基于梯度上升决策回归树的网约出租车需求动态预测

发布时间：2021-11-01 17:41

　　近年来网约出租车发展迅猛,已经被公众广泛接受和政府认可。作为一种人们出行的常用交通方式,其便捷性也受到越来越高的要求。关于网约出租车的需求预测被各大网约出租车运营商视为技术发展的重要突破口,也逐渐受到研究学者们的重点关注。但是目前这些研究都主要集中在车辆保有量和乘车热点的预测上,车辆的需求动态预测方面的研究还有很大的发展空间。基于某些给定数据对一个城市内不同区域的实时的车辆需求数目进行预测即本文所述的网约出租车的需求动态预测问题。准确预测城市区域内的实时动态需求有助于充分发挥集中调动平台的作用,从而大幅提高网约出租车利用效益。本文针对网约出租车的动态需求问题,分析了影响出租车辆实时需求数目的直接、间接因素;针对大量可收集的相关数据展开研究,首次采用机器学习方法,设计了基于梯度上升决策回归树算法网约出租车需求动态预测方法,并进一步对算法进行了改进。本文的研究思路是根据已有历史运营数据以及历史交通、天气状况等外部环境建立预测模型,然后根据实时数据预测当天的下一时间片段内城市各区域的实时车辆需求数目。根据某智能出行平台的实际运营数据为例,验证了提出的实时预测模型。结果证明,本文提出的需求预测... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题来源
    1.2 研究背景及意义
    1.3 国内外研究概况
    1.4 机器学习回归预测方法的基本概念
    1.5 研究内容与论文结构
2 网约出租车需求动态预测问题和影响因素分析
    2.1 问题描述
    2.2 城市居民使用网约出租车出行的需求影响因素分析
    2.3 预测流程与评价指标
    2.4 本章小结
3 基于GBRT的网约出租车需求预测方法
    3.1 学习目标
    3.2 弱决策回归树的构建
    3.3 强决策回归树的集成
    3.4 本章小结
4 基于XGBOOST框架的GBRT的网约出租车需求预测方法
    4.1 学习目标近似的GBRT算法
    4.2 XGBOOST框架中弱决策回归树的构建
    4.3 XGBOOST框架中强决策回归树集成
    4.4 本章小结
5 基于运营数据分析的特征提取和样本集构建
    5.1 数据分析
    5.2 特征分析与提取
    5.3 样本集建立
    5.4 本章小结
6 数据实验与结果分析
    6.1 数据预处理
    6.2 模型训练
    6.3 预测结果
7 总结与展望
致谢
参考文献
附录1 攻读学位期间参加的科研项目


【参考文献】：
期刊论文
[1]基于时间序列聚类方法分析北京出租车出行量的时空特征[J]. 程静,刘家骏,高勇.  地球信息科学学报. 2016(09)
[2]基于运营系统的出租车出行需求短时预测模型[J]. 林永杰,邹难.  东北大学学报(自然科学版). 2016(09)
[3]城市出租车打车软件使用率对空驶率影响研究[J]. 曹祎,罗霞.  计算机工程与应用. 2016(14)
[4]考虑空驶距离的出租汽车空气污染排放模型[J]. 王健,池利兵,胡晓伟.  城市交通. 2015(02)
[5]基于小波神经网络的出租车保有量预测模型[J]. 杨英俊,赵祥模.  公路交通科技. 2012(08)
[6]L1/2正则化[J]. 张海,王尧,常象宇,徐宗本.  中国科学:信息科学. 2010(03)
[7]机器学习的主要策略综述[J]. 闫友彪,陈元琰.  计算机应用研究. 2004(07)

硕士论文
[1]基于改进的GBDT算法的乘客出行预测研究[D]. 王天华.大连理工大学 2016
[2]供需平衡状态下的出租车发展规模研究[D]. 冯晓梅.西南交通大学 2010



本文编号：3470524