基于轨迹语义化和图卷积网络的出租车需求预测方法技术

本发明专利技术属于智能交通领域，涉及出租车需求量特性分析，尤其涉及一种基于轨迹语义化和图卷积网络的出租车需求预测方法，包括从公开的出租车数据集中获取出租车的订单数据；从获取的出租车的订单数据以及地图数据汇总每个区域的需求量，并计算需求模式；根据交通出行量及需求模式的相似性，构建需求关系图和需求相似性图；基于图卷积神经网络构建时空特征提取模块，将需求关系图作为输入，提取区域之间的时空特征；区域之间的时空特征与需求相似性图结合输入全连接层预测得到出租车需求量；本发明专利技术可以预测特定时段内每个区域的出租车需求量，可应用于打车平台引导司机前往更容易接到乘客的区域，从而减少司机和乘客的等待时间，合理分配出租车资源。合理分配出租车资源。合理分配出租车资源。

【技术实现步骤摘要】
基于轨迹语义化和图卷积网络的出租车需求预测方法


[0001]本专利技术属于智能交通领域，涉及出租车需求量特性分析，尤其涉及一种基于轨迹语义化和图卷积网络的出租车需求预测方法。

技术介绍

[0002]交通作为城市的脉搏，影响着每个人的日常生活。在城市计算宏观框架下，智能交通(ITS)是重要的组成部分。当前，智能交通领域的研究主要集中于交通流预测、路线规划、乘车需求预测等。近年来，随着网约车打车服务的日益普及，能够以前所未有的规模收集海量需求数据。因此，乘车需求预测吸引了越来越多的国内外学者关注和研究。从本质上来看，这些研究都是为了能够合理分配交通资源。
[0003]在智能交通领域中，针对出租车资源分配的研究，学者们从出行分布特征、载客热区挖掘、出租车出行需求预测等方面进行研究，取得了较为丰富的研究成果。在出租车需求预测的研究中，主要从时间和空间两个维度来考虑需求预测的复杂性并进行建模。其中，对于时间特征的提取，长短期记忆LSTM和门控循环单元GRU是应用比较广泛的方法，而对于空间特征的处理，主要采用卷积神经网络CNN和图卷积神经网络GCN。此外，除了考虑时间和空间的影响因素，某些研究还考虑了外部影响因素，例如天气因素、地理因素等。
[0004]将自然语言处理的思想应用到出租车需求预测仍存在以下挑战：
[0005]1.起止位置关联语义化问题。与文本语义上下文相关性类似，不同区域间车辆轨迹数据具有复杂的需求相关性。如何将轨迹数据进行语义表示来捕获区域间需求关系仍具有挑战性。
[0006]2.时空相关性的同步捕获问题。出租车需求量预测受到复杂的时空相关性的影响，而现有方法通常使用单独组件分别捕获空间和时间相关性，无法捕获这种同时在时间和空间维度上传递的信息。如何实现时空相关性的同步捕获是个关键问题。
[0007]3.相似需求模式词频化问题。功能相似的两个区域，它们的位置可能在空间上相距遥远，但需求模式具有相似性。如何类比文本关键词提取，将轨迹数据转化为不同区域各个时间的需求频率，并从中挖掘区域间需求相似性仍是个难点。

技术实现思路

[0008]针对以上问题，本申请提出一种基于轨迹语义化和图卷积网络的出租车需求预测方法，具体包括以下步骤：
[0009]从公开的出租车数据集中获取出租车的订单数据；
[0010]从获取的出租车的订单数据以及地图数据汇总每个区域的需求量，并计算需求模式；
[0011]根据交通出行量及需求模式的相似性，构建需求关系图和需求相似性图；
[0012]基于图卷积神经网络构建时空特征提取模块，将需求关系图作为输入，提取区域之间的时空特征；
[0013]区域之间的时空特征与需求相似性图结合输入全连接层预测得到出租车需求量。
[0014]进一步的，一个区域的需求模式为该区域一周内每天的平均出租车需求量。
[0015]进一步的，需求关系图的获取过程包括以下步骤：
[0016]获取每条出租车的订单数据中的起点和终点，并将订单数据中的起点和终点作为轨迹节点；
[0017]将所有轨迹节点按照区域进行分类，统计以区域i和区域j为轨迹节点的订单量，将该订单量作为区域i和区域j之间的需求关系；
[0018]将一个时间步内区域之间是否存在需求关系利用邻接矩阵进行表示，并将相邻的三个时间步的邻接矩阵拼接在一起作为需求关系图。
[0019]进一步的，提取区域之间的时空特征包括以下步骤：
[0020]构建由多个图卷积构成的局部时空模块，将需求关系图作为局部时空模块的输入，将每个图卷积的结果聚合在一起作为局部时空特征；
[0021]构建全局时空模块，全局时空模块包括K
‑
2个局部时空模块，将输入的需求关系图切分成K
‑
2个子图，K
‑
2个局部时空模块分别处理一个子图；
[0022]将K
‑
2个局部时空模块的输出拼接在一起作为全局时空特征。
[0023]进一步的，第l个图卷积的输出表示为：
[0024]GCN(h
(l
‑
1)
)＝h
(l)
＝(A'h
(l
‑
1)
W1+b1)
⊙
σ(A'h
(l
‑
1)
W2+b2)
[0025]其中，h
(l)
表示第l个图卷积的输出，h0是需求关系图的邻接矩阵；σ表示激活函数；A'∈R
3N
×
3N
表示需求关系图，N表示区域的数量；W1∈R
C
×
C'
、W2∈R
C
×
C'
、b1∈R
C'
、b2∈R
C'
是可学习的参数，C是输入特征数量，C'是输出特征数量；
⊙
表示哈达玛积。
[0026]进一步的，获取需求相似性图时，计算任意两个区域的需求模式的相似度作为需求相似性图中边的权重，表示为：
[0027][0028]其中，sim(X,Y)表示区域X与区域Y的需求模式相似度，α为距离衰减参数，DTW(X,Y)表示区域X与区域Y的需求模式之间的动态时间规整距离。
[0029]进一步的，采用DTW算法计算区域X与区域Y的需求模式之间的动态时间规整距离DTW(X,Y)时，限制DTW算法的搜索长度T和搜索空间，表示为：
[0030]ω
k
＝(i,j),|i
‑
j|≤T；
[0031]其中，ω
k
表示计算需求模式序列X和Y的距离时的搜索空间，|i
‑
j|≤T表示每次只计算序列X中第i个数据与序列Y中从第i
‑
T到i+T范围内数据的差值。
[0032]本专利技术聚焦于区域间需求相关性的提取，对轨迹数据进行语义化，挖掘轨迹节点间存在的上下文关系，即区域间的需求相关性；然后，基于图卷积网络设计了LSTGCM和GSTGCM模块捕获轨迹节点的时空特征。最后，通过需求词频化，将需求转换成时间序列，用于计算任意两个区域的需求模式相似度，进一步提高预测的准确性。
附图说明
[0033]图1为本专利技术一实施例的流程图；
[0034]图2为本专利技术NC
‑
Matrix起止位置关联语义化示意图；
[0035]图3为本专利技术需求关系提取；
[0036]图4为本专利技术基于图卷积神经网络的时空特征提取示意图；
[0037]图5为本专利技术需求模式词频化示意图；
[0038]图6为本专利技术fast
‑
DTW搜索空间示意图。
具体实施方式
[0039]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，而不是全部的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于轨迹语义化和图卷积网络的出租车需求预测方法，其特征在于，包括以下步骤：从公开的出租车数据集中获取出租车的订单数据；从获取的出租车的订单数据以及地图数据汇总每个区域的需求量，并计算需求模式；根据交通出行量及需求模式的相似性，构建需求关系图和需求相似性图；基于图卷积神经网络构建时空特征提取模块，将需求关系图作为输入，提取区域之间的时空特征；区域之间的时空特征与需求相似性图融合输入全连接层预测得到出租车需求量。2.根据权利要求1所述的基于轨迹语义化和图卷积网络的出租车需求预测方法，其特征在于，一个区域的需求模式为该区域一周内每天的平均出租车需求量。3.根据权利要求1所述的基于轨迹语义化和图卷积网络的出租车需求预测方法，其特征在于，需求关系图的获取过程包括以下步骤：获取每条出租车的订单数据中的起点和终点，并将订单数据中的起点和终点作为轨迹节点；将所有轨迹节点按照区域进行分类，统计以区域i和区域j为轨迹节点的订单量，将该订单量作为区域i和区域j之间的需求关系；将一个时间步内区域之间是否存在需求关系利用邻接矩阵进行表示，并将相邻的三个时间步的邻接矩阵拼接在一起作为需求关系图。4.根据权利要求1所述的基于轨迹语义化和图卷积网络的出租车需求预测方法，其特征在于，提取区域之间的时空特征包括以下步骤：构建由多个图卷积构成的局部时空模块，将需求关系图作为局部时空模块的输入，将每个图卷积的结果聚合在一起作为局部时空特征；构建全局时空模块，全局时空模块包括K
‑
2个局部时空模块，将输入的需求关系图切分成K
‑
2个子图，K
‑
2个局部时空模块分别处理一个子图；将K
‑
2个局部时空模块的输出拼接在一起作为全局时空特征，即区域之间的时空特征。5.根据权利要求4所述的基于轨迹语义化和图卷积网络的出租车需求预测方法，其特征在于，第l个图卷积的输出表示为：GCN(h
(l
‑<...

【专利技术属性】
技术研发人员：贾朝龙，张文孝，王蓉，李暾，庞育才，段思睿，肖云鹏，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：