[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

说明书

技术领域

本发明涉及共享单车调度技术，尤其涉及一种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。

背景技术

共享单车自推出以来，已经在很多城市中成为除公共交通以外居民首选的出行方式，大大减轻了城市路网压力和车辆拥堵情况。随着绿色出行和环保观念的深入人心，将会有更多的用户选择使用共享单车，进一步实现让自行车回归城市的目标。

通常，用户可以直接在人行道上找到停放的共享单车，然后利用手机进行解锁后便能骑行，接着当用户骑到目的地后再将共享单车停好并锁上便可。然而，目前由于共享单车在城市各区域的投放并不均匀，用户常常遇到“想骑车却无车可骑”的尴尬。为此，当共享单车被骑行到城市的各个角落后，应需要准确地预测每个用户的最终骑行目的地，这样才能更好地调配和管理这些共享单车，因此，确定好的调度方案能保证投放的共享单车能被更多人使用到，实现资源利用最大化。可见，准确地预测人们下一步的行为事件和所到地点，这有着重要的商业价值和公共安全意义。

对于传统的目的地预测算法，其主要基于贝叶斯模型而实现，通过分析用户历史数据，利用用户个人的历史行车轨迹，结合用户当前的行车轨迹来预测用户的目的地；其中，通过距离计算来识别最类似于当前部分轨迹的历史行车轨迹，然后将该历史行车轨迹的目的地当作预测目的地。但是，这一传统的目的地预测算法却存有不少的缺点，例如：1、用户之间的模型构建是相对独立的，这则导致在预测新用户时容易产生冷启动问题，如，当一个新用户注册了共享单车时，数据平台中并没有存储该用户的历史骑行轨迹，这在预测目的地时往往遇到了困难，难以进行准确的预测；2、传统的预测方法并未充分考虑时间上的因素，导致预测精度不高，如，同一个用户，在不同的时间节点，去某一个目的地的概率往往不同。此外，用户和用户之间的数据会存在着一定的关联性，例如，在校园内，同一个宿舍的同学他们往往有着某种相似的路径轨迹，而传统的目的地预测算法却同样未考虑到这一因素。因此由此可见，传统的目的地预测算法并未考虑到时空因素，因此导致预测准确度低下，这样则难以满足用户对使用共享单车的需求。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于时空感知神经网络的共享单车目的地预测方法，其充分考虑了大量共享单车数据的时空相关性，大大提高目的地预测的精准度。

本发明的另一目的是提供一种基于时空感知神经网络的共享单车目的地预测装置，其充分考虑了大量共享单车数据的时空相关性，大大提高目的地预测的精准度。

本发明所采用的技术方案是：基于时空感知神经网络的共享单车目的地预测方法，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。

进一步，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。

进一步，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。

进一步，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。

进一步，所述wake-sleep算法包括清醒阶段和睡眠阶段。

本发明所采用的另一技术方案是：基于时空感知神经网络的共享单车目的地预测装置，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。