混合模型在网约车出行预测研究中的应用

作者：帅春燕; 王昱翔^*; 许庚

来源：重庆理工大学学报：自然科学, 2022, 36(07): 162-169.

• 智能交通
• 网约车出行
• 交通流
• 机器学习
• SSA

网约车出行交通流实时预测是智能交通的重要研究领域，针对网约车出行的交通流特点，提出SSA-LSTM-SVR混合模型对网约车短时交通流进行预测分析。使用奇异谱分析(singular spectrum analysis, SSA),将交通流分解为1个主分量和3个随机分量，根据各分量的不同特征，分别采用长短期记忆神经网络(long-short term memory, LSTM)和支持向量回归(support vector regression, SVR)对不同分量进行预测，并将各分量的预测结果进行权重融合，得到最终的预测值，SSA-LSTM-SVR能够捕捉网约车出行交通流的主要规律及其随机变化趋势，预测结果也能够反映交通流的短期变化。结果表明：与其他基线模型相比，所提出的SSA-LSTM-SVR模型具有较低的预测误差和较高的精度和拟合度，其MAPE平均降低了4%以上，预测精度平均提高了6%以上。

• 单位
  昆明理工大学