(19)中华 人民共和国 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 202111442665.4 (22)申请日 2021.11.30 (71)申请人 东南大学 地址 211100 江苏省南京市麒 麟科创园智 识路26号启迪城立 业园04幢 (72)发明人 王炜　章国梁　张晨皓　于维杰　 兰瑞意　陈思远　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 姜慧勤 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 30/02(2012.01) G06Q 50/30(2012.01) G06F 16/2458(2019.01)G06K 9/62(2022.01) (54)发明名称 一种基于随机森林的出租车交通需求特征 预测方法 (57)摘要 本发明公开了一种基于随机森林的出租车 交通需求特征预测方法， 包括以下步骤： 首先对 研究区域内历史出租车订单数据、 兴趣点数据和 城市街道行政区划分数据进行采集； 然后提取全 部出租车行程的起讫点位置， 并对研究区域进行 网格划分； 将基础数据与网格进行空间匹配， 提 取网格时空特征并构建样本集合； 构建随机森 林 回归模型， 对出租车需求特征进行预测。 本发明 所述方法具有较高的推广价值， 能够比较准确地 描述和预测出租车需求特征随区域时空特征的 变化情况， 为城市交通管理与控制提供参 考。 权利要求书2页 说明书5页 附图1页 CN 114239929 A 2022.03.25 CN 114239929 A 1.一种基于随机森林的出租车交通需求特征预测方法， 其特征在于， 具体包括如下步 骤： 步骤1， 获取研究城市内出租车订单 数据、 城市 兴趣点数据和城市街道划分数据； 步骤2， 根据步骤1所述出租车订单数据， 获取出租车每一次载客行程的起讫点位置数 据； 步骤3， 对所述研究城市进行等距网格划分； 步骤4， 将步骤1所述城市兴趣点数据和城市街道划分数据、 步骤2所述出租车每一 次载 客行程的起讫点数据分别与步骤3划分得到的网格进行空间匹配， 提取每个网格的时空特 征， 并根据每个网格的时空特征计算需求特征； 所述时空特征包括城市兴趣点特征、 城市街 道划分特 征和出租车需求特 征， 所述需求特 征包括总体交通需求和交通需求差异； 步骤5， 将步骤4所述每个网格的时空特征以及需求特征按照一定比例划分为训练集、 验证集和 测试集； 步骤6， 构建随机森林回归模型， 以时空特征为输入， 以需求特征为输出， 利用步骤5所 述训练集对随机森林回归模 型进行训练， 得到训练好的随机森林回归模型； 利用步骤5所述 验证集对随机森林回归模型进行预测， 得到验证集对应的预测值， 并根据验证集对应的预 测值与实际值计算反应模型拟合效果的决定系数， 对训练好的随机森林回归模型进行验 证； 步骤7， 利用步骤5所述测试集对步骤6所述训练好的随机森林回归模型进行预测， 得到 预测结果。 2.根据权利要求1所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 步骤1所述所述出租车订单数据、 城市兴趣点数据和城市街道划分数据采用相同的投 影坐标系。 3.根据权利要求1所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 步骤1所述出租车订单 数据包括车辆编号、 车辆位置和载客状态； 所述城市兴趣点数据包括城市兴趣点类型和城市兴趣点位置， 所述兴趣点类型包括6 类， 具体为餐饮服 务、 商务住宅、 购物服 务、 公司企业、 体育休闲服 务和交通设施服 务； 所述城市街道划分数据包括行政街道边界信息 。 4.根据权利要求3所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 步骤1所述获取研究城市内出租车订单 数据， 具体方法为： 以一定时间间隔， 周期性的获取车辆编号， 以及同一车辆编号在连续时间间隔下的车 辆位置以及载客状态； 出租车 载客时对应的载客状态为1， 空载时对应的载客状态为0 。 5.根据权利要求4所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 所述 步骤2的方法具体如下： 步骤2.1， 利用步骤1所述出租车订单数据， 将同一车辆编号的载客状态在连续时间间 隔下均为1的订单 数据作为 一次载客行程， 提取全部载客行程； 步骤2.2， 对步骤2.1提取的全部载客行程均计算行程时间， 并根据行程时间从小到大 对载客行程进 行排序， 利用箱型图四分位距法得到排序的载客行程的下四分位数Q 1和上四 分位数Q3， 以及四分位距IQR＝Q3 ‑Q1； 将行程时间大于Q3+1.5IQR以及小于Q1 ‑1.5IQR的载 客行程进行剔除， 得到符合要求的载客行程；权　利　要　求　书 1/2 页 2 CN 114239929 A 2步骤2.3， 对每一段 所述符合要求的载客行程 提取起讫点 位置数据。 6.根据权利要求3所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 所述 步骤4的方法具体如下： 步骤4.1， 根据步骤3划分得到的网格， 提取每一个网格中各城市 兴趣点类型的数量； 步骤4.2， 判断每一个网格与行政街道边界的关系， 包括包含关系、 相交关系和相离关 系； 当某一网格只包含单一街道边界时， 该街道 边界对应的街道即为该网格的所属街道； 当 某一网格横跨多个街道边界时， 选择其中占网格面积最大的街道作为该网格的所属街道； 步骤4.3， 根据步骤2提取的每一次载客行程的起讫点位置数据， 以小时为单位， 统计每 小时每一个网格中载客行程的起点位置的数量， 即得到每一个网格在不同时间段内的交通 发生量； 统计每小时每一个网格中载客行程的讫点位置的数量， 即得到每一个网格在不同 时间段内的交通吸引量； 步骤4.4， 根据每一个网格在不同时间段内的交通发生量和交通吸引量计算每一个网 格在不同时间段内的需求特 征； 所述总体交通需求的计算公式为： 总体交通需求 ＝交通发生 量+交通吸引量； 交通需求差异的计算公式为： 交通需求差异＝交通吸引量 ‑交通发生 量。 7.根据权利要求1所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 所述步骤6， 在训练过程中使用均方误差作为单棵决策树分枝质量标准； 当均方误差 小于设定阈值时， 单棵决策树训练完成； 当全部决策树训练完成时， 随机森林回归模型构建 完成。 8.根据权利要求1所述的一种基于随机森林的出租车交通需求特征预测方法， 其特征 在于， 步骤6所述反应模型拟合效果的决定系数， 计算公式为： 式中， R2表示反应模型拟合效果的决定系数， SSR表示回归平方和， SST表示总离差平方 和， 表示第i个验证集样本的预测值； yi表示第i个验证集样本的实际值， 表示全部验证 集样本实际值的平均数。权　利　要　求　书 2/2 页 3 CN 114239929 A 3