论文部分内容阅读
随着城市化进程不断发展与交通基础设施日趋完善,城市居民产生了丰富多样的差异化出行需求。为更好地满足这些个性化需求,网约车这一结合了先进网络技术与智能终端应用的新兴交通出行模式应运而生。然而,区域内网约车数量供求不均、车辆空载等问题仍制约着网约车的发展甚至影响城市交通系统的运作。在云计算与大数据技术的支撑下,网约车平台积累的海量出行数据为网约车供需研究提供了新方向。因此,为平衡网约车供求关系,为平台在实时调度上提供技术支持,基于真实的出行数据,本文分析了网约车需求的时空特征及重要相关因素,提出以引入注意力机制的深度神经网络模型进行网约车乘客需求短时预测研究。主要内容如下:(1)数据处理与分析,对网约车订单数据进行时间分片与空间分区操作,探究网约车需求时空规律;对轨迹数据进行坐标转换、地图匹配与行驶速度计算以获取路网交通运行状态;对地理信息点进行空间划分以备分析其与出行需求相关性。通过相关性分析,发现历史时间需求量、信息点类型及数量与网约车需求有极强相关性,是影响需求预测的重要因素。(2)通过总结网约车需求预测现有研究,以应用广泛的长短期记忆网络为基础模型,加入注意力机制以把握特征变量中的重要变量,提出多变量网约车需求短时预测模型并进一步添加卷积神经网络提取网约车需求空间特征,提出充分考虑其时空特性及其影响因素的组合预测模型。以成都市二环部分区域的实际网约车出行数据为实例,对本研究所建立的短时预测模型进行实验效果验证。结果表明,相较于标准长短期记忆网络模型,本文提出的结合注意力机制的长短期记忆网络模型及与卷积神经网络的组合预测模型预测精度均有所提高。特别是组合预测模型,相较于标准LSTM模型,评价指标RMSE与MAE分别降低了28.85%与24.47%,预测精度提升了20%以上,可考虑将其应用到网约车平台调度系统以提供数据支持。