科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】出租车调度问题作为影响我国交通发展的重要问题，一直受到学者们的广泛关注。针对实际生活中出租车空驶时间长、人车匹配效率低以及供不应求等问题，研究一个基于Spark和优化BP神经网络的出租车需求预测模型，对城市内某个区域未来一天内的出租总需求量进行预测。其中核心的预测算法是优化的BP神经网络。【方法】针对传统BP神经网络面对大数据集会出现收敛慢并且训练不理想的情况，利用灰色关联分析和遗传算法对模型进行优化。提前使用灰色关联分析对数据集进行处理并将结果作用于BP神经网络内部从而优化网络的收敛速度以及训练效果，并使用遗传算法再次对模型参数进行优化，将最终模型通过Spark实现从而加速模型的训练速度。【结果】通过模型对来自于TLC（纽约市出租车和轿车委员会）的出租车数据集的训练以及预测的实验结果可知：和原始BP神经网络、遗传算法优化的BP神经网络、模拟退火算法结合遗传算法优化的BP神经网络以及粒子群算法优化的BP神经网络相比，本文提出的优化模型的预测精度分别提升了25%、11.1%、6.9%、12.4%，训练时长分别缩短了32.9h、30.1h、36.2h、33.5h，并且收敛速度明显加快。最后将模型在我国的成都出租车数据集上进行训练和预测也证明了模型的泛用性以及对我国城市出租车需求量预测的有效性。【结论】优化模型可以很好地完成出租车需求量预测的任务，为决策者们进行出租车调度提供了有效参考，从而缓解目前存在的出租车调度问题。【局限】但是模型仍有改进空间如预测范围以及选取参数等。
- 单位
