CN114372830A - 一种基于时空多图神经网络的网约车需求预测方法 - Google Patents
一种基于时空多图神经网络的网约车需求预测方法 Download PDFInfo
- Publication number
- CN114372830A CN114372830A CN202210038032.5A CN202210038032A CN114372830A CN 114372830 A CN114372830 A CN 114372830A CN 202210038032 A CN202210038032 A CN 202210038032A CN 114372830 A CN114372830 A CN 114372830A
- Authority
- CN
- China
- Prior art keywords
- graph
- network
- road section
- correlation
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 8
- 238000007726 management method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空多图神经网络的网约车需求预测方法,包括:获取网约车需求数据,根据城市路段空间关系、路段的功能、公共交通相关性,构建邻接关系图、路段功能相关性图、路段公共交通相关性图,将构建的图数据输入到端到端的时空图卷积神经网络中,首先利用图卷积网络捕获多图相关性,然后进行多图融合,其次将每一时刻融合的图输入到门控循环神经网络中捕获图数据之间的时间相关性,构建时空图卷积神经网络,将订单时间和匹配到的路段输入至时空图卷积神经网络,得到路段上网约车需求量预测值。该方法从网约车需求时空分布角度出发,构建多图并利用端到端的时空图卷积神经网络对所有路段在未来多个时间切片的网约车需求进行预测。
Description
技术领域
本发明涉交通预测技术领域,更具体的涉及一种基于时空多图神经网络的 网约车需求预测方法。
背景技术
在这个交通多元化发展的时代,由于网约车灵活、便捷的特点,乘坐网约 车出行成为重要的出行方式之一。然而许多城市存在着“叫车难”的问题,主 要原因是司机提供的网约车服务和乘客产生的打车需求之间存在着供需矛盾, 这不但提高了网约车的运营成本,降低了网约车利用率和司机收益,也增加了 乘客的等待时间。准确预测网约车需求能够帮助网约车平台更加合理地分发订 单和调度车辆,同时对交通管理、设计、出行诱导等也具有十分积极的作用。
现有技术在对网约车需求进行预测时,将城市划分成固定大小的网格或者 具有某一定规则的网格区域,存在网格与实际路网情况不符、同一路段可能被 划分到多个网格中、同一网格中的不同路段实际可达路径较远等问题;另外在 对非欧空间进行时空图网络建模预测网约车需求时,也没有充分考虑路段之间 存在的多重空间相关性。
发明内容
为了避免现有技术的不足之处,本发明提出一种基于时空多图神经网络的 网约车需求预测方法,基于城市实际路网数据,利用图卷积网络对道路之间存在 的邻接关系、道路功能相关性和公共交通相关性进行非欧空间的多重相关性捕 获,再利用门控循环神经网络对图网路的时间相关性进行捕获,解决路段非欧 空间多重相关性建模问题。
本发明实施例提供一种基于时空多图神经网络的网约车需求预测方法,包 括:
对城市路网数据进行提取并进行地图匹配;
根据路段空间是否邻接,构建路段邻接关系图;
根据路段功能,构建路段功能相关性图;
根据路段地铁、公交站点相关性,得到公共交通相关性图;
利用图卷积神经网络对路段邻接关系图、路段功能相关性图、公共交通相 关性图分别进行图卷积操作,捕获包括道路之间邻接关系、功能相关性和公共 交通相关性的多重相关性;
将融合后的路段邻接关系图、路段功能相关性图、公共交通相关性图输入 到循环神经网络中,捕获不同时刻的时间相关性;
基于图卷积神经网络的多重空间相关性和循环神经网络的时间相关性,构 建时空图卷积神经网络;
将订单时间和匹配到的路段输入至时空图卷积神经网络,得到路段上在未 来一段时间内的网约车需求量预测值。
进一步,对城市路网数据进行提取并进行地图匹配包括:
对数据进行清洗,删除缺失位置和时间的订单数据;
通过开源地图服务OpenStreetMap提取城市路网数据,获取路段信息;
根据订单数据中的经纬度信息,利用地图匹配算法将订单匹配到最近路段 上;
设计时间切片长度,根据订单时间和匹配到的路段统计所有时间切片所有 路段的网约车需求数量,作为网络的输入。
进一步,构建路段邻接关系图,包括:
根据提取的路网中的路段邻接关系构建邻接关系图,用路段表示顶点,路 段之间的关系表示边,两个顶点之间的边权重表示两个路段是否相邻。
进一步,构建路段功能相关图,包括:
路段功能相关性通过计算路段上POI分布的相似度得到,用顶点、边和边 权重矩阵表示图结构,边权重表示两个路段的功能相关性。
进一步,构建路段公共交通相关图,包括:
公共交通相关性通过计算路段上的地铁和公交站点分布相似度得到,用顶 点、边和边权重矩阵表示图结构,边权重表示两个路段的公共交通相关性。
进一步,还包括:对时空图卷积网络进行训练,其具体为:
将统计的网约车需求矩阵输入到网络中,设定时间切片步长,根据步长大 小划分需求矩阵;
对建立的路段邻接图、路段功能相关图、路段公共交通相关图进行图卷积 捕获路段之间多重相关性,在每一时刻分别对这三个图进行图卷积操作,随后 进行多图融合;
利用门控循环神经网络捕获融合后图之间的时间相关性,在每一时刻,将 融合后的图输入到循环神经网络,捕获不同时刻存在的相关性;
输出所有路段在未来若干时间切片内的网约车需求数量,根据预测结果和 真实值之间的损失反向调整参数,通过迭代训练,完成网络训练,保存训练 网络参数。
进一步,还包括:
将测试数据输入到训练好的网络中,根据训练好的网络及其参数,计算路 段上在未来特定时间内的网约车需求数量,并输出预测值;
根据评价指标计算真实值和预测值直接的误差,评价网络性能。
本发明实施例提供一种基于时空多图神经网络的网约车需求预测方法,与 现有技术相比,其有益效果如下:
1、本发明提出了路段的网约车需求预测方法,解决了目前方法中使用区 域划分方法的需求预测中存在的路段与实际路网情况不符、同一路段可能被划 分到多个网格中、同一网格中的不同路段实际可达路径较远甚至于不可达等问 题,有利于更好的为网约车派单和路径规划,网约车与乘客之间的供需矛盾得 到了有效缓解。对于交通管理部门更好地进行交通管理、规划也有着积极的作 用。
2、本发明提出了一种基于时空多图卷积神经网络的网约车需求预测方法, 充分考虑了影响网约车需求的多种因素,捕获影响网约车需求的多重时间和空 间相关性,网络预测的准确性得以有效提升。
附图说明
图1为本发明实施例提供的一种基于时空多图神经网络的网约车需求预测 方法步骤图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是 全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明实施例提供一种基于时空多图神经网络的网约车需求预 测方法,该方法包括:
步骤1、数据预处理,删除缺失位置和时间信息的数据。
步骤2、城市路网提取和地图匹配,包括以下步骤:
步骤21、基于OpenStreetMap地图服务提供的接口,根据城市名称获取城 市ID,城市ID,利用Python程序按照接口提取城市路网数据,获取路段信息 并保存。
步骤22、根据每一条订单数据中的经纬度信息,利用地图匹配算法将订单 匹配到城市路网中的最近路段上。
步骤23、将时间划分成相同时间长度的切片,根据订单时间和步骤22中 订单匹配到路段的数量统计所有路段在所有时间切片的网约车需求数量,得到 网约车需求矩阵。
步骤3、将统计的网约车需求矩阵作为输入,矩阵大小为N×W,N表示 所有路段数,W表示历史网约车需求时间切片总数。mij∈M,0<i≤W,0< j≤N表示在第i个时刻,第j个路段的网约车需求数量。设定步长d,用来划 分N,将输入的需求矩阵划分为个子矩阵,将d个步长的时间切片看作一个 时刻,共有个时刻。
步骤4、构建路段空间相关性多图,包括路段邻接关系图、路段功能相关 图和路段公共交通相关图。包括以下步骤:
步骤41、根据路段在路网地理空间上是否相邻构建邻接关系图Gr,表示为 Gr=(V,E,Wr),V表示图中的顶点集合,一个顶点表示一个路段,E表示边的 集合,Wr(i,j)表示路段i与路段j是否相邻,1表示相邻,0表示不相邻。
步骤42、路段功能相关性图Gf:路段功能相关性图用Gf=(V,E,Wf)表示, 其中Wf(i,j)为两个路段的功能相关性,将路段上的POI分布表示成向量,通过 计算两个路段的POI向量相似度得到路段功能相关性。
步骤43、路段公共交通相关性图Gp:路段公共交通相关性图用Gp= (V,E,Wp)表示。Wp(i,j)表示两个路段的公共交通相关性,将路段上的地铁合 公交站点分布表示成向量,通过计算两个路段的站点向量相似度得到路段公共 交通相关性。
步骤5、利用图卷积神经网络捕获路段之间存在的多重相关性,进一步对 图卷积后的图进行融合。包括以下步骤:
步骤51、利用两层图卷积神经网络捕获路段邻接相关性、路段功能相关 性和路段公共交通相关性,图卷积过程表示为其中 A是邻接矩阵,I是单位矩阵,则是的度矩阵,W(l)是可训练的权重 矩阵。σ(·)是激活函数。H(l)与H(l+1)分别是第l层神经网络的输入与输出。
步骤52、对路段邻接相关性图、路段功能相关性图和路段公共交通相关性 图进行图卷积后,对图进行融合。
步骤6、利用门控循环神经网络GRU(Gate Recurrent Unit)捕获融合后图 之间的时间相关性。在每一时刻,将融合后的图输入到门控循环神经网络,捕 获不同时刻存在的相关性。
步骤7、重复步骤5和步骤6,迭代训练K次,完成时空图卷积神经网络 训练,保存参数。
步骤8、根据训练好的网络及保存的参数,输入测试样本数据,通过参数 计算预测值,根据真实值和预测值之间的误差评价时空图卷积神经网络性能。
实施例1:
步骤1、输入网约车订单数据,删除订单中缺失位置和时间信息的数据。
步骤2、城市路网提取和地图匹配,具体执行以下步骤:
步骤21、基于OpenStreetMap地图服务,根据城市名称获取城市ID,根 据城市ID利用Python程序按照接口提取城市路网数据,获取路段信息并保存。
步骤22、根据每一条订单数据中的起点经度lon和纬度lat,利用基于隐 马尔科夫的地图匹配算法将订单起点匹配到城市路网中的最近路段上。
步骤3、将网约车需求矩阵M输入时空图卷积网络中,矩阵大小为W×N, mij∈M,0<i≤W,0<j≤N表示在第i个时刻,第j个路段的网约车需求数 量,设定步长d,用来划分N,将输入的需求矩阵划分为个子矩阵,将d个步 长的时间切片看作一个时刻,共有个时刻。
步骤4、构建路段空间相关性多图,包括路段邻接关系图、路段功能相关 图和路段公共交通相关图。包括以下步骤:
步骤41、构建路段邻接关系图Gr。根据路段在路网地里空间上是否相邻构 建邻接关系图Gr,表示为Gr=(V,E,Wr),V表示图中的顶点集合,一个顶点表 示一个路段,E表示边的集合,Wr(i,j)表示路段i与路段j是否相邻,1表示相 邻,0表示不相邻,Wr表示为
步骤42、构建路段功能相关图Gf,表示为Gf=(V,E,Wf),其中Wf(i,j)为两 个路段的功能相关性。爬取路段上的兴趣点(POI)分布,包括餐饮、工作(如 公司、银行等)、商业(如商场、商店等)、住宅、科教、医疗等兴趣点,形成特 征向量。通过计算两个路段的POI向量pvi和pvj余弦相似度得到路段功能相关 性,表示为:
Wf表示为如下公式,其中Wf(i,j)的值为归一化后的Sim(pvi,pvj)值。
步骤43、构建路段公共交通相关图Gp:路段公共交通相关性图用Gp= (V,E,Wp)表示。Wp(i,j)表示两个路段的公共交通相关性,将路段上的地铁和 公交站点分布表示成向量,通过计算两个路段的站点向量tvi和tvj余弦相似度 Sim(tvi,tvj)得到路段公共交通相关性。Wp表示为如下公式,其中Wp(i,j)的值 为归一化后的Sim(tvi,tvj)值。
步骤5、通过图卷积网络捕获路段邻接相关性、路段功能相关性和路段公 共交通相关性,进一步对图卷积后的图进行融合。包括以下步骤:
步骤7、重复步骤5和步骤6,迭代训练K次,完成时空图卷积神经网络 训练,保存参数。
步骤8、根据训练好的网络及保存的参数,输入测试样本数据,通过参数 计算预测值,评价时空图卷积神经网络性能。
以上公开的仅为本发明的几个具体实施例,本领域的技术人员可以对本发 明实施例进行各种改动和变型而不脱离本发明的精神和范围,但是,本发明实 施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保 护范围内。
Claims (7)
1.一种基于时空多图神经网络的网约车需求预测方法,其特征在于,包括:
对城市路网数据进行提取并进行地图匹配;
根据路段空间是否邻接,构建路段邻接关系图;
根据路段功能,构建路段功能相关性图;
根据路段地铁、公交站点相关性,得到公共交通相关性图;
利用图卷积神经网络对路段邻接关系图、路段功能相关性图、公共交通相关性图分别进行图卷积操作,捕获包括道路之间邻接关系、功能相关性和公共交通相关性的多重相关性;
将融合后的路段邻接关系图、路段功能相关性图、公共交通相关性图输入到循环神经网络中,捕获不同时刻的时间相关性;
基于图卷积神经网络的多重空间相关性和循环神经网络的时间相关性,构建时空图卷积神经网络;
将订单时间和匹配到的路段输入至时空图卷积神经网络,得到路段上在未来一段时间内的网约车需求量预测值。
2.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法,其特征在于,所述对城市路网数据进行提取并进行地图匹配,包括:
对数据进行清洗,删除缺失位置和时间的订单数据;
通过开源地图服务OpenStreetMap提取城市路网数据,获取路段信息;
根据订单数据中的经纬度信息,利用地图匹配算法将订单匹配到最近路段上;
设计时间切片长度,根据订单时间和匹配到的路段统计各个时间切片各个路段的网约车需求数量,作为网络的输入。
3.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法,所述构建路段邻接关系图,包括:
根据提取的路网中的路段邻接关系构建邻接关系图,用路段表示顶点,路段之间的关系表示边,两个顶点之间的边权重表示两个路段是否相邻。
4.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法,所述构建路段功能相关图,包括:
根据路段上POI分布的相似度得到路段功能相关性,用顶点、边和边权重矩阵表示图结构,边权重表示两个路段的功能相关性。
5.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法,所述构建路段公共交通相关图,包括:
通过计算路段上的地铁和公交站点分布相似度得到公共交通相关性,用顶点、边和边权重矩阵表示图结构,其中,边权重表示两个路段的公共交通相关性。
6.如权利要求1所述的一种基于时空多图神经网络的网约车需求预测方法,对时空图卷积网络进行训练,包括:
将统计的网约车需求矩阵输入到网络中,设定时间切片步长,根据步长大小划分需求矩阵;
对建立的路段邻接图、路段功能相关图、路段公共交通相关图进行多图卷积捕获路段之间的多重相关性,在每一时刻分别对这三个图进行图卷积操作,随后进行多图融合;
利用门控循环神经网络捕获融合后图之间的时间相关性,在每一时刻,将融合后的图输入到循环神经网络,捕获不同时刻存在的相关性;
输出所有路段在未来若干时间切片内的网约车需求数量,根据预测结果和真实值之间的损失反向调整参数,通过迭代训练,完成网络训练,保存训练网络参数。
7.如权利要求6所述的一种基于时空多图神经网络的网约车需求预测方法,其特征在于,还包括:
将测试数据输入到训练好的网络中,根据训练好的网络及其参数,计算路段上在未来特定时间内的网约车需求数量,并输出预测值;
根据评价指标计算真实值和预测值直接的误差,评价网络性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038032.5A CN114372830A (zh) | 2022-01-13 | 2022-01-13 | 一种基于时空多图神经网络的网约车需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038032.5A CN114372830A (zh) | 2022-01-13 | 2022-01-13 | 一种基于时空多图神经网络的网约车需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372830A true CN114372830A (zh) | 2022-04-19 |
Family
ID=81144790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210038032.5A Pending CN114372830A (zh) | 2022-01-13 | 2022-01-13 | 一种基于时空多图神经网络的网约车需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372830A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618986A (zh) * | 2022-09-29 | 2023-01-17 | 北京骑胜科技有限公司 | 协调资源的方法和装置 |
CN116187611A (zh) * | 2023-04-25 | 2023-05-30 | 南方科技大学 | 一种多智能体路径规划方法及终端 |
CN118429170A (zh) * | 2024-04-09 | 2024-08-02 | 北京白龙马云行科技有限公司 | 一种网约车自主下单匹配智能管理方法 |
-
2022
- 2022-01-13 CN CN202210038032.5A patent/CN114372830A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618986A (zh) * | 2022-09-29 | 2023-01-17 | 北京骑胜科技有限公司 | 协调资源的方法和装置 |
CN116187611A (zh) * | 2023-04-25 | 2023-05-30 | 南方科技大学 | 一种多智能体路径规划方法及终端 |
CN118429170A (zh) * | 2024-04-09 | 2024-08-02 | 北京白龙马云行科技有限公司 | 一种网约车自主下单匹配智能管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A two-phase optimization model for the demand-responsive customized bus network design | |
Chu et al. | Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions | |
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
Qin et al. | Reinforcement learning for ridesharing: An extended survey | |
Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
Swamy et al. | Hurricane evacuation planning using public transportation | |
US11094028B2 (en) | System and method for determining passenger-seeking ride-sourcing vehicle navigation | |
CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
CN113077090A (zh) | 客流预测方法、系统及计算机可读存储介质 | |
US20140035921A1 (en) | Analysis and visualization of passenger movement in a transportation system | |
CN104025075A (zh) | 用于车队导航、调度以及多个车辆、多个目的地指定路线的方法及系统 | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
Yamamoto et al. | Structured random walk parameter for heterogeneity in trip distance on modeling pedestrian route choice behavior at downtown area | |
CN114548811A (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
Zhao et al. | Developing a multiview spatiotemporal model based on deep graph neural networks to predict the travel demand by bus | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
CN111861017A (zh) | 一种基于现网数据的充电站网络优化方法 | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
Faial et al. | A methodology for taxi demand prediction using stream learning | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
Ara et al. | Ride Hailing Service Demand Forecast by Integrating Convolutional and Recurrent Neural Networks. | |
CN115660157A (zh) | 智慧城市充电桩建造规划方法和物联网系统、装置及介质 | |
Rahaman | Context-aware mobility analytics and trip planning | |
CN115759660A (zh) | 一种无人驾驶车辆的调度方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |