基于深度网络的网约车需求预测模型

摘要

网约车需求预测是在智慧城市中启用智能交通系统的重要组成部分。精准的需求预测模型能够通过提前调度网约车，减少司机和乘客的等待时间，帮助城市预先分配资源，以满足出行需求，并且可以减少街道上空荡荡的出租车，网约车的空车行驶加剧了能源浪费和交通拥堵。　　首先，本文分析了滴滴盖亚开放计划所提供的海口市网约车订单数据集，以及目前一些交通流量预测以及网约车需求预测的研究现状，第二步对神经网络的基本原理进行了详细的介绍，为后期模型的建立提供理论基础。接下来对原始数据进行了分析和处理，将原始的订单数据进行时间切片，并根据海口市的城市地图对订单数据进行网格化操作，将订单数据整合成为一个三维张量，以便后续输入模型进行训练。然后利用卷积神经网络（ConvolutionalNeuralNetwork,CNN）对图像数据的处理能力，以及长短时记忆神经网络（Long short-term memory,LSTM）对时间序列数据的处理能力提出了一种CNN-LSTM混合网络，基于该网络构建了网约车需求预测模型。最后，将模型在海口市订单数据集上进行训练，确定最终模型参数，得到本文所提出的需求预测模型具有良好的预测能力，预测结果的均方根误差（RootMeanSquareError,RMSE）为9.0669，平均百分比误差（AveragePercentage Error,MAPE）为0.1919，比其他对比模型的结果更优。　　本文还对不同时间段的预测结果和不同区域的的预测结果进行了对比分析，根据对比结果能够得到该模型对于各个时间段的预测准确率基本稳定在81%左右，各个区域的预测准确率基本稳定在82%左右。这表明本文提出的基于CNN-LSTM混合网络的网约车需求预测模型，能够较为准确地捕获订单数据的时空特征，不管是不同时间段还是不同区域，都具有较好的稳定性。

目录

1 引言

1.1研究背景及意义

1.2 国内外研究现状

1.3 论文主要研究内容和组织结构

2 神经网络的基本理论介绍

2.1 神经网络的发展

2.2 神经网络的基本原理

2.2.1神经元模型

2.2.2激活函数

2.3 BP神经网络

2.3.1前馈神经网络

2.3.2 BP 网络的网络结构

2.3.3 BP 算法的数学描述

2.4 本章小结

3 数据处理与分析

3.1 数据分析

3.1.1数据来源

3.1.2原始数据分析

3.2 数据预处理

3.3 数据的时空特征

3.3 本章小结

4 基于CNN+LSTM混合网络的需求预测模型

4.1 空间特征提取

4.1.1 CNN 网络特点

4.1.2 CNN 网络结构

4.1.3基于CNN的空间特征提取

4.2 时间特征提取及预测

4.2.1 LSTM 网络结构

4.2.2 LSTM 网络训练

4.2.3 基于LSTM 的时间特征提取及预测

4.3 基于CNN-LSTM混合网络的模型建立

4.4本章小结

5模型训练结果和分析

5.1 模型预测结果分析

5.1.1模型参数

5.1.2预测结果分析

5.2 不同模型结果对比和分析

5.3 不同时间段结果对比和分析

5.4 不同区域结果对比和分析

5.4 本章小结

6 总结与展望

6.1 本文总结

6.2 本文不足与展望

参考文献

附 录

A 学位论文数据集

致 谢

声明