基于注意力机制的网约车供需预测模型研究

发布时间：2023-04-09 14:35

　　网约车供需失衡是近几年交通领域的一大热点问题,针对该问题,相关部门要求网约车平台建立供需测算模型,科学调控运力规模和结构,避免供需失衡。由于现有的网约车供需预测模型未能充分考虑时空动态关联性,使模型在一定程度上丢失了部分重要信息,降低了模型预测的精准性。因此,本文旨在从时空动态关联的角度出发,构建网约车供需预测模型,以弥补现有研究的不足。主要研究内容如下:(1)构建网约车供需预测模型。一方面,本文通过引入时间注意力机制学习不同特征对预测目标影响的关键时间信息。另一方面,本文通过引入空间注意力机制学习不同特征对预测目标影响的关键空间信息。最后,结合时间和空间注意力机制,构建了Temporal＿Spatial＿AM-LSTM模型。(2)通过实验对比RNN、LSTM、RNN-LSTM与Temporal＿Spatial＿AM-LSTM模型的预测性能。实验结果表明:Temporal＿Spatial＿AM-LSTM模型的平均绝对误差为16.069,相比其他对照模型,本文所构建的模型的预测误差最小、性能最佳。(3)根据滴滴网约车相关数据进行供需预测。设置时间窗为144,预测步长为12,预测结果表明:...

【文章页数】：99 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究目的
        1.1.3 研究意义
    1.2 研究现状
        1.2.1 传统出租车供需预测模型研究现状
        1.2.2 网约车供需预测模型研究现状
        1.2.3 研究现状总结
    1.3 研究内容与技术路线
        1.3.1 研究内容
        1.3.2 技术路线
        1.3.3 创新点
    1.4 本章小结
2 相关理论基础
    2.1 网约车相关概念界定
        2.1.1 网约车运营模式
        2.1.2 网约车服务类型
    2.2 长短期记忆网络模型理论基础
    2.3 Encoder-Decoder理论基础
    2.4 注意力机制理论基础
    2.5 Tensor Flow理论基础
    2.6 本章小结
3 数据特征分析
    3.1 网约车数据质量探索
        3.1.1 数据说明
        3.1.2 数据存在的问题
        3.1.3 数据预处理
    3.2 订单数据特征分析
        3.2.1 订单请求量数据分析
        3.2.2 订单完成量数据分析
        3.2.3 订单请求量与订单完成量对比分析
    3.3 交通拥堵数据特征分析
    3.4 天气状况数据特征分析
        3.4.1 天气类型数据分析
        3.4.2 温度数据分析
        3.4.3 PM2.5 数据分析
    3.5 本章小结
4 网约车供需预测模型构建
    4.1 时间注意力机制
        4.1.1 问题描述
        4.1.2 引入时间注意力机制的Encoder-Decoder模型
    4.2 空间注意力机制
        4.2.1 问题描述
        4.2.2 引入空间注意力机制的Encoder-Decoder模型
    4.3 基于时间和空间注意力机制的网约车供需预测模型
    4.4 本章小结
5 网约车供需预测实验
    5.1 特征工程构建
        5.1.1 特征编码
        5.1.2 特征选择
        5.1.3 特征抽取
    5.2 基于Tensor Flow的模型训练
    5.3 模型评价
    5.4 模型预测结果分析
        5.4.1 供需预测结果分析
        5.4.2 时空注意力分布结果分析
    5.5 网约车供需平衡策略建议
    5.6 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3787186