(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211126102.9 (22)申请日 2022.09.16 (71)申请人 辽宁工程技术大学 地址 123000 辽宁省葫芦岛市龙湾南大街 188号 (72)发明人 孙宁　丁文婧　郭羽含　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 李珉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06K 9/62(2022.01) (54)发明名称 一种基于需求密度预测的无人驾驶出租车 集约化调度方法 (57)摘要 本发明提供一种基于需求密度预测的无人 驾驶出租车集约化调度方法， 涉及需求预测与调 度技术领域。 该方法首先聚合无人驾驶出租车需 求在不同需求频度以及不同时间层上的属性特 征； 并提取无人驾驶出租车需求的外部特征； 再 将无人驾驶出租车需求的时空特征和外部特征 进行融合， 获取不同领域无人驾驶出租车需求的 预测值； 然后从时间层和外部特征预测无人驾驶 出租车需求； 最后 在预测的无人驾驶出租车需求 的基础上， 采用启发式遗传算法实现无人驾驶出 租车与乘 客的匹配。 该方法消除了无人驾驶出租 车需求密度对某一特征的过度 依赖， 可将无人驾 驶出租车及时调度到具有高收益潜力的区域， 提 升了无人驾驶出租车接单率和利润率， 实现了全 局供需平衡 。 权利要求书6页 说明书13页 附图3页 CN 115438868 A 2022.12.06 CN 115438868 A 1.一种基于需求密度预测的无人驾驶出租车集约化调度方法， 其特征在于： 包括以下 步骤： 步骤1： 动态聚合无 人驾驶出租车需求在不同需求频度以及不同时间层上的属性特 征； 步骤2： 提取无人驾驶出租车需求的外部特征； 所述外部特征包括外部环境特征和兴趣 点特征； 步骤3： 将无人驾驶出租车需求的时空特征和外部特征进行融合， 使二者进行协同训练 以获取不同领域无 人驾驶出租车需求的预测值； 步骤4： 从时间层和外 部特征预测无人驾驶出租车需求； 步骤5： 在步骤4预测的无人驾驶出租车需求的基础上， 采用启发式遗传算法实现无人 驾驶出租车与乘客的匹配。 2.根据权利要求1所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法， 其特征在于： 所述 步骤1的具体方法为： 步骤1.1： 将无人驾驶出租车需求按照时间尺度划分为邻近层Hc、 周期层Hd、 近趋势层Hk 和远趋势层Hm四个时间层； 步骤1.2： 将每 个时间层的无 人驾驶出租车需求按照需求频度划分为 三个感知域； 将一个地区划分成PxQ个空间网格， 每个网格都有对应的无人驾驶出租车历史需求数 据， 则将4个时间层对应的无人驾驶出租车历史需求数据记为张量 η＝c,d, k,m用于表 示四个时间层， 表示实数； 再将 每个时间层的无人驾驶出租车需求按照需求频 度划分为 三个感知域， 如下公式所示： 其中， 表示时间层 η对应的第g个感知域， g＝0、 1、 2， I为无人驾驶出租车需求； α和β 为动态确定的需求 边界； 步骤1.3： 针对4个时间层， 设计CELU网络结构捕获无人驾驶出租车需求的全范围时空 相关性； 所述CELU网络结构由卷积层Conva、 L层残差单元以及卷积层Convb组成， 能够动态聚合 无人驾驶出租车需求在不同需求频度以及不同时间层上的属性特 征， 具体方法为： (1)针对每个时间层内的需求频度， 将不同区域历史时段的需求转换成双通道图像状 矩阵， 通过 卷积层Co nva进行初步特 征提取， 输出 结果记为 如下公式所示： 其中， 分别为卷积层Conva的权重和偏置， 用于调整不同时间层对结果预测 的重要程度； *表示卷积算子； (2)将卷积层Conva输出的特征映射送入l个连续的残差单元， 每个残差单元计算结果 如下公式所示：权　利　要　求　书 1/6 页 2 CN 115438868 A 2其中， ξ 是残差函数， 为残差单元的输入； 表示第l个残差单元中所有需学习的参 数； 所述残差单元为三层结构， 其中第一层和第二层均为层卷积层Conv和激活函数ELU 的 结构组合， 第三层 在第二层的基础上叠加Dropout层； (3)经过第L个残差单元后的输出记为 将其送至卷积层Convb进行数据规格的统 一， 从而得到一个时间层的无 人驾驶出租车需求输出， 记为 如下公式所示： 其中， 是激活函数； 和 分别为卷积层Co nvb的权重和偏置 。 3.根据权利要求2所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法， 其特征在于： 所述 步骤2的具体方法为： 步骤2.1： 提取 无人驾驶出租车需求的外 部环境特 征； 对每个时段分别提取一组无人驾驶出租车需求的外部环境特征向量， 包含气象Omet、 星 期向量 是整数、 工作 日Owrk和节假日Ohol； 并将不同时段的特征向量 拼接为矩阵的形式， 记为Ohmw， 再将该矩阵送入全连接层进行特征提取， 得到基于 Omet、 Owrk和Ohol的外部环境特 征， 记为Ost， 如下公式所示： 其中，×表示矩阵的乘法， Wst和bst分别代表外部环境特 征的权重和偏置； 步骤2.2： 使用卷积神经网络结合全连接层来提取无人驾驶出租车需求的兴趣点特征， 得到基于兴趣点Opoi的兴趣点特 征， 记为Osc， 如下公式所示： 其中， Wsc和bsc分别代表兴趣点特征的权重和偏置， 其值取决于各兴趣点对无人驾驶出 租车需求的影响程度。 4.根据权利要求3所述的一种基于需求密度预测的无人驾驶出租车集约化调度方法， 其特征在于： 所述 步骤3的具体方法为： 步骤3.1： 采用基于参数矩阵的融合方式， 从4个不同的时间层上挖掘无人驾驶出租车 需求的时空信息， 得到tj时段无人驾驶出租车需求的时空特 征， 记为 如下公式所示： 此处的融合分为两个部分， 首先是每个时间层内的3种不同需求频度感知域融合， 得到 的融合向量记为 之后是4个时间层之间的融合， 计算公式如式(8)、 (9)所示： 权　利　要　求　书 2/6 页 3 CN 115438868 A 3