基于时间序列的网约车在线司机与乘客发单的供需预测

《基于时间序列的网约车在线司机与乘客发单的供需预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学号M201676155学校代码10487密级硕士学位论文基于时间序列的网约车在线司机与乘客发单的供需预测学位申请人：朱本常学科专业：软件工程指导教师：沈刚教授答辩日期：2018.12.27AThesisSubmittedinPartialFulfillmentoftheRequirementsfortheDegreefortheMasterofEngineeringSupplyandDemandForecastofOnlineDriverandPassengerBillingBasedonTimeSeriesCandidate:ZhuBenchangMajor:Softwar

2、eEngineeringSupervisor:Prof.ShenGangHuazhongUniversityofScience&TechnologyWuhan430074,P.R.ChinaDecember,2018华中科技大学硕士学位论文摘要随着移动互联网的兴起，网约车应运而生。在网约车的业务场景里面，特定城市的不同区域的在线司机数差异很大，乘客发单量差异也很大。为了解决区域之间供需不平衡的问题，首先就要对每个区域的供需比有一个准确的预测。而特定区域的供需比随时间变化而变化，与很多外界因数相关，具有周期性，且会因为节假日、恶劣天气等极端事件使得序列出现异常值。用传统的三阶指数平滑处

3、理时不能很好的对异常点做出预测。因此兼顾极端事件的发单量和接单量的预测具有重大的意义。传统的机器学习模型和循环神经网络在时间序列预测的研究方面都取得了一定的成果。本文基于这两个方向，结合具体的业务背景设计出了一种组合预测模型，并且相对现存的方法取得了很大提高。首先我们获取多个城市多个区域在不同时间点的供需比以及区域位置，天气等的历史信息。并对相应特征做了异常值处理、归一化、one-hot、连续特征离散化等初级处理。然后对处理后的特征分别用两种方案做进一步的处理。方案一中，我们分别把供需比序列输入到三阶指数平滑和一阶指数平滑的holt-winter模型里，分别求解模型参数。然后把两个模

4、型线性加权的结果作为一个最终特征。方案二中，我们首先把包含区域特征、天气特征、节气特征、窗口序列特征等的数据整合成[batch,sequence,feature]的形式，把整合的数据同时作为输入和输出去训练一个由五层LSTM构成的自编码器。LSTM包括输入门、输出门和遗忘门。通过前向和后向传播算法迭代到参数收敛得到最佳模型。然后取模型的编码器部分对序列特征进行编码，并把编码器的输出作为最终的多个特征。把前面两个方案输出的数据concat成完整向量，再联合其他特征，一起输入到xgboost模型，并迭代得到最终的模型参数。最后，在测试集上用smape指标度量模型对供需的预测效果。采集前后

5、几个月关于供需的所有数据，输入到上述模型，并训练模型到参数收敛。实验结果表明，通过把一阶指数平滑和三阶指数平滑做加权平均，且融合自编码器，并结合xgboost做预测的方法。比之前传统单一的时间序列预测方法有了显著提高。关键词：时间序列供需预测指数平滑xgboost长短时间记忆I华中科技大学硕士学位论文AbstractWiththeriseofthemobileInternet,thenetworkcarcameintobeing.Inthebusinessscenarioofthenetworkcar,thenumberofonlinedriversindifferentareaso

6、faparticularcityvariesgreatly,andtheamountofpassengersissuedisalsoverydifferent.Inordertosolvetheproblemofimbalancebetweensupplyanddemandbetweenregions,itisfirstnecessarytohaveanaccuratepredictionofthesupply-demandratioofeachregion.Thesupply-demandratioofaparticularareachangeswithtime,isrelated

7、tomanyexternalfactors,hasperiodicity,andcausesabnormalvaluesinthesequenceduetoextremeeventssuchasholidaysandbadweather.Whenusingthetraditionalthird-orderexponentialsmoothing,theabnormalpointsarenotwellpredicted.Therefore,itisofgre