CN111062589A - 一种基于目的地预测的城市出租车调度方法 - Google Patents

Abstract

本发明公开了一种基于目的地预测的城市出租车调度方法，通过过滤城市出租车轨迹数据中噪声数据实现数据预处理；通过一维卷积神经网络对出租车轨迹进行卷积操作得到局部特征向量，根据局部特征向量提取长短期记忆神经网络的时序特征向量，并对轨迹进行目的地预测；结合城市区域出租车需求数目预测和出租车轨迹目的地预测，使用NSGA‑II算法对城市出租车进行调度。本发明利用对载客出租车进行目的地预测，充分利用载客出租车资源，减少不必要的出租车调度。

Description

一种基于目的地预测的城市出租车调度方法

技术领域

本发明涉及深度学习与轨迹数据挖掘，具体涉及一种基于目的地预测的城 市出租车调度方法。

背景技术

随着城市发展进程的不断加速，交通拥堵问题已经成为城市亟待解决的问 题。城市出租车作为位置浮动交通工具，为城市居民出行提供了巨大的便利，也 为解决城市交通拥堵问题提供了新的解决方案。然后，城市出租车有着高空驶率、 寻客难等问题，不仅会造成城市资源浪费和经济损失，而且会进一步加剧道路交 通压力。

为了解决高空驶率、寻客难的问题，研究学者提出出租车调度算法人工干 预出租车寻客过程，以提高出租车运营效率，降低空驶率。已有的调度算法由于 没有考虑载客出租车的目的地分布而产生不必要的调度。深度学习技术在图像和 语音识别领域已经取得了巨大的成功，在车辆轨迹研究中也应用广泛。在出租车 轨迹目的地预测方面，使用深度神经网络对出租车轨迹与目的地的关系进行模式 识别。现有研究中忽略了轨迹的空间特性。

目前，出租车调度系统中，仅仅考虑空载出租车进行调度，而忽略载客出租车对调度的影响。使用深度学习技术是解决出租车调度中这些问题的突破口。通过出 租车轨迹目的地预测可以解决上述问题。

发明内容

本发明的目的是为了解决上述背景技术存在的不足，而提出一种基于目的 地预测的城市出租车调度方法。

为了实现上述目的，本发明所采用的技术方案为：

一种基于目的地预测的城市出租车调度方法，该方法包括如下步骤：

步骤1：通过过滤城市出租车轨迹数据中噪声数据实现数据预处理；

步骤2：通过一维卷积神经网络对出租车轨迹进行卷积操作得到局部特征向 量，根据局部特征向量提取长短期记忆神经网络的时序特征向量，并对轨迹进行 目的地预测；

步骤3：结合城市区域出租车需求数目预测和出租车轨迹目的地预测，使用 NSGA-II算法对城市出租车进行调度。

本发明的有益效果在于：本发明利用了机器学习中的长短期记忆神经网络 与卷积神经网络进行出租车轨迹目的地预测，提高了准确率。本发明利用对载客 出租车进行目的地预测，充分利用载客出租车资源，减少不必要的出租车调度； 最后，将出租车调度问题建模成多目标优化问题，以最小化调度距离和最大化区 域需求满足度作为目标问题，使用NSGA-II算法进行优化问题求解。

附图说明

图1为本发明实施例点的流程图；

图2为本发明实施轨迹数据漂移示意图；

图3为本发明实施出租车轨迹目的地预测神经网络示意图；

图4为本发明实施出租车轨迹卷积操作示意图；

图5为本发明实施出租车调度实验结果对比示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的 实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前 提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于目的地预测的城市出租车调度方法，该方法主要包 括出租车轨迹数据预处理、出租车目的地预测和出租车多目标优化调度三个方面， 包括如下步骤：

步骤1：通过过滤城市出租车轨迹数据中噪声数据实现数据预处理；

步骤1中所述城市出租车轨迹数据为：

所有出租车载客过程中的轨迹点组成的轨迹序列，不同出租车没有明显的 轨迹区分度，所以在此不区分不同出租车产生的轨迹；

tra表示城市出租车的一条完整轨迹，由n个轨迹点p_i组成；

p_i是一个三元组(lat_i，lng_i，t_i)，其中lat_i表示轨迹点的经度，lng_i表示轨 迹点的纬度，t_i表示轨迹点的时间；

城市出租车的一条完整轨迹可表示为：

tra＝{p₁，p₂，p₃，...，p_n}；

其中，n为轨迹点的数量；

步骤1中所述过滤噪声数据的具体方法是：

步骤1.1，检查数据完整性；

数据完整性是指检查tra＝{p₁，p₂，p₃，...，p_n}的所有轨迹点是否都有横纵坐 标以及时间，如果轨迹点三元组都存在且是有效表示则表示该条轨迹完整；否则 不完整，对于不完整的轨迹数据应舍弃整条轨迹；

步骤1.2，判断轨迹点是否在城市区域内；

根据城市行政划分范围，确定城市的最大坐标范围：

(lat_min，lat_max，lng_min，lng_max)

其中，lat_min表示轨迹点的经度最小值，lat_max表示轨迹点的经度最大值， lng_min表示轨迹点的纬度最小值，lng_max表示轨迹点的纬度最大值；

判断轨迹点是否在这个范围内：

若lat_min≤lat_i≤lat_max且lng_min≤lng_i≤lng_max则是有效轨迹点；

否则是无效轨迹点，对无效轨迹点所在的整条轨迹数据进行舍弃；

判断轨迹中相邻两个点是否发生漂移情况：判断两个点之间的速度，一般 发生漂移的点会在常规时间内发生跃迁现象，如果两点之间的距离除以时间不在 常规范围内则认为发生了数据漂移现象；

步骤2：通过一维卷积神经网络对出租车轨迹进行卷积操作得到局部特征向 量，根据局部特征向量提取长短期记忆神经网络的时序特征向量，并对轨迹进行 目的地预测，图3是神经网络模型；

步骤2中通过神经网络对出租车轨迹目的地进行预测，首先对出租车轨迹 目的地预测问题定义：

本发明将出租车v的轨迹tra_v＝{p₁，p₂，p₃，...，p_n}最后一个轨迹点p_n作为该 条轨迹的目的地，并根据数据集中所有轨迹目的地点进行聚类操作得到目的地类 簇作为本发明的分类结果；

标记所有轨迹目的地点的类簇编号作为该轨迹的真是目的地分类结果；

目的地点进行聚类得到的结果为：

cluster＝{c₁，c₂，...，c_m}

其中，每个c_j包含其类簇的中心点坐标

最终的分类结果为类 簇编号以及中心点坐标；

步骤2中所述通过一维卷积神经网络对出租车轨迹进行卷积操作具体为：

提取过程如图4所示。

本发明使用出租车v的完整轨迹的前10个轨迹点tra_v＝{p₁，p₂，p₃，...，p₁₀} 进行局部轨迹特征提取；

所述局部轨迹定义为：一条完整轨迹序列的子序列是由轨迹点p_i到轨迹点 p_i+k-1构成，称为轨迹中的第i(1≤i≤10)个局部轨迹序列，即tra_local＝ {p_i，p_i+1，...，p_i+k-1}，1≤i≤10，k表示局部轨迹的长度。

k值取3，则一个由10个轨迹点的序列形成8个局部轨迹序列；

为了提高预测模型的非线性建模能力，在进行局部轨迹划分之前，需要对 轨迹点经纬度坐标数据和对应的区域语义序列进行非线性映射；

本发明使用全连接神经网络进行非线性映射，全连接层是最常用、简单的 一种神经网络结构，所有的神经元与下一层的所有神经元相连，通过权重矩阵和 偏置变量进行特征学习，全连接层的作用是将卷积层和池化层学到的特征映射到 样本标签空间中；

对于轨迹点经纬度坐标数据，使用全连接层进行映射，并使用激活函数tanh 进行非线性化：

其中，

表示轨迹点经纬度的组合，使用全连接层映射到16维向量，W是 可学习权重矩阵，然后使用tanh激活函数进行非线性映射；

最终得到的结果是16维向量

可以看作是16通道的特征向量，使用卷积核W_conv∈R^k*16对

进行 卷积操作得到出租车轨迹局部特征向量

其中，loc_i∶i+k-1表示tra中第i个子序列，b是偏移变量，σ_cnn是卷积神经网 络中sigmoid激活函数，

步骤2中所述根据出租车轨迹局部特征向量提取长短期记忆神经网络的时 序特征向量为：

出租车轨迹是一种时序特征数据，每个轨迹点与前后轨迹点存在着时间依 赖关系；

通过卷积神经网络得到的局部轨迹之间仍然存在着时间依赖关系，通过对 这种时序特性的提取可以很好地表达出租车轨迹的时间特性；

为了更好表示轨迹点时间特性，需要将轨迹点时间更加离散化，将每天24 个小时按照半个小时长度划分为48个time_slot，并将轨迹点时间映射到每个 time_slot中；

除此之外，将轨迹对应的时间段信息time_slot进行嵌入向量转化，最后得 到的结果为

除了轨迹数据特有的时序特性外，出租车轨迹数据还呈现出了一定的时间 规律。轨迹对应的星期时间信息Weekday被转换为3维嵌入向量，即

本发明将轨迹tra中第一个轨迹点p₁的时间段p₁.t作为整条轨迹所处的时间 段；

一条轨迹点数目为L的出租车轨迹数据经过一维卷积神经网络进行卷积操 作得到局部特征向量为：

tra^conv∈R^(L-k+1)*n

其中，k是局部轨迹的滑动窗口大小，n是卷积核数目，tra^conv可以看作 是步长为L-k+1，长度为n的向量x的序列集合数据；

将tra^conv∈R^(L-k+1)*n输入到长短期记忆神经网络(LSTM)中进行特征学习：

h_i＝σ_lstm(W_x·x_i+W_h·h_i-1+b)

其中，W_x是向量x的学习权重，W_h是上一时刻输出h_i-1的学习权重，b是 偏置变量，σ_lstm是LSTM网络的非线性激活函数，本发明使用tanh激活函数； 最终时刻的输出h_out∈R^hidden_size是长短期记忆神经网络提取的时序特征向量， hidden_size表示LSTM网络隐藏层神经元个数，在建立网络时指定；

结合出租车轨迹的时间信息(星期信息Weekday和时间段信息Time_Slot) 和h_out向量；

使用多个全连接层前后连接的多层神经网络结构进行特征学习，最后使用softmax进行分类操作。LSTM结构如图3所示。每条轨迹的分类结果是目的地 点类簇c_j。使用交叉熵损失函数，梯度反向传播进行参数学习；

交叉熵损失函数：

其中，p是样本属于各个类别的概率分布，y是样本类别的one-hot表示，属 于某个类别为1，否则为0，M是类别个数。

步骤3：结合城市区域出租车需求数目预测和出租车轨迹目的地预测，使用 NSGA-II算法对城市出租车进行调度。

根据步骤2，可以对每条出租车轨迹进行目的地预测得到载客轨迹目的地分 布情况；

结合现有的城市区域需求预测算法，从城市区域需求样本数据和出租车轨 迹中提取数据集中第weekday天timeslot时段的区域需求预测分布D、载客轨 迹目的地分布Z和空载出租车分布K；

本发明基于上述三个分布进行出租车调度，使用多目标优化算法解决出租 车调度。出租车调度中主要有两个优化问题：

最大化城市区域出租车需求的满足度平均值S和最小化所有调度车辆行驶 距离之和DIS；

本发明在真实城市出租最大化城市区域i出租车需求的满足度平均值S：

其中，

公式(4-8)中M_i调度到区域i的出租车个数，D′_i是4.1节中计算得到的区 域需求数据。需求满足度表示出租车调度系统的效率，满足度越高表示出租车找 到乘客的概率越大。

最小化所有调度车辆行驶距离之和DIS：

其中，

其中，dis_ij是区域i和区域j之间的网格距离，通过将区域编号转换为二维 下标进行计算。调度车辆行驶距离越小表示出租车运营油耗越小，经济损失越小。

图5中展示了加入目的地预测和不加入的调度情况对比。通过实验结果可 以看出，本发明可以在满足城市区域出租车需求的基础上大幅减少出租车调度距 离，优化城市出租车调度。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是 对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不 脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发 明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (1)

1.一种基于目的地预测的城市出租车调度方法，其特征在于，该方法包括如下步骤：

步骤1：通过过滤城市出租车轨迹数据中噪声数据实现数据预处理；

步骤2：通过一维卷积神经网络对出租车轨迹进行卷积操作得到局部特征向量，根据局部特征向量提取长短期记忆神经网络的时序特征向量，并对轨迹进行目的地预测；

步骤3：结合城市区域出租车需求数目预测和出租车轨迹目的地预测，使用NSGA-II算法对城市出租车进行调度。

Images