發(fā)布時(shí)間：2024-07-01 23:45

　　隨著移動互聯(lián)網(wǎng)的興起,網(wǎng)約車應(yīng)運(yùn)而生。在網(wǎng)約車的業(yè)務(wù)場景里面,特定城市的不同區(qū)域的在線司機(jī)數(shù)差異很大,乘客發(fā)單量差異也很大。為了解決區(qū)域之間供需不平衡的問題,首先就要對每個(gè)區(qū)域的供需比有一個(gè)準(zhǔn)確的預(yù)測。而特定區(qū)域的供需比隨時(shí)間變化而變化,與很多外界因數(shù)相關(guān),具有周期性,且會因?yàn)楣?jié)假日、惡劣天氣等極端事件使得序列出現(xiàn)異常值。用傳統(tǒng)的三階指數(shù)平滑處理時(shí)不能很好的對異常點(diǎn)做出預(yù)測。因此兼顧極端事件的發(fā)單量和接單量的預(yù)測具有重大的意義。傳統(tǒng)的機(jī)器學(xué)習(xí)模型和循環(huán)神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測的研究方面都取得了一定的成果。本文基于這兩個(gè)方向,結(jié)合具體的業(yè)務(wù)背景設(shè)計(jì)出了一種組合預(yù)測模型,并且相對現(xiàn)存的方法取得了很大提高。首先我們獲取多個(gè)城市多個(gè)區(qū)域在不同時(shí)間點(diǎn)的供需比以及區(qū)域位置,天氣等的歷史信息。并對相應(yīng)特征做了異常值處理、歸一化、one-hot、連續(xù)特征離散化等初級處理。然后對處理后的特征分別用兩種方案做進(jìn)一步的處理。方案一中,我們分別把供需比序列輸入到三階指數(shù)平滑和一階指數(shù)平滑的holt-winter模型里,分別求解模型參數(shù)。然后把兩個(gè)模型線性加權(quán)的結(jié)果作為一個(gè)最終特征。方案二中,我們首先把包含區(qū)域特...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1時(shí)間序列的發(fā)展對于異方差情形，Engle（1982）首先提出ARCH模型

用于時(shí)間序列數(shù)據(jù)的識別、診斷以及估計(jì)，最終變得越來越完整。ARIMA有另外一個(gè)名稱，即Box-Jenkins模型，主要的應(yīng)用場景是對單變量、同方差的線性時(shí)間序列數(shù)據(jù)擬合。在模型處理非平穩(wěn)的時(shí)間序列時(shí)，首先就是把非平穩(wěn)序列平穩(wěn)化，而這樣的方法多種多樣，比如進(jìn)行傅里葉變化或則小波....

圖1-2非線性時(shí)間序列

中科技大學(xué)碩士學(xué)位論上面兩個(gè)方法一起成為現(xiàn)代譜估計(jì)的奠基。隨著最小交叉熵最大熵譜分析法只不過是最小交叉熵法在特定情況下的一個(gè)知道某些規(guī)則的時(shí)候，對比最大熵法，最小交叉熵的效果要法[6]的缺點(diǎn)是運(yùn)算太繁復(fù)。通常情況下，經(jīng)典譜估計(jì)對短數(shù)對長數(shù)據(jù)序列有更加優(yōu)秀的譜估....

圖2-1RNN示意圖

()∑[(())()()]()(2-去掉常數(shù)，展開正則得到()，如式2-20所示：()∑(∑)(∑)....

圖2-2LSTM結(jié)構(gòu)圖

華中科技大學(xué)碩士學(xué)位論文人意[31]。網(wǎng)絡(luò)一旦變得更深就無法訓(xùn)練了，而RNN解決這個(gè)問題用到的就叫LSTM，LSTM引入一個(gè)核心元素就是Cell[32]。LSTM是一種特殊的RNN結(jié)構(gòu)[33]。是為了解決長期記憶無法有效傳遞的問題而設(shè)計(jì)出來的。RN....

本文編號：3999367