考虑天气影响的网约车短时需求预测研究

摘要

移动互联网技术的发展为共享经济的兴起提供了强大的技术支撑，为改变出租车传统的巡游运营模式提供了强大支持。以优步(Uber)、Lyft和滴滴出行等为代表的网络预约出租车(简称网约车)平台应运而生。网约车作为一种方便快捷的出行方式，已经得到了人们的广泛认可和使用，传统的出租车也逐渐网约化，准确的网约车短时需求预测有助于改善城市出行供需矛盾。天气作为人们出行的重要影响因素之一，一定程度上决定着人们出行方式的选择，本文在考虑天气因素对网约车需求的影响基础上，建立了网约车短时需求预测模型。首先对获取的网约车数据进行统计整理，提取有效信息，并分析了网约车需求的时间变化规律，发现网约车的需求存在着明显的周周期和日周期；然后将网约车数据和天气数据结合起来，分析不同天气网约车的需求量变化情况。再将网约车需求偏差率作为因变量，并定义相应的解释变量，对工作日和非工作日的不同时间段的网约车需求偏差率和自变量分别建立多元线性回归模型，利用各回归模型分析出天气因素对网约车需求量的影响程度。结果表明不同天气因素对网约车需求量影响显著水平有所不同，同样的天气因素对不同时间段的网约车需求的影响也存在差异。在分析了网约车时间序列数据特征的基础上，结合对时间变化规律的分析，选取季节性时间序列模型，采用STL分解法进行季节性调整，搭建STL-ARIMA模型。根据建立的模型进行时间序列训练和测试，取得了比较理想的结果。引入考虑天气因素的网约车需求波动系数建立修正模型——AdjustSTL-ARIMA模型，并利用LSTM神经网络模型对时间序列模型残差进行近一步信息提取，构建AdjustSTL-ARIMA+LSTM混合模型，分别从均方根误差、平均绝对误差和决定系数对三个模型进行对比评价。结果表明混合模型优于AdjustSTL-ARIMA模型和STL-ARIMA模型。

目录

声明

第1章绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 天气对网约车需求的影响

1.2.2 网约车短时需求预测

1.3 论文主要研究内容

1.3.1 研究内容及技术路线

1.3.2 全文章节安排

1.4 本章小结

第2章数据处理及分析

2.1 数据源

2.2 数据预处理

2.2.1 网约车数据

2.2.2 天气数据

2.3 需求量与天气的相关分析

2.3.1 需求量与降雨的关系

2.3.2 需求量与温度的关系

2.3.3 需求量与风速的关系

2.3.4 需求量与下雪的关系

2.3.5 需求量与雾天的关系

2.4 本章小结

第3章天气因素对网约车需求量影响程度分析

3.1 多元线性回归方法

3.1.1 相关关系分析

3.1.2 多元线性回归模型构建

3.1.3 多元线性回归模型的检验

3.2 多元线性回归的应用

3.2.1 变量的界定

3.2.2 相关性系数分析

3.2.3 模型的建立与分析

3.3 本章小结

第4章基于ARIMA模型的网约车短时需求预测

4.1 时间序列的性质

4.2 时间序列的基本模型

4.2.1 AR模型

4.2.2 MA 模型

4.2.3 ARMA模型

4.2.4 ARIMA 模型

4.3 时间序列建模过程

4.4 时间序列模型的应用

4.4.1 模型的评价指标

4.4.2 实验数据描述

4.4.3 时间序列平稳化

4.4.4 模型定阶

4.4.5 模型诊断和评价

4.5 引入波动系数的模型分析

4.5.1 需求量波动系数

4.5.2 模型对比分析

4.6 模型预测分析

4.7 本章小结

第5章基于混合模型的网约车短时需求预测

5.1 相关理论介绍

5.1.1 LSTM的核心算法

5.1.2 LSTM的网络方程

5.2 混合模型的构建

5.2.1 混合模型的构建思想及过程

5.2.2 LSTM模型建立

5.2.3 混合模型评价

5.3 模型预测效果分析

5.4 本章小结

结论

致谢

参考文献