[发明专利]一种特征分割的网约车需求预测方法

说明书

本发明涉及网约车相关领域，具体为一种特征分割的网约车需求预测方法，本发明提供了一种特征分割的网约车需求预测方法解决预期网约车后1小时需求的问题，该方法对特征分割为周期特征和近点特征，并采用LSTM和DNN相结合的方式分别处理不同的特征，最后再由DNN融合对应2类编码特征。对比仅利用时序特征或仅采用单一模型的做法，该方法可提升预测准确度；综上，本发明网约车1小时短时预测问题，能够指导网约车平台做好运力规划和司乘各类活动，从而提高公众出行效率。

技术领域

本发明涉及网约车相关领域，具体为一种特征分割的网约车需求预测方法。

背景技术

网约车已成为城市公共交通出行体系重要组成部分,满足了多样化的出行需求,但城市居民快速增长的网约车出行需求与服务车辆资源之间的供需矛盾逐渐突出。如能够准确预测短期的出行需求，网约车平台则可以及时调配车辆供应，以及发放乘客补贴，设置不同的司机奖励规则，基于此，提出了一种特征分割的网约车需求预测方法。

发明内容

本发明的目的在于提供一种特征分割的网约车需求预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种特征分割的网约车需求预测方法，包括以下步骤：

步骤S1、对网约车需求进行分割特征，对特征分割分为2类：时序周期特征和近点特征，其中时序周期特征X1,X2…Xn(n为时序数，5≤n≤10),且X1…Xn为14维向量；

步骤S2、所述步骤S1中近点特征设置为T，T为当日实时特征，且T是18维的向量；

步骤S3、根据最近6月内的数据，按7天为周期建立特征X1…Xn；

步骤S4、对所述步骤S1中时序周期特征使用LSTM网络构建模型，其中X1…Xn均为特征向量，每个X是14维向量，LSTM的输出为一个周期特征编码向量，维度为256维；

步骤S5、对所述步骤S2中近点特征使用DNN构建模型，输入T是18维向量，输出是256维近点特征编码向量，此DNN可用普通的6层或更深层的深度神经网络模型构建；

步骤S6、对步骤S4和步骤S5中256维的周期编码特征和256维的近点编码特征作为输入，进入DNN,输出是一个特征z，z为预测的订单量，训练过程中,y为标记值，此DNN用普通的6层或更深层的深度神经网络模型构建；

步骤S7、步骤S7、对所述步骤S4～S6中构建的深度神经网络模型的损失函数为均方误差其中m为样本数，yi为订单量的标记值，zi为前向网络模型计算的订单量预测值，优化目标为使得MSE最小，即预测误差的平均平方最小；再采用Adam优化算法进行训练步骤S4～S6中构建的深度神经网络模型，Adam优化算法是一种对随机梯度下降法的扩展，在计算机视觉和自然语言处理中广泛应用于深度学习，用来求解中MSE最小时机器学习模型的矩阵参数；

步骤S8、利用所述步骤S7得出的数据参数预测订单量，其中网约车线上生产环境可于一定时间周期对近点特征和周期特征进行构建，预测1小时订单量结果后，给予运营策略指导。

优选的，所述步骤S1中X是以7天为周期的特征，且X含5类特征为：

特征1、天气特征：当日温度x1，当日天气x2；

特征2、乘客特征：最近7日注册数x3，最近7日登录数x4，乘客昨日呼叫数x5，乘客昨日取消数x6等；

特征3、订单特征：当日有效优惠券数x7，昨日优惠补贴率x8，昨日司机奖励率x9，昨日奖励占昨日GMV比例x10等；

特征4、司机特征：昨日出车司机数x11，昨日司机均单数x12等；

特征5、活动特征：当日司机活动数x13，当日乘客活动数x14。