[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

说明书

一种考虑时间依赖性以及驾驶员属性异质性的用车行为预测的深度学习方法，通过对私家车司机提供的个人属性信息以及GPS轨迹数据的收集和整理，获得驾驶员短时的用车时间的来对汽车的使用行为进行预测。通过数据处理获得驾驶员是否用车以及用车的时间的来表示驾驶员的用车行为，并将此数据转化为二通道图片数据结构放入本发明的用于多个体的驾驶行为预测的深度学习方法中。本发明的深度学习方法可以从以时间序列堆叠的一堆二通道图片中考虑驾驶员用车行为的对于临近时间以及远期时间的时间依赖性，同时此发明不仅仅可以同时训练多个个体，还可以考虑到多个个体因为个人属性的不同而产生的用车行为模式的差异性。

技术领域

本发明涉及人车辆使用行为短时预测的深度学习方法领域，特别是涉及多个个体车辆使用行为短时预测的深度学习方法，具体涉及一种考虑个人用车时间依赖性及个人属性异质性的多个个人车辆使用行为短时预测的深度学习方法。

背景技术

随着移动即服务等定制化出行方式、共享移动和自动驾驶汽车的兴起，城市交通正发生着颠覆性的巨大变化。这些新型方式的出现对于解决车位紧张、减少道路拥堵和资源浪费等问题起着重要的作用。对于这些新兴的智能交通方式，预测个人汽车使用模式的能力对于个性化旅行者信息，目标需求管理和动态系统操作至关重要。只有了解人们日常对于汽车使用行为模式才能为定制化出行服务提供有力的支持。

早年，在交通规划中人们需要预测个人出行行为，一些研究者首先转向了个人态度的估量，后来这种方法被陈述性偏好和陈述性选择方法所替代，但是这些预测方法都缺乏理论基础，除此之外，这也使得这些方法的预测有效性无法评估，后来有研究者从社会心理学的角度来预测人们私家车用车的模式，再后来也有学者利用交互式访谈程序的方法，用于预测不同类型旅行的汽车使用，但是这些方法需要投入大量的人力调查获取数据。随着科技的发展，很多人开始利用手机数据、智能卡数据以及GPS数据等来获取个人的行踪，并将其用于交通的预测。然而，预测个人用车行为的问题仍然具有挑战性，因为出行行为涉及多个维度(最显著的是时间和空间维度)，表现出个体出行行为的时间依赖性，并且在个体之间存在差异。此外外部因素(诸如空气质量，天气状况和节假日的政策)也对个人汽车使用行为和旅行时间产生一定的影响，针对以上这些问题本发明利用私家车GPS轨迹数据，提出了该深度学习方法，用预测多个个体未来的私家车使用行为。深度学习的方法在很多领域都有所应用，有人申请专利《用于城市道路短时交通流量预测的方法和系统-CN201811133463.X》，其通过深度残差网络对具有临近时间特征、周期时间特征以及趋势性时间特征的区域关联路口的交通流量数据进行了短时预测，但是该方法所用图片数据展现的是某个区域平面空间里面车辆交通流量，可以用于宏观的交通短时预测，而对于微观的个人用车行为的预测却不行。本申请通过改进该方法将个人数据处理为图片结构，每一张图片数据纵轴代表着不同的人，横轴为以15分钟为间隔的时间轴，该以显示出不同的个人出行在某个时间段的用车行为，并将所有图片再以某个时间段(比如8小时)为间隔的时间序列的形式堆叠起来，再通过深度残差网络对个人用车行为进行预测，该发明不仅仅能够考虑到个人用车的时间依赖性，同时也能考虑多个个体因为个人属性的不同而产生的用车行为模式的差异性，该方法显示了预测某种出行行为的潜力,丰富了传统的预测方法，为交通行为建模提供了新的思路。

发明内容

为了解决以上问题，本发明提供多个个体车辆使用行为短时预测的深度学习方法，可以从以时间序列堆叠的一堆二通道图片中考虑驾驶员用车行为的对于临近时间以及远期时间的时间依赖性，同时此发明不仅仅可以同时训练多个个体，还可以考虑到多个个体因为个人属性的不同而产生的用车行为模式的差异性，此外该发明还能考虑外部因素，诸如假期政策，天气状况的影响。运用该发明人们不仅仅可以满足对于多个个体驾驶行为的预测，还能很有效地提升其预测的精确率，为达此目的，本发明提供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：

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；