[发明专利]一种利用层级结构的新站点流量预测方法

说明书

本发明提供一种利用层级结构的新站点流量预测方法，通过将站点在空间上组成层级结构：划分为群组和个体站点，其中一个群组由多个个体站点组成。首先通过群组之间的还车关系建立群组之间的流量传播路径。对群组之间的流量传播路径建模后，根据一个群组内的站点相似性较大的特性，对新站点未来的流量传播路径进行模拟。同时结合群组之间的流量传播和站点之间的流量传播，对城市中的所有站点进行流量预测，包括对已有站点和新站点的流量预测。本方案的最佳案例可以对新站点提升至少5.1％，对已有站点提升至少6％。

技术领域

本发明涉及数据挖掘和回归分析领域，尤其涉及一种利用层级结构的新站点流量预测方法。

背景技术

随着共享经济的发展，共享出行成为了人们普遍的出行方式，例如使用共享单车出行的方式。用户可以再任一站点租用一辆单车并再任一站点还车，大大提高了人们出行的便利性。根据美国纽约共享单车公司Citi Bike的统计，2017年纽约的共享单车站点已经超过800个，共享单车数量超过12000个。并且，一年内有超过1000万个骑行数据。即使共享单车为人们出行带来了一些便利，它同时也存在一些问题。由于用户在任一站点的租车和还车导致每个站点的共享单车常常出现供需比平衡的问题。为了对这些站点的单车进行有序的调度，需要对整个城市各个站点未来的流量进行预测，以防出现站点单车过多或者过少的情况。目前已有了一些针对已有车站的流量预测方法，例如利用卷积神经网络对每个时间点每个站点的周围的站点流量进行卷积，然后使用递归神经网络卷积后对每个时间点的信息进行传递，最终实现对每个站点的流量预测。尽管这些方法对已有站点的预测已经提供了较为满意的预测结果，但是没有对新建站点的流量进行预测。这些方法在预测站点流量时没有考虑到未来添加站点的情况，只对目前现有的车站的未来流量进行预测。这导致有新站点加入时，不能对新站点的未来流量进行预测。然而，平均每年单车公司建立超过100个新站点。不考虑新站点的方法对这种真实城市场景不能进行精准预测。

发明内容

本发明提出一种利用层级结构的新站点流量预测方法，结合群组之间的流量传播和站点之间的流量传播，对城市中的所有站点进行流量预测。

本发明的技术方案为：一种利用层级结构的新站点流量预测方法，所述方法包括以下步骤：

步骤1:对历史数据进行处理，将历史数据划分为时间片；所述每个时间片代表一个时刻；对所述历史数据中的个体站点数据进行编码，获取每个时刻的编码表示，所述编码表示代表历史的个体站点数据的特征信息；

步骤2:假设个体站点在城市范围内的流量传播编码分布为正太分布，根据已有的站点之间的历史流量传播关系，使用变分自编码分别学习所述正太分布的均值和方差，则经过学习后的正太分布可以表示个体站点在城市内的真实流量分布；

步骤3:假设群组在城市范围内的流量传播编码分布为正太分布，使用变分自编码学习群组流量传播的正太分布的均值和方差，则经过学习后的正太分布可以表示群组的真实流量分布；

步骤4:利用步骤1-3中计算的个体站点的正态分布和群组分配给各个站点的流量，预测下一时刻城市中所有站点的流量，包括对已有站点和新站点的流量预测。

进一步地，一种利用层级结构的新站点流量预测方法，所述时间片的划分标准包括按天、按小时。

进一步地，一种利用层级结构的新站点流量预测方法，所述对多个个体站点历史数据进行自编码时，由于每个时刻的个体站点之间的流量传播不同，所以要对多个时刻的历史数据进行整合。

进一步地，一种利用层级结构的新站点流量预测方法，将每个t时刻的个体站点流量传播关系看作一个传播网络，其邻接矩阵为ASt，t-Δt时刻到t-1时刻之间的历史数据{ASt-Δt,…,ASt-1}可以使用进化图神经网络EvolveGCN进行编码。

进一步地，一种利用层级结构的新站点流量预测方法，对群组历史数据进行自编码之前，需要对个体站点进行分组。