一种基于深度学习的出租车载客点推荐方法技术

本发明专利技术涉及一种基于深度学习的出租车乘客推荐方法，首先对海量的GPS轨迹数据进行预处理，获取出租车上客点热区，然后采用深度学习技术从数据中学习并获取出租车司机的寻客模式，从而根据出租车当前的驾驶策略推荐相应的潜在载客点。与现有方法相比，本发明专利技术具有显著提高出租车载客点推荐准确度以及降低出租车空驶率等优点，能够有效应用于智能交通、广告投放、个性化推荐以及信息服务等领域。

A method of taxi passenger point recommendation based on depth learning

The invention relates to a taxi passengers based on deep learning recommendation method, firstly GPS trajectory data of massive pretreatment, obtain taxi pick-up point zone, then the deep learning technology from data, and get a taxi driver for the guest mode, and according to the current taxi driving strategy recommended the corresponding potential passenger point. Compared with the existing methods, the invention has the advantages of significantly improving the accuracy of taxi passenger recommendation and reducing the empty driving rate of taxis, and can be effectively applied to the fields of intelligent transportation, advertising delivery, personalized recommendation and information service.

【技术实现步骤摘要】
一种基于深度学习的出租车载客点推荐方法
本专利技术涉及计算机应用与机器学习交叉
，尤其涉及一种基于深度学习的出租车载客点推荐技术。
技术介绍
城市计算是计算机科学以城市为背景，跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域，是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战(如环境恶化、交通拥堵、能耗增加、规划落后等)的过程。城市计算将无处不在的感知技术、高效的数据管理和分析算法，以及新颖的可视化技术相结合，致力于提高人们的生活品质、保护环境和促进城市运转效率。出租车是城市客运交通的重要组成部分，是常规公共交通的重要补充。随着出租车数量的不断增长，以出租车为主要对象的智能交通相关技术目前已成为城市计算的一个重要研究课题。深度学习是机器学习研究中的一个前沿领域，其概念由Hinton等人于2006年提出，目的是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，而深度神经网络是深度学习模型的一种重要实例。先前的机器学习方法如随机森林、支持向量机、线性回归、逻辑回归、反向传播神经网络等，都可以被看做是在输入层和输出层本文档来自技高网...

【技术保护点】
一种基于深度学习的出租车乘客推荐方法,其特征在于，包括如下步骤：步骤1.大数据预处理。本专利技术首先对地图大数据和出租车GPS轨迹大数据进行预处理。对于地图大数据，采用网格化的方法，选定参考点，将地图分成固定大小的网格，形成网格地图。从而，每个网格所包围的区域都有固定的坐标，同时，每个落入该区域的GPS点具有一致的数据表示。本专利技术根据是否载客，将GPS轨迹分成载客旅程和巡游旅程两大类。对于载客旅程，本专利技术利用统计学习方法得到以下信息：载客热点、道路状况以及司机收入信息。其中，载客热点与道路状况都与出租车司机的寻客策略有很大关系。对于巡游旅程，本专利技术通过预处理得到的司机寻客时的上下文...

【技术特征摘要】
1.一种基于深度学习的出租车乘客推荐方法,其特征在于，包括如下步骤：步骤1.大数据预处理。本发明首先对地图大数据和出租车GPS轨迹大数据进行预处理。对于地图大数据，采用网格化的方法，选定参考点，将地图分成固定大小的网格，形成网格地图。从而，每个网格所包围的区域都有固定的坐标，同时，每个落入该区域的GPS点具有一致的数据表示。本发明根据是否载客，将GPS轨迹分成载客旅程和巡游旅程两大类。对于载客旅程，本发明利用统计学习方法得到以下信息：载客热点、道路状况以及司机收入信息。其中，载客热点与道路状况都与出租车司机的寻客策略有很大关系。对于巡游旅程，本发明通过预处理得到的司机寻客时的上下文信息，如起始位置、行驶方向、天气等。步骤2.深度学习模型构建。由于将地图进行网格化后，载客点由经纬度组成的连续值变成网格坐标组成的离散值，因此，本发明将乘客预测和路况预测问题均视为分类问题，并用相同的模型架构。在学习模型构造过程中，本发明首先将出租车GPS大轨迹数据和地图大数据通过词嵌套工具生成一维向量，并且将一维向量通过无监督学习获取数据特征，然后通过降维方法提取数据特征的主成分信息，即活性特征，从而将活性特征输入到Softmax分类器来实现多目标分类。步骤3.载客点推荐。在步骤2深度学习模型构建的基础上，为了保证推荐的效果，使得出租车寻客效率更高，本发明将收入因素也纳入到...

【专利技术属性】
技术研发人员：黄震华，孙剑，向阳，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31