典型文献
混合模型在网约车出行预测研究中的应用
文献摘要：
网约车出行交通流实时预测是智能交通的重要研究领域,针对网约车出行的交通流特点,提出SSA-LSTM-SVR混合模型对网约车短时交通流进行预测分析.使用奇异谱分析(singular spectrum analysis,SSA),将交通流分解为1个主分量和3个随机分量,根据各分量的不同特征,分别采用长短期记忆神经网络(long-short term memory,LSTM)和支持向量回归(support vector regression,SVR)对不同分量进行预测,并将各分量的预测结果进行权重融合,得到最终的预测值,SSA-LSTM-SVR能够捕捉网约车出行交通流的主要规律及其随机变化趋势,预测结果也能够反映交通流的短期变化.结果表明:与其他基线模型相比,所提出的SSA-LSTM-SVR模型具有较低的预测误差和较高的精度和拟合度,其MAPE平均降低了4％以上,预测精度平均提高了6％以上.
文献关键词：
智能交通;网约车出行;交通流;机器学习;SSA
中图分类号：
作者姓名：
帅春燕;王昱翔;许庚
作者机构：
昆明理工大学 交通工程学院,昆明 650500;昆明市规划设计研究院 市政与交通所,昆明 650051
文献出处：
引用格式：
[1]帅春燕;王昱翔;许庚-.混合模型在网约车出行预测研究中的应用)[J].重庆理工大学学报,2022(07):162-169
A类：
B类：
混合模型,网约车出行,出行预测,预测研究,实时预测,智能交通,SSA,SVR,短时交通流,流进,预测分析,奇异谱分析,singular,spectrum,analysis,长短期记忆神经网络,long,short,term,memory,支持向量回归,support,vector,regression,行权,权重融合,机变,基线模型,预测误差,拟合度,MAPE
AB值：
0.328881
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
