[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

说明书

本发明涉及一种基于深度集成学习的交通稀疏需求预测方法，属于深度集成学习与交通稀疏需求预测的交叉技术应用领域。预测方法包括：采用六边形网格集计城市空间交通需求数据，通过设置最小需求阈值的方式获取不同稀疏度的欠采样子集；在各子集上训练相应的卷积长短期记忆交通需求预测子模型并识别各子模型的最优预测区间，进一步构建深度集成学习框架来融合各子模型的区间优点；对深度集成框架进行训练，并将训练好的模型用于实时预测。该方法融合了各稀疏条件下子模型的不同预测偏好，有效提升了在全体数据集上的预测精度。

技术领域

本发明涉及一种基于深度集成学习的交通稀疏需求预测方法，属于深度集成学习与交通稀疏需求预测的交叉技术应用领域。

背景技术

基于互联网的约车服务作为一种新的出行方式实时地连接司机和乘客，近年来吸引了越来越多的随机出行需求。相比传统的出租车服务，乘客可以通过手机app提前预约下单，避免了等待巡游出租车的不确定性问题，使车辆的流动性和交通服务水平都得到了一定程度的提升。随着对海量用户订单数据和车辆轨迹数据的收集和分析，网约车服务智能化水平不断演变，提供更完善的个性化需求响应出行服务，正成为传统交通行业的一股颠覆性力量。更加精准的短时交通需求预测是提高网约车平台供需匹配效率的基础，对制定平台监管策略、优化调度方案和改善供需平衡都有着至关重要的作用。

交通出行行为具有高度的时空规律性，已有的大量研究都集中在对交通需求时空相关性的捕捉。这些方法将城市空间网格化，通过时空出行需求的历史信息，对未来时刻的需求进行预测。Ma等人[Ma,Z.,Xing,J.,Mesbah,M.,Ferreira,L.,2014.Predictingshort-term bus passenger demand using a pattern hybridapproach.Transp.Res.Part C Emerg.Technol.39,148–163.]提出了一种基于多模型的交互式模式混合(IMMPH)方法来预测公交短时出行需求，该方法通过组合多模型中的知识来最大化有效信息内容的获取。Zhang等人[Zhang,J.,Zheng,Y.,Qi,D.,Li,R.,Yi,X.,2016.DNN-based prediction model for spatio-temporal data,in:Proceedings ofthe 24th ACM SIGSPATIAL International Conference on Advances in GeographicInformation Systems-GIS’16.ACM Press,New York,New York,USA,pp.1–4.]将卷积神经网络(CNN)应用于一个深度时空预测模型，来实时预测交通流。Ke等人[Ke,J.,Yang,H.,Zheng,H.,Chen,X.,Jia,Y.,Gong,P.,Ye,J.,2019.Hexagon-Based Convolutional NeuralNetwork for Supply-Demand Forecasting of Ride-Sourcing Services.IEEETrans.Intell.Transp.Syst.20,4160–4173.]在网约车交通需求预测中应用六边形的分区形式，更好地聚集了具有相似出行时空特征的需求。现有预测方法通常将部分稀疏需求的时空间样本看作噪声并删除，从而提高模型的整体预测精度，虽然这些方法在需求密集的中心城区具有良好的预测精度，但是，对于随机性大扰动性强、尤其是需求稀疏区域的需求估计问题，现有方法往往无法提供预测值或者精度很低。

现有的方法或发明的缺陷：1)现有方法在基本时空单元的选择上集中于正方形分区，对六边形分区下交通需求预测模型的设计有待于进一步的分析和探讨；2)由于时空分布的异质性和时空网格尺度划分的主观随机性，交通需求预测存在着复杂的稀疏不确定性问题；3)现有交通需求预测算法为提高预测性能通常会设置最小交通需求阈值，人为删除了部分稀疏需求的样本，不同阈值对应的欠采样数据集具有不同的需求分布特征，由于预测结果的精度分布与数据集样本数量分布呈显著正相关关系，最小需求阈值设置的主观随意性导致模型预测结果不稳定；4)不同的最小需求阈值设置使得相应的预测模型仅能对部分时空区间进行有效预测，无法在全样本(全体)数据集上获得良好的预测表现。