[发明专利]一种基于深度集成学习的交通稀疏需求预测方法

权利要求书

1.一种基于深度集成学习的交通稀疏需求预测方法，其特征在于，步骤如下：

(1)采用六边形网格集计交通需求数据，并获取不同稀疏度的欠采样子集

依据用地规模的大小将城市划分为统一的I个六边形网格分区，依据交通需求规模的大小将全天划分为均匀的T个时间段，来集计不同区域不同时间段的网约车订单；每个分区的交通需求定义为六边形分区i在时间段t处产生的网约车订单量，全体交通需求数据集表示为通过设置不同最小需求阈值sh₁，...sh_n的方式获取全体交通需求数据集S_all的多个欠采样子集S₁，...S_n，其中S_n表示S_all中删除需求值小于sh_n的子集后的剩余部分数据集；

交通需求具有时空相关性，在空间上以六边形分区i为中心，选择与其最邻近的两圈共同组成的六边形分区在时间段t的整体需求集合作为六边形分区i在时间段t的交通需求的局部空间特征，在时间上选择的前h个历史时间段的空间特征作为输入，来共同预测六边形分区i在时间段t+1的交通需求对各个数据集分别将各个交通需求对应的历史时空特征作为输入，未来时间段t+1的实际交通需求作为输出，并按比例划分训练集和测试集；

(2)构建深度集成学习框架进行稀疏需求预测

(2.1)建立基于六边形分区的卷积长短期记忆回归模型，并在各欠采样子集上训练出相应的回归子模型ConvLSTM₁，...ConvLSTM_n；具体如下：

卷积长短期记忆模型ConvLSTM作为长短期记忆模型LSTM的变体，在状态传递的过程中采用卷积计算代替矩阵乘法，将输入端数据从一维向量拓展为三维张量，用后两维融合交通需求的空间经纬度关系，使得模型在捕获时间特征的同时兼具捕获空间特征的能力；对各欠采样子集S₁，...S_n采用相同的卷积长短期记忆模型配置结构来训练各自对应的回归子模型ConvLSTM₁，...ConvLSTM_n，包括具有q个隐藏态的多层ConvLSTM层；各层之间采用基于六边形的卷积计算，卷积核按步长为1遍历ConvLSTM层的每个六边形单元，边界位置进行补零操作，卷积核以一个六边形为中心，包含其最邻近一圈的六个六边形；最后通过连接全连接层输出各子模型的预测结果；选择均方根误差RMSE和对称平均绝对百分比误差SMAPE的加权和作为误差损失函数进行反馈计算；

(2.2)基于装袋算法集成各子模型的预测区间偏好；具体如下：

不同的最小需求阈值设置导致S₁，...S_n有着不同数据分布特征，相应训练出的子模型ConvLSTM₁，...ConvLSTM_n在全体交通需求数据集S_all上有着各自的预测分布特征和相应的最优预测区间；因此，将S_all中的交通需求按大小分为连续的n+1个需求区间段D₁，...D_n+1，其中前n个区间段D₁，...D_n代表n个子模型的最优预测区间；分别选择SMAPE和RMSE作为预测模型的评估指标，生成两组最优区间需求边界点和取平均后为最终的最优预测区间边界点D_1，2，...D_n，n+1；

采用独热编码将S_all中的各需求值按D₁，...D_n+1区间归属编码为n+1个类别；建立ConvLSTM分类模型，模型输入端同样为的前h个历史时间段的空间特征输出端为六边形分区i在时间段t+1的潜在交通需求区间类别ConvLSTM分类模型包括具有q个隐藏态的多层ConvLSTM层，各层之间采用基于六边形的卷积计算，卷积核以六边形为中心，包含其最邻近一圈的六个六边形，最后通过连接全连接层输出最终的预测区间类别；选择在预测区间上表现最优的回归子模型ConvLSTM_j来预测该交通需求在t+1时间段的最终交通需求

(3)根据历史数据训练深度集成学习框架，并进行动态短时需求预测

在全体数据集S_all上训练ConvLSTM分类模型识别潜在需求区间，并在不同稀疏度的欠采样子集训练好的回归子模型ConvLSTM₁，...ConvLSTM_n中，选择在预测区间表现最优子模型进行未来时刻交通需求预测。

2.根据权利要求1所述的一种基于深度集成学习的交通稀疏需求预测方法，其特征在于，六边形网格分区的边长为500～2000m；依据交通需求规模的大小将全天划分为均匀的T个时间段，每个时间段的时长为15～120min；多层ConvLSTM层的层数为3～6层。