10.3963/j.jssn.1674-4861.2023.03.017
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 av-erage 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 er-ror,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.
智能交通、订单需求预测、混合机器学习框架、异常点识别、网约车
41
U491.1(交通工程与公路运输技术管理)
国家社会科学基金21FGLB014
2023-09-18(万方平台首次上网日期,不代表论文的发表时间)
共10页
157-165,174