The invention discloses a method for predicting the supply and demand of car Hailing based on deep learning. Firstly, the order information, weather information, traffic congestion information and area identification information in car Hailing travel data are analyzed and preprocessed, then the model structure is analyzed and a network model MC \u2011 LSTM (minimum coupled long short term memory, referred to as MC \u2011 LSTM) with only one door structure is constructed, and The data set is designed by using the data characteristics that affect the prediction of the supply and demand of the network car hailing, and the design of the prediction model of the supply and demand of the network car Hailing is completed. It realizes the prediction of the difference between the supply and demand of the network car in the next 10 minutes in each region of the target city, and better allocates the vehicle resources.
【技术实现步骤摘要】
一种基于深度学习的网约车供需预测方法
本专利技术属于城市交通预测
,特别涉及一种基于深度学习的网约车供需预测方法。
技术介绍
目前共享经济结合前沿互联网技术的发展模式已经成为了一种新业态,国内实施的“互联网+”发展措施便是其中一种典型。在城市交通出行方面,智能交通出行公司依托先进的互联网技术构建供需服务平台,通过整合供需信息,使具有暂时性和分散性供需信息的司机乘客连接起来,双方建立共享机制,该模式也被称作网约车。网约车作为一种网络共享出租车,是出租车的一种新业态。关于出租车的供需平衡研究,很早就有学者专家进行了研究,提出了众多的经典模型算法,并且仍在对算法进行持续的优化与改进。近年来大数据技术的广泛应用为网约车供需研究带来了新的机遇,通过大数据技术分析海量的数据,进一步挖掘影响网约车供需研究的因素。目前主要的研究方向有基于特征数据提取实现预测模型的构建与改进。同时部分学者通过分析GPS数据来研究供需关系。
技术实现思路
为了克服上述现有技术的缺点,本专利技术的目的在于提供一种基于深度学习的网约车供需预测方法,通过研究深度学习网络模型及相关预测算法,分析并构建了只有一个门结构的网络模型MC-LSTM(MinimalCoupledLongShortTermMemory,简称MC-LSTM),并利用影响网约车供需预测的数据特征设计数据集,完成网约车供需预测模型的设计,实现了对目标城市各区域未来10分钟网约车供需差额值的预测,从而更好地调配车辆资源,本专利技术可以对网约车出行数据进行更加深入 ...
【技术保护点】
1.一种基于深度学习的网约车供需预测方法,其特征在于,首先对网约车出行数据进行预处理,然后选取影响网约车供需预测的关键属性,包括温度、空气质量、交通拥堵状况、时段、供需差额和区域标识,进行特征构建,并构建基于Nadam算法的MC-LSTM模型,利用该模型进行网约车供需差额预测。/n
【技术特征摘要】
1.一种基于深度学习的网约车供需预测方法,其特征在于,首先对网约车出行数据进行预处理,然后选取影响网约车供需预测的关键属性,包括温度、空气质量、交通拥堵状况、时段、供需差额和区域标识,进行特征构建,并构建基于Nadam算法的MC-LSTM模型,利用该模型进行网约车供需差额预测。
2.根据权利要求1所述基于深度学习的网约车供需预测方法,其特征在于,所述网约车出行数据包括订单信息数据集、天气信息数据集、交通拥堵信息数据集和区域标识数据集,将城市划分为面积大小相同的若干个正方形区域,区域紧密排列在一起且互不重叠,每个区域都有自己唯一的标识码,在数据集中每个区域用哈希值标记,其中订单信息数据集主要包括网约车订单的详细信息,所述供需差额来源于此数据集;天气信息数据集主要包括各个区域各个时段的温度与PM2.5信息;交通拥堵信息数据集主要包括各个区域各个时段四个拥堵等级道路数目,等级越高表示拥堵程度越大;区域标识数据集主要包括区域标识信息。
3.根据权利要求2所述基于深度学习的网约车供需预测方法,其特征在于,所述特征构建包括以下步骤:
1)依靠时间属性结合不同时间段发生事件构建时段特征
将工作日时间段分为工作日早晚高峰、工作日上班时间和工作日剩余时段,将休息日时间段分为休息日出行娱乐高峰期和休息日剩余时段;
2)以天气数据集中的温度信息作为温度特征;
3)以天气数据集中的PM2.5信息作为空气质量特征;
4)以交通拥堵信息数据集中的交通拥堵信息作为交通拥堵状况特征;
5)考虑到不同区域对供需预测的影响,用数值符号加以区分,从而形成区域标识特征;
6)供需差额特征,为预测目标,简称其为Gap值。
4.根据权利要求1所述基于深度学习的网约车供需预测方法,其特征在于,所述MC-LSTM模型是延用Coupled-LSTM模型的耦合结构,去除输出门,输出门的开关控制交由忘记门来处理,通过忘记门来激活输出状态,从输出层反向计算各层的更新门、重置...
【专利技术属性】
技术研发人员:田永红,郑兵,吴琪,张悦,张鹏,张晴晴,
申请(专利权)人:内蒙古工业大学,
类型:发明
国别省市:内蒙;15
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。