[发明专利]一种基于深度学习的网约车流量预测方法

说明书

本发明公开了一种基于深度学习的网约车流量预测方法，属于机器学习研究领域。该方法建立了历史交通量为输入的双向长短期记忆网络模型，即以过去8‑24小时的数据作为输入，预测未来一个小时的网约车流量数据。包括(1)获取网约车运营历史数据，统计网约车流量；(2)对网约车运营数据进行流量变化分析，匹配并标记流量骤增或骤减的外部环境属性；(3)DBSCAN聚类；(4)按照信息点扩大聚类区域；(5)构建以历史交通量分布为输入的LSTM预测模型，预测未来时间段的各区域的网约车流量数据。本发明的方法提高了预测准确性，尤其是在一些特殊情况下(如极端天气、节假日、大型活动等)的预测准确性。

技术领域

本发明属于机器学习研究领域，具体涉及一种基于深度学习的网约车流量预测方法。

背景技术

网约车服务已成为城市交通系统中一个重要且不可或缺的组成部分。随着服务规模越来越大，网约车时空分配不均匀的问题越来越突出，这往往会带来某个区域交通量突增而导致的交通拥堵。如何在有限的资源下，对网约车进行合理的时空分配是一个巨大的挑战。

为了解决这个问题，目前的解决方案包括在高峰时段提高网约车价格以抑制乘客需求量；闲置车辆重新从空闲区域分配到需求高峰区域以满足更多的人的需求；减少每辆车的空闲时间以提高满足乘客需求的速度；提供拼车服务，允许一个车辆可以同时满足多个乘客的需求等等。而这些策略都极其依赖于准确的实时需求预测，尤其是出发地-目的地(OD)对需求的预测。

近年来，深度学习方法越来越多地应用于交通工程的不同领域的研究。除了出行需求预测之外，深度学习方法还被广泛运用于短期交通流量预测和交通速度预测的研究。本发明旨在运用深度学习的手段结合网约车流量历史数据，对未来网约车的流量进行预测，可用于指导合理的网约车定价和分配策略。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于深度学习的网约车流量预测方法，对未来网约车的流量进行预测，用以指导网约车定价和分配策略。

为实现上述目的，本发明的技术方案是：

一种基于深度学习的网约车流量预测方法，包括以下步骤：

步骤1：获取网约车运营历史数据，所述的运营历史数据包括网约车行程的起始位置、起始时间、到达位置和到达时间，统计网约车流量；

步骤2：对网约车运营数据进行流量变化分析，匹配并标记流量骤增或骤减的外部环境属性；

步骤3：利用DBSCAN聚类算法，对每一个历史时间段内的网约车行程的起始位置和到达位置进行聚类，结合交通规划的区域划分，得到聚类区域；

步骤4：按照信息点扩大聚类区域，根据扩大后的聚类区域确定区域划分，得到历史交通量分布数据集；所述的历史交通量数据集由每一个区域的各时间段的网约车流量、以及标记的外部环境属性构成；

步骤5：依据步骤4处理后得到的数据集，构建以历史交通量分布为输入的LSTM预测模型，预测未来时间段的各区域的网约车流量数据。

相较于现有技术，本发明具有以下有益效果：因为本发明方法采用了数据分析、人工智能和交通规划跨学科结合的手段对未来网约车的流量进行预测，所以相比现有技术提高了一定的预测准确性，尤其是在一些特殊情况下(如极端天气、节假日、大型活动等)的预测准确性。

附图说明

图1为本发明所述基于深度学习的网约车流量预测方法流程示意图。

图2为本发明所述基于深度学习的网约车流量预测方法中DBSCAN对交通区域进行聚类的结果示例。

图3为本发明实施例的预测结果示例。

具体实施方式

下面结合附图对本发明做进一步的解释说明。