【技术实现步骤摘要】
一种基于注意力机制的细粒度打车需求预测方法
本专利技术涉及一种实时、细粒度的打车需求预测领域，提出了一种基于注意力机制的细粒度打车需求预测方法，基于注意力机制的混合深度神经网络架构，对打车需求内在的时空规律进行模拟。该网络架构捕获了历史打车需求数据中潜在的时空关联和额外因素(如天气，节假日)对打车需求的影响，并利用注意力机制对捕获的多种影响因素进行融合。
技术介绍
随着城市化进程的发展，出租车作为一种灵活的公共交通工具在城市交通系统中发挥了重要作用，为乘客提供了舒适、便捷的出行服务。然而，由于出租车司机难以全面地了解乘客的打车需求，导致城市地区出现了出租车需求与供应不匹配的现象。例如，一些驾驶员在街道上空车行驶。与此同时，在邻近的街道上，一些乘客等待许久却打不到车。这些问题降低了乘客的满意度和驾驶员的积极性。细粒度的打车需求预测旨在利用历史的打车需求记录，预测未来某个时间片、某个区域内乘客的打车数量，对于解决出租车供需不平衡的问题具有重要的指导意义。对于打车需求预测而言，如何从历史数据中准确地提取打车需求在时间和空间...
【技术保护点】
1.一种基于注意力机制的细粒度打车需求预测方法，其特征在于，操作步骤为：/n步骤一，对细粒度的打车需求预测问题进行建模，主要包括对时间、空间的离散化和对打车需求的定义；/n步骤二，根据步骤一中的问题模型，对出租车轨迹数据、路网数据、兴趣点POI数据、天气数据和节假日数据进行预处理，构建样本数据库；/n步骤三，建立卷积循环神经网络模型，用于提取打车需求内在的多视角时空特征，为每个区域生成多个预测结果；/n步骤四，在步骤三的基础上提出了基于上下文感知的注意力组件，为每个区域的多个预测结果分配不同的权重，并通过加权求和操作对多个预测结果进行融合；/n步骤五，将样本划分为训练集和测...
【技术特征摘要】
1.一种基于注意力机制的细粒度打车需求预测方法，其特征在于，操作步骤为：
步骤一，对细粒度的打车需求预测问题进行建模，主要包括对时间、空间的离散化和对打车需求的定义；
步骤二，根据步骤一中的问题模型，对出租车轨迹数据、路网数据、兴趣点POI数据、天气数据和节假日数据进行预处理，构建样本数据库；
步骤三，建立卷积循环神经网络模型，用于提取打车需求内在的多视角时空特征，为每个区域生成多个预测结果；
步骤四，在步骤三的基础上提出了基于上下文感知的注意力组件，为每个区域的多个预测结果分配不同的权重，并通过加权求和操作对多个预测结果进行融合；
步骤五，将样本划分为训练集和测试集，对模型参数进行多次训练，选取预测误差最小的模型参数用于打车需求预测。
2.根据权利要求1所述的基于注意力机制的细粒度打车需求预测方法，其特征在于，所述步骤一对细粒度的打车需求预测问题进行建模，具体包括如下步骤：
1.1)将时间离散化为由一组等间隔的时间片所构成的集合其中tτ表示当前时间片；
1.2)利用道路网络将空间离散化为一组不规则且不重叠的多边形区域，若干区域所构成的集合为其中N表示区域的数量；
1.3)定义在时间片tτ内的打车需求Xτ＝[X1,τ,X2,τ,…,XN,τ]，其中，XN,τ表示在时间片tτ、区域rN内上车的乘客数量。
3.根据权利要求1所述的基于注意力机制的细粒度打车需求预测方法，其特征在于，所述步骤三中卷积循环神经网络模型的建立包含以下步骤：
3.1)设计即时性时空组件；该组件主要由若干个局部卷积层，即LC层和一个门控循环单元GRU构成，提取了打车需求在较短时间内的时空变化特征；具体地，该组件输入前o个连续时间片内的历史打车需求Yi＝[Xτ+1-o,Xτ+2-o,…,Xτ]，通过一系列操作，生成对时间片tτ+1内打车需求的预测结果fi；具体操作内容如下：
首先，利用LC层提取序列Yi在邻近区域之间内在的空间关联；以第l个(2≤l≤L)LC层为例，该层的输入被定义为其中，k为卷积核的数量；对于每个区域rn，通过重新排列中的某些列，即区域rn及其邻接区域所对应的列，构建一个子矩阵由于每个区域所邻接的区域数量是不确定的，对于邻接区域数量小于最大邻接区域的数的区域rn，通过重复自身在中所对应的列实现子矩阵补全操作；分别对每个进行卷积操作，并通过拼接N个区域内k个卷积核产生的输出，得到第l个LC层的输出此外，批量标准化层被添加在LC层之后，以加速模型的训练；经过L个LC层，一个1×1卷积操作被用...
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。