一种基于深度学习的峰值敏感型出行需求预测方法技术

本发明专利技术提供一种基于深度学习的峰值敏感型出行需求预测方法，涉及出行需求预测技术领域。首先获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；再选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；将卷积神经网络和时间卷积神经网络融合，得到多个时空特征提取层，提取出行需求数据的时空特征；将多个时空特征提取层最终输出的时空特征输入全连接层，得到深度学习网络模型的出行需求预测结果；设计峰值敏感型损失函数，利用训练集中的出行需求数据和SGD算法进行模型训练及优化；进而实现对该城市未来某一段的出行需求进行预测。

【技术实现步骤摘要】
一种基于深度学习的峰值敏感型出行需求预测方法
本专利技术涉及出行需求预测
，尤其涉及一种基于深度学习的峰值敏感型出行需求预测方法。
技术介绍
近年来，基于数据驱动的出行需求预测得到了深入研究，Xu等利用长短期记忆网络(LSTM)对历史出行需求数据进行建模，从大量的历史数据中学习出行需求的变化规律，进而实现对未来出行需求的预测。然而出行需求数据是一种典型的时空序列数据，但LSTM仅仅对出行需求数据的时间特征维度进行建模，即不能满足同时对出行需求数据进行时间和空间维度的建模。为此Wang等研究了将历史出行需求数据通过图片的形式表示，利用卷积神经网络(CNN)对出行需求数据进行空间建模，并利用另外一个CNN模块对提取出行需求数据的时间特征，从而实现了同时对出行需求数据的时间和空间维度的建模。Ke等利用了卷积长短期记忆神经网络(CNN-LSTM)作为基础模块对出行需求数据进行建模，同时还研究了环境因素(日期，天气等)对未来出行需求的影响，从而设计了一个整体的出行需求预测框架。该框架不仅能够有效的提取出行需求数据的时间特征，空间特征，还能同时考虑日本文档来自技高网...

【技术保护点】
1.一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：包括以下步骤：/n步骤1、获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；/n步骤2、选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；/n步骤2.1、构建时间卷积神经网络提取出行需求数据的时间特征；/n步骤2.2、构建卷积神经网络提取出行需求数据的中间状态张量H

【技术特征摘要】
1.一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：包括以下步骤：
步骤1、获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；
步骤2、选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；
步骤2.1、构建时间卷积神经网络提取出行需求数据的时间特征；
步骤2.2、构建卷积神经网络提取出行需求数据的中间状态张量Hwo的空间特征；
步骤3、将卷积神经网络和时间卷积神经网络进行多次融合，得到多个时空特征提取层，堆叠多个时空特征提取层提取出行需求数据的时空特征；
步骤4、将多个时空特征提取层最终输出的时空特征输入全连接层，全连接层的输出作为深度学习网络模型的出行需求预测结果；
步骤5、设计峰值敏感型损失函数，并利用训练集中的出行需求数据和SGD算法对深度学习网络模型进行训练及优化；
步骤6、获取该城市一段时间内的出租车记录数据，并对数据预处理后输入优化好的深度学习网络模型，实现对该城市未来一段时间内的出行需求进行预测。


2.根据权利要求1所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：所述步骤1的具体方法为：
步骤1.1、下载某城市一段时间内的出租车出行记录数据作为出行需求数据集，并对出行需求数据集中的出行需求数据进行标准化处理，如下公式所示：



其中，x表示出行需求数据，x′表示标准化之后的出行需求数据；
步骤1.2、将出行需求数据集所在城市划分为nxn的网格区域；
步骤1.3、向网格区域内的出行需求数据集中加入时间特征构建三维时空输入张量；
步骤1.4、将网格区域一段时间内所有的出行需求数据按照一定比例划分为训练集和测试集。


3.根据权利要求2所述的一种基于深度学习的峰值敏感型出行需求预测方法，其特征在于：步骤2.1所述时间卷积神经网络包括输入单元、输出单元和时间卷积核构成，如下公式所示：
[PQ]＝f*Xwi
H...

【专利技术属性】
技术研发人员：郭戈，袁威，高振宇，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：河北;13