【技术实现步骤摘要】
一种特征分割的网约车需求预测方法
[0001]本专利技术涉及网约车相关领域，具体为一种特征分割的网约车需求预测方法。
技术介绍
[0002]网约车已成为城市公共交通出行体系重要组成部分,满足了多样化的出行需求,但城市居民快速增长的网约车出行需求与服务车辆资源之间的供需矛盾逐渐突出。如能够准确预测短期的出行需求，网约车平台则可以及时调配车辆供应，以及发放乘客补贴，设置不同的司机奖励规则，基于此，提出了一种特征分割的网约车需求预测方法。
技术实现思路
[0003]本专利技术的目的在于提供一种特征分割的网约车需求预测方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种特征分割的网约车需求预测方法，包括以下步骤：
[0005]步骤S1、对网约车需求进行分割特征，对特征分割分为2类：时序周期特征和近点特征，其中时序周期特征X1,X2
…
Xn(n为时序数，5≤n≤10),且X1
…
Xn为14维向量；
[0006]步骤S2、所述步骤S1中近点特征设置为T，T为当日实时特征，且T是18维的向量；
[0007]步骤S3、根据最近6月内的数据，按7天为周期建立特征X1
…
Xn；
[0008]步骤S4、对所述步骤S1中时序周期特征使用LSTM网络构建模型，其中X1
…
Xn均为特征向量，每个X是14维向量，LSTM的输出为一个周期特征编码向量，维度为256维；>[0009]步骤S5、对所述步骤S2中近点特征使用DNN构建模型，输入T是18维向量，输出是256维近点特征编码向量，此DNN可用普通的6层或更深层的深度神经网络模型构建；
[0010]步骤S6、对步骤S4和步骤S5中256维的周期编码特征和256维的近点编码特征作为输入，进入DNN,输出是一个特征z，z为预测的订单量，训练过程中,y为标记值，此DNN用普通的6层或更深层的深度神经网络模型构建；
[0011]步骤S7、步骤S7、对所述步骤S4～S6中构建的深度神经网络模型的损失函数为均方误差其中m为样本数，yi为订单量的标记值，zi为前向网络模型计算的订单量预测值，优化目标为使得MSE最小，即预测误差的平均平方最小；再采用Adam优化算法进行训练步骤S4～S6中构建的深度神经网络模型，Adam优化算法是一种对随机梯度下降法的扩展，在计算机视觉和自然语言处理中广泛应用于深度学习，用来求解中MSE最小时机器学习模型的矩阵参数；
[0012]步骤S8、利用所述步骤S7得出的数据参数预测订单量，其中网约车线上生产环境可于一定时间周期对近点特征和周期特征进行构建，预测1小时订单量结果后，给予运营策略指导。
[0013]优选的，所述步骤S1中X是以7天为周期的特征，且X含5类特征为：
[0014]特征1、天气特征：当日温度x1，当日天气x2；
[0015]特征2、乘客特征：最近7日注册数x3，最近7日登录数x4，乘客昨日呼叫数x5，乘客昨日取消数x6等；
[0016]特征3、订单特征：当日有效优惠券数x7，昨日优惠补贴率x8，昨日司机奖励率x9，昨日奖励占昨日GMV比例x10等；
[0017]特征4、司机特征：昨日出车司机数x11，昨日司机均单数x12等；
[0018]特征5、活动特征：当日司机活动数x13，当日乘客活动数x14。
[0019]优选的，所述步骤S2中实时特征T含有如下4类：
[0020]第一类、时间特征：当前时刻序号t1，时间以5分钟为间隔，序号范围从0到287；当日是否节假日t2；当前是否高峰期t3；当前时刻距离高峰期时刻差值t4，单位分钟；
[0021]第二类、乘客近点特征：5分钟前价格预估数t5；5分钟前呼叫数t6；10分钟前价格预估数t7；10分钟前呼叫数t8；
[0022]第三类、订单近点特征：5分钟前打折订单数t9；5分钟前平均接单距离t10；5分钟前平均接单时间t11；10分钟前打折订单数t12；10分钟前平均接单距离t13；10分钟前平均接单时间t14；
[0023]第四类、司机近点特征：5分钟前出车司机数t15；5分钟前司机均单数t16；10分钟前出车司机数t17；10分钟前司机均单数t18。
[0024]优选的，所述步骤S4中具体构建的LSTM网络参数：输入特征维数设置input_dim为14，时间步长time_steps设置为n，输出层特征维数output_dim为256，隐藏层层数设置为1，epoch设置为120，是否返回时间序列return_sequence设置为false，确保LSTM最后一个时序返回的是一个特征向量，而不是一组特征向量；样本的time_steps*embedding_dim特征是time_steps个LSTM单元的输入，每个单元输入14个特征，即每个单元输入为X1或X2等，256个输出特征为周期特征的编码。
[0025]优选的，所述步骤S8中Adam相关参数设置为：
[0026]学习速率alpha＝0.001；
[0027]第一次估计的指数衰减率beta1＝0.9；
[0028]第二次估计的指数衰次减率beta2＝0.999；
[0029]最小参数是非常小的数epsilon＝10E
‑
8，其为了防止在实现中除以零。
[0030]与现有技术相比，本专利技术的有益效果是：本专利技术提供了一种特征分割的网约车需求预测方法解决预期网约车后1小时需求的问题，该方法对特征分割为周期特征和近点特征，并采用LSTM和DNN相结合的方式分别处理不同的特征，最后再由DNN融合对应2类编码特征。对比仅利用时序特征或仅采用单一模型的做法，该方法可提升预测准确度。
[0031]综上，本专利技术网约车1小时短时预测问题，能够指导网约车平台做好运力规划和司乘各类活动，从而提高公众出行效率。
附图说明
[0032]图1为本专利技术的工作流程示意图；
[0033]图2为本专利技术的深度神经网络模型结构示意图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]请参阅图1
‑
2，本专利技术提供一种技术方案：一种特征分割的网约车需求预测方法，包括以下步骤：
[0036]步骤S1、对网约车需求进行分割特征，对特征分割分为2类：时序周期特征和近点特征，其中时序周期特征X1,X2
…
Xn(n为时序数，5≤n≤10),且X1
…
Xn为14维向量；
[0037]步骤S2、所述步骤S1中近点特征设置为T，T为当日实时特本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种特征分割的网约车需求预测方法，其特征在于，包括以下步骤：步骤S1、对网约车需求进行分割特征，对特征分割分为2类：时序周期特征和近点特征，其中时序周期特征X1,X2
…
Xn(n为时序数，5≤n≤10),且X1
…
Xn为14维向量；步骤S2、所述步骤S1中近点特征设置为T，T为当日实时特征，且T是18维的向量；步骤S3、根据最近6月内的数据，按7天为周期建立特征X1
…
Xn；步骤S4、对所述步骤S1中时序周期特征使用LSTM网络构建模型，其中X1
…
Xn均为特征向量，每个X是14维向量，LSTM的输出为一个周期特征编码向量，维度为256维；步骤S5、对所述步骤S2中近点特征使用DNN构建模型，输入T是18维向量，输出是256维近点特征编码向量，此DNN可用普通的6层或更深层的深度神经网络模型构建；步骤S6、对步骤S4和步骤S5中256维的周期编码特征和256维的近点编码特征作为输入，进入DNN,输出是一个特征z，z为预测的订单量，训练过程中,y为标记值，此DNN用普通的6层或更深层的深度神经网络模型构建；步骤S7、对所述步骤S4～S6中构建的深度神经网络模型的损失函数为均方误差其中m为样本数，yi为订单量的标记值，zi为前向网络模型计算的订单量预测值，优化目标为使得MSE最小，即预测误差的平均平方最小；再采用Adam优化算法进行训练步骤S4～S6中构建的深度神经网络模型，Adam优化算法是一种对随机梯度下降法的扩展，在计算机视觉和自然语言处理中广泛应用于深度学习，用来求解中MSE最小时机器学习模型的矩阵参数；步骤S8、利用所述步骤S7得出的数据参数预测订单量，其中网约车线上生产环境可于一定时间周期对近点特征和周期特征进行构建，预测1小时订单量结果后，给予运营策略指导。2.根据权利要求1所述的一种特征分割的网约车需求预测方法，其特征在于：所述步骤S1中X是以7天为周期的特征，且X含5类特征为：特征1、天气特征：当日温度x1，当日天气x2；特征2、乘客特征：最近7日注册数x3，最近7日登录数x4，乘客昨日呼叫数x5，乘客昨日取消数x6等；特征3、订单特...
【专利技术属性】
技术研发人员：赵刚，
申请(专利权)人：上海赛可出行科技服务有限公司，
类型：发明
国别省市：
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。