CN115034429A - 基于深度图神经网络的城市出租车接客点推荐方法 - Google Patents
基于深度图神经网络的城市出租车接客点推荐方法 Download PDFInfo
- Publication number
- CN115034429A CN115034429A CN202210418256.9A CN202210418256A CN115034429A CN 115034429 A CN115034429 A CN 115034429A CN 202210418256 A CN202210418256 A CN 202210418256A CN 115034429 A CN115034429 A CN 115034429A
- Authority
- CN
- China
- Prior art keywords
- poi
- directed
- taxi
- point
- weighted
- 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 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000003993 interaction Effects 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 230000002452 interceptive effect Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012512 characterization method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000005295 random walk Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000029305 taxis Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
基于深度图神经网络的城市出租车接客点推荐方法,包括设定城市中的POI;获取出租车历史载客数据;通过最短距离匹配算法将出租车历史数据的起点和终点匹配到起点和终点附近的POI上;基于出租车历史载客数据构建城市POI信息;将出租车终点POI和下一单的起点POI用一条有向边连接,构建有向交互图,对有向交互图的有向边进行权重赋值;利用网络表征学习中的图卷积网络得到推荐目的地的POI;当有出租车发出请求,则将作为目的地的POI推荐给出租车。本发明利用GCN进行POI节点的表征向量学习,有效学习到出租车历史数据中POI之间的接载客关系,利用POI的节点表征向量进行推荐,有效提升了出租车推荐的性能。
Description
技术领域
本发明属于人工智能交通出行技术领域,特别涉及一种基于深度图神经网络的城市 出租车接客点推荐方法。
背景技术
随着GPS技术等城市地理技术的发展,对城市智能服务提出了新的挑战。为了应对这一挑战,车辆接载点实时预测能力则是核心技术之一。精确的车辆接载点预测技术能 够改善车辆调配任务,在进行接载点推荐时,传统的推荐方法或系统仅仅依靠车辆位置、 时间等信息进行,难以权衡成本和收入之间的平衡,很容易导致接载点失效或车辆拥堵。 接载点的准确推荐可以帮助司机应对热点事件,避免空车行驶。但仅利用历史数据进行 挖掘显然不够。车辆接载点的准确预测,使得根据实际流量需求弹性调度车辆成为可能。 除此之外,车辆接载点预测技术还可用于定制出租车接载增值服务。
为提高车辆接载点的推荐准确性,需要构建基于深度图神经网络的城市出租车接客 点推荐方法或系统,在车辆管理设备中,实现对城市车辆接载可点的准确预测,相关的车辆接载点预测方法或系统设计方法研究在缓解交通压力和提高车辆利用率等方面具 有重要意义。近几年,伴随着便携定位设备的不断争夺以及社会数字化发展。出租车历 史记录和用户签到信息数据呈现时间性、实时性、周期性等特点,传统模型难以满足出 租车实际接载点预测需求。
为了使得出租车接载点能被精确预测,模型的选择和设计至关重要。目前预测模型 主要分为静态模型和动态模型两类。静态模型主要基于出租车接载客数据进行模型训练, 忽略了实时路况和车流的拥堵情况,不足以捕捉地面情况的准确表示。动态模型主要指 基于动态数学统计模型的推荐模型,缺少距离和接载率的平衡。上述模型的特点是无法准确捕获历史数据中的隐藏关系,而实际城市交通数据具有非常多的特性与联系,如周 期性、时空性、突发性,仅用静态或动态模型很难对接载点进行准确预测。
发明内容
本发明的目的是为解决现有技术中存在的上述技术问题,提供一种基于深度图神经 网络的城市出租车接客点推荐方法,以提城市交通中出租车接载点预测的精确性。
基于深度图神经网络的城市出租车接客点推荐方法,其特征是包括以下步骤:
1)设定城市中的POI(Point of Interest,兴趣点),所述POI的地理位置以GPS点表 示;
2)获取出租车历史载客数据,包括出租车每单行程的起点和终点的GPS信息;
3)依照出租车历史载客数据中的GPS信息和设定的POI,通过最短距离匹配算法将出租车历史数据的起点和终点匹配到起点和终点附近的POI上;
4)对于每一个POI,基于出租车历史载客数据计算该POI的签到次数和签到用户量; 进而构建城市POI信息,包括每个POI的GPS数据、类别、名称、签到次数和签到用户量;
5)将出租车每一单的终点POI和该车下一单的起点POI用一条有向边连接,遍历所有出租车行驶记录,构建有向交互图;依照出租车行驶记录,使用下列有向交互图边的 权重计算方法,对有向交互图的有向边进行权重赋值,即生成具有代表性的时间片表征;
所述有向交互图边的权重计算如下:
司机收入的主要影响因素由目的地POI的热度、收入型指标、时间分片指标组成;
有向异构网络边的权重由上一单旅程终点对应的POI与下一单旅程起点POI的乘客 数、旅行距离、地点位置、总收入、时间信息来计算;
将一天划分为多个时间片后,在每个时间片上计算POI之间相应的权重:
遍历所有出租车行驶记录,在其连续的行驶记录中,将上一单的终点和下一单的起 点依照最短距离匹配原则,匹配在附近的POI上;
将与当前行驶记录的终点匹配的POI作为有向有权边的起点,将与下一单行驶记录 的起点匹配的POI作为有向有权边的终点;
将具有相同起点和终点的有向有权边的权重记为wj,计算每条有向有权边的权重w1,w2,…,wn;
其中,所述权重计算是分别从载客率、利润率、预期距离和信息熵四个方面计算每一条有向有权边权重,从而得到该有向有权边对应目的地的重要程度,即:
其中,wj为POI有向交互图中第j条有向有权边的权重;
n为以该有向有权边的终点为起点的旅程数量;
d为该有向有权边的长度;
α,β为可调参数;
xi为以该有向有权边的终点为起点的第i次接单所获得的总收入;
#ci,#ui分别为该有向有权边的终点的签到次数和签到用户量;
En(p)为该有向有权边所指向POI的信息熵,受该POI的签到数量和用户数 量影响;
根据上式即可利用出租车行驶记录计算出POI有向交互图的边权重,从而得到 有权重的POI有向交互图;
6)对有权重的POI有向交互图,利用图卷积网络(GCN)进行网络表征学习,在 该图上使用两层或三层的GCN学习各节点特征的低维度向量表示,即表征向量;依次 遍历所有POI节点,并将当前位置匹配到的POI的表征向量与其他POI节点的表征向量进 行余弦相似性计算,得到与当前位置匹配到的POI余弦相似性最大的POI节点作为推荐 接客点;
7)将一天切分为多个时间片后,对于每一个时间片,使用对应时间片下的出租车以往行驶记录,将其按照4:1的比例分为训练集和测试集,分别进行训练和测试;从而 训练出用于接客点推荐的GCN;
8)获取POI节点的表示向量
利用训练出的用于接客点推荐的GCN,得到有向交互图中各个POI节点的表征向量, 将各个POI节点的表征向量作为接客点的推荐依据;将不同时间片上得到的POI节点表征向量划分至步骤6)切分的时间片中,得到关于接客点推荐的时间片数据库;
9)出租车实时接单推荐
当前时刻如有出租车发出请求,则将该出租车的当前地点GPS坐标、时间信息输入步骤7)得到的两层GCN,首先匹配与请求点距离最近的POI,在对应的时间片数据库 中,查找与该POI的表征向量余弦相似性最高的POI作为推荐接客点,将其推荐给该出 租车。
当使用两层GCN时,进行无监督链路预测任务如下:
首先根据该有权重的POI有向交互图所对应增强邻接矩阵和增强度矩阵,计算并捕 捉该图的特征;其中,特征在不同层之间的传播公式为:
ReLU为整流线性单位函数;
H(l)为该有权重的POI有向交互图在第l层的特征,H(l+1)为第l+1层 的特征,l=0,1;
H(0)为该有权重的POI有向交互图在第0层的特征,为单位矩阵;
W(l)为该有权重的POI有向交互图所训练的第l层权重矩阵;
W(0)为该有权重的POI有向交互图随机初始化的权重矩阵;
根据上式,利用两层GCN学习有权重的POI有向交互图中各节点特征的低维度潜在表示,即得到各个节点特征的低维度向量表示Z,即:
其中,
X=H(0)为该有权重的POI有向交互图第0层的特征;
W(0)为该有权重的POI有向交互图随机初始化的权重矩阵,W(1)为训练后的 权重矩阵;
随后,对该有权重的POI有向交互图进行随机游走采样,得到游走序列,通过游走序列训练上述两层的GCN,并使其损失Λwalk到达全局最小值:
σ为Sigmoid函数;
vi为随机游走时所选取的初始节点;
V为有向交互图中的总节点集;
Negt(vi)为在时间间隔t中,以vi为起点的固定长度的随机游走中出现的负 边采样;
依次遍历所有POI节点,并将低维向量与其他低维向量进行余弦相似性计算,将余弦相似性最大的POI节点作为推荐接客点。
所述的POI是通过比较不同GPS点的车流量和/或人流量,并设定车流量和/或人流量 的门限值,将高于门限值的GPS点作为POI。
所述的POI类别包括办公场所、餐厅、车站、市政设施。
所述步骤7)是将一天切分为7个时间片,具体如下:
编写 | 时间划分 | 时间片 |
1 | 午夜至凌晨 | 22:00-7:00 |
2 | 早高峰 | 7:00-9:00 |
3 | 上午正常时段 | 9:00-12:00 |
4 | 午间高峰 | 12:00-14:00 |
5 | 中午正常时段 | 14:00-17:00 |
6 | 晚高峰 | 17:00-19:00 |
7 | 晚间正常时段 | 19:00-22:00 |
发明优点
1)相比传统推荐方法,本发明不只考虑了接单概率,还考虑了推荐接客点的预期利润和距离成本等多个因素;2)本发明划分了时间片信息,考虑出租车需求的周期性 特点,不同时间片对出租车的推荐不同;3)本发明利用GCN进行POI节点的表征向量 学习,可有效学习到出租车历史数据中POI之间的接载客关系,即将POI之间接载客关 系进行了传播学习;4)利用POI的节点表征向量进行推荐,有效提升了出租车推荐的 性能。
附图说明
图1为本发明的整体流程图。
图2为本发明的线下计算与线上推荐流程图。
图3为本发明的有向交互图的构图方法。
图4为本发明的出租车接载点最短距离匹配图。
图5为本发明的司机收入差异因素分析图系统构图示意图。
表1为本发明的时间片划分示意图。
具体实施方式
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,以本发明的方法构建的基于深度图神经网络的城市出租车接客点推荐 系统,包括原始数据初始化处理模块、构建POI有向交互图模块、有向异构网络边的权重计算模块、出租车历史行为的表征学习模块、出租车实时推荐接单推荐模块。
原始数据初始化处理模块:利用出租车历史接载客数据及热点POI(兴趣点)信息,按照最近距离,将出租车历史信息中每一单的起点和终点匹配到距其最近的POI上;POI 点将作为行程记录点的抽象点,以方便POI有向交互图构建模块中POI有向交互图的构 建。
POI有向交互图构建模块:将出租车数据按照时间顺序进行分片,利用分片后的子数据集构图,得到基于出租车历史数据和POI数据的特定时间片有向交互图;
有向异构网络边的权重计算模块:根据不同的起点、终点POI、时间片信息,会对旅程计算出不同的权重;
出租车历史行为的表征学习模块:对有向交互图利用图卷积网络(GCN)方法训练,得到经过GCN处理后各个节点特征的向量表示;
出租车实时接单推荐模块:从表征学习结果得到节点的特征向量,对搜索请求进行 响应。
所述POI有向交互图构建模块包括:
有向交互图,用于以原始数据作为输入,结合地点的接单概率、利润率、预期距离和信息增益作为权重,得到有向交互图。
所述出租车历史行为的表征学习模块包括:
图卷积网络(GCN),用于学习POI有向交互图中各节点特征的低维向量表示,得 到各个节点特征的低维向量表示,即表征向量。
所述出租车实时推荐接单推荐模块包括:
地点推荐模块,用于将表征学习结果,转换为接载点推荐数据,并匹配与车辆距离最近的POI进行推荐。
如图2所示,基于深度图神经网络的城市出租车接客点推荐系统由线上模块和线下 模块组成,线上模块包括原始数据初始化处理模块、构建POI有向交互图模块、有向异构网络边的权重计算模块、出租车历史行为的表征学习模块,线下模块包括出租车实时 推荐接单推荐模块。
原始数据初始化处理模块:获取出租车历史数据及城市热点POI信息,对POI兴趣点的定义为:城市交通中对车流量和居民活动具有较强吸引力的GPS点;依照出租车历 史数据中的GPS信息和POI信息,将出租车历史数据的起点和终点通过最短距离匹配算 法将其匹配到起点和终点附近的POI上,其中,城市POI的信息包括POI的GPS数据、类 别、名称、签到次数和签到用户量。其中,POI类别包含:办公、餐厅、车站、市政等。
POI有向交互图构建模块,如表1所示,将一天切分为7个时间片,对于每一个时间片,使用对应时间片下的数据分别学习并训练;
编号 | 时间划分 | 时间片 |
1 | 午夜至凌晨 | 22:00-7:00 |
2 | 早高峰 | 7:00-9:00 |
3 | 上午正常时段 | 9:00-12:00 |
4 | 午间高峰 | 12:00-14:00 |
5 | 中午正常时段 | 14:00-17:00 |
6 | 晚高峰 | 17:00-19:00 |
7 | 晚间正常时段 | 19:00-22:00 |
如图3所示,将出租车每一单的终点POI和该车下一单的起点POI标注在图模型上,并用一条有向边连接,遍历所有出租车行驶记录,依照出租车行驶记录信息对有向交互 图的有向边进行权重赋值,即生成具有代表性的时间片表征;如图4所示,基于POI有 向交互图构建模块并利用数据初始化处理模块所处理的数据构建POI有向交互图的有 向边。
有向异构网络边的权重计算模块,如图5所示,司机收入的主要影响因素由接客点POI热度、收入型指标、时间分片指标组成。
有向异构网络边的权重由时间窗口内上一单旅程终点对应的POI与下一单旅程起点POI的乘客数、旅行距离、地点位置、总收入、时间信息等信息来计算;特定时间片 内的有向异构网络边权重是出租车前往下一个接客点的重要依据。
将时间片划分后,计算POI之间相应的权重。遍历所有出租车历史记录数据,在连续行驶的数据中,将当前记录的终点和下一次记录的起点依照最短距离匹配原则,匹配 在附近的POI上。将当前记录的下客点作为有向有权边的起点,将下一次记录的载客点 作为有向有权边的终点。并计算起点POI指向终点POI的边权重wj。
分别从载客率、利润率、预期距离和信息熵四个方面计算每一条有向边权重,而得到对应目的地的重要程度,即:
其中,wj为POI有向交互图中第j条有向边的权重;
n为以此POI为起点的旅程数量n
α,β为可调参数
xi为以该有向有权边的终点为起点的第i次接单所获得的总收入;
#ci,#ui分别为该有向有权边的终点的签到次数和签到用户量
根据上式即可利用历史数据计算出POI有向交互图的边权重。
出租车历史行为的表征学习模块,对有权重的POI有向交互图,利用网络表征学习中的图卷积网络(GCN)嵌入方法,在该图上使用两层的GCN进行无监督链路预测任 务,首先需要构建该图的邻接矩阵。
即可利用POI有向交互图中每一点的信息与全局信息计算增强度矩阵和增强邻接矩阵,全面考虑节点信息和该节点的邻接信息。
根据POI有向交互图所对应增强邻接矩阵和增强度矩阵,即可计算该图的特征在不 同层间的传播公式为:
ReLU为整流线性单位函数。
H(l)为POI该有向交互图在第l层的特征,H(l+1)为第l+1层的特征。
H(0)为POI该有向交互图在第0层的特征,为单位矩阵。
W(l)为该POI有向交互图所训练的权重矩阵。
根据上式,利用两层GCN学习POI有向交互图中各节点特征的低维度潜在表示,即可得到各个节点特征的低维度向量表示Z,即:
其中,
X为该POI有向交互图第0层的特征。
W(0)为该POI有向交互图随机初始化的权重矩阵,W(1)为训练后的权重矩阵。
随后,对该POI有向交互图进行随机采样,训练并使该损失Λwalk到达全局最小值,即可得到:
σ为Sigmoid函数。
Negt(vi)为在时间间隔t中,以vi为起点固定长度的随机游走中出现的负边 采样。
依次遍历所有POI节点,并将低维向量与其他低维向量进行余弦相似性计算,得到与余弦相似性最大的POI节点作为推荐接客点。
出租车实时推荐接单推荐模块,利用对出租车历史行为的表征学习结果,得到有向 交互图中各个节点的低维向量表示的推荐数据,当此时有出租车发出请求,则将该出租车的当前地点GPS坐标、时间等信息输入表征学习网络嵌入模型,匹配与其距离最近的POI,并于对应的时间片数据库中,查找所对应的推荐接客点,并给出预期收入和驾驶 时间,将其推荐给该车。
Claims (5)
1.基于深度图神经网络的城市出租车接客点推荐方法,其特征是包括以下步骤:
1)设定城市中的POI(Point of Interest,兴趣点),所述POI的地理位置以GPS点表示;
2)获取出租车历史载客数据,包括出租车每单行程的起点和终点的GPS信息;
3)依照出租车历史载客数据中的GPS信息和设定的POI,通过最短距离匹配算法将出租车历史数据的起点和终点匹配到起点和终点附近的POI上;
4)对于每一个POI,基于出租车历史载客数据计算该POI的签到次数和签到用户量;进而构建城市POI信息,包括每个POI的GPS数据、类别、名称、签到次数和签到用户量;
5)将出租车每一单的终点POI和该车下一单的起点POI用一条有向边连接,遍历所有出租车行驶记录,构建有向交互图;依照出租车行驶记录,使用下列有向交互图边的权重计算方法,对有向交互图的有向边进行权重赋值,即生成具有代表性的时间片表征;
所述有向交互图边的权重计算如下:
将一天划分为多个时间片后,在每个时间片上计算POI之间相应的权重:
遍历所有出租车行驶记录,在其连续的行驶记录中,将上一单的终点和下一单的起点依照最短距离匹配原则,匹配在附近的POI上;
将与当前行驶记录的终点匹配的POI作为有向有权边的起点,将与下一单行驶记录的起点匹配的POI作为有向有权边的终点;
将具有相同起点和终点的有向有权边的权重记为wj,计算每条有向有权边的权重w1,w2,...,wn;
其中,所述权重计算是分别从载客率、利润率、预期距离和信息熵四个方面计算每一条有向有权边权重,从而得到该有向有权边对应目的地的重要程度,即:
其中,wj为POI有向交互图中第j条有向有权边的权重;
n为以该有向有权边的终点为起点的旅程数量;
d为该有向有权边的长度;
α,β为可调参数;
xi为以该有向有权边的终点为起点的第i次接单所获得的总收入;
#ci,#ui分别为该有向有权边的终点的签到次数和签到用户量;
En(p)为该有向有权边所指向POI的信息熵,受该POI的签到数量和用户数量影响;
根据上式即可利用出租车行驶记录计算出POI有向交互图的边权重,从而得到有权重的POI有向交互图;
6)对有权重的POI有向交互图,利用图卷积网络(GCN)进行网络表征学习,在该图上使用两层或三层的GCN学习各节点特征的低维度向量表示,即表征向量;依次遍历所有POI节点,并将当前位置匹配到的POI的表征向量与其他POI节点的表征向量进行余弦相似性计算,得到与当前位置匹配到的POI余弦相似性最大的POI节点作为推荐接客点;
7)将一天切分为多个时间片后,对于每一个时间片,使用对应时间片下的出租车以往行驶记录,将其按照4∶1的比例分为训练集和测试集,分别进行训练和测试;从而训练出用于接客点推荐的GCN;
8)获取POI节点的表征向量
利用训练出的用于接客点推荐的GCN,得到有向交互图中各个POI节点的表征向量,将各个POI节点的表征向量作为接客点的推荐依据;将不同时间片上得到的POI节点表征向量划分至步骤6)切分的时间片中,得到关于接客点推荐的时间片数据库;
9)出租车实时接单推荐
当前时刻如有出租车发出请求,则将该出租车的当前地点GPS坐标、时间信息输入步骤7)得到的两层GCN,首先匹配与请求点距离最近的POI,在对应的时间片数据库中,查找与该POI的表征向量余弦相似性最高的POI作为推荐接客点,将其推荐给该出租车。
2.如权利要求1所述的基于深度图神经网络的城市出租车接客点推荐方法,其特征是当使用两层GCN时,进行无监督链路预测任务如下:
首先根据该有权重的POI有向交互图所对应增强邻接矩阵和增强度矩阵,计算并捕捉该图的特征;其中,特征在不同层之间的传播公式为:
ReLU为整流线性单位函数;
H(l)为该有权重的POI有向交互图在第l层的特征,H(l+1)为第l+1层的特征,l=0,1;
H(0)为该有权重的POI有向交互图在第0层的特征,为单位矩阵;
W(l)为该有权重的POI有向交互图所训练的第l层权重矩阵;
W(0)为该有权重的POI有向交互图随机初始化的权重矩阵;
根据上式,利用两层GCN学习有权重的POI有向交互图中各节点特征的低维度潜在表示,即得到各个节点特征的低维度向量表示Z,即:
其中,
X=H(0)为该有权重的POI有向交互图第0层的特征;
W(0)为该有权重的POI有向交互图随机初始化的权重矩阵,W(1)为训练后的权重矩阵;
随后,对该有权重的POI有向交互图进行随机游走采样,得到游走序列,通过游走序列训练上述两层的GCN,并使其损失Λwalk到达全局最小值:
σ为Sigmoid函数;
vi为随机游走时所选取的初始节点;
V为有向交互图中的总节点集;
Negt(vi)为在时间间隔t中,以vi为起点的固定长度的随机游走中出现的负边采样;
依次遍历所有POI节点,并将低维向量与其他低维向量进行余弦相似性计算,将余弦相似性最大的POI节点作为推荐接客点。
3.如权利要求1所述的基于深度图神经网络的城市出租车接客点推荐方法,其特征是所述的POI是通过比较不同GPS点的车流量和/或人流量,并设定车流量和/或人流量的门限值,将高于门限值的GPS点作为POI。
4.如权利要求1所述的基于深度图神经网络的城市出租车接客点推荐方法,其特征是所述的POI类别包括办公场所、餐厅、车站、市政设施。
5.如权利要求1所述的基于深度图神经网络的城市出租车接客点推荐方法,其特征是所述步骤7)是将一天切分为7个时间片,具体如下:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418256.9A CN115034429A (zh) | 2022-04-20 | 2022-04-20 | 基于深度图神经网络的城市出租车接客点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418256.9A CN115034429A (zh) | 2022-04-20 | 2022-04-20 | 基于深度图神经网络的城市出租车接客点推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034429A true CN115034429A (zh) | 2022-09-09 |
Family
ID=83118850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210418256.9A Pending CN115034429A (zh) | 2022-04-20 | 2022-04-20 | 基于深度图神经网络的城市出租车接客点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034429A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578664A (zh) * | 2023-07-13 | 2023-08-11 | 鱼快创领智能科技(南京)有限公司 | 车辆行程有向环路图的构建方法、行程预测方法及系统 |
CN117473398A (zh) * | 2023-12-26 | 2024-01-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
-
2022
- 2022-04-20 CN CN202210418256.9A patent/CN115034429A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578664A (zh) * | 2023-07-13 | 2023-08-11 | 鱼快创领智能科技(南京)有限公司 | 车辆行程有向环路图的构建方法、行程预测方法及系统 |
CN116578664B (zh) * | 2023-07-13 | 2023-09-26 | 鱼快创领智能科技(南京)有限公司 | 车辆行程有向环路图的构建方法、行程预测方法及系统 |
CN117473398A (zh) * | 2023-12-26 | 2024-01-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
CN117473398B (zh) * | 2023-12-26 | 2024-03-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车活动的城市扬尘污染源分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018214675A1 (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
CN105493109B (zh) | 使用多个数据源的空气质量推断 | |
Bao et al. | Spatial analysis of bikeshare ridership with smart card and POI data using geographically weighted regression method | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
CN108564391B (zh) | 一种考虑主客观信息的共享电动汽车需求预测方法及系统 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
KR20190020852A (ko) | 운송 능력 스케줄링을 위한 방법들 및 시스템들 | |
CN112419131B (zh) | 交通起讫点需求估算方法 | |
CN109214863B (zh) | 一种基于快递数据预测城市房屋需求的方法 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
CN112785029B (zh) | 一种基于深度聚类模型的充电站用电量预测方法 | |
CN109840272B (zh) | 一种共享电动汽车站点用户需求预测方法 | |
Niu et al. | Predicting ride-hailing service demand via RPA-LSTM | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN115545758A (zh) | 城市服务设施自适应增量选址的方法和系统 | |
CN113642625A (zh) | 一种城市轨道交通乘客个体出行目的推断的方法及系统 | |
Lin et al. | A stacking model for variation prediction of public bicycle traffic flow | |
CN111598333A (zh) | 客流数据的预测方法及装置 | |
Nie et al. | Public curb parking demand estimation with poi distribution | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
CN114723596A (zh) | 一种基于多源交通出行数据和主题模型的城市功能区识别方法 | |
Li et al. | Short-term holiday travel demand prediction for urban tour transportation: a combined model based on STC-LSTM deep learning approach |
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 |