原文传递
基于改进EMD--LSTM模型的网约车需求预测研究
| 论文题名： | 基于改进EMD--LSTM模型的网约车需求预测研究 |
| 关键词： | 网约车;需求预测;热点区域挖掘;经验模态分解;LSTM |
| 摘要： | 城市的不断发展带来了经济增长和居民富裕生活的同时，也给当前的交通运输行业带来了许多挑战。城市交通结构的日渐复杂，导致高密度聚集区交通瘫痪以及低密度区域车辆资源浪费的情况时有发生，如何调配车辆资源为居民需求负责，缓解车辆供需不均，舒缓相应的交通压力，对于交通部门和相关车辆平台都是一项艰巨的难题。本文基于海口市和北京市网约车订单数据，在分析不同地区的居民出行特征的基础上，挖掘载客热点区域，并进一步对网约车的需求进行预测，为相关部门及学者提供相应的参考依据。本文的主要研究工作包括: (1)城市居民网约车需求时空特征研究。 根据网约车订单数据，从时间和空间两个角度研究海口市、北京市居民的网约车需求特征，并具体从总体、工作日及非工作日特征两方面，掌握居民网约车需求时空特征，为热点区域挖掘模型以及网约车需求预测模型的搭建奠定基础。 (2)基于改进的K-Means的热点区域挖掘研究。 基于海口市网约车GPS数据集存在的时空信息，进一步了解居民的出行行为特征以及相应的载客热点区域，以工作日高峰时段的网约车需求数据集为例，选取K-Means聚类算法对载客热点区域挖掘，考虑到聚类簇数K对模型结果的影响，进一步引入遗传算法(GA)自适应寻找最优聚类中心，并进而得到最佳簇，通过与DBSCAN算法以及原始的K-Means算法挖掘效果进行对比，确定本文模型的有效性。 (3)基于改进EMD-LSTM的网约车需求预测研究。 为进一步缓解热点区域交通拥堵现象，提出改进的EMD-LSTM模型对网约车需求时间序列进行预测研究。通过经验模态分解法(EMD)对网约车时间序列进行分解，降低其不稳定性，获得多个稳定的本征模态函数(IMF);考虑到IMF数量过多会造成模型复杂度过高，且IMF之间时序特征不突出的问题，进一步采用经GA改进的K-Means算法确定最优聚类数，获得新的子时间序列;将新的子时间序列输入到预测模型中进行预测，并对结果进行加和，得到最终预测结果。最后，以海口市、北京市数据集进行验证，与线性模型、非线性模型以及未经过改进的模型进行对比，确定模型的预测准确性。 |
| 作者： | 唐小丫 |
| 专业： | 管理科学与工程 |
| 导师： | 刘佳明 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京化工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
