基于混合机器学习框架的网约车订单需求预测与异常点识别 |
| |
引用本文: | 李之红,申天宇,文琰杰,许旺土.基于混合机器学习框架的网约车订单需求预测与异常点识别[J].交通信息与安全,2023(3):157-165+174. |
| |
作者姓名: | 李之红 申天宇 文琰杰 许旺土 |
| |
作者单位: | 1. 北京建筑大学土木与交通工程学院;2. 中南大学交通运输工程学院;3. 厦门大学建筑与土木工程学院 |
| |
基金项目: | 国家社会科学基金项目(21FGLB014)资助; |
| |
摘 要: | 城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型(ARIMA-BPNN-DSR, ABD)。混合模型由差分整合移动平均自回归模型(auto regressive integrated moving average model,ARIMA)和反向传播神经网络(back propagation neural network,BPNN)通过动态选择回归算法(dynamic selection of regression,DSR)融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年(疫情影响下)厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明:(1)与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;(2)消融实验表明,...
|
关 键 词: | 智能交通 订单需求预测 混合机器学习框架 异常点识别 网约车 |
|
|