基于时空特征分析的网约车短时需求预测研究

发布时间：2020-07-04 21:52

【摘要】：随着网络技术的发展和智能终端的普及,网约车凭借其快速、便捷和优质的服务逐渐成为人们出行的首选方式。然而在现实生活中,空载或者供不应求现象仍然十分严重。随着优步和滴滴出行等网约车服务的日益普及,我们能够不断收集大规模的网约车需求数据,如何利用这些大数据来改变需求预测是一个十分关键的现实问题。因此本文利用网约车平台的内部数据和网上收集到的外部数据,开展了网约车需求量的时空特征分析以及短时需求预测。本文首先研究了订单数据、GPS轨迹数据,分析其特点,进行了数据预处理。然后基于处理之后的网约车需求量数据,分析了网约车出行需求的时间特性,划分了不同的时段类型,并得出工作日与非工作日需求量的差异性。然后在此基础上进行分时段的网约车出行需求空间特征分析,为网约车短时需求预测提供了依据。为了能够准确捕捉到网约车短时需求量的时空特性,在综合考虑多种影响因素的基础上,本文构建了 CNN_LSTM_Kalman组合预测模型,该模型具有三个视图(通过LSTM建模未来需求值与近时间点的相关性),空间视图(通过CNN建模局部空间性)和修正视图(来减少预测与真实的误差),通过验证,组合预测模型的预测精度高于单一模型(LSTM预测模型、Kalman预测模型)。最后本文以成都二环区域作为案例,将已经通过验证的组合预测模型应用到实际的预测中,并针对网约车运营平台、交通运营管理以及司机、乘客分别提出了相关的建议。本文的研究成果可以为网约车司机或者相关公司提供一个合理的车辆布局依据。从网约车司机的角度来看,网约车需求量预测可以使其预先获知不同区域的乘客需求,进而去往需求较多的区域,避免了寻客的盲目性;从城市网约车运营管理的角度来看,网约车需求量预测可以得到短时间内不同区域的乘客需求,从而触发前瞻性的匹配和调度行为。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491
【图文】：

图１－１论文研究结构逡逑Ｆｉｇｕｒｅ邋１－１邋Ｒｅｓｅａｒｃｈ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｐａｐｅｒ逡逑

图２－２典型的ＲＮＮ结构逡逑Ｆｉｇｕｒｅ２－２邋Ｔｙｐｉｃａｌ邋ＲＮＮ邋ｓｔｒｕｃｔｕｒｅ逡逑

【参考文献】

相关期刊论文 前8条

1 李巧茹;赵蓉;陈亮;;基于SVM与自适应时空数据融合的短时交通流量预测模型[J];北京工业大学学报;2015年04期

2 卢建中;程浩;;改进GA优化BP神经网络的短时交通流预测[J];合肥工业大学学报(自然科学版);2015年01期

3 申悦;柴彦威;;基于GPS数据的北京市郊区巨型社区居民日常活动空间[J];地理学报;2013年04期

4 赵昕;鲁琪鑫;;海洋经济预测模型的创新研究[J];统计与决策;2013年02期

5 谭满春;李英俊;徐建闽;;基于小波消噪的ARIMA与SVM组合交通流预测[J];公路交通科技;2009年07期

6 卢毅;王礼志;卢旭;;城市出租车需求仿真预测模型研究[J];长沙交通学院学报;2007年04期

7 徐启华;杨瑞;;支持向量机在交通流量实时预测中的应用[J];公路交通科技;2005年12期

8 王正武,黄中祥;短时交通流预测模型的分析与评价[J];系统工程;2003年06期

相关硕士学位论文 前8条

1 张雪;基于深度学习卷积神经网络的电影票房预测[D];首都经济贸易大学;2017年

2 徐聪;基于卷积—长短时记忆神经网络的时序信号多粒度分析处理方法研究[D];哈尔滨工业大学;2017年

3 于扬红雪;出租车需求量预测模型的研究[D];大连海事大学;2017年

4 王苗苗;基于机器学习的短时交通流预测方法研究[D];长安大学;2017年

5 李思琴;基于深度学习的搜索广告点击率预测方法研究[D];哈尔滨工业大学;2015年

6 卢杰;城市出租车需求量预测与数量规制[D];东北财经大学;2012年

7 陈浩;基于卡尔曼滤波和小波神经网络的短时交通流预测研究[D];兰州交通大学;2011年

8 戴华娟;组合预测模型及其应用研究[D];中南大学;2007年

本文编号：2741644