论文部分内容阅读
随着网约出租车的日益普及，其需求预测研究逐渐成为热点，相关研究主要集中在出租车保有量和乘车热点等宏观性预测。不同于传统出租车，网约出租车服务是基于网络集中调度，因此为了更好地发挥调度平台的作用和提高车辆利用效益，迫切需要研究网约出租车的实时动态需求。为此，本文设计一个基于梯度提升决策回归树(GBRT)的网约出租车需求动态预测方法。该方法基于大量的多元历史数据，通过特征提取和迭代学习建立GBRT 预测模型，其中为满足该模型的运行要求，自定义目标函数的一阶和二阶导数。该模型旨在根据实时数据预测当天的下一时间片段内城市各区域的实时车辆需求，为智能出行平台合理调度出租车资源提供实时数据支持。基于滴滴出行平台提供的相关数据，验证了该模型的有效性和良好性能。