利用机器学习算法预测空中出租车城市航空服务需求
机器学习
2021-03-29 v1 应用统计
摘要
本研究聚焦于利用机器学习算法（MLAs）预测纽约市不同地理区域在一天中不同时段的空中出租车城市空运（UAM）服务需求。若干乘车相关因素（如月份、星期几与时段）及天气相关变量（如温度、天气状况与能见度）被用作四种流行MLAs的预测变量，即逻辑回归、人工神经网络、随机森林与梯度提升。实验结果表明梯度提升能持续提供更高的预测性能。特定地点、某些时段与工作日持续作为关键预测因子浮现。
引用
@article{arxiv.2103.14604,
title = {Predicting Demand for Air Taxi Urban Aviation Services using Machine Learning Algorithms},
author = {Suchithra Rajendran and Sharan Srinivas and Trenton Grimshaw},
journal= {arXiv preprint arXiv:2103.14604},
year = {2021}
}
备注
24 pages, 3 figures, 4 tables