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。