CN117057568A - 一种基于深度学习枢纽网约车需求预测与调度一体化方法 - Google Patents

Abstract

本发明公开了一种基于深度学习枢纽网约车需求预测与调度一体化方法，涉及城市交通管理技术领域，包括以下步骤：S1：数据处理：对城市交通枢纽历史的网约车下单量和相关特征数据进行缺失值填补、异常值处理和归一化处理；S2：特征筛选：通过Pearson相关性检验和箱型图分析对相关特征进行初次筛选，采用XGBoost算法计算各特征数据对网约车下单量的影响程度，对特征进行二次筛选；S3：模型构建：构建城市交通枢纽网约车需求预测与调度决策一体化模型；S4：算法设计：设计决策树与深度学习组合算法，计算需要调度的网约车数量。本发明采用上述方法，降低网约车调度决策过程中的信息损失，防止预测误差在决策阶段被进一步放大。

Description

一种基于深度学习枢纽网约车需求预测与调度一体化方法

技术领域

本发明涉及城市交通管理技术领域，尤其是涉及一种基于深度学习枢纽网约车需求预测与调度一体化方法。

背景技术

城市交通枢纽是乘客集散的中心，在客运交通运输过程中发挥着组织、协调、服务、集散、换乘等重要作用，是交通运输系统的重要组成部分。然而，交通枢纽常常面临到达客流数量激增，导致大量人员滞留，给乘客出行带来不便，并存在重大安全隐患。网约车服务具有灵活、高效等特性，在疏运交通枢纽到达客流方面承担着重要作用。因此，在交通枢纽遭遇大规模到达客流时，提前预测网约车需求并调度周边网约车到交通枢纽提供服务，能够提高客流疏运效率，保证城市交通枢纽的正常运营水平。

然而，网约车需求受到天气、到站客流等诸多因素的影响，具有一定的不确定性与随机性。工作日、非工作日、特殊节假日等不同日期的网约车需求也有很大差异。如何考虑多因素准确预测网约车需求量，确定最优的网约车调度数量，对于城市交通枢纽的到达客流疏运管理至关重要。

因此，有必要提供一种基于深度学习枢纽网约车需求预测与调度一体化方法，来解决上述问题。

发明内容

本发明的目的是提供一种基于深度学习枢纽网约车需求预测与调度一体化方法，能够根据网约车历史下单量和相关特征数据，在线决策最优的网约车调度数量，提升城市交通枢纽的客流疏运效率。

为实现上述目的，本发明提供了一种基于深度学习枢纽网约车需求预测与调度一体化方法，包括以下步骤：

S1：数据处理：对城市交通枢纽历史的网约车下单量和相关特征数据进行缺失值填补、异常值处理和归一化处理；

S2：特征筛选：通过Pearson相关性检验和箱型图分析对相关特征进行初次筛选，采用XGBoost算法计算各特征数据对网约车下单量的影响程度，对特征进行二次筛选；

S3：模型构建：构建城市交通枢纽网约车需求预测与调度决策一体化模型；

S4：算法设计：设计决策树与深度学习组合算法，计算需要调度的网约车数量。

优选的，在步骤S1中，对于数据中的缺失值和异常值，取前三周同期数据的均值进行填补或修正，对网约车下单量和相关特征数据进行最小—最大归一化处理。

优选的，在步骤S2中，计算连续时间序列特征和下单量之间的Pearson相关性系数，保留Pearson系数大于阈值的特征；

对于日历信息或二元变量特征，采用箱型图进行可视化展示，保留在不同日期或不同二元变量中所展示的均值、分位数有明显差别的特征，采用XGBoost算法对相关特征进行二次筛选，计算各初筛特征对网约车下单量的影响程度并进行排序，选择影响特征累加占比超过阈值的部分特征。

优选的，在步骤S3中，采用道格拉斯函数刻画网约车的供需匹配过程，公式表达如下：

其中，d是乘客下单量；s是网约车供给量；m是供给量s和下单量d之间成功匹配的数量；a是匹配技术水平；b₁和b₂是匹配弹性系数；

最大化调度决策的收益R：

R(s,d)＝α×m(s,d)-β×s

其中，α是平台从每个匹配订单中抽取的佣金，β是平台调度网约车到交通枢纽的单位成本；

构建如下的网约车需求预测与调度决策一体化模型，基于x_n、x和d训练出最优的w^*和b^*，利用训练好的深度神经网络θ(x_n,d；w^*,b^*)计算出当前需要调度的网约车数量s^*：

其中，x_n是历史的相关特征数据，x是当前的相关特征数据，w(x_n,x)是第n个网约车历史下单量的权重值，d＝{d_n-L,…,d_n-2,d_n-1}是具有滞后阶数L的网约车历史下单量，θ(x_n,d；w,b)是一个含有权值w和阈值b的深度神经网络。

优选的，在步骤S4中，具体包括以下步骤：

S4A：基于树结构，从顶部开始逐层判断历史特征数据x_n和当前特征数据x之间的相似性；

S4B：特征相似性较高的下单量数据分配到同一分枝；

S4C：利用深度学习算法VMD-CNN-BiLSTM-AM挖掘相关特征与下单量之间的复杂非线性关系，VMD-CNN-BiLSTM-AM算法组合了变分模态分解VMD、卷积神经网络CNN、双向长短期记忆神经网络BiLSTM和注意力机制AM，具体步骤如下：

S4C1：不改变时间相关性的前提下，使用VMD将原始下单量数据分解成多条频率不同的时间序列数据，即本征模态函数IMF；

S4C2：针对各个IMF，以最大化网约车调度决策收益R为目标，训练深度神经网络CNN-BiLSTM-AM，得到最优的w^*和b^*；

S4C3：针对各个训练好的深度神经网络θ_IMF(x_n,d；w^*,b^*)，输入所对应的历史下单量和相关特征数据，得到每个IMF下需要调度的网约车数量s_IMF ^*；

S4C4：将各个IMF下得到的网约车数量相加，最终得到当前需要调度的网约车数量s^*。

优选的，在步骤S4B中，x被分配到的分枝记为B(x)，将与x属于同一分枝的历史下单量的权重记为历史下单量的权重记为0，公式表达如下：

其中I(x)是指示函数，当x_n∈B(x)为真时等于1；当x_n∈B(x)为假时等于0。

因此，本发明采用上述一种基于深度学习枢纽网约车需求预测与调度一体化方法，具备以下有益效果：

(1)本发明降低网约车调度决策过程中的信息损失，省略中间环节，防止预测误差在决策阶段被进一步放大。

(2)本发明决策树算法用于确定各历史下单量对当前下单量的影响权重；深度学习算法VMD-CNN-BiLSTM-AM着重挖掘相关特征与下单量之间的关系。

(3)本发明能够根据网约车历史下单量和相关特征数据，直接在线决策最优的网约车调度数量，从而提升城市交通枢纽的客流疏运效率。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1是本发明一种基于深度学习枢纽网约车需求预测与调度一体化方法的流程图；

图2是本发明利用VMD分解网约车下单量数据得到的IMF的示意图。

具体实施方式

以下通过附图和实施例对本发明的技术方案作进一步说明。

除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

本发明中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。术语“内”、“外”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。在本发明中，除非另有明确的规定和限定，术语“附着”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

实施例

如图1所示，本发明提供了一种基于深度学习枢纽网约车需求预测与调度一体化方法，包括以下步骤：

S1：数据处理：某个城市交通枢纽过去212天的网约车下单量数据，以及到站客流、天气、公共卫生事件、互联网搜索指数、日历信息等相关特征数据。对于缺失值，取前三周同期数据的均值进行填补；异常值识别使用可视化图形的方法识别异常高值和异常低值，取前三周同期数据的均值进行修正。最后，将网约车下单数据和特征数据进行最小—最大归一化处理。

S2：特征筛选：对于连续时间序列特征，计算其和下单量之间的Pearson相关性系数，保留Pearson系数大于0.2的特征，对于日历信息或二元变量特征，采用箱型图进行可视化展示，保留在不同日期或不同二元变量中所展示的均值、分位数有明显差别的特征；在此基础上，采用XGBoost算法对相关特征进行二次筛选，计算各初筛特征对网约车下单量的影响程度并进行排序，选择影响特征累加占比超过55％的那部分特征。

S3：模型构建，构建城市交通枢纽网约车需求预测与调度决策一体化模型；采用道格拉斯函数刻画网约车的供需匹配过程，公式表达如下：

其中，d是乘客下单量；s是网约车供给量；m是供给量s和下单量d之间成功匹配的数量；a是匹配技术水平；b₁和b₂是匹配弹性系数。

首先，根据网约车服务的市场情况，确定道格拉斯函数中的匹配技术水平是a＝0.5，匹配弹性系数是b₁＝0.55，b₂＝0.55，平台从每个匹配订单中抽取的佣金是α＝20元，平台调度网约车到交通枢纽的单位成本是β＝10元，因此，网约车平台调度决策的收益为：

为了决策当前需要调度的网约车数量s，构建如下的网约车需求预测与调度决策一体化模型：

其中，d＝{d_n-7,…,d_n-2,d_n-1}是具有滞后阶数7的网约车历史下单量，w(x_n,x)是第n个历史下单量的权重值，θ(x_n,d；w,b)是一个含有权值w和阈值b的深度学习框架。

S4：算法设计：设计决策树与深度学习组合算法，计算需要调度的网约车数量。在步骤S4中，具体包括以下步骤：

S4A：基于树结构，从顶部开始逐层判断历史特征数据x_n和当前特征数据x之间的相似性；

S4B：特征相似性较高的下单量数据分配到同一分枝；在步骤S4B中，x被分配到的分枝记为B(x)，该分枝共包含4条数据，将与x属于同一分枝的历史下单量的权重记为历史下单量的权重记为0，公式表达如下：

其中I(x)是指示函数，当x_n∈B(x)为真时等于1；当x_n∈B(x)为假时等于0。

S4C：利用深度学习算法VMD-CNN-BiLSTM-AM挖掘相关特征与下单量之间的复杂非线性关系，VMD-CNN-BiLSTM-AM算法组合了变分模态分解VMD、卷积神经网络CNN、双向长短期记忆神经网络BiLSTM和注意力机制AM，具体步骤如下：

S4C1：在不改变时间相关性的前提下，使用VMD将原始下单量数据分解成9条频率不同的时间序列数据，即得到如图2所示的9个本征模态函数IMF1、IMF2、…、IMF9，每个IMF具有单一的特性。

S4C2：针对各个IMF，以最大化网约车调度决策收益R为目标，训练深度神经网络CNN-BiLSTM-AM，得到最优的w^*和b^*；其中，CNN挖掘IMF的空间特性以及与特征之间的相似性；BiLSTM挖掘IMF的时间相关性。经过CNN和BiLSTM处理后的IMF具有很长的序列，可能影响结果的优性，AM能够自适应地对BiLSTM输出序列中的重要信息赋予更大权重，从而提高算法的计算效率和结果精度。

S4C3：针对各个训练好的深度神经网络θ_IMF(x_n,d；w^*,b^*)，输入所对应的历史下单量和相关特征数据，得到每个IMF下需要调度的网约车数量s_IMF ^*，分别为405、484、258、247、218、291、137、80、3。

S4C4：将各个IMF下得到的网约车数量相加，最终得到当前需要调度的网约车数量s^*＝1762，对应的网约车平台收益为20128元。

因此，本发明采用上述一种基于深度学习枢纽网约车需求预测与调度一体化方法，降低网约车调度决策过程中的信息损失，防止预测误差在决策阶段被进一步放大。

最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (6)

1.一种基于深度学习枢纽网约车需求预测与调度一体化方法，其特征在于：包括以下步骤：

S1：数据处理：对城市交通枢纽历史的网约车下单量和相关特征数据进行缺失值填补、异常值处理和归一化处理；

S2：特征筛选：通过Pearson相关性检验和箱型图分析对相关特征进行初次筛选，采用XGBoost算法计算各特征数据对网约车下单量的影响程度，对特征进行二次筛选；

S3：模型构建：构建城市交通枢纽网约车需求预测与调度决策一体化模型；

S4：算法设计：设计决策树与深度学习组合算法，计算需要调度的网约车数量。

2.根据权利要求1所述的一种基于深度学习枢纽网约车需求预测与调度一体化方法，其特征在于：在步骤S1中，对于数据中的缺失值和异常值，取前三周同期数据的均值进行填补或修正，对网约车下单量和相关特征数据进行最小—最大归一化处理。

3.根据权利要求2所述的一种基于深度学习枢纽网约车需求预测与调度一体化方法，其特征在于：在步骤S2中，计算连续时间序列特征和下单量之间的Pearson相关性系数，保留Pearson系数大于阈值的特征；

对于日历信息或二元变量特征，采用箱型图进行可视化展示，保留在不同日期或不同二元变量中所展示的均值、分位数有明显差别的特征，采用XGBoost算法对相关特征进行二次筛选，计算各初筛特征对网约车下单量的影响程度并进行排序，选择影响特征累加占比超过阈值的部分特征。

4.根据权利要求3所述的一种基于深度学习枢纽网约车需求预测与调度一体化方法，其特征在于：在步骤S3中，采用道格拉斯函数刻画网约车的供需匹配过程，公式表达如下：

其中，d是乘客下单量；s是网约车供给量；m是供给量s和下单量d之间成功匹配的数量；a是匹配技术水平；b₁和b₂是匹配弹性系数；

最大化调度决策的收益R：

R(s,d)＝α×m(s,d)-β×s

其中，α是平台从每个匹配订单中抽取的佣金，β是平台调度网约车到交通枢纽的单位成本；

构建如下的网约车需求预测与调度决策一体化模型，基于x_n、x和d训练出最优的w^*和b^*，利用训练好的深度神经网络θ(x_n,d；w^*,b^*)计算出当前需要调度的网约车数量s^*：

其中，x_n是历史的相关特征数据，x是当前的相关特征数据，w(x_n,x)是第n个网约车历史下单量的权重值，d＝{d_n-L,…,d_n-2,d_n-1}是具有滞后阶数L的网约车历史下单量，θ(x_n,d；w,b)是一个含有权值w和阈值b的深度神经网络。

5.根据权利要求4所述的一种基于深度学习枢纽网约车需求预测与调度一体化方法，其特征在于：在步骤S4中，具体包括以下步骤：

S4A：基于树结构，从顶部开始逐层判断历史特征数据x_n和当前特征数据x之间的相似性；

S4B：特征相似性较高的下单量数据分配到同一分枝；

S4C：利用深度学习算法VMD-CNN-BiLSTM-AM挖掘相关特征与下单量之间的复杂非线性关系，VMD-CNN-BiLSTM-AM算法组合了变分模态分解VMD、卷积神经网络CNN、双向长短期记忆神经网络BiLSTM和注意力机制AM，具体步骤如下：

S4C1：不改变时间相关性的前提下，使用VMD将原始下单量数据分解成多条频率不同的时间序列数据，即本征模态函数IMF；

S4C2：针对各个IMF，以最大化网约车调度决策收益R为目标，训练深度神经网络CNN-BiLSTM-AM，得到最优的w^*和b^*；

S4C3：针对各个训练好的深度神经网络θ_IMF(x_n,d；w^*,b^*)，输入所对应的历史下单量和相关特征数据，得到每个IMF下需要调度的网约车数量s_IMF ^*；

S4C4：将各个IMF下得到的网约车数量相加，最终得到当前需要调度的网约车数量s^*。

6.根据权利要求5所述的一种基于深度学习枢纽网约车需求预测与调度一体化方法，其特征在于：在步骤S4B中，x被分配到的分枝记为B(x)，将与x属于同一分枝的历史下单量的权重记为历史下单量的权重记为0，公式表达如下：

其中I(x)是指示函数，当x_n∈B(x)为真时等于1；当x_n∈B(x)为假时等于0。