一种用于预测芝加哥网约车需求的聚类辅助集成方法

准确预测网约车需求对于有效的交通规划与政策制定十分重要。随着人工智能(AI)的兴起，研究者已开始利用机器学习模型来预测出行需求，在许多情况下其预测精度高于统计模型。然而，现有多数机器学习研究使用全局模型预测需求，忽略了空间异质性（即解释变量影响的空间差异）的影响。空间异质性会导致参数估计随空间变化；若不考虑这些空间变化，可能限制模型的预测性能。为考虑空间异质性，本研究提出一种聚类辅助集成方法(CEM)来预测网约车服务的区到区（普查小区到普查小区）出行需求。具体而言，我们构建了一个聚类框架，将起讫点对划分至不同簇，并集成各簇特定的机器学习模型进行预测。我们利用芝加哥的网约车行程数据实现并测试了所提方法。结果表明，凭借更透明且灵活的模型结构，CEM 相比基准模型（即直接在所有观测上训练的全局机器学习和统计模型）显著提升了预测精度。本研究为交通研究者与实践者提供了一种出行需求预测的新方法，尤其适用于网约车与微出行等新型出行方式。