[发明专利]一种基于神经网络的拼车需求预测匹配方法

权利要求书

1.一种基于神经网络的拼车需求预测匹配方法，其特征在于，包括如下步骤：

获取实时出行需求数据和实施环境影响数据并进行预处理，输入预训练好的基于ConvLSTM的拼车需求预测模型，获取用户出行预测数据；

基于所述用户出行预测数据，基于RTV图论进行拼车匹配，利用G-Tree算法进行路径规划，获取拼车方案和用户等待时间信息。

2.根据权利要求1所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的拼车方案和用户等待时间信息的获取过程包括如下步骤：

基于所述用户出行预测数据构建RTV图，设置单个旅程的最长长度、更新需求匹配的周期和乘客最长等待时间与最长延时，使用NetworkX实现G-Tree的路径规划，获取拼车方案和用户等待时间信息。

3.根据权利要求1所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的预训练好的基于ConvLSTM的拼车需求预测模型的获取过程包括如下步骤：

获取原始地图数据，针对所述原始地图数据进行包括分区和坐标转换的预处理，获取路网分区和坐标间的映射；

获取历史出行需求数据，基于所述路网分区和坐标间的映射，通过归一化和重构处理转换为预设格式；

获取环境影响因素数据并进行归一化处理；

根据处理后的需求数据以及处理后的环境影响因素数据制作训练集，使用所述训练集对基于ConvLSTM的拼车需求预测模型进行训练，获取所述预训练好的拼车需求预测模型。

4.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的原始地图数据包括交通路网各节点的经纬度坐标信息。

5.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的路网分区和坐标间的映射的获取过程包括如下步骤：

基于经纬度坐标系和区域内坐标系中多的对应点的系内坐标，获取坐标变换矩阵；

基于所述原始地图数据和所述坐标变换矩阵实现坐标变换，经过归一化后获取所述路网分区和坐标间的映射。

6.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的环境影响因素包括温度、降水量、天气种类、星期中的一个多个，获取环境影响因素数据并进行归一化处理包括如下步骤：

针对连续的数据，将数据归一化至预设区间内，针对分类的数据，使用one-hot编码方式进行归一化处理。

7.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，基于所述路网分区和坐标间的映射，通过归一化和重构处理转换为预设格式包括如下步骤：

根据所述历史出行数据，将数据范围缩放到预设区间，并构造与预设格式匹配的出发点数据和到达点数据。

8.根据权利要求1所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的拼车需求预测模型包括：

融合网络，用于将输入模型的出行数据和环境影响数据融合并获取与预设格式匹配的融合特征；

ConvLSTM网络，用于基于所述融合特征，获取输出特征；

输出网络，用于基于所述输出特征，获取全局相关性特征，基于所述输出特征及所述全局相关性特征，获取用户出行预测数据。

9.根据权利要求8所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的融合网络包括：

多个顺次连接的第一卷积层，用于针对输入的出行数据进行特征提取；

多个顺次连接的第一全连接层，用于针对输入的环境影响数据进行特征提取；

第二全连接层，用于根据2D卷积层和第一全连接层的输出，获取所述融合特征。

10.根据权利要求8所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的输出网络包括：

第二卷积层，用于根据所述ConvLSTM网络的输出，获取全局相关性特征；

第三卷积层，用于根据所述ConvLSTM网络的输出以及所述全局相关性特征，获取用户出行预测数据，所述的第三卷积层的激活函数为tanh。