基于深度学习的网约车供需缺口短时预测研究

来源：交通运输系统工程与信息杂志2019年第2期北京时间：

作者：谷远利，李萌，芮小平，陆文琦，王硕

单位：1. 北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室, 北京 100044； 2. 河海大学 地球科学与工程学院，南京 211100

摘要：城市不同区域网约车供需缺口预测可为车辆调度策略提供支持，从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测，提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型 3个子模型融合而成，可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时，提出特征聚类—最大信息系数两阶段特征选择方法，筛选与供需缺口相关性强的特征变量，提高训练效率，减少过拟合.滴滴出行实例分析证明，特征选择后的 STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.

关键词：城市交通,供需缺口预测,深度学习,网约车,时空关联性

基金资助：国家自然科学基金/National Natural Science Foundation of China(41771478).