基于DBSCAN算法的出租车载客热点分析

分析出租车载客热点区域有利于掌握城市居民出行的时空分布特征。在深圳市出租车GPS抽样数据的基础上,引入DBSCAN空间聚类算法,并通过地图匹配,对出租车载客点进行聚类分析,利用数据挖掘手段得出出租车载客热区。对5个典型载客热区进行分析,得出出租车载客量的时间分布特性,并探讨其原因。研究结论有利于出租车公司了解客流分布规律和特征,提升对出租车调度的可行性和针对性,降低出租车空载率,减少运营成本,可在一定程度上缓解交通拥堵。

基于GPS数据的出租车出行需求预测研究

近年来“网约车”数量越来越多,“网约车”等待时间长与载客热区需求大等问题也逐步显现,乘车体验亟需改善。在成都市出租车GPS数据的基础上,研究出租车出行分布规律,划分工作日为早、晚、夜高峰相关时段,引入k-距离曲线改进DBSCAN空间聚类算法,对出租车上下客点进行聚类分析,并用数据挖掘得出载客热区。采用BP神经网络预测载客热区的出行需求,预测结果表明,早高峰时段BP神经网络模型的MAPE分别较随机森林模型、岭回归模型提高了3.25%和5.87%,晚高峰时段提高了2.98%和4.32%、夜高峰时段提高了1.44%和2.58%,验证了BP神经网络在出租车需求预测方面的可行性。