周云彤,熊卫华,姜 明

1(浙江理工大学 机械与自动控制学院,杭州 310018)

2(杭州电子科技大学 计算机学院,杭州 310018)

1 引言

网约车是当今社会的主要出行方式之一,为人们的生活带来了便捷,然而这一行业也存在许多问题,如乘客等待时间长,司机空车率高[1].造成这些问题的主要原因是网约车调度不合理,过多的车辆集中在繁忙区域导致车辆的供给大于需求,而在较为偏远的地区,网约车数量极少,分布极为稀疏[2].网约车需求预测可以有效应对这一问题,通过预测区域内网约车的需求,提前引导司机前往不同的区域,从而避免出现网约车分布不均匀的问题[3].

网约车需求预测是智能交通系统的重要组成部分,也是交通大数据分析的一项难题,这是因为其受到多种时空因素的共同影响,单一因素的建模方式很难实现准确的预测.目前研究人员提出了许多方法来解决这一问题,大致可以分为机器学习和深度学习两类,前者需要的训练数据较少但准确率较低,后者则恰好相反.其中机器学习的方法主要有线性回归[4]和支持向量回归[5];深度学习的方法有卷积神经网络(CNN)[6]、卷积神经网络与长短时神经网络(LSTM)相结合[7]和图卷积神经网络(GCN)[8].但这些方法考虑的影响因素不足,仍然无法避免模型不完善的问题.在时间因素方面,出租车需求预测会受季节、节假日和工作时间的影响;同时历史的出行信息也会有一定的影响,这是因为乘客在到达目……