原文传递
基于网络表示学习的共享出行供需时序建模与动态匹配方法
| 论文题名： | 基于网络表示学习的共享出行供需时序建模与动态匹配方法 |
| 关键词： | 共享出行;动态供需匹配;网络表示学习;LSTM;元路径;交通拥堵 |
| 摘要： | 作为共享经济的重要组成部分，共享出行可以提高车辆资源的使用效率，缓解交通拥堵，但也存在技术挑战，例如对共享出行相似用户匹配效率、出行信息发布和响应以及车辆按时到达的技术保障。现有共享出行匹配的工作多基于相似轨迹聚类方法，难以表达轨迹蕴含的司乘隐含关联。而利用异质信息网络表示学习技术可以建模共享出行中司乘人员时空相关性。但是，现有基于网络表示学习的方法主要集中于静态供需匹配，忽略了真实出行环境中供需分布随时空演化过程中产生的司乘潜在关联及其对最近匹配结果的影响，无法适用于动态供需出行环境。 针对上述问题，本文提出了一种基于网络表示学习的共享出行供需时序模型与动态匹配方法DRTSMM（DynamicRidesharingTimeSeriesModelandMatching）。运用异质信息网络方法建模乘客需求与车辆供力的演化过程，形成动态共享出行网络。在此基础上，提出适应于动态网络的表示学习方法表达供需间时序信息及其蕴含的时空动态关联，并通过评估司乘关联相关性实现动态共享出行匹配。具体研究内容包括： （1）针对大规模供需分布带来的匹配搜索效率低问题，运用R-Tree索引技术在预设时空约束下检索车辆轨迹和订单起终点，快速确定司乘对的相遇地，构造异质共享出行网络；设计蕴含网络节点时空语义的元路径模型与节点属性描述，协同学习生成网络中所有司机和乘客的向量表示。 （2）基于司乘对的向量表示，扩展长短期记忆网络（LongShort-TermMemory，LSTM）刻画司机和乘客动态时空关联性并更新供需分布。基于司机乘客的时序状态来驱动异质共享出行网络结构与节点属性的演化过程，更新司机和乘客的向量表示与时空相关性，生成动态供需匹配。 （3）扩展SUMO构建动态共享出行仿真环境，验证DRTSMM算法的准确性与效率。实验结果表明：匹配完成率和匹配平均节省距离高达89.83%和为6.84千米。此外，利用开源滴滴出行数据集评价DRTSMM算法的性能。实验结果表明：AUC（AreaunderCurve）为0.7172，HR@15（HitRatiotop-15）为0.817。 |
| 作者： | 张荣国 |
| 专业： | 软件工程 |
| 导师： | 唐蕾 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
