网约车出行特征分析与载客热点区域需求预测研究

摘要

随着中国城市化进程的不断推进和“互联网+”概念在国内社会的普及，加之智能手机行业的迅猛发展使移动互联的概念深入人心，网约车作为“互联网+交通”的实践产品开始参与城市居民的日常出行，并迅猛发展。截至2019年6月，网约车业务已在全国31个省(区、市)普及，可见使用网约车出行在我国已十分普遍。本文基于海口市网约车出行数据，在对网约车出行特征进行深入分析的基础上，挖掘载客热点区域，进而对典型载客热点区域进行需求预测研究。　　首先，基于处理后的原始数据，分析快车与专车在出行时长、距离和费用三个方面特征的差异，发现网约车用户使用快车时更倾向于中短程出行，而使用专车时更倾向于进行短途或长距离出行；对于出行量变化特征的分析发现，快车与专车全天出行量时变特征大致相同，并与相应时段的居民出行规律相适应。　　其次，以快车数据为例对工作日全天的出行量进行统计，识别出3个出行高峰时段T1:08:00~11:59、T2:12:00~15:59和T3:16:00~19:59，分别代表上午时段、午间时段和傍晚时段的出行。选取DBSCAN聚类算法对工作日出行高峰时段的载客点进行聚类分析，挖掘各个高峰时段的载客热点区域并进行可视化，结合实际地图分析载客热点区域的时空特征，分析发现网约车出行早高峰的载客热点多分布于住宅区，而晚高峰和夜高峰则更集中在商务办公区和商业广场。　　最后，基于载客热点区域挖掘的结果确定预测研究区域，构建包含历史需求量和天气条件等因素在内的影响因素集。构建了随机森林回归预测模型、BP神经网络模型和基于Stacking方法的组合预测模型，在多种影响因素共同作用下对海口市典型载客热点区的网约车需求进行预测，并结合多项评估指标对模型的性能进行评估，结果表明本文构建的基于Stacking方法的组合预测模型在全部研究区域中都展现出比单一模型更高的预测精度。

目录

声明

第1 章 绪论

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出行特征研究

1.2.2热点区域挖掘技术研究

1.2.3出行需求预测研究

1.2.4国内外研究现状总结

1.3.1主要研究内容

1.3.2技术路线

1.3.3论文结构安排

第2 章数据预处理与出行特征分析

2.1数据来源与预处理

2.1.1数据来源与特征描述

2.1.2 数据预处理

2.2网约车出行基本特征分析

2.2.1出行时长分布

2.2.2出行距离分布

2.2.3出行费用分布

2.3网约车出行量变化特征分析

2.3.1工作日网约车出行量变化特征

2.3.2非工作日网约车出行量变化特征

2.4本章小结

第3 章网约车载客热点区域挖掘——以快车为例

3.1载客热点区域挖掘概述

3.2空间聚类算法

3.2.1空间聚类算法比选

3.2.2DBSCAN聚类算法介绍

3.2.3算法流程说明

3.3.1高峰时段识别

3.3.2算法参数确定

3.3.2热点区域判别与边界提取

3.3.3热点区域挖掘与可视化

3.4本章小结

第4 章网约车载客热点区需求预测研究——以快车为例

4.1回归预测方法概述

4.1.1随机森林回归模型概述

4.1.2 BP神经网络模型概述

4.1.3组合预测模型概述

4.2建模准备

4.2.1研究区域选取

4.2.2影响因素集构建

4.2.3数据处理

4.3.1模型调参

4.3.1预测结果展示

4.4.1模型调参

4.4.2预测结果展示

4.5.1模型构建

4.5.2模型结果展示

4.6模型预测精确度与有效性分析

4.7本章小结

结论

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果