CN107480807A - 基于时空感知神经网络的共享单车目的地预测方法及装置 - Google Patents
基于时空感知神经网络的共享单车目的地预测方法及装置 Download PDFInfo
- Publication number
- CN107480807A CN107480807A CN201710547095.2A CN201710547095A CN107480807A CN 107480807 A CN107480807 A CN 107480807A CN 201710547095 A CN201710547095 A CN 201710547095A CN 107480807 A CN107480807 A CN 107480807A
- Authority
- CN
- China
- Prior art keywords
- shared bicycle
- deep learning
- neutral net
- space
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 230000008447 perception Effects 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 76
- 230000007935 neutral effect Effects 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000010410 layer Substances 0.000 claims description 18
- 239000002356 single layer Substances 0.000 claims description 8
- 230000008667 sleep stage Effects 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/0042—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects
- G07F17/0057—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects for the hiring or rent of vehicles, e.g. cars, bicycles or wheelchairs
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空感知神经网络的共享单车目的地预测方法及装置，该方法包括：获取共享单车数据；将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据。该装置包括存储器以及用于获取共享单车数据；将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据的处理器。本发明结合利用时空感知神经网络所获取的周期性信息以及在每个时间区间内的短期信息，对目的地进行预测，提高了预测的准确性。本发明作为一种共享单车目的地预测方法及装置可广泛应用于车辆调度平台中。
Description
技术领域
本发明涉及共享单车调度技术，尤其涉及一种基于时空感知神经网络的共享单车目的地预测方法及装置。
背景技术
共享单车自推出以来，已经在很多城市中成为除公共交通以外居民首选的出行方式，大大减轻了城市路网压力和车辆拥堵情况。随着绿色出行和环保观念的深入人心，将会有更多的用户选择使用共享单车，进一步实现让自行车回归城市的目标。
通常，用户可以直接在人行道上找到停放的共享单车，然后利用手机进行解锁后便能骑行，接着当用户骑到目的地后再将共享单车停好并锁上便可。然而，目前由于共享单车在城市各区域的投放并不均匀，用户常常遇到“想骑车却无车可骑”的尴尬。为此，当共享单车被骑行到城市的各个角落后，应需要准确地预测每个用户的最终骑行目的地，这样才能更好地调配和管理这些共享单车，因此，确定好的调度方案能保证投放的共享单车能被更多人使用到，实现资源利用最大化。可见，准确地预测人们下一步的行为事件和所到地点，这有着重要的商业价值和公共安全意义。
对于传统的目的地预测算法，其主要基于贝叶斯模型而实现，通过分析用户历史数据，利用用户个人的历史行车轨迹，结合用户当前的行车轨迹来预测用户的目的地；其中，通过距离计算来识别最类似于当前部分轨迹的历史行车轨迹，然后将该历史行车轨迹的目的地当作预测目的地。但是，这一传统的目的地预测算法却存有不少的缺点，例如：1、用户之间的模型构建是相对独立的，这则导致在预测新用户时容易产生冷启动问题，如，当一个新用户注册了共享单车时，数据平台中并没有存储该用户的历史骑行轨迹，这在预测目的地时往往遇到了困难，难以进行准确的预测；2、传统的预测方法并未充分考虑时间上的因素，导致预测精度不高，如，同一个用户，在不同的时间节点，去某一个目的地的概率往往不同。此外，用户和用户之间的数据会存在着一定的关联性，例如，在校园内，同一个宿舍的同学他们往往有着某种相似的路径轨迹，而传统的目的地预测算法却同样未考虑到这一因素。因此由此可见，传统的目的地预测算法并未考虑到时空因素，因此导致预测准确度低下，这样则难以满足用户对使用共享单车的需求。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于时空感知神经网络的共享单车目的地预测方法，其充分考虑了大量共享单车数据的时空相关性，大大提高目的地预测的精准度。
本发明的另一目的是提供一种基于时空感知神经网络的共享单车目的地预测装置，其充分考虑了大量共享单车数据的时空相关性，大大提高目的地预测的精准度。
本发明所采用的技术方案是：基于时空感知神经网络的共享单车目的地预测方法，该方法包括以下步骤：
获取共享单车数据；
将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；
其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。
进一步，该方法还包括预设步骤，所述预设步骤包括以下子步骤：
利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；
和/或，
根据预设的时间间隔，将24小时划分为多个时间区间。
进一步，该方法还包括构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：
将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；
利用训练输入数据和训练输出数据对深度学习神经网络进行训练；
训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
进一步，所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：
对深度学习神经网络中的所有层逐层进行单层神经元构建；
当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。
进一步，所述wake-sleep算法包括清醒阶段和睡眠阶段。
本发明所采用的另一技术方案是：基于时空感知神经网络的共享单车目的地预测装置，该装置包括：
存储器，用于存储各指令；
处理器，用于加载所述指令并执行以下步骤：
获取共享单车数据；
将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；
其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。
进一步，所述处理器还用于加载所述指令并执行预设步骤，所述预设步骤包括以下子步骤：
利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；
和/或，
根据预设的时间间隔，将24小时划分为多个时间区间。
进一步，所述处理器还用于加载所述指令并执行构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：
将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；
利用训练输入数据和训练输出数据对深度学习神经网络进行训练；
训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
进一步，所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：
对深度学习神经网络中的所有层逐层进行单层神经元构建；
当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。
进一步，所述wake-sleep算法包括清醒阶段和睡眠阶段。
本发明方法及装置的有益效果是：本发明将城市的区块位置和时间区间这两因素构成深度学习神经网络的输入矩阵，这样充分考虑了时空相关性，并且结合了深度学习神经网络来实现目的地的预测，这样则能大大提高目的地预测的准确性，为调度方案提供很好的基础数据。
附图说明
图1是本发明一种基于时空感知神经网络的共享单车目的地预测方法的步骤流程图；
图2是本发明一种基于时空感知神经网络的共享单车目的地预测方法的一具体实施例步骤流程图；
图3是深度学习神经网络的模型示意图。
具体实施方式
实施例1
如图1所示，一种基于时空感知神经网络的共享单车目的地预测方法，该方法包括以下步骤：
获取共享单车数据；
将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；
其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。
进一步作为本发明方法的优选实施例，该方法还包括预设步骤，所述预设步骤包括以下子步骤：
利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；
和/或，
根据预设的时间间隔，将24小时划分为多个时间区间。
进一步作为本发明方法的优选实施例，该方法还包括构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：
将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；
利用训练输入数据和训练输出数据对深度学习神经网络进行训练；
训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
进一步作为本发明方法的优选实施例，所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：
对深度学习神经网络中的所有层逐层进行单层神经元构建；
当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。
实施例2
与上述方法对应的装置，一种基于时空感知神经网络的共享单车目的地预测装置，其包括：
存储器，用于存储各指令；
处理器，用于加载所述指令并执行以下步骤：
获取共享单车数据；
将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；
其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。
作为本发明装置的优选实施例，所述处理器还用于加载所述指令并执行预设步骤，所述预设步骤包括以下子步骤：
利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；
和/或，
根据预设的时间间隔，将24小时划分为多个时间区间。
作为本发明装置的优选实施例，所述处理器还用于加载所述指令并执行构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：
将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；
利用训练输入数据和训练输出数据对深度学习神经网络进行训练；
训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
作为本发明装置的优选实施例，所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：
对深度学习神经网络中的所有层逐层进行单层神经元构建；
当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。
进一步作为上述方法及装置的优选实施例，所述wake-sleep算法包括清醒阶段和睡眠阶段。
实施例3
结合以下优选实施例来对本发明做进一步的阐述。
如图2所示，一种基于时空感知神经网络的共享单车目的地预测方法，其具体的实施步骤如下所示。
(一)、预设步骤
S101、利用geohash编码将城市划分为多个区块，并对每一个区块位置进行编码，令每一个区块位置对应一个可用于排序、数值比较的字符串编码，也就是说，在本发明中，所述的区块位置具体是一利用geohash编码技术对城市区块进行编码处理后得到的相对应的字符串编码；
S102、根据预设的时间间隔，将24小时划分为多个时间区间；
在本实施例中，预设的时间间隔为5s，这样则将一天24小时划分为17280个时间区间；
S103、将每个时间区间内在某地点(一地点对应一区块位置)上所发生的骑行事件作为骑行时空矩阵，具体地，该矩阵内包含了发生骑行事件所对应的时间区间和区块位置，而这一矩阵表示为时空感知递归神经网络(即深度学习神经网络)第一层的输入，并且将目的地表示为标签向量，即该神经网络的输出为目的地标签向量。
(二)、构建深度学习神经网络
S201、将历史的共享单车数据构成训练集，根据训练集中的数据，将每个时间区间内在某地点(一地点对应一区块位置)上所发生的骑行事件作为骑行时空矩阵，此时，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地标签向量作为训练输出数据；
S202、利用训练输入数据和训练输出数据对深度学习神经网络进行训练；其中，所述的深度学习神经网络如图3所示，其为4层结构的感知器；
S203、训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
由于训练数据量较大，若对网络中所有层同时训练，时间复杂度会太高，但若每次仅训练一层，这样偏差就会逐层传递，因此，对于对深度学习神经网络进行训练这一步骤，其优选包括以下子步骤：
S2021、对深度学习神经网络逐层进行单层神经元构建，然后对深度学习神经网络进行训练，这样每次都是训练一个单层网络，能降低训练的时间复杂度，而且还能减少偏差；
S2022、当所有层均训练完后，利用wake-sleep算法对完成训练后的深度学习神经网络进行调优；
其中，对于所述的wake-sleep算法，其包括清醒阶段(wake阶段)和睡眠阶段(sleep阶段)：
wake阶段：认知过程，通过外界的特征和向上的权重(认知权重)从而产生每一层的抽象表示(结点状态)，并且使用梯度下降来修改层间的下行权重(生成权重)；
sleep阶段：生成过程，通过顶层表示(醒时学得的概念)和向下权重，生成底层的状态，同时修改层间向上的权重。
(三)、目的地预测
S301、当用户利用手机对共享单车进行解锁使用时，会产生一共享单车数据；其中，所述共享单车数据格式如以下表1所示：
可见，所述共享单车数据会包含有用户ID、共享单车的车辆ID、骑行起始日期时间和骑行起始区块位置；
S302、获取上述所产生的共享单车数据；
S303、将共享单车数据中的时空信息，即骑行起始日期时间以及骑行起始区块位置，输入至上述构建得到的深度学习神经网络进行处理后，输出目的地标签向量，此时，所述输出的目的地则为预测的目的地。
由上述可见，本发明通过采用geohash编码来将城市划分为区块，将时间划分为片段，并且将区块和时间片段构成神经网络模型的输入矩阵，充分考虑了时空相关性，而且构建了深度学习神经网络来进行时空矩阵的训练，从而进行目的地预测，这样能提高预测的准确性和效率。并且由于深度学习神经网络具有自我特征学习能力，不过度依赖于特征工程，模型本身可以处理数据缺失，且模型准确率随数据量增长明显，因此，通过本发明来实现目的地预测，其预测可靠性和稳定性均得到较大的提高。
此外，由于本发明方案是基于数据驱动思维，通过收集用户行为数据和车辆GPS数据，从而精确预测用户所骑每辆车的骑行目的地，这样能有助于建立数字化的运营系统，优化车源调度、分析和优化用户体验，辅助产品决策。本发明可应用于共享单车调度平台中。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于时空感知神经网络的共享单车目的地预测方法，其特征在于：该方法包括以下步骤：
获取共享单车数据；
将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；
其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。
2.根据权利要求1所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：该方法还包括预设步骤，所述预设步骤包括以下子步骤：
利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；
和/或，
根据预设的时间间隔，将24小时划分为多个时间区间。
3.根据权利要求2所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：该方法还包括构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：
将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；
利用训练输入数据和训练输出数据对深度学习神经网络进行训练；
训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
4.根据权利要求3所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：
对深度学习神经网络中的所有层逐层进行单层神经元构建；
当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。
5.根据权利要求4所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：所述wake-sleep算法包括清醒阶段和睡眠阶段。
6.基于时空感知神经网络的共享单车目的地预测装置，其特征在于：该装置包括：
存储器，用于存储各指令；
处理器，用于加载所述指令并执行以下步骤：
获取共享单车数据；
将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；
其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。
7.根据权利要求6所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述处理器还用于加载所述指令并执行预设步骤，所述预设步骤包括以下子步骤：
利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；
和/或，
根据预设的时间间隔，将24小时划分为多个时间区间。
8.根据权利要求7所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述处理器还用于加载所述指令并执行构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：
将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；
利用训练输入数据和训练输出数据对深度学习神经网络进行训练；
训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。
9.根据权利要求8所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：
对深度学习神经网络中的所有层逐层进行单层神经元构建；
当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。
10.根据权利要求9所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述wake-sleep算法包括清醒阶段和睡眠阶段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547095.2A CN107480807A (zh) | 2017-07-06 | 2017-07-06 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710547095.2A CN107480807A (zh) | 2017-07-06 | 2017-07-06 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107480807A true CN107480807A (zh) | 2017-12-15 |
Family
ID=60595590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710547095.2A Pending CN107480807A (zh) | 2017-07-06 | 2017-07-06 | 基于时空感知神经网络的共享单车目的地预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107480807A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108592908A (zh) * | 2018-04-28 | 2018-09-28 | 山东交通学院 | 一种骑行载具姿态安全监测方法及装置 |
| CN109345036A (zh) * | 2018-11-01 | 2019-02-15 | 中国联合网络通信集团有限公司 | 一种共享单车的使用方法和装置 |
| CN109935000A (zh) * | 2017-12-17 | 2019-06-25 | 北京嘀嘀无限科技发展有限公司 | 一种筛选电车的方法及系统 |
| CN110287995A (zh) * | 2019-05-27 | 2019-09-27 | 同济大学 | 全天高架交通拥堵情况分级的多特征学习网络模型方法 |
| WO2019232693A1 (en) * | 2018-06-05 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for ride order dispatching |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| CN110889530A (zh) * | 2018-09-11 | 2020-03-17 | 上海博泰悦臻网络技术服务有限公司 | 基于递归神经网络的目的地预测方法及服务器 |
| CN111126654A (zh) * | 2018-11-01 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 一种共享车辆骑回概率和丢失概率预测方法及装置 |
| CN111581318A (zh) * | 2020-05-08 | 2020-08-25 | 广州大学 | 一种共享单车骑行目的推断方法、装置及存储介质 |
| CN112184088A (zh) * | 2020-11-12 | 2021-01-05 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及系统 |
| CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
| CN112766591A (zh) * | 2021-01-27 | 2021-05-07 | 同济大学 | 共享单车调度方法 |
| CN113256241A (zh) * | 2021-04-24 | 2021-08-13 | 南京樯图数据研究院有限公司 | 一种用于产业数据档案管理的人工智能平台 |
| CN113554353A (zh) * | 2021-08-25 | 2021-10-26 | 宁波工程学院 | 一种避免空间淤积的公共自行车空间调度优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130054647A1 (en) * | 2011-08-25 | 2013-02-28 | Daiki TERAUCHI | Information processing apparatus, information processing method, and program |
| CN103942229A (zh) * | 2013-01-22 | 2014-07-23 | 日电（中国）有限公司 | 目的地预测设备和方法 |
| CN104978420A (zh) * | 2015-06-30 | 2015-10-14 | 百度在线网络技术（北京）有限公司 | 行车路线匹配方法和装置 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
-
2017
- 2017-07-06 CN CN201710547095.2A patent/CN107480807A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130054647A1 (en) * | 2011-08-25 | 2013-02-28 | Daiki TERAUCHI | Information processing apparatus, information processing method, and program |
| CN103942229A (zh) * | 2013-01-22 | 2014-07-23 | 日电（中国）有限公司 | 目的地预测设备和方法 |
| CN104978420A (zh) * | 2015-06-30 | 2015-10-14 | 百度在线网络技术（北京）有限公司 | 行车路线匹配方法和装置 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 周灵通: "《中国优秀硕士学位论文全文数据库 信息科技辑》", 15 December 2015 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109935000A (zh) * | 2017-12-17 | 2019-06-25 | 北京嘀嘀无限科技发展有限公司 | 一种筛选电车的方法及系统 |
| CN108592908A (zh) * | 2018-04-28 | 2018-09-28 | 山东交通学院 | 一种骑行载具姿态安全监测方法及装置 |
| CN108592908B (zh) * | 2018-04-28 | 2023-06-02 | 山东交通学院 | 一种骑行载具姿态安全监测方法及装置 |
| US11514543B2 (en) | 2018-06-05 | 2022-11-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for ride order dispatching |
| WO2019232693A1 (en) * | 2018-06-05 | 2019-12-12 | Beijing Didi Infinity Technology And Development Co., Ltd. | System and method for ride order dispatching |
| CN110889530A (zh) * | 2018-09-11 | 2020-03-17 | 上海博泰悦臻网络技术服务有限公司 | 基于递归神经网络的目的地预测方法及服务器 |
| CN109345036A (zh) * | 2018-11-01 | 2019-02-15 | 中国联合网络通信集团有限公司 | 一种共享单车的使用方法和装置 |
| CN111126654A (zh) * | 2018-11-01 | 2020-05-08 | 北京嘀嘀无限科技发展有限公司 | 一种共享车辆骑回概率和丢失概率预测方法及装置 |
| CN111126654B (zh) * | 2018-11-01 | 2023-12-19 | 北京骑胜科技有限公司 | 一种共享车辆骑回概率和丢失概率预测方法及装置 |
| CN110287995A (zh) * | 2019-05-27 | 2019-09-27 | 同济大学 | 全天高架交通拥堵情况分级的多特征学习网络模型方法 |
| CN110807921A (zh) * | 2019-10-24 | 2020-02-18 | 上海钧正网络科技有限公司 | 车辆调度方法、装置、设备和存储介质 |
| WO2021082464A1 (zh) * | 2019-10-31 | 2021-05-06 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
| CN112749825A (zh) * | 2019-10-31 | 2021-05-04 | 华为技术有限公司 | 预测车辆的目的地的方法和装置 |
| CN111581318B (zh) * | 2020-05-08 | 2023-04-07 | 广州大学 | 一种共享单车骑行目的推断方法、装置及存储介质 |
| CN111581318A (zh) * | 2020-05-08 | 2020-08-25 | 广州大学 | 一种共享单车骑行目的推断方法、装置及存储介质 |
| CN112184088A (zh) * | 2020-11-12 | 2021-01-05 | 同济大学 | 一种基于多源数据的城市可骑行性评价方法及系统 |
| CN112766591A (zh) * | 2021-01-27 | 2021-05-07 | 同济大学 | 共享单车调度方法 |
| CN113256241A (zh) * | 2021-04-24 | 2021-08-13 | 南京樯图数据研究院有限公司 | 一种用于产业数据档案管理的人工智能平台 |
| CN113554353A (zh) * | 2021-08-25 | 2021-10-26 | 宁波工程学院 | 一种避免空间淤积的公共自行车空间调度优化方法 |
| CN113554353B (zh) * | 2021-08-25 | 2024-05-14 | 宁波工程学院 | 一种避免空间淤积的公共自行车空间调度优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480807A (zh) | 基于时空感知神经网络的共享单车目的地预测方法及装置 | |
| Zhou et al. | Bike-sharing or taxi? Modeling the choices of travel mode in Chicago using machine learning | |
| CN110009455A (zh) | 一种基于网络表示学习的网约共享出行人员匹配方法 | |
| CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
| CN102867408B (zh) | 一种公交出行路线的选择方法 | |
| CN106372722A (zh) | 地铁短时流量预测方法及装置 | |
| Huang et al. | A novel bus-dispatching model based on passenger flow and arrival time prediction | |
| US11576836B2 (en) | Massage chair and method for operating the massage chair | |
| CN107182206A (zh) | 车辆自动驾驶的速度规划方法、装置及计算装置 | |
| CN107045785B (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
| CN104881800A (zh) | 一种基于移动群智感知的激励机制实现方法 | |
| CN106779212A (zh) | 一种基于改进蚁群算法的城市旅游路线规划方法 | |
| CN104900063B (zh) | 一种短程行驶时间预测方法 | |
| CN107330147A (zh) | 一种地铁车站人员应急疏散仿真方法及系统 | |
| CN108764526A (zh) | 一种基于列车运行秩序的列车晚点人工神经网络识别方法 | |
| CN111915057B (zh) | 一种基于深度学习和群智感知的单车需求预测与调度方法 | |
| CN110381524A (zh) | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 | |
| CN110458351A (zh) | 基于人流量的区域管理方法、装置、设备及可读存储介质 | |
| CN113516277B (zh) | 一种基于路网动态定价的网联智能交通路径规划方法 | |
| CN102542791B (zh) | 一种公交车辆调度方法 | |
| Xu et al. | Computation offloading for energy and delay trade-offs with traffic flow prediction in edge computing-enabled iov | |
| Zhang et al. | A taxi gap prediction method via double ensemble gradient boosting decision tree | |
| Manalastas et al. | Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets | |
| Stoma et al. | Selected aspects of the road traffic safety management system | |
| Saiyad et al. | Exploring determinants of feeder mode choice behavior using Artificial Neural Network: Evidences from Delhi metro |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |