欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018104094114
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度学习的出租车上车需求量的预测方法,其特征在于包括如下步骤:步骤1)对出租车原始数据进行预处理,所述预处理包括坐标转换、区域划分以及数据清洗,并分析出租车的基本运营指标,所述基本运营指标包括运营出租车的数量、载客量、空驶率;

步骤2)构建时间横纵分析模型:从时间的横向和纵向两个角度分析不同区域和时间差异对上车客流量趋势的影响,利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练,拟合出各区域上车需求量的趋势曲线;构建特征相关性分析模型:从时间和空间角度,分别对各个区域的运力属性以及下车量进行特征相关性分析,预测上车客流量,通过长短期记忆网络LSTM对特征相关性分析模型进行训练。

2.根据权利要求1所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤1)中采用的原始数据为出租车定位数据,包括车辆ID、坐标数据、车牌号码、速度、方向、时间以及是表示否空车的参数。

3.根据权利要求1所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤1)通过数据接口获取的历史和实时交通数据,以Spark并行计算框架和弹性分布式数据集RDD进行数据的并行处理,同时架设多线程操作,同步生成多种数据处理的结果,并存入分布式文件系统HDFS。

4.根据权利要求1所述的基于深度学习的出租车上车需求量的预测方法,其特征在于步骤2)中利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练包括如下步骤:

2-1)将经过预处理的原始数据转换为第一专用格式的数据,根据第一专用格式的数据的特征维度和结果,设定DNN输入层和输出层的神经元的个数;

2-2)预设隐藏层层数和神经元个数,同时初始化DNN的权重和偏差;

2-3)将第一专用格式的数据中的各项参数逐一地输入至模型输入层,对输出层的预测结果与真实值的上车量数值进行对比,计算损失值;

2-4)利用梯度下降算法进行模型迭代,降低损失值并更新DNN的参数;

2-5)迭代训练结束后,输入需要预测的特征信息,输出层输出预测值,作为预测的上车客流量。

5.根据权利要求4所述的基于深度学习的出租车上车需求量的预测方法,其特征在于步骤2)中时间横纵分析模型中将原始数据的格式转换为第一专用格式,所述第一专用格式中的参数包括日期、星期、时间段、当天前三个时间段的上车量、当天前两个时间段的上车量、当天上个时间段内的上车量、前三天该时间段内的上车量、前两天该时间段内的上车量、昨天该时间段内的上车量以及此时该时间段内的上车量。

6.根据权利要求4所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤2-3)中对输出层的预测结果与真实值的上车量数值进行对比采用的是常见的损失函数,定义如下:其中,C0表示二次损失函数值,y(x)表示真实值,a表示对应输入x得到的输出值,n表示训练总数;

为了更好的减小误差,在损失函数中加入了L2正则项,其定义如下:

其中ω表示权重,λ表示权衡二次损失函数和权重这两项的相对重要程度。

7.根据权利要求6所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤2-4)中根据式(3)、式(4)通过对所述损失函数求相对于权重ω和偏量b的偏导,以更新权重和偏量,

8.根据权利要求4所述的基于深度学习的出租车上车需求量的预测方法,其特征在于步骤2)中构建特征相关性分析模型的过程为:首先将经过预处理的原始数据转换为第二专用格式,将第二专用格式的各项参数逐一地输入模型,再对输出层的预测结果与真实值的上车客流量数值进行对比,计算损失值,接着通过梯度下降算法降低损失值,最终输出预测值。

9.根据权利要求8所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述第二专用格式中的参数包括日期、区域、星期、时间段、流入、流出、留存、空载、下车量以及下一时刻的上车量。

10.根据权利要求8所述的基于深度学习的出租车上车需求量的预测方法,其特征在于所述步骤2)中通过长短期记忆网络LSTM对特征相关性分析模型进行训练包括如下步骤:

2-a)确定丢弃的信息,通过读取上一次的输出ht-1和这一次的输入xt,输出一个0至1之间的数值给LSTM的状态值Ct-1,Ct-1为1表示完全保留,Ct-1为0表示完全舍弃,如式(5):ft=σ(Wf·[ht-1,xt]+bf)               (5)其中,Wf和bf分别是遗忘门的权重和偏差,σ表示激活函数Sigmoid,ft表示丢弃的信息;

2-b)确定被保存在LSTM的状态值中的信息,根据式(6)、式(7)以及式(8)更新状态值:it=σ(Wi·[ht-1,xt]+bi)              (6)其中Wi和bi分别是输入门的权重和偏差,WC和bC分别是tanh层创建的新的候选值的权重和偏差, 表示候选值,Ct表示更新的状态值,

2-c)根据式(9)确定输出的值,

ot=σ(Wo·[ht-1,xt]+bo)             (9)ht=ot*tanh(Ct)                      (10)其中,Wo和bo分别是输出门的权重和偏差,ot为Sigmoid层的输出,ht为最终输出。