基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

来源：交通运输系统工程与信息杂志2018年第4期北京时间：

作者：段宗涛，张凯，杨云，倪园园，SAURAB Bajgain

单位：长安大学 信息工程学院，西安 710064

摘要：利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet)，将出租车GPS数据和天气数据等转化为栅格数据，输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征，然后引入残差单元加深网络层数，并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性，最后通过权重融合以上3个分量，并与外部因素(天气、节假日和空气质量指数)进一步融合，从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证，结果表明，该模型与传统预测模型(如ARIMA，CNN，LSTM)相比具有更高的预测精度.

关键词：城市交通,出租车需求预测,深度神经网络,轨迹数据,数据融合

基金资助：中央高校基本科研业务费创新团队支持项目/ Fundamental Research Funds for the Central Universities Innovation Team(300102248404)；陕西省重点科技创新团队项目/ Key Science and Technology Innovation Team of Shaanxi Province, China(2017KCT-29)；陕西省工业攻关项目/ Key Research Item for Industry in S