[发明专利]基于LSTM的滴滴订单需求预测方法及装置

说明书

本发明公开了一种基于LSTM的滴滴订单需求预测方法，包括以下步骤：对获取的GPS订单数据进行筛选清洗得到预处理数据，将预处理数据匹配到实际地图道路网络中；对预处理数据进行聚类分析得到区域数据簇，根据区域数据簇将实际地图道路网络划分若干子区域；根据子区域中的预处理数据训练基于长短期记忆网络的订单预测模型；通过订单预测模型预测每一子区域每一时段内的起点订单数量和终点订单数量，寻找热点区域；计算热点区域的订单差值，根据订单差值判断子区域该时段的车辆实际需求量。本发明还公开了一种基于LSTM的滴滴订单需求预测装置，本发明有利于提高滴滴司机的经济效益并提升乘客的乘车体验。

技术领域

本发明涉及涉及数据分析技术领域，尤其涉及一种基于LSTM的滴滴订单需求预测方法及装置。

背景技术

随着社会经济的快速发展，我国汽车保有量逐年增长，路网结构也日趋完善，但是交通拥堵制约城市发展，滴滴与乘客之间的供求关系是导致交通拥堵的一大重点因素。滴滴GPS数据包含海量信息，能够全方位覆盖城市路网交通，既能反映滴滴载客规律也能反映乘客需求特征和出现规律。

借助于数据挖掘技术对滴滴的海量GPS数据进行分析，发现其中蕴含的信息和滴滴与乘客供求关系将有助于滴滴高效寻找乘客，也可大大缓解交通拥堵情况。目前已经有基于滴滴GPS数据分析了滴滴的巡航行为和历史载客点信息，以及多种短时交通流模型预测方法，包括基于数学统计的模型，利用数理统计的理论和方法对交通流数据进行分析并预测，主要包括时间序列预测模型、非参数回归模型、卡尔曼滤波模型等；还包括基于神经网络的预测模型，由一系列简单但相互连接的处理单元构成的一个计算系统，也包括基于组合模型的预测方法，将两种或两种以上不同类型的预测模型组合起来进行最终预测，充分发挥各个预测模型的优点，克服各自的缺陷。

但是上述研究均未涉及到某一时段内某一区域交通流对滴滴载客的影响，因此亟需设计一种基于某一时段某一区域交通流的信息来帮助司机寻找乘客的方法。

发明内容

针对上述现有技术存在不足，本发明提供基于LSTM的滴滴订单需求预测方法及装置。能够提取交通数据中的空间依赖关系，完成对目标地区交通需求的预测。

本发明采用的技术方案为：

基于LSTM(Long Short-Term Memory，长短期记忆网络)的滴滴订单需求预测方法，包括以下步骤：

对获取的GPS订单数据进行筛选清洗得到预处理数据，将预处理数据匹配到实际地图道路网络中；

对预处理数据进行聚类分析得到区域数据簇，根据区域数据簇将实际地图道路网络划分若干子区域；

根据子区域中的区域数据簇训练基于长短期记忆网络的订单预测模型；

通过订单预测模型预测每一子区域每一时段内的起点订单数量和终点订单数量，寻找热点区域；

计算热点区域的订单差值，根据订单差值判断子区域该时段的滴滴需求量。

作为本发明的进一步技术方案为：所述对获取到的GPS订单数据进行筛选清洗得到预处理数据，将预处理数据匹配到实际地图道路网络中；具体包括：

清除获取的GPS订单数据中的空值及缺失数据；

清除GPS订单数据中的轨迹信息，保留每一订单中的起点和终点数据信息；

根据起点和终点数据的经纬度信息将其匹配到路网。

进一步的，所述GPS订单数据包括司机ID，乘客ID，移动轨迹信息、上下车经纬度，上下车时间，所述预处理数据包括上下车经纬度及上下车时间。

进一步的，所述根据起点和终点数据的经纬度信息将其匹配到路网，具体为：采用QGIS或MAPGIS或ArcGIS标记软件，将订单数据的起点和终点匹配到路网上。