多尺度多方法组合的网约车需求预测方法研究

为了解决单一时间序列模型对网约车需求预测精度不高,而导致网约车供需不平衡的问题,提出一种多尺度多方法组合的网约车需求预测方法。对网约车影响因素进行分析并提取出主要特征,利用历史平均模型、ARIMA时间序列模型、LSTM长短期记忆神经网络进行网约车需求预测,分别提取出网约车数据的周期性规律、差分变化规律和其他复杂规律,为了最大限度发挥三种单一模型的优势,使用三种单一模型建立组合模型,最后用灰狼优化算法对组合模型的权重进行寻优。通过在真实数据集上对单一模型和组合模型的预测精度进行比较,结果表明,组合模型在五种评价标准下均优于单一模型,更好地发挥出单一模型的预测优势,预测精度更高。同时在不同的适应度函数下进行实验,验证了模型的鲁棒性。采用组合预测模型预测精度更高,更适合作为网约车需求预测的有效模型。

面向时空数据的多粒度结构化表示

针对时空感知数据在时间、空间维度分布不均衡所导致的问题,本文提出了3DTree的时空多粒度结构。进而以不同平台、不同类型、不同地域的数据集实验验证了所提出的时空多粒度结构化表示方法的稳定性、有效性及普适性。