CN114492886A - 一种考虑出发地和目的地的网约车需求预测方法及系统 - Google Patents

Abstract

本发明公开了一种考虑出发地和目的地的网约车需求预测方法及系统，通过制定考虑了出发地和目的地的网约车需求预测深度学习模型，设计了多种动态和静态OD图来描述出发地和目的地之间的网约车需求交易，进而提出了一种新的深度学习模型：基于对抗生成结构的动态多图卷积神经网络(DMGC‑GAN)；与已有技术不同，本方案开发了处理不同动态OD图的时间多图卷积网络层(TMGCN layer)，以捕获动态OD图中包含的时间空间拓扑结构，并利用对抗生成网络(GAN结构)克服OD需求的高稀疏性。

Description

一种考虑出发地和目的地的网约车需求预测方法及系统

技术领域

本发明涉及交通流预测技术领域，具体涉及一种考虑出发地和目的地的网约车需求预测方法及系统。

背景技术

网约车需求预测在网约车车辆调度、交通状态控制和智能交通系统建设中发挥着重要作用。准确、实时的网约车需求预测对于改善供需失衡、车辆利用率和交通状况至关重要。然而，现有需求预测技术领域大多是基于规则区域划分的需求预测，而基于出发地-目的地(OD)的需求预测技术较少。

现有考虑出发地-目的地的网约车需求预测技术只考虑构建OD对，分析提取OD对之间的关系，其本质上是着眼于出行之间的关联，而不是OD区域之间的相关性。然而真实地从出发地-目的地的区域水平角度出发，才能体现OD图内包含的时空关系，实现更精准的OD需求密度预测。现有技术大多依靠静态图和无向图结构，其无法对OD需求数据中的时变拓扑结构和有向拓扑结构进行建模。应该构造动态和有向OD图来捕获局部和全局的空间依赖关系，对OD需求数据进行动态有向拓扑建模，通过基于出发地-目的地区域水平的需求预测来探讨区域间的相互关系。现有技术较少考虑OD需求密度矩阵的稀疏性，在OD需求密度矩阵中，零元素比非零元素多，模型的稀疏性可能导致预测精度不理想。

发明内容

本发明所要解决的技术问题是现有网约车需求预测模型中缺乏考虑OD需求密度矩阵的稀疏性，在OD需求密度矩阵中，零元素比非零元素多，模型的稀疏性可能导致预测精度不理想，本发明目的在于提供一种考虑出发地和目的地的网约车需求预测方法及系统，构建基于对抗生成结构的动态多图卷积神经网络模型捕获动态OD图中包含的时间空间拓扑结构，并利用对抗生成网络克服OD需求的高稀疏性，以解决上述技术问题。

本发明通过下述技术方案实现：

本发明提供一种考虑出发地和目的地的网约车需求预测方法，包括步骤：

根据目标时间段选取时间序列数据；

将时间序列数据输入已构建好的基于对抗生成结构的动态多图卷积神经网络模型进行预测，得到目标时间段出发地和目的地的网约车需求量；

所述基于对抗生成结构的动态多图卷积神经网络模型在构建时捕捉城市研究范围的动态OD图。

本方案工作原理：现有技术较少考虑OD需求密度矩阵的稀疏性，在OD需求密度矩阵中，零元素比非零元素多，模型的稀疏性可能导致预测精度不理想。本方案基于对抗生成结构的动态多图卷积神经网络模型来捕获动态OD图中包含的时间空间拓扑结构，实现捕捉动态OD图的有向性和随时间变化的相关性，并利用对抗生成网络克服OD需求的高稀疏性，提高预测模型的准确度和实时性，平衡网约车供需不均衡，提高车辆利用率以及改善交通状况。

进一步优化方案为，基于对抗生成结构的动态多图卷积神经网络模型的构建方法包括步骤：

S1、将城市研究范围划分为n个区域，并构建基于n个区域的加权有向图结构G；

S2、构建问题；

S3、定义由时态多图卷积网络构成的生成网络GN；

S4、定义由隐含层和输出层组成的判别网络D；判别网络与生成网络相结合计算损失值；

S5、同时或交替训练S3和S4得到基于对抗生成结构的动态多图卷积神经网络模型。

进一步优化方案为，所述加权有向图结构G表示为：G＝(V，E，A)；

其中V＝{v_i，1≤i≤n}表示有向图中点集合，每个区域被定义为有向图中的一个点v_i，1≤i≤n；

E＝{e_ij，1≤i≤n，1≤j≤n}表示有向图中边集合，任意两区域间存在连线e_ij；

A＝{a_ij，1≤i≤n，1≤j≤n}表示有向图中边的权重矩阵；

在加权有向图结构G中，对于特定时间段t内，区域i到任意区域j具有出行人数

其中，1≤i≤n，1≤j≤n。

进一步优化方案为，构建加权有向图结构G的方法包括步骤：

T1，定义

1≤i≤n，1≤j≤n，表示时间段t内任意两区域间的乘车移动人数矩阵OD需求密度，区域间出行人数

是时变的，因此加权有向图结构G中区域间连线及其权重矩阵也随时间变化而变化；

T2，定义出发地和目的地相互吸引动态OD图及其权重矩阵

和

G_t＝(V，E_t，A_t)，表示时间段t内包含出发地和目的地的动态OD图结构；

权重矩阵

和

中有：

其中，[·]_ij分别表示各个权重矩阵中第i-行，j-列的元素；exp(·)表示指数函数；

表示出发地为区域v_i的所有需求总和，

表示目的地为区域v_j的所有需求总和；

T3，定义乘客出行关联模式动态OD图的权重矩阵

其中有：

其中，[·]_ij分别表示各个权重矩阵中i-行，j-列的元素；Cov(·，·)表示协方差计算公式；var(·)表示方差计算公式；

表示出发地为区域v_i的所有需求总和；

T4，定义静态OD图及其邻接关系矩阵A_s：

G_s＝(V，E_s，A_s)，表示不受区域间出行人数

影响的包含空间地理信息的静态OD图；其中E_s表示区域v_i和v_j之间的空间地理关联；

邻接关系矩阵A_s中有：[A_s]_ij＝[A_s]_ji；[A_s]_ij表示邻域关系矩阵第i行、第j列的元素：

进一步优化方案为，步骤二中构建问题为：

其中X^t+1，1≤t≤T表示时间段t+1内包含所有划分区域的OD需求密度；

表示时间段t城市道路网络的动态拓扑结构；

表示时间段t各区域OD需求密度历史时间序列集合；

T表示OD需求密度历史时间序列中包含T个时间段t；

f(·)表示非线性映射函数(这里专指提出的用于生成预测结果的深度学习模型：基于对抗生成结构的动态多图卷积神经网络(DMGC-GAN))；通过

进而得到预测的时间段t+1所有区域的OD需求密度X^t+1。

其中DMGC-GAN(·)表示基于对抗生成结构的动态多图卷积神经网络；定义

表示作为所构建的深度学习模型的历史时间序列输入，其中

表示过去k个时间段内的OD需求密度，

表示过去b天内与时间段t相同时间段内的OD需求密度，

表示过去c周内与时间段t相同时间段内的OD需求密度；

将时间段t各区域OD需求密度历史时间序列，动态OD图权重矩阵A_t，以及静态OD图权重矩阵A_s输入基于对抗生成结构的动态多图卷积神经网络，则时间段t+1内各区域的OD需求密度X^t+1为：

其中

和

分别表示出发地和目的地相互吸引程度权重矩阵；

为乘客出行关联模式权重矩阵；A_s为邻接关系权重矩阵。

进一步优化方案为，步骤三中生成网络GN的细节为：

生成目标时间段t+1内OD需求密度预测结果

其中σ(·)表示sigmoid激活函数；TMGCN(·)表示时间多图卷积神经网络层，将多图卷积层(MGC)嵌入门控循环单元层(GRU)组成；Z^t表示一个服从[0，1]随机均匀分布的噪声序列；

表示生成网络GN中全连接输出层的可训练参数。

所述f(·)＝DMGC-GAN(·)表示基于对抗生成结构的动态多图卷积神经网络用于非线性映射；

表示各OD图对应的权重矩阵；

表示与预测时间段具有时间相关性的OD需求密度历史时间序列。

进一步优化方案为，步骤四中定义判别网络D为：

判别输入为真实值的可能性D(Y)，其中ReLU(·)表示修正线性单元；Flatten(·)表示压平层，将多维数据一维化；

分别表示D中隐藏层和输出层的可训练参数。

进一步优化方案为，步骤五包括以下子步骤：

S51、同时或交替训练步骤三和步骤四，用判别网络D来最大化识别生成网络GN所生成的预测结果，用生成网络GN来最小化判别网络D识别结果为预测结果的可能性；目标函数表示为：

其中

表示预测目标数据集；

表示OD图集合，包括不同的权重矩阵；

表示OD需求密度历史时间序列输入集，

表示噪声序列集合；

S52、根据目标函数训练网络，获得基于对抗生成结构的动态多图卷积神经网络模型。

本方案还提供一种考虑出发地和目的地的网约车需求预测系统，应用于上述的方法，包括数据采集模块和预测模块；

所述数据采集模块根据目标时间段选取时间序列数据；

所述预测模块将时间序列数据输入已构建好的基于对抗生成结构的动态多图卷积神经网络模型进行预测，得到目标时间段出发地和目的地的网约车需求量；

所述基于对抗生成结构的动态多图卷积神经网络模型在构建时捕捉城市研究范围的动态OD图。

进一步优化方案为，所述数据采集模块提取多个关键时间间隔，并将各关键时间间隔的时间相关性编码为预测的特征，形成OD需求密度历史时间序列数据。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明提供的一种考虑出发地和目的地的网约车需求预测方法及系统，通过制定考虑了出发地和目的地的网约车需求预测深度学习模型，设计了多种动态和静态OD图来描述出发地和目的地之间的网约车需求交易，进而提出了一种新的深度学习模型：基于对抗生成结构的动态多图卷积神经网络(DMGC-GAN)；与已有技术不同，本方案开发了处理不同动态OD图的时间多图卷积网络层(TMGCN layer)，以捕获动态OD图中包含的时间空间拓扑结构，并利用对抗生成网络(GAN结构)克服OD需求的高稀疏性，为准确的网约车需求预测结果奠定基础，平衡供需不均衡、提高车辆利用率改善交通状况。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：

图1为基于对抗生成结构的动态多图卷积神经网络模型构建方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

本实施例提供一种考虑出发地和目的地的网约车需求预测方法，包括步骤：

根据目标时间段选取时间序列数据；

将时间序列数据输入已构建好的基于对抗生成结构的动态多图卷积神经网络模型进行预测，得到目标时间段出发地和目的地的网约车需求量；

所述基于对抗生成结构的动态多图卷积神经网络模型在构建时捕捉城市研究范围的动态OD图。

基于对抗生成结构的动态多图卷积神经网络模型的构建方法包括以下步骤：

如图1所示，步骤S1，将城市研究范围划分为n个区域，且构建基于n个区域的加权有向图结构G＝(V，E，A)，其中V＝{v_i，1≤i≤n}表示图中点集合，每个区域被定为图中的一个点v_i，1≤i≤n；E＝{e_ij，1≤i≤n，1≤j≤n}表示图中边集合，任意两区域间存在连线；A＝{a_ij，1≤i≤n，1≤j≤n}表示图中边的权重矩阵；在图结构G中，在特定时间段t时，对于每个区域i，到任意区域j具有出行人数

其中，1≤i≤n，1≤j≤n。

在本实施例中，数据划分，选取城市范围，按照一定的规律将其划分为n个不规则的区域，记录该地区每天的出租车订单记录形成数据集，每条数据包含多个属性，包括请求日期和时间、车辆位置信息、订单完成时间等。基于划分的区域，可以通过将该区域在特定时间间隔内的需求请求相加得到任意区域j具有出行人数

定义

表示时间段t内任意两区域间的乘车移动人数矩阵-OD需求密度；区域间出行人数

是时变的，因此加权有向图结构G中区域间连线及其权重矩阵也随时间变化而变化，定义G_t＝(V，E_t，A_t)，表示时间段t内包含出发地和目的地的动态OD图结构；此外，定义G_s＝(V，E_s，A_s)，表示不受区域间出行人数

影响的包含空间地理信息的静态OD图结构，其中E_s表示区域v_i和v_j之间的空间地理关联，A_s为其权重矩阵；

构建加权有向OD图G＝(V，E，A)，通过一个数据结构去描述所有不规则区域。其中，V＝{v_i，1≤i≤n}为图中节点集合，其中每个节点表示城市中的一个区域；E＝{e_ij，1≤i≤n，1≤j≤n}为图中边集合，其中每个边是根据区域间的异构空间相关性确定的；A＝{a_ij，1≤i≤n，1≤j≤n}为权值矩阵，其中邻近矩阵a_ij表示区域v_j可能影响区域v_i的程度。OD图可能是部分连通的，这表示并非所有节点之间都有方向边。OD图会有所不同，因为它描述了不同时间间隔的乘客需求模式。这意味着边的集合E和权值矩阵A都随时间变化。因此，我们将基于时间间隔t的动态OD图定义为G_t＝(V，E_t，A_t)，其中

表示每个时间间隔t内节点间的需求总量，

为其对应的权值矩阵；

所述步骤S1具体为：

步骤S11，构建动态OD图和城市道路网络动态拓扑结构；

定义出发地-目的地相互吸引动态OD图及其权重矩阵

和

不同的属性与城市的不同区域相关联，例如商业区域中存在一些购物中心和餐厅、办公区域和居住区域。不同地区之间的出行需求在一天的不同时间段呈现出完全不同的趋势。在不同时期，不同地区之间存在不同程度的需求吸引。定义两个OD吸引加权矩阵

和

度量不同时间段内区域之间的相互吸引程度：

其中，[·]_ij分别表示各个权重矩阵中i-行，j-列的元素；exp(·)表示指数函数；

表示出发地为区域v_i的所有需求总和，

表示目的地为区域v_j的所有需求总和。

定义乘客出行关联模式动态OD图及其权重矩阵

可以直观地看出，具有一些共同特征的地区之间存在相似的乘客流动模式(历史OD需求趋势)，从而可以指导彼此的预测。出行关联模式的探索为全局空间关联提取提供了一个新的方向。定义一个动态OD图的乘客出行关联模式加权矩阵

其中，[·]_ij分别表示各个权重矩阵中i-行，j-列的元素；Cov(·，·)表示协方差计算公式；var(·)表示方差计算公式；

表示出发地为区域v_i的所有需求总和。

定义静态OD图及其邻接矩阵G_s＝(V，E_s，A_s)。邻接矩阵A_s来验证OD需求是否存在邻接的起点或终点。实际上，邻接矩阵A_s可以简化为：由于区域之间的地理关系并不随时间变化，因此可以检验任意两个区域是否相邻，式中[A_s]_ij表示邻域关系矩阵第i行、第j列的元素，在邻接矩阵A_s中，[A_s]_ij＝[A_s]_ji：

步骤S12，根据步骤S11的多种OD图，t时间段内聚集OD需求，根据划分的不规则区域，可以将特定时间区间t内从一个区域v_i到另一个区域v_j的出行次数聚合为OD需求密度，定义

为在时间间隔t内，原点区域i∈V，目标区域j∈V的需求密度，

为对应的动态OD拓扑，其中包含全局空间信息。我们定义OD需求密度集

其中T表示根据历史观测结果确定的OD需求密度。预测X^t时，可以将时间间隔t之前的所有OD需求强度和对应的动态OD拓扑作为特征。然而，并不是所有历史OD需求强度都需要用于输入。尽管存在空间相关性，但乘客需求总体上取决于过去几个时间段内OD需求的变化趋势以及类似的日周期和周周期。因此，我们提取了几个关键的时间间隔，将时间相关性编码为预测的特征，形成OD需求密度历史时间序列。

步骤S2，构建问题：

其中X^t+1，1≤t≤T表示时间段t+1内包含所有划分区域的OD需求密度，

表示时间段t城市道路网络的动态拓扑结构，

表示时间段t各区域OD需求密度历史时间序列集合，T表示OD需求密度历史时间序列中包含T个时间段t，f(·)表示非线性映射函数(这里专指提出的用于生成预测结果的深度学习模型：基于对抗生成结构的动态多图卷积神经网络(DMGC-GAN))，通过

进而得到预测的时间段t+1所有区域的OD需求密度X^t+1。

在本实施例中，所述步骤S2中，

其中DMGC-GAN(·)表示基于对抗生成结构的动态多图卷积神经网络；定义

表示作为所构建的深度学习模型的历史时间序列输入，其中

表示过去k个时间段内的OD需求密度，

表示过去b天内与时间段t相同时间段内的OD需求密度，

表示过去c周内与时间段t相同时间段内的OD需求密度；

构建问题：

并采用基于对抗生成网络框架的时空动态多图卷积神经网络来预测目标需求。

简要描述我们提出的DMGC-GAN的结构，该结构由三个主要部分组成：

(1)多图卷积网络层(MGCN layer)；

(2)门控循环单元(GRU)；

(3)生成对抗网(Generative Adversarial Nets，GAN)；

其中(1)和(2)构成了设计的时态多图卷积网络(TMGCN)；

步骤S3，定义生成网络GN，生成网络GN由N个TMGCN层组成，其中全连接层用于输出。TMGCN层以正态分布噪声作为输入，处理来自动态OD图和历史OD需求的不同加权矩阵，并获得随后输入到全连接输出层的表示。值得注意的是，每个相邻矩阵的元素和输入都需要归一化为[0，1]。将TMGCN细胞的最后一个隐藏状态输入到输出层，得到下一个时间间隔向量形式的OD需求，全连接层中使用的激活函数为ReLU函数，以保证生成的预测结果值在[0，1]范围内。通过逆归一化得到具有真值范围的OD需求量预测。综上所述，生成网络GN的细节如下：

生成目标时间段t+1内OD需求密度预测结果

其中σ(·)表示sigmoid激活函数；TMGCN(·)表示时间多图卷积神经网络层，将多图卷积层(MGC)嵌入门控循环单元层(GRU)组成；Z^t表示一个服从[0，1]随机均匀分布的噪声序列；

表示生成网络G中全连接输出层的可训练参数。

所述步骤S3中，首先，我们首先设计了TMGCN层，该层由门控循环单元(GRU)和多图卷积网络层(MGC layer)计算组成。TMGCN层首先利用多图卷积网络层从不同维度提取静态和动态OD图之间的局部和全局空间相关性，然后将MGC获得的综合表示用于GRU层，捕捉动态OD需求在时间上不断变化的模式。

h_t＝u_t*h_t-1+(1-u_t)*c_t

其中u_t表示更新状态门；r_t表示遗忘状态门；c_t表示当前时间段t储存的状态；MGC(·)表示多图卷积操作；h_t-1表示前一时间段t-1输出的状态；h_t表示当前时间段t输出的状态；W_u、b_u；W_r、b_r；W_c、b_c分别表示TMGCN中更新门、遗忘门、当前状态单元中的可训练参数。

步骤S4，定义判别网络D，由全连接层填充的全连接前馈层，即隐含层和输出层组成。在对抗过程中，D的分别输入{Y|X^t}与生成网络GN的输出

相结合(或相应的真值Y^{t +1})，用相应的历史输入X^t来计算损失值。输入全接接层的形状通常是一个向量，而不是一个多维矩阵，因此我们展平输入

或{Y^t+1|X^t}为一个向量来训练判别网络D。我们分别用ReLU和sigmod激活函数设置隐藏层和输出层的非线性结构。简而言之，判别网络D的计算过程如下：

判别输入为真实值的可能性D(Y)，其中ReLU(·)表示修正线性单元；Flatten(·)表示压平层，将多维数据一维化；

分别表示判别网络D中隐藏层和输出层的可训练参数。

步骤S5，同时训练步骤S3和步骤S4。我们所发明的模型通过一个框架类似于GAN的最小最大两方博弈的优化生成网络GN和判别网络D，来处理OD需求矩阵的稀疏性问题，在整体结构上，判别网络D将误差最大化，从GAN预测的需求值中识别出训练数据集中真实的OD需求，而生成网络GN则将误差的概率最小化，导致判别网络D认为它已经产生了完美的结果。希望这种拮抗过程最终能够帮助生成网络GN生产出可靠、高精度的OD需求。正式的训练过程可以表述为：

其中

是将要预测的数据集，

是预先设置的动态OD图表，包括不同的邻接矩阵，

代表了历史OD需求的时间序列输入，

是一个服从[0，1]随机均匀分布的噪声序列，其具有和

一样的形状。

通过交替训练，获得训练好的能够生成精确预测结果的模型，得到精确的目标时间段OD需求预测结果。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种考虑出发地和目的地的网约车需求预测方法，其特征在于，包括步骤：

根据目标时间段选取时间序列数据；

将时间序列数据输入已构建好的基于对抗生成结构的动态多图卷积神经网络模型进行预测，得到目标时间段出发地和目的地的网约车需求量；

所述基于对抗生成结构的动态多图卷积神经网络模型在构建时捕捉城市研究范围的动态OD图。

2.根据权利要求1所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，

基于对抗生成结构的动态多图卷积神经网络模型的构建方法包括以下步骤：

S1、将城市研究范围划分为n个区域，并构建基于n个区域的加权有向图结构G；

S2、构建问题；

S3、定义由时态多图卷积网络构成的生成网络GN；

S4、定义由隐含层和输出层组成的判别网络D；

S5、基于S2，同时或交替训练S3和S4得到基于对抗生成结构的动态多图卷积神经网络模型。

3.根据权利要求2所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，所述加权有向图结构G表示为：G＝(V,E,A)；

其中V＝{v_i,1≤i≤n}表示有向图中点集合，每个区域被定义为有向图中的一个点v_i，1≤i≤n；

E＝{e_ij,1≤i≤n，1≤j≤n}表示有向图中边集合，任意两区域间存在连线e_ij；

A＝{a_ij,1≤i≤n，1≤j≤n}表示有向图中边的权重矩阵；

在加权有向图结构G中，对于特定时间段t内，区域i到任意区域j具有出行人数

其中，1≤i≤n，1≤j≤n。

4.根据权利要求3所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，构建加权有向图结构G的方法包括步骤：

T1，定义

表示时间段t内任意两区域间的乘车移动人数矩阵OD需求密度，

T2，定义出发地和目的地相互吸引动态OD图及其权重矩阵

和

G_t＝(V,E_t,A_t)，表示时间段t内包含出发地和目的地的动态OD图结构；

权重矩阵

和

中有：

其中，[·]_ij分别表示各个权重矩阵中第i-行，j-列的元素；exp(·)表示指数函数；

表示出发地为区域v_i的所有需求总和，

表示目的地为区域v_j的所有需求总和；

T3，定义乘客出行关联模式动态OD图的权重矩阵

其中有：

其中，[·}_ij分别表示各个权重矩阵中i-行，j-列的元素；Cov(·，·)表示协方差计算公式；var(·)表示方差计算公式；

表示出发地为区域v_i的所有需求总和；

T4，定义静态OD图及其邻接关系矩阵A_s：

G_s＝(V,E_s,A_s)，表示不受区域间出行人数

影响的包含空间地理信息的静态OD图；

邻接关系矩阵A_s中有：[A_s]_ij＝[A_s]_ji；[A_s]_ij表示邻域关系矩阵第i行、第j列的元素：

5.根据权利要求4所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，步骤二中构建问题为：

其中X^t+1，1≤t≤T表示时间段t+1内包含所有划分区域的OD需求密度；

表示时间段t城市道路网络的动态拓扑结构；

x^t，1≤t≤T表示时间段t各区域OD需求密度历史时间序列集合；

T表示OD需求密度历史时间序列中包含T个时间段t；

f(·)表示基于对抗生成结构的动态多图卷积神经网络；

其中DMGC-GAN(·)表示基于对抗生成结构的动态多图卷积神经网络；定义

表示作为所构建的深度学习模型的历史时间序列输入，其中

表示过去k个时间段内的OD需求密度，

表示过去b天内与时间段t相同时间段内的OD需求密度，

表示过去c周内与时间段t相同时间段内的OD需求密度；

将时间段t各区域OD需求密度历史时间序列，动态OD图权重矩阵A_t，以及静态OD图权重矩阵A_s输入基于对抗生成结构的动态多图卷积神经网络，则时间段t+1内各区域的OD需求密度X^t+1为：

6.根据权利要求5所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，步骤三中生成网络GN的细节包括：

生成目标时间段t+1内OD需求密度预测结果

其中σ(·)表示sigmoid激活函数；TMGCN(·)表示时间多图卷积神经网络层，将多图卷积层(MGC)嵌入门控循环单元层(GRU)组成；Z^t表示一个服从[0,1]随机均匀分布的噪声序列；

表示生成网络GN中全连接输出层的可训练参数。

7.根据权利要求6所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，步骤四中定义判别网络D为：

判别输入为真实值的可能性D(Y)，其中ReLU(·)表示修正线性单元；Flatten(·)表示压平层，将多维数据一维化；

分别表示D中隐藏层和输出层的可训练参数。

8.根据权利要求7所述的一种考虑出发地和目的地的网约车需求预测方法，其特征在于，步骤五包括以下子步骤：

S51、同时或交替训练步骤三和步骤四，用判别网络D来最大化识别生成网络GN所生成的预测结果，用生成网络GN来最小化判别网络D识别结果为预测结果的可能性；目标函数表示为：

其中

表示预测目标数据集；

表示OD图集合，包括不同的权重矩阵；χ表示OD需求密度历史时间序列输入集，

表示噪声序列集合；

S52、根据目标函数训练网络，获得基于对抗生成结构的动态多图卷积神经网络模型。

9.一种考虑出发地和目的地的网约车需求预测系统，应用于权利要求1-8任意一项所述的方法，其特征在于，包括数据采集模块和预测模块；

所述数据采集模块根据目标时间段选取时间序列数据；

所述预测模块将时间序列数据输入已构建好的基于对抗生成结构的动态多图卷积神经网络模型进行预测，得到目标时间段出发地和目的地的网约车需求量；

所述基于对抗生成结构的动态多图卷积神经网络模型在构建时捕捉城市研究范围的动态OD图。

10.根据权利要求9所述的一种考虑出发地和目的地的网约车需求预测系统，其特征在于，所述数据采集模块提取多个关键时间间隔，并将各关键时间间隔的时间相关性编码为预测的特征，形成OD需求密度历史时间序列数据。

Images