一种民众出行需求预测方法、装置、计算机终端和计算机可读存储介质,所述方法包括:获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息;构建基于神经网络的出行需求预测模型;将待测区域的相关属性数据输入所述出行需求预测模型预以测待测区域的民众出行OD信息。本发明通过获取不同区域的出行样本数据以进行建模分析并将区域的相关属性作为其输入参数,可实现对待测区域的民众出行OD信息进行准确预测,还可提前为交通运力等提供可靠的数据参考等。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种民众出行需求预测方法、装置及计算机终端。
背景技术
居民出行是其完成社会属性和个人属性综合性行为,人们需要通过出行完成工作、交际和社会活动等社会属性,在不同场所购物、娱乐和自我满足以实现其个人属性。通过对居民出行数据的分析和建立相应的出行行为模型,实现对居民出行需求的准确预测,有助于交管部门和交通运营机构及时调整疏导策略和运力安排,缓解城市区域交通压力和站点客流聚集滞留情况。
然而,目前的城镇的交通运行在上下班高峰期、节假日和重大活动等特定时间点均容易在对应区域出现交通拥堵或人群聚集滞留等现象。这些问题很大程度上源于对民众出行需求的预期不准确,因此以常规的运力安排往往不能应对非常情况下的出行需求。
发明内容
鉴于上述问题,本发明提出一种民众出行需求预测方法,通过获取不同区域内的出行样本数据进行建模分析并将区域的多种相关属性作为其输入参数,实现对该区域的出行需求进行准确预测,可解决现有技术中预测不准确的问题等。
本发明实施例提出一种民众出行需求预测方法,包括:
获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息;
构建基于神经网络的出行需求预测模型;
其中,所述构建包括:将所述区域的相关属性作为输入参数以确定所述神经网络的输入层节点;将所述区域的民众出行OD信息作为输出参数以确定输出层节点;确定隐含层节点数目;利用经过归一化处理后的出行样本数据进行训练及验证;
将待测区域的相关属性数据输入所述出行需求预测模型以预测所述待测区域的民众出行OD信息。
在上述民众出行需求预测方法中,可选地,每一区域的所述出行样本数据中的民众出行OD信息的获取,包括:
获取所述区域内的移动通信设备的识别号;
当所述移动通信设备到达所述区域或离开所述区域时,获取所述识别号对应的移动通信设备在预设时段内的位置数据;
从所述位置数据中获取所述区域的民众的出行OD信息。
在上述民众出行需求预测方法中,可选地,所述出行OD信息包括出行目的地、出发地和停留点间的出行方式,所述“从所述位置数据中获取所述区域的民众的出行OD信息”,包括:
根据所述位置数据获取所述移动通信设备的运行速度和包含停留点的行程轨迹;
根据所述停留点间的运行速度判断对应的出行方式;
根据所述行程轨迹判断所述出行目的地及出发地。
在上述民众出行需求预测方法中,可选地,所述停留点包括短停留点和长停留点,所述停留点的判定包括:
若所述移动通信设备在同一位置停留的时间大于第一停留时间值且不超过第二停留时间值,则判定当前位置为一短停留点;
若所述移动通信设备在同一位置停留时间大于第二停留时间值,则判定所述当前位置为一长停留点。
在上述民众出行需求预测方法中,可选地,所述“利用经过归一化处理后的出行样本数据进行训练及验证”,包括:
从归一化处理后的所有出行样本数据中随机选取预设比例的数据作为训练数据,余下的数据作为测试数据;
在训练所述神经网络过程中,正向传播的传递函数均采用sigmoid函数,反向传播的误差函数采用误差平方和函数。
在上述民众出行需求预测方法中,可选地,采用梯度下降算法确定与民众出行OD信息输出值与实际的民众出行OD信息实际值的最小误差对应的每一连接权重和阈值。
在上述民众出行需求预测方法中,可选地,所述出行需求预测模型的输入层节点数目范围为10~14,输出层节点数目范围为3~5,隐含层节点数目范围为5~10。
根据上述的民众出行需求预测方法,本发明实施例还提出一种民众出行需求预测装置,包括:
样本数据获取模块,用于获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息;
模型构建模块,用于构建基于神经网络的出行需求预测模型;
其中,所述构建包括:将所述区域的相关属性作为输入参数以确定所述神经网络的输入层节点;将所述区域的民众出行OD信息作为输出参数以确定输出层节点;确定隐含层节点数目;利用经过归一化处理后的出行样本数据进行训练及验证;
模型预测模块,用于将待测区域的相关属性数据输入所述出行需求预测模型以预测所述待测区域的民众出行OD信息。
本发明的又一实施例提出一种计算机终端,所述计算机终端包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机终端执行上述的民众出行需求预测方法。
本发明的又一实施例还提出一种计算机可读存储介质,其存储有上述计算机终端中所用的计算机程序。
本发明的技术方案具有如下有益效果:
本发明实施例通过获取不同区域对应的民众出行样本数据,并将这些区域对应的多种相关属性进行民众出行需求预测模型构建时的输入参数,可实现对待测区域的民众出行OD信息进行准确预测,此外,还可提前为交通运力等提供可靠的数据参考,进而可防止在该区域场所内出现人群拥堵或滞留等现象。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。
图1为本发明实施例的民众出行需求预测方法的流程示意图;
图2为一组出行样本数据构成示意图;
图3为本发明实施例的民众出行需求预测方法的民众出行样本数据获取的第一流程示意图;
图4为本发明实施例的民众出行需求预测方法的民众出行样本数据获取的第二流程示意图;
图5为本发明实施例的民众出行需求预测方法的神经网络构建示意图;
图6为本发明实施例的民众出行需求预测装置的结构示意图。
主要元件符号说明:
10-民众出行需求预测装置;100-样本数据获取模块;200-模型构建模块;300-模型预测模块。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
考虑到一些区域场所在如节假日或举办重大活动等特定时间点时,容易出现交通拥堵或人群聚集滞留等现象,这主要源于对该区域场所的民众出行需求的预期不准确,因此,本发明提出一种民众出行需求预测方法,通过对不同的区域场进行相关属性描述,并根据这些区域的这些属性特征及对应的民众出行数据来进行分析建模,从而得到一出行需求预测模型,因此只要输入一待测区域的相关属性,即可预测到该待测区域的民众出行OD信息。
下面结合具体的实施例对本发明进行详细说明。
实施例1
请参照图1,本实施例提出一种民众出行需求预测方法,可应用于一些区域场所的民众出行预测,通过本实施例得到的民众出行需求预测模型可对不同区域的民众出行OD信息进行准确预测。下面就该民众出行需求预测方法进行具体说明。
本实施例的民众出行需求预测方法主要包括以下步骤:
步骤S100:获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息。
考虑到不同的区域场所,其相关属性往往并不相同,如该区域的活动安排情况、气象数据和区域属性等,导致其对应的民众出行情况一般也会存在较大的区别。本实施例中,通过对多个不同区域的相关属性进行特征描述并获取对应区域的民众出行样本数据以便进行后续的分析建模。通过将区域的相关属性作为后期在分析建模的输入参数,可以更加准确地、全面地对该区域进行分析,进而可提高对该区域的民众出行情况的预测准确性。可以理解,本实施例的区域可以但不限于为一个商场、娱乐场所、产业园、写字楼或酒店等等。
本实施例中,该区域的相关属性可包括该区域的活动安排情况、民众出行时段、预测时段的气象数据和该区域的区域属性等。
对于上述相关属性的特征描述,所述活动安排情况可包括有活动或无活动两种情况。进一步地,若有活动,则该活动还可以包括活动规模,具体可分为大型、中型和小型。所述民众出行时段可以以一时间间隔为单位进行时段划分,以便于模型分析并预测出一天中哪些时段内的人流量较多等。示范性地,若以1小时为单元进行时段划分,整点为节点,则一天可划分24个时段,例如11:00-12:00为其中的一个时段。所述气象数据主要包括对应时段的天气情况,该天气类型可分为晴、阴和雨三种,可选地,考虑到天气变化,一个时段内最多可包括两种天气类型。进一步地,若为晴,该气象数据还可以包括是否高温,例如,若温度超过30度,则认定为高温,否则认定为非高温天气。进一步地,若为雨,该气象数据还可以包括降雨程度,可分为大雨、中雨和小雨,可选地,考虑到天气变化,一个时段内最多可包括两种降雨程度。
进一步地,所述区域的区域属性具体可包括但不限于包括该区域的行业属性、规模大小、高层建筑属性、建筑面积、公交站点数量和地铁站点数量等等。其中,所述行业属性主要用于表示该区域属于哪一行业,例如,可包括工业园区、写字楼、商场、酒店、餐饮娱乐场所、交通枢纽、教育机构、医疗机构等等。所述规模大小可包括大型、中型和小型三种。所述高层建筑属性则可包括高层和非高层两种,其中,高层建筑的定义可根据实际情况来选取,例如,当某一区域场所的楼层数超过8层则其属于高层建筑。所述建筑面积可主要包括大、中和小三种,具体的面积划分可根据实际情况来选取。
其中,对这些区域的活动安排情况、气象数据等多种属性进行特征描述,可考虑到一些如商场、娱乐场所等活动区域场所在节假日或举行活动时其人流量往往较大,或者在天气比较恶劣的情况下其人流量往往较少等特殊情况,通过对不同区域的出行需求进行更加全面地有效分析,进而可提高对相应区域的民众出行需求预测的准确性。
本实施例中,每一区域对应的民众出行样本数据主要包括两大部分,一部分是该区域的相关属性的信息,另一部分是该区域对应的民众出行OD信息,其中,O即ORIGIN,指出行的出发地,D即DESTINATION,指出行的目的地。本实施例中,该民众出行OD信息主要包括出行目的地、出发地及对应的出行方式等。示范性地,假设获取到区域A的多组出行样本数据,以其中一组样本数据为例,于是该组样本数据可进行如图2所示的字段描述,在建模时可根据约定的规则将这些字段用相应的数据表示以便进行函数拟合等。例如,以目的地样本数据为例,可用预设位数的数据来描述不同的目的地,而该预设位数的数据具体可用约定的位数来表示该目的地的地理位置信息(如经纬度)和相关属性信息(如行业属性)等等。其中,如图3所示,对应区域的出行样本数据中的民众出行OD信息的获取主要包括以下几个步骤:
步骤S110:获取区域内的移动通信设备的识别号。
步骤S120:当所述移动通信设备到达所述区域或离开所述区域时,获取所述识别号对应的移动通信设备在预设时段内的位置数据。
在得到许可的前提下,可获取足够数量的民众的移动通信设备的识别号,例如,可获取接入到通信运营商、互联网应用等的设备的识别号,其中,一个设备的识别号将代表一个对象。于是,当该移动通信设备到达该区域或离开该区域时,则可获取该移动通信设备在预设时段内的位置数据。
应当理解,所述预设时段是以移动通信设备在到达该区域或离该区域的时间点为基准而选取的一段时间。具体地,可选取一个较长的时段,例如,当移动通讯设备在到达该区域时,则开始选取在到达时间点前的2小时内的位置数据,或者当移动通讯设备离开该区域时,则开始选取在离开时间点后的2小时内的位置数据等等。这样可便于获取更加准确的民众的出行目的地、出发地等出行OD信息。主要考虑一般地民众日常出行,优选地,所述预设时段可选取2~3小时。
步骤S130:从所述位置数据中获取所述区域的对应民众的出行OD信息。
本实施例中,该出行OD信息可包括出行目的地、出发地和停留点间的出行方式等。如图4所示,步骤S130又主要包括以下子步骤:
子步骤S131:根据位置数据获取移动通信设备的运行速度和包含停留点的行程轨迹。
子步骤S132:根据停留点间的运行速度判断对应的出行方式。
子步骤S133:根据行程轨迹判断出行目的地及出发地。
示范性地,可根据该移动通信设备在预设时间间隔内的位移变化来计算其运行速度。可以理解,该预设时间间隔越小,则获取到的该移动通信设备的运行速度将更准确,其行程轨迹也越精确。优选地,该预设时间间隔可选取为30s~1min。
可选地,在获取其行程轨迹时,还可以将该位置数据与出行大数据进行比对,例如,可通过与常用的出行软件中的行程耗时来进行数据比对,进而判断出该民众的最接近的出行方式。
其中,在获取其行程轨迹时,可进一步获取在预设时段内的停留点信息,以便判断该民众在不同的两停留点间是否存在不同的出行方式,具体地,可根据在两停留点间的运行速度判断对应的出行方式,从而可获取更加精确的该民众的出行OD信息。
可选地,该停留点可包括短停留点和长停留点。具体地,若该移动通信设备在同一位置停留的时间大于第一停留时间值且不超过第二停留时间值,则判定当前位置为一短停留点;若该移动通信设备在同一位置停留时间大于第二停留时间值,则判定所述位置为一长停留点。可以理解,该第一停留时间值应当大于第二停留时间值,例如,该第一停留时间值可选取5min~10min,而第二停留时间值可选取30min。此外,在确认为停留点后,可进一步获取对应停留点的属性,如行业属性等。
进一步可选地,考虑到可能有部分路段会存在交通堵车的情况,在获取到这些停留点后,还可以进一步排除是否为堵车时的停留。示范性地,可根据该停留点的地理位置及该停留点的路况信息等来进行排除。若为堵车时的停留,则可在行程轨迹描述过程中将对应的停留点取消为停留点标记。此外,对于在该预设时段内途中并无停留状态的情况,则该两停留点的出行方式可为该区域和目的地或出发地之间的出行方式。
步骤S200:构建基于神经网络的出行需求预测模型。其中,可通过上述的出行样本数据进行神经网络学习训练,从而得到该出行需求预测模型。如图5所示,该预测模型主要包括输入层、隐含层和输出层,该模型的构建主要包括以下子步骤。
子步骤S210:将区域的相关属性作为输入参数以确定神经网络的输入层节点;将区域的民众出行OD信息作为输出参数以确定输出层节点;确定隐含层节点数目。
本实施例中,将区域的相关属性中的每一属性特征均作为该神经网络的输入层节点,根据区域的民众出行的实际情况,将选取区域的活动安排情况、活动规模、天气类型、出行时段和行业属性作为该神经网络的输入变量。进一步地,还可以增加邻近的公交站点数量、地铁站点数量、是否高温、降雨程度、规模大小、是否高层建筑和建筑面积等影响因素作为输入变量。
对于输出层节点,将区域对应的民众出行OD信息特征作为输出变量,根据需要了解的区域的民众出行需求,可选取出行目的地、出发地和停留点间的出行方式作为输出变量。进一步地,还可以增加预测时段内的流入人群量和流出人群量等作为输出变量,以便详细地了解到该区域的预测出行情况。
对于隐含层节点数目,一般地,若隐含层数越多,其训练的结果越准确,但是时间消耗也越多。本实施例中,隐含层的层数为1,为了在时间效率和结果的准确性的平衡间保持策略最优,将利用公式来选取该隐含层的节点数目,其中,h为隐含层节点数目,m为输入层节点数目,n为输出层节点数目,a为1~10之间的调节常数。
本实施例中,该出行需求预测模型的输入层节点数目范围可为10~14,输出层节点数目范围可为3~5,隐含层节点数目范围可为5~10。结合实际的训练模型,该出行预测模型的输入层节点数目为12,输出层节点数目为4,而隐含层节点数目优选地设置为7。
子步骤S220:利用经过归一化处理后的出行样本数据进行训练及验证。
本实施例中,在利用出行样本数据进行学习训练前,需要将该出行样本数据进行归一化处理,使其范围在[0,1]之间。归一化公式为其中,x为区域的相关属性中的一特征的取值,x’为x归一化输出,xmin为x的最小值,xmax为x的最大值。
于是,将这些进行归一化处理后的出行样本数据将按预设比例分为两部分,一部分为训练数据,用于构建该出行需求预测模型,即确定该神经网络中的连接权重和阈值;另一部分是测试数据,用于检验该出行需求预测模型。本实施例中,将从出行样本数据中随机选取2/3的数据作为训练数据,余下1/3的数据作为测试数据。
具体地,在训练该神经网络过程中,该网络的初始权重将进行随机赋值,在设定学习误差、学习速率以及最大循环次数等相关参数后,其正向传播的传递函数,即输入层到隐含层的传递函数和隐含层到输出层的传递函数均采用非线性函数中的sigmoid函数。进一步地,该sigmoid函数的公式为其中,x为变量。本实施例中,结合实际的训练模型,设定学习误差ε=5×10∧2,学习速率设置为η=0.2,最大循环次数为100000。
为使预测输出值与实际值的误差值最小,将采用最小化均方根差方法来确定该网络的各连接权重及阈值。具体地,其反向传播的误差函数将采用误差平方和函数。具体地,误差平方和函数的公式为其中,w为连接权重,b为阈值,n为输出层节点数目,j表示第j个输出节点,dj为民众出行需求预测模型中的第j个节点的预测输出值,yj为第j个对应的样本实际值。通过计算输出误差并将其通过隐含层向输入层逐层反传,并将误差传递给各层的所有节点,以从各层获得的误差作为调整输入节点与隐层节点的连接权重及阈值和隐层节点与输出节点的连接权重及阈值。
本实施例中,将采用梯度下降算法来确定与民众出行OD信息输出值与实际的民众出行OD信息实际值的最小误差对应的每一连接权重和阈值。所述梯度下降算法,是指通过使上述输出误差沿其负梯度方向变化,从而确定对应的连接权重或阈值。
示范性地,如图5所示,若用wij表示输入层第i个节点到隐层第j个节点的连接权重,δj表示输出层第j个节点的反向传播的输出,右上角标的1表示第一层连接权重,则有第一层连接权重的梯度为于是,根据梯度下降算法规则,有即可对该连接权重进行调整,从而得到调整后的连接权重wij'。同理,其他节点间的连接权重及阈值可利用该算法来调整,在此不再详述。
于是,当调整后的连接权重及阈值可使其输出误差达到预设误差阈值或者满足相应的准确率时,则停止训练并确定该出行需求预测模型的连接权重和阈值。具体地,可利用上述的测试数据进行准确率的验证。
步骤S300:利用所述出行需求预测模型预测待测区域的民众出行OD信息。
在得到训练后的模型时,可用于预测某一区域的民众出行OD信息,例如,某商业区、产业园等等。具体地,可输入待测区域的包括活动安排情况、活动规模、天气类型、出行时段和行业属性这些相关属性参数,于是可输出该区域对应的民众出行OD信息,具体可包括未来预测时段内的该区域的民众的出行目的地、出发地及两停留点间的出行方式。进一步地,还可以对该未来预测时段内的该区域的出入人流量等进行预测。
其中,所述待测区域既可以是上述样本中的区域,也可以是未作为样本的其他区域。可以理解,该出行需求预测模型可不限于只用于预测某一特定区域的民众出行情况,而是可根据不同的区域的相关属性输出对应的准确的民众出行情况。
本实施例通过对不同区域的民众出行数据进行收集并利用神经网络算法进行建模训练,以得到相应的民众出行需求预测模型,通过将预测区域的相关属性作为建模的输入参数,可以实现对该区域的多方位有效分析和对应的民众出行情况进行准确预测。其中,在收集这些样本数据时,可通过对这些民众群体的设备的位置数据来描述其对应的行程轨迹等,还在描述其行程轨迹时对停留点及停留占的出行方式进一步判断,从而可获取更加准确的样本数据,进而提高预测的准确率等等。此外,通过提前为交通运力等提供可靠的数据参考,则交管部门和交通运营机构等可及时调整交通动力安排策略等,可进一步防止或及时缓解某些区域场所附近站点的人群拥堵或滞留等现象。
实施例2
请参照图6,基于上述实施例1的民众出行需求预测方法,本实施例提出一种民众出行需求预测装置10,具体地,该民众出行需求预测装置10可包括:
样本数据获取模块100,用于获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息。
模型构建模块200,用于构建基于神经网络的出行需求预测模型。其中,所述构建包括:将所述区域的相关属性作为输入参数以确定所述神经网络的输入层节点;将所述区域的民众出行OD信息作为输出参数以确定输出层节点;确定隐含层节点数目;利用经过归一化处理后的出行样本数据进行训练及验证。
模型预测模块300,用于利用所述出行需求预测模型预测待测区域的民众出行OD信息。
上述的民众出行需求预测装置10对应于实施例1的民众出行需求预测方法。实施例1中的任何可选项也适用于本实施例,这里不再详述。
本发明还提供了一种计算机终端,所述计算机终端包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机终端执行权利要求上述的民众出行需求预测方法或者上述民众出行需求预测装置10中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还一种计算机可读存储介质,其存储有上述计算机终端中所用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种民众出行需求预测方法,其特征在于,包括:
获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息;
构建基于神经网络的出行需求预测模型;
其中,所述构建包括:将所述区域的相关属性作为输入参数以确定所述神经网络的输入层节点;将所述区域的民众出行OD信息作为输出参数以确定输出层节点;确定隐含层节点数目;利用经过归一化处理后的出行样本数据进行训练及验证;
将待测区域的相关属性数据输入所述出行需求预测模型以预测所述待测区域的民众出行OD信息。
2.根据权利要求1所述的民众出行需求预测方法,其特征在于,每一区域的所述出行样本数据中的民众出行OD信息的获取,包括:
获取所述区域内的移动通信设备的识别号;
当所述移动通信设备到达所述区域或离开所述区域时,获取所述识别号对应的移动通信设备在预设时段内的位置数据;
从所述位置数据中获取所述区域的民众的出行OD信息。
3.根据权利要求2所述的民众出行需求预测方法,其特征在于,所述出行OD信息包括出行目的地、出发地和停留点间的出行方式,所述“从所述位置数据中获取所述区域的民众的出行OD信息”,包括:
根据所述位置数据获取所述移动通信设备的运行速度和包含停留点的行程轨迹;
根据所述停留点间的运行速度判断对应的出行方式;
根据所述行程轨迹判断所述出行目的地及出发地。
4.根据权利要求3所述的民众出行需求预测方法,其特征在于,所述停留点包括短停留点和长停留点,所述停留点的判定包括:
若所述移动通信设备在同一位置停留的时间大于第一停留时间值且不超过第二停留时间值,则判定当前位置为一短停留点;
若所述移动通信设备在同一位置停留时间大于第二停留时间值,则判定所述当前位置为一长停留点。
5.根据权利要求1所述的民众出行需求预测方法,其特征在于,所述“利用经过归一化处理后的出行样本数据进行训练及验证”,包括:
从归一化处理后的所有出行样本数据中随机选取预设比例的数据作为训练数据,余下的数据作为测试数据;
在训练所述神经网络过程中,正向传播的传递函数均采用sigmoid函数,反向传播的误差函数采用误差平方和函数。
6.根据权利要求5所述的民众出行需求预测方法,其特征在于,采用梯度下降算法确定与民众出行OD信息输出值与实际的民众出行OD信息实际值的最小误差对应的每一连接权重和阈值。
7.根据权利要求1所述的民众出行需求预测方法,其特征在于,所述出行需求预测模型的输入层节点数目范围为10~14,输出层节点数目范围为3~5,隐含层节点数目范围为5~10。
8.一种民众出行需求预测装置,其特征在于,包括:
样本数据获取模块,用于获取至少一个区域的相关属性,并获取对应区域的民众出行样本数据,其中,所述出行样本数据包括所述区域的相关属性和对应的民众出行OD信息;
模型构建模块,用于构建基于神经网络的出行需求预测模型;
其中,所述构建包括:将所述区域的相关属性作为输入参数以确定所述神经网络的输入层节点;将所述区域的民众出行OD信息作为输出参数以确定输出层节点;确定隐含层节点数目;利用经过归一化处理后的出行样本数据进行训练及验证;
模型预测模块,用于将待测区域的相关属性数据输入所述出行需求预测模型以预测所述待测区域的民众出行OD信息。
9.一种计算机终端,其特征在于,所述计算机终端包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机终端执行权利要求1至7任一项所述的民众出行需求预测方法。
10.一种计算机可读存储介质,其特征在于,其存储有权利要求9所述计算机终端中所用的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100013.0A CN109345296A (zh) | 2018-09-20 | 2018-09-20 | 民众出行需求预测方法、装置及计算机终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811100013.0A CN109345296A (zh) | 2018-09-20 | 2018-09-20 | 民众出行需求预测方法、装置及计算机终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109345296A true CN109345296A (zh) | 2019-02-15 |
Family
ID=65306263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811100013.0A Pending CN109345296A (zh) | 2018-09-20 | 2018-09-20 | 民众出行需求预测方法、装置及计算机终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345296A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443408A (zh) * | 2019-07-04 | 2019-11-12 | 特斯联(北京)科技有限公司 | 出行预测方法和装置 |
CN111008729A (zh) * | 2019-11-06 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN112488419A (zh) * | 2020-12-15 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN112949784A (zh) * | 2021-05-13 | 2021-06-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102595323A (zh) * | 2012-03-20 | 2012-07-18 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
US20150344036A1 (en) * | 2014-05-30 | 2015-12-03 | The Regents Of The University Of Michigan | Vehicle speed profile prediction using neural networks |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106503829A (zh) * | 2016-09-26 | 2017-03-15 | 同济大学 | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
-
2018
- 2018-09-20 CN CN201811100013.0A patent/CN109345296A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102595323A (zh) * | 2012-03-20 | 2012-07-18 | 北京交通发展研究中心 | 基于手机定位数据的居民出行特征参数的获取方法 |
CN102708680A (zh) * | 2012-06-06 | 2012-10-03 | 北京交通大学 | 基于agps技术的交通出行方式识别方法 |
US20150344036A1 (en) * | 2014-05-30 | 2015-12-03 | The Regents Of The University Of Michigan | Vehicle speed profile prediction using neural networks |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106503829A (zh) * | 2016-09-26 | 2017-03-15 | 同济大学 | 一种基于多源数据的城市公共开放空间的拥挤度预测方法 |
CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443408A (zh) * | 2019-07-04 | 2019-11-12 | 特斯联(北京)科技有限公司 | 出行预测方法和装置 |
CN111008729A (zh) * | 2019-11-06 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN111008729B (zh) * | 2019-11-06 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN112488419A (zh) * | 2020-12-15 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN112949784A (zh) * | 2021-05-13 | 2021-06-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
CN112949784B (zh) * | 2021-05-13 | 2021-10-29 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种居民出行链模型构建方法及居民出行链获取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sánchez-Medina et al. | Using machine learning and big data for efficient forecasting of hotel booking cancellations | |
Rajamoorthy et al. | A novel intelligent transport system charging scheduling for electric vehicles using Grey Wolf Optimizer and Sail Fish Optimization algorithms | |
Johnson et al. | Optimization by simulated annealing: an experimental evaluation; part II, graph coloring and number partitioning | |
CN109345296A (zh) | 民众出行需求预测方法、装置及计算机终端 | |
Musolino et al. | Freight vehicle routing with reliable link travel times: a method based on network fundamental diagram | |
Shang et al. | A unified framework for multicriteria evaluation of transportation projects | |
Ke et al. | A CA-based land system change model: LANDSCAPE | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN106910199A (zh) | 面向城市空间信息采集的车联网众包方法 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
Mei et al. | Real-time multistep prediction of public parking spaces based on Fourier transform–least squares support vector regression | |
Yu et al. | Bus travel-time prediction based on bus speed | |
Lin et al. | A stacking model for variation prediction of public bicycle traffic flow | |
Cartlidge et al. | Spatio-temporal prediction of shopping behaviours using taxi trajectory data | |
Yu et al. | Passenger flow prediction for new line using region dividing and fuzzy boundary processing | |
Dai et al. | A simulation-based approach to investigate the driver route choice behavior under the connected vehicle environment | |
Ng et al. | On joint railway and housing development: Housing-led versus railway-led schemes | |
Zhang et al. | Allocation strategies in a dockless bike sharing system: a community structure-based approach | |
Viverit et al. | Application of machine learning to cluster hotel booking curves for hotel demand forecasting | |
Pachayappan et al. | Drone delivery logistics model for on-demand hyperlocal market | |
Wang et al. | Impact of personalised route recommendation in the cooperation vehicle-infrastructure systems on the network traffic flow evolution | |
Paudel et al. | Infrastructure planning for ride-hailing services using shared autonomous electric vehicles | |
Gu et al. | Enhancing market service and enterprise operations through a large-scale GIS-based distribution system | |
Guo et al. | Seeking based on dynamic prices: Higher earnings and better strategies in ride-on-demand services | |
Aickelin et al. | Using simulation to incorporate dynamic criteria into multiple criteria decision-making |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |
|
RJ01 | Rejection of invention patent application after publication |