[发明专利]一种基于深度学习的出租车载客点推荐方法

说明书

技术领域

本发明涉及计算机应用与机器学习交叉技术领域，尤其涉及一种基于深度学习的出租车载客点推荐技术。

背景技术

城市计算是计算机科学以城市为背景，跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域，是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战(如环境恶化、交通拥堵、能耗增加、规划落后等)的过程。城市计算将无处不在的感知技术、高效的数据管理和分析算法，以及新颖的可视化技术相结合，致力于提高人们的生活品质、保护环境和促进城市运转效率。出租车是城市客运交通的重要组成部分，是常规公共交通的重要补充。随着出租车数量的不断增长，以出租车为主要对象的智能交通相关技术目前已成为城市计算的一个重要研究课题。

深度学习是机器学习研究中的一个前沿领域，其概念由Hinton等人于2006年提出，目的是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，而深度神经网络是深度学习模型的一种重要实例。先前的机器学习方法如随机森林、支持向量机、线性回归、逻辑回归、反向传播神经网络等，都可以被看做是在输入层和输出层之间只有一个单隐层的模型，而深度神经网络模仿人的“神经元”对数据进行感知和学习，为了学习到数据之间非线性的复杂关系，可以将网络设置为多隐层的训练结构。目前，深度神经网络已经成功应用到图像分类、语音识别及自然语言处理等领域中，并取得了较好的成果。我们发现将深度神经网络应用于出租车载客点的推荐过程中来提高其推荐准确度，目前还是一个空白。现有的方法大都使用统计学习和浅层机器学习模型来处理出租车载客点的预测和推荐，这就导致了推荐系统不能很好地捕获底层GPS轨迹数据所隐含的模式，从而严重影响出租车载客点的推荐准确度。

发明内容

本发明为了解决现有方法的上述不足，提出了一种基于深度学习的出租车载客点推荐方法，图1给出了本发明的处理流程图。

本发明可以通过以下技术方案流程来实现，主要包括如下三个步骤：

1.大数据预处理。本发明首先对地图大数据和出租车GPS轨迹大数据进行预处理。对于地图大数据，采用网格化的方法，选定参考点，将地图分成固定大小的网格，形成网格地图。从而，每个网格所包围的区域都有固定的坐标，同时，每个落入该区域的GPS点具有一致的数据表示。

对于GPS轨迹大数据，本发明所采用的格式如下所示：

车id经度纬度方向角是否载客时间点日期…

首先，本发明根据是否载客，将GPS轨迹分成载客旅程和巡游旅程两大类。由于GPS设备定位的精度以及外部因素如天气、隧道等原因，轨迹数据往往存在一定的偏移，即并未准确定位到相应的道路上。因此，本发明利用地图匹配技术将GPS点映射到相应的道路上，得到更为准确的定位信息。对于载客旅程，本发明利用统计学习方法得到以下信息：载客热点、道路状况以及司机收入信息。其中，载客热点与道路状况都与出租车司机的寻客策略有很大关系。对于巡游旅程，本发明通过预处理得到的司机寻客时的上下文信息，如起始位置、行驶方向、天气等。