[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

说明书

为了更合理的分配网约车资源，降低网约车空驶率，提高网约车运营效率，本发明提供了基于时空上下文注意力网络的网约车订单需求预测方法，该方法中构建的网络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。本发明充分考虑了城市区域自身的空间位置、不同区域间的相互关系以及多个时间段历史订单的时间依赖对网约车订单需求的影响，从而提高城市区域网约车订单需求的准确性。

技术领域

本发明涉及城市交通运输规划和深度学习交叉技术领域，具体涉及基于时空上下文注意力网络的网约车订单需求预测方法。

背景技术

随着经济的快速发展以及滴滴出行、东风出行等新兴出行方式的兴起，网约车已经成为大众出行的一个重要方式，截止2019年，网约车出行客运量占出租车客运总量的比例已达到36.3％。目前的网约车服务仍然存在某些低效运营的问题，如乘客等候时间较长、车辆空载运行次数较多等。

发明内容

本发明提出一种基于时空上下文注意力网络的网约车订单需求预测方法，用于解决或者至少部分解决现有技术的方法无法准确预测网约车订单需求的技术问题。

为了解决上述技术问题，本发明提供了基于时空上下文注意力网络的网约车订单需求预测方法，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。

在一种实施方式中，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。

在一种实施方式中，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。

在一种实施方式中，S2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；