基于深度聚合神經(jīng)網(wǎng)絡(luò)的網(wǎng)約車需求時(shí)空熱度預(yù)測(cè)

郭羽含，田 寧

（遼寧工程技術(shù)大學(xué) 軟件學(xué)院，遼寧 葫蘆島 125105）

0 引言

隨著移動(dòng)設(shè)備的普及和互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)絡(luò)預(yù)約出租汽車（簡稱網(wǎng)約車）已成為城鎮(zhèn)居民的主要出行方式之一。選擇網(wǎng)約車出行有利于緩解城市交通擁堵，對(duì)提高交通資源的利用、減少環(huán)境污染具有積極意義。截至2020 年，滴滴出行、神州專車、首汽約車等大型網(wǎng)約車平臺(tái)的用戶規(guī)模已達(dá)4 億。隨著用戶出行需求的逐年增長，依托上述平臺(tái)從事網(wǎng)約車經(jīng)營活動(dòng)的汽車駕駛員數(shù)量也快速增加。面對(duì)數(shù)量巨大的服務(wù)提供者與用戶需求，平衡供需分布成為網(wǎng)約車平臺(tái)亟待解決的問題。若服務(wù)車輛分布與乘客分布差異較大，不但會(huì)導(dǎo)致乘客候車時(shí)間長、對(duì)平臺(tái)的服務(wù)滿意度降低，還會(huì)使服務(wù)車輛空駛距離增加、運(yùn)營效率低下、運(yùn)營利潤減少；若可用服務(wù)車輛被提前調(diào)配至需求熱度較高區(qū)域，則平臺(tái)的資源利用率和服務(wù)質(zhì)量可得到顯著提升。

引導(dǎo)服務(wù)車輛的前提為預(yù)測(cè)不同空間位置在不同時(shí)間范圍的需求熱度，但需求熱度與時(shí)間、空間、環(huán)境等多種影響因素相關(guān)且動(dòng)態(tài)變化，因此預(yù)測(cè)難度較高。針對(duì)以往的交通問題的預(yù)測(cè)，現(xiàn)有的研究模型或方法可分為以下四類：

1）基于歷史數(shù)據(jù)或時(shí)間序列的預(yù)測(cè)模型。

基于歷史數(shù)據(jù)的預(yù)測(cè)模型由于維度單一，無法準(zhǔn)確反映多維影響因素，故預(yù)測(cè)準(zhǔn)確率較低?；跁r(shí)間序列的統(tǒng)計(jì)模型只能用于數(shù)據(jù)相對(duì)穩(wěn)定、呈規(guī)律性變化的情況，如肖強(qiáng)等［1］利用泊松分布計(jì)算出租車的合乘概率和等待時(shí)間；Jamil等［2］使用差分自回歸移動(dòng)平均進(jìn)行時(shí)間序列的分析，預(yù)測(cè)需求的熱點(diǎn)區(qū)域；Moreira-Matias 等［3］把加權(quán)時(shí)變泊松模型與出租車傳感器數(shù)據(jù)結(jié)合用于預(yù)測(cè)短期范圍內(nèi)出租車乘客的空間分布。然而，隨著我國城市建設(shè)速度的加快，需求熱點(diǎn)區(qū)域的頻繁變化也導(dǎo)致僅憑歷史同期訂單數(shù)量無法準(zhǔn)確預(yù)測(cè)當(dāng)前時(shí)空點(diǎn)的需求熱度。

2）基于機(jī)器學(xué)習(xí)的預(yù)測(cè)模型。

隨著人工智能技術(shù)的發(fā)展，基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方法逐漸成為解決短時(shí)交通需求預(yù)測(cè)的主要方法。傳統(tǒng)機(jī)器學(xué)習(xí)方法［4-6］可對(duì)更復(fù)雜的數(shù)據(jù)進(jìn)行建模，捕捉交通信息中更深層次的特征，因此預(yù)測(cè)準(zhǔn)確度也相對(duì)較高，如：Zhang等［7］考慮到出租車的需求和供應(yīng)，提出二次集成梯度提升決策樹方法來預(yù)測(cè)二者的差距，避免了在不同的數(shù)據(jù)稀疏條件下帶來的預(yù)測(cè)結(jié)果變差的問題；Jiang等［8］以網(wǎng)約車短期需求預(yù)測(cè)為目標(biāo)，提出了一種基于最小二乘基于向量機(jī)（Least Squares Support Vector Machine，LS-SVM）的預(yù)測(cè)方法，并與Lasso 線性回歸、最近鄰回歸、決策樹回歸等算法對(duì)比，驗(yàn)證了其性能的高效性；郭憲等［9］提出基于多源數(shù)據(jù)的梯度決策回歸樹需求預(yù)測(cè)方法，基于多元?dú)v史數(shù)據(jù)，可實(shí)時(shí)預(yù)測(cè)當(dāng)天的下一時(shí)間片段內(nèi)各個(gè)城市區(qū)域的實(shí)時(shí)需求。雖然上述三者都考慮了多維影響因素，但仍然較難準(zhǔn)確反映復(fù)雜多維數(shù)據(jù)的非線性相關(guān)性。

3）基于深度學(xué)習(xí)的預(yù)測(cè)方法。

深度神經(jīng)網(wǎng)絡(luò)［10-15］被廣泛應(yīng)用于需求預(yù)測(cè)領(lǐng)域且收效良好。Hou 等［16］利用深度神經(jīng)網(wǎng)絡(luò)對(duì)不同路段的行駛時(shí)間進(jìn)行了預(yù)測(cè)，使用單模型結(jié)構(gòu)對(duì)交通網(wǎng)絡(luò)中的所有路段進(jìn)行準(zhǔn)確的預(yù)測(cè)，不必為每個(gè)路段分別構(gòu)建自定義模型，從而降低了建模的復(fù)雜度；Zhan 等［17］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的交通流預(yù)測(cè)方法，使用浮動(dòng)車的GPS 軌跡數(shù)據(jù)來估算全市的交通量；Yu 等［18］提出了時(shí)空?qǐng)D卷積網(wǎng)絡(luò)框架，使用門控循環(huán)單元和圖卷積進(jìn)行了長期交通流量預(yù)測(cè)；Ma 等［19］提出了一種大規(guī)模交通網(wǎng)絡(luò)速度預(yù)測(cè)的深度卷積神經(jīng)網(wǎng)絡(luò)，將時(shí)空矩陣轉(zhuǎn)換為圖像作為CNN 的輸入。后三者都改進(jìn)了傳統(tǒng)方法中長期預(yù)測(cè)任務(wù)經(jīng)常忽略時(shí)空依賴性的缺點(diǎn)。

4）基于多模型的組合預(yù)測(cè)模型。

通過將不同的子模型組合，可以發(fā)揮每個(gè)模型對(duì)于不同特征提取的優(yōu)勢(shì)，如段宗濤等［20］使用CNN-LSTM-ResNet（Convolutional Neural Network &Long Short-Term Memory &Residual Network）組合模型對(duì)出租車需求進(jìn)行了預(yù)測(cè)，采用殘差神經(jīng)網(wǎng)絡(luò)的CNN 框架來分別模擬人群流量的臨近性、周期性和趨勢(shì)特征，使用長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)學(xué)習(xí)交通流變化的時(shí)空特征，為解決時(shí)空序列問題提供了新的思路；Ke 等［21］利用LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)天氣等具有時(shí)間序列信息的特征進(jìn)行了提取，再結(jié)合卷積LSTM 網(wǎng)絡(luò)對(duì)時(shí)空特征進(jìn)行了提取，對(duì)比其他單個(gè)模型實(shí)驗(yàn)，驗(yàn)證了融合模型的有效性。

綜上可知，將時(shí)空數(shù)據(jù)應(yīng)用于網(wǎng)約車需求預(yù)測(cè)中可取得較好成效，但由于不同類別的時(shí)空數(shù)據(jù)存在結(jié)構(gòu)差異性，使用單一結(jié)構(gòu)的模型較難完整捕捉不同結(jié)構(gòu)、不同城市、不同規(guī)模時(shí)空數(shù)據(jù)的隱含特征，因此其預(yù)測(cè)準(zhǔn)確度和魯棒性仍有提升空間。此外，由于需求預(yù)測(cè)還存在空間關(guān)聯(lián)性和環(huán)境關(guān)聯(lián)性等其他復(fù)雜因素，全面完整地利用多維時(shí)空數(shù)據(jù)和深度學(xué)習(xí)技術(shù)對(duì)網(wǎng)約車需求進(jìn)行準(zhǔn)確預(yù)測(cè)仍然非常具有挑戰(zhàn)性。針對(duì)上述問題，本文對(duì)網(wǎng)約車出行的時(shí)空需求進(jìn)行了形式化定義，提出了一種深度聚合神經(jīng)網(wǎng)絡(luò)（Deep Aggregated Neural Network，DANN）模型以預(yù)測(cè)不同時(shí)空下的需求熱度。通過多個(gè)子模型分別學(xué)習(xí)環(huán)境變量、時(shí)空變量和空間變量的隱含特征，并將子模型的輸出進(jìn)行多層次聚合得到最終的預(yù)測(cè)結(jié)果。

1 問題定義

本文以時(shí)空需求熱度表示一個(gè)空間區(qū)域在一段時(shí)間范圍內(nèi)的網(wǎng)約車乘客出行需求熱度，其詳細(xì)定義如下。

1.1 基本概念

定義1空間網(wǎng)格。設(shè)有給定地理空間區(qū)域S，其緯度最大和最小值分別為latmax和latmin，經(jīng)度最大和最小值分別為lngmax和lngmin，則該空間區(qū)域S可被分割為p×q個(gè)二維網(wǎng)格，每個(gè)網(wǎng)格稱為一個(gè)空間網(wǎng)格Si，j，其中i∈[1，p]?N 且j∈[1，q]?N。Si，j的長度hlat=(latmax-latmin)/p，寬 度hlng=lngmax-lngmin。

定義2需求。需求rk=(ek，latk，lngk)為乘客k的網(wǎng)約車出行訂單，其中ek為乘客需要服務(wù)的時(shí)間（如實(shí)時(shí)出行則ek為當(dāng)前時(shí)間），latk和lngk為乘客出發(fā)地緯度和經(jīng)度。若latmin+hlat(i-1) ≤latk≤latmin+hlati且lngmin+hlng(j-1) ≤lngk≤lngmin+hlng j，則需求rk屬于空間網(wǎng)格Si，j。

定義3時(shí)空需求熱度。將一天的24 h 分割為等長的δ段，每個(gè)時(shí)段tl(l∈[1，δ] ?N)的長度為24/δh。對(duì)于每個(gè)空間網(wǎng)格Si，j和時(shí)段tl，其相應(yīng)的時(shí)空需求熱度Pij，l可以定義為空間網(wǎng)格Si，j中在時(shí)段tl范圍內(nèi)的需求數(shù)量。

1.2 時(shí)空需求熱度變量

受時(shí)間、區(qū)域和天氣條件等多種外部因素影響，城市不同區(qū)域需求熱度變化規(guī)律復(fù)雜；因此，使用單一變量作為模型輸入很難準(zhǔn)確預(yù)測(cè)求密度變化。本文將影響需求熱度變化的變量分為外部環(huán)境變量、時(shí)空變量和空間變量。在外部環(huán)境變量方面，月份、日期、星期、時(shí)段、是否為節(jié)假日、溫度條件、氣象條件、空氣質(zhì)量均對(duì)出行需求有顯著影響，故上述類別的12 種因子被選為環(huán)境變量。相鄰時(shí)段、前天同時(shí)段、上周同時(shí)段的需求熱度被選為時(shí)間變量特征。大量不同類別的興趣點(diǎn)（Point Of Interest，POI）信息可從不同層面反映一個(gè)空間區(qū)域的繁榮程度；因此，本文以12 種POI 的數(shù)量作為空間變量。上述特征的定義及其量化取值范圍見表1。

表1 時(shí)空需求熱度預(yù)測(cè)特征Tab.1 Features for spatio-temporal demand heat prediction

基于上述特征，時(shí)空需求熱度的預(yù)測(cè)問題定義如下。

問題1 時(shí)空需求熱度預(yù)測(cè)。根據(jù)給定的特征值Xe、Xg和Xs預(yù)測(cè)tl時(shí)刻Si，j區(qū)域的時(shí)空需求熱度Pij，l，其中Xe=（xmo，xda，xtl，xho，xwe，xtt，xht，xwt，xra，xsn，xfl，xap），Xg=（xms，xjd，xyy，xsc，xly，xjs，xyl，xxq，xxx，xcz，xqy，xzf），Xs=（xlp，xlt，xlw）。

2 模型構(gòu)建

本文提出的深度聚合神經(jīng)網(wǎng)絡(luò)（DANN）由3 個(gè)子單元結(jié)構(gòu)組成，分別為外部環(huán)境學(xué)習(xí)單元的長短期記憶（LSTM）模型、時(shí)空特征學(xué)習(xí)單元的卷積長短期記憶（Convolutional LSTM，ConvLSTM）模型和空間特征學(xué)習(xí)單元的卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，其總體結(jié)構(gòu)如圖1 所示。3 個(gè)子網(wǎng)絡(luò)模型分別處理相應(yīng)類別的時(shí)空數(shù)據(jù)，并將其輸出經(jīng)多層聚合獲得最終預(yù)測(cè)結(jié)果。

圖1 DANN結(jié)構(gòu)Fig.1 Structure of DANN

2.1 外部環(huán)境特征學(xué)習(xí)單元

設(shè)Xe為外部環(huán)境因素的特征向量，由問題1 可知Xe=（xmo，xda，xtl，xho，xwe，xtt，xht，xwt，xra，xsn，xfl，xap）。由于外部環(huán)境變量，如日期、節(jié)假日、天氣、空氣污染指數(shù)等，都具有時(shí)間上下文相關(guān)性；因此本文采用長短期記憶（LSTM）網(wǎng)絡(luò)單元結(jié)構(gòu)來捕捉其在時(shí)間維度的依賴關(guān)系。LSTM 在處理與時(shí)間序列相關(guān)的數(shù)據(jù)時(shí)表現(xiàn)優(yōu)異，可較好處理長距依賴問題，且通過引入3 個(gè)門控神經(jīng)元可有效緩解梯度爆炸和梯度彌散［22］。

LSTM 單元結(jié)構(gòu)如圖2 所示，其內(nèi)部結(jié)構(gòu)主要由遺忘門、輸入門和輸出門組成。假定當(dāng)前時(shí)刻為t，xt為輸入的外部環(huán)境變量向量Xe，yt為輸出狀態(tài)值,為記憶單元，pt為輸入門狀態(tài)值，dt為遺忘門狀態(tài)值，qt為輸出門狀態(tài)值。遺忘門根據(jù)前一時(shí)刻的隱層信息yt-1以及當(dāng)前時(shí)刻的輸入xt，通過激活函數(shù)輸出遺忘元素的比率，以及在原始記憶單元中丟失部分信息。輸入門pt通過類似的結(jié)構(gòu)篩選出輸入數(shù)據(jù)中需保存至記憶單元的數(shù)據(jù)，并將其與通過遺忘門之后的記憶單元數(shù)據(jù)相加作為記憶單元的輸出st。最后，隱藏層的數(shù)據(jù)通過輸出門數(shù)據(jù)與新記憶單元數(shù)據(jù)進(jìn)行逐點(diǎn)相乘計(jì)算得到y(tǒng)t。記憶單元的狀態(tài)值由輸入門和輸出門共同控制。對(duì)于每個(gè)時(shí)間步長t，迭代計(jì)算過程如下：

圖2 LSTM單元結(jié)構(gòu)Fig.2 Structure of LSTM unit

其中：Wx、Wy分別為各單元xt、yt-1對(duì)應(yīng)權(quán)重，b為相應(yīng)偏置。σ(x)和tanh(x)為非線性主動(dòng)函數(shù)，計(jì)算方法如式（7）（8）所示：

2.2 時(shí)空特征學(xué)習(xí)單元

時(shí)空需求熱度在每日相同時(shí)段、每月相同星期存在周期性，因此具有時(shí)間自相關(guān)性；此外，其空間網(wǎng)格間也具有空間相關(guān)性，因此本文采用卷積長短期記憶（ConvLSTM）單元結(jié)構(gòu)［23］來捕捉其在時(shí)間和空間維度的依賴關(guān)系。ConvLSTM 將LSTM 單元中所有向量轉(zhuǎn)換為張量，使得LSTM 單元可通過卷積操作進(jìn)行連接，因此該單元結(jié)構(gòu)既可捕捉時(shí)間依賴關(guān)系，又可提取空間特征，其結(jié)構(gòu)如圖3 所示。

圖3 ConvLSTM單元結(jié)構(gòu)Fig.3 Structure of ConvLSTM unit

如圖3 所示，ConvLSTM 通過在狀態(tài)到狀態(tài)和輸入到狀態(tài)轉(zhuǎn)換中實(shí)現(xiàn)卷積算子來計(jì)算某個(gè)網(wǎng)格單元的時(shí)空需求熱度。通過t次迭代，每個(gè)ConvLSTM 層都可以映射一個(gè)輸入的需求熱度張量X=(X1，X2，…，Xt)到一個(gè)隱藏層張量H=(H1，H2，…，Ht)。同樣地，堆疊形式的多個(gè)ConvLSTM 層會(huì)更好地發(fā)現(xiàn)需求熱度的時(shí)空特征，提高本文模型的預(yù)測(cè)精度。

由定義3可得tl時(shí)段不同區(qū)域Si，j的時(shí)空熱度Pij，l，令

假定當(dāng)前時(shí)刻為t，Xt表示時(shí)空需求熱度輸入張量，Ht表示輸出張量，Ct表示記憶向量，It表示輸入門張量，F(xiàn)t表示遺忘門張量，Ot表示輸出門張量；?表示Hadamard 乘法；*表示卷積操作；W為卷積核，可提供權(quán)重共享。

2.3 空間特征學(xué)習(xí)單元

本文以區(qū)域內(nèi)POI 數(shù)量表述空間特征。需求熱度與區(qū)域及其周邊土地利用模式密切相關(guān)，POI 涵蓋城市各類設(shè)施位置與屬性信息，通過多個(gè)卷積層可有效捕捉空間隱含特征，如圖4 所示。由于高層特征圖中的單個(gè)節(jié)點(diǎn)依賴于中層的多個(gè)節(jié)點(diǎn)特征映射，依賴于底層（即輸入）中所有節(jié)點(diǎn)的特征映射，即多層卷積可捕捉較大范圍內(nèi)的POI 與需求熱度之間的依賴關(guān)系。

圖4 CNN結(jié)構(gòu)Fig.4 Structure of CNN

為緩解卷積過程中損失需求細(xì)節(jié)，本文設(shè)計(jì)了一種三通道模式，將原始POI 熱度圖劃分為3 個(gè)通道分別進(jìn)行卷積處理，包括：低密度子圖（只保留POI 數(shù)量小于θ的值）、原密度子圖（原始值全部保留）和高密度子圖（只保留POI數(shù)量大于θ的值），如圖5 所示。由于不同通道的網(wǎng)絡(luò)參數(shù)相互獨(dú)立，此結(jié)構(gòu)可有效降低密度差異性對(duì)預(yù)測(cè)效果的影響。

圖5 需求熱度圖的通道劃分Fig.5 Channel partition of demand heat map

2.4 子網(wǎng)絡(luò)單元聚合

圖6 展示了不同日期和不同時(shí)段需求總數(shù)量的變化情況，可以觀察到該值存在周期性波動(dòng)：在月范圍內(nèi)呈多峰狀態(tài)，在日范圍內(nèi)呈現(xiàn)單峰狀態(tài)。這表明時(shí)空熱度受到近周期片段、日周期片段和周周期片段的影響，但影響程度存在著差異；同樣地，對(duì)于空間變量，劃分的不同通道對(duì)時(shí)空熱度也存在著不同影響，因此本文采取了基于參數(shù)矩陣的融合方式來調(diào)整時(shí)空熱度受不同因素的影響程度。

圖6 乘客總數(shù)量變化示例Fig.6 Examples of total passenger number change

分別將時(shí)間特征學(xué)習(xí)模型的輸出和空間特征學(xué)習(xí)模型的輸出以基于參數(shù)矩陣的方式融合，如式（15）（16）：

其中we、ws、wg為融合權(quán)重。

2.5 模型訓(xùn)練

模型訓(xùn)練的目標(biāo)為使預(yù)測(cè)值與真實(shí)值Pt的均方誤差（Mean Squared Error，MSE）最小化，從而獲得上述全部權(quán)值w的最優(yōu)取值。目標(biāo)函數(shù)如式（18）所示，其中加入L2 范式正則化項(xiàng)以避免過度擬合，α為平衡參數(shù)。模型訓(xùn)練流程如算法1 所示。

算法1 模型訓(xùn)練流程。

3 實(shí)驗(yàn)與結(jié)果分析

本文基于真實(shí)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)，對(duì)算法的預(yù)測(cè)精度和參數(shù)靈敏度進(jìn)行了驗(yàn)證，實(shí)驗(yàn)環(huán)境見表2。

表2 實(shí)驗(yàn)環(huán)境Tab.2 Experimental environment

3.1 數(shù)據(jù)源和算法參數(shù)設(shè)置

實(shí)驗(yàn)數(shù)據(jù)源基于滴滴蓋亞數(shù)據(jù)開放計(jì)劃，采用成都市、西安市和海口市城市區(qū)域網(wǎng)約車訂單數(shù)據(jù)，POI 數(shù)據(jù)通過百度地圖應(yīng)用程序編程接口（Application Programming Interface，API）獲取，時(shí)空網(wǎng)格劃分及乘客分布如圖7 所示，數(shù)據(jù)集具體參數(shù)如表3 所示。

圖7 區(qū)域劃分及乘客分布示例Fig.7 Example of region division and passenger distribution

表3 數(shù)據(jù)集參數(shù)Tab.3 Dataset parameters

利用Keras 深度學(xué)習(xí)框架實(shí)驗(yàn)，優(yōu)化器為Adadelta，DANN 訓(xùn)練參數(shù)設(shè)置標(biāo)準(zhǔn)為最優(yōu)預(yù)測(cè)精度，模型主要結(jié)構(gòu)具體如表4 所示。

表4 中Conv3D 為3D 卷積層，Conv 為2D 卷積層，Maxpool為最大池化層，激活函數(shù)如式（19）所示：

表4 DANN訓(xùn)練參數(shù)Tab.4 DANN training parameters

3.2 模型預(yù)測(cè)精度分析

本文將DANN 與下述8 種模型進(jìn)行對(duì)比，各算法參數(shù)設(shè)置標(biāo)準(zhǔn)為最優(yōu)預(yù)測(cè)精度，其具體值如下。

由于對(duì)比模型與本文中使用的特征及數(shù)據(jù)存在差異，為保證對(duì)比的公平性，對(duì)比模型進(jìn)行了部分修改以保證與本文模型的對(duì)比條件一致。實(shí)驗(yàn)采用均方誤差（MSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE）、R-平方（R2）和可釋方差（Explained Variance Score，EVS）作為評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)比實(shí)驗(yàn)結(jié)果見表5。

由表5 可見，本文模型在上述3 個(gè)數(shù)據(jù)集的4 種指標(biāo)中均取得最高精度。從整體上來看，由于傳統(tǒng)的機(jī)器學(xué)習(xí)算法（即前4 個(gè)模型）建模能力有限，考慮的影響因子較少，因此誤差較大，3 個(gè)數(shù)據(jù)集的R2平均誤差分別為22.83%、21.77%和27.01%；而深度學(xué)習(xí)算法（即后5 個(gè)模型）相較機(jī)器學(xué)習(xí)算法在3 個(gè)數(shù)據(jù)集上的預(yù)測(cè)結(jié)果上有著較大提升，R2平均誤差分別為12.69%、9.43%和13.80%。相較于LSTM，ConvLSTM 在建模時(shí)加入了空間特征的提取，因此表現(xiàn)優(yōu)于前者，R2在3 個(gè)數(shù)據(jù)集上分別提升0.030 7、0.026 3和0.059 2。與FCL-Net模型和HDLN-Net 模型相比，DANN 在加入了空間維度POI 后，可較大幅度提升模型的預(yù)測(cè)能力，因此準(zhǔn)確度優(yōu)于前面兩種方法。與區(qū)域預(yù)測(cè)模型相比，DANN 的優(yōu)勢(shì)在于空間特征提取時(shí)采取了3 個(gè)子模型分別卷積再融合的方式，緩解了卷積過程帶來的細(xì)節(jié)損失，提升了預(yù)測(cè)的準(zhǔn)確度。此外，在時(shí)空特征的提取上，本文采取了子模型再融合的方式分別處理了近周期時(shí)空?qǐng)D、日周期時(shí)空?qǐng)D和周周期時(shí)空?qǐng)D，因此DANN 在利用環(huán)境變量、時(shí)空變量建模的情況下提取到更多有效隱含特 征，其預(yù)測(cè)精度優(yōu)于其他對(duì)比模型。

表5 實(shí)驗(yàn)結(jié)果對(duì)比Tab.5 Comparison of experimental results

圖8 展示了真實(shí)時(shí)空需求熱度（T）與DANN 預(yù)測(cè)值（P）的對(duì)比結(jié)果。圖中以灰度表示時(shí)間需求熱度的差異，較深的顏色代表較高的熱度。從圖中可以觀察到，預(yù)測(cè)熱度與真實(shí)熱度高度一致。此外，由圖8 可知，午高峰時(shí)段的需求強(qiáng)度顯著高于睡眠時(shí)間的需求強(qiáng)度，且需求強(qiáng)度在空間上不平衡，部分網(wǎng)格的需求強(qiáng)度顯著高于其他網(wǎng)格的需求強(qiáng)度。隨著時(shí)間的推移，需求強(qiáng)度在不同的網(wǎng)格變化較明顯，使得需求強(qiáng)度預(yù)測(cè)難度增加，而本文模型結(jié)合不同的變量捕獲時(shí)空特征可以有效解決這個(gè)問題。

圖8 真實(shí)值與預(yù)測(cè)值的對(duì)比Fig.8 Comparison between predicted and real values

3.3 子模型預(yù)測(cè)結(jié)果分析

為更加直觀觀察不同子模型以及單子模型和多子模型融合后對(duì)預(yù)測(cè)結(jié)果帶來的影響，以成都數(shù)據(jù)集為例，在本節(jié)對(duì)不同的子模型預(yù)測(cè)結(jié)果進(jìn)行了分析，評(píng)價(jià)方式同3.2 節(jié)，結(jié)果如表6 所示。

表6 不同子模型對(duì)比實(shí)驗(yàn)結(jié)果Tab.6 Experimental results comparison of different sub-models

由表6 可見，聚合模型DANN 的R2分別比時(shí)空特征學(xué)習(xí)單元（多模型）、空間特征學(xué)習(xí)單元（多模型）和外部環(huán)境特征學(xué)習(xí)單元這3 個(gè)子模型提高2.63%、12.78%和6.22%，說明聚合模型在預(yù)測(cè)結(jié)果準(zhǔn)確度上優(yōu)于單個(gè)子模型。由于聚合模型利用了不同子模型對(duì)不同特征提取的優(yōu)勢(shì)，因此達(dá)到了更好的預(yù)測(cè)效果；此外，多子模型融合的結(jié)果也優(yōu)于單子模型，說明基于周期的時(shí)空變量和基于圖像點(diǎn)值的空間變量劃分方法也提高了預(yù)測(cè)的準(zhǔn)確性。

3.4 不同天氣下的預(yù)測(cè)結(jié)果比較

為探究不同天氣下DANN 的預(yù)測(cè)結(jié)果，將測(cè)試樣本分別按照天氣類型和空氣污染指數(shù)等級(jí)進(jìn)行分類，計(jì)算各類別預(yù)測(cè)結(jié)果的評(píng)價(jià)值（R2、EVS、MAE 和MSE），得出不同天氣條件下的預(yù)測(cè)精度，其中，空氣污染指數(shù)分為5 個(gè)等級(jí)：優(yōu)、良、輕度污染、中度污染和重度污染，評(píng)價(jià)結(jié)果如表7、8 所示。

表7 不同天氣類型下的預(yù)測(cè)結(jié)果Tab.7 Prediction results under different types of weather

由表7 可見，DANN 在大雨天氣條件下的誤差較大，而在其他天氣條件下的波動(dòng)較小，這說明時(shí)空需求在極端天氣條件下的變化規(guī)律更為復(fù)雜。由表8 可見，DANN 在各個(gè)空氣質(zhì)量等級(jí)的條件下預(yù)測(cè)結(jié)果都較為穩(wěn)定，誤差未出現(xiàn)大波動(dòng)。綜上所述，DANN 在不同的天氣類型和空氣質(zhì)量等級(jí)下的預(yù)測(cè)效果均較為穩(wěn)定且精度較高，因此可用于不同天氣條件下的時(shí)空需求預(yù)測(cè)。

表8 不同空氣質(zhì)量等級(jí)下的預(yù)測(cè)結(jié)果Tab.8 Prediction results under different air quality classes

3.5 模型靈敏度影響分析

以成都數(shù)據(jù)集為例，對(duì)本文模型的結(jié)構(gòu)和參數(shù)進(jìn)行了分析。圖9（a）顯示了迭代次數(shù)對(duì)實(shí)驗(yàn)精度的影響。如圖9（a）所示，R2在初期顯著增加，然后趨于平緩，說明該網(wǎng)絡(luò)最開始有較高的收斂速度，隨著訓(xùn)練次數(shù)的增加達(dá)到平穩(wěn)狀態(tài)，而訓(xùn)練40～80 次的效果差異性較小。

圖9（b）展示了網(wǎng)絡(luò)層數(shù)的影響：隨著網(wǎng)絡(luò)層數(shù)增大，模型的R2 先增大后減小，說明網(wǎng)絡(luò)層數(shù)越深預(yù)測(cè)效果也會(huì)越好；但當(dāng)網(wǎng)絡(luò)層數(shù)過深時(shí)，模型會(huì)變得很復(fù)雜，這時(shí)往往容易出現(xiàn)欠擬合現(xiàn)象，因此預(yù)測(cè)效果逐漸變差。卷積視野的范圍由所使用的卷積核大小決定的。在這里改變卷積核的大小從2×2 到5×5，從圖9（c）可以看到，3×3 的卷積核具有較高的R2，表明其具有更好的空間依賴建模能力。從圖9（d）中可以看出卷積核數(shù)量為128 時(shí)得到的結(jié)果更好。

圖9 參數(shù)調(diào)整與靈敏度分析Fig.9 Parameter adjustment and sensitivity analysis

最后，對(duì)多步預(yù)測(cè)進(jìn)行了敏感度分析，圖10 表明，R2的最小值高于0.86，優(yōu)于其他對(duì)比模型。同時(shí)，R2的值緩慢下降，沒有出現(xiàn)較大波動(dòng)，表明該方法可以較好地適應(yīng)多步預(yù)測(cè)任務(wù)。

圖10 多步預(yù)測(cè)敏感度分析Fig.10 Sensitivity analysis of multi-step prediction

4 結(jié)語

本文為準(zhǔn)確預(yù)測(cè)網(wǎng)約車需求，針對(duì)差異化結(jié)構(gòu)的多維數(shù)據(jù)，提出了一種深度聚合神經(jīng)網(wǎng)絡(luò)模型。該模型綜合考慮了環(huán)境變量、時(shí)空變量等多維影響因素，提出了基于周期的時(shí)空變量和基于圖像點(diǎn)值的空間變量劃分方法；依據(jù)數(shù)據(jù)特點(diǎn)構(gòu)建了不同的子神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并提出了多種異類子神經(jīng)網(wǎng)絡(luò)的聚合方法及聚合權(quán)重的設(shè)置方法。本文模型可作為網(wǎng)約車需求預(yù)測(cè)的有效手段，預(yù)測(cè)結(jié)果可有效解決服務(wù)車輛與乘客間的供需不平衡問題，提升服務(wù)車輛的運(yùn)營效率和利潤，同時(shí)降低乘客等待時(shí)間并改善其對(duì)服務(wù)平臺(tái)的滿意度；但需要指出，深度學(xué)習(xí)模型對(duì)訓(xùn)練數(shù)據(jù)量要求較高，且其預(yù)測(cè)結(jié)果的因果可解釋性存在一定限制。未來研究將通過優(yōu)化模型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)一步提升預(yù)測(cè)能力，并探索具有更好可解釋性的機(jī)器學(xué)習(xí)方法。