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

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，...