[发明专利]多个个体车辆使用行为短时预测的深度学习方法

权利要求书

1.多个个体车辆使用行为短时预测的深度学习方法，包括以下步骤，其特征在于：

步骤一，获取驾驶者的个人出行的历史数据以及出行时刻天气，假期的历史数据，所述个人出行历史数据为驾驶者在以前的出行中车辆的使用时间；

步骤二，将个人出行历史数据规整后处理为二通道的图片数据结构的矩阵形式，每一个二通道图片对应一个时间戳，以时间序列的形式将其堆叠起来以hdf5数据文件存储；

步骤三，每个天气数据对应一个时间戳，将其以时间序列形式排列起来存入hdf5文件中，其中天气的情况W用哑变量表示；

步骤四，每个假期数据也对应一个时间戳，将其以时间序列形式排列起来存入hdf5文件中，假期的情况H用哑变量表示；

步骤五，搭建深度学习框架结构；

步骤六，将个人出行历史数据的二通道的图片数据分别提取出三种时间特性，其数据结构特征为：

在输入算法模型的时候驾驶员出行的数据是以三种时间特性，即临近时间特性，每日时间特性，每周时间特性输入的：临近时间特性张量被定义为X_c∈R^2×I×J，X_c是在第k时间段里所有I个司机在时间间隔为[(t，t-JΔt)，...，(t，t-jΔt)，j＝1，2，3，..，J]的历史张量，其中t为起始时间点，Δt为时间间隔，而每日时间特性张量则定义为x_c-1∈R^2×i×j，这与x_c不同，其时间间隔为[(t_d，t_d-JΔt)，...(t_d，t_d-jΔt)，j＝1，2，3，..，J]的历史张量，其中t_d＝t-(24小时)，每周时间特性的张量定义为X_c-7∈R^2×i×j，其时间间隔为[(t_w，t_w-JΔt)，...(t_w，t_w-jΔt)，j＝1，2，3，..，J]，其中t_w＝t-(24×7小时)，因此在输入图片数据之前，会再次对其进行处理，分别提取出图片数据的每种时间特性；

步骤七，将所有数据输入深度学习算法当中，获得驾驶员短时的车辆使用情况的预测信息。

2.根据权利要求1所述的多个个体车辆使用行为短时预测的深度学习方法，其特征在于：所述步骤二 中的图片数据其存储的特征包括：

将驾驶员用车时长和是否用车的图片数据按照[a，2，b，d]的张量形式存储到hdf5文件中，这里的a表示时间序列的长度，2表示图片的通道数，b和d表示图片矩阵数据的长和宽，这里每一张二通道图片矩阵的纵轴为不同驾驶员的ID序列，横轴为15分钟为间隔的时间序列，每一张二通道图片展示了某个时间段内驾驶员用车的情况，之后再利用某个时间段为间隔的时间序列将这些图片数据堆叠起来处理为hdf5文件。

3.根据权利要求1所述的多个个体车辆使用行为短时预测的深度学习方法，其特征在于：所述步骤七 中的深度学习算法包括以下步骤：

步骤1：将包含三种时间特性的驾驶员出行数据分别输入到模型的前三个深度卷积神经网络当中去，这前三个深度卷积神经网络为卷积神经网络和残差单元序列的网络结构；

步骤2：将外部因素以输入到用于预测外部因素神经网络中，该网络上堆叠了两个全连接层，第一层可以被视为每个子因子的嵌入层，然后是激活层，得到时间间隔(t，t+Δt)的预测的外部数据向量X_E；

步骤3：将前三个深度卷积神经网络计算得到的结果融合得到X_R；

步骤4：将用于预测外部因素的神经网络和前三个深度卷积神经网络计算得到的结果融合。