基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

作     者：段宗涛 张凯 杨云 倪园园 SAURAB Bajgain DUAN Zong-tao;ZHANG Kai;YANG Yun;NI Yuan-yuan

作者机构：长安大学信息工程学院西安710064 

出 版 物：《交通运输系统工程与信息》 (Journal of Transportation Systems Engineering and Information Technology)

年 卷 期：2018年第18卷第4期

页      面：215-223页

核心收录：

学科分类：08[工学] 0823[工学-交通运输工程] 

基　　金：中央高校基本科研业务费创新团队支持项目(300102248404) 陕西省重点科技创新团队项目(2017KCT-29) 陕西省工业攻关项目(2018GY-136) 

主　　题：城市交通 出租车需求预测 深度神经网络 轨迹数据 数据融合 

摘      要：利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.