基于时序分解与改进TSDf的网约车需求量预测方法技术

本发明专利技术涉及网约车需求量预测技术领域，尤其涉及基于时序分解与改进TSDf的网约车需求量预测方法，包括采集网约车需求量和控制参数；将RevIN操作后的输入序列分解为季节项和趋势项；改进Encoder层包括：位置编码层特征输入第一频域选择模块后与位置编码层特征进行concat操作；再输入第一层归一化和编码前馈层，并与第一层归一化的特征进行concat操作；再输入第二层归一化；利用线性神经网络对趋势项进行预测；将季节项预测特征和趋势项预测特征相加，并进行逆RevIN操作生成预测结果。本发明专利技术解决现有网约车需求量预测模型存在精度和性能无法同时兼顾的问题。

【技术实现步骤摘要】

本专利技术涉及网约车需求量预测，尤其涉及基于时序分解与改进tsdf的网约车需求量预测方法。

技术介绍

1、网约车是出行者通过网站或app预约出租车服务的一种新型出行方式；然而交通基础设施的承载能力有限，网约车需求量会各种因素影响，导致网约车的供需时空分布失衡。

2、网约车需求量预测问题通常被视为时间序列分析任务；目前主要通过包括统计学、传统机器学习和深度学习模型和神经网络；公开号为cn118154240a专利，通过结合transformer和gan的模型进行需求量预测，但该模型结构非常复杂，参数计算量大，会导致模型训练和调优的难度增加，需要更长的时间来训练模型；另外，原始transformer在时域中进行预测，往往无法捕获时间序列的总体特征和分布；同时，对抗式训练涉及到生成器和鉴别器之间的平衡，可能需要精细的超参数调整来达到最佳效果；预测性能高度依赖于输入数据的质量和特征，当存在噪声或信息缺少，对模型预测准确性影响较大。

3、公开号为cn118313638a专利，结合多种模型同样存在结构复杂，需要大量计算资源和训练时间；另外，虽然模本文档来自技高网...

【技术保护点】

1.一种基于时序分解与改进TSDf的网约车需求量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时序分解与改进TSDf的网约车需求量预测方法，其特征在于，步骤四还包括：对Transformer模型的解码器改进，利用改进解码器对季节项进行特征提取；改进解码器是将位置编码层特征输入第二频域选择模块后与位置编码层特征进行concat操作；再输入第三层归一化，并与编码器输出特征共同输入第一频域注意力模块；并与第三层归一化的特征进行concat操作；再输入第四层归一化和解码前馈层；并与第四层归一化特征进行concat操作，再输入第五层归一化，得到季节项预测特征。...

【技术特征摘要】

1.一种基于时序分解与改进tsdf的网约车需求量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时序分解与改进tsdf的网约车需求量预测方法，其特征在于，步骤四还包括：对transformer模型的解码器改进，利用改进解码器对季节项进行特征提取；改进解码器是将位置编码层特征输入第二频域选择模块后与位置编码层特征进行concat操作；再输入第三层归一化，并与编码器输出特征共同输入第一频域注意力模块；并与第三层归一化的特征进行concat操作；再输入第四层归一化和解码前馈层；并与第四层归一化特征进行concat操作，再输入第五层归一化，得到季节项预测特征。

3.根据权利要求1和2所述的基于时序分解与改进tsdf的网约车需求量预测方法，其特征在于，频域选择模块包括：

4.根据权利要求3所述的基于时序分解与改进tsdf的网约车需求量预测方法，其特征在于，傅里叶基的相位和振幅的公式为：

5.根据权利要求4所述的基于时序分解与改进tsdf的网约车需求量预测方法，其特征在...

【专利技术属性】
技术研发人员：包涵，潘赛虎，王雪，金立强，王鑫，刘福庆，沈思彤，
申请(专利权)人：常州大学，
类型：发明
国别省市：