[发明专利]基于时空感知神经网络的共享单车目的地预测方法及装置

权利要求书

1.基于时空感知神经网络的共享单车目的地预测方法，其特征在于：该方法包括以下步骤：

获取共享单车数据；

将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；

其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。

2.根据权利要求1所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：该方法还包括预设步骤，所述预设步骤包括以下子步骤：

利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；

和/或，

根据预设的时间间隔，将24小时划分为多个时间区间。

3.根据权利要求2所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：该方法还包括构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：

将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；

利用训练输入数据和训练输出数据对深度学习神经网络进行训练；

训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。

4.根据权利要求3所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：

对深度学习神经网络中的所有层逐层进行单层神经元构建；

当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。

5.根据权利要求4所述基于时空感知神经网络的共享单车目的地预测方法，其特征在于：所述wake-sleep算法包括清醒阶段和睡眠阶段。

6.基于时空感知神经网络的共享单车目的地预测装置，其特征在于：该装置包括：

存储器，用于存储各指令；

处理器，用于加载所述指令并执行以下步骤：

获取共享单车数据；

将获取得到的共享单车数据输入至深度学习神经网络进行处理后，输出目的地数据；

其中，所述共享单车数据包含骑行起始日期时间以及骑行起始区块位置。

7.根据权利要求6所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述处理器还用于加载所述指令并执行预设步骤，所述预设步骤包括以下子步骤：

利用geohash编码将城市划分为多个区块，令每一个区块位置对应一个字符串编码；

和/或，

根据预设的时间间隔，将24小时划分为多个时间区间。

8.根据权利要求7所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述处理器还用于加载所述指令并执行构建深度学习神经网络这一步骤，所述构建深度学习神经网络这一步骤，其包括以下子步骤：

将历史的共享单车数据构成训练集，其中，将每个时间区间内在区块位置上所发生的骑行事件作为骑行时空矩阵，所述骑行时空矩阵作为训练输入数据，将骑行事件所对应的目的地作为训练输出数据；

利用训练输入数据和训练输出数据对深度学习神经网络进行训练；

训练完后得到的深度学习神经网络为所需构建的深度学习神经网络。

9.根据权利要求8所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述对深度学习神经网络进行训练这一步骤，其包括以下子步骤：

对深度学习神经网络中的所有层逐层进行单层神经元构建；

当深度学习神经网络中的所有层均完成训练后，采用wake-sleep算法对完成训练后的深度学习神经网络进行调优。

10.根据权利要求9所述基于时空感知神经网络的共享单车目的地预测装置，其特征在于：所述wake-sleep算法包括清醒阶段和睡眠阶段。