基于深度学习的网约车需求预测研究

doi:10.16638/j.cnki.1671-7988.2023.016.039

汽车实用技术 ›› 2023, Vol. 48 ›› Issue (16): 188-193.DOI: 10.16638/j.cnki.1671-7988.2023.016.039

• 标准·法规·管理 • 上一篇

基于深度学习的网约车需求预测研究

全煜坤

长安大学汽车学院

出版日期:2023-08-30 发布日期:2023-08-30
通讯作者: 全煜坤
作者简介:全煜坤（2000－），男，硕士研究生，研究方向为深度学习，双挂汽车列车稳定性，E-mail:qyk000709@163.com。

Research on Demand Forecast of Online Car-hailing Based on Deep Learning

QUAN Yukun

School of Automobile, Chang'an University

Online:2023-08-30 Published:2023-08-30
Contact: QUAN Yukun

摘要/Abstract

摘要： 网约车需求预测是一个典型的时间序列预测任务，准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径，从而降低网约车的空驶率，具有重要的研究意义。文章利用长短时记忆模型（LSTM）及门控循环单元（GRU）进行网约车需求预测，对比了同一地区休息日和工作日，一周和一个月内的网约车需求及其变化，构建基于 LSTM 和 GRU 的需求预测模型，使用历史数据对未来需求进行预测，使用 Geohash 代码对西安市进行区域划分，对数据和划分的网格进行匹配得到汇总数据，采用线性模型进行对照试验，结果表明，LSTM 和 GRU 在网约车需求预测中的表现优于线性模型，二者相比 LSTM 预测精度更高。

关键词: 网约车需求预测；时间相关性；深度学习；长短期记忆神经网络

Abstract: The demand forecasting of online car-hailing is a typical time series forecasting task. The accurate demand forecasting can help the platform to arrange the order and plan the route reasonably, so as to reduce the empty driving rate of ride-hailing. It has important research significance. In this paper, long short-term model (LSTM) and gated recurrent unit (GRU) are used to forecast the demand of online car-hailing, demand for online car-hailing within a week and a month and its changes, building demand forecasting models based on LSTM and GRU, using historical data to predict future demand, and using Geohash code to map Xi'an by region, the data are matched with the grid to get the summary data, and the linear model is used for the control test. The results show that the performance of LSTM and GRU is better than that of the linear model in the demand forecast of online car-hailing, the prediction accuracy of LSTM is higher than that of LSTM.

Key words: Demand forecast of online car-hailing; Temporal correlation; Deep learning; Long short- term memory neural network

全煜坤. 基于深度学习的网约车需求预测研究[J]. 汽车实用技术, 2023, 48(16): 188-193.

QUAN Yukun. Research on Demand Forecast of Online Car-hailing Based on Deep Learning[J]. Automobile Applied Technology, 2023, 48(16): 188-193.

参考文献

[ 1 ] 北京天创互生市场调查有限公司.中国汽车电子行业市场发展及前景预测报告[M].北京:北京天创互生市场调查有限公司,2015. [ 2 ] THISSEN U,BRAKELR V,WEIJER A P,et al.Using Support Vector Machines for Time Series Prediction [J].Chemometrics and Intelligent Laboratory Systems, 2003,69(1/2):35-49. [ 3 ] 朱松丽.交通需求和交通能源需求预测方法[J].数量经济技术经济研究,2004(5):100-108. [ 4 ] 江小燕.短时交通流预测方法研究[D].扬州:扬州大学,2018. [ 5 ] WANG L,YUAN X J,TING M F,et al.Predicting Summer Arctic Sea Ice Concentration Intra-Seasonal Variability Using a Vector Auto-Regressive Model[J]. Journal of Climate,2015, 29(4):151208152351006. [ 6 ] 胡佩锋.交通流量短时预测方法研究[D].北京:北京交通大学,2007. [ 7 ] WELCH G,BISHOP G.An Introduction to the Kalman Filter[M].Raleigh:University of North Carolina at Cha- pel Hill,1995. [ 8 ] OKUTANI I,STEPHANEDES Y J.Dynamic Prediction of Traffic Volume Through Kalman Filtering Theory [J].Transportation Research Part B Methodological, 1984,18(1):1-11. [ 9 ] 蔡晓禹,谭宇婷,雷财林,等.交通大数据环境下短时交通流量预测研究[J].铁道运输与经济,2018,40(8): 88-93. [10] 杨高飞,徐窖,秦鸣,等.基于 ARIMA 和卡尔曼滤波的短时交通预测[J].郑州大学学报(工学版),2017,38(2): 36-40. [11] 况东钰.基于时间序列分析的网约车需求短时预测研究[D].北京:北京交通大学,2019. [12] 熊杰.城市道路交通流分形特性研究[D].北京:北京交通大学,2015. [13] 陶丽.基于改进小波神经网络模型的交通流预测研究[D].上海:上海工程技术大学,2016. [14] 常鹏阳.基于 Spark 分布式蚁狮算法的小波神经网络短时交通流预测研究[D].武汉:湖北工业大学,2020. [15] 贺国光,马寿峰,李宇.基于小波分解与重构的交通流短时预测法[J].系统工程理论与实践,2002(9):101- 106,131. [16] 曹征.基于小波变换的交通流短时预测模型研究[D]. 北京:北京交通大学,2010. [17] 徐娜,钱超.基于小波-SVR 模型的短时交通量预测研究[J].公路交通技术,2015(4):141-145. [18] 周欣.基于 K 近邻非参数回归法的高速公路行程时间预测[D].西安:长安大学,2018. [19] 杨胜,李莉,胡福乔,等.基于决策树的城市短时交通流预测[J].计算机工程, 2005,31(8):35-36. [20] TECHNICOLOR T S,RELATED S O R, TECHNICO- LOR T S,et al. ImageNet Classification with Deep Convolutional Neural Networks [R/OL].(2018-01-18) [2023-01-08].https://web.cs.ucdavis.edu/~yjlee/teachi ng/ecs289g-winter2018/alexnet. [21] 张潇潇,龚龑.基于 LSTM 的沪渝高速公路短时交通流预测研究[J].中国交通信息化,2022,274(9):133- 137. [22] 刘川.基于 LSTM 及其变体的短时交通流预测[J].交通节能与环保,2022,18(4):99-105. [23] 沈潇,李宗花.基于门控循环单元神经网络的交通流预测模型[J].淮阴师范学院学报(自然科学版),2021, 20(1):21-25.

基于深度学习的网约车需求预测研究

Research on Demand Forecast of Online Car-hailing Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 0

编辑推荐

Metrics