详情

原文传递基于滴滴数据的网约车出行需求影响因素分析及预测研究

论文题名：	基于滴滴数据的网约车出行需求影响因素分析及预测研究
关键词：	网约车;历史订单轨迹数据;出行需求预测
摘要：	滴滴出行是新型网约车出行的典型代表，其克服了打车难、寻客难、路径规划不合理等问题，如今已成为了居民在市区内出行的主要选择之一。但随着居民出行需求和网约车资源的快速增长，出现了供需矛盾加剧的问题，例如用户打车等待时间较长，影响了网约车司机的收入和服务质量。在此背景下，利用滴滴网约车历史订单轨迹数据分析用户出行时空特征，探究网约车出行需求影响因素，以及预测网约车出行需求量等科学问题，逐渐成为了十分重要的研究方向。本研究基于西安市中心城区2018年10月1~31日滴滴网约车历史订单轨迹数据，运用GIS技术、回归模型和深度学习等方法，分别从工作日、周末、节假日三个时期分析了网约车用户出行时空特征和网约车出行需求影响因素，最后，对网约车出行需求量进行了预测。主要结论如下：　　（1）西安市中心城区滴滴网约车用户出行日均13.79万次，周末最多，其次是节假日、工作日；工作日和周末高峰出现在8至9点、14至15点、20至21点；节假日则无早高峰，且全天出行量随时间呈“S”形变化；通勤早高峰工作日出行量最多，通勤晚高峰节假日最多；用户以短时间、短距离出行为主；工作日和周末区域内部最大出行量主要分布在研究区域四周，如西安交通大学雁塔区、曲江铁建国际城、大雁塔等附近；工作日和周末吸引量最大的区域主要分布在著名景点钟楼、小塞等附近；节假日还出现在西安站、西安汽车站等交通枢纽附近；工作日与周末的出行需求分布较为相似，节假日稍有差异，而三个时期的早、晚夜高峰存在显著差异。　　（2）基于POI数据构建网约车出行需求影响因素指标体系，运用OLS、GWR、GTWR、MGWR模型分别构建三个时期的网约车出行需求影响因素模型；分别从时间和空间的角度对比分析，GTWR和MGWR模型的拟合优度、预测精度均最佳。运用GTWR模型分析影响因素的时间异质性，公司企业对三个时期的网约车出行需求促进作用最强；休闲娱乐对工作日和周末的网约车出行需求抑制作用最强；住宅小区对节假日的网约车出行需求抑制作用最强；旅游景点对三个时期的网约车出行需求既有抑制作用也有促进作用。运用MGWR模型分析交通设施和酒店住宿的空间异质性，交通设施空间作用尺度较小，存在高度的空间异质性，对高校附近的网约车出行需求促进作用最强；酒店住宿则对交通枢纽附近的网约车出行需求促进作用尤为明显；并且二者在节假日的空间作用尺度最大，其次是周末、工作日。　　（3）基于多特征CNN-BiGRU-Attention模型构建网约车出行需求预测模型，amp;nbsp;将网约车出行需求影响因素中的显著自变量（餐饮美食、公司企业等11类POI数据）作为特征因子输入。对模型做了对比实验和消融实验。实验结果表明，加入11类POI特征因子能提高模型预测精度，引入注意力机制（Attention）能提高CNN、BiGRU模型的学习能力；最后，对不同区域三个时期的需求量进行预测。结果表明，该模型能很好地捕捉到网约车出行需求的时空特征，适用于研究范围内各区域的网约车出行需求预测，并且对具有周期性的工作日、周末预测效果最佳。
作者：	张容
专业：	交通运输
导师：	唐秋生
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023