论文部分内容阅读
网约车是我国交通系统中重要的一部分,它改进了人们的出行方式,让人们实现智能出行,有效的缓解了交通问题。但是基于合规背景下,司乘信息不对称,供需在时空上分布不平衡,网约车“打车难”,使智能出行面临着挑战,短时供需预测则是应对挑战的关键。本文使用网约车出行数据进行可视化分析,选择合适的算法构建模型,对网约车未来时间,特定区域内未满足的订单需求进行预测,为网约车平台调度提供数据依据。主要研究内容如下:(1)本文依据网约车业务流程获取相关指标数据,并为提高乘客体验,对供需差值重新定义,包含未接订单及接单时间大于10分钟的订单。(2)对数据源进行基于时间和空间维度的可视化分析,深入学习数据中隐含的规律,并根据模型对输入指标的要求,对数据进行相关预处理。(3)探究预测点前若干个时间片相关影响因素、预测点历史日期同时间片供需差值和预测点天气因素与预测点供需差值的相关性,筛选相关指标作为模型的输入数据。(4)根据预测数据的时空特性构建多因素输入的KNN-LSTM短时供需多步预测模型,其中KNN算法挖掘数据的空间相关性,LSTM的“记忆门”来拟合数据的时序性,采用Encoder-Decoder框架实现供需差值多步预测。(5)对模型进行多次训练,筛选出最佳学习率、最佳Dropout参数、最佳输入区域,将获得的最优模型进行预测,对多步预测结果进行可视化分析,验证模型的实用性。并与单因素输入的LSTM模型、多因素输入的LSTM模型、SVR模型进行性能评估,证明混合模型的高效性。本文的研究表明,考虑网约车数据的时空特性,构建KNN-LSTM网约车短时供需多步预测模型,对数据规则迥异的区域进行预测,有很高的精准性和扩展性。对未来时刻供需差值进行预测,可以为平台提供不同策略的信息透传或智能调度,降低司乘信息不对称性,提高网约车供需在时空上的匹配度,促进网约车合规进程,构建网约车交通规范,保障司乘体验,打造智慧交通城市。