基于深度学习的网约车需求预测研究

作者：全煜坤

来源：汽车实用技术, 2023, 48(16): 188-193.

DOI：10.16638/j.cnki.1671-7988.2023.016.039

• 网约车需求预测
• 时间相关性
• 深度学习
• 长短期记忆神经网络

网约车需求预测是一个典型的时间序列预测任务，准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径，从而降低网约车的空驶率，具有重要的研究意义。文章利用长短时记忆模型（LSTM）及门控循环单元（GRU）进行网约车需求预测，对比了同一地区休息日和工作日，一周和一个月内的网约车需求及其变化，构建基于LSTM和GRU的需求预测模型，使用历史数据对未来需求进行预测，使用Geohash代码对西安市进行区域划分，对数据和划分的网格进行匹配得到汇总数据，采用线性模型进行对照试验，结果表明，LSTM和GRU在网约车需求预测中的表现优于线性模型，二者相比LSTM预测精度更高。

• 单位
  长安大学