基于recurrent neural networks的网约车供需预测方法

• 作者: 安磊 李佳星 武永亮 赵书良 陈润资
• 来源期刊: 计算机应用研究
• 关键词: 长短时记忆循环神经网络 网约车数据 交通优化调度 TensorFlow 深度学习
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 756-761
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2017.10.0979

摘要

以网约车订单等真实数据为数据源,结合TensorFlow深度学习框架,利用循环神经网络(recurrent neural networks)方法,预测网约车在未来某时间某地点的订单需求量.提出改进LSTM RNN(长短时记忆循环神经网络)模型,经过对其优化和训练,能够有效预测网约车未来某时间某地点的供需量.对数据源进行可视化分析,排除不相关数据源干扰,以此为基础设计仿真实验.仿真实验表明,该模型的正确率比反向传播神经网络(BPNN)、回归决策树(DTR)、非线性回归支持向量机(SVR)以及随机漫步(RW)等模型高,同时,对长短间隔不同的历史数据有较好的记忆能力,在测试数据上有较强的泛化能力.