融合语义的时空相关多步乘车需求预测方法

为了准确预测乘车需求，提高车辆利用率，缓解供需不平衡和交通拥堵，提出一种融合语义的时空相关多步乘车需求预测方法。在空间相关性建模方面，计算区域历史需求数据的互信息以对空间历史需求模式相关性建模；同时考虑基于兴趣点的城市功能区对乘车需求的影响，利用反映城市功能特征的语义信息，借鉴词频-逆文档频率方法对区域兴趣点赋予权重，继而计算区域功能相似度并对空间功能相关性建模。在时间相关性建模方面，利用深度学习网络Transformer捕获数据中潜在的长时依赖性。最后，在真实数据集上验证所提方法的有效性。结果表明：单步预测时，与基线方法的均值相比，所提方法的均方根误差、平均绝对误差和平均绝对百分比误差3个指标分别降低了38.77%、38.79%和54.11%;多步预测时，所提方法的预测精度也有较大提升，在预测步长为6时，与基线方法的均值相比，所提方法的3个指标分别降低了21.35%、21.98%和15.72%。该方法能够更准确预测乘车需求时空分布，合理配置运力资源。