面向出租车空载时间预测的多任务时空图卷积网络

出租车空载时间严重影响交通资源的利用效率和司机的收益。准确的出租车空载时间预测可以有效地指导司机进行合理的路径规划,辅助打车平台进行高效的资源调度。然而,在实际场景中,城市不同区域的空载时间受到区域车流量、客流量以及历史空载时长等多方面因素的影响。为解决该问题,提出一种基于多任务框架的时空图卷积网络(MSTGCN)模型。MSTGCN采用一种新颖的时空图卷积结构,全面建模上述影响空载时间的各种时、空相关性因素。使用多任务学习框架从不同视角学习数据的特征表示,并提出一种多任务注意力融合机制,通过对辅助任务信息的筛选来提升主任务的信息获取能力和预测性能。将所提模型在两个公开的滴滴数据集上进行了充分的实验,其取得了优于其他方法的预测效果。

基于信息瓶颈方法的出租车空载聚集区聚类算法

在交通物联网中,出租车以其方便、快捷的特性扮演着重要角色.但是,出租车服务的动态、随机和异步并发的特性使得其难以采用微分、差分等数学方法描述.其中,出租车空载问题是公认的智能交通的最大难题之一.提出在GPS数据的基础上,基于信息瓶颈方法来聚类城市内出租车的空载聚集区域,从而指导空载车辆规避这些区域,以此达到提高出租车载客率的效果.出租车空载聚集区聚类算法将出租车视为原变量,GPS数据视为相关变量.目标是寻求压缩变量,在尽可能压缩出租车簇的个数的同时,最大化保留空载聚集区域的相关信息.在某城市出租车的真实GPS数据集上的相关实验表明,算法可以准确识别空载聚集区.

基于LightGBM的乘客候车路段推荐方法

目前城市出租车服务系统中出租车的营运效率普遍不高,一方面出租车有较高的空载率,另一方面由于乘客盲目选择打车地点而造成打车难的问题。针对上述问题,提出了一种基于LightGBM的乘客候车路段推荐方法。该方法从城市出租车的历史轨迹信息中提取影响空载的时空特征,利用LightGBM框架预测各个路段出租车的空载数量,并以此计算各个路段在未来一个时隙内成功打到空车的概率,最终根据乘客所处位置将其附近成功打车概率最高的路段推荐给乘客。仿真实验利用了西安市出租车数据对模型进行训练和验证,并将实验效果与SVR、GBDT等方法进行了对比。实验结果表明,所提方法的RMSE、MAE、MAPE等指标均优于其他方法,该模型对解决出租车与乘客人车矛盾有一定实用价值。