[发明专利]一种基于机器学习的城际网约车需求预测方法及系统

说明书

本发明公开了一种基于机器学习的城际网约车需求预测方法及系统，包括需求预测模型训练和需求客座数值预测，其中需求预测模型训练包括订单数据获取、天气特征数据获取、特征数据合并及增加、特征数据预处理、特征数据筛选、模型训练和最优模型获取。本发明根据网约车用户的订单数据，统计历史各时段的网约车需求数据以及时段特征，同时额外收集城市的天气数据作为补充，由于网约车需求预测所涉及的因素过于繁杂，所以通过特征选择方法选择强相关特征作为算法输入，并将XGBoost算法作为需求预测的关键算法，通过交叉验证的方法选取并保存最优模型；在实际应用时获取保存的模型及未来时段数据做预测，以对未来各时段的网约车需求进行预测。

技术领域

本发明涉及网约车技术领域，特别是涉及一种基于机器学习的城际网约车需求预测方法及系统。

背景技术

随着经济和技术的发展，人们出行需求随着交通行业的发展在不断扩大。为了满足日益增长的出行需要，各大城市提倡发展公共交通，完善公共交通体系，来解决出行供需矛盾的问题。如今“共享经济”的快速兴起和网约车行业的合法化，使得网约车发展呈现强态势。网约车已然成为智能交通系统的重要组成部分。网约车行业提供多种出行方式，在打车时间和车型需求等方面给乘客更多的选择空间，极大地满足了居民的多样化出行需求。在互联网的基础上，网约车通过大数据及万物互联等技术，通过对各区域的网约车进行统一管理及高效调度，实现了多区域中网约车与乘客的在线即时匹配，有效解决了传统出租车司乘信息不对称性的问题。

自2012年网约车服务推出以来，乘客需求量及普及量大幅度提升。大量用户的注册和司机的入驻，使网约车平台积攒了海量数据。如何从海量出行数据中获取正确、有效的信息来帮助调度系统对网约车资源进行合理的分配成为了当前研究的重点和难点。用户需求的预测就是其中重要一环。网约车需求预测属于交通流预测领域，通过预测在某一时段、某一区域所需要的车辆数量，提前感知乘客打车需求，提前指向性地把过剩的运力向需求区域进行调度。需求预测对提高网约车平台运营管理效率和减少城市交通压力具有重要的意义。实现网约车出行需求的精准预测，能够指向性地提高部分地区的运力，并引导用户避开高峰与拥堵，进而提高乘客出行体验质量，提高企业、司机的经济收入和服务质量。网约车出行需求的精准预测，是优化城市公共资源配置、提高运力和道路资源利用率的重要基础，对促进新旧业态融合发展和维护行业稳定具有重要的意义。

发明内容

有鉴于此，本发明的目的在于提供一种基于机器学习的城际网约车需求预测方法及系统，能够有效地对未来各时段的网约车需求进行预测，并满足实际需求预测所需的时效性。

本发明的技术方案如下：

一方面，一种基于机器学习的城际网约车需求预测方法，包括：

S1，需求预测模型训练：

S11，订单数据获取，从网约车平台中获取城际订单数据，并以每天24小时分成n个时段t＝{1,...,n}，根据订单数据汇总各时段的网约车需求客座数y＝{y₁,...,y_t}；对于拼车订单，需求客座数为用户下单时所选择的乘车人数，对于包车订单，需求客座数为所选择车辆类型的可提供的客座数；

S12，天气特征数据获取，获取各时段的天气特征数据；

S13，特征数据合并及增加，将需求客座数y和天气特征数据通过线路和时段关联合并，同时添加时间特征数据和线路特征数据；

S14，特征数据预处理，对天气特征数据中缺失或异常的数据进行处理，包括用均值或附近时段值填充空值，并剔除异常值；

对处理后的天气、时间、线路特征中的离散型特征数据做one-hot编码，并通过min-max方法对天气、时间、线路特征数据标准化，使结果值映射到[0-1]之间；