一种网约车出行需求的预测模型构建方法和预测方法技术

本发明专利技术公开了一种网约车出行需求的预测模型构建方法，包括：样本数据采集，生成多维数据矩阵；其中，样本数据包括历史网约车订单数据、建成环境数据和时序预测特征数据；多维数据矩阵的结构为：时段数×基本格网数×变量因子个数，变量因子包括因变量和解释变量；样本数据筛选，从多维数据矩阵中提取候选特征数据集；从候选特征数据集中划分网约车出行需求预测特征数据集和标签数据集，构建训练集、测试集和验证集；加载预测模型，用特征数据集和标签数据集进行模型训练，构建网约车出行需求预测模型。通过本发明专利技术，可以提高出行预测准确性，摆脱了对前序时间切片数据的过度依赖，增强预测模型的典型性和不同区域适用性。

【技术实现步骤摘要】

本专利技术涉及人工智能应用，具体而言，涉及一种网约车出行需求的预测模型构建方法和预测方法。

技术介绍

1、随着网络通信技术和全球卫星定位技术发展，“互联网+”潮流的冲击对居民的交通出行带来了巨大改变，尤其是智能手机的普及，给网约车行业飞速发展增添了强劲动力。网约车出行以快速、舒适、便捷的特点近年来占据了大量的传统出租车市场份额。同时，由于城市化进程不断加快，交通拥堵、打车难、寻客难等交通城市病问题依然严重，网约车供给与乘客出行需求不匹配问题仍然困扰着供需双方。因此，需要一种技术方案，对不同区域居民网约车的出行需求进行快速、准确预测。

2、由于城市交通需求量突出的非平稳和非线性特征，简单线性模型在实际预测应用中具有较多的局限性，难以达到理想效果。参数模型基于一定的假设条件，模型参数通过数据计算得来，虽然需要的训练数据更少，但其对大数据中潜在信息挖掘仍然有限。因此，在目前的方案中基本上是基于非参数模型或组合改进模型对交通出行需求进行预测。从具体应用来看，在交通预测领域，长短期记忆(lstm)网络、门控循环单元(gru)结构的循环神经网络、时空网络(本文档来自技高网...

【技术保护点】

1.一种网约车出行需求的预测模型构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的构建方法，其特征在于，所述历史网约车订单数据包括订单开始时间、订单结束时间、订单开始经纬度、订单结束经纬度；

3.根据权利要求2所述的的构建方法，其特征在于，所述网约车出行需求预测特征数据集包括：格网内POI数据、格网内路网密度、格网内平均房价、格网内建筑物面积、研究时段内平均气温、研究时段内平均风速、研究时段内平均降水、是否高峰和是否周末。

4.根据权利要求1所述的构建方法，其特征在于，所述生成多维数据矩阵包括：

5.根据权利要求4所述的构建方法...

【技术特征摘要】

1.一种网约车出行需求的预测模型构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的构建方法，其特征在于，所述历史网约车订单数据包括订单开始时间、订单结束时间、订单开始经纬度、订单结束经纬度；

3.根据权利要求2所述的的构建方法，其特征在于，所述网约车出行需求预测特征数据集包括：格网内poi数据、格网内路网密度、格网内平均房价、格网内建筑物面积、研究时段内平均气温、研究时段内平均风速、研究时段内平均降水、是否高峰和是否周末。

4.根据权利要求1所述的构建方法，其特征在于，所述生成多维数据矩阵包括：

5.根据权利要求4所述的构建方法，其特征在于，

6.根据权利...

【专利技术属性】
技术研发人员：曹衍，徐鹏，曾飞翔，苟胜国，王小标，成勇，
申请(专利权)人：中国电建集团贵阳勘测设计研究院有限公司，
类型：发明
国别省市：