一种公共自行车取还车需求量预测系统、方法及装置与流程
本发明属于公共交通出行领域，特指一种公共自行车取还车需求量预测系统、方法及装置。
背景技术：
作为城市公共交通重要组成部分的有桩共享单车(也称“公共自行车”)，与无桩共享单车用途类似，有利于解决出行“最后一公里”问题。公共自行车不同于可随借随还的无桩共享单车，一般仅可在固定站点借还，如果站点无空余锁车器则无法还车，但在很大程度上避免了被盗窃、肆意破坏和乱停乱放等无桩共享单车遇到的问题。截至2018年7月，中国29个省份的256个城市建立了公共自行车项目，累计用户数量超过5000万。针对公共自行车，精准预测未来时段取还车需求量对车辆调度、站点设定和运营策略制定有重要意义。
目前，现有需求量预测技术主要针对无桩共享单车(参考申请号为201910310295.5的发明专利)，而针对公共自行车取还车需求量预测的方法较少。并且，现有技术方法缺乏对于时间维度和空间维度的联合建模，预测精度不高。同时，由于现有技术方法所需参数较多，模型的训练时间较长，影响模型的训练效率，导致预测大规模问题时耗费时间长，不利于有关部门进行高效率车辆调度。
为了解决现有技术难以高效率、高精度预测公共自行车取还车需求量的问题，本发明提出一种公共自行车取还车需求量预测系统、方法及装置。
技术实现要素：
针对现有技术难以高效率、高精度预测公共自行车取还车需求量的不足，本发明提出一种公共自行车取还车需求量预测系统、方法及装置，具有参数少、效率高、预测精度高的优点。
一种公共自行车取还车需求量预测系统，其特征在于所述的预测系统包括：
数据清洗及转换单元，用于去除不完全、有噪声和不一致的样本数据，结合站点信息将清洗后的数据转化为二维矩阵；
时空图卷积层单元，对转换后的数据建模，经过训练操作寻求一组最优模型参数。
全连接单元，用于对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点取还车需求量预测值。
进一步，所述的一种公共自行车取还车需求量预测系统，其特征在于该系统中的数据清洗及转换单元包括两个子单元：
数据清洗子单元，用于去除不完全、有噪声和不一致的样本数据；
数据转换子单元，用于结合站点信息将清洗后的数据转化为二维矩阵。
进一步，所述的一种公共自行车取还车需求量预测系统，其特征在于该系统包括2个时空图卷积层单元：第1个时空图卷积层单元，用于对输入的二维矩阵进行第一次时空图卷积运算；第2个时空图卷积层单元，用于对第1个时空图卷积层单元运算的结果进行第二次时空图卷积运算处理，并将结果输出到全连接单元。
进一步，所述的一种公共自行车取还车需求量预测系统，其特征在于所述的第1个时空图卷积层单元(第2个空图卷积层单元与其相同)，包括：
第1个门控因果卷积层，共有64个卷积核，用于提取时间特征；
基于空域的图卷积层，用于提取空间特征；
第2个门控因果卷积层，共有16个卷积核，用于再次提取时间特征。
进一步，所述的一种公共自行车取还车需求量预测系统，其特征在于所述的全连接单元，用于对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点需求量预测值。
一种公共自行车取还车需求量预测方法，其特征在于所述的预测方法包括以下步骤：
(1)通过数据清洗及转换单元，去除不完全、有噪声和不一致的样本数据，结合站点信息将清洗后的数据转化为二维矩阵；
(2)通过时空图卷积层单元，对转换后的数据建模，经过训练操作寻求一组最优模型参数；
(3)通过全连接单元，对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点取还车需求量预测值。
进一步，所述的一种公共自行车取还车需求量预测方法，其特征在于：步骤(1)中，所述的数据清洗及转换单元，去除不完全、有噪声和不一致的样本数据，结合站点信息将清洗后的数据转化为二维矩阵，包括以下步骤：
(1.1)删除虚假骑行记录，清洗规则为删除出行时间低于2分钟的记录；
(1.2)删除数据缺失的骑行记录，清洗规则为删除借还站点字段缺失的记录；
(1.3)删除车辆维修记录，清洗规则为删除用户名字段为空，或借还站点名称为“自行车管理中心”的记录；
(1.4)删除车辆调度记录，清洗规则为删除用户名为“测试”的记录；
(1.5)统计各站点每10分钟的公共自行车取还车数量，以公共自行车取车数量矩阵为例，构建如下二维矩阵：
其中，dij表示第i个时间段的第j站点公共自行车取车数量，共有m个时间段，n个站点。
进一步，所述的一种公共自行车取还车需求量预测方法，其特征在于步骤(2)中所述的时空图卷积层单元，对清洗后的数据建模，经过训练操作寻求一组最优模型参数。
进一步，所述的一种公共自行车取还车需求量预测方法，其特征在于步骤(3)中所述的全连接单元，对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点取还车需求量预测值。
一种公共自行车取还车需求量预测装置，其特征在于包括一种非暂时的用于存储程序的计算机存储介质。所述程序包括：数据清洗及转换单元，用于去除不完全、有噪声和不一致的样本数据，结合站点信息将清洗后的数据转化为二维矩阵；时空图卷积层单元，对清洗后的数据建模，经过训练操作寻求一组最优模型参数；全连接单元，对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各取还车站点需求量预测值。
本发明的有益效果如下：
(1)本发明可用于公共自行车取还车需求量预测，丰富公共自行车取还车需求量预测方法；
(2)本发明能够实现时间维度和空间维度的联合建模，提升公共自行车取还车需求量的预测精度；
(3)本发明采用更少参数和更高训练效率的时空图卷积神经网络，提升模型预测速度，便于有关部门实现高效率车辆调度。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
如图1所示，一种公共自行车取还车需求量预测系统，所述系统包括：
数据清洗及转换单元，用于去除不完全、有噪声和不一致的数据，结合站点信息将清洗后的数据转化为二维矩阵；
时空图卷积层单元，用于对转换后的数据建模，经过训练操作寻求一组最优模型参数；
全连接单元，用于对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点取还车需求量预测值。
进一步的，所述数据清洗及转换单元包括：
数据清洗子单元，用于去除不完全、有噪声和不一致的样本数据；
数据转换子单元，用于结合站点信息将清洗后的数据转化为二维矩阵。
进一步的，所述时空图卷积层单元包括：
第1个时空图卷积层单元，用于对输入的二维矩阵进行第一次时空图卷积运算；
第2个时空图卷积层单元，用于对第1个时空图卷积层单元运算的结果进行第二次时空图卷积运算处理，并将结果输出到全连接单元。
全连接单元，用于对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点取还车需求量预测值。
进一步的，所述第1个时空图卷积层单元(第2个空图卷积层单元与其相同)包括：
第1个门控因果卷积层，共有64个卷积核，用于提取时间特征；
基于空域的图卷积层，用于提取空间特征；
第2个门控因果卷积层，共有16个卷积核，用于再次提取时间特征。
现有需求预测技术多针对于无桩共享单车，且技术方法缺乏对于时间维度和空间维度的联合建模。并且，由于现有方法所需参数较多，模型的训练时间较长，影响模型的训练效率。因此，为同时捕获公共自行车取还车需求量的时间维度和空间维度特征，并实现高效率预测，本发明提供一种基于空域的时空图卷积神经网络模型的公共自行车取还车需求量预测方法。
一种公共自行车取还车需求量预测方法，所述方法执行以下步骤：
(1)通过数据清洗及转换单元，去除不完全、有噪声和不一致的样本数据，结合站点信息将清洗后的数据转化为二维矩阵，包括以下步骤：
(1.1)删除虚假骑行记录，清洗规则为删除出行时间低于2分钟的记录；
(1.2)删除数据缺失的骑行记录，清洗规则为删除借还站点字段缺失的记录；
(1.3)删除车辆维修记录，清洗规则为删除用户名字段为空，或借还站点名称为“自行车管理中心”的记录；
(1.4)删除车辆调度记录，清洗规则为删除用户名为“测试”的记录；
(1.5)统计各站点每10分钟的公共自行车取还车数量，以公共自行车取车数量矩阵为例，构建如下二维矩阵：
其中，dij表示第i个时间段的第j站点公共自行车取车数量，共有m个时间段，n个站点。
如图2所示，公共自行车取还车需求量在工作日和休息日呈现明显的周期性(以取车数据为例)，对该类时空序列数据进行时空维度的建模是十分必要的。
(2)通过时空图卷积层单元，对转换后的数据建模，经过训练操作寻求一组最优模型参数。
(3)通过全连接单元，对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各站点需求量预测值。
为评估本发明实施例效果，利用某市2016年9月的公共自行车取还车数据，验证本发明所提方法(简称“本方法”)的预测准确性。基准方法分别为传统循环神经网络(简称“方法一”，参考connorj,atlasl.recurrentneuralnetworksandtimeseriesprediction[c]//ijcnn-91-seattleinternationaljointconferenceonneuralnetworks.ieee,1992.)、长短期记忆神经网络(简称“方法二”，参考hochreiters,schmidhuberj.longshort-termmemory[j].neuralcomputation,1997,9(8):1735-1780.)和门控循环单元网络(简称“方法三”，参考fur,zhangz,lil.usinglstmandgruneuralnetworkmethodsfortrafficflowprediction[c]//201631styouthacademicannualconferenceofchineseassociationofautomation(yac).ieee,2017.)。验证指标分别为对称平均绝对百分比误差(symmetricalmeanabsolutepercenterror,smape)、均方根误差(rootmeansquareerror,rmse)和平均绝对误差(meanabsoluteerror,mae)，计算公式为：
其中，q表示预测的样本数目，dij和
如图6所示，本方法能以最小的迭代次数达到收敛，验证本发明在模型效率上优于对比方法。
一种公共自行车取还车需求量预测装置，其特征在于包括一种非暂时的用于存储程序的计算机存储介质。所述程序包括：数据清洗及转换单元，用于去除不完全、有噪声和不一致的样本数据，结合站点信息将清洗后的数据转化为二维矩阵；时空图卷积层单元，对清洗后的数据建模，经过训练操作寻求一组最优模型参数；全连接单元，对时空图卷积层单元的输出结果进行降维处理，并输出公共自行车各取还车站点需求量预测值。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
- 还没有人留言评论。精彩留言会获得点赞！