[发明专利]基于时空上下文注意力网络的网约车订单需求预测方法

权利要求书

1.基于时空上下文注意力网络的网约车订单需求预测方法，其特征在于，包括：

S1：获取城市区域网约车历史出行需求数据；

S2：根据预设划分规则将城市区域划分为等尺度的网格区域；

S3：构建时空上下文注意力网络预测模型，并利用训练数据对构建的预测模型进行训练，其中，时空上下文注意力网络预测模型包括堆叠的时空块和一个输出块，每一个时空块包括TRELLIS-GRU和GAT，TRELLIS-GRU为门控循环网格网络，GAT为图注意力网络，TRELLIS-GRU层用于融合时空特征，GAT层用于挖掘不同的时间片段中的空间依赖，训练数据基于获取的历史出行需求数据和划分的网格区域获得，为各网格区域对应的乘车需求数据；

S4：采用训练好的时空上下文注意力网络预测模型预测新的订单数据。

2.如权利要求1所述的网约车订单需求预测方法，其特征在于，在步骤S1之后，所述方法还包括：

对获取的历史出行需求数据进行异常数据清除或修复操作。

3.如权利要求2所述的网约车订单需求预测方法，其特征在于，获取的网约车历史出行需求数据包括但不限于上车点经度、上车点纬度、上车时间戳、下车点经度、下车点纬度、下车时间戳、订单费用，对获取的历史出行需求数据进行异常数据清除或修复操作，包括：

当订单信息存在空缺值时，清除该条订单，订单即为获取的网约车历史出行需求数据；

当订单中上车经纬度或下车点经纬度与城市区域的偏移大于偏移阈值或者上车时间戳与下车时间戳的差值大于时间阈值或者订单费用高于费用阈值时，判定订单信息异常，清除该条订单；

利用百度地图路径长度计算API估算订单行程和订单费用，计算每公里行程费用，通过设置正常值阈值范围判断异常订单，并对异常订单进行清除或拟合修复。

4.如权利要1所述的网约车订单需求预测方法，其特征在于，S2具体包括：

S2.1：按照预设划分规则将城市区域划分为H×W个等尺度的网格区域L{H,W}，则L[h,w]代表第h行，第w列的网格区域；

S2.2：将网格区域定义为节点v，两个网格区域的关系定义为边e，使用图G＝(V,E)'表示区域间交通连接矩阵，其中V表示节点，E表示边，G∈R^N′×N′，R表示实数域，N′＝H×W，N’代表网格数量；

S2.3：根据预设时间间隔将一天划分为若干个时间段，根据获取的网约车历史出行需求数据统计各区域各时间段内的乘车需求量和到达量并基于出发地和目的地构建区域间交通连接矩阵G；

S2.4：使用zero-score方法对乘车需求量和到达量进行标准化处理：X代表乘车需求量或到达量，μ＝E(X)代表X的均值，代表X的方差，X^*代表标准化后的乘车需求量和到达量。

5.如权利要求1所述的网约车订单需求预测方法，其特征在于，S3中训练过程中，损失函数选择均方误差函数其中，W_θ为模型参数，X是原始值，是预测值。