CN112861925A - 基于深度学习网络的多区域车辆需求预测方法及系统 - Google Patents
基于深度学习网络的多区域车辆需求预测方法及系统 Download PDFInfo
- Publication number
- CN112861925A CN112861925A CN202110062310.6A CN202110062310A CN112861925A CN 112861925 A CN112861925 A CN 112861925A CN 202110062310 A CN202110062310 A CN 202110062310A CN 112861925 A CN112861925 A CN 112861925A
- Authority
- CN
- China
- Prior art keywords
- prediction
- network
- data
- measured
- vehicle
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明涉及一种基于深度学习网络的多区域车辆需求预测方法及系统,所述车辆需求预测方法包括:获取多个待测区域的不同时段内的车辆需求的观测数据及天气环境历史数据;根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;基于LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络;基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络;根据簇预测网络及全局预测网络,确定深度学习网络。本发明能够兼顾全局特性和区域特性,可预测下一时段内所有待测区域的车辆需求的终级预测数据,提高车辆需求预测的准确度。
Description
技术领域
本发明涉及城市交通技术领域,特别涉及一种基于深度学习网络的多区域车辆需求预测方法及系统。
背景技术
随着滴滴等在线打车平台的出现,车辆(出租车或网约车,以下统称为车辆)成为了城市交通的重要组成部分。车辆需求具有明显的时空特征,在空间上分布不均,在时段上动态变化。同一时段城市不同区域的需求分布是不平衡的,机场、火车站的打车需求要明显高于其他区域;同一区域在一天中不同时间段打车需求也有较大区别,工作日早晚高峰时间段的打车需求明显高于其他时间段。如果能提前预测城市不同区域内乘客的打车需求,可有助于车辆管理机构或部门合理分配车辆资源,从而有效减少车辆的空驶时段,减少乘客的等待时段,提升服务质量并增加收入。
车辆需求可定义为城市某区域在一段时段内由乘客发起的订单数,根据上下车的位置可分为上车需求和下车需求,前者指的是乘客在该区域上车,后者指乘客在该区域下车。车辆需求预测要解决的问题是预测未来一段时段的打车需求,可建模为时序预测问题,即根据历史的需求来预测未来的需求。历史平均(Historical Average,HA)是一种简单的预测方法,即将过去几个时段步的观测数据加和求平均作为下一个时段步的预测数据,但这种方法预测误差较大。差分整合移动平均自回归(Autoregressive Integrated MovingAverage,ARIMA)模型是一种线性的时序预测模型,将历史观测数据作为自变量,下一个时段步的预测数据作为因变量,拟合一个线性函数,从而进行预测。这种方法实现简单,但是本质上是一个线性模型,无法捕捉到需求变化的非线性关系。一些统计机器学习方法,例如支持向量回归(Support Vector Regression,SVR)、决策树(Decision Tree,DT)等,可以建模需求变化的非线性关系,从而获得更为精确的预测数据。这些方法在小样本集上表现较好,然而在大规模数据集上却表现一般。
近些年来,随着大数据和深度学习的快速发展,一些基于深度学习的交通预测模型如雨后春笋般涌现,并相较于传统方法有了较为显著的提升。堆叠自编码器(StackedAutoencoder,SAE)、卷积神经网络(Convolution Neural Networks,CNN)、长短时记忆网络(Long Short-Term Memory Networks,LSTM)、图神经网络(Graph Neural Networks,GNN)都是经典的深度学习模型,近些年来被用于交通流预测、交通速度预测、旅程时段预测、出行需求预测等任务。通常CNN和GNN被用来建模空间特征,而LSTM被用来建模时段特征,这两部分结合起来组成完整的预测模型。基于深度学习的车辆需求预测模型可充分发挥大数据的优势,从而突破传统方法的遇到的瓶颈,可获得更为精确的预测数据。
目前已经提出了很多基于深度学习技术来预测车辆需求的方法,但这些方法都是将所有区域放在一起进行预测,即用一个端到端的模型同时预测所有区域的车辆需求。实际上,不同区域之间的需求差异很大,这种差异一方面体现在订单计数的量级上,另一方面体现在上车区域和下车区域的相关性上。目前的方法对于如何处理区域之间的这些差异性,考虑不够,因此预测结果的准确度仍有提升空间。
发明内容
为了解决现有技术中的上述问题,即为了提高待测区域内车辆需求预测的准确度,本发明的目的在于提供一种基于深度学习网络的多区域车辆需求预测方法及系统。
为解决上述技术问题,本发明提供了如下方案:
一种基于深度学习网络的多区域车辆需求预测方法,所述车辆需求预测方法包括:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
可选地,所述车辆需求包括上车需求和下车需求;
所述根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇,具体包括:
根据多个待测区域的车辆需求的观测数据,计算任意两个待测区域的皮尔森相关系数:
其中,Corra,b表示待测区域a与待测区域b的皮尔森相关系数,x和y分别对应待测区域a和待测区域b;表示待测区域a在第i时间步的上车需求和下车需求,表示待测区域a在历史每个时间步的上下车需求,表示待测区域a在每个时间步上下车需求的平均值;同理,分别表示待测区域b在第i时间步的上下车需求,每个时间步的上下车需求,每个时间步上下车需求的平均值;*表示向量点积操作,||·||2为向量的2-范数;
根据各皮尔森相关系数,采用成对聚类算法最大化目标函数,得到区域的分簇;
其中,所述目标函数J:
其中,N为待测区域的总数量,K为划分的簇数量,划分结果表示为S1,S2,…Sk,…,SK,k=1,2,..,K,待测区域a与待测区域b均属于第k个簇Sk。
可选地,所述基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,具体包括:
根据以下公式,确定第k个簇Sk的子深度学习网络Pk:
et-1=ReLUE(FCE(Et-1));
其中,LSTM表示LSTM网络,FC表示全连接网络,RELU表示修正线性单元函数,σ是Sigmoid激活函数,Et-1表示由第t-1个时段的天气环境历史数据构成的向量,Concat是张量的连接操作,表示簇Sk中的所有待测区域在第t个时段的车辆需求的预测数据,s表示预测下一时间步时用到的历史时间步的长度,即历史步长,为簇Sk中的所有待测区域在第t-s个时段的车辆需求的观测数据,et-1分别为中间标量;
根据各簇对应的子深度学习网络,确定簇预测网络P:
可选地,根据以下公式,确定全局预测网络G:
ht-1=LSTMG(Dt-s,Dt-s+1,…,Dt-1);
et-1=ReLUE(FCE(Et-1));
其中,LSTM表示LSTM网络,FC表示全连接网络,Dt-s为所有测区域在第t-s时段的车辆需求的观测数据,s表示预测下一时间步时用到的历史时间步的长度,即历史步长,RELU表示修正线性单元函数,σ是Sigmoid激活函数,Et-1表示由第t-1时段的天气环境历史数据构成的向量,Concat是张量的连接操作,ht-1、et-1分别为中间标量;所述全局预测网络G用于预测所有待测区域在第t个时段的车辆需求的第二预测数据
可选地,根据以下公式,确定深度学习网络D:
其中,表示通过簇预测网络P预测所有待测区域在第t个时段的车辆需求的第一预测数据 表示通过全局预测网络G预测所有待测区域在第t个时段的车辆需求的第二预测数据t表示时段序号,所述深度学习网络D用于预测所有待测区域在第t个时段的车辆需求的终级预测数据
可选地,所述车辆需求预测方法还包括:
根据所述损失值,修正通过所述深度学习网络得到的在第t+1个时段内所有待测区域的车辆需求的终级预测数据。
可选地,根据以下公式,确定所述损失值:
其中,Loss表示损失值,WMSE为加权均方误差,MSE为均方误差函数,表示第t时段的第一预测数据,Dt为第t时段的观测数据,表示第t时段的第二预测数据,N为待测区域的总数量,n、r为待测区域的序号,表示第n个待测区域在v时段的观测数据,||·||1为向量的1-范数,αn表示权重系数。
为解决上述技术问题,本发明还提供了如下方案:
一种基于深度学习网络的多区域车辆需求预测系统,所述车辆需求预测系统包括:
获取单元,用于获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
划分单元,用于根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
第一确定单元,用于基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
第二确定单元,用于基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
第三确定单元,用于根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
为解决上述技术问题,本发明还提供了如下方案:
一种基于深度学习网络的多区域车辆需求预测系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
为解决上述技术问题,本发明还提供了如下方案:
一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
根据本发明的实施例,本发明公开了以下技术效果:
本发明根据多个待测区域的不同时段内的车辆需求的观测数据对应的天气环境历史数据,建立簇预测网络及全局预测网络,进而得到深度学习网络,能够兼顾全局特性和区域特性,可预测下一时段内所有待测区域的车辆需求的终级预测数据,提高车辆需求预测的准确度。
附图说明
图1是本发明基于深度学习网络的多区域车辆需求预测方法的流程图;
图2是深度学习网络结构图;
图3是本发明基于深度学习网络的多区域车辆需求预测系统的模块结构示意图。
符号说明:
获取单元—1,划分单元—2,第一确定单元—3,第二确定单元—4,第三确定单元—5。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的目的是提供一种基于深度学习网络的多区域车辆需求预测方法,根据多个待测区域的不同时段内的车辆需求的观测数据对应的天气环境历史数据,建立簇预测网络及全局预测网络,进而得到深度学习网络,能够兼顾全局特性和区域特性,可预测下一时段内所有待测区域的车辆需求的终级预测数据,提高车辆需求预测的准确度。
其中,车辆出行需求预测一般针对城市中的限定范围开展,预测范围划分为多个区域{Z1,Z2,...,ZN},其中每个区域作为一个最小预测空间单位,时间范围按固定时间间隔(如半小时)划分多个时间段{T1,T2,...,TM},每个时间段作为一个最小预测时间单位。交通管理部门一般会保存关于车辆需求的大量历史数据(即观测数据),记 为t时段内所有区域的观测数据,为t时段内所有区域的预测数据。预测算法实现的功能就是输入之前T个时段的历史数据,预测下一时段的车辆需求数量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明基于深度学习网络的多区域车辆需求预测方法包括:
步骤100:获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据。
其中,车辆需求包括上车需求和下车需求;所述天气环境包括温度、湿度、风向、风力、降水量、能见度中至少一者。
步骤200:根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇。
步骤300:基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据。
步骤400:基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据。
步骤500:根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
其中,在步骤200中,所述根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇,具体包括:
步骤210:根据多个待测区域的车辆需求的观测数据,计算任意两个待测区域的皮尔森相关系数:
其中,Corra,b表示待测区域a与待测区域b的皮尔森相关系数,x和y分别对应待测区域a和待测区域b;表示待测区域a在第i时间步的上车需求和下车需求,表示待测区域a在历史每个时间步的上下车需求,表示待测区域a在每个时间步上下车需求的平均值;同理,分别表示待测区域b在第i时间步的上下车需求,每个时间步的上下车需求,每个时间步上下车需求的平均值;*表示向量点积操作,||··||2为向量的2-范数。
本发明的重点在于如何将所有区域划分为多个簇,使得簇内的区域特性接近,簇间的区域特性显著不同。首先,为了衡量区域之间的差异性,通过计算皮尔森相关系数,如果待测区域a和待测区域b高度相关,Corra,b趋近于-1或1;如果待测区域a和待测区域b不相关,Corra,b趋近于0。
步骤220:根据各皮尔森相关系数,采用成对聚类算法最大化目标函数,得到区域的分簇;
其中,所述目标函数J:
其中,N为待测区域的总数量,K为划分的簇数量,划分结果表示为S1,S2,…Sk,…,SK,k=1,2,..,K,待测区域a与待测区域b均属于第k个簇Sk。
在步骤300中,所述基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,具体包括:
步骤310:根据以下公式,确定第k个簇Sk的子深度学习网络Pk:
et-1=ReLUE(FCE(Et-1));
其中,LSTM表示LSTM网络,FC表示全连接网络,RELU表示修正线性单元函数,σ是Sigmoid激活函数,Et-1表示由第t-1个时段的天气环境历史数据构成的向量,Concat是张量的连接操作,表示簇Sk中的所有待测区域在第t个时段的车辆需求的预测数据,s表示预测下一时间步时用到的历史时间步的长度,即历史步长,为簇Sk中的所有待测区域在第t-s个时段的车辆需求的观测数据,et-1分别为中间标量。
其中,LSTM网络的计算公式如下所示:
kt=σ(Wxkxt+Whkht-1+bk);
ft=σ(Wxfxt+Whfht-1+bf);
ot=σ(Wxoxt+Whoht-1+bo);
其中xt和ht表示第t个时段的输入和输出特征,σ和tanh表示sigmoid和tanh激活函数,表示Hadamard乘积,k,f,o代表LSTM的输入门,遗忘门,输出门;Wxk、Whk、bk分别表示输入门对t时间步输入向量的权重参数,对t-1时间步输出向量的权重参数,以及偏置参数;Wxf、Whf、bf分别表示遗忘门对t时间步输入向量的权重参数,对t-1时间步输出向量的权重参数,以及偏置参数;Wxo、Who、bo分别表示输出门对t时间步输入向量的权重参数,对t-1时间步输出向量的权重参数,以及偏置参数。ct表示LSTM在t时间步的隐层细胞状态向量。
步骤320:根据各簇对应的子深度学习网络,确定簇预测网络P:
在步骤400中,根据以下公式,确定全局预测网络G:
ht-1=LSTMG(Dt-s,Dt-s+1,…,Dt-1);
et-1=ReLUE(FCE(Et-1));
其中,LSTM表示LSTM网络,FC表示全连接网络,Dt-s为所有测区域在第t-s时段的车辆需求的观测数据,s表示预测下一时间步时用到的历史时间步的长度,即历史步长,RELU表示修正线性单元函数,σ是Sigmoid激活函数,Et-1表示由第t-1时段的天气环境历史数据构成的向量,Concat是张量的连接操作,ht-1、et-1分别为中间标量;所述全局预测网络G用于预测所有待测区域在第t个时段的车辆需求的第二预测数据
如图2所示,在步骤500中,根据以下公式,确定深度学习网络D:
其中,表示通过簇预测网络P预测所有待测区域在第t个时段的车辆需求的第一预测数据 表示通过全局预测网络G预测所有待测区域在第t个时段的车辆需求的第二预测数据t表示时段序号,所述深度学习网络D用于预测所有待测区域在第t个时段的车辆需求的终级预测数据
将簇预测网络P和全局预测网络G合并成一个深度学习预测网络,输入为所有区域前t时段的车辆需求历史数据和天气环境历史数据,输出为网络P的输出和网络G的均值,为第t+1时段的车辆需求的预测值。
需要说明,车辆需求的预测值为通过迭代计算得到,因此需根据前t时段的车辆需求历史数据和天气环境历史数据,得到第t+1时段的车辆需求的预测值
优选地,本发明所述车辆需求预测方法还包括:
根据所述损失值,修正通过所述深度学习网络得到的在第t+1个时段内所有待测区域的车辆需求的终级预测数据。
其中,根据以下公式确定所述损失值:
其中,Loss表示损失值,WMSE为加权均方误差,MSE为均方误差函数,表示第t时段的第一预测数据,Dt为第t时段的观测数据,表示第t时段的第二预测数据,N为待测区域的总数量,n、r为待测区域的序号,表示第n个待测区域在v时段的观测数据,||·||1为向量的1-范数,αn表示权重系数。
本发明在车辆出行区域传统预测算法的基础上,增加考虑了各区域之间出行需求的差异性,能够兼顾全局特性和区域特性,因此能够提高预测精度。
此外,本发明还提供一种基于深度学习网络的多区域车辆需求预测系统,可提高待测区域内车辆需求预测的准确度。
具体地,如图3所示,本发明基于深度学习网络的多区域车辆需求预测系统包括获取单元1、划分单元2、第一确定单元3、第二确定单元4及第三确定单元5。
其中,所述获取单元1用于获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
所述划分单元2用于根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
所述第一确定单元3用于基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
所述第二确定单元4用于基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
所述第三确定单元5用于根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
进一步地,本发明还提供了如下方案:
一种基于深度学习网络的多区域车辆需求预测系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
此外,本发明还提供了如下方案:
一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
相对于现有技术,本发明基于深度学习网络的多区域车辆需求预测系统、计算机可读存储介质与上述基于深度学习网络的多区域车辆需求预测方法的有益效果相同,在此不再赘述。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于深度学习网络的多区域车辆需求预测方法,其特征在于,所述车辆需求预测方法包括:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
2.根据权利要求1所述的基于深度学习网络的多区域车辆需求预测方法,其特征在于,所述车辆需求包括上车需求和下车需求;
所述根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇,具体包括:
根据多个待测区域的车辆需求的观测数据,计算任意两个待测区域的皮尔森相关系数:
其中,Corra,b表示待测区域a与待测区域b的皮尔森相关系数,x和y分别对应待测区域a和待测区域b;表示待测区域a在第i时间步的上车需求和下车需求,表示待测区域a在历史每个时间步的上下车需求,表示待测区域a在每个时间步上下车需求的平均值;同理,分别表示待测区域b在第i时间步的上下车需求,每个时间步的上下车需求,每个时间步上下车需求的平均值;*表示向量点积操作,||·||2为向量的2-范数;
根据各皮尔森相关系数,采用成对聚类算法最大化目标函数,得到区域的分簇;
其中,所述目标函数J:
其中,N为待测区域的总数量,K为划分的簇数量,划分结果表示为S1,S2,...Sk,...,SK,k=1,2,..,K,待测区域a与待测区域b均属于第k个簇Sk。
3.根据权利要求2所述的基于深度学习网络的多区域车辆需求预测方法,其特征在于,所述基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,具体包括:
根据以下公式,确定第k个簇Sk的子深度学习网络Pk:
et-1=ReLUE(FCE(Et-1));
其中,LSTM表示LSTM网络,FC表示全连接网络,RELU表示修正线性单元函数,σ是Sigmoid激活函数,Et-1表示由第t-1个时段的天气环境历史数据构成的向量,Concat是张量的连接操作,表示簇Sk中的所有待测区域在第t个时段的车辆需求的预测数据,s表示历史步长,为簇Sk中的所有待测区域在第t-s个时段的车辆需求的观测数据,et-1分别为中间标量;
根据各簇对应的子深度学习网络,确定簇预测网络P:
4.根据权利要求1所述的基于深度学习网络的多区域车辆需求预测方法,其特征在于,根据以下公式,确定全局预测网络G:
ht-1=LSTMG(Dt-s,Dt-s+1,...,Dt-1);
et-1=ReLUE(FCE(Et-1));
8.一种基于深度学习网络的多区域车辆需求预测系统,其特征在于,所述车辆需求预测系统包括:
获取单元,用于获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
划分单元,用于根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
第一确定单元,用于基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
第二确定单元,用于基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
第三确定单元,用于根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
9.一种基于深度学习网络的多区域车辆需求预测系统,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行以下操作:
获取多个待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据;
根据多个待测区域的车辆需求的观测数据,将各待测区域划分为多个簇;
基于长短时记忆网络LSTM及全连接网络,根据各簇内不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定簇预测网络,所述簇预测网络用于预测下一时段内所有待测区域的车辆需求的第一预测数据;
基于LSTM及全连接网络,根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,确定全局预测网络,所述全局预测网络用于预测下一时段内所有待测区域的车辆需求的第二预测数据;
根据簇预测网络及全局预测网络,确定深度学习网络,所述深度学习网络用于根据各待测区域的不同时段内的车辆需求的观测数据及对应的天气环境历史数据,预测下一时段内所有待测区域的车辆需求的终级预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062310.6A CN112861925B (zh) | 2021-01-18 | 2021-01-18 | 基于深度学习网络的多区域车辆需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062310.6A CN112861925B (zh) | 2021-01-18 | 2021-01-18 | 基于深度学习网络的多区域车辆需求预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112861925A true CN112861925A (zh) | 2021-05-28 |
CN112861925B CN112861925B (zh) | 2023-04-07 |
Family
ID=76006428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062310.6A Active CN112861925B (zh) | 2021-01-18 | 2021-01-18 | 基于深度学习网络的多区域车辆需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861925B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004513A (zh) * | 2021-11-04 | 2022-02-01 | 浙江大学 | 一种需求预测方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032400A1 (en) * | 2015-07-27 | 2017-02-02 | Truecar, Inc. | Vehicle data system for distribution of vehicle data in an online networked environment |
CN108629503A (zh) * | 2018-04-28 | 2018-10-09 | 南通大学 | 一种基于深度学习的出租车上车需求量的预测方法 |
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN111507762A (zh) * | 2020-04-15 | 2020-08-07 | 中国科学院自动化研究所 | 基于多任务共预测神经网络的城市出租车需求预测方法 |
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 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
-
2021
- 2021-01-18 CN CN202110062310.6A patent/CN112861925B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032400A1 (en) * | 2015-07-27 | 2017-02-02 | Truecar, Inc. | Vehicle data system for distribution of vehicle data in an online networked environment |
CN108629503A (zh) * | 2018-04-28 | 2018-10-09 | 南通大学 | 一种基于深度学习的出租车上车需求量的预测方法 |
CN108985475A (zh) * | 2018-06-13 | 2018-12-11 | 厦门大学 | 基于深度神经网络的网约车召车需求预测方法 |
CN111507762A (zh) * | 2020-04-15 | 2020-08-07 | 中国科学院自动化研究所 | 基于多任务共预测神经网络的城市出租车需求预测方法 |
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 |
CN112150207A (zh) * | 2020-09-30 | 2020-12-29 | 武汉大学 | 基于时空上下文注意力网络的网约车订单需求预测方法 |
Non-Patent Citations (4)
Title |
---|
CHIZHAN ZHANG 等: "MLRNN: Taxi Demand Prediction Based on Multi-Level Deep Learning and Regional Heterogeneity Analysis", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
CHIZHAN ZHANG 等: "Taxi Demand Prediction Using Parallel Multi-Task Learning Model", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
李志帅 等: "基于图卷积神经网络和注意力机制的短时交通流量预测", 《交通工程》 * |
段宗涛等: "基于深度CNN-LSTM-ResNet组合模型的出租车需求预测", 《交通运输系统工程与信息》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004513A (zh) * | 2021-11-04 | 2022-02-01 | 浙江大学 | 一种需求预测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112861925B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | An LSTM-based aggregated model for air pollution forecasting | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
Athira et al. | Deepairnet: Applying recurrent networks for air quality prediction | |
WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
Maiti et al. | Historical data based real time prediction of vehicle arrival time | |
CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
WO2020043027A1 (zh) | 一种大气污染预测中对区域边界优化的方法 | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN105493109A (zh) | 使用多个数据源的空气质量推断 | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
CN111507762A (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
WO2020044127A1 (zh) | 一种大气污染预测的方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN112861925B (zh) | 基于深度学习网络的多区域车辆需求预测方法及系统 | |
Rasaizadi et al. | Short-term prediction of traffic state for a rural road applying ensemble learning process | |
CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
GS et al. | Prediction of bus passenger traffic using Gaussian process regression | |
Olayode et al. | Traffic flow modelling of long and short trucks using a hybrid artificial neural network optimized by particle swarm optimization | |
Miller et al. | Demand estimation and chance-constrained fleet management for ride hailing | |
CN116070676A (zh) | 基于注意力机制和自编码器的高速公路路面温度预报方法 | |
CN116523093A (zh) | 基于随机源荷预测的能源系统的网格需求感知系统及方法 | |
CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
Hossain et al. | Forecast upcoming traffic states by exploiting nearest junctions and big data |
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 |