(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211114080.4 (22)申请日 2022.09.14 (71)申请人 吉林化工学院 地址 132022 吉林省吉林市承 德街45号 (72)发明人 邢雪　翟娅奇　李晓玉　王彬　 王菲　穆天傲　 (74)专利代理 机构 合肥方舟知识产权代理事务 所(普通合伙) 34158 专利代理师 刘跃 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/30(2012.01) G06K 9/62(2022.01) G06T 17/20(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于SSA-Conv-LSTM的网约车需求预测方法 (57)摘要 本发明提供了基于SSA ‑Conv‑LSTM的网约车 需求预测方法， 包括建立基于SSA ‑Conv‑LSTM的 网约车预测模 型， 并通过网约车预测模型进行预 测分析， 根据以往的交通流图 来预 测未来的交通流图 M代表三阶张量， t表示 第t个时间间隔， d表示第d天， h ×w表示不同的区 域， 三阶张量的第一个通道表示为流入通道， 第 二个通道表 示为流出通道， 本发 明在实际数据的 基础上， 分析了网约车需求的时空分布特性； 使 用基于泰森多边形的区域划分方式对以往的区 域划分进行优化， 并针对卷积 ‑长短期记忆神经 网络在预测网约车需求量上的不足， 使用SSA改 进Conv‑LSTM网络参数的网约车需求预测模型， 并对模型进行 实例验证， 结果表明， Conv ‑LSTM神 经网络在数据集上的误差小， 避免算法全局收敛 性差和收敛速度慢等问题。 权利要求书1页 说明书5页 附图1页 CN 115545746 A 2022.12.30 CN 115545746 A 1.基于SSA‑Conv‑LSTM的网约车需求预测方法， 其特 征在于， 包括以下步骤： 建立基于SSA ‑Conv‑LSTM的网约车预测模型， 并通过网约车预测模型进行预测分析， 根 据以往的交通流图 来预测未来的交通流图 M代表三阶张量， t表示第t个 时间间隔， d表示第d天， h ×w表示不同的区域， 三阶张量的第一个通道表示为流入通道， 第 二个通道 表示为流出通道， 其中， SSA‑Conv‑LSTM的网约车预测模型包括临近时间特征提取模块、 周期特征提取模 块和动态融合模块； 动态融合模块： 相应的时间间隔的张量数据 在输入至两个特征提取模块之前， 首先 通过一个残差模块来学习其特征,学习到的特征流图表示为 通过向两个不同的特征提 取模块输入不同时间步长的张量数据来学习时空相关性， 最后， 将临近时间特征提取模块 和周期特征提取模块的输出进行合并， 将合并后的交通流图输送到一个卷积层， 最终得到 预测的交通 流图； 临近时间特性提取模块： 由于交通流一般会受到临近时间的交通状态的影响， 因此设 计 临 近 时 间 提 取 模 块 来 学 习 其 相 关 性 ，取 一 组 连 续 的 交 通 流 特 征 作为输入,其中， n表示为输入数据的步长， 将Sin中的一个元素 作为输入通过模块得到的输出送到一个卷积层， 得到临近时间 间隔最终的输出Sf； 周期特征提取模块： 城市交通具有一定的周期性， 例如连续工作 日的交通状况基本相 似 ，因 此 提 出 周 期 特 征 提 取 模 块 来 交 通 流 中 的 周 期 相 关 性 ，输 入 为 m表示需选取过往的天数， 与临近 时间特征提取模块的结构 相似， 最终得到 输出Pf。 2.根据权利要求1所述的基于SSA ‑Conv‑LSTM的网约车需求预测方法， 其特征在于， 所 述SSA‑Conv‑LSTM网约车 预测模型的训练具体步骤如下： 步骤1： 设置麻雀优化算法参数： 麻雀种群规模为20、 最大迭代次数为50、 学习率控制参 数为β； 步骤2： 初始化麻雀位置 将均方误差作为适应度 函数， 然后利用公式计算出每只麻 雀个体的适应度 选取适应度值 最小的个 体作为全局最优解fg； 式中： f(x)是目标函数； n是样本数； yi是真实观测值； 为预测值； 步骤3： 根据上述三公式更新麻雀种群中发现者、 加入者和侦查者的位置， 并根据第三 个公式判断麻雀是否进行了反捕食行为； 步骤4： 更新个体最优解 和全局最优解fg检查是否满足寻优停止条件的预测迭代 次数， 如果满足则停止寻优， 输出全局最优值， 否则转至步骤2继续 寻优； 步骤5： 将SSA寻找到的最优网络参数赋值给Conv ‑LSTM网络， 并将测试集数据输入到网 络中， 得到预测值与实际值进行误差计算， 得到模型 预测准确度。权　利　要　求　书 1/1 页 2 CN 115545746 A 2基于SSA‑Conv‑LSTM的网约车 需求预测方 法 技术领域 [0001]本发明属于网约车技 术领域， 涉及基于S SA‑Conv‑LSTM的网约车需求预测方法。 背景技术 [0002]当前， 许多国家致力于交通运输向数字化、 网络化、 智能化发展， 能否准确的预测 交通流量成为了构建智能交通系统的关键所在。 网约车 的出现极大 的缓解了居民出行 “打 不到车”的困难， 并迅速成为城市居民出行的主要方式之一。 准确的网约车需求预测， 有利 于相关部门制 定合理有效的网约车区域调度计划， 从而减少居民出行 的等待时间， 在一定 程度上减少资源的浪费。 目前在深度学习方面， 已经有很多关于网约车需求预测的研究。 利 用灰狼优化算法对LSTM的网约车短时需求预测模型的参数进 行优化， 极大的提高了模型的 准确性。 选取网约车历史需求量、 天气 类型和道路拥堵比例作为影响因子， 利用粒子群算法 优化径向基神经网络的权值、 中心和基宽来构建QPSO ‑RBF神经网络预测模型。 结合 TensorFlow深度学习 框架， 提出改进LSTM ‑RNN模型， 预测网约 车在未来某特定时间地点的 订单需求量。 将卷积神经网络和循环神经网络进 行融合， 捕捉交通流的时空特征， 来解决网 约车供需预测问题。 [0003]各种模型都有其优缺点， 以往的网约车需求研究的区域划分方式多为传统的栅格 划分， 并没有考虑到中心区域和周边区域的网约车需求量密度不均的问题； 传统的Conv ‑ LSTM模型在网络参数寻优中采用反向传播算法， 复杂度高且易收敛与局部最优解。 针对上 述问题， 研究首先对区域划分方式进 行改进， 使用基于泰森多边形的区域划分方式， 并引入 改进参数算法优化Conv ‑LSTM网约车预测模型， 避免算法全局收敛性差和收敛速度慢等 问 题， 以提高预测精度。 发明内容 [0004]本发明的目的在于提供基于SSA ‑Conv‑LSTM的网约车需求预测方法， 以解决上述 背景技术中提出的问题。 [0005]本发明的目的可通过下列技术方案来实现： 基于SSA ‑Conv‑LSTM的网约车需求预 测方法， 包括以下步骤： [0006]建立基于SSA ‑Conv‑LSTM的网约车预测模型， 并通过网约车预测模型进行预测分 析， 根据以往的交通流图 来预测未来的交通流图 M代表三阶张量， t表示 第t个时间间隔， d表示第d天， h ×w表示不同的区域， 三阶张量的第一个通道表示为流入通 道， 第二个通道 表示为流出通道， [0007]其中， SSA ‑Conv‑LSTM的网约车预测模型包括 临近时间特征提取模块、 周期特征提 取模块和动态融合模块； [0008]动态融合模块： 相应的时间间隔的张量数据 在输入至两个特征提取模块之前， 首先通过一个残差模块来学习其特征,学习 到的特征流图表示为 通过向两个不同的特说　明　书 1/5 页 3 CN 115545746 A 3