基于出租车和网约车的需求联合预测方法

本发明涉及交通需求预测领域，具体涉及基于出租车和网约车的需求联合预测方法。

背景技术：

1、人口过度拥挤带来的出行需求不断增加，给城市交通系统带来了巨大的压力和严峻的挑战。为应对日益增加的出行难度，多种创新出行方式相继推出并占据主导地位。最具代表型是由uber、lyft、滴滴等网约车公司提供的流动性需求(mod)服务，给乘客提供灵活便捷的出行选择。然而，出行困难问题仍未解决，甚至更严重，主要是由于交通供需失衡。无论是人(即出租车司机)还是机器(即网约车平台)，及时获取交通供给和乘客需求双方的准确信息，是做出最佳在线决策的基础和必要条件。

2、在实际情况下，与供应信息相比，了解需求是相当具有挑战性的。通过车辆的gps定位和空置状态记录可以轻松获取和监控供应信息，而乘客需求却不能自然感知而只能预测。因此，准确、及时的乘客需求预测模型是关键推动因素。一方面，预测结果可以帮助出租车司机避免停留在低需求地区，而前往高需求地区。另一方面，网约车平台也可以从预测需求中受益。例如，根据预测需求，平台可以更好地提前分配和调度车辆资源以实现双赢，这不仅可以减少司机寻找乘客的努力，而且更够减少乘客的等待时间。

3、出租车服务和网约车服务是完全不同但相关的交通方式(模式)。然而，现有的大多数研究都集中在预测单一模式的需求。这些预测模型的前提是单一交通模式服务是一个相当独立的系统，未来的需求只与数据驱动的历史观察需求相关。事实上，乘客通常不会拘泥于一种交通方式。他们可以根据需要在不同模式之间切换。虽然存在模式转换行为，但这在出租车和网约车之间更加密集和频繁。例如，当乘客等待出租车的时间过长时，他/她可能会转向网约车服务，但很少寻找周围的公共汽车。反之，由于平台的暴涨定价策略，如果动态价格过高，网约车乘客可能会选择打车来省钱。这些模式转换行为表明，乘客对出租车和网约车的需求不同，但相互影响。换言之，上述前提并不总是合理的。而且，这些影响在空间和时间维度上都是动态存在的，并且在各个模式需求之间形成了复杂的关系。申请人认为对一种模式的需求预测不仅应考虑其历史需求，还应考虑其他模式需求的动态变化。即出租车模式和网约车模式的需求预测应该结合起来，并被视为两个相关的任务。

4、因此，如何设计一种能够实现出租车和网约车需求联合预测的方法是亟需解决的技术问题。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于出租车和网约车的需求联合预测方法，能够提取出租车和网约车的模式内特征和模式间特征，并且能够实现模式内特征和模式间特征的融合，进而实现了出租车和网约车的需求联合预测，从而能够提高交通需求预测的准确性和全面性，并为多种交通方式的需求联合预测提供一种新的思路。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、基于出租车和网约车的需求联合预测方法，包括：

4、s1：获取对应的出租车历史需求矩阵和网约车历史需求矩阵；

5、s2：将出租车历史需求矩阵和网约车历史需求矩阵输入经过训练的需求预测模型中，输出对应的出租车未来需求预测值和网约车未来需求预测值；

6、需求预测模型首先分别基于出租车历史需求矩阵和网约车历史需求矩阵结合对应的自适应邻接矩阵生成对应的出租车时空共享信息和网约车时空共享信息；然后基于出租车历史需求矩阵和对应的自适应邻接矩阵进行时空特征提取，并结合网约车时空共享信息生成对应的出租车未来需求矩阵；同时基于网约车历史需求矩阵和对应的自适应邻接矩阵进行时空特征提取，并结合出租车时空共享信息生成对应的网约车未来需求矩阵；最后基于出租车未来需求矩阵和网约车未来需求矩阵生成出租车未来需求预测值和网约车未来需求预测值；

7、s3：将出租车未来需求预测值和网约车未来需求预测值作为出租车和网约车的需求联合预测结果。

8、优选的，需求预测模型包括：

9、输入层，用于获取出租车历史需求矩阵和网约车历史需求矩阵；

10、时空交织组件，用于分别根据出租车历史需求矩阵和网约车历史需求矩阵结合对应的自适应邻接矩阵生成对应的出租车时空共享信息和网约车时空共享信息；

11、出租车组件，用于基于出租车历史需求矩阵和对应的自适应邻接矩阵进行时空特征提取，并融合网约车时空共享信息生成对应的出租车未来需求矩阵；

12、网约车组件，用于基于网约车历史需求矩阵和对应的自适应邻接矩阵进行时空特征提取，并融合出租车时空共享信息生成对应的网约车未来需求矩阵；

13、输出层，用于通过全连接网络分别基于出租车未来需求矩阵和网约车未来需求矩阵进行需求预测，生成并输出对应的出租车未来需求预测值和网约车未来需求预测值。

14、优选的，时空交织组件包括时间交织模块和空间交织模块；

15、出租车组件和网约车组件均包括若干个时空块；每个时空块均包括对应的时间卷积层和空间卷积层；

16、时间交织模块用于分别对出租车历史需求矩阵和网约车历史需求矩阵进行时间卷积，生成对应的出租车时间共享信息和网约车时间共享信息；

17、对于出租车组件的单个时空块：通过时间卷积层基于出租车历史需求矩阵进行时间特征提取，并融合网约车时间共享信息生成对应的出租车需求时间特征矩阵；

18、对于网约车组件的单个时空块：通过时间卷积层基于网约车历史需求矩阵进行时间特征提取，并融合出租车时间共享信息生成对应的网约车需求时间特征矩阵；

19、空间交织模块用于分别基于出租车需求时间特征矩阵和网约车需求时间特征矩阵结合对应的自适应邻接矩阵进行空间特征提取，生成对应的出租车时空共享信息和网约车时空共享信息；

20、对于出租车组件的单个时空块：通过空间卷积层基于出租车需求时间特征矩阵和对应的自适应邻接矩阵进行空间特征提取，并融合网约车时空共享信息生成对应的出租车需求时空特征矩阵；

21、对于网约车组件的单个时空块：通过空间卷积层基于网约车需求时间特征矩阵和对应的自适应邻接矩阵进行空间特征提取，并融合出租车时空共享信息生成对应的网约车需求时空特征矩阵。

22、优选的，时间交织模块包括分别用于对出租车历史需求矩阵和网约车历史需求矩阵进行时间卷积的第一时间卷积层和第二时间卷积层；

23、第一时间卷积层和第二时间卷积层的时间卷积公式如下：

24、

25、

26、式中：分别表示出租车时间共享信息和网约车时间共享信息；xta、xrs分别表示出租车历史需求矩阵和网约车历史需求矩阵；tcl1、tcl2分别表示第一时间卷积层和第二时间卷积层；

27、对于出租车组件的单个时空块：将出租车历史需求矩阵作为时间卷积层的输入并进行时间卷积，生成对应的出租车需求时间特征矩阵；然后将出租车需求时间特征矩阵和网约车时间共享信息在时间维度的最后一个通道融合，得到最终的出租车需求时间特征矩阵；

28、公式描述为：

29、

30、

31、式中：x′ta表示出租车需求时间特征矩阵；xta表示出租车历史需求矩阵；ft表示通道数；l′表示时间维度长度；x′ta(:,l′,:)、分别表示出租车需求时间特征矩阵和网约车时间共享信息在时间维度的最后一个通道；

32、对于网约车组件的单个时空块：将网约车历史需求矩阵作为时间卷积层的输入并进行时间卷积，生成对应的网约车需求时间特征矩阵；然后将网约车需求时间特征矩阵和出租车时间共享信息在时间维度的最后一个通道融合，得到最终的网约车需求时间特征矩阵；

33、公式描述为：

34、

35、

36、式中：x′rs表示网约车需求时间特征矩阵；xrs表示网约车历史需求矩阵；ft表示通道数；l′表示时间维度长度；x′rs(:,l′,:)、分别表示网约车需求时间特征矩阵和出租车时间共享信息在时间维度的最后一个通道。

37、优选的，时间交织模块通过自门控机制结合如下公式进行共享信息的过滤：

38、

39、

40、式中：分别表示出租车时间共享信息和网约车时间共享信息；σ代表sigmod函数；⊙表示hadamard积(按元素乘积)运算符。

41、优选的，空间交织模块包括分别用于对出租车需求时间特征矩阵和网约车需求时间特征矩阵进行空间卷积的第一空间卷积层和第二空间卷积层；

42、第一空间卷积层和第二空间卷积层的空间卷积公式如下：

43、

44、

45、

46、

47、式中：分别表示出租车时空共享信息和网约车时空共享信息；art、atr分别表示出租车和网约车需求之间的自适应邻接矩阵，其中art表示一个区域的出租车需求与其他区域的网约车需求之间的关系，atr表示一个区域的网约车需求与其他区域的出租车需求之间的关系；x′ta、x′rs分别表示出租车需求时间特征矩阵和网约车需求时间特征矩阵；表示两个特征转换矩阵；etq、表示为出租车需求设置的区域特征；erq、表示为网约车需求设置的区域特征；n表示区域数量；

48、对于出租车组件的单个时空块：将出租车需求时间特征矩阵作为空间卷积层的输入并结合对应的自适应邻接矩阵进行空间卷积，生成对应的出租车需求时空特征矩阵；然后将出租车需求时空特征矩阵与网约车时空共享信息融合，得到最终的出租车需求时空特征矩阵；

49、公式描述为：

50、

51、

52、通过图学习子层来自动发现不同区域之间的依赖关系，并生成对应的自适应邻接矩阵；

53、公式描述为：

54、

55、式中：x″ta表示出租车需求时空特征矩阵；x′ta表示出租车需求时间特征矩阵；att表示n个区域之间出租车需求的自适应邻接矩阵；表示用于特征转换的投影；σ(·)表示glu激活函数；fs表示图卷积层的输出维度；表示网约车时空共享信息；etq、表示为出租车需求设置的区域特征；n表示区域数量；

56、对于网约车组件的单个时空块：将网约车需求时间特征矩阵作为空间卷积层的输入并结合对应的自适应邻接矩阵进行空间卷积，生成对应的网约车需求时空特征矩阵；然后将网约车需求时空特征矩阵与出租车时空共享信息融合，得到最终的网约车需求时空特征矩阵；

57、公式描述为：

58、

59、

60、通过图学习子层来自动发现不同区域之间的依赖关系，并生成对应的自适应邻接矩阵；

61、公式描述为：

62、

63、式中：x″rs表示网约车需求时空特征矩阵；x′rs表示网约车需求时间特征矩阵；arr表示n个区域之间网约车需求的自适应邻接矩阵；表示用于特征转换的投影；σ(·)表示glu激活函数；fs表示图卷积层的输出维度；表示出租车时空共享信息；erq、表示为网约车需求设置的区域特征；n表示区域数量。

64、优选的，时空块中设置有残差连接结构；

65、对于出租车组件的单个时空块：将出租车历史需求矩阵和对应的出租车需求时空特征矩阵融合，生成该时空块的出租车需求矩阵；

66、公式描述为：

67、

68、式中：表示出租车组件中第b+1个时空块的出租车需求矩阵；表示出租车组件中第b个时空块输入的出租车历史需求矩阵；表示出租车组件中第b个时空块的出租车需求时间特征矩阵；表示出租车组件中第b个时空块的出租车需求时空特征矩阵；

69、对于网约车组件的单个时空块：将网约车历史需求矩阵和对应的网约车需求时空特征矩阵融合，生成该时空块的网约车需求矩阵；

70、公式描述为：

71、

72、式中：表示网约车组件中第b+1个时空块的网约车需求矩阵；表示网约车组件中第b个时空块输入的网约车历史需求矩阵；表示网约车组件中第b个时空块的时间卷积；表示网约车组件中第b个时空块的空间卷积。

73、优选的，时空块之间设置有跳跃连接结构；

74、出租车组件和网约车组件分别将其所有时空块的出租车需求矩阵和网约车需求矩阵对应连接在一起，生成对应的出租车未来需求矩阵和网约车未来需求矩阵。

75、优选的，输出层通过如下公式计算出租车未来需求预测值和网约车未来需求预测值：

76、

77、

78、式中：分别表示出租车未来需求预测值和网约车未来需求预测值；分别表示出租车组件和网约车组件中第b个时空块输出的出租车未来需求矩阵和网约车未来需求矩阵；b表示时空块的数量；分别表示对出租车组件和网约车组件输出的出租车未来需求矩阵和网约车未来需求矩阵进行连接；和表示可学习权重；σ(·)表示relu激活函数。

79、优选的，训练需求预测模型时，通过如下损失函数优化需求预测模型的模型参数：

80、

81、

82、

83、式中：表示需求预测模型的损失函数；表示出租车组件的均方误差；表示网约车组件的均方误差；分别表示出租车未来需求预测值和网约车未来需求预测值；yta、yrs分别表示出租车未来需求真实值和网约车未来需求真实值；σ1和σ2表示噪声参数。

84、本发明中基于出租车和网约车的需求联合预测方法，具有如下有益效果：

85、本发明将出租车和网约车的需求预测作为两个耦合和相关的任务，并且分别基于出租车历史需求矩阵和网约车历史需求矩阵进行时空特征提取，使得能够有效的从出租车和网约车这两种交通模式中提取时间和空间上的依赖性，即能够有效提取出租车和网约车的模式内特征；同时，本发明分别基于出租车历史需求矩阵和网约车历史需求矩阵生成对应的出租车时空共享信息和网约车时空共享信息，进而结合出租车和网约车的模式内特征实现了不同模式之间的时间和空间信息传输和交换，即能够有效提取出租车和网约车的模式间特征，并且实现了模式间特征与模式内特征的融合。因此，本发明能够提取出租车和网约车的模式内特征和模式间特征，并且能够实现模式内特征和模式间特征的融合，进而实现了出租车和网约车的需求联合预测，从而能够提高交通需求预测的准确性和全面性，并为多种交通方式的需求联合预测提供一种新的思路。