本發(fā)明涉及交通出行短時需求預測，具體涉及一種網約合乘出行短時需求概率預測方法及系統。

背景技術：

1、在共享經濟和智能交通技術持續(xù)發(fā)展的背景下，網約合乘服務應運而生，成為重要的網約出行模式，并受到管理者和出行者的認可。這項服務利用高效的智能平臺，實現司機與乘客的精確匹配，不僅能提高出行效率、降低成本，還能有效緩解交通擁堵。

2、目前，現有的網約車需求預測發(fā)明通常只考慮了網約?？燔嚨男枨箢A測，而很少考慮網約拼車的需求預測。網約合乘出行需求分布具有稀疏性，時空集中性和不確定性的復雜特征，對預測模型在性能、可靠性和可解釋性方面要求高。網約合乘出行需求的高稀疏性使模型難以訓練且容易過擬合，現有的大多數基于機器學習模型和深度學習的發(fā)明都難以捕捉稀疏數據中特征間的關系。

技術實現思路

1、本發(fā)明的目的在于提供一種基于深度學習的網約合乘出行短時需求概率預測方法即系統，實現了城市網約合乘出行od需求的精確預測，以解決上述背景技術中存在的至少一項技術問題。

2、為了實現上述目的，本發(fā)明采取了如下技術方案：

3、第一方面，本發(fā)明提供一種網約合乘出行短時需求概率預測方法，包括：

4、獲取城市歷史od需求訂單數據；

5、利用預先訓練好的網約合乘出行短時需求概率預測模型，對獲取的所述的歷史od需求訂單數據進行處理，得到未來下一時段內對應的od對的需求概率數據；其中，所述網約合乘出行od需求量預測模型包括輸入層、?？燔嚭推窜嚂r變運營關系的動態(tài)圖構建層、時間特征提取模塊、空間特征提取模塊、加性信息融合層以及輸出層；所述輸入層，用于選取合適尺寸的滑動窗口分別處理網約合乘和專快車od需求序列特征變量，接收通勤往返圖、od關系相似性圖、土地功能相似圖三種靜態(tài)圖鄰接矩陣；所述動態(tài)圖構建層，用于提取專快車和網約合乘拼車需求之間的復雜時變運營依賴關系，構建面向專快車與拼車的時變需求的動態(tài)關系圖鄰接矩陣；所述時間特征提取模塊，用于對特征變量進行處理提取網約合乘od需求序列的時間依賴關系；所述空間特征提取模塊，用于對各動靜態(tài)圖進行擴散卷積運算提取不同的城市網約合乘出行od對的空間依賴關系；所述加性信息融合層，用于計算各個空間圖結構的特征信息權重系數；所述輸出層，用于融合所有時間步和空間圖結構的特征信息，利用多頭全連接層導出未來od需求的零膨脹負二項分布參數，得到od需求預測值和任意置信區(qū)間。

6、進一步的，通勤往返圖鄰接矩陣的構建，包括：兩個od對滿足互為往返od對的前提，且這兩個od對的需求量具有相似性和對向的潮汐現象則認為是往返od對。通勤往返關系圖的鄰接矩陣構造方法如式所示：

7、

8、進一步的，od關系相似性圖鄰接矩陣的構建，包括：用距離的倒數表示兩個od對之間的權重，分別計算兩個od對的o之間的半正矢距離倒數、d之間的半正矢距離倒數并綜合考慮兩者來構造od距離關系圖，計算公式分別為：

9、

10、進一步的，土地功能相似圖鄰接矩陣的構建，包括：利用基于密度的poi統計方法對兩個區(qū)域的poi分布進行匯總，得到poi向量v；根據od對的o、d進行poi向量拼接并進行余弦相似度計算，得到兩個od對的土地功能相似度，計算公式為：

11、

12、進一步的，動態(tài)圖構建層的組成，包括：多路的tcn層、批歸一化層、relu激活函數，以及帶有中心化和歸一化的sigmoid(·)和tanh(·)激活函數。此構建層不依賴任何先驗知識，且具有權重參數，能夠根據數據的重要性自適應地調整模型權重并輸出合適的時變運營關系動態(tài)圖。在此結構中，數據經過tcn卷積層提取時間相關性，并經過激活函數激活，得到兩個表征所有od對中時間相關性的特征向量v1,v2∈；使用下式進行激活得到動態(tài)圖鄰接矩陣：adynamic＝softmax(relu(v1×v2t))。

13、進一步的，時間特征提取模塊的組成，包括：時間特征提取模塊由多個時間卷積網絡層組成，每個tcn層后面跟著一個批量標準化層和一個dropout層。

14、進一步的，空間特征提取模塊的組成，包括：空間特征提取模塊由多個擴散圖卷積網絡層組成，每個d-gcn層后面跟著一個dropout層。

15、進一步的，利用零膨脹負二項分布的負對數似然作為損失函數訓練神經網絡，其解析形式如下式；

16、

17、神經網絡模型預測未來od需求的零膨脹負二項分布參數，通過將參數代入零膨脹負二項分布可以得到城市網約合乘出行短時od需求的預測期望值和任意置信區(qū)間，實現不確定性的量化。

18、第二方面，本發(fā)明提供一種網約合乘出行短時需求概率預測方系統，包括：

19、獲取模塊，用于獲取城市歷史od需求訂單數據；

20、處理模塊，用于利用預先訓練好的網約合乘出行短時需求概率預測模型，對獲取的所述的歷史od需求訂單數據進行處理，得到未來下一時段內對應的od對的需求概率數據；其中，所述網約合乘出行od需求量預測模型包括輸入層、專快車和拼車時變運營關系的動態(tài)圖構建層、時間特征提取模塊、空間特征提取模塊、加性信息融合層以及輸出層；所述輸入層，用于選取合適尺寸的滑動窗口分別處理網約合乘和?？燔噊d需求序列特征變量，接收通勤往返圖、od關系相似性圖、土地功能相似圖三種靜態(tài)圖鄰接矩陣；所述動態(tài)圖構建層，用于提取?？燔嚭途W約合乘拼車需求之間的復雜時變運營依賴關系，構建面向專快車與拼車的時變需求的動態(tài)關系圖鄰接矩陣；所述時間特征提取模塊，用于對特征變量進行處理提取網約合乘od需求序列的時間依賴關系；所述空間特征提取模塊，用于對各動靜態(tài)圖進行擴散卷積運算提取不同的城市網約合乘出行od對的空間依賴關系；所述加性信息融合層，用于計算各個空間圖結構的特征信息權重系數；所述輸出層，用于融合所有時間步和空間圖結構的特征信息，利用多頭全連接層導出未來od需求的零膨脹負二項分布參數，得到od需求預測值和任意置信區(qū)間。

21、第三方面，本發(fā)明提供一種非暫態(tài)計算機可讀存儲介質，所述非暫態(tài)計算機可讀存儲介質用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現如第一方面所述的網約合乘出行短時需求概率預測方法。

22、第四方面，本發(fā)明提供一種計算機設備，包括存儲器和處理器，所述處理器和所述存儲器相互通信，所述存儲器存儲有可被所述處理器執(zhí)行的程序指令，所述處理器調用所述程序指令執(zhí)行如第一方面所述的網約合乘出行短時需求概率預測方法。

23、第五方面，本發(fā)明提供一種電子設備，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設備執(zhí)行實現如第一方面所述的網約合乘出行短時需求概率預測方法的指令。

24、本發(fā)明有益效果：可靠性高，且具有不確定性量化的能力，考慮了城市空間結構與土地屬性對網約合乘出行需求的影響，加深了對城市網約合乘出行的理解認識，為網約車平臺實現精準車輛調度和精細化管理提供有力支撐。

25、本發(fā)明附加方面的優(yōu)點，將在下述的描述部分中更加明顯的給出，或通過本發(fā)明的實踐了解到。