CN110415013A - 一种网约车短时出行需求的组合预测方法 - Google Patents

一种网约车短时出行需求的组合预测方法 Download PDF

Info

Publication number
CN110415013A
CN110415013A CN201910507483.7A CN201910507483A CN110415013A CN 110415013 A CN110415013 A CN 110415013A CN 201910507483 A CN201910507483 A CN 201910507483A CN 110415013 A CN110415013 A CN 110415013A
Authority
CN
China
Prior art keywords
value
period
model
net
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910507483.7A
Other languages
English (en)
Inventor
沈金星
杨婷
张琪
霍豪
齐军杰
郑长江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910507483.7A priority Critical patent/CN110415013A/zh
Publication of CN110415013A publication Critical patent/CN110415013A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0607—Regulated

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种网约车短时出行需求的组合预测方法，具体步骤如下：获取历史出行需求数据；基于获取历史出行需求数据，建立ARIMA模型和BP神经网络模型，进行网约车短时出行需求预测；将ARIMA模型和BP神经网络模型加权组合，利用临近历史时段误差最小原则计算加权组合的权重值，得到最终的组合预测模型；根据构建的组合预测模型进行网约车出行短时出行需求预测。本方法综合两种线性和非线性预测模型的优势，既能基于同的时段历史数据通过线性迭代得到最优估计，又能利用BP神经网络强大的非线性映射能力体现网约车需求的动态特征，能有效减少单项预测模型的过大误差，从而提高网约车短时出行需求预测的精度。

Description

一种网约车短时出行需求的组合预测方法
技术领域
本发明涉及城市交通运输规划与管理技术领域，具体是一种基于网约车短时出行需求的组合预测方法。
背景技术
网约车的需求预测问题是网约车运营调度管理的基础。利用实时预测模型得到的未来短时间内的网约车需求进行网约车运营调度有利于实现网约车的合理配置，减少网约车空驶里程，降低网约车的空驶率，为提高城市网约车运营效率提供了一种有效的解决途径。发明人发现，在城市交通系统的实际预测问题中，复杂交通状况中大量不确定影响因素的存在，使得单一的需求预测模型很难持续保持最佳预测能力。因此，采用组合预测模型，有利于保留不同场景条件下单项预测模型的优势，对提高网约车出行需求预测精度具有重要意义。
发明内容
技术问题：本发明的目的是提供一种网约车短时出行需求的组合预测方法。通过将ARIMA模型和BP神经网络模型预测结果进行加权组合，形成组合模型，通过综合线性和非线性预测模型的优势，减少单项预测模型的过大误差，从而提高模型预测精度，适用于复杂交通环境下的网约车需求预测。
技术方案：为达到上述目的，本发明的技术方案为：
一种网约车短时出行需求的组合预测方法，其特征在于，包括如下步骤：
(1)历史出行需求数据获取：以30min为时间间隔，获取网约车当日预测时间段t前5个时间段实际出行需求数据(D(k,t-i),i＝1,2,3,4,5)以及前当前日期k前7日每日当前时段的历史出行需求数据(D(k-j,t),j＝1,2,3,4,5,6,7)；
(2)历史出行需求数据平稳化处理：对历史需求数据进行有序差分变换化处理，提高历史出行需求数据的稳定性；
(3)基于ARIMA模型的出行需求预测：基于平稳化处理后的历史出行数据，建立基于差分后的自回归-滑动平均模型，进行网约车短时出行需求预测；
(4)基于BP神经网络模型的出行需求预测：基于平稳化处理后的历史出行数据，建立BP神经网络模型，进行网约车短时出行需求预测；
(5)出行需求预测组合模型构建：将ARIMA模型和BP神经网络模型加权组合，利用临近历史时段误差最小原则计算加权组合的权重值，得到最终的组合预测模型。
(6)出行需求预测结果确定：根据构建的组合预测模型进行网约车出行短时出行需求预测。
历史出行需求数据平稳化处理的方法如下：
a.)引入有序差分算子对原非平稳时间序列进行一阶有序差分变换，得其中B为延迟算子。
b.)若差分后仍不平稳，则进行d阶差分至时间序列平稳，得
基于ARIMA模型的出行需求预测的步骤如下：
①建立自回归-滑动平均模型ARMA(p,q)：
式中：
β(B)＝1-β1B-…βqBq
B：延迟算子，
p、q：模型阶数；
βi：需要根据需求数据确定的模型参数；
DARMA(k,t)：k日t时段预测值；
αt：误差。
②将原时间序列进行d阶有序差分后得到累积式自回归-滑动平均模型ARIMA(p,d,q)：
在实际应用中，可以取p＝1,q＝1。
④网约车当日预测时间段前5个时间段实际出行需求数据(D(k,t-i),i＝1,2,3,4,5)的均值r1以及前一周(7日)每日当前时段的历史出行需求数据(D(k-j,t),j＝1,2,3,4,5,6,7)的均值r2作为估计值，代入到下述公式中：
β1的取值区间为[-1,1]，求解该方程组可得到β1的估计值。
基于BP神经网络模型的出行需求预测步骤如下：
A.)获取历史网约车需求数据作为输入层的输入变量，记为Du＝[D(k-7,t),D(k-6,t),…D(k-1,t),D(k,t-5),D(k,t-4),…D(k,t-1)]；设输出层变量数为1个，则输出层输出变量记为
B.)根据经验公式确定神经元个数g的取值范围，其中n为输入层神经元数，m为输出层神经元数，a为[0,10]之间的常数，通过对隐含层神经元数量反复测试，得出神经元数g＝12时网络训练性能最佳。
C.)输入层与隐含层进行数据变换，其输入可表示为：
式中：
Wuv：输入层与隐层神经元的连接权重；
θv：隐层神经元的阈值。
以sigmoid函数f(x)＝1/(1+e-x)为传递函数，则隐层神经元输出可表示为：
D.)输出层接收最后一个隐层神经元信息的输出并做出进一步处理。若输出层变量数为m，m＝1，则输入模式对应的输出变量为：
神经网络的输出层单元的输入、输出分别为：
式中：
Wvl：隐层神经元与输出层的连接权重；
θl：隐层与输出层的阈值。
E.)根据BP神经网络的误差反向传播原理调整权重Wuv、Wvl和阈值θv、θl。基于预测时段前一时段(k,t-1)的预测，可以得到预测值和实际值的误差Ek：
根据相关研究，学习率α取0.5时较易达到期望水平，为使Ek以梯度原理实现不断减小，可得到进而可导出其调整量为：
ΔWvl＝αdbv
同理输出层阈值调整量Δθl、隐层权重与阈值调整量ΔWuv、Δθv分别为：
Δθl＝αd
ΔWuv＝βevDu
Δθv＝αev
ev＝dWvlbv(1-bv)
将权重和阈值在[0,1]之间随机初始化，不断进行误差反向传播，根据上述推导出的调整值对隐层和输出层的连接权重和阈值进行修正，直至预测值与实际值之间偏差满足精度要求，得到最终的权重Wuv、Wvl和阈值θv、θl。
网约车短时出行需求预测的组合模型构建步骤如下：
i.)将ARIMA子模型和BP神经网络子模型得出的网约车需求量预测值加权组合得到组合预测模型：
式中：
组合预测模型t时段预测值；
ARIMA预测模型在第k日t时段预测值；
BP神经网络模型在第k日t时段预测值；
μ(t)：ARIMA预测模型在t时段的权重值；
γ(t)：BP神经网络模型在t时段的权重值
ii.)利用临近历史时段(t-1)时段误差最小原则求解组合预测模型的权重值
式中：
EBP(k,t-1)：k日(t-1)时段BP神经网络模型的预测误差绝对值；
EARIMA(k,t-1)：k日(t-1)时段ARIMA模型的预测误差绝对值；
D(k,t-1)：k日(t-1)时段网约车需求量的实际值；
k日(t-1)时段BP神经网络模型的预测值；
k日(t-1)时段ARIMA模型的预测值。
有益效果
本发明具有以下优点：
1)本发明将ARIMA模型与BP神经网络模型组合，综合两种线性和非线性预测模型的优势，既能基于同时段历史数据通过线性迭代得到最优估计，又能利用BP神经网络强大的非线性映射能力体现网约车需求的动态特征，能有效减少单项预测模型的过大误差，从而提高模型预测精度，适用于复杂交通环境下的网约车需求预测。
2)本发明采用临近时段误差最小原则来确定组合预测模型的时变权重值，能较好地反映短时间内出行需求的变化趋势，达到短时精确预测目的。
附图说明
图1：一种网约车短时出行需求的组合预测方法流程图；
图2：ARIMA模型预测流程图；
图3：BP神经网络模型预测流程图；
图4：模型组合预测流程图。
具体实施方式
以下结合附图，对本发明做进一步说明：
如图1所示，本发明首先采集网约车需求量的历史数据，通过有序差分进行数据平稳化处理；进而，建立基于差分的自回归-滑动平均模型(ARIMA)，根据历史数据得到ARIMA模型预测结果；其次，用Sigmoid函数作为激励函数，建立BP神经网络模型，代入历史数据得出BP神经网络模型预测结果；最后，将两种模型预测结果进行加权组合，形成组合模型，利用临近历史时段误差最小原则计算权重值，得到最终预测结果。
A.ARIMA模型预测：
如图2所示，ARIMA模型预测的具体步骤如下：
1.)历史出行需求数据获取：以30min为时间间隔，获取网约车当日预测时间段前5个时间段实际出行需求数据(D(k,t-i),i＝1,2,3,4,5)
2.)时间序列平稳化处理：引入有序差分算子对原非平稳时间序列进行一阶有序差分变换，得其中B为延迟算子。若差分后仍不平稳，则进行d阶差分至时间序列平稳，得
3.)建立自回归-滑动平均模型：差分后得到累积式自回归-滑动平均模型ARIMA(p,d,q)：根据发明人实际应用效果分析，可以取p＝1,q＝1。
4.)参数估计：网约车当日预测时间段前5个时间段实际出行需求数据(D(k,t-i),i＝1,2,3,4,5)的均值r1以及前一周(7日)每日当前时段的历史出行需求数据(D(k-j,t),j＝1,2,3,4,5,6,7)的均值r2作为估计值，代入公式 其中β1的取值区间为[-1,1]，求解该方程组可得到β1的估计值。
B.BP神经网络模型预测：
如图3所示，BP神经网络模型预测的具体步骤如下：
a.)确定输入变量：获取历史网约车需求数据作为输入层的输入变量，记为Du＝[D(k-7,t),D(k-6,t),…D(k-1,t),D(k,t-5),D(k,t-4),…D(k,t-1)]；设输出层变量数为1个，则输出层输出变量记为
b.)根据经验公式确定神经元个数g的取值范围，其中n为输入层神经元数，m为输出层神经元数，a为[0,10]之间的常数，通过对隐含层神经元数量反复测试，得出神经元数g＝12时网络训练性能最佳；
c.)输入层与隐含层进行数据变换：其输入可表示为：
式中：
Wuv：输入层与隐层神经元的连接权重；
θv：隐层神经元的阈值。
以sigmoid函数f(x)＝1/(1+e-x)为传递函数，则隐层神经元输出可表示为：
d.)输出层输出：输出层接收最后一个隐层神经元信息的输出并做出进一步处理。若输出层变量数为m，m＝1，则输入模式对应的输出变量为：
神经网络的输出层单元的输入、输出分别为：
式中：
Wvl：隐层神经元与输出层的连接权重；
θl：隐层与输出层的阈值。
e.)确定连接权重和阈值：根据BP神经网络的误差反向传播原理调整权重Wuv、Wvl和阈值θv、θl。基于预测时段前一时段(k,t-1)的预测，可以得到预测值和实际值的误差Ek：
根据相关研究，学习率α取0.5时较易达到期望水平，为使Ek以梯度原理实现不断减小，可得到进而可导出其调整量为：
ΔWvl＝αdbv
同理输出层阈值调整量Δθl、隐层权重与阈值调整量ΔWuv、Δθv分别为：
Δθl＝αd
ΔWuv＝βevDu
Δθv＝αev
ev＝dWvlbv(1-bv)
将权重和阈值在[0,1]之间随机初始化，不断进行误差反向传播，根据上述推导出的调整值对隐层和输出层的连接权重和阈值进行修正，直至预测值与实际值之间偏差满足精度要求，得到最终的权重Wuv、Wvl和阈值θv、θl。
C.组合模型预测：
如图4所示，组合模型预测的具体步骤如下：
i)建立组合模型：将ARIMA子模型和BP神经网络子模型得出的网约车需求量预测值加权组合得到组合预测模型：
式中：
组合预测模型t时段预测值；
ARIMA预测模型在第k日t时段预测值；
BP神经网络模型在第k日t时段预测值；
μ(t)：ARIMA预测模型在t时段的权重值；
γ(t)：BP神经网络模型在t时段的权重值
ii.)权重值计算：利用临近历史时段(t-1)时段误差最小原则求解组合预测模型的权重值：
式中：
EBP(k,t-1)：k日(t-1)时段BP神经网络模型的预测误差绝对值；
EARIMA(k,t-1)：k日(t-1)时段ARIMA模型的预测误差绝对值；
D(k,t-1)：k日(t-1)时段网约车需求量的实际值；
k日(t-1)时段BP神经网络模型的预测值；
k日(t-1)时段ARIMA模型的预测值。
实施例：
根据发明内容，通过实际案例进行应用说明。
步骤一：获取某一区域连续8日的网约车需求数据，将各时刻数据以半小时为一时段进行划分，得到如表1所示各时段网约车需求数据。
表1.网约车需求数据
步骤二：将数据差分后代入ARIMA模型进行预测，得到如表2所示的预测结果。
表2.ARIMA模型预测结果
步骤三：在[0,1]中随机初始化权重和阈值，将历史需求数据代入BP神经网络模型进行初次预测，根据误差调整权重和阈值，进行反向传播，循环迭代至误差收敛于定值，输出最终预测结果如表3所示。
表3.BP神经网络模型预测结果
步骤四：以t＝28时段的组合预测为例，进行组合预测计算：
根据步骤二、三的结果可得，临近时段t＝27时段的实际值和模型单独预测的结果如表4所示。
表4.ARIMA和BP模型单独预测结果
将数据代入模型权重计算公式可得：
将权重和t＝28时段ARIMA模型和BP模型的预测结果代入组合模型公式可得最终组合模型预测结果：
各时段最终预测结果如表5所示。
表5. 3种模型预测结果
由6组数据预测结果可得，ARIMA模型预测平均绝对误差值为17.7576，BP神经网络模型预测平均绝对误差值为18.0082，组合模型预测的平均绝对误差值为5.7525。由此可得，组合模型预测精度远远高于ARIMA模型和BP神经网络模型单独预测的精度。

Claims (9)

1.一种网约车短时出行需求的组合预测方法，其特征在于，包括如下步骤：
S1、获取历史出行需求数据；
S2、基于获取历史出行需求数据，建立ARIMA模型，进行网约车短时出行需求预测；
S3、基于获取历史出行需求数据，建立BP神经网络模型，进行网约车短时出行需求预测；
S4、将ARIMA模型和BP神经网络模型加权组合，利用临近历史时段误差最小原则计算加权组合的权重值，得到最终的组合预测模型；
S5、根据构建的组合预测模型进行网约车出行短时出行需求预测。
2.根据权利要求1所述的组合预测方法，其特征在于，步骤S4得到的组合预测模型为：
式中：
组合预测模型在第k日t时段预测值；
ARIMA预测模型在第k日t时段预测值；
BP神经网络模型在第k日t时段预测值；
μ(t)：ARIMA预测模型在t时段的权重值；
γ(t)：BP神经网络模型在t时段的权重值；
式中：
EBP(k,t-1)：k日(t-1)时段BP神经网络模型的预测误差绝对值；
EARIMA(k,t-1)：k日(t-1)时段ARIMA模型的预测误差绝对值；
D(k,t-1)：k日(t-1)时段网约车需求量的实际值；
k日(t-1)时段BP神经网络模型的预测值；
k日(t-1)时段ARIMA模型的预测值。
3.根据权利要求2所述的组合预测方法，其特征在于，步骤S1包括：
S11、历史出行需求数据获取：以30min为时间间隔，获取网约车当日预测时间段t前5个时间段实际出行需求数据D(k,t-i),i＝1,2,3,4,5，以及当前日期k前7日每日当前时段的历史出行需求数据D(k-j,t),j＝1,2,3,4,5,6,7；
S12、历史出行需求数据平稳化处理：对历史需求数据进行有序差分变换化处理，提高历史出行需求数据的稳定性。
4.根据权利要求3所述的组合预测方法，其特征在于，步骤S12所述的历史出行需求数据平稳化处理的方法，步骤如下：
S121、引入有序差分算子对原非平稳时间序列进行一阶有序差分变换，得其中B为延迟算子；
S122、若差分后仍不平稳，则进行d阶差分至时间序列平稳，得到
5.根据权利要求4所述的组合预测方法，其特征在于，步骤S2中建立ARIMA模型，步骤如下：
S21、建立自回归-滑动平均模型ARMA(p,q)：
式中：
B：延迟算子，
p、q：模型阶数；
βi：根据需求数据确定的模型参数；
DARMA(k,t)：k日t时段预测值；
DARMA(k,t-1)：k日t-1时段预测值；
αt：误差；
S22、将原时间序列进行d阶有序差分后得到累积式自回归-滑动平均模型ARIMA(p,d,q)：
6.根据权利要求5所述的组合预测方法，其特征在于，获取β1值的方法是：
网约车当日预测时间段前5个时间段实际出行需求数据D(k,t-i)的均值r1以及前7日每日当前时段的历史出行需求数据D(k-j,t)的均值r2作为估计值，代入到下述公式中：
β1的取值区间为[-1,1]，通过该方程组得到β1的估计值。
7.根据权利要求4所述的组合预测方法，其特征在于，步骤S3建立BP神经网络模型的步骤如下：
S31、获取历史网约车需求数据作为输入层的输入变量，记为Du＝[D(k-7,t),D(k-6,t),…D(k-1,t),D(k,t-5),D(k,t-4),…D(k,t-1)]；设输出层变量数为1个，则输出层输出变量记为
S32、根据经验公式确定神经元个数g的取值范围；
其中n为输入层神经元数；m为输出层神经元数；a为学习率，取[0,10]之间的常数；
S33、输入层与隐含层进行数据变换，其输入可表示为：
式中：
Wuv：输入层与隐层神经元的连接权重；
θv：隐层神经元的阈值；
以sigmoid函数f(x)＝1/(1+e-x)为传递函数，则隐层神经元输出表示为：
S34、输出层接收最后一个隐层神经元信息的输出并做出进一步处理；若输出层变量数为m，m＝1，则输入模式对应的输出变量为
神经网络的输出层单元的输入、输出分别为：
式中：
Wvl：隐层神经元与输出层的连接权重；
θl：隐层与输出层的阈值；
S35、根据BP神经网络的误差反向传播原理调整权重Wuv、Wvl和阈值θv、θl；基于预测时段前一时段(k,t-1)的预测，得到预测值和实际值的误差Ek：
为使Ek以梯度原理实现不断减小，得到进而导出其调整量为：
ΔWvl＝αdbv
同理输出层阈值调整量Δθl、隐层权重与阈值调整量ΔWuv、Δθv分别为：
Δθl＝αd
ΔWuv＝βevDu
Δθv＝αev
ev＝dWvlbv(1-bv)
将权重和阈值在[0,1]之间随机初始化，不断进行误差反向传播，根据上述推导出的调整值对隐层和输出层的连接权重和阈值进行修正，直至预测值与实际值之间偏差满足精度要求，得到最终的权重Wuv、Wvl和阈值θv、θl。
8.根据权利要求7所述的组合预测方法，其特征在于，神经元数g＝12。
9.根据权利要求7所述的组合预测方法，其特征在于，学习率α＝0.5。
CN201910507483.7A 2019-06-12 2019-06-12 一种网约车短时出行需求的组合预测方法 Pending CN110415013A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910507483.7A CN110415013A (zh) 2019-06-12 2019-06-12 一种网约车短时出行需求的组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910507483.7A CN110415013A (zh) 2019-06-12 2019-06-12 一种网约车短时出行需求的组合预测方法

Publications (1)

Publication Number Publication Date
CN110415013A true CN110415013A (zh) 2019-11-05

Family

ID=68359065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910507483.7A Pending CN110415013A (zh) 2019-06-12 2019-06-12 一种网约车短时出行需求的组合预测方法

Country Status (1)

Country Link
CN (1) CN110415013A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612226A (zh) * 2020-05-12 2020-09-01 中国电子科技集团公司电子科学研究院 基于混合模型的群体日均到达人数的预测方法及装置
CN111931568A (zh) * 2020-06-30 2020-11-13 青岛科技大学 一种基于增强式学习的人体跌倒检测方法及系统
CN112489418A (zh) * 2020-10-22 2021-03-12 浙江交通职业技术学院 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法
CN112906960A (zh) * 2021-02-04 2021-06-04 广西智汇佳人力资源有限公司 一种非契约客户流失预测方法及系统
CN113051817A (zh) * 2021-03-19 2021-06-29 上海海洋大学 一种基于深度学习的海浪高度预测方法及其应用
CN113570418A (zh) * 2021-08-11 2021-10-29 东南大学 一种城市共享交通的居民出行需求预测方法
CN113592250A (zh) * 2021-07-08 2021-11-02 交通银行股份有限公司太平洋信用卡中心 一种外呼机器人分配方法
CN113610288A (zh) * 2021-07-28 2021-11-05 华北电力大学 一种电力需求预测方法、装置及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376388A (zh) * 2014-12-08 2015-02-25 国家电网公司 一种基于风速因子控制模型的风电超短期功率预测方法
CN105976199A (zh) * 2016-04-26 2016-09-28 重庆大学 一种基于混合模型的医药销量的预测方法及系统
CN106448151A (zh) * 2016-07-07 2017-02-22 河南理工大学 一种短时交通流预测方法
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN107464417A (zh) * 2017-07-27 2017-12-12 温州市鹿城区中津先进科技研究院 基于出行路径大数据分析的交通调度管控方法
CN107767191A (zh) * 2017-12-05 2018-03-06 广东技术师范学院 一种基于医药大数据预测药品销售趋势的方法
CN107967803A (zh) * 2017-11-17 2018-04-27 东南大学 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN108304355A (zh) * 2018-02-08 2018-07-20 北京工业大学 一种基于sarima-wnn模型预测弹性云计算资源的方法
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376388A (zh) * 2014-12-08 2015-02-25 国家电网公司 一种基于风速因子控制模型的风电超短期功率预测方法
CN105976199A (zh) * 2016-04-26 2016-09-28 重庆大学 一种基于混合模型的医药销量的预测方法及系统
CN106448151A (zh) * 2016-07-07 2017-02-22 河南理工大学 一种短时交通流预测方法
CN106529145A (zh) * 2016-10-27 2017-03-22 浙江工业大学 一种基于arima‑bp神经网络的桥梁监测数据预测方法
CN107464417A (zh) * 2017-07-27 2017-12-12 温州市鹿城区中津先进科技研究院 基于出行路径大数据分析的交通调度管控方法
CN107967803A (zh) * 2017-11-17 2018-04-27 东南大学 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN107767191A (zh) * 2017-12-05 2018-03-06 广东技术师范学院 一种基于医药大数据预测药品销售趋势的方法
CN108304355A (zh) * 2018-02-08 2018-07-20 北京工业大学 一种基于sarima-wnn模型预测弹性云计算资源的方法
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张博: "基于机器学习的交通状态短时预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
郭瑞雪: "基于BP神经网络的网约车出行需求短时预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612226A (zh) * 2020-05-12 2020-09-01 中国电子科技集团公司电子科学研究院 基于混合模型的群体日均到达人数的预测方法及装置
CN111931568A (zh) * 2020-06-30 2020-11-13 青岛科技大学 一种基于增强式学习的人体跌倒检测方法及系统
CN112489418A (zh) * 2020-10-22 2021-03-12 浙江交通职业技术学院 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法
CN112489418B (zh) * 2020-10-22 2022-10-14 浙江交通职业技术学院 一种基于道路路段行程时间预测模型的路段行程时间动态误差修正方法
CN112906960A (zh) * 2021-02-04 2021-06-04 广西智汇佳人力资源有限公司 一种非契约客户流失预测方法及系统
CN113051817A (zh) * 2021-03-19 2021-06-29 上海海洋大学 一种基于深度学习的海浪高度预测方法及其应用
CN113051817B (zh) * 2021-03-19 2024-04-12 上海海洋大学 一种基于深度学习的海浪高度预测方法及其应用
CN113592250A (zh) * 2021-07-08 2021-11-02 交通银行股份有限公司太平洋信用卡中心 一种外呼机器人分配方法
CN113610288A (zh) * 2021-07-28 2021-11-05 华北电力大学 一种电力需求预测方法、装置及存储介质
CN113570418A (zh) * 2021-08-11 2021-10-29 东南大学 一种城市共享交通的居民出行需求预测方法

Similar Documents

Publication Publication Date Title
CN110415013A (zh) 一种网约车短时出行需求的组合预测方法
CN105956690A (zh) 一种供水预测方法及系统
CN106781489B (zh) 一种基于递归神经网络的路网状态预测方法
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
CN107967803A (zh) 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN103903430B (zh) 一种采用多源同构数据的行程时间动态融合预测方法
CN108230049A (zh) 订单的预测方法及系统
WO2018014658A1 (zh) 一种柔鱼类的中心渔场预测方法
CN106448151A (zh) 一种短时交通流预测方法
CN108280998A (zh) 基于历史数据动态选择的短时交通流预测方法
CN103489039B (zh) 具有在线自整定优化能力的高速公路交通流量融合预测方法
CN105513350A (zh) 基于时空特性的分时段多参数短时交通流预测方法
CN109242265B (zh) 基于误差平方和最小的城市需水量组合预测方法
CN103280114A (zh) 一种基于bp-pso模糊神经网络的信号灯智能控制方法
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
CN104679989A (zh) 一种基于改进型bp神经网络的氢原子钟钟差预测方法
CN110111573B (zh) 一种基于物联网的拥堵车辆综合调度方法
CN115410372B (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
Dai et al. Neural network based online traffic signal controller design with reinforcement training
CN108417038A (zh) 一种公交客流量的预测方法及系统
CN109269516A (zh) 一种基于多目标Sarsa学习的动态路径诱导方法
CN115146764A (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN108847021B (zh) 一种考虑异质用户的路网流量预测方法
CN103870890A (zh) 高速公路网交通流量分布的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191105

RJ01 Rejection of invention patent application after publication