李 巍

(杭州电子科技大学计算机学院，浙江 杭州 310018)

0 引 言

随着近些年来信息技术的不断发展，特别是如滴滴出行、Uber等互联网叫车业务在日常生活中的广泛普及，出租车在城市交通系统中的地位日益突出。然而，当前这个庞大的业务依然面临着许多效率低下的问题(例如乘客过长的候车时间和出租车司机过多的空载行程数)。在这种情况下，如果能够构建一个精确的区域出租车需求预测模型，就可以高效解决上述供需不平衡问题。

许多学者对预测出租车需求进行了深入的研究。文献[1]将泊松(Possion)模型和差分整合移动平均自回归(ARIMA)模型组合在一起，共同完成短期内乘客在空间的分布情况。周丰[2]应用PageRank对城市交通系统的时变复杂特性建模，并建立相应的ARIMA模型预测热点区域下一时间间隔的乘客数量。王成安[3]基于支持向量机(SVM)时空网格模型的出租车需求预测方法，建立了出租车需求序列的时间关系和空间关系从而预测出城市特定区域的出租车需求。郭宪等人[4]基于大量多元历史数据，通过特征提取和迭代学习建立GBRT预测模型实现网约出租车需求动态预测。文献[5]将气象数据添加进一个统一的线性回归模型，用于完成对若干兴趣点附近出租车需求的预测工作。文献[6]则是结合Daubechies5小波分析和最小二乘支持向量机(LS-SVM)构造出一个用于指定区域短期出租车需求的预测模型。

近年来深度学习在计算机视觉和自然语言处理领域上展现出杰出的性能，因而激励了研究人员将深度学习技术应用在交通数据预测问题上。……