原文传递
基于GRU&GA-LSTM模型的滴滴车需求量预测研究
| 论文题名： | 基于GRU&GA-LSTM模型的滴滴车需求量预测研究 |
| 关键词： | 滴滴车;需求量预测;GRU&GA-LSTM模型;遗传算法 |
| 摘要： | 随着城市交通枢纽建设加快，城市交通基础设施体系化稳步推进，车辆数目也越来越多，人们日常出行需求量不断增长，随之而来会导致堵车等现象。滴滴车在提供快捷、方便的服务同时，存在传统出租车“寻客”过程的盲目性，且易受地理条件、红绿灯、天气、早晚高峰、城市规划以及节假日和交通意外事件的影响。因此，如何有效地根据供需对滴滴车进行调控，为滴滴车提供安全、高效、智能、畅通的运营环境，大幅减少车辆拥堵，为滴滴出行者提供及时准确的运营服务，已经成为智能交通领域的一个研究热点。 本文以滴滴车需求量预测为研究目标，以滴滴车运营数据和历史天气数据为研究基础，提出了一种基于GRUamp;GA-LSTM的滴滴车需求量预测模型。 本文首先通过可视化数据来对滴滴车运营数据特性、用户习惯、适用场景等方面深层次了解，分别通过灰色关联度分析、Kendall和Pearson来分析影响滴滴车需求量的相关因素及影响关联程度；然后使用后向搜索过程和基于LR正则项的嵌入式特征选择方法，结合数据关联分析的结论，去除对滴滴车需求量没有影响或者影响不大的因素来降低数据维度；最后对输入预测模型的数据进行加权配置。实验结果表明：进行加权配置的数据有效提升了滴滴车需求量预测模型的准确性。 其次，针对滴滴车需求量的特点，提出基于GRUamp;GA-LSTM的滴滴车需求量预测模型。GRUamp;GA-LSTM模型既利用了GRU的简单结构，又保留LSTM保持长依赖关系的优势，利用GA算法，获取最优预测的LSTM的层数、全LSTM每一层的神经元数量、全连接层数、全连接层每一层的神经元数量，然后改变各个参数大小来进行对比实验，获得模型其他各个参数最优值。实验结果表明：GRUamp;GA-LSTM复合预测模型和GRU、LSTM、GA-LSTMamp;GRU等模型的实验效果作对比，得出复合预测模型GRUamp;GA-LSTM的预测效果最好。 最后，先通过对比加权和不加权方式的预测效果可以看出，当实验数据采用加权数据去预测时RMSE平均降低了40.820%、MAE平均降低了41.866%。后对比不同影响因素下成都和西安滴滴运营数据的预测效果，验证了基于GRUamp;GA-LSTM的滴滴车需求量预测模型对不同地区、多元因素的普适性。 |
| 作者： | 阿合提·杰恩斯 |
| 专业： | 软件工程 |
| 导师： | 杜瑾 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
