用于预测网约车服务时空需求的机器学习方法研究
机器学习
2017-03-08 v1 机器学习
摘要
在本文中，我们提出了用于表征和预测按需网约车服务短期需求的机器学习方法。我们提出了需求的时空估计，它是与交通、定价和天气条件相关的变量效应的函数。在方法学方面，单一决策树、bootstrap 聚合（bagged）决策树、随机森林、提升决策树以及用于回归的人工神经网络已被调整并系统性地使用各种统计量进行比较，例如 R 平方、均方根误差（RMSE）和斜率。为了更好地评估模型质量，已使用中国主要按需网约车服务提供商滴滴出行的数据在真实案例研究中进行了测试。在当前研究中，提取了描述时空网约车需求的 199,584 个时间片，聚合时间间隔为 10 分钟。所有方法都基于该数据集的两个独立样本进行训练和验证。结果显示提升决策树提供了最佳预测精度（RMSE=16.41），同时避免了过拟合风险，其次为人工神经网络（20.09）、随机森林（23.50）、bagged 决策树（24.29）和单一决策树（33.55）。
引用
@article{arxiv.1703.02433,
title = {An investigation into machine learning approaches for forecasting spatio-temporal demand in ride-hailing service},
author = {Ismaïl Saadi and Melvin Wong and Bilal Farooq and Jacques Teller and Mario Cools},
journal= {arXiv preprint arXiv:1703.02433},
year = {2017}
}
备注
Currently under review for journal publication