一种城市用车需求量预测方法、设备及存储介质技术

本发明专利技术公开了一种城市用车需求量预测方法、设备及存储介质，方法包括：将待预测区域划分成若干网格；采集各个网格内的时态数据和空间数据作为训练集，时态数据包括历史需求、气象特征和事件特征，空间数据包括各区域中各种POIs的数量；将训练集输入至基于BERT的深度空时神经网络模型中进行训练；通过训练完成的模型对待预测区域中任意区域的下一时段的用车需求量进行预测。本发明专利技术充分考虑了气象特征和事件特征等外部因素和区域内POIs对用车需求量的影响，以时态数据和空间数据作为训练集，能够提升模型预测的准确度；本方法还使用了基于BERT的深度空时神经网络模型，模型可以并行计算，相较于现有预测模型，能够极大的提升时间效率。间效率。间效率。

【技术实现步骤摘要】
一种城市用车需求量预测方法、设备及存储介质


[0001]本专利技术涉及数据挖掘
，特别涉及一种城市用车需求量预测方法、设备及存储介质。

技术介绍

[0002]目前通过对城市用车需求量(包括出租车用车需求和网约车用车需求等)的预测方法主要是将用车需要量视为时间序列，训练学习模型，最后进行预测。学习模型主要有传统的机器学习模型、传统的深度学习模型和基于注意力机制的深度学习模型。但这三种技术还存在着以下缺陷：
[0003](1)传统的机器学习模型主要是使用回归综合移动平均(ARIMA)及其变体技术，其利用前几个时间段的历史需求数据来实现未来用车需求量的预测，因为时间周期是动态的，同时用车需求易受气候、节假日等诸多外在因素的影响，这导致传统的机器学习模型的预测准确度较低。
[0004](2)传统的深度学习模型使用递归神经网络(RNN)，如门控循环单元(GRU)和长短记忆(LSTM)，但传统的深度学习模型的RNN单元无法并行计算，易出现训练和计算效率低下等问题。
[0005](3)基于注意力机制的深度学习模型利用用车需求量数据与其他地区用车需求量数据之间的相似度来做匹配，其中引入一种与Transformer结构相同的多头注意力模型来预测城市用车需求，同时时空注意力机制捕捉了城市用车需求的时空关系。虽然这些研究是最早利用注意力机制从复杂的时空关系来预测出租车需求的，但其忽视各区域功能相似性的重要性，因为功能相似的地区可能会有不同的用车需求，如居民区和商业区中用车需求量是不同的，对于某一地区、某一时刻，商业区的用车需求量高峰期在晚上下班时间，居民区对于用车需求量高峰区在早上上班的时候，因此目前基于注意力机制的深度学习模型无法对某颗粒度区域某时刻用车需求量进行较为精准的预测。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种城市用车需求量预测方法、设备及存储介质，能够对城市各区域各时段的用车需求量进行细粒度、高精度的预测，提高城市车辆资源的利用率。
[0007]本专利技术的第一方面，提供了一种城市用车需求量预测方法，包括以下步骤：
[0008]S100、将待预测区域划分成若干网格；
[0009]S200、采集各个所述网格内的时态数据和空间数据作为训练集，所述时态数据包括气象特征、事件特征和历史需求，所述空间数据包括全部所述网格中各类POIs的数量；
[0010]S300、将所述训练集输入至预设的基于BERT的深度空时神经网络模型进行训练；
[0011]S400、通过训练完成的所述基于BERT的深度空时神经网络模型对所述待预测区域中任意区域的下一时段的用车需求量进行预测。
[0012]根据本专利技术的实施例，至少具有如下技术效果：
[0013]本方法采集的时态数据包括气象特征、事件特征和历史需求，空间数据包括若干POIs，在数据采集上，充分考虑了气象特征和事件特征等外部因素和POIs所代表的地区功能相似性对用车需求量的影响，能够提升用车需求量预测的准确度；本方法还使用了基于BERT的深度空时神经网络模型进行训练和预测，模型基于BERT的架构，可以实现并行计算，相较于现有神经网络预测模型，本模型能够极大的提升训练和预测的时间效率。
[0014]根据本专利技术的一些实施例，所述基于BERT的深度空时神经网络模型的预测，包括步骤：
[0015]对所述时态数据和所述空间数据进行预处理；
[0016]将预处理后的所述时态数据输入至位置嵌入层进行时间顺序调整；
[0017]将所述位置嵌入层的输出结果输入至时空嵌入层，所述时空嵌入层包括一个多层感知器；
[0018]将所述时空嵌入层的输出结果输入至至少一个编码器中，所述至少一个编码器的输出结果输入至全连接层，得到第一输出结果；
[0019]将预处理后的所述空间数据输入至依次连接的编码器和全连接层中，得到第二输出结果；
[0020]将所述第一输出结果和所述第二输出结果进行级联并输入全连接层中，得到预测结果。
[0021]根据本专利技术的一些实施例，所述至少一个编码器为两个并行独立运行的编码器。
[0022]根据本专利技术的一些实施例，将所述训练集输入至预设的基于BERT的深度空时神经网络模型中进行训练之后，还包括步骤：通过测试集对训练完成的所述基于BERT的深度空时神经网络模型进行测试。
[0023]根据本专利技术的一些实施例，所述对所述时态数据进行预处理，包括步骤：
[0024]将所述气象特征和所述时态特征分别输入至对应的第一全连接层；
[0025]将两个所述第一全连接层的输出结果和所述历史需求共同输入至第二全连接层，得到所述时态数据的预处理结果。
[0026]根据本专利技术的一些实施例，所述气象特征包括：温度、湿度、能见度、风速、降水量和天气情况。
[0027]根据本专利技术的一些实施例，所述事件特征包括：节假日事件、工作日事件和周末事件。
[0028]根据本专利技术的一些实施例，所述POIs包括住宅区、教育设施、文化设施、娱乐设施、社会服务设施、交通设施、商业设施、政府设施、宗教设施、卫生服务设施、公共安全设施和水源设施。
[0029]本专利技术的第二方面，提供了一种城市用车需求量预测设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如本专利技术第一方面所述的城市用车需求量预测方法。
[0030]本专利技术的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如本专利技术第一方面所
述的城市用车需求量预测方法。
[0031]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0032]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0033]图1为本专利技术实施例提供的一种城市用车需求量预测方法的流程示意图；
[0034]图2为本专利技术实施例提供的一组纽约市划分的网格地图；
[0035]图3为本专利技术实施例提供的一组纽约市19151网格三个时间间隔内的实际出租车用车需求的示意图；
[0036]图4为本专利技术实施例提供的一组纽约市21584网格的周末和工作日的实际出租车用车需求的比较示意图；
[0037]图5为本专利技术实施例提供的一组居民区和商业区一天24小时对于出租车用车需求的示意图；
[0038]图6为本专利技术实施例提供的通过模型训练所得数据集验证细粒度内预配置用车数量的结果正确性的流程示意图；
[0039]图7为本专利技术实施例提供的检验训练完成的模型的预测准确度的流程示意图；
[0040]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市用车需求量预测方法，其特征在于，包括以下步骤：S100、将待预测区域划分成若干网格；S200、采集各个所述网格内的时态数据和空间数据作为训练集，所述时态数据包括气象特征、事件特征和历史需求，所述空间数据包括全部所述网格中各类POIs的数量；S300、将所述训练集输入至预设的基于BERT的深度空时神经网络模型进行训练；S400、通过训练完成的所述基于BERT的深度空时神经网络模型对所述待预测区域中任意区域的下一时段的用车需求量进行预测。2.根据权利要求1所述的城市用车需求量预测方法，其特征在于，所述基于BERT的深度空时神经网络模型的预测，包括步骤：对所述时态数据和所述空间数据进行预处理；将预处理后的所述时态数据输入至位置嵌入层进行时间顺序调整；将所述位置嵌入层的输出结果输入至时空嵌入层，所述时空嵌入层包括一个多层感知器；将所述时空嵌入层的输出结果输入至至少一个编码器中，所述至少一个编码器的输出结果输入至全连接层，得到第一输出结果；将预处理后的所述空间数据输入至依次连接的编码器和全连接层中，得到第二输出结果；将所述第一输出结果和所述第二输出结果进行级联并输入全连接层中，得到预测结果。3.根据权利要求2所述的城市用车需求量预测方法，其特征在于，所述至少一个编码器为两个并行独立运行的编码器。4.根据权利要求1所述的城市用车需求量预测方法，其特征在于，将所述训练集输入至预设的基于BERT的深度空时神经网络模型中进行训练之后，还包括步骤：通...

【专利技术属性】
技术研发人员：曹敦，曾凯，王进，张应宝，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：