基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型(ARIMA-BPNN-DSR,ABD)。混合模型由差分整合移动平均自回归模型(auto regressive integrated moving average model,ARIMA)和反向传播神经网络(back propagation neural network,BPNN)通过动态选择回归算法(dynamic selection of regression,DSR)融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年(疫情影响下)厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明:①与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;②消融实验表明,在常规序列中,BPNN对融合模型的预测性能增益更高。混合模型相比较单独的ARIMA和BPNN模型,在预测性能指标上,平均绝对误差(mean absolute error,MAE)分别提高22.77%和13.50%,均方百分比误差(mean absolute percentage error,MAPE指标分别提高21.71%和12.37%。另外,在受到2020年的外部干扰下,ARIMA提供的稳定性至关重要;③预测结果与观测值之间的残差结合3-sigma异常检测准则实现订单数据中的需求突增异常点自动识别,以此提高交通管理效率。该结果说明,提出的ABD模型具有良好的预测精度和鲁棒性。

基于时空门控多图卷积网络的网约车需求预测

动态的交通需求对于开发有效的实时交通管理和控制策略、算法至关重要。准确预测网约车需求具有一定的挑战性,但对智能交通系统的发展具有重要作用,有助于协调区域内的网约车供需,提高车辆的利用率,为乘客减少等待时间。文章提出一种时空门控多图卷积网络(Spatial-Temporal Gated Multi-Graph Convolutional Network,STGMGCN)模型,使用门控循环单元挖掘时间特征,并研究了三种不同的图卷积网络挖掘空间上的相关性。文章首先使用门控循环(GRU)单元提取研究区域的网约车的需求的时间相关性,之后构建三种不同图结构提取空间特征包括邻近关系图、功能相似性图、交互关系图并对输出结果进行融合,得到最终的预测结果;最后将该研究模型在真实网约车数据集上与基准模型进行对比实验,实验结果表明该模型的预测性能优于其他模型。

基于深度学习的网约车需求预测研究

网约车需求预测是一个典型的时间序列预测任务,准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径,从而降低网约车的空驶率,具有重要的研究意义。文章利用长短时记忆模型(LSTM)及门控循环单元(GRU)进行网约车需求预测,对比了同一地区休息日和工作日,一周和一个月内的网约车需求及其变化,构建基于LSTM和GRU的需求预测模型,使用历史数据对未来需求进行预测,使用Geohash代码对西安市进行区域划分,对数据和划分的网格进行匹配得到汇总数据,采用线性模型进行对照试验,结果表明,LSTM和GRU在网约车需求预测中的表现优于线性模型,二者相比LSTM预测精度更高。

基于深度学习的网约车供需缺口短时预测研究

城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类—最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.

网约车进入市场利益方博弈策略及效果分析

运用博弈论方法探讨了网约车作为一种新的出行方式进入市场后,市场已存者(即出租车)与其的策略互动,市场已存者通过调整出行费用,从而采取不同的策略应对潜在进入者(即网约车)是否会进入市场.假定出行者根据时间价值(VOT)函数选择出行方式,求出给定需求情况下的需求均衡,并根据两阶段博弈理论求出各策略均衡下的市场均衡,利用均衡时各出行方式的利润和总社会成本评估各策略的影响.最后给出实例分析,结果显示,虽然网约车的进入会减少出租车的利润,但是社会总成本却降低了.因此,合理发展网约车是经济可行的.

高峰期考虑乘客议价的网约车定价与平台收益及社会福利优化

现阶段有关网约车动态定价的研究主要是从司机和平台的角度出发,借助排队论、生灭过程等方法描述司机的运行状态,对市场需求的动态变化特征关注较少,同时也没有考虑乘客方的自主议价权力。本文采用动态匹配描述网约车市场中乘客与司机的匹配过程,通过构建动态匹配模型描述短时间内市场变化的影响,采用需求与供给函数描述乘客和网约车的状态,在此基础上,构建平台利润最优模型和社会福利最优模型;然后提出乘客议价影响因子并依据现有数据确定其在市场运行不同时段的函数,将影响因子引入已建立的模型得到修正后的动态匹配模型和定价模型;最后设置算例验证模型可行性,探讨价格变化对市场的作用,分析乘客议价对动态匹配网约车市场的影响。算例结果表明,随着价格变化因子倍数的增加,社会福利、平台利润和匹配量先增后减,在倍数为2.0时,社会福利达到最大,倍数为1.3时匹配量达到最大。对比分析发现,乘客议价将推动市场向供求平衡移动,同时增加网约车市场高峰时段的平台利润和社会福利。

共享出行的演化与创新

随着移动互联网技术的进步,共享出行市场快速成长,深刻地改变了传统的交通运输方式,改变了现有出行商业生态系统。为了更好地认识和理解共享出行,推动共享出行行业健康发展,运用服务管理、商业模式创新等理论和方法,系统梳理了共享出行的演化过程,分析了共享出行对于传统交通运输行业所带来的创新。研究认为,共享出行模式可有效提升出行效率,减少道路拥堵和污染物排放,因而受到世界各国的推崇和推广应用;与传统出行服务相比,共享出行强调根据需要短期购买使用权而非拥有所有权,实现“按需出行”,从而大幅节约居民出行成本;现有共享出行可划分为共享汽车和共享自行车两大类,其中,共享汽车又可进一步划分为C2C、B2C、网约车和拼车或合乘等模式,其对于传统出行服务体系的改进或创新,主要表现为服务化、平台化和生态化,即出行即服务(MaaS)、基于服务集成的出行平台以及基于共享的出行生态系统,这些创新必将推动传统交通运输服务体系转型升级。

基于网约车数据的居民出行需求特征分析及需求预测

采用南京市网约车数据研究居民出行行为特征.首先,根据不同的土地类型,将南京市核心区划分为102个独立小区;然后,对出行需求的时空特征分析可以动态调整一天内不断变化的出行需求和交通供给;最后,采用WAVE-SVM耦合模型来预测居民出行需求,结果表明该方法具有较高的预测精度,还可以捕捉到短时交通需求的非平稳特性.

基于QPSO__RBF神经网络的网约车需求量预测模型

为了准确地预测乘客对网约车的需求量,指向性地提高部分地区的运力,让乘客更加容易预约到网约车,从而提升乘客的出行体验,通过对网约车需求量的变化规律和影响因素进行灰色关联度分析,选取网约车历史需求量、天气类型和道路拥堵比例作为影响因子,利用量子行为粒子群(QPSO)算法优化径向基(RBF)神经网络的网络权值、中心和基宽来构建QPSO__RBF神经网络预测模型。实际运营数据结果表明,QPSO__RBF神经网络预测模型具有可行性和有效性,其预测精度优于普通RBF神经网络模型的,且无论是改进的RBF神经网络还是普通RBF神经网络,综合考虑历史需求量、天气类型和道路拥堵比例作为影响因子的预测模型均优于只考虑历史需求量的预测模型。

基于IDWPSO-K-means聚类的网约车需求量时变特征分析

为提高网约车运输服务水平并制定合理的运营调度计划,采用聚类分析法识别不同时段和日期内网约车需求量的变化规律。针对现有的K均值(K-means)算法存在初始聚类中心随机设置的不足,提出一种动态调整惯性权重的粒子群优化K-means算法(Hybrid Particle Swarm Optimization K-means with Dynamic Adjustment of Inertial Weight,IDWPSO-K-means)来优化初始聚类中心,而后基于时段特征和日特征对网约车需求进行聚类分析,并与K-means算法及粒子群优化K均值算法(Particle Swarm Optimization K-means,PSO-K-means)进行对比分析。结果表明:IDWPSO-K-means聚类算法可有效识别不同数据模式下网约车需求量时间序列变化的相似性,基于时段特征将网约车需求量聚为2类,基于日特征将网约车需求量聚为4类;相比于PSO-K-means算法和K-means算法,IDWPSO-K-means算法的误差平方和与迭代次数这两个聚类评价指标值均更优,且IDWPSO-K-means聚类算法基于时段特征和日特征的误差平方和分别比PSO-K-means聚类算法减小了1.63%和10.93%,证明该方法可更好地识别网约车需求时变特征。

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。

基于深度聚合神经网络的网约车需求时空热度预测

为解决服务车辆与乘客间的供需不平衡问题,提升服务车辆的运营效率和利润,同时降低乘客等待时间并改善其对服务平台的满意度,针对差异化结构的多维时空数据,提出一种深度聚合神经网络(DANN)模型用于对网约车需求进行预测。首先,通过综合考虑时间、空间和外部环境等多维影响因素,提出了基于周期的时空变量和基于图像点值的空间变量划分方法;其次,依据数据特点构建了不同的子神经网络结构来分别拟合时间变量、空间变量和环境变量与需求间的非线性关系;然后,提出了多种异类子神经网络的聚合方法以同时捕捉不同结构时空数据的隐含特征;最后,分析了聚合权重的设置方法以获得网络模型的最优性能。实验结果表明,在三个真实数据集上所提模型的R2平均误差仅为9.36%,与卷积长短时记忆网络(FCL-Net)和混合深度学习神经网络(HDLN-Net)模型相比,所提模型的R2分别平均提升了4.6%和5.22%,均方误差(MSE)分别平均降低了27.01%和26.6%。因此,DANN在实际应用中能较大幅度地提升需求预测的准确性,可以作为网约车需求预测的有效手段。

基于多图时空图卷积神经网络的网约车需求预测

随着时代发展,网约车已经逐渐成为当今社会的重要出行方式.这项新的出行方式大大降低了出行成本,使人们的生活更加便捷.网约车需求预测是人工智能交通系统的重要组成部分,有着良好的应用价值,但传统的研究在建模时,忽略了目的地和不同地区的社会属性相似性的影响,使得模型的特征不全面,算法预测准确率较低.针对上述问题,本文提出了一种多图时空图卷积网络(Multi-Graph Spatial-Temporal Graph Convolution Neural network,MGSTGCN),以解决网约车需求预测问题.该网络由空间与时间两个组件构成,空间问题的网络采用图卷积来对地理信息、移动信息与社会属性相似性进行建模,时间问题则使用注意力机制与LSTM网络结合进行处理.实验中,我们与四种主流网络模型进行对比分析,结果表明该模型可以更有效地捕获网约车需求数据的时间与空间的特征,提高预测的准确度.

人性化出行视角下的轨道交通站点网约车接驳空间规划策略研究——以成都犀浦地铁站为例

近年来,网约车的兴起大大提高了居民出行便捷度,丰富了居民轨道交通出行的接驳方式的选择,对于居民“最后一公里”出行难问题的解决也起到了重要作用。但现状网约车接驳点大多未提前规划而是临时改设,因而在使用过程中产生了一系列问题。该文通过大数据、出行调查的方法,以成都犀浦地铁站网约车接驳空间为典型对象进行了研究,结果表明其存在空间规模不匹配高密度客流需求、功能划分不满足有序乘车需求、接驳设施难以适应快速化换乘需求、服务设施不符合舒适候乘需求四个现状问题。最后,以问题为导向、以满足需求为原则,提出了多接驳方式衔接的空间布局一体化、接驳空间规范化、接驳设施系统化、服务设施便利化、管理模式有序化五个层面的人性化规划策略。

基于时空多图卷积循环网络的网约车需求预测

随着智能交通系统的发展,网约车逐渐成为城市居民出行的主要方式之一。精确的网约车需求预测,可以合理地指导车辆调度、减少等待时间,已受到越来越多学者的广泛关注。然而,现有研究考虑的交通拓扑图结构比较单一,难以全面捕获空间依赖关系。因此,本文提出了一种时空多图卷积循环网络(Spatial-Temporal Multi-Graph Convolutional Recurrent Network,STMGCRN),用以提高网约车需求预测精度。该模型利用3个子模型分别提取需求的3种时间特征,每一个子模型由多图卷积循环单元构成。该单元在门控循环单元的基础上增加了多图卷积,先通过多图卷积学习不同视角下区域之间的相关性,来捕获空间依赖关系,再通过门控循环单元学习需求数据的动态变化,来捕获时间依赖关系,最后将3个子模型的输出进行加权融合。经在真实网约车数据集上进行对比实验结果表明,该模型在需求预测方面优于其它主流模型。

基于时空多图卷积网络的网约车乘客需求预测

随着智能手机的普及,网约车成为常用的出行替代方式。网约车运营平台因此成为智能交通系统的主要组成部分,在满足公众出行需求中发挥重要作用。乘客需求预测是网约车系统需要解决的核心问题,现有文献中提出的模型忽略了长期时间相关性及多种空间相关性,本文针对现有研究成果存在的局限性,在充分考虑网约车乘客出行需求时空相关独特性的基础上,提出一种融合全局特征的时空多图卷积网络(Spatio-Temporal Multi-Graph Convolutional Network Fused With Global Features,GST-MGCN)模型。该模型遵循临近性、周期性和趋势性(Closeness,Period and Trend,CPT)范式,利用时序信息拟合时间依赖关系;通过识别多种空间语义相关性构建对应的关系图结构、建立多图卷积模型;模型中的全局特征融合模块,使用门控融合和总和融合方法分别捕捉乘客需求的突变和渐变。以海口市数据集为样本的实验结果表明,本文提出的GSTMGCN模型MAE、RMSE和MAPE指标的值分别是2.269、3.917、21.447,优于其他同类主流模型。本研究证明提出的模型GST-MGCN可以有效挖掘网约车乘客出行需求的时空模式,提取全局特征的影响,对其进行准确的预测。

基于ODCG的网约车需求预测模型

为提高网约车需求预测的准确率,提出结合卷积神经网络(convolutional neural network,CNN)和卷积门控循环单元(convolutional gate recurrent unit,ConvGRU)的出发地-目的地需求预测分析(origin-destination demand prediction with CNN and ConvGRU,ODCG)模型。ODCG模型的网络结构分为局部空间特征(local spatial feature,LSF)提取模块、时间演化特征(time evolution feature,TEF)提取模块、全局关联模块(global association module,GCM)和输出层。LSF提取模块利用CNN分别处理出发地视图和目的地视图,得到网约车需求的局部空间依赖性;TEF提取模块将网约车需求的局部空间信息、天气信息和订单序列关联度信息整合到ConvGRU中,分析网约车的需求;GCM模块整合所有区域之间的相关性,通过将所有区域特征加权求和得到全局相关性,并将相应区域之间的相似度定义为权重。试验结果表明,ODCG模型在网约车需求预测中优于其他基线模型,同时提高了网约车需求预测的准确率。