为提高网约车平台整体运营效率,增加网约车司机收入,改善城市交通出行环境,针对网约车服务需求进行逐日预测研究.首先,对司机订单数此类非集计类型数据进行聚合,获取各网约车平台订单量统计数据;其次,考虑不同网约车平台的运力差异,提出基于不同核函数的支持向量机回归模型(SVR),并结合网格搜索法选取最优超参数,构造基于逐日网约车服务需求预测模型;最后,以厦门市网约车服务需求数据为例,引入BP神经网络模型与自回归移动平均混合模型(ARIMA)进行对比.实验结果表明:针对不同网约车平台,带不同核函数的SVR表现性能不同,整体上带径向基核函数(rbf)的SVR具备较好的预测性能,其平均相对误差约10 ％;针对不同的时序模型进行对比,其在逐日服务需求预测性能上表现存在差异,其中自回归移动平均混合模型整体趋势接近标签值,但在预测精度方面差与BP神经网络以及带核函数的SVR,整体上带核函数的SVR优于其他两类时序模型.
国家科技期刊平台
NSTL
万方数据
维普
