【技术实现步骤摘要】
一种基于卷积长短期记忆网络的区域交通需求预测方法
本专利技术涉及计算机数据分析领域，尤其涉及基于深度学习的获取特定时间空间信息的方法。
技术介绍
区域交通需求预测对于城市车辆管理十分重要，它能够帮助交通管理平台更好地完成车辆的空间调度，并减少乘客的等待时间。区域交通需求的预测需要考虑时间、空间及天气节假日等因素，因此具有挑战性。区域交通需求一般基于历史时间序列数据，通过数学算法预测特定位置交通需求，如利用时间序列熵计算、马尔科夫链模拟、分配平衡、泊松分布等算法。深度学习方法在区域交通需求预测领域也得到广泛应用，如使用长短期记忆网络(LSTM)进行长期需求预测，以及采用堆叠自编码器进行预测等。然而，以往的工作存在以下方面的问题：对数据中的时间或空间依赖性利用不足、没有考虑到天气，节假日等外部特征、需求变化较快时预测结果误差较大等。因此，一种能够提取数据时空特性，并融合外部特征的区域交通需求预测方法是当前待攻克的技术难关，也是本专利技术的专利技术动机。接下来详细介绍这一领域中相关的
技术介绍
。(1)时间序列预测时间...
【技术保护点】
1.一种基于卷积长短期记忆网络的区域交通需求预测方法，其特征在于，步骤如下：/nS1交通需求数据预处理/nS1.1数据筛选：交通订单数据包含上下车时间、地点及行车GPS轨迹；根据预测目标，从交通订单数据中提取上车时间及地理位置数据；/nS1.2数据清洗：对于提取后的数据，清洗其中的缺失值、异常值及错误纪录；/nS2交通需求数据时间空间划分/nS2.1根据预测目标，以T分钟为间隔，统计交通需求量，统计得到的数据记为X；/nS2.2对于需要预测的t时刻，从S2.1所统计的交通需求量数据中，分别获取其对应邻近性、周期性和趋势性数据；邻近性数据为X中的[X
【技术特征摘要】
1.一种基于卷积长短期记忆网络的区域交通需求预测方法，其特征在于，步骤如下：
S1交通需求数据预处理
S1.1数据筛选：交通订单数据包含上下车时间、地点及行车GPS轨迹；根据预测目标，从交通订单数据中提取上车时间及地理位置数据；
S1.2数据清洗：对于提取后的数据，清洗其中的缺失值、异常值及错误纪录；
S2交通需求数据时间空间划分
S2.1根据预测目标，以T分钟为间隔，统计交通需求量，统计得到的数据记为X；
S2.2对于需要预测的t时刻，从S2.1所统计的交通需求量数据中，分别获取其对应邻近性、周期性和趋势性数据；邻近性数据为X中的[Xt-lc，…，Xt-1]，其中lc表示时间戳个数；周期性数据为X中的[Xt-lp·p，Xt-(lp-1)·p，…，Xt-p]，其中lp表示时间戳个数，p表示1天；趋势性数据为X中的[Xt-ls·s，Xt-(ls-1)·s，…，Xt-s]，其中ls表示时间戳个数，s表示1周；
S2.3根据经纬度，将城市区位划分为I*J个网格，统计每个网格内部交通需求量；
S3外部数据处理
S3.1天气数据：对不同天气指标进行编码，映射为不同数值；所述的天气指标包括空气质量、天气类型；
S3.2时间特性：对行车时刻所在的时间特征进行编码，映射为不同数值；所述的时间特征包括工作日、节假日；
S4区域交通需求模型构建
S4.1区域交通需求模型的结构
区域交通需求模型包括卷积长短期记忆网络模块、外部特征模块和多任务学习模块；
S4.1.1卷积长短期记忆网络模块包括三部分，每部分均由CNN与LSTM相结合得到，分别形成邻近性、周期性、趋势性通道；
S4.1.2外部特征模块包括两个全连接层，用于将输入的外部特征映射到与输出相同的维度；
S4.1.3多任务学习模块包括一个共享隐藏层，通过共享隐藏层，对于不同的交通需求预测任务，能够同时分别保留各任务的输出层的方式，实现多任务学习；
S4.2区域交通需求模型的数据处理
S4.2.1交通需求量处理：将步骤S2.2得到的邻近性、周期性、趋势性数据分别输入到卷积长短期记忆网络模块的三个通道中；三个通道对输入输入数据的处理方式相同...
【专利技术属性】
技术研发人员：魏金泽，尹宝才，申彦明，齐恒，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21
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。