[发明专利]一种基于深度学习的出租车载客点推荐方法

摘要

本发明涉及一种基于深度学习的出租车乘客推荐方法，首先对海量的GPS轨迹数据进行预处理，获取出租车上客点热区，然后采用深度学习技术从数据中学习并获取出租车司机的寻客模式，从而根据出租车当前的驾驶策略推荐相应的潜在载客点。与现有方法相比，本发明具有显著提高出租车载客点推荐准确度以及降低出租车空驶率等优点，能够有效应用于智能交通、广告投放、个性化推荐以及信息服务等领域。

主权项

一种基于深度学习的出租车乘客推荐方法,其特征在于，包括如下步骤：步骤1.大数据预处理。本发明首先对地图大数据和出租车GPS轨迹大数据进行预处理。对于地图大数据，采用网格化的方法，选定参考点，将地图分成固定大小的网格，形成网格地图。从而，每个网格所包围的区域都有固定的坐标，同时，每个落入该区域的GPS点具有一致的数据表示。本发明根据是否载客，将GPS轨迹分成载客旅程和巡游旅程两大类。对于载客旅程，本发明利用统计学习方法得到以下信息：载客热点、道路状况以及司机收入信息。其中，载客热点与道路状况都与出租车司机的寻客策略有很大关系。对于巡游旅程，本发明通过预处理得到的司机寻客时的上下文信息，如起始位置、行驶方向、天气等。步骤2.深度学习模型构建。由于将地图进行网格化后，载客点由经纬度组成的连续值变成网格坐标组成的离散值，因此，本发明将乘客预测和路况预测问题均视为分类问题，并用相同的模型架构。在学习模型构造过程中，本发明首先将出租车GPS大轨迹数据和地图大数据通过词嵌套工具生成一维向量，并且将一维向量通过无监督学习获取数据特征，然后通过降维方法提取数据特征的主成分信息，即活性特征，从而将活性特征输入到Softmax分类器来实现多目标分类。步骤3.载客点推荐。在步骤2深度学习模型构建的基础上，为了保证推荐的效果，使得出租车寻客效率更高，本发明将收入因素也纳入到载客点推荐的影响因素当中，并设计如下载客点推荐的计算公式：ζ(O,D,t)=αHD,t,·βCO,D,t·αγLD,t,Dis(O,D)]]>其中，ζ表示推荐分数，O和D分别表示出租车寻客的出发点和乘客可能出现的地点网格，t和t'分别是从O的出发时间和D的到达时间，α是乘客预测的准确度，HD,t'是网格D在时间t'的热度值，二者乘积表示D对出租车的吸引力；β是路况预测的权重，CO,D,t表示在t时从O点出发到D点时的路况，通常可以用平均速度表示；γ是预期收入的预测准确度，LD,t'表示潜在载客旅程的长度(与收入成正相关)，Dis(O,D)表示从O到D的距离。该计算公式可以看做是给在某时刻t出发的从O到D的一趟寻客旅程的打分公式。分数越高，表示该目的地越值得出租车前往寻客。