隨著“互聯(lián)網(wǎng)+出行”的浪潮,智能出行平臺有了長足發(fā)展,吸引著越來越多的人使用網(wǎng)約車出行。但使用平臺約車服務(wù)依然需要花費(fèi)較長的時間等待網(wǎng)約車到達(dá),為了解決這個問題,網(wǎng)約車供需預(yù)測研究應(yīng)運(yùn)而生。通過預(yù)測可以提前調(diào)度網(wǎng)約車,從而縮短用戶的等待時間、最大化平臺的收益并且在一定程度上提升地區(qū)的運(yùn)輸能力。本文研究相關(guān)預(yù)測算法及數(shù)據(jù)挖掘技術(shù),結(jié)合數(shù)據(jù)分析構(gòu)建了影響網(wǎng)約車供需的特征,設(shè)計了基于XGBoost的網(wǎng)約車供需預(yù)測模型,預(yù)測出城市中各區(qū)域未來10分鐘的網(wǎng)約車供需差額范圍。主要研究內(nèi)容包括:（1）分析網(wǎng)約車供需預(yù)測的背景意義及研究現(xiàn)狀。在此基礎(chǔ)上,研究預(yù)測算法和數(shù)據(jù)挖掘領(lǐng)域的相關(guān)理論和最新技術(shù),對原始數(shù)據(jù)進(jìn)行分析和預(yù)處理并構(gòu)建影響網(wǎng)約車供需的特征。（2）設(shè)計并實(shí)現(xiàn)基于XGBoost的網(wǎng)約車供需預(yù)測模型。深入分析XGBoost原理和網(wǎng)約車供需預(yù)測模型實(shí)現(xiàn)過程,設(shè)定模型的輸入特征、相關(guān)參數(shù)和預(yù)測目標(biāo),為構(gòu)建基于XGBoost的網(wǎng)約車供需模型打下基礎(chǔ)。（3）分析并構(gòu)建興趣點(diǎn)特征。首先論證興趣點(diǎn)特征與網(wǎng)約車供需預(yù)測存在關(guān)系,之后證明不同種類不同數(shù)量的興趣點(diǎn)對預(yù)測會產(chǎn)生不同的影響,在此基礎(chǔ)上提出興趣點(diǎn)特征... 

【文章來源】：內(nèi)蒙古工業(yè)大學(xué)內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

隨機(jī)森林模型預(yù)測過程

圖 2-2 K-means 算法流程圖Fig.2-2 K-meansAlgorithm Flow Chart存在一個很大的缺點(diǎn)：如果一開始的聚類中大的影響。基于此，而后出現(xiàn)的K-means++是在確定初始的聚類中心時，使它們之間的簇）有較大差別[37-38]。ans++算法對興趣點(diǎn)數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理。，用K-means++算法確定5個供需差額分布最法對58個區(qū)塊進(jìn)行聚簇。方法主要有以下三種。相似度。皮爾遜相似度用于度量兩個變量 X1 之間。計算公式如（2-1）所示，結(jié)果越大

圖 2-3 Spark 架構(gòu)圖Fig.2-3 Spark Architecture Figure客戶端提交程序到 Spark 集群后，Master 節(jié)點(diǎn)啟動 Driver。Driver 代表整個應(yīng)序運(yùn)行的開始，負(fù)責(zé)分發(fā)任務(wù)。收到任務(wù)的工作節(jié)點(diǎn)創(chuàng)建任務(wù)執(zhí)行器執(zhí)行任務(wù)，程序由多個節(jié)點(diǎn)共同完成[40]。表 2-1 Spark 相關(guān)名稱解釋Tab.2-1 Spark Related Name Explanation名稱 含義Client 客戶端，負(fù)責(zé)提交程序Drive 驅(qū)動程序Spark Context 程序的入口，與 Spark 集群連接的對象RDD DAG RDD 有向無環(huán)圖（Directed Acyclic Graph，DAG）DAG Scheduler DAG 調(diào)度器Task Scheduler 任務(wù)調(diào)度器Spark Env 包含 Spark 執(zhí)行時需要的重要組件

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)Spark技術(shù)研究[J]. 劉峰波.  數(shù)字技術(shù)與應(yīng)用. 2015(09)
[2]基于Spark的大數(shù)據(jù)混合計算模型[J]. 胡俊,胡賢德,程家興.  計算機(jī)系統(tǒng)應(yīng)用. 2015(04)
[3]支持向量機(jī)理論及算法研究綜述[J]. 汪海燕,黎建輝,楊風(fēng)雷.  計算機(jī)應(yīng)用研究. 2014(05)
[4]基于過采樣技術(shù)和隨機(jī)森林的不平衡微陣列數(shù)據(jù)分類方法研究[J]. 于化龍,高尚,趙靖,秦斌.  計算機(jī)科學(xué). 2012(05)
[5]支持在線學(xué)習(xí)的增量式極端隨機(jī)森林分類器[J]. 王愛平,萬國偉,程志全,李思昆.  軟件學(xué)報. 2011(09)
[6]數(shù)據(jù)降維方法分析與研究[J]. 吳曉婷,閆德勤.  計算機(jī)應(yīng)用研究. 2009(08)
[7]VB6在CSV文件格式處理中的應(yīng)用研究[J]. 李旭,馬力.  信息技術(shù). 2009(07)
[8]離散粒子群優(yōu)化算法研究現(xiàn)狀綜述[J]. 沈林成,霍霄華,牛軼峰.  系統(tǒng)工程與電子技術(shù). 2008(10)
[9]高維數(shù)據(jù)特征降維研究綜述[J]. 胡潔.  計算機(jī)應(yīng)用研究. 2008(09)
[10]初始聚類中心優(yōu)化的k-means算法[J]. 袁方,周志勇,宋鑫.  計算機(jī)工程. 2007(03)

博士論文
[1]支持向量機(jī)算法的研究及其應(yīng)用[D]. 范昕煒.浙江大學(xué) 2003

碩士論文
[1]基于梯度漸進(jìn)回歸樹的引文推薦方法研究[D]. 陳俊鵬.北京理工大學(xué) 2016
[2]智能出行平臺下的城市出租車需求預(yù)測研究[D]. 梁婷婷.吉林大學(xué) 2016
[3]基于MongoDB的應(yīng)用平臺的研究與實(shí)現(xiàn)[D]. 呂林.北京郵電大學(xué) 2015
[4]基于Spark的機(jī)器學(xué)習(xí)應(yīng)用框架研究與實(shí)現(xiàn)[D]. 孫科.上海交通大學(xué) 2015
[5]基于MongoDB云存儲平臺的論壇信息抽取與存儲研究[D]. 陳敏敏.上海交通大學(xué) 2012
[6]基于 MongoDB的云數(shù)據(jù)管理技術(shù)的研究與應(yīng)用[D]. 劉一夢.北京交通大學(xué) 2012
[7]NoSQL數(shù)據(jù)庫技術(shù)及其應(yīng)用研究[D]. 沈姝.南京信息工程大學(xué) 2012
[8]云計算中數(shù)據(jù)庫的關(guān)鍵問題研究與實(shí)現(xiàn)[D]. 王海波.吉林大學(xué) 2011



本文編號：3335301