[发明专利]一种基于3D反卷积的出行需求预测方法

说明书

本发明公开了一种基于3D反卷积的出行需求预测方法，该方法包括构建预测模型的步骤：构建时空栅格数据、根据时空栅格数据来构建预测方法的输入、使用3D卷积初步提取时空特征、使用3D反卷积来进一步提取空间信息、将三个信息融合、激活函数作用于融合结果来得到最终的模型输出结果。相对于现有技术，本发明提出了一种新的基于3D反卷积的端到端深度学习模型，用以预测城市区域出行需求，包括利用3D卷积和反卷积来提取时空特征，最后同时融合学习三个时间属性特征，即临近时间依赖性、日常时间依赖性和周期时间依赖性特征。引入了3D反卷积来提取时空数据的空间相关性，从而提高模型对于时空数据的空间建模，进一步提高预测性能。

技术领域

本发明涉及计算机应用技术领域，特别是一种基于3D反卷积的出行需求预测方法。

背景技术

近年来，随着互联网技术的飞速发展和居民生活水平的提高，网约车逐渐成为了居民出行的重要交通工具。网约车极大地满足了居民灵活的出行需求，成为了智能交通系统不可或缺的一部分。但是，网约车的出行也加重了城市交通拥堵问题，给城市的发展和日常管理带来了非常大的压力。

随着互联网技术和传感器技术的成熟，网约车随时都在产生大量的数据。而这些数据背后蕴含了很多的交通信息，能够真实地反映日常交通状况。因此，如果能够有效地挖掘这些交通数据背后的信息，就可以为交通资源的调度以及交通规划等提供更加科学的建议，具有非常重要的现实意义。但是，在现实世界中，准确的出行需求预测非常具有挑战性，受以下三个复杂因素的影响：

1)空间相关性：附近位置的出行需求量相互关联。

2)时间相关性：相邻时间间隔的出行需求量高度相关。

3)异构性：出行需求在时空上具有异构性，即不同位置的时间相关性不同，不同时间间隔的空间相关性不同。

对于网约车产生的大量时空数据，传统的浅层学习模型在处理时仍然存在瓶颈，缺乏处理高维数据的能力，几乎无法描述时空数据复杂的非线性变化，具有较弱的通用性。而深度学习是机器学习研究中的一个新领域，通过模仿人脑的机制建立与人类大脑相似的可以自组织自学习的神经网络，并以此解读图像、声音和文本等非结构化数据，去发现高维数据中复杂的结构，建立变量之间的多维非线性关系。自2012年以来，深度学习在图像处理、音频处理和自然语言理解的研究和应用方面取得了巨大成功。深度学习在时空数据处理中最为突出，它能有效地建模高维时空数据，并且通过分层表示自动发现复杂特征。因此，许多研究人员开始转向基于深度学习的模型来处理高维度的时空数据。例如，卷积神经网络CNN能够提取时空数据的空间信息。递归神经网络RNN能够有效地动态捕获时空数据的序列信息，并具有一定的记忆能力。长短期记忆模型LSTM在RNN记忆单元的基础上加入了门限机制，能够解决长距离依赖问题。为了同时对时间和空间特性进行建模，深度学习模型的改进和组合版本也是层出不穷。例如，卷积长短期记忆模型Conv-LSTM不仅建立了像传统LSTM模型一样的时序特性，而且还描绘了CNN之类的局部空间特征。

发明内容

针对出行需求预测的三个影响因素，本发明提供了一种基于3D反卷积的出行需求预测方法。

实现本发明目的的技术方案如下：

一种基于3D反卷积的出行需求预测方法，包括构建预测模型的步骤：

步骤1：构建时空栅格数据，具体如下：

将时间间隔t内，所有I×J栅格节点的出行需求表示为张量X_t∈R^C×I×J，其中C＝2表示有需求流入量和流出量两个通道，X_t表示一个时空栅格数据；

步骤2：根据时空栅格数据来构建预测方法的输入；三种时间依赖性的输入不同，分别构建如下：

1)临近依赖性的输入是时空栅格数据的子序列