城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类—最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.

国家自然科学基金(41771478)~~;

城市交通; 供需缺口预测; 深度学习; 网约车; 时空关联性;

10.16097/j.cnki.1009-6744.2019.02.032

U491.14

152223-23082211K
在线咨询 用户反馈