隨著移動互聯(lián)網(wǎng)的興起,網(wǎng)約車應運而生。在網(wǎng)約車的業(yè)務場景里面,特定城市的不同區(qū)域的在線司機數(shù)差異很大,乘客發(fā)單量差異也很大。為了解決區(qū)域之間供需不平衡的問題,首先就要對每個區(qū)域的供需比有一個準確的預測。而特定區(qū)域的供需比隨時間變化而變化,與很多外界因數(shù)相關,具有周期性,且會因為節(jié)假日、惡劣天氣等極端事件使得序列出現(xiàn)異常值。用傳統(tǒng)的三階指數(shù)平滑處理時不能很好的對異常點做出預測。因此兼顧極端事件的發(fā)單量和接單量的預測具有重大的意義。傳統(tǒng)的機器學習模型和循環(huán)神經(jīng)網(wǎng)絡在時間序列預測的研究方面都取得了一定的成果。本文基于這兩個方向,結合具體的業(yè)務背景設計出了一種組合預測模型,并且相對現(xiàn)存的方法取得了很大提高。首先我們獲取多個城市多個區(qū)域在不同時間點的供需比以及區(qū)域位置,天氣等的歷史信息。并對相應特征做了異常值處理、歸一化、one-hot、連續(xù)特征離散化等初級處理。然后對處理后的特征分別用兩種方案做進一步的處理。方案一中,我們分別把供需比序列輸入到三階指數(shù)平滑和一階指數(shù)平滑的holt-winter模型里,分別求解模型參數(shù)。然后把兩個模型線性加權的結果作為一個最終特征。方案二中,我們首先把包含區(qū)域特...

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

圖1-1時間序列的發(fā)展對于異方差情形，Engle（1982）首先提出ARCH模型

用于時間序列數(shù)據(jù)的識別、診斷以及估計，最終變得越來越完整。ARIMA有另外一個名稱，即Box-Jenkins模型，主要的應用場景是對單變量、同方差的線性時間序列數(shù)據(jù)擬合。在模型處理非平穩(wěn)的時間序列時，首先就是把非平穩(wěn)序列平穩(wěn)化，而這樣的方法多種多樣，比如進行傅里葉變化或則小波....

圖1-2非線性時間序列

中科技大學碩士學位論上面兩個方法一起成為現(xiàn)代譜估計的奠基。隨著最小交叉熵最大熵譜分析法只不過是最小交叉熵法在特定情況下的一個知道某些規(guī)則的時候，對比最大熵法，最小交叉熵的效果要法[6]的缺點是運算太繁復。通常情況下，經(jīng)典譜估計對短數(shù)對長數(shù)據(jù)序列有更加優(yōu)秀的譜估....

圖2-1RNN示意圖

()∑[(())()()]()(2-去掉常數(shù)，展開正則得到()，如式2-20所示：()∑(∑)(∑)....

圖2-2LSTM結構圖

華中科技大學碩士學位論文人意[31]。網(wǎng)絡一旦變得更深就無法訓練了，而RNN解決這個問題用到的就叫LSTM，LSTM引入一個核心元素就是Cell[32]。LSTM是一種特殊的RNN結構[33]。是為了解決長期記憶無法有效傳遞的問題而設計出來的。RN....

本文編號：3999367