基于循环神经网络的网约车服务短期需求预测
机器学习
2019-01-31 v1 机器学习
摘要
短期交通流预测是智能交通系统的关键问题之一，而智能交通系统是智慧城市的重要组成部分。准确的预测能够使驾驶员和乘客更好地决定出行路线、出发时间和出行起点选择，从而有助于交通管理。基于时间序列预测和机器学习的多种模型与算法已被应用于该问题并取得了可接受的结果。近来，充足数据与计算能力的可得性促使我们通过深度学习方法提升预测精度。循环神经网络已成为时间序列预测最流行的方法之一，然而，由于这类网络种类繁多，何种类型最适合该任务的问题尚待解决。本文使用三类循环神经网络，包括简单RNN单元、GRU和LSTM神经网络，来预测短期交通流。使用来自TAP30公司的数据集构建模型，并将RNN与若干知名模型（如DEMA、LASSO和XGBoost）进行比较。结果表明，三类RNN均优于其他模型，但更简单的RNN（如简单循环单元和GRU）在精度和训练时间上表现优于LSTM。
引用
@article{arxiv.1901.10821,
title = {Short-term Demand Forecasting for Online Car-hailing Services using Recurrent Neural Networks},
author = {Alireza Nejadettehad and Hamid Mahini and Behnam Bahrak},
journal= {arXiv preprint arXiv:1901.10821},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1706.06279, arXiv:1804.04176 by other authors