[发明专利]一种网约车短时出行需求的组合预测方法

说明书

本发明公开了一种网约车短时出行需求的组合预测方法，具体步骤如下：获取历史出行需求数据；基于获取历史出行需求数据，建立ARIMA模型和BP神经网络模型，进行网约车短时出行需求预测；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；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。本方法综合两种线性和非线性预测模型的优势，既能基于同的时段历史数据通过线性迭代得到最优估计，又能利用BP神经网络强大的非线性映射能力体现网约车需求的动态特征，能有效减少单项预测模型的过大误差，从而提高网约车短时出行需求预测的精度。

技术领域

本发明涉及城市交通运输规划与管理技术领域，具体是一种基于网约车短时出行需求的组合预测方法。

背景技术

网约车的需求预测问题是网约车运营调度管理的基础。利用实时预测模型得到的未来短时间内的网约车需求进行网约车运营调度有利于实现网约车的合理配置，减少网约车空驶里程，降低网约车的空驶率，为提高城市网约车运营效率提供了一种有效的解决途径。发明人发现，在城市交通系统的实际预测问题中，复杂交通状况中大量不确定影响因素的存在，使得单一的需求预测模型很难持续保持最佳预测能力。因此，采用组合预测模型，有利于保留不同场景条件下单项预测模型的优势，对提高网约车出行需求预测精度具有重要意义。

发明内容

技术问题：本发明的目的是提供一种网约车短时出行需求的组合预测方法。通过将ARIMA模型和BP神经网络模型预测结果进行加权组合，形成组合模型，通过综合线性和非线性预测模型的优势，减少单项预测模型的过大误差，从而提高模型预测精度，适用于复杂交通环境下的网约车需求预测。

技术方案：为达到上述目的，本发明的技术方案为：

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：

(1)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)以及前当前日期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)；

(2)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；

(3)基于ARIMA模型的出行需求预测：基于平稳化处理后的历史出行数据，建立基于差分后的自回归-滑动平均模型，进行网约车短时出行需求预测；

(4)基于BP神经网络模型的出行需求预测：基于平稳化处理后的历史出行数据，建立BP神经网络模型，进行网约车短时出行需求预测；

(5)出行需求预测组合模型构建：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。

(6)出行需求预测结果确定：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。

历史出行需求数据平稳化处理的方法如下：

a.)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。

b.)若差分后仍不平稳，则进行d阶差分至时间序列平稳，得

基于ARIMA模型的出行需求预测的步骤如下：

①建立自回归-滑动平均模型ARMA(p,q)：

式中：

β(B)＝1-β₁B-…β_qB^q