CN115994787A - 一种基于神经网络的拼车需求预测匹配方法 - Google Patents

Abstract

本发明涉及一种基于神经网络的拼车需求预测匹配方法，包括：收集实际路网的真实数据并对路网进行矩阵分割和数据映射；收集用户历史出行数据，进行数据归一化处理并进行重构；收集天气影响因素，对连续数据和分类数据分别进行归一化处理；将历史用户出行数据和天气影响数据输入卷积长短期记忆神经网络模型，经过模型训练得到用户出行预测数据；将预测的用户出行数据作为拼车匹配系统的输入，基于G‑Tree路径规划和RTV图的匹配算法，得到拼车匹配方案，获得用户拼车等待时间的评价指标。与现有技术相比，本发明提高了用户出行预测精度，同时结合路径规划算法和匹配算法，验证了拼车匹配方法可以有效降低用户拼车过程中的等待时间。

Description

一种基于神经网络的拼车需求预测匹配方法

技术领域

本发明涉及智能交通技术领域，尤其是涉及一种基于神经网络的拼车需求预测匹配方法。

背景技术

拼车出行是一种介于大规模公共交通(如地铁、公交车等)和按需私人交通(如私家车、出租车、网约车、共享自行车等)之间的新出行模式。拼车出行兼具了大规模公共交通的共享、集约和按需私人交通的灵活的特点。预测式拼车系统能够基于历史数据对当前时刻的出行需求进行预测，并基于预测结果和现存订单完成车辆与乘客的匹配和车辆路径规划。由于乘客出行的灵活性，拼车平台无法提前得知乘客的确切出行需求，需求总是动态产生。另一方面，乘客亦希望尽量减少等待时间，即使是在高峰时段和区域。若能够在拼车系统中加入需求预测模块，并改拼车匹配和路径规划算法，系统便可以重点照顾高需求区域，进而减少乘客等待时间，提高乘客的出行体验。

现有预测式拼车的研究，大多隐去了具体的乘客上下车过程和车辆在区域内行驶过程的细节，具体的区域内接送乘客耗时被高度概括为一个固定的值。然而在真实情况下，一个小区域内的乘客接送耗时高度受乘客出发点和到达点分布影响，且这一影响难以量化或用简单的函数表示。此外，现有研究使用的需求预测方式也较为单一。例如，基于概率分布并采样的方式完全忽略了出行需求的其他重要影响因素，包括天气(包含了气温、湿度、降水量、积雪厚度、天气种类等维度)、节假日、突发事件等。同时，基础的长短期记忆神经网络模型(LSTM)在进行需求预测时没有考虑需求的局部相关性(高需求的区域附近区域也有可能较高)和全局相关性(如，A区域的大部分乘客都前往B区域，A区域需求增加同时会导致到达B区域的订单增加)，预测精度较为有限。

综上，现有预测式拼车匹配算法未能考虑用户到达需求、天气影响等因素，缺乏用户出行需求的全局相关性考虑；现有LSTM模型预测精度有限。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络的拼车需求预测匹配方法，基于用户出发点和到达点、考虑天气影响因素构建用户出行需求神经网络预测模型，提高了用户出行预测精度。

本发明的目的可以通过以下技术方案来实现：

本发明提供了一种基于神经网络的拼车需求预测匹配方法，包括如下步骤：

获取实时出行需求数据和实施环境影响数据并进行预处理，输入预训练好的基于ConvLSTM的拼车需求预测模型，获取用户出行预测数据；

基于所述用户出行预测数据，基于RTV图论进行拼车匹配，利用G-Tree算法进行路径规划，获取拼车方案和用户等待时间信息。

作为优选的技术方案，所述的拼车方案和用户等待时间信息的获取过程包括如下步骤：

基于所述用户出行预测数据构建RTV图，设置单个旅程的最长长度、更新需求匹配的周期和乘客最长等待时间与最长延时，使用NetworkX实现G-Tree的路径规划，获取拼车方案和用户等待时间信息。

作为优选的技术方案，所述的预训练好的基于ConvLSTM的拼车需求预测模型的获取过程包括如下步骤：

获取原始地图数据，针对所述原始地图数据进行包括分区和坐标转换的预处理，获取路网分区和坐标间的映射；

获取历史出行需求数据，基于所述路网分区和坐标间的映射，通过归一化和重构处理转换为预设格式；

获取环境影响因素数据并进行归一化处理；

根据处理后的需求数据以及处理后的环境影响因素数据制作训练集，使用所述训练集对基于ConvLSTM的拼车需求预测模型进行训练，获取所述预训练好的拼车需求预测模型。

作为优选的技术方案，所述的原始地图数据包括交通路网各节点的经纬度坐标信息。

作为优选的技术方案，所述的路网分区和坐标间的映射的获取过程包括如下步骤：

基于经纬度坐标系和区域内坐标系中多的对应点的系内坐标，获取坐标变换矩阵；

基于所述原始地图数据和所述坐标变换矩阵实现坐标变换，经过归一化后获取所述路网分区和坐标间的映射。

作为优选的技术方案，所述的环境影响因素包括温度、降水量、天气种类、星期中的一个多个，获取环境影响因素数据并进行归一化处理包括如下步骤：

针对连续的数据，将数据归一化至预设区间内，针对分类的数据，使用one-hot编码方式进行归一化处理。

作为优选的技术方案，基于所述路网分区和坐标间的映射，通过归一化和重构处理转换为预设格式包括如下步骤：

根据所述历史出行数据，将数据范围缩放到预设区间，并构造与预设格式匹配的出发点数据和到达点数据。

作为优选的技术方案，所述的拼车需求预测模型包括：

融合网络，用于将输入模型的出行数据和环境影响数据融合并获取与预设格式匹配的融合特征；

ConvLSTM网络，用于基于所述融合特征，获取输出特征；

输出网络，用于基于所述输出特征，获取全局相关性特征，基于所述输出特征及所述全局相关性特征，获取用户出行预测数据。

作为优选的技术方案，所述的融合网络包括：

多个顺次连接的第一卷积层，用于针对输入的出行数据进行特征提取；

多个顺次连接的第一全连接层，用于针对输入的环境影响数据进行特征提取；

第二全连接层，用于根据2D卷积层和第一全连接层的输出，获取所述融合特征。

作为优选的技术方案，所述的输出网络包括：

第二卷积层，用于根据所述ConvLSTM网络的输出，获取全局相关性特征；

第三卷积层，用于根据所述ConvLSTM网络的输出以及所述全局相关性特征，获取用户出行预测数据，所述的第三卷积层的激活函数为tanh。

与现有技术相比，本发明具有以下优点：

(1)用户出行预测精度高：相较于传统LSTM模型未能考虑用户到达需求、天气影响等因素，本发明通过对历史出行数据和环境影响因素数据进行预处理，输入预训练好的基于ConvLSTM的模型后获取预测结果，并采用基于G-Tree路径规划和RTV图的匹配算法，得到拼车匹配方案，获得用户拼车等待时间的评价指标，充分考虑了天气影响因素构建用户出行需求，提高了预测精度。

(2)加入对用户出行需求的全局相关性考虑，在获取ConvLSTM网络的输出特征后，计算全局相关性特征，基于输出特征和相关性特征获得最终的预测结果，进一步提高了预测准确性。

附图说明

图1为实施例1中基于神经网络的拼车需求预测匹配方法的流程图；

图2为对曼哈顿真实路网进行矩形分割的示意图；

图3为基于ConvLSTM的用户出行预测数据和真实数据对比。

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

实施例1

如图1所述，本实施例提供了一种基于神经网络的拼车需求预测匹配方法，相比大多数现有模型仅能预测从某区域出发的出行需求，本发明提供的模型将数据分别处理为出发角度和到达角度，能够预测从一个区域前往另一个区域的需求数量。同时，该模型还考虑了需求的全局相关性。举例而言，若A地居住的人群多在B地工作，则对于从A地出发的需求量与到达B地需求量，二者的涨落有明显的相关性。该模型能够捕捉到数据集中这一特征，并习得相应变化规律。基于ConvLSTM神经网络需求预测模型，本发明结合G-Tree路径规划算法和RTV图拼车匹配算法，实现实际路网上基于用户出行需求预测的拼车匹配。

方法包括以下步骤：

步骤S1，获取地图。获取城市交通路网G的原始数据，主要包括节点的经纬度坐标(lat_i,lon_i)。

步骤S2，地图分区。将原始路网划分为M×N个矩形区域，将经纬度坐标(lat_i,lon_i)转换为区域内坐标(x_i,y_i)的算法。由于两种坐标都在二位平面内，可将二者之间的转换视为一种射影变换。根射影变换的性质，已知两坐标系中4个对应点的坐标即可计算得到射影变换矩阵M。由此，可以得到将地理坐标转化为网格坐标的方式。

首先，将地理经纬度[a,o](a：纬度，o：经度)扩展为齐次坐标的形式：

c_g＝[a,o,1]^T

随后，将该齐次坐标与变换矩阵M相乘，得到在网格坐标系内该地理点的齐次坐标：

c_m＝[x_h,y_h,w_h]^T＝Mc_g

最后，将齐次坐标坐标归一化后取整，得到该地理所属网格区域的坐标(x,y)：

x＝x_h//w_h

y＝y_h//w_h

其中，//代表取整除法。

步骤S3，历史出行需求数据的归一化和重构。对于出行需求数据，需要将其数据范围由区间[0,d_max]缩放到区间[-1,1]。

针对历史出行需求数据的重构，构造出发点角度出行数据

与到达点出行数据

具体操作为：为了构造

对于M×N×M×N的张量X_t，将其在第4个维度上进行切分，产生N个M×N×M的张量；将这些张量在第3个维度上相连，即产生了M×N×MN的三维张量

而为了构造

先交换X_t的1、2维度与3、4维度，再完成同样的操作即可。

步骤S4，环境影响因素数据的归一化。有两种归一化方法：对于“连续”的数据，如温度、降水量等，将其数据范围缩放到区间[0,1]；对于“分类”的数据，如天气种类、星期等，使用one-hot编码方式。

步骤S501，ConvLSTM模型训练数据输入。出行数据输入ConvLSTM。

与

分别经过3个2D卷积层，这里将张量数据的第3个维度视为通道维。值得一提的是，为了保持输入与最终输出数据的形状不变，网络中所有的卷积层都启用了边缘填充(padding)功能。影响因素数据输入ConvLSTM。影响因素数据W_t首先经过三个全连接层，以产生长度为L的影响因素特征F_W。随后，为了将维度不同的两方面数据相拼合，需要将F_W复制M×N次，产生一个三维的张量并与F_X在第三维度相连，并继续通过一个全连接层以完成出行需求信息与影响因素信息的融合。这融合特征F_XW将作为ConvLSTM的输入。

步骤S502，在训练模型时需要考虑以下几个参数：单个时间序列长度L，训练时间段长度T，和batch大小b。以下公式表示了每次输入神经网络的数据结构，其中最后一列为验证数据。

步骤S503，ConvLSTM模型输出。将ConvLSTM的输出特征命名为F_f，通道数设置为C_f，即形状为M×N×C_f。为了产生全局相关性的特征，首先需要令其再通过一通道数为C_s的卷积层，产生形状为M×N×C_s的特征F_s。随后，F_s形状被重塑为MN×C_s。二维的F_s可以形象地理解为每个区域与其需求特征的列表。定义矩阵：

产生的矩阵S的形状为MN×MN，其可被理解为区域与区域之间的相关度矩阵。另外，再将F_f重塑为MN×C_f形状并与S相乘：

F_g＝F_fS

再将形状转换回M×N×C_f，即可得到全局相关性特征F_g。最后，将F_f与F_g特征拼合后，再通过一卷积层，即完成了全局相关性的信息融合。由于该层的输出直接作为整个模型的输出，需要令其与出行需求数据有相同的格式。另外，出行需求数据并不是分类的数据。基于上述两因素，本层的激活函数必定为tanh，通道数必定为MN。如此，网络即可生成t+1时刻的需求预测数据。

步骤S7、S8，基于RTV图论对生成的出行需求预测进行拼车匹配，其中，路径规划使用G-Tree算法。以乘客平均等待时间为评价标准，对比分析预测式拼车结果和非预测式拼车结果，验证所发明方法的性能。

以曼哈顿实际路网为基础进行实施，采用本方法进行验证：

Step1，路网数据集来自于开源、开放的地图平台OpenStreetMap(OSM)的曼哈顿路网。本发明使用了OpenStreetMap的Overpass API及其对应的Python工具包，OSMPythonTools来完成数据的下载与过滤。向Overpass API输入对应区域的ID以及所有需要的道路类型即可下载所需的数据。下载的数据分为两部分：节点与道路。节点数据包含了该点的经纬度，而道路数据包含了道路种类及其经过的节点列表。本课题将两类数据分别存储于两.csv文件中。

Step2，将曼哈顿路网分为5×15的矩形区域(图2所述)，再将每个区域内的路网进一步分区。这里的扇出(fanout)设置为4，每个叶节点中的顶点容量为32。

Step3，使用纽约曼哈顿的出租车数据作为需求预测与驱动仿真的数据集。该数据集来源于纽约出租车和豪华轿车委员会(NYC Taxi&Limousine Commission,NYC TLC)公布的出租车订单数据。其数据公布了每个订单的起点、终点、开始时间，直接在其官网上下载即可得到，数据为.csv格式。本发明具体实施过程中获取了2015年6、7月的出行数据。由于原数据集并未按时间排序，预处理程序遍历纽约2015年6、7月每一条出行数据，将出行人数添加到对应数据帧的对应出发、到达区域。

Step4，天气数据来源于美国国家海洋和大气管理局(NOAA)下属的美国国家环境信息中心(NCEI)的地方气候学数据集(Local Climatological Data，LCD)，其包含了自2005年以来的美国超过1000个监测点的数据。向该机构提出申请后即可获取对应区域的数据。数据归一化后的格式如表1所示。

表1影响因素数据内容与格式

Step5，Tensorflow是最常用的机器学习平台。顾名思义，Tensorflow擅长于对张量(Tensor)的处理，以及张量在神经网络层之间的流动(flow)。而Keras是一个机器学习的高级API，可以Tensorflow为基础。其将基础的技术细节隐去，能够提供对多数人友好的神经网络搭建与交互方式。本课题使用上述二者完成ConvLSTM神经网络模型的搭建与训练。

Tensorflow的神经网络训练过程，对数据以批次(batch)进行分割，每完成一个batch的训练后完成反向传播，更新一次权重。又由于电脑内存资源的限制，无法将特别长的时间序列读取到内存中。而又由于其按批次训练的特性，序列长度固定，需要将一些数据重复放入内存中，才能满足Keras中各类RNN的训练，且不丢失有用信息。因此，本课题的模型在对一个较短时间段内的数据完成训练后，将模型保存，并在下一个时间段继续训练。

Step6，针对模型训练考虑的参数：单个时间序列长度L，训练时间段长度T，和batch大小b。配置如下：L＝24,T＝576,b＝32，每个时间段训练200个epoch。

Step7，本发明首先使用2015年7月15日0：00至2015年7月29日23：30的曼哈顿出行数据对需求预测模型进行训练。随后，本发明使用2015年7月29日至2015年7月31日的真实出行数据模拟预测需求，真实出行需求和预测出行需求如图2所示。由图2可见，本发明所构建的需求预测模型的预测效果较好，体现出了预测结果与真实结果在空间分布上的相似性，所得预测结果能够作为预测式拼车匹配的支撑。

Step8，构建RTV图时，单个旅程的最长长度设置为4；更新需求匹配的周期为1分钟；乘客最长等待时间与最长延时均为5分钟。同时，使用NetworkX实现G-Tree的路径规划。在拼车匹配时，设定共有2000辆车提供拼车服务。乘客的最大允许等待时间被设定为5分钟。通过仿真，得到预测式拼车下乘客的平均等待时间为155.1秒，非预测式拼车下乘客的等待时间为161.0秒。证实本发明所提出的预测式拼车匹配算法能够显著减少乘客的等待时间。

如图3(a)、(b)分别为出发点视角的预测需求和真实需求，图3(c)、(d)分别为到达点的预测需求和真实需求。

本发明基于用户出发点和到达点、考虑天气影响因素构建用户出行需求神经网络预测模型，提高了用户出行预测精度，同时结合路径规划算法和匹配算法，验证了本发明所提的基于用户出行预测的拼车匹配方法可以有效降低用户拼车过程中的等待时间。

实施例2

本实施例提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于神经网络的拼车需求预测匹配方法的指令。

实施例3

本实施例提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述基于神经网络的拼车需求预测匹配方法的指令。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于神经网络的拼车需求预测匹配方法，其特征在于，包括如下步骤：

获取实时出行需求数据和实施环境影响数据并进行预处理，输入预训练好的基于ConvLSTM的拼车需求预测模型，获取用户出行预测数据；

基于所述用户出行预测数据，基于RTV图论进行拼车匹配，利用G-Tree算法进行路径规划，获取拼车方案和用户等待时间信息。

2.根据权利要求1所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的拼车方案和用户等待时间信息的获取过程包括如下步骤：

基于所述用户出行预测数据构建RTV图，设置单个旅程的最长长度、更新需求匹配的周期和乘客最长等待时间与最长延时，使用NetworkX实现G-Tree的路径规划，获取拼车方案和用户等待时间信息。

3.根据权利要求1所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的预训练好的基于ConvLSTM的拼车需求预测模型的获取过程包括如下步骤：

获取原始地图数据，针对所述原始地图数据进行包括分区和坐标转换的预处理，获取路网分区和坐标间的映射；

获取历史出行需求数据，基于所述路网分区和坐标间的映射，通过归一化和重构处理转换为预设格式；

获取环境影响因素数据并进行归一化处理；

根据处理后的需求数据以及处理后的环境影响因素数据制作训练集，使用所述训练集对基于ConvLSTM的拼车需求预测模型进行训练，获取所述预训练好的拼车需求预测模型。

4.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的原始地图数据包括交通路网各节点的经纬度坐标信息。

5.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的路网分区和坐标间的映射的获取过程包括如下步骤：

基于经纬度坐标系和区域内坐标系中多的对应点的系内坐标，获取坐标变换矩阵；

基于所述原始地图数据和所述坐标变换矩阵实现坐标变换，经过归一化后获取所述路网分区和坐标间的映射。

6.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的环境影响因素包括温度、降水量、天气种类、星期中的一个多个，获取环境影响因素数据并进行归一化处理包括如下步骤：

针对连续的数据，将数据归一化至预设区间内，针对分类的数据，使用one-hot编码方式进行归一化处理。

7.根据权利要求3所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，基于所述路网分区和坐标间的映射，通过归一化和重构处理转换为预设格式包括如下步骤：

根据所述历史出行数据，将数据范围缩放到预设区间，并构造与预设格式匹配的出发点数据和到达点数据。

8.根据权利要求1所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的拼车需求预测模型包括：

融合网络，用于将输入模型的出行数据和环境影响数据融合并获取与预设格式匹配的融合特征；

ConvLSTM网络，用于基于所述融合特征，获取输出特征；

输出网络，用于基于所述输出特征，获取全局相关性特征，基于所述输出特征及所述全局相关性特征，获取用户出行预测数据。

9.根据权利要求8所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的融合网络包括：

多个顺次连接的第一卷积层，用于针对输入的出行数据进行特征提取；

多个顺次连接的第一全连接层，用于针对输入的环境影响数据进行特征提取；

第二全连接层，用于根据2D卷积层和第一全连接层的输出，获取所述融合特征。

10.根据权利要求8所述的一种基于神经网络的拼车需求预测匹配方法，其特征在于，所述的输出网络包括：

第二卷积层，用于根据所述ConvLSTM网络的输出，获取全局相关性特征；

第三卷积层，用于根据所述ConvLSTM网络的输出以及所述全局相关性特征，获取用户出行预测数据，所述的第三卷积层的激活函数为tanh。

Images