基于多模深度森林和迭代Kuhn-Munkres的动态上车点推荐算法

针对现存动态上车点配置模型在大规模算例的全局最优和求解效率方面存在瓶颈的问题,基于乘客步行距离、乘客步行时间、上车点路况指标以及至乘客目的地所需成本四个关键影响因子进行建模,并提出了基于多模深度森林的动态上车点预测算法和一种迭代Kuhn-Munkres上车点配置算法。预测算法融合了多模态决策树结构和深度学习技术以提升模型预测准确性;配置算法通过多场景自适应机制自动调整边权重并选择最优边进行增广,以得到所有乘客和上车点的最优配置。实验结果表明,相较于其他主流预测模型,该预测算法平均绝对误差降低2.705,均方误差降低5.915,可决系数提升0.214,解释方差提升0.195;配置算法在乘客数量占优条件下的平均调度效果相较于实验中其他方案提高了2.04%。这表明预测算法和配置算法具有较高的实用性,且配置算法在处理大规模实例上具有明显优势。