基于卷积神经网络的网约车服务数据驱动多步需求预测
机器学习
2019-11-11 v1 系统与控制
信号处理
系统与控制
摘要
网约车服务正快速发展，并成为交通领域最具颠覆性的技术之一。准确预测网约车出行需求不仅能使城市更好地理解人们的活动模式，还能帮助网约车公司与司机做出明智决策，从而减少空驶车辆行驶里程、交通拥堵和能源消耗。本研究提出一种基于卷积神经网络（CNN）的深度学习模型，利用滴滴出行提供的中国成都出行请求数据，进行多步网约车需求预测。该CNN模型能够准确预测成都市每个1公里×1公里区域每10分钟的网约车上车需求。与另一种基于长短期记忆的深度学习模型相比，CNN模型在训练与预测过程中快30%。所提出的模型还可轻松扩展以进行多步预测，这将有利于按需共享自动驾驶车辆应用与车队运营商在供需再平衡方面的工作。预测误差衰减分析表明，随着模型预测步数的增加，精度仍保持在可接受范围内。
引用
@article{arxiv.1911.03441,
title = {Data-Driven Multi-step Demand Prediction for Ride-hailing Services Using Convolutional Neural Network},
author = {Chao Wang and Yi Hou and Matthew Barth},
journal= {arXiv preprint arXiv:1911.03441},
year = {2019}
}