CN110458336B - 一种基于深度学习的网约车供需预测方法 - Google Patents
一种基于深度学习的网约车供需预测方法 Download PDFInfo
- Publication number
- CN110458336B CN110458336B CN201910667484.8A CN201910667484A CN110458336B CN 110458336 B CN110458336 B CN 110458336B CN 201910667484 A CN201910667484 A CN 201910667484A CN 110458336 B CN110458336 B CN 110458336B
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- data set
- information
- demand
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000000284 resting effect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
-
- G06Q50/40—
Abstract
本发明公开了一种基于深度学习的网约车供需预测方法，首先通过网约车出行数据中订单信息、天气信息、交通拥堵信息和区域标识信息进行分析和预处理，然后分析模型结构并构建只有一个门结构的网络模型MC‑LSTM(Minimal Coupled Long Short Term Memory，简称MC‑LSTM)，并利用影响网约车供需预测的数据特征设计数据集，完成网约车供需预测模型的设计。实现了对目标城市各区域未来10分钟网约车供需差额值的预测，更好的调配车辆资源。
Description
技术领域
本发明属于城市交通预测技术领域，特别涉及一种基于深度学习的网约车供需预测方法。
背景技术
目前共享经济结合前沿互联网技术的发展模式已经成为了一种新业态，国内实施的“互联网+”发展措施便是其中一种典型。在城市交通出行方面，智能交通出行公司依托先进的互联网技术构建供需服务平台，通过整合供需信息，使具有暂时性和分散性供需信息的司机乘客连接起来，双方建立共享机制，该模式也被称作网约车。
网约车作为一种网络共享出租车，是出租车的一种新业态。关于出租车的供需平衡研究，很早就有学者专家进行了研究，提出了众多的经典模型算法，并且仍在对算法进行持续的优化与改进。近年来大数据技术的广泛应用为网约车供需研究带来了新的机遇，通过大数据技术分析海量的数据，进一步挖掘影响网约车供需研究的因素。目前主要的研究方向有基于特征数据提取实现预测模型的构建与改进。同时部分学者通过分析GPS数据来研究供需关系。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于深度学习的网约车供需预测方法，通过研究深度学习网络模型及相关预测算法，分析并构建了只有一个门结构的网络模型MC-LSTM(Minimal Coupled Long Short Term Memory，简称MC-LSTM)，并利用影响网约车供需预测的数据特征设计数据集，完成网约车供需预测模型的设计，实现了对目标城市各区域未来10分钟网约车供需差额值的预测，从而更好地调配车辆资源，本发明可以对网约车出行数据进行更加深入的挖掘，预测出来的效果更加精准。
为了实现上述目的，本发明采用的技术方案是：
一种基于深度学习的网约车供需预测方法，首先对网约车出行数据进行预处理，然后选取影响网约车供需预测的关键属性，包括温度、空气质量、交通拥堵状况、时段、供需差额和区域标识，进行特征构建，并构建基于Nadam算法的MC-LSTM模型，利用该模型进行网约车供需差额预测。
所述网约车出行数据包括订单信息数据集、天气信息数据集、交通拥堵信息数据集和区域标识数据集，将城市划分为面积大小相同的若干个正方形区域，区域紧密排列在一起且互不重叠，每个区域都有自己唯一的标识码，在数据集中每个区域用哈希值标记，其中订单信息数据集主要包括网约车订单的详细信息，所述供需差额来源于此数据集；天气信息数据集主要包括各个区域各个时段的温度与PM2.5信息；交通拥堵信息数据集主要包括各个区域各个时段四个拥堵等级道路数目，等级越高表示拥堵程度越大；区域标识数据集主要包括区域标识信息。
所述特征构建包括以下步骤：
1)依靠时间属性结合不同时间段发生事件构建时段特征
将工作日时间段分为工作日早晚高峰、工作日上班时间和工作日剩余时段，将休息日时间段分为休息日出行娱乐高峰期和休息日剩余时段；
2)以天气数据集中的温度信息作为温度特征；
3)以天气数据集中的PM2.5信息作为空气质量特征；
4)以交通拥堵信息数据集中的交通拥堵信息作为交通拥堵状况特征；
5)考虑到不同区域对供需预测的影响，用数值符号加以区分，从而形成区域标识特征；
6)供需差额特征，为预测目标，简称其为Gap值。
所述MC-LSTM模型是延用Coupled-LSTM模型的耦合结构，去除输出门，输出门的开关控制交由忘记门来处理，通过忘记门来激活输出状态，从输出层反向计算各层的更新门、重置门、当前记忆内容和最终记忆内容的梯度，模型运行流程如下：首先，忘记门读取t时刻输入信息与t-1时刻的输出信息，决定细胞状态信息保留与否；然后，tanh层创建新的侯选值；接下来，耦合层决定t时刻细胞状态的更新；最后，忘记门与tanh层决定网络模型的输出。
所述利用Nadam算法对MC-LSTM模型进行优化的具体流程包括数据特征输入、模型训练和模型优化过程，其中：
输入：总层数L，以及各隐藏层与输出层的神经元个数，激活函数和损失函数，迭代步长h，最大迭代次数MAX与停止迭代阈值j，输入的m个训练样本；
输出：各隐藏层与输出层的权值W和偏置向量b；
模型训练过程如下：
1)初始化各隐藏层与输出层的权值W和偏置向量b的值为一个随机值；
2)输入迭代次数MAX；
3)输入训练样本m；
4)从第一层开始逐层进行前向传播算法计算激活值；
5)通过均方差损失函数计算输出层的梯度；
6)从最后一层(第L层)开始逐层进行反向传播算法计算各层梯度；
7)使用Nadam优化算法逐层更新权值W和偏置向量b；
8)如果所有权值W和偏置向量b变化值都小于停止迭代阈值j，则跳出迭代循环到步骤9)；
9)输出各隐藏层与输出层的权值W和偏置向量b。
所述模型优化训练过程中对Nadam算法的参数配置和调用方法如下：
首先，设定Nadam算法中几个超参数alpha、beta1、beta2和epsilon的初始值，之后使用MC-LSTM模型调用编辑好的Nadam优化算法，调用过程如下所示：
1)输入Nadam优化算法的学习率lr；
2)计算出模型训练过程中的均方差损失函数loss，
其中，m为训练样本的个数，yi为目标变量的真实值，
为预测结果，二者之差称为残差；
3)输出调用的Nadam优化算法。
与现有技术相比，本发明通过基于Nadam算法的MC-LSTM优化模型对交通流数据进行训练，提取出网约车出行数据的本质特征进行预测，本发明所提出的模型可以实现对目标城市各区域未来10分钟网约车供需差额值的预测，从而更好地调配车辆资源。
附图说明
图1是本发明预测方法流程图。
图2是本发明MC-LSTM模型结构示意图。
图3是本发明利用Nadam算法对MC-LSTM模型进行优化的具体流程图。
图4是本发明实施例中四种深度学习网络模型的实验运行结果。
图5是本发明实施例中四类优化器的实验运行结果。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明一种基于深度学习的网约车供需预测方法，参考图1，步骤如下：
1、通过网约车出行数据中订单信息、天气信息、交通拥堵信息和区域标识信息进行预处理；
2、选取影响网约车供需预测的关键属性，包括温度、空气质量、交通拥堵状况、时段、供需差额和区域标识，进行特征构建；
3、构建只有一个门结构的网络模型MC-LSTM(Minimal Coupled Long Short TermMemory，简称MC-LSTM)；
4、利用该模型进行网约车供需差额预测，以更好地调配车辆资源。
其中，步骤1网约车出行数据包括订单信息数据集、天气信息数据集、交通拥堵信息数据集和区域标识数据集。
从对网约车原始出行数据的分析来看，网约车出行数据中存在许多不符合预测分析选取规范的数据，包括数据中存在大量的缺失值、无关紧要的数据信息和数据格式错误的数据信息。网约车供需预测是一种基于时间序列的预测任务，因此需要对数据信息按时序排列来依次整理数据集，例如可以10分钟为间隔对数据整理。本发明对网约车出行数据执行异常值处理、数据清洗、数据标准化、数据转换、数据查询和数据规约六种预处理操作，并将数据转换成预测模型要求的输入输出格式。首先对订单表中的无关供需预测效果的数据信息进行剔除，由于订单表是用来统计供需差额信息的，因此只需要按照时间统计司机编号为空的数据信息。至于其他类型数据信息都与研究相关性不大，使用数据清洗技术全部去除，当然也包括剩余数据类型中的缺失项和重复项。
其次对天气信息数据集和交通状况数据集进行异常值处理，这俩个数据集中出现了大量的空值，例如相关时间段内相关数据类型值的缺失，对这些异常值处理的主要方式为计算缺失值所在时间区间内90分钟各数据值均值，并用均值补充异常数据项。接下来分别对以上三个子数据集进行数据查询，并按每10分钟为间隔排列。最后编写异常值处理与数据查询的相关Java程序，调用MongoDB的JAVA接口完成数据处理工作。
进行上述处理之后，将城市划分为面积大小相同的若干个正方形区域，区域紧密排列在一起且互不重叠，每个区域都有自己唯一的标识码，在数据集中每个区域可用哈希值标记，其中订单信息数据集主要包括网约车订单的详细信息，供需差额来源于此数据集；天气信息数据集主要包括各个区域各个时段的温度与PM2.5信息；交通拥堵信息数据集主要包括各个区域各个时段四个拥堵等级道路数目，等级越高表示拥堵程度越大；区域标识数据集主要包括区域标识信息。
步骤2中，特征构建的方法如下：
1)依靠时间属性结合不同时间段发生事件构建时段特征
将工作日时间段分为工作日早晚高峰、工作日上班时间和工作日剩余时段，将休息日时间段分为休息日出行娱乐高峰期和休息日剩余时段；
2)以天气数据集中的温度信息作为温度特征；具体可依托MongoDB数据库提取，通过Eclipse编写查询程序调用数据库的Java接口查询出城市中所有区域的温度值，每天按每t分钟记录一次；
3)以天气数据集中的PM2.5信息作为空气质量特征；
4)以交通拥堵信息数据集中的交通拥堵信息作为交通拥堵状况特征；
5)考虑到不同区域对供需预测的影响，用数值符号加以区分，从而形成区域标识特征；
6)供需差额特征，为预测目标，简称其为Gap值。
步骤3中，MC-LSTM模型主要是在Coupled-LSTM模型的基础上做出的改变，延用Coupled-LSTM模型的耦合结构，去除了输出门，输出门的开关控制交由忘记门来处理，通过忘记门来激活输出状态，从输出层反向计算各层的更新门、重置门、当前记忆内容和最终记忆内容的梯度，进一步减少了模型参数，降低了模型的复杂度，使模型的训练速度提升。模型运行流程如下：首先，忘记门读取t时刻输入信息与t-1时刻的输出信息，决定细胞状态信息保留与否；然后，tanh层创建新的侯选值；接下来，耦合层决定t时刻细胞状态的更新；最后，忘记门与tanh层决定网络模型的输出，模型结构如图2所示。
作为本发明的一种优选方式，可采用Nadam算法对MC-LSTM模型进行优化，Nadam算法是在Adam算法上拓展而来，是一种结合了Adam和Nesterov加速梯度法的自适应学习优化算法，Nadam优化算法在模型训练速度和模型预测效果的提升上表现出色，占用计算资源较少，运算速度较快，适用于大规模数据集和高维数据特征，本发明采用Nadam算法结合预测模型MC-LSTM进行模型优化，提升模型预测效果。
Nadam算法中主要的四个参数为：alpha：被称为学习率或步长因子，它控制了权重的更新比率；beta1：代表一阶矩估计的指数衰减率，其作用是在梯度迭代过程中控制移动均值的衰减程度，并计算适应性参数的学习率；beta2：代表二阶矩估计的指数衰减率，进一步控制这些移动均值的衰减率，并计算出适应性更强和效果更好的模型参数学习率；epsilon：表示为在模型参数向量更新中，防止公式中分母项为零使算法公式失去意义。
优化算法主要作用于MC-LSTM模型训练的反向传播过程，反向传播算法使优化算法高效作用于网络模型的所有参数，使模型在训练过程中代价函数尽可能的小，从而提升模型的学习效果。
参考图3，利用Nadam算法对MC-LSTM模型进行优化的具体流程包括数据特征输入、模型训练和模型优化过程，其中：
输入：总层数L，以及各隐藏层与输出层的神经元个数，激活函数和损失函数，迭代步长h，最大迭代次数MAX与停止迭代阈值j，输入的m个训练样本；
输出：各隐藏层与输出层的权值W和偏置向量b；
模型训练过程如下：
1)初始化各隐藏层与输出层的权值W和偏置向量b的值为一个随机值；
2)输入迭代次数MAX；
3)输入训练样本m；
4)从第一层开始逐层进行前向传播算法计算激活值；
5)通过均方差损失函数计算输出层的梯度；
6)从最后一层(第L层)开始逐层进行反向传播算法计算各层梯度；
7)使用Nadam优化算法逐层更新权值W和偏置向量b；
8)如果所有权值W和偏置向量b变化值都小于停止迭代阈值j，则跳出迭代循环到步骤9)；
9)输出各隐藏层与输出层的权值W和偏置向量b。
其中，训练过程中对Nadam算法的参数配置和调用方法如下：
首先，设定Nadam算法中几个超参数alpha、beta1、beta2和epsilon的初始值，其次，在Pycharm集成开发环境上使用python语言实现Nadam算法，最后，使用MC-LSTM网络模型调用上述已编辑好的Nadam算法，调用过程如下所示：
1)输入Nadam优化算法的学习率lr；
2)计算出模型训练过程中的均方差损失函数loss，
其中，m为训练样本的个数，yi为目标变量的真实值，
为预测结果，二者之差称为残差；
3)输出调用的Nadam优化算法。
在本发明的一个具体应用中，步骤1网约车出行数据采用杭州市为期一个多月的某网约车公司的出行数据(数据已经过脱敏处理)，将杭州市划分为面积大小相同的58个正方形区域。
步骤2中，休息日的时段划分依据来源于该网约车公司发布的杭州市出行报告。温度特征的提取依托MongoDB数据库来完成，通过Eclipse编写查询程序调用数据库的Java接口查询出城市中所有58块区域的温度值，每天按每10分钟记录一次。
利用上述方法进行供需预测，结果如下：
1.实验评价指标
由于网约车供需预测工作为预测网约车供需差额值，所以评价指标的选择为预测回归型评价指标，为了评价模型的预测能力，选用平均绝对误差(MeanAbsoluteDeviation，MAE)和均方根误差(Root Mean Squard Error，RMSE)作为评价指标。公式如下所示：
其中，评价指标公式中yi代表预测值，
代表实际值。在预测模型的实验结果表现中，MAE与RMSE值越小，则预测模型的预测效果越好。
2.实验结果对比
由于预测模型MC-LSTM可以看作是LSTM的一种变体结构，所以首先选用LSTM及其变体(Peephole-LSTM、Coupled-LSTM)与其进行对比实验并测试单门结构MC-LSTM的预测效果。同时使用上文中选取的MAE和RMSE作为实验评价指标，实验模型参数按Tensorflow深度学习库中相关模型设定。如图4所示的是四种深度学习网络模型的实验运行结果。从图4可以看出，MC-LSTM的MAE和RMSE指标都要低于其他预测模型，展现了基于单门结构MC-LSTM的网约车供需预测模型预测效果更加出色。
为了体现Nadam算法在优化深度神经网络模型时的优越性，在训练MC-LSTM网络模型的过程中分别采用SGD算法、NAG算法和Adam算法构建网约车供需预测模型进行对比实验，同时使用上述选取的MAE和RMSE作为实验评价指标。如图5所示的是上述四类优化器的实验运行结果。从图5可以看出MC-LSTM模型在结合Nadam算法训练时MAE和RMSE指标都要低于使用其他优化算法，展现了Nadam算法对于提升基于MC-LSTM的网约车供需预测模型预测效果的作用更加突出。
Claims (5)
1.一种基于深度学习的网约车供需预测方法，首先对网约车出行数据进行预处理，然后选取影响网约车供需预测的关键属性，包括温度、空气质量、交通拥堵状况、时段、供需差额和区域标识，进行特征构建，并构建基于Nadam算法的MC-LSTM模型，利用该模型进行网约车供需差额预测，其特征在于，所述MC-LSTM模型是延用Coupled-LSTM模型的耦合结构，去除输出门，输出门的开关控制交由忘记门来处理，通过忘记门来激活输出状态，从输出层反向计算各层的更新门、重置门、当前记忆内容和最终记忆内容的梯度，模型运行流程如下：首先，忘记门读取t时刻输入信息与t-1时刻的输出信息，决定细胞状态信息保留与否；然后，tanh层创建新的侯选值；接下来，耦合层决定t时刻细胞状态的更新；最后，忘记门与tanh层决定网络模型的输出。
2.根据权利要求1所述基于深度学习的网约车供需预测方法，其特征在于，所述网约车出行数据包括订单信息数据集、天气信息数据集、交通拥堵信息数据集和区域标识数据集，将城市划分为面积大小相同的若干个正方形区域，区域紧密排列在一起且互不重叠，每个区域都有自己唯一的标识码，在数据集中每个区域用哈希值标记，其中订单信息数据集主要包括网约车订单的详细信息，所述供需差额来源于此数据集；天气信息数据集主要包括各个区域各个时段的温度与PM2.5信息；交通拥堵信息数据集主要包括各个区域各个时段四个拥堵等级道路数目，等级越高表示拥堵程度越大；区域标识数据集主要包括区域标识信息。
3.根据权利要求2所述基于深度学习的网约车供需预测方法，其特征在于，所述特征构建包括以下步骤：
1)依靠时间属性结合不同时间段发生事件构建时段特征：
将工作日时间段分为工作日早晚高峰、工作日上班时间和工作日剩余时段，将休息日时间段分为休息日出行娱乐高峰期和休息日剩余时段；
2)以天气数据集中的温度信息作为温度特征；
3)以天气数据集中的PM2.5信息作为空气质量特征；
4)以交通拥堵信息数据集中的交通拥堵信息作为交通拥堵状况特征；
5)考虑到不同区域对供需预测的影响，用数值符号加以区分，从而形成区域标识特征；
6)供需差额特征，为预测目标，简称其为Gap值。
4.根据权利要求1所述基于深度学习的网约车供需预测方法，其特征在于，利用Nadam算法对MC-LSTM模型进行优化的具体流程包括数据特征输入、模型训练和模型优化过程，其中：
输入：总层数L，以及各隐藏层与输出层的神经元个数，激活函数和损失函数，迭代步长h，最大迭代次数MAX与停止迭代阈值j，输入的m个训练样本；
输出：各隐藏层与输出层的权值W和偏置向量b；
模型训练过程如下：
1)初始化各隐藏层与输出层的权值W和偏置向量b的值为一个随机值；
2)输入迭代次数MAX；
3)输入训练样本m；
4)从第一层开始逐层进行前向传播算法计算激活值；
5)通过均方差损失函数计算输出层的梯度；
6)从最后一层即第L层开始逐层进行反向传播算法计算各层梯度；
7)使用Nadam优化算法逐层更新权值W和偏置向量b；
8)如果所有权值W和偏置向量b变化值都小于停止迭代阈值j，则跳出迭代循环到步骤9)；
9)输出各隐藏层与输出层的权值W和偏置向量b。
5.根据权利要求4所述基于深度学习的网约车供需预测方法，其特征在于，所述模型优化训练过程中对Nadam算法的参数配置和调用方法如下：
首先，设定Nadam算法中几个超参数alpha、beta1、beta2和epsilon的初始值，之后使用MC-LSTM模型调用编辑好的Nadam优化算法，调用过程如下所示：
1)输入Nadam优化算法的学习率lr；
2)计算出模型训练过程中的均方差损失函数loss，
其中，m为训练样本的个数，yi为目标变量的真实值，
为预测结果，二者之差称为残差；
3)输出调用的Nadam优化算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910667484.8A CN110458336B (zh) | 2019-07-23 | 2019-07-23 | 一种基于深度学习的网约车供需预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910667484.8A CN110458336B (zh) | 2019-07-23 | 2019-07-23 | 一种基于深度学习的网约车供需预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458336A CN110458336A (zh) | 2019-11-15 |
| CN110458336B true CN110458336B (zh) | 2020-06-09 |
Family
ID=68483170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910667484.8A Active CN110458336B (zh) | 2019-07-23 | 2019-07-23 | 一种基于深度学习的网约车供需预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458336B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111191145B (zh) * | 2019-11-26 | 2023-07-07 | 重庆特斯联智慧科技股份有限公司 | 一种基于神经网络算法的社区交通共享方法及系统 |
| CN111416735B (zh) * | 2020-03-02 | 2021-05-11 | 河海大学 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
| CN111753910A (zh) * | 2020-06-27 | 2020-10-09 | 长安大学 | 基于lstm的滴滴订单需求预测方法及装置 |
| CN112288156B (zh) * | 2020-10-26 | 2023-03-31 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
| CN113408780B (zh) * | 2021-04-29 | 2023-06-16 | 西安交通大学 | 汽车未来保值率预测方法、系统、设备及可读存储介质 |
| CN113723858A (zh) * | 2021-09-10 | 2021-11-30 | 首约科技(北京)有限公司 | 一种依据供需的网约车排队场景的分析方法 |
| CN113570004B (zh) * | 2021-09-24 | 2022-01-07 | 西南交通大学 | 一种乘车热点区域预测方法、装置、设备及可读存储介质 |
| CN114066076B (zh) * | 2021-11-22 | 2023-03-28 | 北京白龙马云行科技有限公司 | 一种基于多租户的网约车预测方法及装置 |
| CN114066079B (zh) * | 2021-11-22 | 2022-11-25 | 北京白龙马云行科技有限公司 | 一种基于多租户的网约车供需差预测方法及装置 |
| CN116468469A (zh) * | 2023-04-24 | 2023-07-21 | 北京化工大学 | 一种基于改进emd-lstm的网约车需求预测方法 |
| CN116862573B (zh) * | 2023-09-05 | 2023-12-05 | 华侨大学 | 基于增量训练的城际网约车短期出行需求预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985475B (zh) * | 2018-06-13 | 2021-07-23 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
-
2019
- 2019-07-23 CN CN201910667484.8A patent/CN110458336B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458336A (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
| Lin et al. | An efficient deep reinforcement learning model for urban traffic control | |
| CN107045788B (zh) | 交通路况预测方法及装置 | |
| CN103295075B (zh) | 一种超短期电力负荷预测与预警方法 | |
| CN113096388B (zh) | 一种基于梯度提升决策树的短时交通流量预测方法 | |
| CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
| CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
| CN106427589A (zh) | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 | |
| CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 | |
| CN110675632B (zh) | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
| CN111753910A (zh) | 基于lstm的滴滴订单需求预测方法及装置 | |
| Zou et al. | Passenger flow prediction using smart card data from connected bus system based on interpretable xgboost | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| Lin et al. | Short-term metro passenger flow prediction based on random forest and LSTM | |
| Zhang et al. | An interpretable station delay prediction model based on graph community neural network and time-series fuzzy decision tree | |
| CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
| CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
| Li et al. | A delay prediction model for high-speed railway: an extreme learning machine tuned via particle swarm optimization | |
| Patil | Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review | |
| Wang | An intelligent passenger flow prediction method for pricing strategy and hotel operations |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |