發(fā)布時間：2021-11-01 17:41

　　近年來網約出租車發(fā)展迅猛,已經被公眾廣泛接受和政府認可。作為一種人們出行的常用交通方式,其便捷性也受到越來越高的要求。關于網約出租車的需求預測被各大網約出租車運營商視為技術發(fā)展的重要突破口,也逐漸受到研究學者們的重點關注。但是目前這些研究都主要集中在車輛保有量和乘車熱點的預測上,車輛的需求動態(tài)預測方面的研究還有很大的發(fā)展空間�；谀承┙o定數據對一個城市內不同區(qū)域的實時的車輛需求數目進行預測即本文所述的網約出租車的需求動態(tài)預測問題。準確預測城市區(qū)域內的實時動態(tài)需求有助于充分發(fā)揮集中調動平臺的作用,從而大幅提高網約出租車利用效益。本文針對網約出租車的動態(tài)需求問題,分析了影響出租車輛實時需求數目的直接、間接因素;針對大量可收集的相關數據展開研究,首次采用機器學習方法,設計了基于梯度上升決策回歸樹算法網約出租車需求動態(tài)預測方法,并進一步對算法進行了改進。本文的研究思路是根據已有歷史運營數據以及歷史交通、天氣狀況等外部環(huán)境建立預測模型,然后根據實時數據預測當天的下一時間片段內城市各區(qū)域的實時車輛需求數目。根據某智能出行平臺的實際運營數據為例,驗證了提出的實時預測模型。結果證明,本文提出的需求預測... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題來源
    1.2 研究背景及意義
    1.3 國內外研究概況
    1.4 機器學習回歸預測方法的基本概念
    1.5 研究內容與論文結構
2 網約出租車需求動態(tài)預測問題和影響因素分析
    2.1 問題描述
    2.2 城市居民使用網約出租車出行的需求影響因素分析
    2.3 預測流程與評價指標
    2.4 本章小結
3 基于GBRT的網約出租車需求預測方法
    3.1 學習目標
    3.2 弱決策回歸樹的構建
    3.3 強決策回歸樹的集成
    3.4 本章小結
4 基于XGBOOST框架的GBRT的網約出租車需求預測方法
    4.1 學習目標近似的GBRT算法
    4.2 XGBOOST框架中弱決策回歸樹的構建
    4.3 XGBOOST框架中強決策回歸樹集成
    4.4 本章小結
5 基于運營數據分析的特征提取和樣本集構建
    5.1 數據分析
    5.2 特征分析與提取
    5.3 樣本集建立
    5.4 本章小結
6 數據實驗與結果分析
    6.1 數據預處理
    6.2 模型訓練
    6.3 預測結果
7 總結與展望
致謝
參考文獻
附錄1 攻讀學位期間參加的科研項目


【參考文獻】：
期刊論文
[1]基于時間序列聚類方法分析北京出租車出行量的時空特征[J]. 程靜,劉家駿,高勇.  地球信息科學學報. 2016(09)
[2]基于運營系統(tǒng)的出租車出行需求短時預測模型[J]. 林永杰,鄒難.  東北大學學報(自然科學版). 2016(09)
[3]城市出租車打車軟件使用率對空駛率影響研究[J]. 曹祎,羅霞.  計算機工程與應用. 2016(14)
[4]考慮空駛距離的出租汽車空氣污染排放模型[J]. 王健,池利兵,胡曉偉.  城市交通. 2015(02)
[5]基于小波神經網絡的出租車保有量預測模型[J]. 楊英俊,趙祥模.  公路交通科技. 2012(08)
[6]L1/2正則化[J]. 張海,王堯,常象宇,徐宗本.  中國科學:信息科學. 2010(03)
[7]機器學習的主要策略綜述[J]. 閆友彪,陳元琰.  計算機應用研究. 2004(07)

碩士論文
[1]基于改進的GBDT算法的乘客出行預測研究[D]. 王天華.大連理工大學 2016
[2]供需平衡狀態(tài)下的出租車發(fā)展規(guī)模研究[D]. 馮曉梅.西南交通大學 2010



本文編號：3470524