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：