一种基于深度学习的出租车上车需求量的预测方法

摘要

本发明的基于深度学习的出租车上车需求量的预测方法，包括：步骤1）对出租车原始数据进行预处理,并分析出租车的基本运营指标；步骤2）构建时间横纵分析模型：从时间的横向和纵向两个角度分析不同区域和时间差异对上车客流量趋势的影响，利用Spark并行计算通过深度神经网络DNN对时间横纵分析模型进行训练，拟合出各区域上车需求量的趋势曲线；构建特征相关性分析模型：通过长短期记忆网络LSTM对特征相关性分析模型进行训练。有益效果：两种模型均可实现上车量的预测，对于管理者而言，两种模型协同操作，使得预测拟合更精准，与传统的交通信息系统不同之处在于系统内部集成了两种预测模型，模型可扩展、可训练、可预测，真正将深度学习应用到了实际案例中。