【技術實現步驟摘要】
本專利技術涉及城際客運拼車規劃，具體涉及城際拼車od對區域可用運力預測方法、裝置、設備及介質。
技術介紹
1、在城際出行中，乘客選擇拼車的需求不斷增長，這一趨勢主要受到交通成本、出行效率以及環保意識等因素的推動。拼車不僅能夠有效分攤出行費用，降低乘客的出行成本，還能夠通過優化路線，減少空駛和車輛使用，提升整體出行效率。尤其是在城市之間長距離出行的場景下，拼車能夠緩解交通擁堵問題，減少碳排放，符合可持續發展的趨勢。因此，越來越多的平臺開始將拼車服務納入城際出行的方案中，以滿足乘客的多樣化需求，同時提高平臺運力的利用率。然而，由于乘客的出發地與目的地在時空上具有不確定性，這也對可用運力的預測提出了更高的要求，使得提前預測區域的運力分布以及動態匹配乘客訂單和運力變得更加重要。
2、對區域可用運力預測，可以提前了解運力所在的位置以及未來時間段內區域內可用運力的數量。這一預測對于平臺來說至關重要，因為它能夠幫助平臺提前匹配訂單和可用運力，從而優化運力的調度和重定位。然而，在可用運力的預測中，歷史運力分布數據通常受到訂單分布的影響。由于訂單的產生具有一定的隨機性和不確定性，這增加了預測的難度。此外，時空關系的復雜性進一步加劇了這一挑戰。隨著時間的推移，各城市區域之間的時空關系會動態變化，且存在顯著的時空異質性。因此，僅依賴靜態的區域關系表征已無法滿足這種動態復雜的需求，預測模型必須具備捕捉時空動態變化的能力，以提高可用運力預測的準確性。
3、在拼車可用運力預測方面，為了提升區域可用運力預測的精度以及處理不確定性能力，
4、接下來，解碼器部分則負責根據編碼器學到的隱藏狀態進行未來的預測。解碼器通過逐步生成未來時刻的區域可用運力分布，結合動態鄰接矩陣的表征，預測不同區域之間的運力流動和時空演化趨勢。該過程可以在多個時間步長上進行，從而實現對未來多個時刻的可用運力的多步預測。解碼器不僅僅是簡單地延續過去的運力分布趨勢，而是基于歷史序列所學的深層信息，做出更具針對性和靈活性的預測，從而更準確地反映未來區域運力的動態變化。
5、通過這一編碼器-解碼器架構，模型能夠更好地處理城際od對區域可用運力預測中的不確定性問題，提升預測精度，為平臺在復雜的城際拼車場景下，進行提前調度和運力優化提供了有力的支持。
6、有鑒于此，提出本申請。
技術實現思路
1、本專利技術提供了一種城際拼車od對區域可用運力預測方法、裝置、設備及介質，能至少部分的改善上述問題。
2、為實現上述目的，本專利技術采用以下技術方案：
3、一種城際拼車od對區域可用運力預測方法，其包括：
4、獲取起訖城市的路網信息、城市的興趣點數據、歷史訂單數據和歷史運力數據，根據所述城市的興趣點數據獲取歷史時間片段內所有區域的歷史需求特征和歷史流入特征，根據所述歷史運力數據獲取歷史時間片段內所有區域的可用座位數特征和車輛特征，根據所述歷史訂單數據以及時間信息構建時間信息特征，并構建總數據集，按照預設比例將總數據集劃分為訓練數據集和測試數據集，將所述訓練數據集按照預設步長劃分為訓練樣本，將訓練樣本輸入dadgcrn模型進行訓練；
5、對所述起訖城市的路網信息數據剔除、拓撲處理，以實現城市的區域劃分，對所述城市的興趣點數據進行重分類和區域poi標識處理，通過tf-idf算法對每個poi進行定權，采用余弦相似度公式計算區域之間的poi相似度構成預定義鄰接矩陣，并由一對od區域為節點，poi相似度為邊權重構成起訖城市的鄰接關系圖；
6、將所述訓練數據集輸入預設的時間關系嵌入模塊中，通過使用自注意力機制學習所述歷史訂單數據與歷史運力數據之間的時間關系，生成時間關系矩陣；
7、將所述預定義鄰接矩陣和所述時間關系矩陣輸入預設的鄰接矩陣更新模塊，結合靜態的拓撲信息和動態的時序關系進行拼接處理，將拼接后的矩陣輸入稀疏線性層，在保持計算效率的同時，捕捉矩陣中的重要關系，采用門控循環單元對處理后的矩陣進行動態更新，生成動態鄰接矩陣；
8、將所述動態鄰接矩陣和所述訓練數據集輸入預設的動態圖卷積循環單元中，將門控循環單元中的矩陣懲罰替換為動態圖卷積模塊，使用動態圖卷積循環單元捕捉訓練數據集中時空相關性，最后一個動態圖卷積循環單元的隱藏狀態作為最后的輸出，得到預測值，并計算預測值與真實值之間的誤差，保存最小誤差的模型參數為最優模型參數，完成模型訓練，得到城際拼車od對可用運力預測模型；
9、使用所述城際拼車od對可用運力預測模型對所述測試數據集進行預測，得到預測輸出。
10、本專利技術還提供了一種城際拼車od對區域可用運力預測裝置，其包括：
11、輸入獲取單元，用于獲取起訖城市的路網信息、城市的興趣點數據、歷史訂單數據和歷史運力數據，根據所述城市的興趣點數據獲取歷史時間片段內所有區域的歷史需求特征和歷史流入特征，根據所述歷史運力數據獲取歷史時間片段內所有區域的可用座位數特征和車輛特征，根據所述歷史訂單數據以及時間信息構建時間信息特征，并構建總數據集，按照預設比例將總數據集劃分為訓練數據集和測試數據集，將所述訓練數據集按照預設步長劃分為訓練樣本，將訓練樣本輸入dadgcrn模型進行訓練；
12、鄰接關系圖構建單元，用于對所述起訖城市的路網信息數據剔除、拓撲處理，以實現城市的區域劃分，對所述城市的興趣點數據進行重分類和區域poi標識處理，通過tf-idf算法對每個poi進行定權，采用余弦相似度公式計算區域之間的poi相似度構成預定義鄰接矩陣，并由一對od區域為節點，poi相似度為邊權重構成起訖城市的鄰接關系圖；
13、時間關系矩陣生成單元，用于將所述訓練數據集輸入預設的時間關系嵌入模塊中，通過使用自注意力機制學習所述歷史訂單數據與歷史運力數據之間的時間關系，生成時間關系矩陣；
14、動態更新單元，用于將所述預定義鄰接矩陣和所述時間關系矩陣輸入預設的鄰接矩陣更新模塊，結合靜態的拓撲信息和動態的時序關系進行拼接處理，將拼接后的矩陣輸入稀疏線性層，在保持計算效率的同時，捕捉矩陣中的重要關系，采用門控循環單元對處理后的矩陣進行動態更新，生成動態鄰接矩陣；
15、模型訓練單元，用于將所述動態鄰接矩陣和所述訓練數據集輸入預設的動態圖卷積循環單元中，將門控循環單元中的矩陣懲罰替換為動態圖卷積模塊，使用動態圖卷積循環單元捕捉訓練數據集中時空相關性，最后一個動態圖卷積循環單元的隱藏狀態作為最后的輸出，得到預測值，并計算預測值與真實值之間的誤差，本文檔來自技高網...
【技術保護點】
1.一種城際拼車OD對區域可用運力預測方法，其特征在于，包括：
2.根據權利要求1所述的城際拼車OD對區域可用運力預測方法，其特征在于，獲取起訖城市的路網信息、城市的興趣點數據、歷史訂單數據和歷史運力數據，根據所述起訖城市的路網信息和城市的興趣點數據獲取歷史時間片段內所有區域的歷史需求特征和歷史流入特征，根據所述歷史運力數據獲取歷史時間片段內所有區域的可用座位數特征和車輛特征，根據所述歷史訂單數據以及時間信息構建時間信息特征，并構建總數據集，按照預設比例將總數據集劃分為訓練數據集和測試數據集，將所述訓練數據集按照預設步長劃分為訓練樣本，將訓練樣本輸入DADGCRN模型進行訓練，具體為：
3.根據權利要求2所述的城際拼車OD對區域可用運力預測方法，其特征在于，對所述起訖城市的路網信息數據剔除、拓撲處理，以實現城市的區域劃分，對所述城市的興趣點數據進行重分類和區域POI標識處理，通過TF-IDF算法對每個POI進行定權，采用余弦相似度公式計算區域之間的POI相似度構成預定義鄰接矩陣，并由一對OD區域為節點，POI相似度為邊權重構成起訖城市的鄰接關系圖，具體為：
4.根據權利要求3所述的城際拼車OD對區域可用運力預測方法，其特征在于，將所述訓練數據集輸入預設的時間關系嵌入模塊中，通過使用自注意力機制學習所述歷史訂單數據與歷史運力數據之間的時間關系，生成時間關系矩陣，具體為：
5.根據權利要求4所述的城際拼車OD對區域可用運力預測方法，其特征在于，將所述預定義鄰接矩陣和所述時間關系矩陣輸入預設的鄰接矩陣更新模塊，結合靜態的拓撲信息和動態的時序關系進行拼接處理，將拼接后的矩陣輸入稀疏線性層，在保持計算效率的同時，捕捉矩陣中的重要關系，采用門控循環單元對處理后的矩陣進行動態更新，生成動態鄰接矩陣，具體為：
6.根據權利要求5所述的城際拼車OD對區域可用運力預測方法，其特征在于，將所述動態鄰接矩陣和所述訓練數據集輸入預設的動態圖卷積循環單元中，將門控循環單元中的矩陣懲罰替換為動態圖卷積模塊，使用動態圖卷積循環單元捕捉訓練數據集中時空相關性，最后一個動態圖卷積循環單元的隱藏狀態作為最后的輸出，得到預測值，并計算預測值與真實值之間的誤差，保存最小誤差的模型參數為最優模型參數，完成模型訓練，得到城際拼車OD對可用運力預測模型，具體為：
7.根據權利要求6所述的城際拼車OD對區域可用運力預測方法，其特征在于，使用所述城際拼車OD對可用運力預測模型對所述測試數據集進行預測，得到預測輸出，具體為：
8.一種城際拼車OD對區域可用運力預測裝置，其特征在于，包括：
9.一種城際拼車OD對區域可用運力預測設備，其特征在于，包括存儲器以及處理器，所述存儲器內存儲有計算機程序，所述計算機程序能夠被所述處理器執行，以實現如權利要求1至7任意一項所述的城際拼車OD對區域可用運力預測方法。
10.一種計算機可讀存儲介質，其特征在于，存儲有計算機程序，所述計算機程序能夠被所述計算機可讀存儲介質所在設備的處理器執行，以實現如權利要求1至7任意一項所述的城際拼車OD對區域可用運力預測方法。
...【技術特征摘要】
1.一種城際拼車od對區域可用運力預測方法，其特征在于，包括：
2.根據權利要求1所述的城際拼車od對區域可用運力預測方法，其特征在于，獲取起訖城市的路網信息、城市的興趣點數據、歷史訂單數據和歷史運力數據，根據所述起訖城市的路網信息和城市的興趣點數據獲取歷史時間片段內所有區域的歷史需求特征和歷史流入特征，根據所述歷史運力數據獲取歷史時間片段內所有區域的可用座位數特征和車輛特征，根據所述歷史訂單數據以及時間信息構建時間信息特征，并構建總數據集，按照預設比例將總數據集劃分為訓練數據集和測試數據集，將所述訓練數據集按照預設步長劃分為訓練樣本，將訓練樣本輸入dadgcrn模型進行訓練，具體為：
3.根據權利要求2所述的城際拼車od對區域可用運力預測方法，其特征在于，對所述起訖城市的路網信息數據剔除、拓撲處理，以實現城市的區域劃分，對所述城市的興趣點數據進行重分類和區域poi標識處理，通過tf-idf算法對每個poi進行定權，采用余弦相似度公式計算區域之間的poi相似度構成預定義鄰接矩陣，并由一對od區域為節點，poi相似度為邊權重構成起訖城市的鄰接關系圖，具體為：
4.根據權利要求3所述的城際拼車od對區域可用運力預測方法，其特征在于，將所述訓練數據集輸入預設的時間關系嵌入模塊中，通過使用自注意力機制學習所述歷史訂單數據與歷史運力數據之間的時間關系，生成時間關系矩陣，具體為：
5.根據權利要求4所述的城際拼車od對區域可用運力預測方法，其特征在于，將所述預定義鄰接矩陣和所述時間關系矩陣輸...
【專利技術屬性】
技術研發人員：王成，韓洋，蔣金，劉志軍，方藝鵬，
申請(專利權)人：華僑大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。