[发明专利]一种网约车短时出行需求的组合预测方法

权利要求书

1.一种网约车短时出行需求的组合预测方法，其特征在于，包括如下步骤：

S1、获取历史出行需求数据；

S2、基于获取历史出行需求数据，建立ARIMA模型，进行网约车短时出行需求预测；

S3、基于获取历史出行需求数据，建立BP神经网络模型，进行网约车短时出行需求预测；

S4、将ARIMA模型和BP神经网络模型加权组合，利用临近历史时段误差最小原则计算加权组合的权重值，得到最终的组合预测模型；

S5、根据构建的组合预测模型进行网约车出行短时出行需求预测。

2.根据权利要求1所述的组合预测方法，其特征在于，步骤S4得到的组合预测模型为：

式中：

组合预测模型在第k日t时段预测值；

ARIMA预测模型在第k日t时段预测值；

BP神经网络模型在第k日t时段预测值；

μ(t)：ARIMA预测模型在t时段的权重值；

γ(t)：BP神经网络模型在t时段的权重值；

式中：

E_BP(k,t-1)：k日(t-1)时段BP神经网络模型的预测误差绝对值；

E_ARIMA(k,t-1)：k日(t-1)时段ARIMA模型的预测误差绝对值；

D(k,t-1)：k日(t-1)时段网约车需求量的实际值；

k日(t-1)时段BP神经网络模型的预测值；

k日(t-1)时段ARIMA模型的预测值。

3.根据权利要求2所述的组合预测方法，其特征在于，步骤S1包括：

S11、历史出行需求数据获取：以30min为时间间隔，获取网约车当日预测时间段t前5个时间段实际出行需求数据D(k,t-i),i＝1,2,3,4,5，以及当前日期k前7日每日当前时段的历史出行需求数据D(k-j,t),j＝1,2,3,4,5,6,7；

S12、历史出行需求数据平稳化处理：对历史需求数据进行有序差分变换化处理，提高历史出行需求数据的稳定性。

4.根据权利要求3所述的组合预测方法，其特征在于，步骤S12所述的历史出行需求数据平稳化处理的方法，步骤如下：

S121、引入有序差分算子对原非平稳时间序列进行一阶有序差分变换，得其中B为延迟算子；

S122、若差分后仍不平稳，则进行d阶差分至时间序列平稳，得到

5.根据权利要求4所述的组合预测方法，其特征在于，步骤S2中建立ARIMA模型，步骤如下：

S21、建立自回归-滑动平均模型ARMA(p,q)：

式中：

B：延迟算子，

p、q：模型阶数；

β_i：根据需求数据确定的模型参数；

D_ARMA(k,t)：k日t时段预测值；

D_ARMA(k,t-1)：k日t-1时段预测值；

α_t：误差；

S22、将原时间序列进行d阶有序差分后得到累积式自回归-滑动平均模型ARIMA(p,d,q)：

6.根据权利要求5所述的组合预测方法，其特征在于，获取β₁值的方法是：

网约车当日预测时间段前5个时间段实际出行需求数据D(k,t-i)的均值r₁以及前7日每日当前时段的历史出行需求数据D(k-j,t)的均值r₂作为估计值，代入到下述公式中：

β₁的取值区间为[-1,1]，通过该方程组得到β₁的估计值。