一种网约车需求模式识别与短时需求预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953186A(43)申请公布日2023.04.11(21)申请号202310159395.9G06F18/25(2023.01)(22)申请日2023.02.24G06Q50/30(2012.01)(71)申请人北京化工大学地址100029北京市朝阳区北三环东路15号申请人北京市智慧交通发展中心（北京市机动车调控管理事务中心）(72)发明人李想陈楠冯紫嫣金坤于海涛钟园(74)专利代理机构北京圣州专利代理事务所(普通合伙)11818专利代理师李春(51)Int.Cl.G06Q30/0202(2023.01)G06F18/23213(2023.01)权利要求书4页说明书11页附图5页(54)发明名称一种网约车需求模式识别与短时需求预测方法(57)摘要本发明公开了一种网约车需求模式识别与短时需求预测方法，一、对城市客运枢纽的网约车需求数据以及相关特征数据进行预处理，形成基础数据集；二、基于基础数据集，开发改进的时间序列K‑means聚类算法，得到网约车的典型需求模式集合；三、面向不同类型的网约车需求模式，设计了ARIMA、XGBoost、RF、BiLSTM、CNN等短时预测方法，构建了数据特征驱动的网约车需求预测系统；四、基于实时获取的特征数据匹配网约车需求模式，并调用该模式下的需求预测算法，预测短时的网约车需求量。本发明采用上述一种网约车需求模式识别与短时需求预测方法，综合利用多源数据，提出了数据特征驱动的网约车需求模式分析和短时需求预测方法，为城市客运枢纽的客流管理提供决策依据。CN115953186ACN115953186A权利要求书1/4页1.一种网约车需求模式识别与短时需求预测方法，其特征在于，包括以下步骤：步骤S1：多源数据预处理及特征提取，筛选出城市客运枢纽的网约车需求模式识别与短时预测场景适用的多源数据，将多源数据作为初始数据，对所述初始数据进行预处理，将初始数据以特定的时间粒度汇聚，并对相关特征进行全面提取，得到基础数据集；步骤S2：网约车需求模式识别，基于改进的时间序列K‑means聚类算法，对基础数据集进行聚类分析，得到多维特征指标下的典型网约车需求模式集合；步骤S3：网约车需求短时预测算法，针对步骤S2获得的每种典型网约车需求模式，基于每种典型网约车需求模式的数据样本，分别验证短时需求预测模型的有效性，并从中选择适合的短时需求预测算法；步骤S4：需求模式匹配与短时需求预测，基于实时获取的特征数据，匹配步骤S2中得到的网约车需求模式，根据适配的网约车需求模式，调用对应的短时预测算法，预测网约车的短时需求量。2.根据权利要求1所述的一种网约车需求模式识别与短时需求预测方法，其特征在于，步骤S1中所述多源数据包括：网约车需求数据、城市客运枢纽到站客流数据、温度数据、降水数据、地铁运营状态数据、特殊事件数据、极端天气数据、百度指数数据。3.根据权利要求1所述的一种网约车需求模式识别与短时需求预测方法，其特征在于，步骤S1中的预处理具体为：预处理中缺失值处理的实现为，以一天作为一个样本周期，针对连续缺失数据为至多两个的缺失数据，取值为和前一个最近的值；针对连续缺失数据为至少两个的缺失数据，采用线性插值方法对数据缺失值进行填补，线性插值方法填补缺失值的公式如下：其中，表示在时间段时记录的数据数值，表示在时间段时记录的数据数值；预处理中异常值处理的实现为，采用三倍标准差分解法，首先筛选与样本均值之差大于三倍标准差的异常样本数据，并将其值调整为样本均值与三倍标准差之和；然后筛选与样本均值之差小于负三倍标准差的异常值，调整为样本均值与三倍标准差之差，其中第种数据在样本周期第个时刻下的样本数据的异常值处理公式为：其中，表示第种数据在样本周期第时刻下的数据；表示异常值处理后的数据；表示一个样本周期中样本数据的均值；表示一个样本周期中样本数据的标准差；表示一个样本周期的全部样本数量；表示数据种类的数量；表示数据集天数；预处理中数据平滑处理的实现为，基于移动平均的网约车需求数据平滑，设有一个时2CN115953186A权利要求书2/4页间序列，基于滑动窗口的思想，按数据点顺序逐点推移求出个数的平均数，得到一次移动平均数：其中，表示时刻下的网约车需求数据；表示平滑处理后的网约车需求数据；表示滑动窗口的大小；表示一个样本周期的全部样本数量。4.根据权利要求1所述的一种网约车需求模式识别与短时需求预测方法，其特征在于，步骤S1中对相关特征进行全面提取操作具体如下：多源数据融合，统一将多源数据以特定的时间粒度汇聚，并将多源数据整合为结构化数据集；特征提取，分别提取融合后数据集的日期特征、天气特征、城市客运枢纽到站客流特征、地铁运营特征、特殊事件特征、极端天气特征和百度指数