网约车需求预测方法技术

本申请提供一种网约车需求预测方法

【技术实现步骤摘要】
网约车需求预测方法、装置、设备及存储介质


[0001]本申请涉及交通预测
，尤其涉及一种网约车需求预测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]随着城市交通发展迅速，人们出行使用网约车的需求量不断增大，从而导致交通道路拥堵的情况时常出现
。
通常网约车需求预测不准确会导致路径规划与当前交通状况不匹配，导致网约车大量聚集于一些地区，交通压力过大，因此，实时准确的网约车需求预测可以提供有效的出行信息，节约出行者通行时间，缓解城市交通系统的压力
。
[0003]现有技术中，可以通过获取出发地网约车的先验知识，如历史网约车数据
、
网约车影响因素等，进而基于时间序列的方法
、
回归分析的方法或卷积神经网络的方法等对出发地的网约车需求进行建模，进而利用建立的模型预测所有地区的网约车需求
。
[0004]但是，上述模型在进行网约车需求预测时，考虑到对的网约车需求的影响因素较为单一，如仅利用卷积神经网络考虑空间因素，影响网约车需求的预测精度，使得预测的准确性降低
。

技术实现思路

[0005]本申请提供一种网约车需求预测方法
、
装置
、
设备及存储介质，用于解决现有模型在进行网约车需求预测时，考虑到对的网约车需求的影响因素较为单一，影响网约车需求的预测精度，存在预测的准确性降低的问题
。
[0006]第一方面，本申请提供一种网约车需求预测方法，所述方法包括：
[0007]获取网约车需求时间以及预设时间段内网约车起始地和网约车目的地对应的道路交通数据，并对所述道路交通数据进行预处理，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵；所述网约车需求时间为用户需要使用网约车的时间；
[0008]基于预定时间间隔对所述道路交通状态矩阵进行全局视图划分，得到多个过程视图状态矩阵，并利用樽海鞘算法对所述多个过程视图状态矩阵进行处理，得到目标过程视图状态矩阵；
[0009]将所述目标过程视图状态矩阵和所述道路交通状态矩阵进行特征拼接，得到局部空间特征信息，并将所述局部空间特征信息输入预配置的门控循环卷积神经网络模型中，得到局部时空特征信息；
[0010]对所述局部时空特征信息进行降维处理，得到区域特征信息，计算所述区域特征信息的点积，得到全局空间特征信息，并将所述网约车需求时间和所述全局空间特征信息输入转换器模型中，得到预测结果；所述预测结果用于预测所述网约车需求时间对应的网约车数量
。
[0011]可选的，对所述道路交通数据进行预处理，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵，包括：
[0012]对所述道路交通数据进行归一化处理，并对所述网约车起始地和网约车目的地进行网格划分以形成网格区域；
[0013]基于所述网格区域将经过归一化处理后的所述道路交通数据进行维度转换，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵
。
[0014]可选的，将所述目标过程视图状态矩阵和所述道路交通状态矩阵进行特征拼接，得到局部空间特征信息，包括：
[0015]获取网约车对应的应用场景，并确定所述应用场景下所述目标过程视图状态矩阵和所述道路交通状态矩阵对应的权重值；
[0016]基于所述权重值，对所述目标过程视图状态矩阵和所述道路交通状态矩阵进行加权求和，得到局部空间特征信息
。
[0017]可选的，所述预配置的门控循环卷积神经网络模型的构建过程包括：
[0018]获取训练数据集，所述训练数据集包括多个时间段
、
多个区域信息以及每一时间段对应的区域内网约车数量；
[0019]利用所述训练数据集对门控循环卷积神经网络模型进行迭代训练，得到预配置的门控循环卷积神经网络模型
。
[0020]可选的，所述局部空间特征信息包括局部区域信息和局部区域对应的网约车数量；将所述局部空间特征信息输入预配置的门控循环卷积神经网络模型中，得到局部时空特征信息，包括：
[0021]将所述局部区域信息和所述网约车数量输入到预配置的门控循环卷积神经网络模型中，得到包括预测时间的局部时空特征信息；所述预测时间为所述局部空间特征信息对应的预测时间段
。
[0022]可选的，对所述局部时空特征信息进行降维处理，得到区域特征信息，计算所述区域特征信息的点积，得到全局空间特征信息，包括：
[0023]针对每一区域，对所述局部时空特征信息进行降维处理，得到区域特征信息；
[0024]将所述区域特征信息进行转置，并利用转置后的区域特征信息和原区域特征信息进行点积运算，得到全局空间特征信息
。
[0025]可选的，所述方法还包括：
[0026]获取多个历史预测结果以及所述多个历史预测结果在所述网约车需求时间对应的实际网约车数量；
[0027]基于所述多个历史预测结果和所述实际网约车数量，利用评价算法对所述多个历史预测结果进行预测精度的计算，得到评价结果；所述评价算法包括均绝对百分比误差方法
、
均标准误差方法和
/
或均绝对误差方法；
[0028]基于所述评价结果生成提示信息，以提示用户对网约车需求预测方法进行修正
。
[0029]第二方面，本申请提供一种网约车需求预测装置，所述装置包括：
[0030]获取模块，用于获取网约车需求时间以及预设时间段内网约车起始地和网约车目的地对应的道路交通数据，并对所述道路交通数据进行预处理，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵；所述网约车需求时间为用户需要使用网约车的时间；
[0031]处理模块，用于基于预定时间间隔对所述道路交通状态矩阵进行全局视图划分，
得到多个过程视图状态矩阵，并利用樽海鞘算法对所述多个过程视图状态矩阵进行处理，得到目标过程视图状态矩阵；
[0032]输入模块，用于将所述目标过程视图状态矩阵和所述道路交通状态矩阵进行特征拼接，得到局部空间特征信息，并将所述局部空间特征信息输入预配置的门控循环卷积神经网络模型中，得到局部时空特征信息；
[0033]预测模块，用于对所述局部时空特征信息进行降维处理，得到区域特征信息，计算所述区域特征信息的点积，得到全局空间特征信息，并将所述网约车需求时间和所述全局空间特征信息输入转换器模型中，得到预测结果；所述预测结果用于预测所述网约车需求时间对应的网约车数量
。
[0034]第三方面，本申请还提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0035]所述存储器存储计算机执行指令；
[0036]所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的方法
。...

【技术保护点】

【技术特征摘要】
1.
一种网约车需求预测方法，其特征在于，所述方法包括：获取网约车需求时间以及预设时间段内网约车起始地和网约车目的地对应的道路交通数据，并对所述道路交通数据进行预处理，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵；所述网约车需求时间为用户需要使用网约车的时间；基于预定时间间隔对所述道路交通状态矩阵进行全局视图划分，得到多个过程视图状态矩阵，并利用樽海鞘算法对所述多个过程视图状态矩阵进行处理，得到目标过程视图状态矩阵；将所述目标过程视图状态矩阵和所述道路交通状态矩阵进行特征拼接，得到局部空间特征信息，并将所述局部空间特征信息输入预配置的门控循环卷积神经网络模型中，得到局部时空特征信息；对所述局部时空特征信息进行降维处理，得到区域特征信息，计算所述区域特征信息的点积，得到全局空间特征信息，并将所述网约车需求时间和所述全局空间特征信息输入转换器模型中，得到预测结果；所述预测结果用于预测所述网约车需求时间对应的网约车数量
。2.
根据权利要求1所述的方法，其特征在于，对所述道路交通数据进行预处理，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵，包括：对所述道路交通数据进行归一化处理，并对所述网约车起始地和网约车目的地进行网格划分以形成网格区域；基于所述网格区域将经过归一化处理后的所述道路交通数据进行维度转换，分别构建所述网约车起始地和网约车目的地对应的道路交通状态矩阵
。3.
根据权利要求1所述的方法，其特征在于，将所述目标过程视图状态矩阵和所述道路交通状态矩阵进行特征拼接，得到局部空间特征信息，包括：获取网约车对应的应用场景，并确定所述应用场景下所述目标过程视图状态矩阵和所述道路交通状态矩阵对应的权重值；基于所述权重值，对所述目标过程视图状态矩阵和所述道路交通状态矩阵进行加权求和，得到局部空间特征信息
。4.
根据权利要求1所述的方法，其特征在于，所述预配置的门控循环卷积神经网络模型的构建过程包括：获取训练数据集，所述训练数据集包括多个时间段
、
多个区域信息以及每一时间段对应的区域内网约车数量；利用所述训练数据集对门控循环卷积神经网络模型进行迭代训练，得到预配置的门控循环卷积神经网络模型
。5.
根据权利要求4所述的方法，其特征在于，所述局部空间特征信息包括局部区域信息和局部区域对应的网约车数量；将所述局部空间特征信息输入预配置的门控循环卷积神经网络模型中，得到局部时空特征信息，包括：将所述局部区域信息和所述网约车数量输入到预配置的门控循环卷积神经网络模型中，得到包括预测时间的局部时空特征信...

【专利技术属性】
技术研发人员：楼俊钢，张心叶，申情，张雄涛，赵康，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：