[发明专利]一种基于C-GRU的网约车供需预测方法

权利要求书

1.一种基于C-GRU的网约车供需预测方法，首先对网约车出行数据预处理，然后利用卷积神经网络对数据进行训练，从而提取特征并实现降维得到低维特征图谱，将所述低维特征图谱输入到门限循环(GRU)神经网络模型中进行网约车供需预测，其特征在于：

所述网约车出行数据的预处理方法如下：

将一个城市划分为n个互不重叠的正方形区域D＝{d₁，d₂，...，d_i，...，d_n}，将每一天的24小时划分为144个10分钟长的时间片t₁，t₂，...，t_j，...，t₁₄₄，对于区域d_i，在时间片t_j，有r_ij个乘客发单，有a_ij个司机成功应答了a_ij次发单，则对于区域d_i，在时间片t_j，定义需求demand_ij＝r_ij，供给sup ply_ij＝a_ij，有供需缺口gap_ij＝r_ij-a_ij，将影响供需预测的数据按每十分钟时间段进行划分，最终得到影响供需预测的特征：区域特征、温度特征、天气特征、时间特征、交通拥堵特征、PM2.5特征以及上一时刻的供需差额特征；

所述门限循环神经网络模型中的重置门和更新门在大量训练中不断调整自身参数，使得能够从卷积神经网络中提取的信息依从时间关系，之后通过交叉熵代价函数计算输出层的梯度，从隐层到输出层利用Adam算法优化梯度值，最后经过softmax函数的处理，得到分类的结果；

在t时刻，所述门限循环神经网络模型中，重置门激活信息r_t＝σ(W_r*[h_t-1，x_t])，更新门激活信息z_t＝σ(W_Z*[h_t-1，x_t])，候选激活值激活值其中x_t为时刻t的输入，W_r，W_Z，W分别为重置门、更新门、候选激活值的权值参数，σ为激活函数，取sigmoid函数，*表示点乘，即两个向量对应维度的数据的乘积；

所述经过softmax函数的处理后，输出层会输出一个k维的向量，向量的每一维的值为样本b_t分别在设定的k类预测值的概率，设样本b_t落入每一个类别m的概率为P(y＝m|b_t)，最终的预测结果为T(B_t)＝MAX(P(y＝m|b_t))，将供需差额值分为六类，分别为G1、G2、G3、G4、G5、G6，分别对应0～5、5～10、10～20、20～30、30～50、50，同时分别对应输出层的6个维度，公式体现为选取最大的概率为模型的预测范围，也就是落入6类概率的最大值；

所述区域特征为区域的编号，所述温度特征是将温度划分成五个级别T1、T2、T3、T4、T5，分别对应温度为0～5℃、5～10℃、10～15℃、15～20℃、20～25℃；所述天气特征是将天气划分成三类W1、W2、W3，分别对应晴或者多云、雨、雾；所述时间特征是将工作日记为W，将节假日记为H，工作日的工作时间记为WWT，工作日的上下班高峰时间记为WGT，工作日的早高峰前、晚高峰后时间记为WQT，其余时间记为WDT；节假日的日间时间记为HFT，其余时间记为HRT；所述交通拥堵特征是将拥堵情况分成五个级别TCI1、TCI2、TCI3、TCI4、TCI5，分别对应畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵；所述PM2.5特征是将PM2.5划分成五类PM1、PM2、PM3、PM4、PM5，分别对应优、良、轻度污染、中度污染、重度污染，所述上一时刻的供需差额特征是将前30分钟内每10分钟的供需差额进行分片处理，对于每10分钟内的供需差额划分为6个级别LG1、LG2、LG3、LG4、LG5、LG6，分别对应0～5、5～10、10～20、20～30、30～50、50。