论文摘要
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.
论文目录
文章来源
类型: 期刊论文
作者: 谷远利,李萌,芮小平,陆文琦,王硕
关键词: 城市交通,供需缺口预测,深度学习,网约车,时空关联性
来源: 交通运输系统工程与信息 2019年02期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 公路与水路运输
单位: 北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,河海大学地球科学与工程学院
基金: 国家自然科学基金(41771478)~~
分类号: U491.14
DOI: 10.16097/j.cnki.1009-6744.2019.02.032
页码: 223-230
总页数: 8
文件大小: 2211K
下载量: 376