考虑时空序列的网约车动态需求量深度学习预测研究

作     者：曾凯 

作者单位：长沙理工大学 

学位级别：硕士

导师姓名：傅明;曹敦

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 082302[工学-交通信息工程及控制] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 

主      题：网约车需求量预测 BERT 时空网络 多任务学习 渐进式分层提取器 

摘      要：网约车需求量预测能为智慧城市建设中合理且高效地调度网约车资源提供决策支撑,其对于在时空维度上平衡城市网约车资源的供需关系、缓解交通拥塞、提高网约车资源利用率具有重要的现实意义。目前大部分相关研究仅尝试从网约车的历史需求量序列中捕捉复杂的网约车需求量时空模式,忽略了区域功能性的内在影响,且没能对网约车需求量动态的时间周期性进行有效建模。本文在充分调研与分析了此前网约车需求量预测相关研究的不足后,针对性地提出了一种高精度、高效率的解决方案,即基于BERT的深度时空网络模型(BERT-based Deep Spatial-Temporal Network,BDSTN)模型,能实现对城市中网约车需求量的高精度、细粒度预测。此后,本文将BDSTN模型扩展为一种城市中的多任务时序预测模型范式MT-BDSTN。本文的主要研究工作如下:(1)将网约车历史需求量序列划分为长期、中期、近期三个阶段,显式地建模网约车需求量的动态时间周期性,并利用兴趣点(Points of Interest,POIs)建模各区域间的功能相似性。(2)提出了一个基于BERT的深度时空网络模型BDSTN,并以真实数据集上的实验结果验证了本文所提出的模型在RMSE和MAPE两个指标上均优于其他算法,并在支持并行计算的处理器上验证其平均预测速度比其他基于深度学习的算法高出至少58.97%。(3)在BDSTN的基础上,基于渐进式分层提取器(Progressive Layered Extraction,PLE)提出了一种可供城市中进行细粒度时序预测任务使用的多任务学习范式,并以网约车上车需求量和下车需求量这两个预测任务为例在真实数据集上进行实验,验证了该范式能在不显著影响各目标预测效果的前提下节约计算与存储成本,具有很强的灵活性和可扩展性。