隨著城市化的不斷加快,人們對(duì)于出行的需求與日俱增。網(wǎng)約車(chē)通過(guò)互聯(lián)網(wǎng)技術(shù)與乘客進(jìn)行在線即時(shí)匹配,解決了傳統(tǒng)出租車(chē)打車(chē)難、司乘信息不對(duì)稱(chēng)等問(wèn)題,有效地滿足了乘客的出行需求。本文針對(duì)網(wǎng)約車(chē)出行需求進(jìn)行深入研究,利用深度神經(jīng)網(wǎng)絡(luò)技術(shù),能夠較為準(zhǔn)確地預(yù)測(cè)出城市網(wǎng)約車(chē)出行量與出行分布情況。本文首先對(duì)網(wǎng)約車(chē)數(shù)據(jù)進(jìn)行了預(yù)處理操作,通過(guò)DBSCAN聚類(lèi)算法對(duì)數(shù)據(jù)進(jìn)行時(shí)空間聚類(lèi),采用地圖匹配消除GPS數(shù)據(jù)不在道路中的情況。針對(duì)城市GPS軌跡分布范圍較廣且分布不均的情況,使用泰森多邊形算法對(duì)預(yù)測(cè)區(qū)域進(jìn)行了空間劃分,通過(guò)大數(shù)據(jù)分析技術(shù)深入了解了網(wǎng)約車(chē)出行的時(shí)間與空間特征。采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)網(wǎng)約車(chē)出行訂單量和網(wǎng)約車(chē)出行目的地兩項(xiàng)需求進(jìn)行了預(yù)測(cè)。本文的主要研究?jī)?nèi)容如下:(1)首先對(duì)網(wǎng)約車(chē)數(shù)據(jù)進(jìn)行了數(shù)據(jù)清洗和格式轉(zhuǎn)換,采用DBSCAN聚類(lèi)算法對(duì)網(wǎng)約車(chē)OD點(diǎn)數(shù)據(jù)進(jìn)行時(shí)空間聚類(lèi)以提高預(yù)測(cè)的準(zhǔn)確度,結(jié)合西安市路網(wǎng)信息對(duì)聚類(lèi)后的GPS數(shù)據(jù)進(jìn)行地圖匹配,采用泰森多邊形生成算法對(duì)西安市預(yù)測(cè)區(qū)域進(jìn)行空間劃分。(2)采用大數(shù)據(jù)分析技術(shù),使用時(shí)間分片操作將一天24小時(shí)劃分為等長(zhǎng)的時(shí)間片段,通過(guò)研究網(wǎng)約車(chē)出行量隨著時(shí)間的變化分析網(wǎng)約車(chē)出行時(shí)間需求。區(qū)域空間劃分完成后,研究各個(gè)子區(qū)域中單位時(shí)間片段內(nèi)網(wǎng)約車(chē)出行量分析出網(wǎng)約車(chē)出行熱點(diǎn)分布,完成對(duì)網(wǎng)約車(chē)出行空間需求的分析。(3)采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)組合的深度神經(jīng)網(wǎng)絡(luò)模型對(duì)網(wǎng)約車(chē)出行需求進(jìn)行預(yù)測(cè)。通過(guò)SPSS等數(shù)據(jù)分析工具,確定了網(wǎng)約車(chē)出行訂單量預(yù)測(cè)模型和網(wǎng)約車(chē)出行目的地預(yù)測(cè)模型的輸入,分別實(shí)現(xiàn)了對(duì)網(wǎng)約車(chē)出行訂單量和網(wǎng)約車(chē)出行目的地的預(yù)測(cè)。本論文著眼于研究網(wǎng)約車(chē)出行需求預(yù)測(cè)問(wèn)題,為充分利用數(shù)據(jù)的時(shí)空特性,首先通過(guò)CNN網(wǎng)絡(luò)提取出數(shù)據(jù)的空間特征;然后通過(guò)LSTM網(wǎng)絡(luò)提取出數(shù)據(jù)的時(shí)間特征;使用西安市網(wǎng)約車(chē)訂單數(shù)據(jù)和GPS軌跡數(shù)據(jù)對(duì)上述算法與模型進(jìn)行了實(shí)驗(yàn)評(píng)估。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的預(yù)測(cè)模型相比,本文采用的深度神經(jīng)網(wǎng)絡(luò)模型具有更高的預(yù)測(cè)準(zhǔn)確度(PA)和更低均方根誤差(RMSE)。
【學(xué)位單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：U491
【部分圖文】：

神經(jīng)元模型結(jié)構(gòu)圖

Sigmoid 函數(shù)圖像

tanh函數(shù)圖像
【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 ;國(guó)務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見(jiàn)[J];實(shí)驗(yàn)室科學(xué);2015年04期

2 楊浩雄;李金丹;張浩;劉淑芹;;基于系統(tǒng)動(dòng)力學(xué)的城市交通擁堵治理問(wèn)題研究[J];系統(tǒng)工程理論與實(shí)踐;2014年08期

3 羅芳瓊;;基于混合優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型研究[J];計(jì)算機(jī)與現(xiàn)代化;2013年07期

4 翁劍成;劉文韜;陳智宏;榮建;;基于浮動(dòng)車(chē)數(shù)據(jù)的出租車(chē)運(yùn)營(yíng)管理研究[J];北京工業(yè)大學(xué)學(xué)報(bào);2010年06期

5 郭慶華;梁欽鋒;顏?zhàn)坑?于廣鎖;于遵宏;;基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)氣流床氣化爐爐膛溫度的試驗(yàn)研究[J];計(jì)算機(jī)與應(yīng)用化學(xué);2007年05期

6 秦玲;張劍飛;郭鵬;齊彤巖;;浮動(dòng)車(chē)交通信息采集與處理關(guān)鍵技術(shù)及其應(yīng)用研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2007年01期

相關(guān)博士學(xué)位論文 前1條

1 尚華;兩類(lèi)時(shí)間序列模型的異常值檢測(cè)研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 陳航;基于卷積神經(jīng)網(wǎng)絡(luò)的表情識(shí)別研究[D];南京郵電大學(xué);2018年

2 徐思穎;基于深度學(xué)習(xí)的語(yǔ)音增強(qiáng)技術(shù)研究[D];戰(zhàn)略支援部隊(duì)信息工程大學(xué);2018年

3 王章章;基于機(jī)器學(xué)習(xí)的價(jià)格預(yù)測(cè)模型研究與實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2018年

4 張曉鵬;基于多源數(shù)據(jù)融合的城市出行需求預(yù)測(cè)方法研究[D];吉林大學(xué);2018年

5 郭瑞雪;基于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)約車(chē)出行需求短時(shí)預(yù)測(cè)[D];北京交通大學(xué);2017年

6 陳志明;基于大數(shù)據(jù)的出租車(chē)乘客出行特征提取和分析方法研究[D];長(zhǎng)安大學(xué);2017年

7 張文犀;基于小波分析和神經(jīng)網(wǎng)絡(luò)的地鐵熱環(huán)境參量預(yù)測(cè)模型研究[D];北京交通大學(xué);2016年

8 王芮;基于GPS數(shù)據(jù)的城市出租車(chē)出行需求研究[D];山東大學(xué);2016年

9 梁婷婷;智能出行平臺(tái)下的城市出租車(chē)需求預(yù)測(cè)研究[D];吉林大學(xué);2016年

10 楊宸鑄;基于HADOOP的數(shù)據(jù)挖掘研究[D];重慶大學(xué);2010年

本文編號(hào)：2862410