基于数据降噪的网约车需求预测精度提升方法研究

精准的网约车出行需求预测有助于减小出行供需差距,提高居民出行效率、提升城市交通服务水平、降低碳排放量等。时间序列数据是出行需求预测的重要基础资料,本文考虑数据离散程度对模型参数估计的影响,提出了一种基于时间序列分解,通过分位数识别高噪数据的数据清洗方法,降低模型参数拟合受到来自数据质量的负面干扰,提升时间序列预测精度。通过支持向量机(SVM)和自回归模型(AR)对所提出的方法进行验证,实验结果中数据优化后AR和SVM预测结果对应的MAPE中位数分别提高32.46%和14.89%,证明本研究所提出的方法可以有效降低模型参数拟合的难度,提升预测精度。