考虑复杂时空要素的网约车需求预测算法设计文献综述

1. 选题背景和意义：

据滴滴出行统计，2018年，全年的网约车使用次数达180亿次，超过全球人口的两倍。准确的网约车订单预测，能够更好的调度车辆，提高车辆的利用率，缓解交通拥堵，具有重要的经济和社会意义。

其中以滴滴为代表的城市共享出行服务，是典型的由供给和需求两个群体组成的双边市场。双边市场管理和运营成功的关键是供需平衡，而高效的供需两端实时预测是市场动态管理成功的关键。

近年来在需求预测方面，已逐步采用深度学习算法，融合复杂影响因素输入，实现高精度的预测。深度学习，可以实现对复杂时空和非线性关系的高效表达，但是目前针对大范围复杂时空环境的需求生成机制仍缺乏深刻理解，因而缺乏高效的适用于时空事件深度学习框架。

区域级需求预测是网约车服务中的一项重要任务。准确的叫车需求预测可以指导车辆调度，提高车辆利用率，缩短等待时间，缓解交通拥堵。这项任务由于区域之间的时空依赖关系复杂，因此具有挑战性。现有方法主要集中在模拟空间相邻区域之间的欧几里得相关性，同时我们观察到，可能遥远区域之间的非欧几里得成对相关性对于准确预测。

因此，本课题的主要任务是针对共享出行需求，考虑大范围服务市场的强时空相关特性，提出基于深度学习的时空深度学习框架，满足网约车平台实时需求预测的需求。要求算法设计方案能够有效应对需求预测时的强时空复杂非线性关系，改善和提高预测效率。

1. 课题关键问题及难点：

网约车需求量预测问题可以通过其数据建模方式来理解。以 1 小时为时间单位，1km*1km 的网格为空间单位，某城市某个小时订单量可以用如下所示的 2d 格点图片来表示，每个格点的数值是在该时间段内该区域所产生的滴滴打车的订单数的总和。那么所谓网约车需求量预测，就是已知过去几个小时每个格点的订单数，预测未来的订单数。

而在以往的研究中，对交通量、出租车载客量、出入境交通流量等交通数据的预测研究已有很长的历史。为了对交通量进行预测，时间序列预测方法得到了广泛的应用。具有代表性的是，自回归综合移动平均线 (ARIMA) 及其变量已广泛应用于交通预测。基于时间序列预测方法，最近的研究进一步考虑了空间关系和外部环境数据 (如场地、天气和事件)。虽然这些研究表明，通过考虑各种附加因素可以改进预测模型，但是它们仍然不能捕捉到复杂的非线性时空相关性。例如，准确的出租车需求预测可以帮助出租车公司预先分配出租车。

图一：北京市格点图

交通预测的关键挑战在于如何建立复杂的空间相关性和时间动态模型。尽管在经典建模中考虑了这两个因素，但现有的研究对空间依赖性和时间动力学做出了强有力的假设，即空间依赖性在时间上是平稳的，时间动力学是严格的周期性的。然而，在实践中，空间相关性可能是动态的，随时间变化可能会在一个周期到另一个周期之间产生一些扰动。Pengfei Liu 在自己 2016 年发表的论文中提出了两个重要的观点：（1）位置之间的空间依赖性是动态的；（2）时间依赖性遵循每日和每周的模式，但它的动态时间周期并不是严格的周期性的。因此，课题重点就会放在协调需求预测时的强时空复杂非线性关系，以期待将出租车需求进行合理预安排，平衡区域内出租车的分配。同时，在面对如何能够更好的建模多个区域之间所存在的非欧且多模态的时间和空间相关性，以实现高准确率的网约车需求量预测，也是课题讨论的难点。