基于机器学习的网约车拼车需求预测研究

为了提高拼车需求预测的准确性,提高网约车拼车服务效率,进一步有效缓解交通拥堵问题,该文利用时间特征提取和Kepler优化算法对传统的决策树机器学习模型进行优化,提出了一种区域拼车概率预测模型。基于芝加哥网约车拼车概率数据集进行拼车需求预测的实验,将该模型与传统决策树模型进行比较。结果表明:优化后的模型在预测精度方面优于传统决策树模型,平均绝对误差(MAE)降低了0.044,均方根误差(RMSE)降低了0.054。优化后的模型相较于传统决策树模型在预测拼车需求方面具有更高的准确性。