一种考虑出发地和目的地的网约车需求预测方法及系统技术方案

本发明专利技术公开了一种考虑出发地和目的地的网约车需求预测方法及系统，通过制定考虑了出发地和目的地的网约车需求预测深度学习模型，设计了多种动态和静态OD图来描述出发地和目的地之间的网约车需求交易，进而提出了一种新的深度学习模型：基于对抗生成结构的动态多图卷积神经网络(DMGC

【技术实现步骤摘要】
一种考虑出发地和目的地的网约车需求预测方法及系统


[0001]本专利技术涉及交通流预测
，具体涉及一种考虑出发地和目的地的网约车需求预测方法及系统。

技术介绍

[0002]网约车需求预测在网约车车辆调度、交通状态控制和智能交通系统建设中发挥着重要作用。准确、实时的网约车需求预测对于改善供需失衡、车辆利用率和交通状况至关重要。然而，现有需求预测
大多是基于规则区域划分的需求预测，而基于出发地
‑
目的地(OD)的需求预测技术较少。
[0003]现有考虑出发地
‑
目的地的网约车需求预测技术只考虑构建OD对，分析提取OD对之间的关系，其本质上是着眼于出行之间的关联，而不是OD区域之间的相关性。然而真实地从出发地
‑
目的地的区域水平角度出发，才能体现OD图内包含的时空关系，实现更精准的OD需求密度预测。现有技术大多依靠静态图和无向图结构，其无法对OD需求数据中的时变拓扑结构和有向拓扑结构进行建模。应该构造动态和有向OD图来捕获局部和全局的空间依赖关系，对OD需求数据进行动态有向拓扑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑出发地和目的地的网约车需求预测方法，其特征在于，包括步骤：根据目标时间段选取时间序列数据；将时间序列数据输入已构建好的基于对抗生成结构的动态多图卷积神经网络模型进行预测，得到目标时间段出发地和目的地的网约车需求量；所述基于对抗生成结构的动态多图卷积神经网络模型在构建时捕捉城市研究范围的动态OD图。2.根据权利要求1所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，基于对抗生成结构的动态多图卷积神经网络模型的构建方法包括以下步骤：S1、将城市研究范围划分为n个区域，并构建基于n个区域的加权有向图结构G；S2、构建问题；S3、定义由时态多图卷积网络构成的生成网络GN；S4、定义由隐含层和输出层组成的判别网络D；S5、基于S2，同时或交替训练S3和S4得到基于对抗生成结构的动态多图卷积神经网络模型。3.根据权利要求2所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，所述加权有向图结构G表示为：G＝(V,E,A)；其中V＝{v
i
,1≤i≤n}表示有向图中点集合，每个区域被定义为有向图中的一个点v
i
，1≤i≤n；E＝{e
ij
,1≤i≤n，1≤j≤n}表示有向图中边集合，任意两区域间存在连线e
ij
；A＝{a
ij
,1≤i≤n，1≤j≤n}表示有向图中边的权重矩阵；在加权有向图结构G中，对于特定时间段t内，区域i到任意区域j具有出行人数其中，1≤i≤n，1≤j≤n。4.根据权利要求3所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，构建加权有向图结构G的方法包括步骤：T1，定义表示时间段t内任意两区域间的乘车移动人数矩阵OD需求密度，T2，定义出发地和目的地相互吸引动态OD图及其权重矩阵和G
t
＝(V,E
t
,A
t
)，表示时间段t内包含出发地和目的地的动态OD图结构；权重矩阵和中有：中有：其中，[
·
]
ij
分别表示各个权重矩阵中第i
‑
行，j
‑
列的元素；exp(
·
)表示指数函数；
表示出发地为区域v
i
的所有需求总和，表示目的地为区域v
j
的所有需求总和；T3，定义乘客出行关联模式动态OD图的权重矩阵其中有：其中，[
·
}
ij
分别表示各个权重矩阵中i
‑
行，j
‑
列的元素；Cov(
·
，
·
)表示协方差计算公式；var(
·
)表示方差计算公式；表示出发地为区域v
i
的所有需求总和；T4，定义静态OD图及其邻接关系矩阵A
s
：G
s
＝(V,E
s
,A
s
)，表示不受区域间出行人数影响的包含空间地理信息的静态OD图；邻接关系矩阵A
s
中有：[A
s
]
ij
＝[A
s
]
ji
；[A
s
...

【专利技术属性】
技术研发人员：王杜娟，殷允强，王大江，黄子恒，张玮晗，
申请(专利权)人：四川大学，
类型：发明
国别省市：