申请/专利权人：东南大学

申请日：2021-11-30

公开（公告）日：2024-06-14

公开（公告）号：CN114239929B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q30/0201;G06Q50/40;G06F16/2458;G06F18/2431

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.04.12#实质审查的生效;2022.03.25#公开

摘要：本发明公开了一种基于随机森林的出租车交通需求特征预测方法，包括以下步骤：首先对研究区域内历史出租车订单数据、兴趣点数据和城市街道行政区划分数据进行采集；然后提取全部出租车行程的起讫点位置，并对研究区域进行网格划分；将基础数据与网格进行空间匹配，提取网格时空特征并构建样本集合；构建随机森林回归模型，对出租车需求特征进行预测。本发明所述方法具有较高的推广价值，能够比较准确地描述和预测出租车需求特征随区域时空特征的变化情况，为城市交通管理与控制提供参考。

主权项：1.一种基于随机森林的出租车交通需求特征预测方法，其特征在于，具体包括如下步骤：步骤1，获取研究城市内出租车订单数据、城市兴趣点数据和城市街道划分数据；步骤2，根据步骤1所述出租车订单数据，获取出租车每一次载客行程的起讫点位置数据；步骤3，对所述研究城市进行等距网格划分；步骤4，将步骤1所述城市兴趣点数据和城市街道划分数据、步骤2所述出租车每一次载客行程的起讫点数据分别与步骤3划分得到的网格进行空间匹配，提取每个网格的时空特征，并根据每个网格的时空特征计算需求特征；所述时空特征包括城市兴趣点特征、城市街道划分特征和出租车需求特征，所述需求特征包括总体交通需求和交通需求差异；步骤5，将步骤4所述每个网格的时空特征以及需求特征按照一定比例划分为训练集、验证集和测试集；步骤6，构建随机森林回归模型，以时空特征为输入，以需求特征为输出，利用步骤5所述训练集对随机森林回归模型进行训练，得到训练好的随机森林回归模型；利用步骤5所述验证集对随机森林回归模型进行预测，得到验证集对应的预测值，并根据验证集对应的预测值与实际值计算反应模型拟合效果的决定系数，对训练好的随机森林回归模型进行验证；步骤7，利用步骤5所述测试集对步骤6所述训练好的随机森林回归模型进行预测，得到预测结果；步骤1所述出租车订单数据包括车辆编号、车辆位置和载客状态；所述城市兴趣点数据包括城市兴趣点类型和城市兴趣点位置，所述兴趣点类型包括6类，具体为餐饮服务、商务住宅、购物服务、公司企业、体育休闲服务和交通设施服务；所述城市街道划分数据包括行政街道边界信息；步骤1所述获取研究城市内出租车订单数据，具体方法为：以一定时间间隔，周期性的获取车辆编号，以及同一车辆编号在连续时间间隔下的车辆位置以及载客状态；出租车载客时对应的载客状态为1，空载时对应的载客状态为0；所述步骤2的方法具体如下：步骤2.1，利用步骤1所述出租车订单数据，将同一车辆编号的载客状态在连续时间间隔下均为1的订单数据作为一次载客行程，提取全部载客行程；步骤2.2，对步骤2.1提取的全部载客行程均计算行程时间，并根据行程时间从小到大对载客行程进行排序，利用箱型图四分位距法得到排序的载客行程的下四分位数Q1和上四分位数Q3，以及四分位距IQR＝Q3-Q1；将行程时间大于Q3+1.5IQR以及小于Q1-1.5IQR的载客行程进行剔除，得到符合要求的载客行程；步骤2.3，对每一段所述符合要求的载客行程提取起讫点位置数据；所述步骤4的方法具体如下：步骤4.1，根据步骤3划分得到的网格，提取每一个网格中各城市兴趣点类型的数量；步骤4.2，判断每一个网格与行政街道边界的关系，包括包含关系、相交关系和相离关系；当某一网格只包含单一街道边界时，该街道边界对应的街道即为该网格的所属街道；当某一网格横跨多个街道边界时，选择其中占网格面积最大的街道作为该网格的所属街道；步骤4.3，根据步骤2提取的每一次载客行程的起讫点位置数据，以小时为单位，统计每小时每一个网格中载客行程的起点位置的数量，即得到每一个网格在不同时间段内的交通发生量；统计每小时每一个网格中载客行程的讫点位置的数量，即得到每一个网格在不同时间段内的交通吸引量；步骤4.4，根据每一个网格在不同时间段内的交通发生量和交通吸引量计算每一个网格在不同时间段内的需求特征；所述总体交通需求的计算公式为：总体交通需求＝交通发生量+交通吸引量；交通需求差异的计算公式为：交通需求差异＝交通吸引量-交通发生量。

全文数据：

权利要求：

百度查询： 东南大学 一种基于随机森林的出租车交通需求特征预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD