【摘要】：隨著網(wǎng)絡(luò)技術(shù)的發(fā)展和智能終端的普及,網(wǎng)約車(chē)憑借其快速、便捷和優(yōu)質(zhì)的服務(wù)逐漸成為人們出行的首選方式。然而在現(xiàn)實(shí)生活中,空載或者供不應(yīng)求現(xiàn)象仍然十分嚴(yán)重。隨著優(yōu)步和滴滴出行等網(wǎng)約車(chē)服務(wù)的日益普及,我們能夠不斷收集大規(guī)模的網(wǎng)約車(chē)需求數(shù)據(jù),如何利用這些大數(shù)據(jù)來(lái)改變需求預(yù)測(cè)是一個(gè)十分關(guān)鍵的現(xiàn)實(shí)問(wèn)題。因此本文利用網(wǎng)約車(chē)平臺(tái)的內(nèi)部數(shù)據(jù)和網(wǎng)上收集到的外部數(shù)據(jù),開(kāi)展了網(wǎng)約車(chē)需求量的時(shí)空特征分析以及短時(shí)需求預(yù)測(cè)。本文首先研究了訂單數(shù)據(jù)、GPS軌跡數(shù)據(jù),分析其特點(diǎn),進(jìn)行了數(shù)據(jù)預(yù)處理。然后基于處理之后的網(wǎng)約車(chē)需求量數(shù)據(jù),分析了網(wǎng)約車(chē)出行需求的時(shí)間特性,劃分了不同的時(shí)段類(lèi)型,并得出工作日與非工作日需求量的差異性。然后在此基礎(chǔ)上進(jìn)行分時(shí)段的網(wǎng)約車(chē)出行需求空間特征分析,為網(wǎng)約車(chē)短時(shí)需求預(yù)測(cè)提供了依據(jù)。為了能夠準(zhǔn)確捕捉到網(wǎng)約車(chē)短時(shí)需求量的時(shí)空特性,在綜合考慮多種影響因素的基礎(chǔ)上,本文構(gòu)建了 CNN_LSTM_Kalman組合預(yù)測(cè)模型,該模型具有三個(gè)視圖(通過(guò)LSTM建模未來(lái)需求值與近時(shí)間點(diǎn)的相關(guān)性),空間視圖(通過(guò)CNN建模局部空間性)和修正視圖(來(lái)減少預(yù)測(cè)與真實(shí)的誤差),通過(guò)驗(yàn)證,組合預(yù)測(cè)模型的預(yù)測(cè)精度高于單一模型(LSTM預(yù)測(cè)模型、Kalman預(yù)測(cè)模型)。最后本文以成都二環(huán)區(qū)域作為案例,將已經(jīng)通過(guò)驗(yàn)證的組合預(yù)測(cè)模型應(yīng)用到實(shí)際的預(yù)測(cè)中,并針對(duì)網(wǎng)約車(chē)運(yùn)營(yíng)平臺(tái)、交通運(yùn)營(yíng)管理以及司機(jī)、乘客分別提出了相關(guān)的建議。本文的研究成果可以為網(wǎng)約車(chē)司機(jī)或者相關(guān)公司提供一個(gè)合理的車(chē)輛布局依據(jù)。從網(wǎng)約車(chē)司機(jī)的角度來(lái)看,網(wǎng)約車(chē)需求量預(yù)測(cè)可以使其預(yù)先獲知不同區(qū)域的乘客需求,進(jìn)而去往需求較多的區(qū)域,避免了尋客的盲目性;從城市網(wǎng)約車(chē)運(yùn)營(yíng)管理的角度來(lái)看,網(wǎng)約車(chē)需求量預(yù)測(cè)可以得到短時(shí)間內(nèi)不同區(qū)域的乘客需求,從而觸發(fā)前瞻性的匹配和調(diào)度行為。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：U491
【圖文】：

圖１－１論文研究結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋１－１邋Ｒｅｓｅａｒｃｈ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｐａｐｅｒ逡逑

圖２－２典型的ＲＮＮ結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ２－２邋Ｔｙｐｉｃａｌ邋ＲＮＮ邋ｓｔｒｕｃｔｕｒｅ逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 李巧茹;趙蓉;陳亮;;基于SVM與自適應(yīng)時(shí)空數(shù)據(jù)融合的短時(shí)交通流量預(yù)測(cè)模型[J];北京工業(yè)大學(xué)學(xué)報(bào);2015年04期

2 盧建中;程浩;;改進(jìn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

3 申悅;柴彥威;;基于GPS數(shù)據(jù)的北京市郊區(qū)巨型社區(qū)居民日常活動(dòng)空間[J];地理學(xué)報(bào);2013年04期

4 趙昕;魯琪鑫;;海洋經(jīng)濟(jì)預(yù)測(cè)模型的創(chuàng)新研究[J];統(tǒng)計(jì)與決策;2013年02期

5 譚滿(mǎn)春;李英俊;徐建閩;;基于小波消噪的ARIMA與SVM組合交通流預(yù)測(cè)[J];公路交通科技;2009年07期

6 盧毅;王禮志;盧旭;;城市出租車(chē)需求仿真預(yù)測(cè)模型研究[J];長(zhǎng)沙交通學(xué)院學(xué)報(bào);2007年04期

7 徐啟華;楊瑞;;支持向量機(jī)在交通流量實(shí)時(shí)預(yù)測(cè)中的應(yīng)用[J];公路交通科技;2005年12期

8 王正武,黃中祥;短時(shí)交通流預(yù)測(cè)模型的分析與評(píng)價(jià)[J];系統(tǒng)工程;2003年06期

相關(guān)碩士學(xué)位論文 前8條

1 張雪;基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的電影票房預(yù)測(cè)[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2017年

2 徐聰;基于卷積—長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的時(shí)序信號(hào)多粒度分析處理方法研究[D];哈爾濱工業(yè)大學(xué);2017年

3 于揚(yáng)紅雪;出租車(chē)需求量預(yù)測(cè)模型的研究[D];大連海事大學(xué);2017年

4 王苗苗;基于機(jī)器學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)方法研究[D];長(zhǎng)安大學(xué);2017年

5 李思琴;基于深度學(xué)習(xí)的搜索廣告點(diǎn)擊率預(yù)測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

6 盧杰;城市出租車(chē)需求量預(yù)測(cè)與數(shù)量規(guī)制[D];東北財(cái)經(jīng)大學(xué);2012年

7 陳浩;基于卡爾曼濾波和小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)研究[D];蘭州交通大學(xué);2011年

8 戴華娟;組合預(yù)測(cè)模型及其應(yīng)用研究[D];中南大學(xué);2007年

本文編號(hào)：2741644