[发明专利]一种基于轨迹挖掘的出租车等待时间预测方法及系统

权利要求书

1.一种基于轨迹挖掘的出租车等待时间预测方法，其特征在于，所述基于轨迹挖掘的出租车等待时间预测方法包括：

利用出租车GPS轨迹的训练数据建立乘客候车时间预测模型并确定预测模型参数；

将乘客候车概率阈值分别代入乘客候车时间预测模型中，计算出相应的乘客候车时间预测值；

通过聚类得出乘客候车区域内f个热点，在一时间段内得到f*31矩阵，计算每一列的平均值，得到每一个时间段所有载客热点乘客候车时间预测值的平均值；

利用出租车GPS轨迹的测试数据进行仿真得到每一个载客热点每一个时间段的仿真的乘客候车时间，计算每一列的平均值，得到每一个时间段所有载客热点仿真的乘客候车时间的测试值平均值；

将期望输出与实际输出进行比较，计算误差函数：E＝1/2(D-Y)²；D是网络的期望输出，Y是网络是实际输出；预测值与测试值相对比较，判断误差是否在允许范围内。

2.如权利要求1的基于轨迹挖掘的出租车等待时间预测方法，其特征在于，相对误差计算方法包括：候车时间预测值为t_threshold，候车时间仿真值为t_sim，相对误差定义为：error＝|t_sim-t_threshold|/(t_sim+t_threshold)；

将乘客候车概率阈值90％作为乘客候车概率理论值,利用测试数据进行仿真得到每一个载客热点每一个时间段的仿真的乘客候车时间，分别代入各个模型中，计算出相应的仿真的乘客候车概率阈值，对于得到的矩阵，计算每一列的平均值，得到每一个时间段所有载客热点仿真的乘客候车概率阈值的平均值；将预测值与仿真值进行对比，计算相对误差；

候车概率预测值为P_threshold:候车概率仿真值为:p_sim相对误差定义为：error_p＝|p_threshold-t_sim|/(t_hreshold+t_sim)。

3.如权利要求2的基于轨迹挖掘的出租车等待时间预测方法，其特征在于，乘客候车时间预测值计算方法包括：

(1)数据预处理：

采用DBSCAN聚类算法对数据点聚类，获得热点区域即在某个时间段内出租车出现次数较为频繁的区域，形成的热点区域的中心点距离当前位置的距离；出租租车的载客状态从0变为1,表示这一辆出租车在该时间点的这一位置状态由空载变为满载；

(2)出租车空车到达时间计算：

将GPS轨迹采样点连线行车的空车轨迹，通过判断轨迹与区域的交叉点所处时间来计算；对于每个热点，生成对应的空车到达时间序列：

Tw从0->正无穷；

(3)选取时间段长度：

前一辆车在t时刻经过,乘客f(t0)的概率密度在t+t0时刻出现,则等候时间t_w分布为：

4.如权利要求3所述基于轨迹挖掘的出租车等待时间预测方法，其特征在于，步骤(2)中，出租车空车到达时间方法进一步包括：

1)筛选出训练数据和评估数据中载客状态为0的数据记录，将其设为空车位置；这些数据记录就是出租车处于空载状态时的轨迹数据；

2)列出之前生成的载客热点，将载客热点定为中心点；利用已知经度和纬度计算两点之间距离的公式；

3)分别计算训练数据和评估数据中每个空车位置到每个中心点的距离，则此空车位置可以视为出租车空车轨迹与热点区域的交点，就是所谓的空车到达，定为空车到达位置；对每一个中心点，筛选出所有空车到达位置，并按照时间顺序进行排序；分别得到对应于训练数据和评估数据的空车到达时间序列，相应的空车到达时间间隔。