文件名称:论文研究-基于recurrentneuralnetworks的网约车供需预测方法.pdf
文件大小:2.1MB
文件格式:PDF
更新时间:2022-08-11 15:46:24
长短时记忆循环神经网络,网约车数据,交通优化调度,TensorFlow,深度学习
以网约车订单等真实数据为数据源,结合TensorFlow深度学习框架,利用循环神经网络(recurrent neural networks)方法,预测网约车在未来某时间某地点的订单需求量。提出改进LSTM RNN(长短时记忆循环神经网络)模型,经过对其优化和训练,能够有效预测网约车未来某时间某地点的供需量。对数据源进行可视化分析,排除不相关数据源干扰,以此为基础设计仿真实验。仿真实验表明,该模型的正确率比反向传播神经网络(BPNN)、回归决策树(DTR)、非线性回归支持向量机(SVR)以及随机漫步(RW)等模型高,同时,对长短间隔不同的历史数据有较好的记忆能力,在测试数据上有较强的泛化能力。